非平稳环境下机会约束规划的 data-driven 近似
最优化与控制
2022-05-13 v1 机器学习
摘要
我们研究机会约束规划的样本平均近似（SAA）。SAA 方法通常使用由随机样本构建的经验分布来近似机会约束中的实际分布，这些样本被假定为根据实际分布独立同分布抽取。本文考虑该问题的一个非平稳变体，其中随机样本被假定以序贯方式独立抽取自未知且可能时变的分布。这种非平稳性可能由许多真实应用中的环境条件变化所驱动。为考虑数据生成过程中潜在的非平稳性，我们提出一种新颖的鲁棒 SAA 方法，利用数据生成分布序列与实际机会约束分布之间 Wasserstein 距离的信息。作为一个关键结果，我们获得了样本量的无分布估计，该估计可确保鲁棒 SAA 方法以高置信度产生在实际分布下满足机会约束的可行解。
引用
@article{arxiv.2205.03748,
title = {Data-Driven Approximations of Chance Constrained Programs in Nonstationary Environments},
author = {Shuhao Yan and Francesca Parise and Eilyan Bitar},
journal= {arXiv preprint arXiv:2205.03748},
year = {2022}
}
备注
6 pages, 1 figure