具有决策依赖信息发现的分布鲁棒优化
最优化与控制
2025-10-07 v2
摘要
我们研究了具有决策依赖信息发现（DDID）的两阶段分布鲁棒优化（DRO）问题，其中（部分）不确定参数仅在第一阶段进行（通常昂贵的）投资后才会被揭示。这类问题在选择问题（例如招聘、项目组合优化或最优传感器布置）中有许多重要应用。尽管该问题具有广泛的适用性，但此前尚未被研究过。我们提出了一个建模和近似求解具有DDID的DRO问题的框架。我们将该问题表述为一个min-max-min-max问题，并采用流行的K-adaptability近似方案，该方案在此时此地选择K个候选的追索行动，并在被选择观测的不确定参数揭示后执行这些行动中的最佳者。然后，我们提出了一种精确求解K-adaptable公式的分解算法。具体而言，我们设计了一种割平面算法，该算法迭代地求解问题的松弛版本，评估相应解的真实目标值，生成有效割，并将其施加于松弛问题中。对于评估问题，我们开发了一种可证明收敛至最优解的branch-and-cut算法。我们在研发项目组合优化问题和最佳盒子问题上展示了我们框架的有效性。
引用
@article{arxiv.2404.05900,
title = {Distributionally Robust Optimization with Decision-Dependent Information Discovery},
author = {Qing Jin and Angelos Georghiou and Phebe Vayanos and Grani A. Hanasusanto},
journal= {arXiv preprint arXiv:2404.05900},
year = {2025}
}