DERS ADI

: Stokastik Programlama

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
EKO 6122 Stokastik Programlama SEÇMELİ 3 0 0 6

Dersi Veren Birim

Ekonometri Doktora

Dersin Düzeyi

Doktora

Ders Koordinatörü

DOÇ.DR. MURAT TANIK

Dersi Alan Birimler

Ekonometri Doktora

Dersin Amacı

Bu dersin amacı öğrencilere veri belirsizliği olan ortamlarda optimal karar verme yöntemlerini tanıtmaktır. Stokastik programlama alanı yöneylem araştırması, matematik ve olasılık gibi birçok farklı disiplinin katkılarıyla hızla gelişmektedir. Ders Benders, regularize Benders, Dantzig-Wolfe, L-şekil ve istatistik temeline dayalı ayrıştırma yöntemleri gibi büyük ölçekli matematiksel programlama için ayrışma-koordinasyon algoritmaları gibi yöntemleri içerir.

Dersin Öğrenme Kazanımları

1   Stokastik problemlerin uygulama alanları tanımlayabilme
2   Karar verme problemlerinde optimizasyon tekniklerini kullanabilme
3   Veri belirsizliği olan problemleri formüle edebilme, çözebilme ve analiz edebilme
4   Optimizasyon problemlerini stokastik programlama modelleri ile çözebilme
5   Stokastik programlama modellerinin çözümünün gerçekleştirileceği yazılımları kullanabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Modelleme ile ilgili temel kavramlar
2 Stokastik programlama problemlerinin deterministik çözümleri
3 İki aşamalı stokastik doğrusal programlama (SDP)
4 Stokastik kısıtlar, stokastik tamsayılı programlama, çok aşamalı stokastik programlama problemleri
5 Stokastik programlamada sınırlar: Expected Value of Perfect Information, Value of Stochastic Solution
6 Makale incelemeleri
7 VİZE
8 Stokastik programlamada sınırlar: Wait-and-See bounds, Jensen s Inequality, Edmunson-Madansky Inequality
9 Hesaplama metotları: The L-Shaped method. Multicut methods. Bunching and other algorithmic techniques.
10 Hesaplama metotları: Stabilizing the L-Shaped method. Regularized Decomposition, Progressive Hedging.
11 Makale incelemeleri
12 Büyük ölçekli problemler için örnekleme metotları: stokastik ayrışım
13 Büyük ölçekli problemler için örnekleme metotları: varyans indirgeme teknikleri
14 Uygulamalar ve sunumlar

Ders İçin Önerilen Kaynaklar

John R. Birge and Fran cois Louveaux. Introduction to Stochastic Programming (SpringerVerlag, 1997).

Öğrenme ve Öğretme Yöntemleri

Anlatım Metodu, Soru-Cevap Metodu, Tartışma Metodu ve Problem Çözme Metodu- Uygulamalar

Değerlendirme Yöntemleri

Başarılı / Başarısız


*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

İlan Edilecektir.

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan Edilecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Anlatımı 13 3 39
Haftalık Ders öncesi/sonrası hazırlıklar 13 4 52
Vize Sınavına Hazırlık 1 35 35
Final Sınavına Hazırlık 1 35 35
Vize Sınavı 1 3 3
Final Sınavı 1 3 3
TOPLAM İŞ YÜKÜ (saat) 167

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9
ÖK.1222222222
ÖK.2222222222
ÖK.3222222222
ÖK.4222222222
ÖK.5222222222