A Practical Guide to Robust Optimization 鲁棒优化实用指南

Abstract

本文主要目的是介绍鲁棒优化思想以及在实际中的应用场景，并且举出一些例子，帮助实际工作者的理解。

1. Introduction

实际优化任务中会包含很多随机数据。这些数据或者本神就是随机的或者由于一些误差。对于这些误差目前有两种手段来处理：随机优化和鲁棒优化。随机优化有一个很重要的假设：随机数据的分布是已知的或者是估计的。如果这个条件满足那么随机优化问题就是可行的。
鲁棒优化，并不需要随机数据的概率分布是已知的，但是它又假设随机数据是在所谓的“不确定集合”（uncertainty set）中。与此同时，基础的鲁棒优化算法是假定“硬”约束的，也就是对于任何出现在不确定集合的数据都不能违反约束条件。鲁棒优化之所以流行是因为它能处理很多实际的不确定问题。同时还有很多框架：Ben-Tal et al. (2009), Ben-Tal and Nemirovski (2008) and Bertsimas et al. (2011)。
尽管鲁棒优化很早就被提出，但实际上近15年才开始成为活跃的研究。鲁棒优化在金融、能源、供应链、健康、工业、规划、市场等都有应用。
在本文中，我们会简明介绍基础的RO，以及一些RO变种，保活多阶段RO。同时我们还讨论一些对于RO应用比较重要的地方。我们讨论的一些要点对于实践者会非常有用。
文章有11章节。

2. Introduction to robust optimization

在本章，我们先简要介绍RO，然后我们给出应用RO的步骤。

2.1 Robust optimization paradigm

为了讲的清楚，我们用一个不确定线性优化问题作为例子，不过本文中讨论的大部分内容都能扩展到更宽的应用范围。
不确定线性优化问题定义为：

基础RO范式基于下面三个假设：

1. 所有决策变量x表示的是“here and now” decisions: 在实际的数据揭示前这些决策变量必须有确定的数值作为问题的解。
2. 当且仅当实际数据是在不确定集合中时，决策者才对进行的决策进行负责。
3. 不确定问题中约束都是“硬”的，也就是决策不能容忍在不确定集合中数据违背了约束。
   除了这三个基础假设，我们还进行了更多的假设：1）目标函数是确定的；2）约束的右侧也是确定的；3）不确定集合是compact and convex；4） the uncertainty is constraint-wise。下面讲为什么有这四条。
   
   对于不确定非线性优化问题，这些假设也不会失去一般性，除了第三条。
   如果以上都满足，公式（1）可以表示成robust counterpart（RC）问题：
   
   就像上文讨论过的，以及在E4解释过的，我们能集中在单一约束上，这是因为不确定在RO中是 constraint-wise。那么从（2）中提取的一个约束可以表示成：