Distributionally Robust Model Predictive Control with Total Variation Distance
California Institute of Technology(加州理工学院)
研究了基于全变差距离模糊集的分布鲁棒模型预测控制问题。对于具有附加干扰的离散线性系统,我们提供了一个条件风险值的MPC优化问题,该问题在期望成本和机会约束下具有分布鲁棒性。分布鲁棒的机会约束被过度近似为一个更简单的,收紧的机会约束,减少了计算负担。数值实验支持我们的结果的概率保证和计算效率。
2022-06-24 cs.RO cs.SY eess.SY
A distributionally robust index tracking model with the CVaR penalty: tractable reformulation
提出一种带 CVaR 惩罚的分布鲁棒指数跟踪模型,将其重构为非光滑极小化问题并采用平滑投影梯度法求解,数值实验验证了其有效性与高效性。
2023-09-11 math.OC
Tractable Reformulations of Distributionally Robust Two-stage Stochastic Programs with $\infty-$Wasserstein Distance
在不确定性下的优化中,决策者在认识到不确定性之前首先选择观望政策,然后在观察到不确定性之后做出此时此刻的决策。两阶段随机规划是一种流行的不确定性优化建模范式,决策者首先指定一个概率分布,然后寻求最佳决策,以联合优化确定性的观望成本和期望此时此刻成本。在实践中,这样的概率分布可能不是完全可用的,但可能是通过经验数据集可观察到的。因此,本文研究了分布鲁棒两阶段随机规划(DRTSP)问题,该问题联合优化确定性观望成本和最坏情况此时此刻期望成本,其概率分布来自于一个以经验分布为中心的分布族,该分布族采用$\infty-$ Wasserstein度量.在推导DRTSP中最坏情况下此时此刻的期望成本的易处理的近似值方面已经有了成功的发展。不幸的是,有限的结果精确易处理的重新制定的DRTSP。本文填补了这一空白,提供了充分条件下,最坏情况下的期望此时此刻的成本在DRTSP可以有效地计算通过一个易于处理的凸规划。通过探索二进制变量的属性,开发的重构技术扩展到二进制随机参数的DRTSP。本文中的主要易处理的重构被投影到原始决策空间,因此可以被解释为传统的两阶段随机规划下的离散支持与额外的惩罚条款,加强鲁棒性。通过复杂性分析进一步证明了这些结果的尖锐性。
2019-08-22 math.OC
Security Constrained Optimal Power Flow with Distributionally Robust Chance Constraints
波动的可再生能源馈入量的增加和市场自由化增加了电力系统运行的不确定性。为了捕捉波动的影响,在运行规划,我们建模的不确定性的输入作为随机变量的预测误差,并制定了一个安全约束的最优潮流使用机会约束。机会约束限制了违反技术约束(如发电和输电限制)的概率,但需要一个易于处理的重新表述。在本文中,我们讨论了不同的机会约束的分析重新制定的基础上,一组给定的假设有关的预测误差分布。特别是,我们讨论了不假设一个正态分布,并承认一个分析的重新制定只给一个均值向量和协方差阵。我们说明了我们的方法与IEEE 118总线系统的案例研究,从欧洲系统的实际数据的基础上。不同的重新制定方面取得的经验违规概率和运营成本进行了比较,这使我们能够提供一个建议,最合适的重新制定在一个最佳的潮流设置。对于大量的不确定性源,据观察,线流量和发电机输出的分布可以接近正常,即使功率注入不是正态分布。
2015-08-25 math.OC
An approach to the distributionally robust shortest path problem
在这项研究中,我们考虑的最短路问题,弧成本分布的不确定性。基本上,决策者试图最大限度地减少她的最坏情况下的预期损失超过一个模糊集(或家庭)的候选分布是一致的决策者的初始信息。模糊度集合由满足规定的关于弧的子集的线性一阶矩约束和关于特定弧的个体概率约束的所有分布形成。在一些附加的假设下,所得到的分布鲁棒最短路问题(DRSPP)承认等价的鲁棒和混合整数规划(MIP)的重新制定。鲁棒重构被证明是$NP$硬的,而没有一阶矩约束的问题被证明是多项式可解的。我们进行数值实验,以说明所考虑的方法的优点,我们还表明,MIP重新制定DRSPP可以有效地解决使用现成的求解器。
2021-03-12 cs.GT math.OC
Sinkhorn Distributionally Robust Optimization
School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院工业与系统工程学院);Department of Information, Risk, and Operations Management, University of Texas at Austin(德克萨斯大学奥斯汀分校信息、风险与运营管理系)
本文提出Sinkhorn分布鲁棒优化的凸对偶重构,并开发带偏次梯度的随机镜像下降算法求解,数值实验验证其优越性能。
2025-03-26 cs.LG math.OC stat.ML
Contextual Distributionally Robust Chance-Constrained Programs: Exact Reformulations and Valid Inequalities
The Hong Kong University of Science and Technology(香港科技大学)
本文针对上下文分布鲁棒机会约束规划提出精确MIP重构与有效不等式,利用Wasserstein距离和运输预算耦合特征,生成增强分位数割与秩不等式,显著缩小松弛间隙并加速求解。
2026-09-22 math.OC
Distributionally Robust Joint Chance-Constrained Optimal Power Flow using Relative Entropy
针对机会约束最优潮流问题,提出基于分布式鲁棒优化的精确重构算法,证明其样本外鲁棒性最优,并在IEEE基准系统上验证有效性。
2025-01-21 cs.SY eess.SY math.OC
Tractable reformulations of DRO problems over structured optimal transport ambiguity sets
本文针对多独立分量不确定性下的Wasserstein分布鲁棒优化问题,利用强对偶性推导可处理重构,并结合聚类策略控制复杂度,通过数值仿真验证了方法的有效性。
2025-04-09 math.OC
Distributionally Robust Joint Chance-Constrained Programming with Wasserstein Metric
在本文中,我们开发了一个精确的重新制定和一个确定性近似的分布鲁棒联合机会约束规划(DRCCP)与一般类的凸不确定性约束下的数据驱动Wasserstein模糊集。已知鲁棒机会约束可以保守地近似为最坏情况条件风险价值(CVaR)约束。结果表明,所提出的最坏情况CVaR近似模型可以转化为一个联合DRCCP的双凸约束最优化问题.然后,我们推导出一个凸松弛的近似模型,通过构造新的决策变量,使我们能够消除双凸项。具体地说,当约束函数是仿射的决策变量和不确定性,然后得到的近似模型是相当于一个易于处理的混合整数凸联合二进制DRCCP重新制定。数值结果表明了所提出的公式的计算有效性和优越性。
2022-09-05 math.OC
Wasserstein Distributionally Robust Look-Ahead Economic Dispatch
考虑了可再生能源发电量不确定的前瞻经济调度问题。这个问题的目标是最大限度地减少成本的传统能源发电受到不确定的操作限制。违反这些约束的风险必须低于具有与观察到的过去数据或预测类似的特征的概率分布族的给定阈值。我们提出了两个数据驱动的方法,基于两个新的数学重新制定这个分布式强大的判定问题。第一个是一个易处理的凸规划,其中的不确定性约束定义通过分布鲁棒条件风险值。第二个是一个可扩展的强大的优化程序,产生一个近似的分布鲁棒的机会约束LAED。IEEE 39节点系统的数值实验与真实的太阳能发电数据和预测说明了这些方法的有效性。我们讨论了系统运营商应该如何调整这些技术,以寻求所需的鲁棒性和性能的权衡,我们比较他们的计算可扩展性。
2020-10-31 cs.SY eess.SY math.OC
Data-driven Wasserstein distributionally robust generalized Nash equilibrium problems with heterogeneous uncertainty
Eindhoven University of Technology(埃因霍温理工大学)
针对含异质不确定性且分布未知的随机 Nash 均衡问题,提出基于 Wasserstein 模糊集的数据驱动鲁棒重构,给出有限样本保证、渐近一致性及有限维形式,并通过电力市场和 Nash-Cournot 博弈验证。
2026-10-30 cs.SY eess.SY math.OC
Maximum Mean Discrepancy Distributionally Robust Nonlinear Chance-Constrained Optimization with Finite-Sample Guarantee
本文的动机是解决开放问题的分布鲁棒机会约束规划(DRCCP)使用流行的Wasserstein模糊集。具体来说,这些程序的计算技术通常对约束函数进行限制性假设,并且Wasserstein模糊集的大小通常使用昂贵的交叉验证(CV)程序或保守的测量浓度界限来设置。相比之下,我们提出了一个实用的DRCCP算法使用内核最大均值差异(MMD)的模糊集,我们的术语MMD-DRCCP,处理一般的非线性约束,而不使用ad-hoc重构技术。MMD-DRCCP可以处理一般的非线性和非凸约束,具有已证明的有限样本约束满足保证的维数无关的$\mathcal{O}(\frac{1}{\sqrt{N}})$率,可通过一个实用的算法实现。我们进一步提出了一个有效的引导计划,在实践中构建尖锐的MMD模糊集,而不诉诸CV。在投资组合最优化问题和非凸约束的基于管道的分布鲁棒模型预测控制问题上,对算法进行了数值验证。
2022-04-25 cs.SY eess.SY math.OC
Distributionally Robust Regret Optimal Control Under Moment-Based Ambiguity Sets
School of Electrical and Computer Engineering, Cornell University(康奈尔大学电气与计算机工程学院)
本文研究了有限时间 horizon 的线性二次随机控制问题,设计了因果仿射控制策略以最小化模糊集内所有分布的最坏预期后悔,将其转化为可解的凸优化问题,并提出可扩展的投影子梯度方法进行计算。
2026-04-20 cs.LG cs.SY eess.SY
A Distributionally Robust Approach to Regret Optimal Control using the Wasserstein Distance
Cornell University(康奈尔大学)
针对未知随机扰动下的离散时间线性系统,本文基于 type-2 Wasserstein 分布球和最优传输对偶,将最坏情况期望遗憾控制转化为半定规划,并刻画最坏分布。
2023-08-16 cs.LG cs.SY eess.SY
Distributionally Robust Resource Allocation with Trust-aided Parametric Information Fusion
针对多数据源参考信息差异下的随机动态资源分配问题,提出基于信任辅助信息融合的分布鲁棒方法,可动态更新信任参数,等价转化为线性规划求解,能提升决策准确性且计算复杂度线性增长。
2024-11-03 cs.SY eess.SY math.OC
Exploiting Partial Correlations in Distributionally Robust Optimization
在本文中,我们确定偏相关信息结构,允许更简单的重新评估的最大期望值的混合整数线性规划的随机目标系数。为此,假设只有知识的平均值协方差阵条目限制到块对角模式,我们开发了一个减少半定规划公式,求解的复杂性,这是有关表征一个合适的投影凸包的集合$\{(\bold{x}, \bold{x}\bold{x}'): \bold{x} \in \mathcal{X}\}$其中$\mathcal{X}$是可行域。在某些情况下,这有助于有效的表示,导致多项式时间可解的实例,最显着的分布鲁棒的预约调度问题,随机作业持续时间以及计算紧边界的项目评估和审查技术(PERT)网络和线性分配问题。据我们所知,这是第一个例子的分配鲁棒性的优化配方的预约调度,允许一个紧多项式时间可解的半定规划重新明确捕获部分已知的不确定的处理时间之间的相关信息的工作被安排。
2018-10-24 math.OC
Distributionally Robust System Level Synthesis With Output Feedback Affine Control Policy
STAR Lab, TU Delft(TU Delft STAR 实验室)
本文提出一种基于输出反馈仿射控制策略的分布鲁棒系统级综合方法,以应对模型失配和随机扰动,并通过数值实验验证其鲁棒性。
2025-10-08 cs.SY eess.SY math.OC
A Unified Theory of Robust and Distributionally Robust Optimization via the Primal-Worst-Equals-Dual-Best Principle
本研究基于广义“原最坏等于对偶最优”原理构建鲁棒与分布鲁棒非线性优化的统一理论,建立两类问题的强对偶性与有限凸重构,推广了Wasserstein模糊集合的相关结果。
2023-07-19 math.OC
Learning-based distributionally robust motion control with Gaussian processes
Seoul National University(首尔国立大学)
安全是基于学习的机器人和自主系统中的一个关键问题,因为有关其环境的学习信息通常不可靠且不准确。在本文中,我们提出了一个风险意识的运动控制工具,是强大的对错误的学习分布信息与未知动态的障碍物移动。我们的模型预测控制(MPC)方法的显着特点是它的能力,限制不安全的风险,即使当真正的分布偏离高斯过程(GP)回归估计的分布,在一个模糊集。不幸的是,分布鲁棒MPC问题与GP是棘手的,因为最坏情况下的风险约束涉及到一个无限维的模糊集的优化问题。为了消除无限维的问题,我们开发了一个系统的重构方法,利用现代分布鲁棒优化技术。我们的方法的性能和效用,通过使用非线性汽车自动驾驶模型的模拟证明。
2020-03-05 cs.RO cs.SY eess.SY
A Positive Semidefinite Safe Approximation of Multivariate Distributionally Robust Constraints Determined by Simple Functions
本文针对基于多元简单函数的非凸分布鲁棒优化,提出一种正半定安全近似方法,通过离散化半无限对偶约束将其转化为可处理的混合整数正半定问题,并保证所得解的分布鲁棒性。
2025-06-06 math.OC math.PR
Distributional Robustness in Output Feedback Regret-Optimal Control
Department of Mathematics, University of Stuttgart(斯图加特大学数学系)
本文提出了一种分布鲁棒regret-最优控制方法,通过将问题转化为半正定规划并消除部分变量,以提高线性系统在存在扰动和噪声下的鲁棒性。
2025-08-13 cs.SY eess.SY math.OC
Using affine policies to reformulate two-stage Wasserstein distributionally robust linear programs to be independent of sample size
Wasserstein球上的两阶段分布鲁棒优化(DRO)问题作为一种有前途的数据驱动决策工具在理论上得到了深入研究,但实际上并不容易解决。部分原因是样本量较大。在这篇文章中,我们研究了一个一般的两阶段分布鲁棒线性规划(2-DRLP)的1-Wasserstein球使用仿射策略。2-DRLP具有矩形支撑的右手侧不确定性。我们的主要贡献是表明,2-DRLP问题有一个易于处理的重新制定的规模独立的样本量。重新制定的问题可以解决一个预定义的最优性公差使用强大的优化技术。为了减少不可避免的保守性的仿射政策,同时保持独立的样本量,我们进一步开发了一种方法,用于构建一个不确定性集的概率保证,Wasserstein球被重新定义。作为一个应用,我们提出了一种新的机组组合模型的电力系统下的不确定性的可再生能源发电的有效性,建议的2-DRLP技术。大量的数值实验表明,我们的模型导致更好的样本性能平均比其他国家的最先进的分布鲁棒机组组合模型,同时保持计算能力。
2022-12-31 cs.SY eess.SY 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 chance constrained Markov decision process with Kullback-Leibler divergence
本文研究具有随机回报和模糊分布的分布鲁棒机会约束马尔可夫决策过程,基于Kullback-Leibler散度模糊集推导了个体约束的易处理重构,并为联合约束设计了序列凸逼近与线搜索的混合算法,通过机器更换问题验证了有效性。
2023-07-29 math.OC
Avoiding Semi-Infinite Programming in Distributionally Robust Control Based on Mean-Variance Metrics
Toyota Central R&D Labs., Inc.(丰田中央研究所);Toyota Motor Corporation(丰田汽车公司)
本文提出了一种基于均方指标的分布鲁棒控制方法,通过引入惩罚项将DRC问题转化为均方优化问题,从而避免了无限规划的使用。
2026-03-10 cs.SY eess.SY math.OC
A dynamical neural network approach for distributionally robust chance constrained Markov decision process
针对分布鲁棒联合机会约束马尔可夫决策过程,本文利用对数变换推导确定性重构,并提出动态神经网络方法求解非凸优化问题,相比序列凸近似方法展现出更高效率。
2024-01-02 math.OC
A Primal Perspective on Distributionally Robust Optimization: An Investigation on Modeling and Solution Strategies
Department of Industrial Engineering, University of Pittsburgh(匹兹堡大学工业工程系)
该研究从原始视角提出BiCS算法框架,用于处理复杂结构下的分布鲁棒优化问题,实验表明其性能优异,可求解部分现有方法难以处理的情形。
2026-08-06 math.OC math.PR
Distributionally Risk-Receptive and Robust Multistage Stochastic Integer Programs and Interdiction Models
本文研究分布风险接受与鲁棒的多阶段随机混合整数规划,提出基于割平面和重构的有限收敛求解算法,计算表明割平面法速度提升超2400%,并验证了其在揭示网络漏洞和缓解数据损坏方面的作用。
2024-09-24 math.OC
Data-driven Variable Speed Limit Design for Highways via Distributionally Robust Optimization
针对高速公路交通拥挤、车辆到达和离开不确定的情况,提出了一个变限速控制的最优化问题(P)及其求解策略。通过采用有限的数据集的不确定变量的样本,我们的目标是找到一个数据驱动的解决方案,有保证的样本外的性能。原则上,这样的公式导致一个棘手的问题(P)的不确定性变量的分布是未知的。通过采用分布式鲁棒优化方法,这项工作提出了一个易于处理的(P)和一个有效的算法,提供了一个次优的解决方案,保留了样本外的性能保证。仿真结果表明了该方法的有效性。
2018-10-26 cs.SY eess.SY math.DS
Data-driven Multistage Distributionally Robust Linear Optimization with Nested Distance
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文研究基于嵌套距离的多阶段分布鲁棒线性优化,通过推导等价的递归形式和动态规划重构,解决了非凸极小极大问题,并调和了静态与动态建模框架。
2024-07-23 cs.LG math.OC math.PR
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
Distributionally Robust Federated Learning with Multi-Source Data
Peking University(北京大学);University of Groningen(格罗宁根大学)
针对联邦学习中客户端混合比例未知及客户端内分布模糊问题,提出构建全局模糊集并开发联邦算法,提供样本外性能保证并验证有效性。
2026-09-18 cs.LG math.OC
A dynamic game approach to distributionally robust safety specifications for stochastic systems
University of Southern California(南加州大学)
本文提出了一种新的安全规范方法,该方法对扰动概率分布的误差具有鲁棒性。通过动态博弈方法构建安全策略,识别非随机化马尔可夫策略最优的条件,并开发了一种在对扰动分布了解有限的情况下设计安全导向的随机控制器的方法,同时在概率意义上确保安全。
2017-01-31 cs.SY eess.SY math.OC
Nash equilibrium seeking for a class of quadratic-bilinear Wasserstein distributionally robust games
针对智能体构建异构数据驱动 Wasserstein 模糊集的分布鲁棒纳什均衡问题,将其转化为有限维变分不等式,并提出基于黄金比例的两种算法求解,仿真验证了其高效性。
2025-07-17 cs.MA cs.SY eess.SY
Fast Epigraphical Projection-based Incremental Algorithms for Wasserstein Distributionally Robust Support Vector Machine
The Chinese University of Hong Kong(香港中文大学);Nanjing University(南京大学)
Wasserstein \textbf{D}迭代\textbf{R} obust \textbf{O}优化(DRO)关注的是找到对数据执行良好的决策,这些数据是从以某个名义分布为中心的Wasserstein球内的最差情况概率分布中得出的。近年来,已经表明,各种DRO公式的学习模型承认易处理的凸重构。然而,大多数现有的作品提出解决这些凸的通用求解器,这是不适合处理大规模的问题。在本文中,我们专注于一个家庭的Wasserstein分布鲁棒支持向量机(DRSVM)的问题,并提出了两种新的epigraphical投影为基础的增量算法来解决这些问题。这些算法的每次迭代中的更新可以以高效的方式计算。此外,我们证明了本文考虑的DRSVM问题满足显式确定的增长指数的Hölderian增长条件。因此,我们能够建立所提出的增量算法的收敛速度。我们的数值结果表明,所提出的方法是数量级的速度比国家的最先进的,性能差距增长相当大的问题规模的增加。
2020-10-24 cs.LG math.OC stat.ML
Integer Programming Approaches for Distributionally Robust Chance Constraints with Adjustable Risks
本文研究Wasserstein模糊性下具有可调风险容差的分布鲁棒机会约束规划,针对由此产生的NP-hard问题,为左右侧不确定性推导了混合整数规划重构及有效不等式,并通过多规模实例验证了方法有效性。
2024-07-24 math.OC
Data-driven distributionally robust MPC using the Wasserstein metric
提出了一种基于分布鲁棒优化的数据驱动MPC方案,用于安全控制约束随机线性系系统。基于Wasserstein度量的分布鲁棒约束被施加到存在过程扰动的状态约束违反。一个反馈控制法律解决,以保证预测的状态符合约束。关于Wasserstein球内以其离散经验概率分布为中心的最坏情况分布,满足随机约束。所得到的分布式鲁棒MPC框架是计算上易处理的和高效的,以及递归可行的。这种方法的创新之处在于,所有关于不确定性的信息都可以从数据中凭经验确定。通过数值算例验证了该方法的有效性。
2021-05-18 cs.SY eess.SY math.OC
Data-driven joint optimization of maintenance and spare parts provisioning: A distributionally robust approach
针对预测模型估计的剩余寿命分布不准确问题,提出分布鲁棒机会约束(DRCC)公式及MILP重构,协调状态维护与备件供应,在风电案例中优于随机规划和鲁棒优化基准。
2025-07-10 math.OC
Workload Balancing Among Heathcare Workers Under Uncertain Service Time Using Distributionally Robust Optimization
医疗保健系统正面临着严峻的挑战,在平衡其人力资源,以应付不稳定的服务需求,同时提供必要的工作满意度的医护人员。在本文中,我们提出了一种分布鲁棒优化配方,以产生一个任务分配计划,促进分配的公平性,达到减少工人之间的总工作时间的差异,在不确定的服务时间。建议的联合机会约束模型是保守的近似的最坏情况下的条件风险值,我们设计了一个顺序算法来解决有限维的线性(混合二元)最优化问题的重新制定。当随机向量的支撑集为超矩形时,我们给出了一个显式公式。合成数据的实验表明,我们的方法有希望的结果。
2021-03-06 math.OC
Distributionally Robust Variance Minimization: Tight Variance Bounds over $f$-Divergence Neighborhoods
分布鲁棒优化(DRO)是一种广泛使用的框架,用于在随机性和模型形式不确定性的情况下优化目标泛函。许多DRO问题的实际解决方案中的关键步骤是对所选模型模糊度集(通常是无穷维的)的优化进行易于处理的重新表述。以前的工作已经解决了这个问题的情况下,目标功能是一个期望值。在本文中,我们研究的目标泛函是一个期望值和方差惩罚项的总和。证明了相应的方差惩罚DRO问题在$f$ -发散邻域上可以转化为有限维凸优化问题。该结果还提供了对方差的严格的不确定性量化界限。
2021-04-20 math.OC math.PR
Three-Layer Joint Distributionally Robust Chance-Constrained Framework for Optimal Day-Ahead Scheduling of E-mobility Ecosystem
交通运输部门中大量的电动汽车(EV)需要一个先进的调度框架,用于整个电动汽车生态系统的运营,以克服里程焦虑并为充电站(CS)创建可行的商业模式。该框架必须考虑到所有利益相关者运营的随机性,包括电动汽车司机,CS和零售商及其相互作用。本文提出了一种三层联合分布式鲁棒机会约束(DRCC)模型,用于规划电动汽车生态系统日前的G2V和V2G运行。所提出的随机模型不依赖于随机参数的特定概率分布。为了解决这个问题,提出了一个迭代过程中使用联合DRCC制定。为了实现计算的可追溯性,精确的重新实现双边和单边的机会约束(CC)。此外,时间相关性的不确定光伏发电的CS运行的影响。基于美国旧金山的真实数据,对一个由3家零售商、9家CS和600辆电动汽车组成的生态系统进行了仿真研究。仿真结果表明,这种调度方法的必要性和适用性的电动汽车生态系统在一个不确定的环境,通过将未能到达目的地的独特电动汽车数量从272减少到61。
2021-10-23 cs.SY eess.SY math.OC
Distributionally Robust Bootstrap Optimization
复杂工程系统的控制架构和自治堆栈通常被划分为多个层,以将复杂问题和解决方案分解为不同的、可管理的子问题。为了简化设计,不确定性往往被忽略跨层,这种方法深深植根于分离和确定性等价的经典概念。但是要开发健壮的架构,特别是当数据驱动的学习层和基于模型的决策层之间的交互变得更加复杂时,需要更复杂的层间接口。我们提出了一个基本的架构,耦合的统计参数估计层与约束优化层。我们展示了如何层可以紧密结合,通过结合引导响应与分布鲁棒优化。该方法允许有限数据的样本外的安全保证和一个精确的重新制定为一个易于处理的有限维凸优化问题。
2021-12-27 math.OC stat.AP
Data-Driven Bayesian Nonparametric Wasserstein Distributionally Robust Optimization
本研究提出数据驱动的贝叶斯非参数Wasserstein分布鲁棒优化框架,结合贝叶斯非参数方法与Wasserstein度量构建数据驱动模糊集,证明其有限样本保证与渐近一致性,推导等价可解重构形式,经机组组合实验验证其有效性优于现有方法。
2023-11-06 math.OC
Distributionally Robust Covariance Steering with Optimal Risk Allocation
本文将离散时间线性随机系统的最优协方差控制问题推广到基于矩模糊集的离散时间线性随机系统。为了在执行协方差操纵的同时对冲状态分布中的不确定性,在风险的最优分配期间采用分布鲁棒风险约束。具体而言,分布式鲁棒迭代风险分配(DR-IRA)的形式主义是用来解决CS问题的最优风险分配问题,使用两个阶段的方法。DR-IRA的上层是一个凸问题,优化的风险,而下层优化控制器与新的分布鲁棒风险约束。所提出的框架的结果在解决方案中,是强大的任意分布在所考虑的模糊集。最后,我们使用数值模拟证明我们提出的方法。通过分布式鲁棒性的镜头解决协方差转向问题标志着本文的新贡献。
2022-11-07 cs.SY eess.SY math.OC
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题,通过累积数据逐步优化轨迹代价与安全性,证明了递归可行性与收敛性,并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
Structured ambiguity sets for distributionally robust optimization
本文针对数据驱动分布鲁棒优化中的维数灾难问题,利用不确定性低维分量间的独立性构造结构化模糊集,使其随样本量增加更快收缩,从而降低决策保守性,并提供了统计保证与对偶重构。
2023-10-31 math.OC
Unifying Distributionally Robust Optimization via Optimal Transport Theory
Stanford University(斯坦福大学);EPFL(洛桑联邦理工学院);Sauder School of Business, University of British Columbia(不列颠哥伦比亚大学 Sauder 商学院);Booth School of Business, University of Chicago(芝加哥大学 Booth 商学院)
本文通过最优传输理论与条件矩约束,提出统一分布鲁棒优化的框架,结合对抗分布扰动似然比和结果,提升优化方法的实用性。
2025-12-19 math.OC stat.ML
Data-driven distributionally robust MPC for systems with uncertain dynamics
针对未知离散线性定常系统受未知和可能无界的附加不确定性影响的问题,提出了一种新的数据驱动分布鲁棒模型预测控制方法.我们使用离线收集的数据和动力学的近似模型,制定一个有限时间的最优化问题。为了考虑到与动态和干扰作用于系统的不确定性,我们诉诸于一个分布鲁棒的制定,优化成本预期,同时满足条件风险价值约束的最坏情况下的概率分布的不确定性内的模糊度定义使用Wasserstein度量。利用分布鲁棒优化文献的结果,我们得到了一个易于处理的有限维凸优化问题,有限样本保证类凸分段仿射成本和约束函数。一个简单的数值例子上的闭环仿真证明了所提出的算法的性能。
2022-09-19 cs.SY eess.SY math.OC
Cardinality-constrained Distributionally Robust Portfolio Optimization
研究了一个具有基数约束的分布鲁棒投资组合最优化模型。我们制定了这个模型作为一个混合整数半定优化(MISDO)问题,通过基于矩的资产收益率的概率分布的模糊集。为了精确求解大规模问题,提出了一种基于双层优化重构的割平面算法。我们证明了算法的有限收敛性。我们还将矩阵完成技术应用于较低级别的SDO问题,使其问题的规模小得多。数值实验表明,我们的切割平面算法是显着快于国家的最先进的MISDO求解器SCIP-SDP。我们还表明,我们的投资组合最优化模型可以获得良好的投资绩效相比,传统的鲁棒最优化模型的基础上的椭球不确定性集。
2022-12-21 cs.DS math.OC
A study of distributionally robust mixed-integer programming with Wasserstein metric: on the value of incomplete data
本研究针对带目标参数不确定性的线性MILP问题,同时考虑数据与分布不确定性,构建三层DRO模型,证明双仿射损失下可单层MILP重构,特定数据不确定性下可快速求解,并通过数值实验验证了模型性能与计算复杂度。
2024-03-05 cs.DM math.OC
Distributionally Robust Regret Optimal LQR with Common Stage-Law Ambiguity
Institute for Computational and Mathematical Engineering(计算与数学工程研究所)
本文研究了首个可解的多阶段事前分布鲁棒后悔优化框架,针对有限时间 horizon LQR 在共同阶段律不确定性下的控制问题,提出通过半正定规划求解的精确方法,并展示其在保留后悔保证的同时比传统DRO控制器更少保守。
2026-09-25 cs.SY eess.SY math.OC
Distributionally Robust Logistic Regression
本文提出了一种分布鲁棒的逻辑斯谛回归方法。我们使用Wasserstein距离在训练样本上以均匀分布为中心的概率分布空间中构造一个球。如果这个球的半径被明智地选择,我们可以保证它包含具有高置信度的未知数据生成分布。然后,我们制定了一个分布鲁棒的逻辑斯谛回归模型,最大限度地减少了最坏情况下的预期对数损失函数,其中最坏的情况下,在Wasserstein球的所有分布。我们证明,这个最优化问题承认一个易于处理的重新制定和封装的经典以及流行的正则化逻辑斯谛回归问题的特殊情况。我们进一步提出了一种基于Wasserstein球的分布式鲁棒方法来计算所得分类器的误分类概率的置信上限和置信下限。这些界限由两个高度易处理的线性规划的最优值给出。我们通过模拟和实证实验验证了我们的理论样本外保证。
2015-12-01 math.OC stat.ML
Is Noisy Data a Blessing in Disguise? A Distributionally Robust Optimization Perspective
本文提出通过Wasserstein球逆像在潜在分布上构建DRO模糊集,证明噪声数据可降低保守性、提升最优值并改善公平资源分配。
2025-09-01 cs.SY eess.SY math.OC