Solving Data-Driven Newsvendor Pricing Problems with Decision-Dependent Effect
本文针对数据驱动报童定价问题,提出近似梯度下降算法,在凸与非凸设置下分析收敛性,并通过模拟和真实数据实验验证其有效性,强调分布无关与决策依赖特性的重要性。
2023-05-11 math.OC
The Nonstationary Newsvendor with (and without) Predictions
针对未知且非平稳需求下的序贯库存决策,提出无需已知非平稳程度、并可自适应融合任意精度预测的阶最优遗憾策略,且在真实数据上验证有效。
2025-02-20 econ.EM math.OC
Learning When to Restart: Nonstationary Newsvendor from Uncensored to Censored Demand
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, Georgia 30332, USA(霍普金斯·米利顿·斯图尔特工业与系统工程学院,佐治亚理工学院,美国亚特兰大,佐治亚州30332);Department of Management Science, School of Management, Fudan University, Shanghai, 200433, China(管理科学系,复旦大学管理学院,中国上海,200433);Department of Decisions, Operations and Technology, Chinese University of Hong Kong, Shatin, Hong Kong(决策、运营与技术系,香港中文大学,香港沙田);Yau Mathematical Sciences Center & Department of Mathematical Sciences, Tsinghua University, Beijing 100084, China(杨数学科学中心及数学科学系,清华大学,中国北京100084)
本文针对非平稳程度未知和需求删失的非平稳报童问题,提出分布检测与重启框架及两种自适应算法,建立匹配遗憾上下界的最优性理论,并通过真实数据验证其优越性能。
2025-09-23 cs.LG math.OC
Robust knapsack ordering for a partially-informed newsvendor with budget constraint
研究了预算受限且需求信息仅限于范围、均值和均值绝对偏差的多品种报童问题。我们考虑了一个极大极小模型,通过最小化最坏情况下的需求分布的预期超龄和未成年成本来确定订单数量。由此产生的最优化问题可以通过一种方法来解决,这种方法让人想起解决连续背包问题的贪婪算法,即按照边际值的顺序购买物品。与直接求解模型相比,该方法具有较低的计算复杂性,并导致一个简单的策略,即(i)基于项目对总成本的边际影响对项目进行排序,以及(ii)根据该排序确定订单数量,直到预算被花费。
2023-01-05 math.OC math.PR
Distributionally robust trading strategies for renewable energy producers
可再生能源发电是通过电力市场提前相当一段时间提供的。这就导致了一个在不确定性下的决策问题,这可以被看作是一个报童问题。与已知未成年和超龄处罚的传统情况不同,在电力市场的情况下,这种处罚是未知的,并且难以估计。此外,一个人实际上只因为超龄或未成年而受到惩罚,而不是两者兼而有之。因此,我们看一个稍微不同的形式的报童问题,价格接受者参与者提供在电力市场,我们称之为伯努利报童问题。在表明其解决方案与经典报童问题的解决方案是一致的之后,我们引入了分布鲁棒版本,可能对发电量的概率预测和伯努利变量成功的机会具有模糊性。两个版本的分布鲁棒伯努利报童问题承认封闭形式的解决方案。最后,我们使用模拟研究,以及现实世界的案例研究应用程序,来说明该方法的工作原理和好处。
2023-01-29 cs.SY eess.SY math.OC
Reconciling Risk-Aversion Paradoxes in the Distribution-Free Newsvendor Problem: Scarf's Rule Meets Dual Utility
针对风险规避报童在分布模糊下的订货悖论,本文基于对偶效用理论的失真泛函推广Scarf无分布框架,推导出闭式最优订货规则,统一了先前矛盾结论并扩展至多产品环境。
2025-07-14 math.OC
Distributionally Robust Newsvendor on a Metric
本文研究度量空间上多地点报童问题的分布鲁棒推广,提出一种基于层次聚类和虚拟缺货成本的近似最优策略,并证明其具有多对数近似保证。
2025-06-02 cs.DS math.OC
Confidence-based Optimization for the Newsvendor Problem
University of Edinburgh Business School(爱丁堡大学商学院);University College Cork(科克大学);Hacettepe University(哈契特佩大学);Izmir University of Economics(伊兹密尔经济大学)
针对单周期单品种随机库存优化中的需求估计问题,提出一种结合置信区间分析与库存优化的策略,以指定置信概率确定包含真实最优订货量的候选范围,并给出成本上下界。
2013-09-28 cs.SY eess.SY math.OC
The Data-Driven Censored Newsvendor Problem
Department of Data Sciences and Operations, University of Southern California, Marshall School of Business(数据科学与运营系,南加州大学,马歇尔商学院);Department of Industrial Engineering and Management Sciences, Northwestern University(工业工程与管理科学系,西北大学)
本文研究了数据驱动的 censoring 新闻供应商问题,探讨历史需求 censoring 对学习算法性能的影响,提出鲁棒算法并证明其在不同 censoring 情况下的有效性。
2026-04-20 cs.LG math.OC stat.ML
Deep Neural Newsvendor
本文提出用深度神经网络估计目标分位函数以求解数据驱动报童问题,给出非渐近超额风险界理论保证,并通过仿真和真实超市数据验证其优于现有方法且在不同样本量下表现稳健。
2024-09-30 math.OC
How Big Should Your Data Really Be? Data-Driven Newsvendor: Learning One Sample at a Time
我们研究了经典的报童问题,决策者必须权衡未成年和超龄成本。与典型的设置相反,我们假设决策者不知道驱动不确定性的潜在分布,而只能访问历史数据。反过来,关键问题是如何将现有数据映射到决策,以及作为数据大小的函数期望什么类型的性能。我们分析了经典的设置与访问过去的样本从分布(例如,过去的需求),不仅关注渐近性能,而且关注我们所说的学习的瞬态状态,即,任意数据大小的性能。我们评估任何算法的性能,通过其最坏情况下的相对预期的遗憾,相比与知识的分布的甲骨文。我们提供了第一个有限样本精确分析的经典样本平均近似(SAA)算法,这类问题在所有的数据大小。这使得我们能够发现关于数据价值的新的基本见解:它揭示了数十个样本足以非常有效地执行,但更多的数据可能会导致SAA的样本外性能更差。然后,我们专注于一般类的映射从数据到决策,没有任何限制的政策集,并得出一个最优算法(在极大极小意义上),以及其相关的性能特征。这导致了有限数据大小的显着改进,并允许精确量化历史信息的价值。
2022-07-25 math.OC
Learning the Center and Radius of Wasserstein Ambiguity Sets for Data-Driven Decision Making
该研究提出了一种灵活的Wasserstein歧义集学习框架,通过预测模型确定名义分布、数据依赖半径,经实验验证可提升决策可靠性,为数据驱动决策提供了新的实用机制。
2026-08-20 math.OC
Distributionally robust optimization through the lens of submodularity
本文提出子模模糊集以统一处理离散和连续不确定性的分布鲁棒优化,离散情形可多项式精确求解,连续情形可伪多项式近似求解,并给出线性/半正定规划重构及数值验证。
2025-05-27 math.OC
Distributionally Robust Optimization with Confidence Bands for Probability Density Functions
分布鲁棒优化(DRO)已被引入解决随机规划的随机参数的分布是未知的,必须从该分布的样本估计。DRO的一个关键要素是模糊集的构造,模糊集是一组以高概率覆盖真实分布的分布。假设真实分布具有一个密度函数,我们提出了一类基于真实密度函数置信带的模糊集。置信带的使用使我们能够考虑基础密度函数的形状的先有知识(例如,单峰性或单调性)。利用密度估计技术构造的置信带作为模糊集,证明了随着样本量的增加,DRO的最优值收敛于随机规划的最优值.然而,由此产生的DRO问题是计算上棘手的,因为它涉及功能决策变量以及无限多的约束。为了解决这一问题,利用对偶理论,我们将其转化为一个有限维的随机规划,这是服从随机次梯度计划作为一种解决方法。我们比较了我们的方法与现有的国家的最先进的DRO方法的报童问题和投资组合管理问题,数值结果显示我们的方法的优势。
2019-01-08 math.OC
Decision Making under the Exponential Family: Distributionally Robust Optimisation with Bayesian Ambiguity Sets
Department of Statistics, University of Warwick, Coventry, UK(威斯敏斯特大学统计学系);Department of Computer Science, University of Warwick, Coventry, UK(威斯敏斯特大学计算机科学系);Department of Statistics, University College London, UK(伦敦大学学院统计学系);The Alan Turing Institute, London, UK(艾伦·图灵研究所)
针对不确定性下因模型不确定或观测有限含噪导致的贝叶斯决策次优问题,提出带贝叶斯模糊集的分布鲁棒优化方法DRO-BAS,含两种构造形式,均有高效求解方案,在报童和投资组合问题上表现更优。
2025-06-12 cs.LG math.OC
Comparative Analysis of Two-Stage Distributionally Robust Optimization over 1-Wasserstein and 2-Wasserstein Balls
针对右端项不确定的两阶段分布鲁棒优化,论文比较1-Wasserstein与2-Wasserstein模糊集,通过最坏情况分布分析、报童闭式解和惩罚对偶解释,证明2-Wasserstein球可避免病态行为并支持更优决策。
2025-01-09 math.OC
Distribution-free expectation operators for robust pricing and stocking with heavy-tailed demand
本文通过初等技术求解优化问题,将候选解简化为两点分布,获得了仅依赖均值和离散度的概率基本量无分布界,并推广了均值-方差方法,将其应用于重尾需求下的稳健报童库存与垄断定价决策。
2024-09-26 math.OC math.PR
Equilibrium Portfolio Selection for Smooth Ambiguity Preferences
研究了连续时间市场中平滑模糊偏好下的均衡投资组合选择问题。投资者对风险资产的漂移项不确定,根据贝叶斯规则更新主观信念。两个版本的验证定理建立和均衡策略可以分解为一个短视的需求和两个对冲需求。当先验为高斯分布时,得到了封闭形式的平衡解。通过平滑模糊度偏好的替代表示来解释数值结果中的难题。
2023-02-16 math.OC
Moment Ambiguity and the Limits of Robust Stochastic Optimization
EPFL(洛桑联邦理工学院)
研究仅知矩序列时鲁棒随机优化的极限,提出统一框架构造同矩异决策分布族,证明报童、收益最大化及秘书问题等场景下强不可能性结果,并扩展先知不等式下界。
2026-10-22 cs.DS cs.GT cs.IT
Robust Markov decision processes under parametric transition distributions
研究了参数转移分布下的鲁棒马尔可夫决策过程。我们假设真实的过渡分布是由某些参数分布唯一指定的,并明确要求模型的最差情况分布是由同一参数族中的分布唯一指定的。在制定参数鲁棒模型,我们专注于开发算法进行强大的贝尔曼更新完成强大的价值迭代。我们首先制定的更新作为一个线性规划离散的模糊集。由于这个模型的规模与问题的大小,需要大量的预计算差,我们开发了两个额外的算法来解决强大的贝尔曼更新。首先,我们提出了一个切割面算法,在较短的时间内解决这个线性规划。该算法需要相同的预计算,但仅在模糊度集的小子集上求解线性规划。其次,我们提出了一种新的基于投影的二分法搜索算法,完全消除了离散化的需要,不需要任何预先计算。我们在二项和泊松需求下的动态多周期报童问题上广泛测试了我们的算法。此外,我们比较了我们的方法与非参数的φ-散度为基础的方法从文献中。我们表明,我们的基于投影的算法完成强大的值迭代显着快于我们的其他两个参数算法,也快于其非参数等价。
2022-11-23 math.OC
Partition-based Distributionally Robust Optimization via Optimal Transport with Order Cone Constraints
在本文中,我们希望解决随机程序的模糊性的概率法,管理他们的不确定参数。使用最优输运理论,我们构建了一个模糊集,利用知识的不确定参数的分布,这是由:(1)样本数据和(2)先验信息的顺序之间的概率,真正的数据生成分布分配给它的支撑集的一些区域。这种类型的顺序是通过顺序锥约束来强制执行的,并且可以对关于不确定参数的概率分布的形状的宽范围的信息进行编码,例如与单调性或多模态相关的信息。我们寻求在分配上稳健的决策。在许多实际情况下,由此产生的分布鲁棒优化(DRO)问题可以重新表述为一个有限的凸问题,其中的先验信息转化为线性约束。此外,我们的方法继承了Mohajerin Esfahani和Kuhn提出的基于Wasserstein度量的DRO方法的有限样本性能保证(数学程序171(1-2):115-166)。https://doi.org/10.1007/s10107-017-1172-1,2018),同时推广了这种方法和其他流行的DRO方法。最后,我们设计了数值实验来分析我们的方法与报童问题和一个战略公司在市场上竞争的古诺问题的性能。
2021-06-13 math.OC
Sustainable Inventory with Robust Periodic-Affine Policies and Application to Medical Supply Chains
我们引入了一类新的自适应政策,称为仿射政策,它允许决策者最优地管理和控制大规模的报童网络中存在的不确定的需求,没有分布的假设。这些策略是数据驱动的,并对需求的许多特征(如相关性)进行建模,并且对参数错误指定保持鲁棒性。我们提出了一个模型,可以推广到多产品的设置和扩展到多周期的问题。这是通过集合对不确定需求进行建模来实现的。通过这种方式,它提供了一个自然的框架来研究竞争政策,如基本股票,仿射和近似方法,其利润,参数和假设的敏感性,以及计算的可扩展性。我们发现,仿射的政策是可持续的,即时间一致的,因为他们保证最优的子周期内和整个规划范围内。这种方法是易于处理的,没有分布假设,因此,适合于现实世界的应用。我们提供了有效的算法,以获得最佳的仿射策略,并展示了他们的优势,从印度最大的药店零售商之一的销售数据。
2018-06-18 math.OC
Distributionally Robust Prescriptive Analytics with Wasserstein Distance
Tsinghua University(清华大学);University of Toronto(多伦多大学)
在规范分析中,决策者观察$(X, Y)$的历史样本,其中$Y$是不确定的问题参数,$X$是并发协变量,而不知道联合分布。给定一个额外的协变量观测$x$,目标是根据该观测选择一个决策$z$,以最小化成本$\mathbb{E}[c(z,Y)|X=x]$。提出了一种新的Wasserstein模糊集下的分布鲁棒方法,该方法基于Nadaraya-Watson核估计量构造$Y|X=x$的名义分布,并考虑历史数据.我们证明了在Wasserstein距离下名义分布收敛于实际条件分布。我们建立了样本外的保证和计算框架的易处理性。通过报童问题和投资组合优化问题的综合实验和实证实验,证明了该框架的强大性能和实用价值。
2021-06-10 cs.LG math.OC
Conic Reformulations for Kullback-Leibler Divergence Constrained Distributionally Robust Optimization and Applications
本文提出将KL散度约束的分布鲁棒优化重构为指数锥规划,并应用于报童与设施选址问题,样本外实验表明该方法显著降低成本波动且中心趋势损失很小。
2024-11-10 math.OC
Distributionally robust inventory control when demand is a martingale
需求预测在许多库存控制问题中起着重要的作用。为了减轻模型误设定的潜在危害,已经应用了各种形式的分布鲁棒优化。虽然这些方法中的许多方法都存在时间不一致的问题,但Klabjan等人的工作通过连接到鲁棒马尔可夫决策过程的文献,为此类问题建立了一个通用的时间一致框架。许多预测模型具有特殊的结构,以及希望了解的影响,提出了不同的依赖结构,在本文中,我们制定并解决了一个时间一致的分布鲁棒多阶段报童模型,自然统一和鲁棒几个库存模型的预测。特别是,许多简单的需求预测模型具有需求作为鞅演化的特征。我们考虑了这种模型的一个鲁棒变体,其中未来需求序列可以是具有给定均值和支持度的任意鞅。在这样的模型下,过去的需求实现自然会被纳入未来不确定性集合的结构中。我们显式计算的最小最大最优策略(和最坏情况下的分布)在封闭的形式,结合凸性,概率和动态规划的想法。我们证明,在最优的最坏情况下的需求分布对应的设置中,库存可能会变得过时,一个场景的实际利益。为了获得进一步的见解,我们证明弱收敛(随着时间范围变大)到一个简单而直观的过程。我们还比较了类似的设置中,需求是独立的跨时期(以前分析夏皮罗),并确定这些模型之间有趣的差异,在Agrawal等人研究的相关性的价格的精神。
2018-08-20 math.OC math.PR
Distributionally Robust Resource Planning Under Binomial Demand Intakes
在本文中,我们考虑一个分布式鲁棒资源规划模型的启发,现实世界的服务业问题。在这个问题中,存在已知需求和不确定未来需求的混合。在充分了解需求之前,我们必须决定在计划范围内每天计划完成多少工作。任何在到期日未完成的工作都会产生成本,并在第二天到期。我们提出了两个分布鲁棒优化(DRO)模型,这个问题。第一个是一个非参数模型,具有基于φ散度的模糊度集。第二种是参数模型,我们把每天到期的不确定工作数量作为一个具有未知成功概率的二项式随机变量。我们重新制定的参数模型作为一个混合整数规划,并发现它的规模与模糊性和不确定性集的大小不佳。因此,我们利用二项分布的理论性质,推导出基于降维的快速算法。一个是基于切割表面算法中常见的DRO文献。另一个是对未来需求的不确定性集合的一小部分进行操作。我们进行了广泛的计算实验,以建立我们的算法的性能。我们比较了参数和非参数模型的决策,以评估包括二项式信息的好处。
2022-07-06 math.OC
Distributionally Robust Optimization Approaches for a Stochastic Mobile Facility Fleet Sizing, Routing, and Scheduling Problem
我们提出了两个分布鲁棒优化(DRO)模型的移动设施(MF)车队规模,路由和调度问题(MFRSP)的时间依赖性和随机需求,以及解决这些模型的方法。具体来说,给定一组MF、规划范围和服务区域,我们的模型旨在找到要使用的MF的数量(即,车队规模)以及车队中每个MF的路线和时间表。目标是最小化建立MF船队的固定成本加上由模糊集定义的所有需求分布上的运营成本的风险度量(期望或平均条件风险值)。在第一个模型中,我们使用基于需求均值、支持度和均值绝对偏差的模糊集。在第二个模型中,我们使用一个模糊集,它包含了所有分布在1-Wasserstein距离参考分布。为了解决所提出的DRO模型,我们提出了一个基于分解的算法。此外,我们推导出有效的下界不等式,有效地加强主问题的分解算法,从而提高收敛性。我们还推导出两个家庭的破坏性约束,提高所提出的模型的可解性。最后,我们提出了广泛的计算实验,比较所提出的模型和随机规划模型的操作和计算性能,展示了显着的性能改善,可以获得和获得见解MFRSP。
2022-02-21 math.OC
Stochastic First-Order Algorithms for Constrained Distributionally Robust Optimization
本文针对约束分布鲁棒优化问题提出一种随机一阶元算法,分别用近似随机镜像下降和赌博机镜像下降更新决策变量与分布参数,使迭代次数与变量维度无关、对约束数仅呈对数依赖,并通过实验验证其在高维分布参数下的有效性。
2023-05-26 math.OC
Robust Optimization of Rank-Dependent Models with Uncertain Probabilities
本文针对由 $ϕ$-散度模糊集刻画的不确定概率下的秩依赖风险度量,提出将鲁棒优化问题转化为秩独立问题,并开发两类算法以规避维度灾难,给出渐近收敛的紧上下界。
2025-04-14 econ.TH math.OC
From Optimization to Satisficing: Robust Screening under Distributional Ambiguity
Guangdong Provincial/Zhuhai Key Laboratory of IRADS, and Department of Mathematical Sciences, Beijing Normal-Hong Kong Baptist University(广东/珠海IRADS重点实验室,北京师范大学-香港浸会大学联合国际学院数学科学系);HKUST Business School, Hong Kong University of Science and Technology(香港科技大学商学院);Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong(香港科技大学系统工程与工程管理系)
本文研究了在分布不确定性下的稳健筛选问题,提出了一种以目标为导向的稳健满意框架,通过最小化最坏情况下的缺口来实现指定的收入目标,从而提升买方剩余和公平性。
2026-05-18 math.OC
Distributionally Robust Airport Ground Holding Problem under Wasserstein Ambiguity Sets
University of Michigan(密歇根大学);University of Maryland(马里兰大学)
本文提出了一种鲁棒框架和方法,用于在存在容量不确定性时优化机场地面延误决策,通过结合凯利切割平面方法与整数L形方法,显著提升了计算效率并增强了决策的鲁棒性。
2026-11-06 math.OC
Oracle-Based Distributionally Robust Optimization under Optimal Transport Ambiguity Sets
University of Michigan(密歇根大学);Cornell University(康奈尔大学)
本文针对最优传输歧义集下DRO求解的扩展性问题,提出将内部最坏期望归约为标量预算分配的高效算法,结合神谕框架实现近似原始-对偶解,实验性能优于现有重构型求解器。
2026-08-05 math.OC
Distributionally Robust Hospital Capacity Expansion Planning under Stochastic and Correlated Patient Demand
本文针对随机且时空相关的患者需求,提出融合时空神经网络的两阶段分布鲁棒优化模型,用于医院扩展设施选址与容量规划,并通过真实数据实验验证其在预测误差和决策价值上的显著优势。
2024-04-03 math.OC
Distributionally Robust Joint Chance-Constrained Optimization for Electricity Imbalance: Integrating Renewables and Storage
本文提出一种分布鲁棒联合机会约束优化框架,结合Wasserstein模糊集、CVaR近似和隐私保护ADMM算法,并利用K-means聚类调整模糊集,以促进P2P能源交易并降低峰值需求与社区成本。
2025-07-09 cs.SY eess.SY math.OC
An Efficient Approach to Distributionally Robust Network Capacity Planning
在本文中,我们考虑了电信网络的背景下,有不确定性与预期的流量需求的网络容量扩展问题。我们采用分布鲁棒随机最优化(DRSO)的框架,不确定的需求分布的模糊集的构造使用的时刻信息,均值和方差。由此产生的DRSO问题被制定为一个双层最优化问题。我们开发了一个有效解算法,这个问题的特征所产生的最坏情况下的两点分布,这使我们能够重新制定原来的问题作为一个凸优化问题。在计算实验中,这种方法的性能进行比较的鲁棒优化方法与离散的不确定性集。结果表明,从DRSO模型的解决方案优于鲁棒优化方法的高度风险厌恶的性能指标,而鲁棒的解决方案是更好的风险厌恶程度较低的度量。
2020-04-09 math.OC
Decision-Dependent Distributionally Robust Optimization with Application to Dynamic Pricing
针对决策依赖不确定性问题,提出基于多元插值与Wasserstein度量的决策依赖分布鲁棒优化框架,提供有限样本保证与可处理重构,并在动态定价实验中验证其能产生保证期望收益的定价策略。
2025-08-09 math.OC
Harnessing Heterogeneous Data for Conditional Optimization via Optimal Transport
Telfer School of Management, University of Ottawa(渥太华大学特尔弗管理学院);Yale University(耶鲁大学)
研究针对条件优化中从有限样本学习条件分布困难的问题,开发基于最优传输的分布鲁棒框架,提出三个OT模糊集,推导相关表述、条件等,通过条件分类问题证明框架价值。
2026-07-23 math.OC
Resource Distribution Under Spatiotemporal Uncertainty of Disease Spread: Stochastic versus Robust Approaches
我们认为,在疾病传播和资源需求的时空不确定性下,配送中心(DC)的位置和计划分配资源,如测试试剂盒和疫苗的优化问题。我们的目标是平衡运营成本(包括部署设施、运输和存储的成本)和服务质量(由需求覆盖率反映),同时确保资源在多个人群中分配的公平和公正。我们比较了基于样本的随机规划(SP)的方法与分布鲁棒优化(DRO)的方法,使用基于矩的模糊集。我们对在美国分发COVID-19疫苗和测试试剂盒的实例进行了数值研究,以将SP和DRO模型与使用估计需求的确定性公式以及美国目前实施的资源分配计划进行比较。我们展示了不同阶段的流行病的结果,以估计成本和速度的资源分配取决于规模和覆盖范围,并显示“需求驱动”的属性的SP和DRO解决方案。我们的研究结果进一步表明,如果最坏的情况下未满足的需求是优先考虑的,那么DRO方法是首选,尽管其较高的整体成本。尽管如此,SP方法可以在预算限制下提供一个中间计划,而不会在需求覆盖方面做出重大妥协。
2022-07-16 cs.SY eess.SY math.OC
Central Limit Theorem for Two-Time-Scale Approximate Distributionally Robust RL
Department of Industrial and Systems Engineering, University of Southern California(工业与系统工程系,南加州大学)
本文提出基于一阶展开的近似分布鲁棒强化学习框架,通过双重时间尺度设计的Mean-Variance随机逼近算法,解决了分布鲁棒强化学习中的鲁棒Bellman运算非线性及计算复杂性问题,并证明了算法的收敛性与中心极限定理。
2026-05-08 cs.LG math.OC
Robust identification of drive-by sensing ride-hailing market with Points of Interest monitoring under uncertain ride demand
Southwest Jiaotong University(西南交通大学);Lanzhou Jiaotong University(兰州交通大学)
针对网约车感知中被动优先策略的低效,提出基于分布鲁棒优化的主动感知框架,结合增强A*路由与车辆-任务匹配,在不确定需求下提升感知覆盖率、降低成本并增强鲁棒性。
2026-10-09 math.OC
Distributionally Robust Optimization via Targeted Integral Probability Metrics for General Data Processes
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Arizona(亚利桑那大学);Tongji University(同济大学)
研究在分布不确定性下的决策问题,提出基于目标积分概率度量的任务感知DRO框架,通过直接由可行决策诱导的损失函数定义模糊集,控制损失差异,推导对偶公式,建立保证,开发近似方案,实验显示其优于现有方法。
2026-07-08 math.OC
Many-insurer robust games of reinsurance and investment under model uncertainty in incomplete markets
本文针对不完全市场下的模型不确定性,构建多保险人鲁棒再保险投资平均场博弈,推导指数效用下的闭式解,揭示相对关注、模型不确定性对策略对冲需求的非线性影响及竞争的羊群效应。
2024-12-12 math.OC q-fin.MF