Necessary Optimality Conditions for Integrated Learning and Optimization Problem in Contextual Optimization
The Chinese University of Hong Kong(香港中文大学)
本文推导了集成学习与优化问题在情境优化中的首次级必要最优条件,适用于凸和非凸的底层优化问题,并用于设计求解ILO问题的梯度基算法。
2026-01-23 math.OC
A Bilevel Optimization Scheme for Persistent Monitoring
本文研究二维任务空间中的无限时间持续监控问题,通过分层分解将问题转化为耦合的局部最优控制问题,并提出在线双层优化方案同时优化局部轨迹段和边界条件,实现稳态最小时间周期轨迹。
2023-04-07 math.OC
Contextual Bilevel Reinforcement Learning for Incentive Alignment
ETH AI Center(ETH AI中心);ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);EPFL(洛桑联邦理工学院)
该研究提出上下文双层强化学习CB-RL模型及随机超策略梯度下降HPGD算法,拓展传统双层优化范畴,可应用于RLHF、税收设计等多领域,且在奖励塑形和税收设计任务中验证了性能。
2024-12-08 cs.AI cs.LG math.OC
Two-stage robust bilevel optimization model for facility location considering operational service level under disruption risk
Dongbei University of Finance and Economics(东北财经大学);University of Pittsburgh(匹兹堡大学)
本文提出了一种双阶段鲁棒双层优化模型,用于在考虑中断风险下的设施选址问题,通过改进的列和约束生成算法提升了求解效率,并在小规模中断时表现出更好的服务性能。
2026-03-22 math.OC
The Robust Bilevel Selection Problem
University of Passau, School of Business, Economics and Information Systems(帕绍大学商业、经济与信息系统学院)
本文研究了鲁棒双层选择问题的复杂性,证明其在某些情况下为NP难,并提出近似算法和精确解法。
2025-02-13 cs.DS math.OC
The robust bilevel continuous knapsack problem with uncertain coefficients in the follower's objective
我们考虑一个双层连续背包问题,其中领导者控制背包的容量,追随者根据自己的利润选择最优包装,这可能不同于领导者。对于这个双层问题,我们以一种自然的方式添加了不确定性,假设领导者对追随者的问题没有充分的了解。更确切地说,采用鲁棒优化方法,并假设追随者的利润属于一个给定的不确定性集,我们的目标是计算一个解决方案,优化最坏情况下的追随者的反应,从领导者的角度来看。通过研究这个问题的复杂性,就不同类型的不确定性集,我们更好地理解双层优化和鲁棒组合优化的组合迈出了第一步。我们发现,这个问题可以解决在多项式时间离散和区间的不确定性,但同样的问题成为NP-困难时,每个系数可以独立地假设只有有限数量的值。特别是,这表明,取代不确定性集的凸包可能会改变问题显着,在经典的单级鲁棒优化的情况下。对于一般的多面体不确定性,这个问题再次被证明是NP困难的,即使在不相关的情况下,椭球不确定性也是如此。所有提出的硬度结果已经适用于领导者的目标函数的评价。
2022-01-11 cs.DM cs.DS math.OC
Intermediate Bilevel Optimization: Modeling Endogenous Follower Tie-Breaking Behavior
Polytechnique Montréal(蒙特利尔理工学院);Université de Montréal(蒙特利尔大学)
提出中间双层优化(I-BO)模型,通过决策依赖的概率分布建模追随者在多个最优解中的内生打破平局行为,并利用逆变换和马尔可夫链变换将其转化为外生不确定性下的T-I-BO问题,采用样本平均逼近求解。
2026-06-18 math.OC
Uncertainty-Informed Renewable Energy Scheduling: A Scalable Bilevel Framework
针对高比例可变可再生能源参与电力市场的问题,提出基于强对偶性与McCormick包络松弛的可扩展双层报价框架,在1576节点NYISO系统中验证其可降低成本与价格波动。
2023-12-06 cs.SY econ.GN eess.SY
Decision Rule Approaches for Pessimistic Bilevel Linear Programs under Moment Ambiguity with Facility Location Applications
我们研究了一个悲观的随机二层规划的背景下,连续的两个球员的游戏,领导者作出了二元此时此地的决定,和追随者响应一个连续的观望的决定后,观察领导者的行动和启示的不确定性。只有均值、协方差和支持度的信息是已知的。我们制定的问题作为一个分布鲁棒(DR)两阶段的问题。悲观DR双层计划被证明是等价于一个通用的两阶段分布鲁棒随机(非线性)计划,在适当的条件下的模糊集的随机目标和随机约束。在连续分布下,基于0-1半定规划(SDP)逼近和0-1正余规划变换,利用线性决策规则方法,构造了悲观DR双层规划的上界.当模糊度集被限制为离散分布,一个精确的0-1 SDP的重新制定,并明确建设的最坏情况下的分布。为了进一步提高所提出的0-1 SDP的计算,切割平面框架的开发。此外,基于混合整数线性规划近似,提出了另一种割平面算法。大量的数值研究表明,所提出的方法对设施定位问题的有效性。
2022-06-07 math.OC
Pessimistic bilevel optimization approach for decision-focused learning
针对上下文组合优化问题,提出基于专用割生成算法的悲观双层优化方法以求解决策聚焦模型的ε-近似解,在0-1背包问题测试中相比“先估计后优化”及SPO+等方法,样本外遗憾降低效果更优。
2025-02-11 cs.DM math.OC
Agency Problems and Adversarial Bilevel Optimization under Uncertainty and Cyber Threats
UC Berkeley(加州大学伯克利分校);Department of Industrial Engineering and Operations Research(工业工程与运筹学系)
本文研究了在不确定性和网络威胁下,领导者设计最优激励方案以提高高风险项目的价值,通过双层随机优化问题,结合跳跃第二类BSDE和积分-偏Hamilton-Jacobi-Bellman-Isaacs方程,提出鲁棒随机控制方法以应对网络攻击带来的不确定性。
2026-05-07 math.OC math.PR
Bilevel Transmission Expansion Planning with Joint Chance-Constrained Dispatch
针对含风电不确定性的双层输电扩展规划问题,提出带下层联合机会约束市场出清的新框架,及处理对应分布鲁棒约束的强化线性近似技术,在保证求解质量下实现最高26倍的计算加速。
2025-05-16 cs.SY eess.SY math.OC
Contextual Stochastic Optimization for Omnichannel Multi-Courier Order Fulfillment Under Delivery Time Uncertainty
H. Milton Stewart School of Industrial & Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学院)
本文提出上下文随机优化框架,融合分布预测与随机鲁棒优化,优化全渠道多承运商订单履行中的履行中心与承运商选择,在真实数据上显著提升满足预期配送日期的准确性并平衡成本与风险。
2025-09-18 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
Contextual Stochastic Optimization with Decision-Dependent Uncertainty via Nonparametric Learning
The Ohio State University(俄亥俄州立大学)
研究决策相关上下文随机规划,用非参数回归模型学习不确定性依赖,采用 ER-DD-SAA 框架,开发 MIP 表示,为两阶段问题提出 BD-CG 算法,证明收敛性,建立统计特性,数值实验显示其性能和计算优势。
2026-07-14 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
Two-Stage Data-Driven Contextual Robust Optimization: An End-to-End Learning Approach for Online Energy Applications
PUC-Rio(天主教里约热内卢大学);SKEMA Business School(SKEMA商学院)
本文提出一种数据驱动情境鲁棒优化模型及改进的列与约束生成算法,通过显式利用情境向量加速在线能源调度求解,降低计算时间和运营成本。
2025-10-17 math.OC
Relative Explanations for Contextual Problems with Endogenous Uncertainty: An Application to Competitive Facility Location
CIRRELT and Department of Computer Science and Operations Research, Université de Montréal(蒙特利尔大学计算机科学与运筹学系及CIRRELT)
针对具有二元决策变量和内生不确定性的情境随机优化问题,提出基于Wasserstein距离正则化的相对反事实解释框架,生成稀疏、合理且可解释的解释,并应用于竞争性设施选址和电动汽车充电站规划。
2026-06-19 math.OC
Exact and Heuristic Methods for $Γ$-Robust Min-Max Problems
Eindhoven University of Technology(埃因霍温理工大学)
本文研究带Γ-鲁棒不确定数据的混合整数线性极大极小问题,提出精确与启发式求解方法,经560个背包拦截问题实例测试,该启发式方法能缩小最优性间隙且性能优于基准方法。
2026-08-19 math.OC
From Frequentist to Bayesian Contextual Optimization
Laboratoire Génie Industriel, CentraleSupélec, Université Paris-Saclay(巴黎萨克雷大学中央理工学院工业工程实验室)
提出贝叶斯情境优化框架,通过 Gibbs 后验加权模型决策质量,聚合后验预测分布以对冲模型不确定性,理论保证集中性和最优性,实验显示在中小样本下优于频率派方法。
2026-09-24 math.OC
Decision-focused predictions via pessimistic bilevel optimization: complexity and algorithms
Department of Industrial Engineering, Universidad de Chile(智利大学工业工程系);Inria Lille-Nord Europe(Inria里尔-北欧洲研究中心)
本研究提出悲观双层优化模型以最小化决策遗憾,证明其NP完全性并转化为非凸二次规划,实验显示优于现有决策聚焦学习方法。
2025-08-07 cs.LG math.OC
Forecasting Outside the Box: Application-Driven Optimal Pointwise Forecasts for Stochastic Optimization
School of Business, Universidad Adolfo Ibáñez(阿道夫·伊瓦涅斯大学商学院);Faculty of Engineering and Sciences, Universidad Adolfo Ibáñez(阿道夫·伊瓦涅斯大学工程与科学学院)
针对带固定补偿与固定成本的两阶段随机规划,提出最优场景概念,结合决策聚焦学习的双层优化证明点状预测可渐近逼近最优场景,数值实验验证其优于基准方法。
2025-10-28 cs.LG math.OC
A Scalable Bilevel Framework for Renewable Energy Scheduling
Massachusetts Institute of Technology(麻省理工学院);Lehigh University(理海大学)
本研究针对电力市场中可再生能源调度的双层问题,提出基于强对偶性和McCormick包络的线性规划松弛技术,在IEEE和NYISO系统上验证了其精度与可扩展性,高VRES渗透率下降本效益显著。
2026-08-10 cs.SY econ.GN eess.SY
Data-Driven Contextual-Aware Uncertainty Set for Robust Dispatch of Power Systems
本文提出一种数据驱动的上下文感知不确定性集构造方法,利用条件高斯混合模型设计适应不规则分布历史数据的鲁棒调度不确定性集,通过混合整数线性重构实现最坏情况下的鲁棒优化。
2026-05-08 cs.SY eess.SY math.OC
Contextual Robust Optimization for AI Data Center Scheduling with Statistical Guarantees
The Chinese University of Hong Kong(香港中文大学);Peking University(北京大学)
提出一种上下文鲁棒优化框架,通过损失不确定性学习模型和校准算法,处理可再生能源与AI工作负载的预测误差,实现成本降低5.57%并保证可行性。
2026-06-17 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
Learning Decision-Focused Uncertainty Sets in Robust Optimization
本文提出一种数据驱动方法,通过最小化上下文问题族的预期性能,学习不确定性集以提升最坏情况和平均情况性能,同时保证约束满足。
2026-11-01 math.OC
Risk-averse Decision Making with Contextual Information: Model, Sample Average Approximation, and Kernelization
The Chinese University of Hong Kong(香港中文大学);HEC Montréal(蒙特利尔高等商学院)
本文研究了风险规避的上下文优化问题,提出了一种通过单阶段风险最小化问题求解的方法,并在核空间中验证了样本平均近似的一致性。
2026-05-09 math.OC
Modeling Network Congestion under Demand Uncertainty Using Wardrop Principles
Eindhoven University of Technology(埃因霍温理工大学);Istituto di Analisi dei Sistemi ed Informatica “Antonio Ruberti”, Consiglio Nazionale delle Ricerche(意大利国家研究委员会系统与信息分析研究所);Dipartimento di Ingegneria Informatica, Automatica e Gestionale, Sapienza Università di Roma(罗马大学信息与自动化与工商管理系);ESSEC Business School(欧洲高等商学院)
针对需求不确定下多商品交通网络的最坏拥塞问题,基于Wardrop原理建立双层模型,提出混合整数非线性重构技术,经Sioux Falls等网络实例验证了方法有效性。
2026-08-20 math.OC
Predictive Prescription of Unit Commitment Decisions Under Net Load Uncertainty
为了在不确定净负荷下进行机组组合决策,大多数研究采用了一种对不确定性采用一刀切表示的随机机组组合(SUC)模型。如果不考虑天气预报和时间信息等背景信息,这些模型通常会受到样本外性能差的困扰。为了有效地利用上下文信息,在本文中,我们制定了一个条件SUC问题,解决了给定的协变量观测。所提出的问题依赖于净负荷的真实条件分布,因此在实际中无法求解。为了近似其解决方案,我们提出了一个预测处方框架,该框架利用机器学习模型来获得用于解决重新加权样本平均近似问题的权重。与现有的预测处方框架相比,我们操纵学习模型基于特定数据集提供的权重,提出了一种选择相关协变量的方法,并根据其策略的样本外成本调整框架的超参数。我们进行了广泛的数值研究,其中列出了相对于各种基准的框架的相对优点。
2022-11-30 math.OC
Smart Surrogate Losses for Contextual Stochastic Linear Optimization with Robust Constraints
Department of Industrial Engineering and Operations Research University of California, Berkeley(工业工程与运营管理系加州大学伯克利分校)
研究带不确定约束的上下文随机线性优化,提出可行性敏感的 SPO-RC 损失及其凸代理 SPO-RC+,并通过截断数据集与重要性重加权纠正偏差,实验证明该方法能有效处理约束不确定性并提升性能。
2025-05-28 cs.LG math.OC stat.ML
"Over-optimizing" for Normality: Budget-constrained Uncertainty Quantification for Contextual Decision-making
The Hong Kong University of Science and Technology(香港科技大学)
针对情境决策中加权样本平均逼近的不确定性量化,提出在计算预算下平衡样本量与优化迭代的分配规则,并证明“过度优化”可保持渐近正态性。
2025-10-11 math.OC stat.ME stat.ML
Set Membership Estimation for Stochastic Linear Contextual Bandits
The Grainger College of Engineering(格里纳尔工程学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对有界奖励噪声的随机线性上下文赌博机,提出基于集合成员估计和乐观原则的SME-OFU算法,实现O(log T)的遗憾界,优于次高斯噪声下的最优界。
2026-10-16 cs.LG math.OC stat.ML
Data-Driven Contextual Optimization with Gaussian Mixtures: Flow-Based Generalization, Robust Models, and Multistage Extensions
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);City University of Hong Kong(香港城市大学);Tongji University(同济大学)
本文针对上下文优化处理多模态分布时的挑战,提出基于高斯混合模型(GMMs)的框架,结合归一化流扩展至任意分布,设计多阶段随机优化求解方案,经实验验证其性能优于现有方法。
2026-09-07 math.OC
Selective Ambulance Dispatch Under Contextual Travel-Time Uncertainty
Department of Systems Engineering and Engineering Management(系统工程与工程管理系)
针对院外心脏骤停中救护车响应时间与车队容量的权衡,提出选择性双调度框架IDEAL,通过弱监督双层表示网络学习上下文旅行时间,并利用Burg散度扰动建模不确定性,实现更优的响应时间与资源平衡。
2026-05-22 cs.LG math.OC
Data-driven interdiction with asymmetric cost uncertainty: a distributionally robust optimization approach
University of Zurich(苏黎世大学)
本文研究了存在跟随者目标函数系数不确定性的随机拦截博弈,提出分布鲁棒拦截模型,通过Wasserstein度量解决分布不确定性,并探讨了领导者对跟随者数据不完全了解时的两种近似方法。
2026-02-28 math.OC
A Survey of Contextual Optimization Methods for Decision Making under Uncertainty
Department of Computer Science and Operations Research Université de Montréal(计算机科学与运筹学系,蒙特利尔大学);GERAD & Department of Decision Sciences HEC Montréal(GERAD与决策科学系,蒙特利尔HEC);CIRRELT & SCALE-AI Chair in Data-Driven Supply Chains, Department of Mathematical and Industrial Engineering, Polytechnique Montréal(CIRRELT与数据驱动供应链主席职位,数学与工业工程系,蒙特利尔Polytechnique)
本文综述了情境优化中从数据学习决策策略的方法,聚焦单阶段和两阶段随机规划,归纳出三种主要框架并统一术语分类,旨在促进机器学习与随机规划的深度融合。
2024-02-02 cs.LG math.OC
Predict-then-Calibrate: A New Perspective of Robust Contextual LP
针对风险敏感的上下文线性规划,本文提出“先预测后校准”范式,将预测与不确定性量化解耦,可兼容任意预测模型并支持鲁棒优化与DRO,给出新泛化界且实验验证其性能优势。
2024-05-10 math.OC
Contextual Quantile Minimization for Two-Stage Stochastic Programs
Texas Tech University(德克萨斯理工大学);The Chinese University of Hong Kong(香港中文大学)
本文提出了一种基于分位数目标的两阶段随机规划优化方法,通过引入上下文信息和风险态度,提升优化模型的鲁棒性和实用性。
2025-11-21 math.OC
BOCO: Bayesian Online Contextual Optimization for Decision-Focused Online Learning
Laboratoire Génie Industriel, CentraleSupélec, Université Paris-Saclay(工业工程实验室,中央苏佩莱克学院,巴黎萨克雷大学)
本文提出首个基于PAC-Bayes理论的贝叶斯在线上下文优化框架,通过吉布斯后验实现有界损失下的 $\mathcal{O}(\sqrt{T})$ 坏境,并利用顺序马尔可夫链采样器处理不可微问题。
2026-09-24 math.OC stat.ML
Distributionally Robust Optimal Power Flow with Contextual Information
在本文中,我们开发了一个分布式鲁棒的机会约束制定的最优潮流问题(OPF),使系统运营商可以利用上下文信息。为此,我们利用一个模糊集的基础上的概率修剪和最优输运,通过该调度解决方案是保护对不完整的知识的OPF的不确定性和上下文之间的关系,是由他们的联合概率分布的样本传达。我们提供了一个易于处理的重新提出的分布式鲁棒机会约束的OPF问题下流行的条件风险值近似。通过数值实验运行在一个修改后的IEEE-118总线网络与风的不确定性,我们展示了如何电力系统可以大大受益于考虑到众所周知的统计依赖性之间的点预测的风力发电输出和其相关的预测误差。此外,进行的实验还表明,分布式鲁棒性赋予的OPF解决方案,我们的概率修剪为基础的方法是优于所赋予的替代方法的预期成本和系统可靠性。
2022-10-04 math.OC stat.ML
Primal-dual algorithm for contextual stochastic combinatorial optimization
ENPC, Institut Polytechnique de Paris(巴黎理工学院桥路学院);CERMICS, CNRS(法国国家科学研究中心数学与科学计算研究中心);INRIA(法国国家信息与自动化研究所)
研究针对上下文随机优化问题,融合运筹学与机器学习,利用含组合优化层的神经网络编码策略,提出原始对偶算法,扩展经典损失结果并引入新正则化方法,实验证明算法高效可扩展,性能与最优基线相当且计算需求降低。
2026-07-17 cs.LG math.OC
Fast Rates for Contextual Linear Optimization
Cornell University(康奈尔大学)
在决策过程中对边观察进行分析可以减少不确定性并提高性能,但这也要求我们处理潜在的复杂预测关系。虽然人们可以使用现成的机器学习方法来单独学习预测模型并将其插入,但各种最近的方法通过拟合模型来集成估计和优化,以直接优化下游决策性能。令人惊讶的是,在上下文线性优化的情况下,我们表明,天真的插件方法实际上实现了后悔收敛速度显着快于直接优化下游决策性能的方法。我们证明了这一点,利用特定的问题实例没有任意坏的近对偶退化的事实。虽然在我们讨论和说明数字时还有其他利弊需要考虑,但我们的结果突出了企业集成估计和优化的细微差别。我们的研究结果总体上对实践是积极的:预测模型使用现有工具进行训练是容易和快速的,解释简单,并且,正如我们所展示的,导致决策表现非常好。
2021-08-31 cs.LG math.OC math.ST