Evaluating decision making units under uncertainty using fuzzy multi-objective nonlinear programming
提出了一种基于模糊数据包络分析(DEA)的不确定决策单元(DMU)评价方法。在所提出的多目标非线性规划方法中,目标函数和约束条件都是模糊的。假设决策变量在目标函数和约束中的系数以及被评估的决策单元为三角形隶属函数的模糊数。最后通过算例对现有的模糊DEA模型和所提出的方法进行了比较。
2015-08-25 math.OC
A Unified Framework for Adjustable Robust Optimization with Endogenous Uncertainty
这项工作提出了一个框架,多级可调鲁棒优化,统一处理三种不同类型的内生不确定性,其中的决定,分别(i)改变不确定性集,(ii)影响不确定参数的实现,(iii)确定的时间时,观察到的不确定参数的真实值。我们提供了一个系统的分析不同类型的内生不确定性,并强调内生不确定性下的优化和主动学习之间的联系。我们考虑决策相关的多面体不确定性集,并提出了一个决策规则的方法,采用连续和二元追索权,包括追索权的决定,影响不确定性集。所提出的方法使决策相关的nonanticipativity建模和结果在一个易于处理的问题的重新表述。我们证明了该方法在计算实验中的有效性,涵盖了一系列的应用,包括工厂重新设计,维护计划与检查,优化修订点的能力规划,生产调度与积极的参数估计。结果表明,内生不确定性和主动学习的适当建模显着的好处。
2020-08-27 math.OC
Transmission Switching Under Wind Uncertainty Using Linear Decision Rules
风力和可再生能源发电的日益普及对电力系统的运行和可靠性提出了重大挑战。本文考虑了实时最优输电切换(OTS)问题,以确定发电调度和网络拓扑结构,可以考虑不确定的能源。为了有效地解决由此产生的两阶段随机规划,我们提出了一个易于处理的线性决策规则(LDR)的近似解,可以消除不确定性变量,并导致固定数量的约束。所提出的LDR方法可以保证可行性,并且显著降低了现有方法的计算复杂性,该计算复杂性随着随机生成的不确定性样本的数量而增长。IEEE测试案例的数值研究表明,建议的LDR解决方案的高逼近精度和实时OTS实现的计算效率。
2020-02-04 math.OC
Entry-exit decisions with implementation delay under uncertainty
从最优停止理论的角度出发,采用自然的方法分析了具有执行延迟的项目进入-退出决策,给出了最优进入决策时间、最优退出决策时间和项目最大期望现值的封闭表达式.传统的研究结果是在进入成本和退出成本之和非负的约束下得出的。在实践中,我们通常会遇到这个和是负数,所以有必要取消这个限制。当和为负时,可能存在两个进入决策的价格触发点,而当和为非负时则不存在,即使是套利机会,进入然后立即退出也不是最优的。
2015-11-30 math.OC
Quantile Fourier regressions for decision making under uncertainty
针对具有周期性的自然现象对应的非时齐马尔可夫决策过程,提出支持取值与序列依赖结构均呈周期变化的分位数傅里叶回归构建方法,并通过水电调度、海上风电并网两个数值示例验证其适用性。
2024-09-16 math.OC
Decision Programming for Multi-Stage Optimization under Uncertainty
影响图被广泛用于表示多阶段判定问题,其中每个决策都是从一个离散的备选方案集合中进行选择,不确定的机会事件具有离散的结果,先验决策可能内生地影响不确定机会事件的概率分布。在本文中,我们开发的决策规划框架,通过开发混合整数线性规划公式来解决存在多种约束的此类问题,从而扩展了影响图的适用性。特别是,决策规划使得有可能(i)解决问题,其中较早的决策不一定是回忆以后,例如,当决策是由代理谁不能相互沟通;(ii)适应范围广泛的确定性和机会约束,包括那些基于资源消耗,逻辑依赖或风险措施,如条件风险价值;以及(iii)在涉及多个价值目标的问题中确定所有的非支配决策策略。在项目组合选择问题中,决策规划允许情景概率内生地依赖于项目决策,因此可以被视为权变组合规划的推广。
2020-08-25 math.OC
Residuals-Based Contextual Distributionally Robust Optimization with Decision-Dependent Uncertainty: Theoretical Guarantees and Decomposition Algorithm
The Ohio State University(俄亥俄州立大学)
本文提出了一种基于残差的分布鲁棒优化模型,考虑了不确定性依赖于协变量信息和决策的情况,通过参数和非参数回归模型学习决策依赖性,并利用经验残差构建名义分布,利用Wasserstein距离定义模糊集,提供满足渐近最优性、收敛速度和有限样本保证的条件,并开发了专用的Bender分解算法求解模型。
2026-05-19 math.OC
Solving decision problems with endogenous uncertainty and conditional information revelation using influence diagrams
针对影响图数学规划表述的建模与计算局限,提出整合条件非预期性约束以处理两类内生不确定性的方法,结合子图分解提升性能,并通过大规模气候减缓成本效益问题验证框架有效性。
2025-06-18 math.OC
Stochastic Approach for Price Optimization Problems with Decision-dependent Uncertainty
针对需求不确定性依赖于价格的价格优化问题,提出一种通用非凸随机优化方法,通过推导无偏随机梯度估计器并结合投影随机梯度下降寻找稳定点,实验证明其能获得比基线更高的总收入。
2024-01-03 math.OC
Solving contextual chance-constrained programming under decision-dependent uncertainty
Tsinghua University(清华大学)
本文提出基于上下文聚类权重的非参数方法,用于求解在决策依赖不确定性下的机会约束规划问题,通过构建局部邻域并赋予等权重,实现目标函数和约束的可处理性,同时保证决策一致性,并在实际应用中表现出优越的性能、可靠性和效率。
2026-02-07 math.OC
Uncertainty Preferences in Robust Mixed-Integer Linear Optimization with Endogenous Uncertainty
在鲁棒优化中,人们试图在不确定性不确定决策下做出决策,目标是找到具有最佳最坏情况性能的解决方案。不确定数据的可能实现的集合由所谓的不确定性集合描述。在许多情况下,决策者可能会影响她所面临的不确定性制度,例如,通过投资市场研究或更高精度的机器。最近,这种情况在文献中通过引入决策相关不确定性集(内生不确定性)来解决,即,其结构取决于(通常是离散的)决策变量的不确定性集合。通过这种方式,可以对降低鲁棒性成本与影响不确定性所需的投资成本之间的权衡进行建模。然而,这里还有另一个交易要做。对于不同的不确定性机制,不仅最坏情况下的最优解不同,而且该解的其他方面,如最大遗憾,最佳情况下的性能或性能的可预测性也不同。决策者可能仍然对性能保证感兴趣,但同时愿意放弃最坏情况下的性能,如果其他方面可以通过切换到合适的不确定性机制来增强。我们引入不确定性偏好的概念,以捕捉这样的立场。我们提出了三种方法来形式化的不确定性偏好和研究所产生的数学模型。我们的目标是对这些模型进行重新表述/近似,这些模型可以用标准方法求解。主力是混合整数线性和圆锥优化。我们应用我们的框架不确定的最短路问题,并进行数值实验所产生的模型。我们可以证明,我们的模型可以很好地处理标准的混合整数线性求解器。
2022-01-24 math.OC
Two-Stage Stochastic Optimization Frameworks to Aid in Decision-Making Under Uncertainty for Variable Resource Generators Participating in a Sequential Energy Market
在能源市场中,可变可再生资源发电机承诺的决策通常是在可获得的关于风力可用性和市场价格的信息很少时提前做出的。已经发表了许多研究报告,提出了解决这一问题的各种框架。然而,这些框架是有限的,因为它们没有考虑到生产者可以参与的所有市场。此外,当前的随机规划模型不允许随着更准确的信息变得可用而更新不确定性数据。这项工作提出了两个决策框架的风力发电机参与日前,当天,储备,平衡市场。第一个框架是一个两阶段的随机凸优化的方法,其中两个独立的和依赖的决策是同时进行的。第二个框架是一系列四个两阶段的随机最优化模型,其中每个模型的结果输入到每个后续模型中,允许随着决策者获得更多信息而更新场景。在仿真实验中,多阶段框架在每次运行中的性能都优于单阶段框架,平均利润增加了7%。拟议的优化框架有助于更好的决策,同时解决与可变资源生成器相关的不确定性,并最大限度地提高投资回报。
2021-03-06 math.OC
Distributionally robust chance-constrained Markov decision processes
马尔可夫决策过程(MDP)是一种决策框架,其中决策者感兴趣的是最大化在根据受控马尔可夫链访问的各种状态下在未来阶段接收的奖励流的期望贴现值。当报酬和转移概率是确定性的时,在文献中可以使用包括线性规划方法在内的许多算法来计算最优策略。在本文中,我们考虑的MDP问题的转移概率是已知的,奖励向量是一个随机向量,其分布是部分已知的。我们制定的MDP问题使用分布鲁棒的机会约束优化框架下的各种类型的矩为基础的不确定性集,和圆周距离为基础的不确定性集定义使用φ-发散和Wasserstein距离度量。对于每种类型的不确定性集,我们考虑的情况下,随机奖励向量有一个完全支持或非负支持。对于完全支持的情形,证明了分布鲁棒机会约束马尔可夫决策过程等价于基于矩和φ-散度距离的不确定集的二阶锥规划问题,等价于基于Wasserstein距离的不确定集的混合整数二阶锥规划问题.在非负支撑的情况下,它分别等价于基于矩的不确定集和基于Wasserstein距离的不确定集的共正最优化问题和双凸最优化问题.作为应用,我们研究了机器替换问题,并说明了随机生成的实例的数值实验。
2022-12-15 math.OC
Constant Depth Decision Rules for multistage optimization under uncertainty
在本文中,我们引入了一类新的决策规则,称为恒定深度决策规则(CDDR),多级优化下的线性约束与不确定性影响的右手边。我们考虑两个不确定性类:离散的不确定性,可以采取在每个阶段最多一个固定数量d的不同值,和多面体的不确定性,在每个阶段,是元素的凸包的最多d点。给定决策规则的深度μ,阶段t的决策表示为潜在不确定参数的μ连续值的t个函数的和。这些函数在离散不确定性的情况下是任意的,在多面体不确定性的情况下是多仿射的。对于这些不确定类,我们证明了当多阶段问题的约束的不确定右手边与决策规则具有相同的可加结构时,这些约束可以被重新表示为线性不等式约束系统,其中变量和约束的数目是O(1)(n+m)d^mu N^2,n是控制变量的最大维数,m是每一阶段的最大不等式约束数,N是阶段数。作为示例,我们讨论了所提出的方法在具有阶段间依赖流入的水热生产规划问题中产生的多阶段随机规划中的应用。对于一些阶段的问题,我们提出了一个数值研究的结果,其中最佳的CDDR表现出类似的性能,在优化目标方面,随机双动态规划(SDDP)的政策,往往在更小的计算成本。
2021-02-22 math.OC
Risk Aversion to Parameter Uncertainty in Markov Decision Processes with an Application to Slow-Onset Disaster Relief
在经典的马尔可夫决策过程(MDP)中,行动成本和转移概率被假定为已知的,尽管这些参数的准确估计在实践中通常是不可能的。本研究针对MDP下的成本和转移概率的不确定性,并旨在提供一个数学框架,以获得政策,最大限度地降低风险的高长期损失,由于不知道真正的系统参数。为此,我们利用与MDP模型相对于参数不确定性的预期性能相关的风险度量风险价值。我们提供了混合整数线性和非线性规划配方和启发式算法,这样的风险规避模型的MDP下的有限分布的不确定参数。我们提出的模型和解决方法说明了库存管理问题的人道主义救援行动在缓慢发生的灾难。结果表明,我们的风险规避建模方法的潜力,以减少在不确定/风险环境中的高度不良结果的风险。
2019-06-21 math.OC
Pricing mobility services under decision-dependent demand uncertainty: a carsharing case
University of Copenhagen(哥本哈根大学)
针对出行服务定价中需求受价格影响的问题,提出决策依赖需求不确定性的随机规划模型,并设计改进的L-shaped方法求解,在真实汽车共享案例中利润提升8.39%-8.53%。
2026-06-11 math.OC
Joint Planning and Operations of Wind Power under Decision-dependent Uncertainty
针对风电规划中容量决策影响聚合出力分布的问题,提出含决策依赖Wasserstein模糊集的两阶段分布鲁棒优化模型,并以约束生成框架实现数百倍加速。
2025-08-30 math.OC
A bilevel framework for decision-making under uncertainty with contextual information
在本文中,我们提出了一种新的方法,数据驱动的决策下的不确定性背景信息的存在。给定不确定参数和潜在解释变量(即,上下文信息),我们的方法将参数模型拟合到这些数据,这些数据专门用于最大化决策值,同时考虑可能的可行性约束。从数学的角度来看,我们的框架转化为一个双层程序,我们提供了一个快速的正则化过程和一个基于大M的重新制定,可以使用现成的优化求解器来解决。我们展示了从传统的模型估计方案(基于统计质量指标)到使用三个不同实际问题的决策指导预测的好处。我们还比较了我们的方法与现有的一个现实的案例研究,认为战略电力生产商,参与伊比利亚电力市场。最后,我们使用这些数值模拟分析的条件下(在公司的费用结构和生产能力),我们的方法被证明是更有利于生产者。
2021-09-17 math.OC
Lipschitz continuity of expected value under decision-dependent uncertainty with moving support
Universidad del Pacı́fico(太平洋大学);Universidad de O’Higgins(奥希金斯大学)
本文针对决策依赖不确定性下的随机优化问题,基于双层规划贝叶斯方法的移动支撑构造,建立了期望值函数Lipschitz连续性的充分条件,补充了相关理论分析。
2026-08-05 math.OC
Solving Two-Stage Stochastic Programs with Endogenous Uncertainty via Random Variable Transformation
本文提出基于随机变量变换的通用方法,将具有内生不确定性的两阶段随机规划转化为决策无关不确定性的等价规划,并在网络设计与设施防护问题中验证其可得到混合整数线性规划且性能优于直接求解原始规划。
2025-07-05 math.OC
Data-driven nonlinear expectations for statistical uncertainty in decisions
在随机判定问题中,人们通常希望统计地估计潜在的概率测度,然后使用该估计作为决策的基础。我们将考虑如何使用非线性期望理论,将这种估计中的不确定性明确地、一致地纳入决策的估值中。
2016-09-21 math.OC math.PR math.ST
Generalized Decision Focused Learning under Imprecise Uncertainty--Theoretical Study
Algorithmic Group(算法组);htw Saar Applied Science University(萨尔应用科学大学);Oxford Brookes University(牛津布鲁克斯大学)
该研究针对现有决策聚焦学习方法依赖概率模型、忽略认知不确定性与约束整合等问题,提出非概率不确定性表征、约束融入等四类创新框架,经基准测试验证可提升决策质量与鲁棒性。
2025-03-20 cs.LG math.OC math.PR
On solving decision and risk management problems subject to uncertainty
Loyola University Chicago(芝加哥洛约拉大学)
本文研究不确定性下的决策与风险管理问题,通过分析100个决策问题数据集,发现14个能促成解决策略的关键属性,并提出一个框架以系统性运用这些属性,发现复杂问题往往更易处理。
2023-01-18 cs.AI math.OC math.PR
Making Decisions under Model Misspecification
我们使用决策理论来面对足够广泛的不确定性,以将“模型作为近似值”。“我们假定存在一个我们称之为“结构化模型”的特色集合,这些模型具有明确的实质性动机。决策者通过这些模型的视角来面对不确定性,但也将这些模型视为简化,因此是错误的。我们扩展的最大-最小分析模型下的模糊性,将不确定性所引起的承认,在决策中使用的模型是简化的近似。形式上,我们提供了一个公理化的理由,决策标准,包括模型的错误说明的关注。
2022-08-19 econ.TH math.OC
On Risk-Sensitive Decision Making Under Uncertainty
National Tsing Hua University(国立清华大学);Cathay Life Insurance(国泰人寿)
本文提出在不确定性下风险敏感决策的最优性条件,并通过最佳投注和库存管理示例验证了理论。
2024-04-20 cs.SY eess.SY math.OC
A Composite Risk Measure Framework for Decision Making under Uncertainty
在本文中,我们提出了一个统一的框架下的不确定性决策。我们的框架是基于两个风险度量的组合,其中内部风险度量考虑了给定不确定模型参数的精确分布的决策风险,外部风险度量量化了估计分布参数时发生的风险。我们证明了该模型在温和的条件下是易处理的。该框架是现有的几个模型,包括随机规划,鲁棒优化,分布鲁棒优化等的推广。使用这个框架,我们研究了一些新的模型,这意味着概率保证的解决方案,并产生较不保守的结果相比,传统的模型。数值实验进行投资组合选择问题,以证明我们的模型的强度。
2015-01-06 math.OC q-fin.PM q-fin.RM
On strategies for risk management and decision making under uncertainty shared across multiple fields
Amazon Web Services, Inc.(亚马逊网络服务公司);Loyola University Chicago(芝加哥洛约拉大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文梳理跨领域共享的不确定性应对策略,提出包含六类、110多个实例的RDOT工具包,并说明其可在无需精确预测时辅助风险管理与决策。
2025-03-12 cs.AI math.OC q-fin.RM
Conformal Uncertainty Sets for Robust Optimization
不确定性下的决策对于任何对观测数据扰动敏感的决策都非常重要。将不确定性纳入最优决策的一种方法是通过鲁棒优化,该方法在某些不确定性集合上最小化最坏情况。我们将共形预测区域与鲁棒优化相连接,提供有限样本有效和保守的椭球不确定性集,恰当地命名为共形不确定性集。在追求这种连接,我们明确定义Mahalanobis距离作为一个潜在的一致性得分在充分的共形预测。我们还比较了覆盖范围和优化性能的共形不确定性集,特别是生成的马氏距离,传统的椭球形不确定性集的模拟强大的优化实例的集合。
2021-09-03 math.OC stat.ME stat.ML
Adaptive AI Delegation under Uncertainty: A Bayesian Governance Policy for Sequential Decision Authority
针对组织在不确定性下动态分配AI决策权限的问题,提出基于贝叶斯推断的治理感知POMDP框架,通过序贯优化实现自适应授权,实验表明该方法在异构AI质量场景下优于五种基准策略。
2026-06-28 math.OC q-fin.RM
Minimax decision rules for planning under uncertainty
当对未来发生的事情存在很大的不确定性时,通常使用极大极小规则来做出规划决策。最小最大后悔是一个流行的版本。我们给出了一个分析的行为的极大极小规则的情况下,与一个有限集的可能的未来情景。使用极大极小规则避免了确定每种情况的概率的需要,这在许多公共部门环境中是一个有吸引力的特点。然而,极大极小规则将对场景的选择具有敏感性。在许多情况下,使用极大极小方法意味着,对可能被视为任意概率的情景的要求,将被对极少数特定情景的类似任意选择所取代。我们研究这个现象。当使用基于后悔的规则时,也会出现问题,因为不相关的替代品属性的独立性失败,这可能导致游戏的机会。我们对这些现象的分析考虑了决策变量是从$R^n$中的凸集中选择的情况,以及决策选择的有限集的情况。
2022-03-02 math.OC math.PR
Decision Theory For Large Scale Outlier Detection Using Aleatoric Uncertainty: With a Note on Bayesian FDR
提出基于偶然不确定性的贝叶斯决策理论异常检测框架,引入贝叶斯FDR推广,应对非平稳数据,并在网络安全案例中验证。
2025-08-13 math.OC math.ST stat.CO
The Effects of Implementation Delay on Decision-Making Under Uncertainty
在本文中,我们完成了两个目标:第一,我们提供了一个新的数学特征的值函数的脉冲控制问题的执行延迟,并提出了一个直接的解决方法,不同于它的同行,使用准变分不等式。我们的方法是直接的,在这个意义上,我们不需要猜测的形式的解决方案,我们不需要证明的解决方案满足条件的验证引理。其次,通过采用这种直接的解决方法,我们解决了两个例子,涉及决策延迟:汇率干预问题和劳动力优化问题。
2007-03-28 math.OC math.PR q-fin.TR
Robust Generation Dispatch with Strategic Renewable Power Curtailment and Decision-Dependent Uncertainty
随着可再生能源取代传统能源(如热发电机),不确定性增加,而可控单元减少。为了降低运营风险并避免频繁的实时紧急控制,需要制定可再生能源发电限电的准备时间表。提出了一种新的两阶段鲁棒发电调度(RGD)模型,在预调度阶段对预备限电计划进行优化。限电计划将影响实时可再生能源发电量的变化范围,从而产生决策相关不确定性(DDU)集。在再调度阶段,可控单元在备用容量内调整其输出以保持功率平衡。为了克服用DDU求解RGD的困难,提出了一种自适应列约束生成(AC CG)算法。我们证明了该算法可以在有限次迭代中产生最优解。数值算例表明了所提模型和算法的优越性,验证了其实用性和可扩展性。
2022-07-01 cs.SY eess.SY math.OC
Robust $Q$-learning Algorithm for Markov Decision Processes under Wasserstein Uncertainty
National University of Singapore(新加坡国立大学)
该研究提出一种针对Wasserstein不确定性下分布鲁棒马尔可夫决策问题的新型$Q$-学习算法,证明了其收敛性,通过含真实数据的示例验证了算法的可行性与分布鲁棒性在随机最优控制中的优势。
2024-06-20 cs.AI cs.LG math.OC
Markov Decision Processes under Model Uncertainty
NTU Singapore(新加坡南洋理工大学);National University of Singapore(新加坡国立大学)
我们介绍了一个一般框架下的离散时间无限时域设置模型不确定性马尔可夫判定问题。通过提供动态规划原理,我们获得局部到全局范例,即求解局部,即,一个时间步长鲁棒最优化问题导致全局(即无限时间步长)鲁棒随机最优控制问题的优化器以及相应的最坏情况测量。此外,我们将此框架应用到涉及标准普尔500指数数据的投资组合优化。我们提出了两种不同类型的模糊集,一个是完全数据驱动的Wasserstein-ball周围的经验措施,第二个是由一个参数集的多元正态分布,其中相应的不确定性集的参数估计的数据。事实证明,在市场波动或看跌的情况下,相应的鲁棒最优化问题的最优投资组合策略优于没有模型不确定性的投资组合策略,这表明了考虑模型不确定性的重要性。
2023-01-05 cs.LG math.OC math.PR
Deep Learning for Sequential Decision Making under Uncertainty: Foundations, Frameworks, and Frontiers
Grado Department of Industrial and Systems Engineering, Virginia Tech(弗吉尼亚理工大学工业与系统工程系)
本文探讨在不确定环境下序列决策制定的深度学习方法,结合运筹学与管理科学的视角,分析深度学习与优化的互补性,并讨论其在供应链、医疗等领域的应用。
2026-09-17 cs.AI cs.LG cs.SY