php随机数字不重复使等式成立_随机规划模型（Stochastic Programming Models）

报童问题（The Newsvendor Problem）

假设公司必须决定某种产品的订购数量

来能满足需求

。 订购成本为每单位

。 如果需求

大于

，则公司需要以单价

追加一个订单。如果

，则其成本等于

，如果

，则产生持有成本

。因此总成本为

其中

表达

，同时假设后追加订单的单价大于订购成本

。

公式的目的是使总成本

最小。 这里

是决策变量，需求

是参数。 如果需求已知，则相应的优化问题可以用以下形式表示：

其中的总成本函数可以改写为

这是一个分段线性函数，且最小值在

取到。也就是说如果需求已知，那么最好的决策肯定就是订购数量等于需求数量。

然而实际中往往是在需求已知前就需要决定订购数量。 在这种情况下进行处理的一种方法是将需求

视为随机变量。 用

表示当被视为随机变量时的需求，以便将其与特定实现

区分开。 我们进一步假设

的概率分布是已知的（或者说我们可以从历史数据中估计

的分布）。 此时，我们要考虑的则是期望的成本最小，即

上述优化命题通过优化（最小化）平均总成本来求解最佳的订购数量。在这个问题中这个优化命题是可以得到闭式解的。

考虑随机变量

的累计密度函数

，注意

时

，则期望

可以表示为

推导：因为

且

，可以得到

求导并令导数为

可得

因此最优解为：

在实际应用中，这种闭式解往往难以得到，因此可以通过近似求解。比如采用场景（Scenario）的方法。假设随机变量

为有限支撑分布，它的取值为

且对应的概率为

。则可以将期望写为加权和的形式

对应报童问题的总成本函数，我们可以转化为如下线性规划

进一步可以将平均总成本可以表示为

最差情况（Worst Case Approach）

一般在考虑鲁棒优化时会考虑最差情况。通常假设随机变量在一定范围内，比如

，则最差情况的优化命题写成

对于报童问题，上述优化命题等价于

如果除了知道未知变量的范围还知道它的均值

，则优化命题的形式还可以写成

其中

表示支撑在

且均值为

的概率测度集。

机会约束（Chance Constraints）

如果我们想要控制成本

使得其小于一定的数值对于任意需求情况均成立，可以用以下不等式来表示

当不确定集大点的时候，往往这个不等式可能就不能成立，对应的问题也就无解。在这种情况下一种更合理的方法是采用机会约束，也就是说允许成本在一定概率内大于这个阈值

或者

仅仅只要一个很小的整数

也能对原始约束有很好的松弛！