DRO和RO的区别

(DRO)是随机优化(Stochastic Programming)与鲁棒优化(Robust Optimization)的结合，将RO中的不确定集合(Uncertainty Set)看做是一个以概率出现的集合，在DRO中叫做Ambiguity Set

 

随机优化(Stochastic Programming 以下简称SP), 鲁棒优化(Robust Optimization 以下简称RO) 是不确定优化的两种paradigms，其它的还包括模糊优化(Fuzzy Programming) 和分布式鲁棒优化(Distributionally Robust Optimization)。SP通常优化一个期望值形式的目标函数，它假定随机参数的概率分布已知（离散类型的参数用scenario tree来表示), 一个典型的SP问题就是newsvendor problem。RO假定随机参数概率分布未知，但知道其波动范围（用uncertainty set定义），目标函数是优化其uncertainty set中最差的情况，即worse-case scenario，对于min问题目标函数为minmax，对于max问题为maximin。

 

优化问题有四大类：传统确定优化问题，随机规划问题，鲁棒优化，分布鲁棒优化

相对于传统确定规划而言，也就是参数都是确定的，比如加工时间确定，运送时间确定，实际生活中，这些值往往是有波动的，就有了不确定优化。

不确定优化一般分为随机规划和鲁棒优化：前者假定参数服从一个分布，一般来说会以期望值为优化目标；后者假定分布未知但是现实中的数据中可以获得一些信息，比如参数出现的所有情况，这就是离散的鲁棒优化，或者是每个参数的取值区间，这就是区间鲁棒优化，而鲁棒优化的目标，可以根据需要的保守程度来制定，如果问题涉及安全，那我们肯定是要不出现任何事故，类似这样的就可以制定绝对目标，优化最差的情况，如果是其他的不需要如此保守的，或许可以制定最优化最大后悔值，等等。

分布鲁棒优化是比较新的研究方向，研究难度相对来说也是大一点点的，结合了随机规划和鲁棒优化，假定参数有多个取值情况，而每一个取值又服从一个分布。

新手入门不确定规划，建议从鲁棒优化的区间类型开始着手。