Multistage Stochastic Programming for Rare Event Risk Mitigation in Power Systems Management
Czech Technical University(捷克理工大学)
针对高比例可再生能源并网导致的罕见极端天气事件(如长时间低辐照和低风速)风险,提出一种基于Fleming-Viot粒子的多阶段情景随机规划方法,通过偏向生成罕见低风电情景,实现常规发电机组的经济鲁棒控制。
2026-05-26 cs.SY eess.SY math.OC
Safe Bayesian optimization across noise models via scenario programming
Aalto University(阿尔托大学);Uppsala University(乌普萨拉大学)
本文提出了一种通过场景编程实现跨不同噪声模型的安全贝叶斯优化方法,解决了传统方法对噪声分布假设的限制,并在仿真中验证了其有效性。
2025-12-12 cs.LG cs.SY eess.SY
Enhancing Interpretability of Stochastic Programming Solutions: A Multiparametric Approach
Department of Chemical and Biological Engineering, University of Wisconsin-Madison(威斯康星大学麦迪逊分校化学与生物工程系)
该研究在Benders分解框架内采用多参数编程,提出一种确定性方法,将随机规划的不确定性空间划分为临界区域,通过分析聚类场景,为供应链规划的随机解提供透明解释。
2026-09-01 cs.SY eess.SY math.OC
Scenario trees and policy selection for multistage stochastic programming using machine learning
我们提出了一个复杂的随机最优化问题的混合算法策略,它结合了使用场景树从多级随机规划与机器学习技术学习的政策的形式,一个统计模型,在约束向量值的决策。这种策略允许在大量独立场景中运行样本外模拟,并获得用于解决多级随机程序的近似方案的质量信号。我们建议应用这种快速模拟技术来选择最好的树从一组场景树。一个解决方案的介绍,其中几个场景树的随机分支结构并行解决,并最终保留的树,从真正的问题可以学习到最佳的政策。数值试验表明,良好的权衡,可以实现运行时间和解决方案的质量。
2011-12-19 math.OC stat.ML
Dynamic Programming Subject to Total Variation Distance Ambiguity
本文的目的是通过动态规划解决随机控制策略的最优性受全变差距离模糊的条件分布的控制过程。我们用极大极小理论来描述随机控制问题,其中控制使收益最小化,而条件分布从全变差距离集合中使收益最大化。首先,我们研究抽象空间上的概率测度空间上的线性泛函的最大化,在这些概率测度中,这些概率测度与名义概率测度在全变差距离内,然后给出了最大化概率测度的封闭形式。其次,在马尔可夫和非马尔可夫假设下,利用最大化问题的解来求解被控过程的条件分布上的确定性控制策略的极大极小随机控制问题。这一部分的结果包括:1)全变差距离模糊约束下的Minimax优化; 2)新的动态规划递推,它除了标准项外还包含了值函数的振子项; 3)新的无限时域折扣动态规划方程,以及相应的压缩性质和一个新的策略迭代算法。最后,我们提供了说明性的例子,有限和无限的地平线的情况下。对于无限时域的情况,我们调用新的策略迭代算法来计算最优策略。
2014-02-05 math.OC
A characteristic function framework for chance constraint programming in stochastic model predictive control
Linköping University(林雪平大学)
本文提出了一种适用于非高斯扰动的特征函数框架,用于解决随机模型预测控制中机会约束的计算问题,通过特征函数计算概率及其梯度,提高计算效率。
2026-05-18 cs.SY eess.SY math.OC
A scenario-based framework for supply planning under uncertainty: stochastic programming versus robust optimization approaches
在本文中,我们分析了两种建模方法的效果不确定性下的供应计划问题:两阶段随机规划(SP)和鲁棒优化(RO)。两种方法之间的比较是通过一个基于神经网络的框架方法,它可以适用于任何最优化问题受不确定性的影响。对于SP,我们根据与一组场景相关的不确定参数的特定概率分布计算最小预期成本。对于RO,我们考虑静态方法,其中随机参数属于箱或椭球不确定性集,符合用于生成SP场景的数据。还考虑了通过可调节的鲁棒对应物的概念来实现RO的动态方法。该方法的效率已被说明为供应规划问题,以优化车辆租赁和采购运输活动涉及的不确定性的需求和购买额外的车辆的成本。数值实验,通过基于的框架,允许在真实情况下的实例进行公平的比较。讨论了RO和SP的优缺点。
2016-11-20 math.OC
Fused ultrametric Gromov-Wasserstein for Scenario Tree generation in Multistage Stochastic Programming
University of Milano-Bicocca(米兰比可卡大学)
本文提出融合超度量Gromov-Wasserstein与融合Gromov-Wasserstein距离,用于多阶段随机规划场景树生成,同时保证边际保真度和非预期性,并给出稳定性定理及块坐标下降算法。
2026-09-30 math.MG math.OC
Scen-Opt: A Scenario Optimization Toolbox for Data-Driven Convex Programming
Vanderbilt University(范德堡大学);Politecnico di Milano(米兰理工大学);University of Brescia(布雷西亚大学);Newcastle University(纽卡斯尔大学)
本文提出Scen-Opt,一个基于场景理论的开源Python工具箱,支持数据驱动凸规划并提供统计保证,通过Web界面和多种数据格式实现用户友好的优化求解。
2026-10-07 cs.LG cs.MS cs.SY
Primal-dual mirror descent for the stochastic programming problems with functional constraints
针对带函数约束的凸优化问题,提出了原始-对偶随机镜像下降算法。我们得到的收敛速率的大偏差的概率。
2017-07-30 math.OC
Scenario-decomposition Solution Framework for Nonseparable Stochastic Control Problems
当随机控制问题不具有分离性和单调性时,Bellman于20世纪50年代提出的动态规划方法不能作为时间分解求解方法。多年来,这类案件在理论基础和解决方法上都给控制社会带来了巨大的挑战。借助Rockafellar和Wets在1991年提出的渐进对冲算法,我们发展了一种新的求解不可分离和/或非单调随机控制问题的分解求解框架,从而扩展了随机最优控制的研究范围.然后,我们讨论了它的一些有前途的应用,包括在线二次规划问题和具有平滑性质的动态投资组合选择问题。
2020-10-18 cs.SY eess.SY math.OC
Fitting a Multi-modal Density by Dynamic Programming
本文考虑了当一个密度函数被约束为具有给定数目的模态区间时的拟合问题。我们提出了一个动态规划的方法来解决这个问题的数值。当这个数是未知的,我们提供了几个数据驱动的方法来选择它。我们进行了一些数值实验来说明我们的方法。
2022-07-15 math.OC stat.CO
Statistics of voltage drop in radial distribution circuits: a dynamic programming approach
我们分析了一个配电线路与分布式发电的高渗透率和强烈的变化的功耗和发电水平。在存在不确定性的情况下,需要对系统进行统计描述,以评估停电的风险。为了找到超过电压水平的限制的概率,我们引入了最大电压降的概率分布,并提出了一种算法来找到这个分布。该算法是基于随机的假设,但统计上独立的总线上的负载分布。通过动态规划技术实现总线数量的线性复杂性。我们通过分析一个简单的4总线系统的负载水平的变化高的算法的性能。
2010-06-01 math.OC stat.AP
High-Probability Polynomial-Time Complexity of Restarted PDHG for Linear Programming
Northwestern University(西北大学)
本文证明了在高斯分布假设下,重启PDHG方法在解线性规划问题时具有高概率多项式时间复杂度,并提供了实验验证。
2026-09-10 math.OC
From Sequential to Parallel: Reformulating Dynamic Programming as GPU Kernels for Large-Scale Stochastic Combinatorial Optimization
Shenzhen Research Institute of Big Data(深圳大数据研究院);School of Data Science, The Chinese University of Hongkong(香港中文大学数据科学学院);Shenzhen International Center for Industrial and Applied Mathematics(深圳工业与应用数学中心);AutoKernel
本文提出一种基于GPU的框架,通过并行化场景、动态规划层和路由选项,使大规模随机组合优化问题中的结构整数 recourse 运算成为可能,显著提升了求解效率。
2026-05-09 cs.DC math.OC
Finiteness theorems in stochastic integer programming
研究了具有不同场景数的线性多阶段随机整数规划族的Graver测试集。我们表明,这些测试集可以被分解成许多“积木”,独立的场景的数量,我们给出了一个有效的程序来计算这些积木。本文介绍了Nash-Williams的优拟序理论,并利用该理论证明了算法的可终止性。我们也将这一理论应用于Hilbert函数的有限性结果。
2005-02-03 math.CO math.OC
Algorithm for Two-Phase Facility Planning via Balanced Clustering and Integer Programming
我们提出了一个两阶段设施规划场景的解决方案,其中在第一阶段,在确定设施(或源)的位置时有一定的灵活性。在第二阶段,添加新的航路点(或汇),但设施的位置是静态的。此解决方案应用了平衡聚类的使用-使用修改的K-Means方法,确保每个组的基数相等。随后,它是其次是一个整数规划的解决方案,解决希区柯克运输问题。我们表明,最终的解决方案,可以promisfiably近似的近最优解,并在这个特定的情况下,设施规划是一个成功的指南。
2020-09-06 math.OC
Using a generative model for out-of-sample testing of two-stage stochastic programs
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出利用NORTA生成模型在样本数据有限时提升两阶段随机规划解决方案的可靠性,通过案例研究展示其在电力系统防洪规划中的应用,验证生成场景的有效性。
2026-04-24 math.OC
Bayesian Linear Programming under Learned Uncertainty: Posterior Feasibility Guarantees, Scenario Certification, and Applications
Visva-Bharati University(维斯瓦-巴拉蒂大学);S. N. Bose National Centre for Basic Sciences(S.N. 玻色基础科学国家中心)
本文提出了一种贝叶斯线性规划框架,通过后验不确定性建模和鲁棒化策略,提升决策的安全性和可解释性,适用于不确定性下的优化问题。
2026-03-06 math.OC stat.OT
Contextual Scenario Generation for Two-Stage Stochastic Programming
Department of Mechanical and Industrial Engineering, University of Toronto(机械与工业工程系,多伦多大学);Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST)(工业与系统工程系,韩国科学技术院(KAIST))
针对两阶段随机规划中情境数量大、部署受限的问题,提出两种情境生成方法(基于分布和基于任务),通过上下文信息学习生成少量替代情境,并保证决策质量。
2026-06-03 cs.LG math.OC
Tightening CVaR Approximations via Scenario-Wise Scaling for Chance-Constrained Programming
The Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出一种场景加权缩放方法,用于提升机会约束规划中CVaR近似的精度,通过引入场景权重因子,建立更紧的内近似,并证明在合适选择权重时,可达到原问题最优解。
2026-03-30 math.OC
Martingale Optimal Transport in the Discrete Case Via Simple Linear Programming Techniques
我们考虑的问题,找到一致的价格上界和超级复制策略的奇异期权,在市场上的看涨价格的观察。这一研究领域被称为模型独立金融学,由Hobson于1998年引入。在这里,我们使用的链接到大众运输问题。与现有文献相比,我们假设在我们考虑的两个时间点的边缘分布是离散的概率分布。这样的优点是最优化问题简化为线性规划,并且当假设一般鞅Spence Mirrlees条件时,可以相当容易地求解。我们将证明左单调运输计划在此假设下的最优性,并提供一个算法,其建设。我们的证明是简单的,不需要太多的概率论知识。最后我们给出了一个例子来说明我们的方法。
2019-02-07 math.OC
High Probability Complexity Bounds of Trust-Region Stochastic Sequential Quadratic Programming with Heavy-Tailed Noise
University of California, Berkeley(加州大学伯克利分校);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种信任区域随机序列二次规划方法,针对具有随机目标和确定性等式约束的非线性优化问题,建立了高概率迭代复杂度界限,以识别一阶和二阶ε-驻点,尤其在处理重尾噪声时扩展了二阶驻点分析。
2026-04-01 cs.CC cs.LG cs.NA
On the Impact of Deep Learning-based Time-series Forecasts on Multistage Stochastic Programming Policies
多阶段随机规划为涉及不确定性的顺序决策问题提供了一个建模框架。这种方法的一个通常被忽视的方面是如何将不确定性纳入建模。传统上,具有简单形式的统计预测技术,例如,(一阶)自回归时间序列模型用于提取要添加到最优化模型的场景,以表示不确定的未来。然而,很多时候,这些预测模型的性能没有得到彻底的评估。受概率预测方法的启发,本文将基于深度学习的时间序列预测方法引入到多阶段随机规划框架中,并与传统预测方法对不确定性建模的情况进行了比较。我们评估更准确的预测的质量上的两个常用的前瞻性政策,确定性的和两个阶段的一个,在滚动的\red{-}地平线框架上的实际问题的影响。我们的研究结果表明,更准确的预测大大有助于模型的性能,并使获得高质量的解决方案,甚至从计算成本低廉的预测。他们还表明,基于深度学习的方法的概率预测能力在用作基于神经网络的模型的(条件)采样工具时特别有益,并预测风险规避模型的最坏情况。
2021-09-22 math.OC
Simulated annealing with hit-and-run for convex optimization: rigorous complexity analysis and practical perspectives for copositive programming
我们使用Abernethy和Hazan [arXiv 1507.02528v2,2015]建议的温度更新类型对Kalai和Vempala [Math of OR 31.2(2006):253-266]的模拟退火算法进行了严格的复杂性分析。该算法只需要假设可行集的成员预言,我们证明了它返回一个解决方案在多项式时间内,这是近最优的高概率。此外,我们提出了一些修改,以提高该方法的实际性能,并提出了一些数值结果的测试问题,从共正规划。
2019-07-04 math.OC
Optimal scheduling of isolated microgrid with an electric vehicle battery swapping station in multi-stakeholder scenarios: a bi-level programming approach via real-time pricing
为协调多利益相关者场景下孤立微网与电动汽车换电池站之间的调度问题,提出了一种新的双层优化调度模型,以促进换电池站参与调控微网的经济运行.在该模型中,上层子问题的目标是最小化IMG的净成本,下层子问题的目标是在上层决策的需求响应所决定的实时定价环境下,最大化BSS的利润。为了求解该模型,将实数/整数编码的JAYA算法与分支定界算法(BBA)相结合,提出了一种混合算法JAYA-BBA,分别用JAYA和BBA求解上层和下层子问题,通过两层之间的交替迭代最终求解双层模型.在微网测试系统上的仿真结果验证了该方法的有效性和优越性。
2018-09-26 eess.SP math.OC
The Parametric Cost Function Approximation: A new approach for multistage stochastic programming
Department of Operations Research and Financial Engineering(运筹学与金融工程系);University of Waterloo(滑铁卢大学)
在研究文献中,解决多阶段随机规划问题的最常见方法是使用价值函数("动态规划")或情景树("随机规划")来近似现在的决策对未来的影响。相比之下,通常的行业惯例是使用确定性的未来近似,这更容易理解和解决,但被批评为忽视不确定性。我们表明,一个确定性的优化模型的参数化版本可以是一种有效的方式来处理不确定性的复杂性,无论是随机规划或动态规划。我们提出了一个参数化的确定性最优化模型的想法,特别是一个确定性的前瞻模型,作为一个强大的战略,许多复杂的随机判定问题。这种方法可以处理复杂的、高维的状态变量,并且避免了与场景树或值函数近似相关联的通常近似。相反,它引入了设计和调优参数化的离线挑战。我们说明了使用一系列的应用程序设置的想法,并展示了它的使用在一个非平稳的能量存储问题与滚动预测。
2022-01-01 cs.AI math.OC
A Single-Loop Minorized Dual Decomposition Method for Nonsmooth Multi-Stage Stochastic Programming
Nanjing Normal University(南京师范大学);Sun Yat-sen University(中山大学)
针对非光滑复合目标的多阶段随机规划问题,提出一种单循环最小化对偶分解方法,利用阶段和场景可分解结构,通过对称高斯-赛德尔交替方向乘子法更新,实现全局收敛和并行计算。
2026-06-19 math.OC
An Adaptive Sampling-based Progressive Hedging Algorithm for Stochastic Programming
本文提出一种基于自适应采样的渐进对冲算法,通过动态选择情景子问题数量、自适应序贯采样、随机共轭次梯度方向和线搜索更新对偶变量,克服传统PHA的计算瓶颈并提升可扩展性。
2025-03-12 math.OC
Reinforcement Learning via Parametric Cost Function Approximation for Multistage Stochastic Programming
在研究文献中,解决随机资源分配问题的最常见方法是使用价值函数(“动态规划“)或情景树(“随机规划“)来近似现在的决策对未来的影响。相比之下,通常的行业惯例是使用确定性的未来近似,这更容易理解和解决,但被批评为忽视不确定性。我们表明,一个确定性的前瞻的参数化版本可以是一种有效的方式来处理不确定性,同时享受计算简单的确定性前瞻。我们提出的参数化前瞻模型作为一种形式的政策解决随机基础模型,这是用来作为优化的参数化政策的基础。这种方法可以处理复杂的、高维的状态变量,并且避免了与场景树相关联的通常的近似。我们正式这种方法,并证明其使用的背景下,一个复杂的,非平稳的能量存储问题。
2020-01-02 math.OC
Robust Energy System Design via Semi-infinite Programming
针对可再生能源不确定性下能源系统优化易忽略极端场景的问题,提出基于半无限规划、结合自适应离散化算法与主成分分析降维的鲁棒设计方法,可处理非凸运行问题,但计算量大、仅适用于小规模场景。
2025-05-21 math.OC
DDKSP: A Data-Driven Stochastic Programming Framework for Car-Sharing Relocation Problem
Concordia University(康考迪亚大学);Shenyang Aerospace University(沈阳航空航天大学);Ericsson INC.(爱立信公司)
汽车共享问题是共享经济中的一个热门研究领域。本文研究了需求不确定条件下的汽车共享搬迁问题。通常情况下,真实的客户需求遵循复杂的概率分布,无法用参数方法描述。为了克服这个问题,一个创新的框架,称为数据驱动的核随机规划(DDKSP),集成了非参数的方法-核密度估计(KDE)和两阶段的随机规划(SP)模型提出。具体地说,概率分布是从历史数据的KDE,这是用来作为输入的不确定性参数SP。此外,CSRP制定为一个两阶段SP模型。同时,采用样本平均近似(SAA)的蒙特卡罗方法和Benders分解算法对大规模最优化模型进行求解。最后,基于纽约出租车出行数据集的数值实验验证表明,所提出的框架优于纯参数方法,包括高斯,拉普拉斯和泊松分布的3.72%,4.58%和11%的总利润。
2020-01-20 cs.LG eess.SP math.OC
Ergodic Approach to Robust Optimization and Infinite Programming Problems
在这项工作中,我们展示了一种方法的一致性,用于解决强大的最优化问题,使用遍历保测变换产生的子问题序列。本文的主要结果是子问题的极小值和最优值在某种意义下分别收敛于原问题的极小值和最优值。我们的结果特别暗示了情景方法对于非凸最优化问题的一致性。最后,我们表明,我们的方法也可以用来解决无限规划问题。
2020-09-10 math.OC
Relationship between stochastic maximum principle and dynamic programming principle under convex expectation
本文研究G-期望支配的一致凸期望下正倒向控制系统的最大值原理与动态规划原理的关系,推导了值函数光滑时二者在参考概率下的关联,以及非光滑时任意时刻t的值函数一阶次/超喷射,指出该情形比t=0时更难处理。
2024-09-17 math.OC
Optimization under Uncertainty in the Era of Big Data and Deep Learning: When Machine Learning Meets Mathematical Programming
Cornell University(康奈尔大学)
本文通过现代数据镜头回顾了不确定性优化领域的最新进展,强调了数据驱动优化的关键研究挑战和前景,该优化将机器学习和数学规划有机地集成到不确定性决策中,并确定了潜在的研究机会。首先简要回顾了经典的数学规划技术对冲不确定性,以及它们在过程系统工程中的广泛应用。然后对数据驱动的分布鲁棒优化、数据驱动的机会约束规划、数据驱动的鲁棒优化和数据驱动的基于分布鲁棒优化的相关出版物进行了全面的回顾和分类。本文还为未来的研究确定了丰富的途径,重点是闭环数据驱动的优化框架,该框架允许从数学编程到机器学习的反馈,以及利用深度学习技术的力量进行基于神经网络的优化。展望在线学习基于数据驱动的多级优化与学习,同时优化计划。
2019-04-03 cs.LG math.OC stat.ML
On Finding the Community with Maximum Persistence Probability
本文针对最大持久概率社区难以高效计算的问题,建立可转化为混合整数线性规划的整数分数规划模型,并提出随机贪婪上升、局部交换、可变邻域搜索与随机重启等启发式算法,在模拟图和真实网络上验证其有效性。
2022-06-17 econ.GN math.OC q-fin.EC
Topological Approximate Dynamic Programming under Temporal Logic Constraints
在本文中,我们开发了一个拓扑近似动态规划(TADP)方法规划随机系统建模为马尔可夫决策过程,以最大限度地满足线性时态逻辑(LTL)表示的高层次系统规格的概率。我们的方法包括两个步骤:首先,我们提出将规划问题分解为一系列的子问题的基础上的任务自动机的拓扑性质,这是从LTL约束。其次,我们扩展了一个无模型的近似动态规划方法的价值iterationto解决,在一个顺序相反的因果关系依赖的valuefunctions,一个为每个状态的任务自动机。特别是,我们表明,TADP的复杂性不增长多项式的产品马尔可夫决策过程(MDP)的大小。通过机器人运动规划实例验证了算法的正确性和有效性。
2019-09-26 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
Risk-Averse Models in Bilevel Stochastic Linear Programming
我们考虑两层线性问题,其中一些参数是随机的,领导者必须在此时此地的方式决定,而追随者有完整的信息。在这种情况下,领导者的结果可以用一个随机变量来建模,我们根据一些规律不变的凸风险度量来评估。在基本概率分布扰动下给出了定性稳定性结果。此外,对于期望,期望超额和上半恒等式,我们建立了Lipschitz连续性以及可微的充分条件。最后,对于有限离散分布,我们将双层随机问题转化为标准双层问题,并提出了双层线性问题的正则化格式。
2019-01-31 math.OC