В стохастическом программировании исследуются одношаговые и многошаговые задачи.

Задачи, в которых решение выбирается один раз и оно не изменяется при поступлении информации о реализациях случайных параметров, называются одношаговыми. В задачах этого класса целевая функция и ограничения могут быть выбраны разными способами.
В качестве целевой функции могут быть приняты:
– математическое ожидание некоторой функции от решения,
– комбинация математического ожидания и среднего квадратического отклонения,
– вероятность попадания функции от решения в некоторую область.

Ограничения задачи в одних случаях могут выполняться при всех возможных значениях случайных параметров (жесткая постановка), а в других случаях требуется, чтобы вероятность попадания решения в допустимую область была не меньше заданной (модель с вероятностными ограничениями).
В каждой конкретной задаче приходится специально оговаривать, что понимается под допустимым и оптимальным решениями.

В многошаговых задачах по мере получения дополнительной информации о развитии процесса имеется возможность неоднократной корректировки решений, принятых ранее.

Задачи стохастического программирования со случайными параметрами в целевой функции.
Рассмотрим задачи стохастического программирования, в которых случайные параметры содержатся только в целевой функции.
Пренебрегая случайностью ряда параметров и заменяя их средними значениями, такие задачи часто сводятся к обычным детерминированным задачам. Как правило, такая замена может быть осуществлена, если случайные параметры мало отличаются от своих математических ожиданий, однако, если влияние случайности на интересующий нас процесс существенно, то будет опрометчиво использовать данный критерий.
Оптимизация «в среднем» будет законной, если процесс обладает свойством повторяемости и недостаток показателя эффективности в одних случаях компенсируется его избытком в других.
Использование критерия среднего значения предполагает возможность многократного решения одной и той же задачи, пока не будут получены достаточно точные расчетные формулы.

При перспективном и оперативном планировании работы предприятия возникает необходимость в учете ряда случайных факторов, существенно влияющих на процесс производства.
К таким факторам относятся спрос, который не всегда может быть предсказуем, непредусмотренные сбои в поступлении сырья, энергии, рабочей силы, неисправности и аварии оборудования. Еще больше случайных факторов необходимо учитывать при планировании производства, эффективность которого зависит от климатических условий, урожайности и т.д.

Поэтому, например, задачи планирования лесного производства целесообразно ставить и исследовать в терминах и понятиях стохастического программирования, когда элементы задачи линейного программирования (матрица коэффициентов A, вектора ресурсов b, вектора оценок c) часто оказываются случайными.
Подобного типа задачи ЛП принято классифицировать как задачи стохастического программирования (СП).

Подходы к постановке и анализу стохастических задач существенно различаются в зависимости от последовательности получения информации - в один прием или по частям.
При построении стохастической модели важно также знать, необходимо ли принять единственное решение, не подлежащее корректировке, или можно по мере накопления информации один или несколько раз корректировать решение.
В соответствии с этим в стохастическом программировании исследуются одноэтапные, двухэтапные и многоэтапные задачи.

Для решения оптимизационных задач с большим числом переменных эффективными являются методы стохастического поиска.
Важное их преимущество – простота, а также то, что они не налагают никаких ограничений на оптимизируемую функцию. Ведение элемента случайности в процесс поиска экстремума – основное отличие стохастических методов от детерминированных, но методы стохастического поиска могут применяться и для решения детерминированных задач, а обратное не возможно.
Алгоритмы стохастического поиска различаются:
-условиями выбора рабочего шага по направлению
- возможностью изменения его размера в процессе поиска
- возможностями алгоритма изменять вероятностные свойства случайности.

Накопление - сбор с помощью пробных шагов информации о поведении функции вблизи рассматриваемой точки для дальнейшей какой-либо оптимальной обработки этой информации и выборе эффективного направления рабочего шага.

Адаптация - целенаправленный процесс изменения различных параметров поиска (например, шага) для повышения его эффективности.

Самообучение - целенаправленный процесс изменения вероятностных свойств случайности, целью которых является повышение быстродействия, точности, надежности и других характеристик поиска.
Процесс самообучения доступен только случайным методам.
Процессы самообучения и адаптации имеют много общего, и точную границу между ними провести трудно.