具有决策依赖不确定性的两阶段鲁棒优化

决策依赖不确定性（DDU）的类型给决策制定带来巨大挑战，而现有方法不足以支撑许多实际实践。本文中，我们对两阶段鲁棒优化（RO）中处理此挑战进行了系统研究。我们的主要贡献包括三种精细的列与约束生成方法变体，用于精确计算基于 DDU 的两阶段 RO。通过对线性规划核心概念的新颖应用，我们对其计算行为提供了严格分析。有趣的是，就这些算法的迭代复杂度而言，基于 DDU 的两阶段 RO 并不比其基于决策独立不确定性（DIU）的对应问题更苛刻。值得强调一个反直觉的发现：利用“深层知识”将 DIU 集转换为 DDU 集，然后计算所得基于 DDU 的公式，可能带来显著改进。事实上，如本文所示，除了捕捉现实世界中存在的实际依赖外，DDU 还是一个强大而灵活的工具，用于表示并利用解析性质或仅仅是领域专长，以实现强求解能力。因此，我们相信这将为求解大规模基于 DIU 或 DDU 的 RO 开辟新方向。其他重要结果包括两阶段 RO 的基本结构性质、处理混合整数 recourse 的近似方案、所开发算法的若干增强技术，以及一项有组织的数值研究以帮助我们认识所有算法与增强技术的计算性能。