用于决策相关不确定性下的谱风险优化的自适应条件森林抽样

在不确定性分布依赖于决策的情况下，最小化由期望成本与条件价值-at风险（CVaR）的凸组合构成的谱风险目标具有挑战性，这使得代理建模和基于仿真的排序对尾部估计误差敏感。我们提出自适应条件森林抽样（ACFS），是一个包含通用随机森林用于决策条件分布近似、CEM引导的全局探索、排序加权聚焦增强以及代理到oracle的两阶段重新排序，然后进行多启动梯度优化的四阶段仿真优化框架。我们在两个结构上截然不同的数据生成过程中评估了ACFS：一个决策依赖的Student-t Copula和一个具有对数正态边际的高斯Copula，沿用三个罚函数权重配置和每个设置100次复制。ACFS在第二个基准的每个配置中都实现了最低的中位数oracle谱风险，中位数间隙相对于GP-BO范围为6.0%至20.0%。在第一个基准上，ACFS和GP-BO在中位数目标上统计上不可区分，但ACFS将第一个基准上的跨复制离散度约减少1.8至1.9倍，第二个基准上约减少1.7至2.0倍，表明在运行可靠性方面具有 materiaLly 改进的效果。ACFS也在 nearly all设置下超过了CEM-SO、SGD-CVaR和KDE-SO，while ablation和sensitivity分析支持所提出设计的贡献和稳健性。