分布式鲁棒风险厌恶网络拦截博弈中随机化策略的价值
计算机科学与博弈论
2020-03-19 v1 最优化与控制
摘要
条件风险价值（CVaR）被广泛用于刻画风险厌恶型智能体在极端损失情景下的偏好。为研究兼具风险与模糊厌恶的拦截方在拦截博弈中随机化的有效性，我们引入一种分布式鲁棒网络拦截博弈，其中拦截方在可行拦截方案上随机化，以最小化关于弧容量未知分布及其在受拦截弧上混合策略的最坏情况CVaR。相反，流通方最大化网络中的总流量。通过使用预算不确定性集，我们控制模型的保守程度，并将拦截方的非线性问题重新表述为双凸优化问题。为在任意给定最优性水平上求解该问题，我们设计了一种空间分支定界算法，利用McCormick不等式和简化重构线性化技术（RRLT）获得问题的凸松弛。我们还开发了列生成算法以确定凸松弛的最优支撑，随后用于坐标下降算法计算上界。数值实验确立了空间分支定界算法的效率与收敛性。此外，数值实验表明随机化策略的样本内与样本外性能可显著优于最优确定性策略。
引用
@article{arxiv.2003.07915,
title = {The value of randomized strategies in distributionally robust risk averse network interdiction games},
author = {Utsav Sadana and Erick Delage},
journal= {arXiv preprint arXiv:2003.07915},
year = {2020}
}