基于深度生成学习的两阶段自适应鲁棒优化
系统与控制
2025-04-10 v3 机器学习
系统与控制
摘要
两阶段自适应鲁棒优化（ARO）是一种在不确定性情境下进行规划的强大方法，通过平衡第一阶段的决策与在不确定性实现后进行的补救决策来实现这一目标。为考虑不确定性，模型构建者通常定义一个简单的不确定性集合，以便考虑潜在的结果。然而，经典方法定义的这些集合不小心地捕获了广泛的不切实际的结果，导致计划过于保守且成本高昂，为对不太可能发生的情形进行过度的准备。本文中，我们引入了AGRO算法，这是一个用于两阶段自适应鲁棒优化的对抗生成算法，采用变分自编码器（VAE）。AGRO生成高维的、同时具有对抗性和现实性的情形，提高了第一阶段决策的鲁棒性，同时比标准方法在规划成本上更具成本效益。为确保生成的情形位于不确定性分布的高密度区域，AGRO将VAE解码变换下的“潜在”不确定性集合定义为紧密的不确定性集合。随后，利用可微分优化方法，对潜在不确定性集合执行投影梯度上升，以最大化补救成本。我们通过应用于合成生产-分配问题和真实世界的电力系统扩建场景，展示了AGRO的成本效益。我们表明，AGRO在生产-分配规划中比标准列约束算法性能提升最高可达1.8%，在电力系统扩建中提升最高可达11.6%。
引用
@article{arxiv.2409.03731,
title = {A Deep Generative Learning Approach for Two-stage Adaptive Robust Optimization},
author = {Aron Brenner and Rahman Khorramfar and Jennifer Sun and Saurabh Amin},
journal= {arXiv preprint arXiv:2409.03731},
year = {2025}
}