散度度量下可行的鲁棒随机优化
最优化与控制
2023-08-15 v2
摘要
我们旨在为两阶段鲁棒随机优化（RSO）模型在其模糊集由 f-散度半径构造时，提供可行的近似。已知这些模型在数值上不同程度地具有挑战性，取决于 f-散度函数的选取。在混合整数一阶段决策下，数值挑战更为显著。本文提出新颖的散度函数，在保持对多样化模糊厌恶建模的灵活性的同时，产生可行的鲁棒对应模型。我们的函数所得到的鲁棒对应模型，其数值难度与名义问题相当。我们还提出了使用我们的散度来模仿现有 f-散度而不影响可行性的方法。我们在巴西人道主义行动的现实选址—分配模型中实现了我们的模型。我们的人道主义模型以新的效用函数和基尼平均差系数定义了效能—公平权衡并进行优化。通过案例研究，我们展示了：1）与现有 f-散度相比，采用我们所提散度函数的 RSO 对应模型在可行性上的显著改进；2）我们的新目标函数所强制实现的更高人道主义响应公平性；3）在考虑模糊性时，所得方案对概率估计变动的更强鲁棒性。
引用
@article{arxiv.2107.04697,
title = {Practicable Robust Stochastic Optimization under Divergence Measures},
author = {Aakil M. Caunhye and Douglas Alem},
journal= {arXiv preprint arXiv:2107.04697},
year = {2023}
}