La programmation stochastique gère questions complexes d'optimisation mathématique où les variables inconnues créer un certain nombre de solutions possibles. Il peut s'agir de prendre un modèle à travers une série d'étapes, chacune d'entre elles peut être influencée par des variables distinctes. Les mathématiciens peuvent appliquer à des problèmes liés à la prise de décision, l'allocation des ressources et des activités similaires. Il est également un sujet d'étude universitaire, où les chercheurs travaillent sur le développement de nouvelles et plus efficaces les modèles de programmation stochastique à appliquer à des situations réelles.
Les problèmes d'optimisation peuvent devenir extrêmement complexe. En plus des formes de base, les variables sont connues, ce qui permet de les exécuter par une équation pour trouver la solution la plus appropriée. Ce n'est généralement pas possible à une situation où les paramètres sont moins certains, et des variables inconnues pourraient avoir une influence sur le résultat. Les programmeurs stochastiques comptent sur une distribution de probabilité pour estimer la portée des variables et l'appliquer à l'équation.
Parmi les exemples courants peuvent venir dans la modélisation mathématique des événements dans l'environnement naturel. Lorsque les papillons pondent des œufs, par exemple, ils veulent optimiser les chances d'éclosion et le développement des larves, puis des papillons adultes. Un modèle de programmation stochastique peut fournir des informations sur la meilleure série de décisions du papillon pourrait faire. Les variables peuvent inclure la prédation, les changements de température, et d'autres questions qui empêchent l'éclosion ou de tuer les larves avant qu'ils atteignent l'âge adulte. Le mathématicien peut travailler à travers une série d'étapes pour optimiser le problème.
Les décisions prises à chaque étape peuvent couper ou ouvrir les décisions lors de la prochaine. La programmation stochastique doit être flexible pour atteindre la solution optimale, tout en imposant un peu d'ordre sur les décisions à rendre possible de les quantifier dans un problème mathématique. Le niveau de complexité peut dépendre de la nature du problème, d'autres sont simplement posés en deux étapes, tandis que d'autres peuvent impliquer multiples. Pour chaque étape, il est possible de déterminer la solution optimale, et d'examiner l'impact que cela aura sur le processus décisionnel long de la ligne.
Les chercheurs peuvent utiliser cet outil dans une variété de façons, à partir de l'analyse du comportement animal à l'examen des processus sous-jacents des décisions dans le monde de l'entreprise. Il peut également être utilisé pour la modélisation mathématique pour appuyer les décisions dans des contextes tels que des entreprises. Les négociants en valeurs mobilières, par exemple, peuvent envisager une programmation stochastique comme l'un des outils disponibles pour explorer des solutions optimales aux problèmes. Les analystes peuvent effectuer des calculs de cette nature ou peuvent utiliser des logiciels qui leur permettent de régler les problèmes automatiquement et de les exécuter à travers une série de scénarios possibles.