2020-11-25

1 Introduction

考虑下列问题：

其中$x\in {\mathbb{R}}^n$是决策变量，$X\subseteq {\mathbb{R}}^n$是一个能够写成半正定约束的闭凸集，$c\in {\mathbb{R}}^n$是成本向量，假设是确定的。（1）中的机会约束要求以至少$1-ϵ$的概率共同满足一组$m$个受不确定性影响的不等式，其中$ϵ\in (0,1)$是建模者指定的期望安全系数。不确定性约束系数$a_i\stackrel{\sim }{(\xi )}\in {\mathbb{R}}^n$、$b_i\stackrel{\sim }{(\xi )}\in {\mathbb{R}}^n$，$i\in \mathbb{R},i=1,...,m$依赖于随机变量$\stackrel{\sim }{\xi }\in {\mathbb{R}}^k$,$Q$的分布是假定已知的。
那么得到：

为了便于标记，引入辅助函数$y_i^j:{\mathbb{R}}^n\to \mathbb{R}$

于是将问题(1)中的机会约束重写为：

尽管许多学者都对上述问题进行了研究，但是仍未在实践中得到广泛的应用。主要原因有：
（1）即使检查固定决策$x$的可行性也需要计算多维积分，这随着随机矢量$\stackrel{\sim }{\xi }$的维数$k$的增大而变得越来越困难。
（2）即使机会约束（2）中的不等式在$x$和$\stackrel{\sim }{\xi }$中都是双仿射的，问题（1）的可行集通常也不是凸的，有时甚至是不连续的。
（3）为了评估机会约束（2），需要关于随机向量$\stackrel{\sim }{\xi }$的概率分布$Q$的完整且准确的信息。但是，在许多实际情况下，必须根据历史数据估算$Q$，因此它本身是不确定的。

在某些特殊情况下，机会约束可以重新表述为易处理的凸约束。例如，已知的是，如果随机矢量$\stackrel{\sim }{\xi }$遵循高斯分布且$ϵ\le 0.5$，则可以将个体机会约束等效地表示为单个二阶锥约束。在这种情况下，机会约束问题变成了可处理的二阶锥程序（SOCP），可以在多项式时间内求解.

使机会约束（2）免受概率分布不确定性影响的自然方法是采用分布鲁棒的方法。 为此，令$P$表示${\mathbb{R}}^k$上与$Q$的已知属性（例如其第一和第二矩或其支撑集）一致的所有概率分布的集合。 现在考虑以下模糊或分布鲁棒的机会约束。

将机会约束(2)替换为其对应的分布鲁棒机会约束(3)，得到如下分布鲁棒机会约束规划：

从上述问题与问题（1）具有相同的目标函数但较小的可行集的意义上讲，它构成了问题（1）的保守近似。

2 Distributionally robust individual chance constraints

首先说明如何用矩问题的理论将这些最坏情况的CVaR约束表示成可处理的半定约束

令$\mu \in {\mathbb{R}}^k$，$\Sigma \in S^k$为随机变量$\stackrel{\sim }{\xi }$在真实分布$Q$下的均值和协方差矩阵，且$\Sigma >0$；令$P$表示${\mathbb{R}}^k$上所有与$Q$的一阶矩和二阶矩相同的概率分布的集合。为了简化表示，令：

为$\stackrel{\sim }{\xi }$的二阶矩矩阵。

2.1 The Worst-Case CVaR approximation（最坏情况的CVaR近似）

当m = 1时，(3)简化为分布鲁棒的个体机会约束：

（5）的可行集表示为：

下面将证明$X^{ICC}$具有线性矩阵不等式的明显易处理的表达形式。
首先回顾一下Rockafellar和Uryasev对CVaR的定义：
对于给定可测的损失函数$L:{\mathbb{R}}^k\to \mathbb{R}$，在${\mathbb{R}}^k$上的概率分布$P$,以及容差$ϵ\in (0,1)$,相对于$P$的水平$ϵ$的CVaR定义为：

CVaR本质上是评估损失分布的$(1-ϵ)$分位数以上的条件损失期望。 可以看出，CVaR表示
随机变量$L(\stackrel{\sim }{\xi })$的凸函数。
所以：

对任何可测的损失函数$L$都是满足的，因此$P-CVa{R}_{ϵ}(L(\stackrel{\sim }{\xi })\le 0$足以说明$P(L(\stackrel{\sim }{\xi })\le 0)\ge 1-ϵ$，由于这一含义适用于任何概率分布和损失函数，于是得出结论：

因此，左边的最坏情况CVaR约束构成了(7)右边的分布鲁棒机会约束的保守逼近。以上的讨论促使我们定义可行集：


可行集$Z^{ICC}$构成$X^{ICC}$的保守近似值，即$Z^{ICC}\subseteq X^{ICC}$
下面将说明$Z^{ICC}$有一个用线性矩阵不等式（LMIs）表示的可处理的形式。

$Theorem2.1$的证明如下：

现在表明，可以通过求解可处理的SDP来计算某些固定决策$x\in {\mathbb{R}}^n$的最坏情况CVaR（9）。 为此，首先得求出最坏情况期望问题的SDP格式:

附录中的引理A.1将该最坏情况的期望问题重新表述为：

具体过程为：

所以得到对偶问题为：

定义组合变量：

(53)中的半无限约束可以用两个等价的半无限约束表示：

最后就得到了问题（10）

问题（10）中的半无限约束可以写成如下的线性矩阵不等式的形式：***$\xi$被消除了***

重新构造最坏情况期望问题为：

将上述（11）带入（9）中得到:

现在$Theorem21$证明完毕！

2.2 Exactness of the Worst-Case CVaR approximation（最坏情况CVaR近似的准确性）

到目前为止，已经证明了根据最坏情况CVaR约束定义的可行集$Z^{ICC}$构成了$X^{ICC}$的一个可处理的保守逼近。接下来证明这个近似实际上是精确的，也就是说，证明(7)实际上是等价的。
首先回顾了Farkas引理和S引理，它们是证明这一结果的关键因素。

证明：

考虑损失函数$L$的最坏情况风险值，定义为：

根据定义，$WC-VaR$实际上等于在$P$中某些最坏情况下评估的$L(\stackrel{\sim }{\xi })$的$1-ϵ$分位数。首先证明以下等价成立:

（1）左边推右边
如果满足（15）的左边，则在（14）中$\gamma =0$是可行的，这意味着$WC-Va{R}_{ϵ}(L(\stackrel{\sim }{\xi }))\le 0$。 我们注意到，对于任何固定的$\mathbb{P}\in P$，映射$\gamma \mapsto \mathbb{P}(L(\stackrel{\sim }{\xi })\le \gamma )$是上半连续的（这个结论是来自参考文献【21】）。 因此，相关映射$\gamma \mapsto in{f}_{\mathbb{P}\in P}\mathbb{P}(L(\stackrel{\sim }{\xi })\le \gamma )$也是上半连续的。
（2）右边推左边
如果$WC-Va{R}_{ϵ}(L(\stackrel{\sim }{\xi }))\le 0$，则存在一个序列 { γ n } n ∈ N \{\gamma_n\}_{n\in \Bbb N} {γn​}n∈N​收敛为零，在（14）中是可行的，这意味着

所以式（15）满足的。

下面就是证明式（13）的等价性，也就证明了$Theorem2.2$
证明（13）只需要证明：

注意（14）:

可以重写为：

通过简化从属最坏情况概率问题$su{p}_{\mathbb{P}\in P}\mathbb{P}(L(\stackrel{\sim }{\xi })>\gamma )$，根据附录中的引理A.2可以表示为:

具体过程为：


下面说明除了$\gamma$的一个值以外，问题（17）等于问题（18）具体的证明过程我也没看太明白，详见原文P10

由于上述（17）、（18）等价，所以（16）可以重写为：

由上述约束可以看出，若问题（19）的$\tau -$分量消失，那么对于（19）的任意可行解有$⟨\Omega ,M⟩\ge 1$，（***是因为$\tau -$分量消失后M>1所以$⟨\Omega ,M⟩\ge 1$吗？？？***）又因为$ϵ<1$，所以与$⟨\Omega ,M⟩<ϵ$相冲突，没有可行的点可以具有消失的$\tau -$分量。
将问题（19）中的半无限约束除以$\tau -$，然后进行变量替换，其中将$\tau$替换为$1/\tau$，将$M$替换为$M/\tau$得到：

现在引入一个新的决策变量$\beta =\gamma -\tau$，可以消除$\gamma$得到：

由上述式子可以看出$\tau$的最优值为$\tau =⟨\Omega ,M⟩/ϵ$,最终$WC-Va{R}_{ϵ}(L(\stackrel{\sim }{\xi }))$的形式为：

这与

相同，所以

利用上述结果得到以下推论：

2.3 Tractability of the Worst-Case CVaR approximation（最坏情况CVaR近似的可处理性）

已经看到，最差情况下的CVaR约束等效于损失函数连续且关于$\xi$为凹或二次的分布鲁棒机会约束。现在证明，对于这些损失函数类别，最坏情况的CVaR也可以有效地计算出来具体证明过程没有细看，详见原文P12

3 Distributionally robust joint chance constraints（分布鲁棒的联合机会约束）

定义分布鲁棒联合机会约束(3)的可行集$X^{JCC}$为:

首先回顾两种现有的近似并讨论它们的优点和缺点:

3.1 The Bonferroni approximation

鲁棒联合机会约束(3)等价于

此外，Bonferroni不等式表明：

对于任意的 ϵ ∈ E = { ϵ ∈ R + m : Σ i = 1 m ϵ i ≤ ϵ } \epsilon\in E=\{\epsilon\in \Bbb R_+^m:\Sigma_{i=1}^m\epsilon_i\le\epsilon\} ϵ∈E={ϵ∈R+m​:Σi=1m​ϵi​≤ϵ},分布鲁棒的个体机会约束为：

通过$Theorem2.1$可以将每个个体约束都写成线性矩阵不等式（LMIS）的形式：

Bonferroni近似的一个主要缺点是近似质量严重依赖于$ϵ\in E$的选择。但为问题(4)的泛型机会约束问题寻找最佳$ϵ\in E$的问题是非凸的，是非常困难的。因此，在大多数Bonferroni不等式的应用中，通常设置${ϵ}_i=ϵ/m$对$i=1,...,m$。即使$ϵ\in E$是最优选择，Bonferroni近似也可能过于保守。

3.2 Approximation by Chen, Sim, Sun and Teo

为了减轻Bonferroni近似可能的过度保守性Chen等人提出了一种基于与概率论不同的不等式的近似。观察到联合机会约束(3)可以重新表示为：

由前面得到的$Theroem2.2$:

得到：

3.3 The Worst-Case CVaR approximation

到目前为止讨论的两种近似都依赖于概率理论中的不等式，这些不等式不一定严格。 在本节中将证明$Z^{JCC}(\alpha )$集实际上具有线性矩阵不等式的精确易处理的表示形式，因此有望为$Z^{JCC}$提供紧密的凸近似。

具体证明过程如下：
$Z^{JCC}(\alpha )$的形式为：

我们注意到约束$Z^{JCC}(\alpha )$等价于$J(x,\alpha )\le 0$，其中

要处理上述（31）问题，首先处理：

通过拉格朗日对偶等一系列转化最中得到：

最终$Theroem3.3$得以证明

3.4 Dual interpretation of the Worst-Case CVaR approximation

在本节中，探索了一种不同的方法来找到机会约束（3）的易于处理的保守近似。
再次考虑鲁棒的个人机会约束（28），它等效于任何固定$\alpha \in A$的鲁棒的联合机会约束（3）。可以用以下$q(\xi )={\xi }^{T}Q\xi +{\xi }^{T}q+q^0$满足的公式近似最大函数，而不是用最差情况CVaR来逼近约束（28）

用$q(\xi )$代替（28）中的最大函数会产生分布鲁棒的（单个）二次机会约束：

为了进一步论证，定义：



通过$Theorem2.2$与$Theorem2.3$可以证明，证明过程详见原文P20。

具体的证明过程如下：

3.5 Exactness of the Worst-Case CVaR approximation

到目前为止，已经证明，对于任何固定的$\alpha \in A$，可行集$Z^{JCC}(\alpha )$构成$X^{JCC}$的可处理的保守近似。 这意味着联合$Z^{JCC}={\bigcup }_{\alpha \in S}{Z}^{JCC}(\alpha )$仍然构成$X^{JCC}$的保守近似，现在证明这种改进的近似本质上是精确的，首先介绍可行集
对应一个严格版本的联合机会约束（***这是一个更严格的版本吗？不应该是$inf$更严格吗？？？***）

具体证明过程详见原文P22

3.6 Injecting support information

在许多实际应用中，已知$\stackrel{\sim }{\xi }$的（真实）分布$\mathbb{Q}$是${\mathbb{R}}^k$的严格子集。在$P$的定义中忽略此信息可能会导致不必要的保守鲁棒机会约束。 在本节中，简要概述了如何使用支持信息来加强鲁棒的联合机会约束及其在第3小节中开发的近似值。为此，首先修改分布假设：
随机变量$\stackrel{\sim }{\xi }$的分布为$\mathbb{Q}$,其均值为$\mu$,方差为$\Sigma >0$,假设$\mathbb{Q}$的支撑集为： E = { ξ ∈ R k : [ ξ T 1 ] W i [ ξ T 1 ] T ≤ 0 对 于 i = 1 , . . . , l } E=\{\xi\in \Bbb R^k:[\xi^T1]W_i[\xi^T1]^T\le0对于i=1,...,l\} E={ξ∈Rk:[ξT1]Wi​[ξT1]T≤0对于i=1,...,l}。其中$W_i\in {\mathbb{S}}^{k+1}对于i=1,...,l$,定义$P_E$为在$E$上与$\mathbb{Q}$有相同一阶矩和二阶矩的分布的集合。
在本节中，感兴趣的是下列可行集的可处理保守近似：

在前面的内容中已经研究了可行集：

通过使用与第2.1节类似的论点，可以证明对于所有$\alpha \in A$的$Z_E^{JCC}(\alpha )\subseteq X_E^{JCC}(\alpha )$,但是，就集合$Z_E^{JCC}(\alpha )$不再具有精确的线性矩阵不等式的表示形式。 相反，它们需要保守地近似。
因此得到下面的$Theorem3.7$: