随机规划最优值的非渐近置信界
最优化与控制
2016-12-13 v2
摘要
我们讨论了一种用于构建随机优化问题的非渐近置信界的一般方法。我们的主要贡献是观察到问题的样本平均近似提供了该问题最优值的上下界，这些界本质上优于相应最优解的质量。同时，此类界比通过渐近方法获得的“标准”置信界更可靠。我们还讨论了 MinMax 随机优化和随机约束问题的最优值的界。最后通过一个仿真研究说明了所提界的数值行为。
引用
@article{arxiv.1601.07592,
title = {Non-asymptotic confidence bounds for the optimal value of a stochastic program},
author = {Vincent Guigues and Anatoli Juditsky and Arkadi Nemirovski},
journal= {arXiv preprint arXiv:1601.07592},
year = {2016}
}