数据驱动的鲁棒优化论文复现一：Learning-Based Robust Optimization: Procedures and Statistical Guarantees

参数说明：

	d=11;                  % dimension变量维度
   	m=1;                  % number of constraints约束个数
    N_data=120;          % sample size样本规模,n1+n2=N_data为拆分后的样本规模
    n_outer=100;        % outer test size测试次数统计，因为计算费时，在复现时修改为100
    delta=0.05; %概率保证的置信度为1-delta
    epsilon=0.05;%不确定性集合覆盖高密度数据区域的概率要求为1-epsilon

Results
    ''         'RO'             'Recon'          'SG'             'FAST'           'DRO Mo'         'SCA'        
    'n'        [        120]    [        120]    [        120]    [        120]    [        120]    '-'          
    'n1'       [         60]    [         60]    '-'              [         61]    '-'              '-'          
    'n2'       [         60]    [         60]    '-'              [         59]    '-'              '-'          
    'ov'       [-1.1894e+03]    [-1.1948e+03]    [-1.1966e+03]    [-1.1935e+03]    [-1.1873e+03]    [-1.1951e+03]
    'eps'      [ 1.5734e-05]    [     0.0143]    [     0.0876]    [     0.0154]    [ 1.8151e-08]    [     0.0072]
    'delta'    [          0]    [     0.0300]    [     0.9300]    [     0.0600]    [          0]    [          0]

True solution
  -1.1967e+03

Average Computation Time for RO,Recon,SG,FAST,DRO_Mo:
    0.7686    1.4098    0.7152    1.4784    1.1271

结论：
与原论文相比，除ε在‘esp’，‘RO’处的值略高外，其余都十分接近。
注意，样本数据集在每次运算时都是按标准正太分布随机生成的，结果有细微差异。由于复现时统计次数为100，仅为论文中的十分之一，有差异，但总体上符合预期。 此外，DRO KL列在论文复现时未求解。