多阶段分布鲁棒优化中的有效情景——以全变距离为中心
最优化与控制
2021-09-15 v1
摘要
我们研究多阶段分布鲁棒优化（DRO）以对冲量化问题底层不确定性时的模糊性。认识到并非所有实现与情景路径都可能对最优值产生“影响”，我们探究如何为嵌套多阶段 DRO 问题定义并识别关键情景。我们的分析将 Rahimian、Bayraksan 与 Homem-de-Mello [Math. Program. 173(1--2): 393--430, 2019] 在静态/两阶段背景下的工作推广到多阶段设定。为此，我们对一般类别的多阶段 DRO 问题定义了情景路径的有效性以及沿情景路径实现的条件有效性之概念。随后，当分布模糊性通过全变距离建模时，我们提出易于检验的条件以识别多阶段设定下情景路径的有效性。数值结果表明这些概念为问题的底层不确定性提供了有用洞察。
引用
@article{arxiv.2109.06791,
title = {Effective Scenarios in Multistage Distributionally Robust Optimization with a Focus on Total Variation Distance},
author = {Hamed Rahimian and Guzin Bayraksan and Tito Homem-de-Mello},
journal= {arXiv preprint arXiv:2109.06791},
year = {2021}
}