Multi-stage Stochastic Programming Methods for Adaptive Disaster Relief Logistics Planning
我们考虑一个物流规划问题的预置救济物品，在准备即将到来的飓风登陆。这个问题被建模为一个多周期的网络流问题，其目标是最小化运营网络的物流成本和未满足需求的惩罚。我们假设，救援物品的需求可以从飓风的预测强度和登陆位置，根据马尔可夫链演变。我们认为这个问题在两个不同的设置，这取决于是否登陆的时间被假定为确定性的（和已知的先验）或随机的。对于前一种情况下，我们引入了一个完全自适应的多阶段随机规划（MSP）模型，允许决策者调整预置的决定，顺序地，在多个阶段，飓风的特点变得更加清晰。对于后一种情况，我们将Guigues（2021）中引入的具有随机阶段数的MSP模型扩展到基本随机过程被假设为逐阶段相关的情况。我们基准性能的MSP模型与其他近似政策，如静态和滚动时域两阶段随机规划方法。我们的数值结果提供了关键的洞察MSP的价值，在救灾物流规划。
2022-01-25 math.OC
On the Worst-Case Analysis of Cyclic Coordinate-Wise Algorithms on Smooth Convex Functions
我们提出了一个统一的框架，在无约束光滑凸优化设置循环块坐标算法的自动计算机辅助最坏情况分析。我们计算精确的最坏情况下的循环坐标下降和交替最小化算法的光滑凸函数类的界限，并提供次线性的上限和下界的最坏情况下的速度为标准类的功能与坐标明智的Lipschitz梯度。我们特别获得了一个新的上界循环坐标下降，优于最好的可用的一个数量级。我们还证明了我们的方法的灵活性，通过提供新的数值界限，使用更简单，更自然的假设比通常的块坐标算法的分析。最后，我们提供了数值证据的事实证明，一个标准的计划，可证明加速随机坐标下降到一个$O(1/k^2)$复杂性实际上是低效的（确定性）循环算法时使用。
2022-11-30 math.OC
Mixed-feature Logistic Regression Robust to Distribution Shifts
Center for Artificial Intelligence in Society（社会人工智能中心）
针对特征间偏移概率不同的场景，提出基于图求解、可接入现成优化器的 Wasserstein 分布鲁棒混合特征 Logistic 回归，显著提升速度、校准与 AUC。
2025-03-15 cs.LG math.OC stat.ML
Best-Worst Disaggregation: An approach to the preference disaggregation problem
针对MCDM偏好解聚中的不一致与认知偏差问题，提出融合BWM的BWD方法，通过相反成对比较、优化与一致性分析推导可靠价值函数，并扩展至区间偏好。
2025-05-16 math.OC
Universal methods for variational inequalities: deterministic and stochastic cases
本文提出通用邻近镜像方法求解确定性与随机情形下具有Hölder连续算子的变分不等式，无需预知问题类别或算子信息即可自动适应噪声与Hölder连续性，并证明其具有最坏情形最优复杂度。
2024-10-03 math.OC
Probabilistic Optimal Estimation and Filtering under Uncertainty
CNR-IEIIT Institute, Politecnico di Torino（意大利都灵理工大学 CNR-IEIIT 研究所）；Northeastern University（美国东北大学）
提出一种融合随机与最坏情况范式的概率框架，通过丢弃测度至多ε的集合来降低最坏情况信息半径，并计算违反函数以展示精度与信息半径的权衡。
2013-06-05 cs.SY eess.SY math.OC
Retrospective Approximation Sequential Quadratic Programming for Stochastic Optimization with General Deterministic Nonlinear Constraints
本文提出基于回溯近似范式的框架，结合确定性SQP求解器，高效处理随机目标与一般非线性约束的优化问题，实现最优复杂度并在基准测试中验证性能。
2025-05-26 math.OC
Learning Deterministic Surrogates for Robust Convex QCQPs
University of Edinburgh（爱丁堡大学）
提出双隐层模型，通过求解确定性代理和评估最坏情况，实现不确定凸QCQP的鲁棒决策聚焦学习，并以松弛处理不确定约束，实验验证其正则化有效性。
2023-12-19 cs.AI cs.LG math.OC
Data-Driven Analysis of First-Order Methods via Distributionally Robust Optimization
研究求解未知分布凸优化问题时一阶方法的概率性能，结合性能估计与分布鲁棒优化将分析化为锥规划，统一最坏与平均情况分析，实验表明该方法能降低经典边界保守性，缩小理论与经验性能差距。
2026-08-06 math.OC
Optimal Deterministic First-Order Oracle Complexity for Nonconvex-Concave Minimax Optimization
Sauder School of Business, The University of British Columbia（不列颠哥伦比亚大学 Sauder 商学院）；RIKEN AIP（理化学研究所 AI中心）
该研究确定了非凸-凹极小极大优化中确定性一阶算法的下界，并提出了达到最优复杂度的Tracked-FOAM方法。
2026-10-23 math.OC
Online Traffic Routing: Deterministic Limits and Data-driven Enhancements
在过去的十年中，支持GPS的交通应用程序，如谷歌地图和Waze，已经变得无处不在，并对数十亿日常通勤者的出行模式产生了重大影响。这种应用的在线路线建议的结果，例如，通过贪婪的路线选择，由于引起的行进模式可能远离系统最优，因此经常增加交通拥堵。受交通应用对出行模式的广泛影响的启发，本文研究了容量受限的平行道路网络背景下的在线交通路由，并从两个角度分析了这个问题。首先，我们进行了最坏情况下的分析，以确定确定性的在线路由的限制，并表明之间的比率的总旅行成本的在线解决方案的任何确定性算法和最佳的离线解决方案是无界的，即使在简单的设置。这一结果促使我们超越最坏情况分析。在这里，我们考虑利用过去的问题实例的知识的算法，并展示如何设计数据驱动的算法，其性能可以量化，并正式推广到看不见的未来实例。我们提出了数值实验的基础上的应用程序的情况下，旧金山湾区，以评估我们的方法的性能。我们的研究结果表明，我们开发的数据驱动算法优于常用的贪婪在线路由算法。
2021-09-17 cs.SY eess.SY math.OC
Distributionally and Adversarially Robust Logistic Regression via Intersecting Wasserstein Balls
Imperial Business School, Imperial College London（帝国理工学院伦敦校区商业学校）；JP Morgan AI Research（摩根大通人工智能研究）
针对对抗鲁棒 Logistic 回归易过拟合的问题，提出利用辅助数据集相交 Wasserstein 模糊集的分布鲁棒优化方法，并给出凸重构与高效算法，实验表现优于基准。
2025-06-11 cs.LG math.OC
Development and Analysis of Deterministic Privacy-Preserving Policies Using Non-Stochastic Information Theory
CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61）；Department of Electrical and Electronic Engineering at the University of Melbourne（墨尔本大学电气与电子工程系）
本文提出了一种基于非随机信息论的确定性隐私度量方法，通过最小化信息泄露来衡量隐私保护，证明了k-匿名方法实际上并不具备隐私保护特性。
2019-01-23 cs.CR cs.IT cs.SY
Understanding Limitation of Two Symmetrized Orders by Worst-case Complexity
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
更新顺序是块分解算法的主要设计选择之一。至少有两类确定性更新顺序：非对称（例如循环顺序）和对称（例如高斯回代或对称高斯-赛德尔）。最近，在最差情况下，具有循环顺序的坐标下降（CD）比随机化版本慢$O(n^2)$倍。一个自然的问题出现了：对称化顺序能否比循环顺序实现更快的收敛速度，甚至接近随机化版本？本文对这一问题给出了否定的回答。我们发现，高斯回代（GBS）和对称高斯-赛德尔（SGS）遭受相同的缓慢收敛问题的循环顺序在最坏的情况下。特别是，我们证明，对于无约束的问题，GBS-CD和sGS-CD可以是$O(n^2)$倍慢于R-CD。尽管无约束的问题，我们也经验性地研究线性约束的问题与二次目标：我们经验性地证明，GBS-ADMM和sGS-ADMM的收敛速度可以是大约$O(n^2)$倍慢于随机排列的ADMM。
2021-01-14 cs.LG math.OC
Learning Distributionally Robust First-Order Methods for Convex Optimization
Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系）；Research Institute of Mathematics, Seoul National University（首尔国立大学数学研究所）
本文提出基于分布鲁棒方法的学习优化框架，通过最小化Wasserstein鲁棒PEP优化算法超参数，统一了经典L2O与最坏情况最优算法设计，在多个基准测试中展现出优越的样本外性能与鲁棒性。
2026-09-30 cs.LG math.OC
Risk Analysis in Robust Control -- Making the Case for Probabilistic Robust Control
Louisiana State University（路易斯安那州立大学）
本文批判了鲁棒控制设计中的“最坏情况”方法，通过案例分析表明概率方法在风险控制上可能更优，并量化了最坏情况设计的高风险。
2007-07-05 cs.SY eess.SY math.OC
