【文档详细讲解+代码】鲁棒优化、广义benders分解法、KKT+两层优化+、两阶段鲁棒优化、电机工程学报鲁棒优化复现-CSDN博客

本文链接：https://blog.csdn.net/weixin_67304359/article/details/144694267

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、鲁棒优化

二、广义Benders分解法

三、KKT条件与两层优化

四、两阶段鲁棒优化

五、《电机工程学报》鲁棒优化复现研究文档

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

一、鲁棒优化

鲁棒优化是研究不确定优化问题的一种新建模方法，它源自鲁棒控制理论，是随机优化和灵敏度分析的补充替换。其目的是寻求一个对于不确定输入的所有实现都能有良好性能的解。鲁棒优化与其它不确定优化方法的最大区别在于：

鲁棒优化强调的是所谓的硬约束，寻求一个对于不确定输入的所有实现都能有良好性能的解，即不确定优化问题的解对于任何一个可能参数的实现都必须是可行的，而其它不确定优化问题并没有这个要求。
鲁棒优化的建模思想与其它优化方法不同，它是以最坏情况下的优化为基础，这代表了一个保守的观点。得到的优化方案并不是最优的，但是，当参数在给定的集合内发生变化时，仍能确保优化方案是可行的，使模型具有一定的鲁棒性，即优化方案对参数扰动不敏感。
鲁棒优化对于不确定参数没有分布假定，只是给出不确定参数集，不确定参数集合内的所有值都同等重要。

二、广义Benders分解法

Benders分解是一种处理具有大量决策变量和/或复杂结构的优化问题的有效方法。它通过将原问题分解为一个主问题（处理确定性部分）和多个子问题（处理与不确定性相关的部分），并在二者之间迭代求解，以逐步逼近全局最优解。

三、KKT条件与两层优化

KKT条件（Karush-Kuhn-Tucker Conditions）是非线性规划领域的重要理论，它给出了非线性规划问题最优解的必要条件。在两层优化问题中，KKT条件常用于将下层优化问题的最优性条件转化为上层优化问题的约束条件，从而将两层优化问题转化为单层优化问题进行求解。

四、两阶段鲁棒优化

两阶段鲁棒优化是一种处理优化问题中不确定性因素的方法，旨在找到在多种可能的未来情景下都能表现良好的解决方案。其基本原理是将决策过程分为两个阶段，以应对不确定性带来的挑战，并试图在保守性和适应性之间找到平衡。

第一阶段决策：在这一阶段，决策者基于当前的知识和信息做出初步决策，这些决策通常是关于资源分配、路线选择、投资配置等。此时，虽然存在不确定性，但决策者必须做出一些初步的、基本不变的决策。
不确定性揭示：在第一阶段决策后，部分或全部的不确定性开始展现。这可能是因为更多的数据变得可用，或者是因为某些外部事件的发生明确了不确定性参数的范围。
第二阶段决策：一旦不确定性部分展现，决策者会基于第一阶段的决策结果和新揭露的信息做出调整，以适应当前环境。第二阶段的决策更加灵活，可以根据实际发生的情况进行优化。