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
Semidefinite Programming For Chance Constrained Optimization Over Semialgebraic Sets
在本文中,“机会优化”的问题,其中一个目的是最大化的概率由多项式不等式定义的集合。这些问题,在一般情况下,非凸和计算困难。与发展系统的数值程序来解决这些问题的目的,凸松弛序列的措施和矩的理论的基础上,其序列的最优值收敛到原问题的最优值。事实上,我们提供了一个序列的半定方案的增加的维度,可以任意近似的解决方案的原始问题。为了能够有效地解决由此产生的大规模半定松弛,一阶增广拉格朗日算法实现。数值例子来说明所提出的方法的计算性能。
2015-05-09 math.OC
A Proximal DC Algorithm for Sample Average Approximation of Chance Constrained Programming
研究机会约束规划的样本平均逼近,将凸机会约束重构为凸差形式,提出近似DC算法,证明其收敛性及迭代复杂度,并通过数值实验验证了方法的竞争力。
2025-04-29 math.OC
Chance-Constrained Two-Stage Unit Commitment under Uncertain Load and Wind Power Output Using Bilinear Benders Decomposition
本文研究了考虑负荷和风力发电量不确定性的机组组合问题。UC问题被表述为一个机会约束的两阶段随机规划问题,其中机会约束用于限制负载不平衡的概率。除了传统的混合整数线性规划公式使用Big-M,我们提出了机会约束的双线性混合整数公式,然后推导出其线性对应的McCormick线性化方法。然后,我们开发了一个双线性变形的Benders分解方法,这是一个易于实现的算法,以解决由此产生的大规模线性对应。对典型IEEE系统的仿真结果表明:(i)双线性混合整数规划公式比传统公式更强;(ii)Benders分解算法比直接使用专业求解器计算线性和双线性机会约束UC模型快数量级.
2016-11-27 math.OC
0/1 Constrained Optimization Solving Sample Average Approximation for Chance Constrained Programming
Beijing Jiaotong University(北京交通大学);Shandong University of Technology(山东理工大学);Imperial College London(伦敦帝国学院)
本文提出一种新的方法直接解决机会约束规划的样本平均近似问题,通过建立Bouligand切线和Fréchet正法锥,推导出最优性条件,并设计出具有局部超线性或二次收敛性的半光滑牛顿算法。
2026-04-16 math.OC
Joint Chance Constrained Optimal Control via Linear Programming
本文提出有限时域联合机会约束最优控制的线性规划形式,可处理不变性、可达性和到达—规避规范,并在有限空间中给出精确且更高效的求解,在连续空间中支持基函数近似。
2024-05-18 cs.SY eess.SY math.OC
A Scalable Stochastic Programming Approach for the Design of Flexible Systems
我们研究的问题,设计系统,以尽量减少成本,同时满足给定的灵活性目标。灵活性是通过强制执行联合机会约束,这确保了系统将表现出可行的操作与给定的目标概率水平。不幸的是,联合机会约束是复杂的数学对象,经常需要重新制定使用混合整数规划(MIP)技术。在这项工作中,我们投的设计问题作为一个冲突解决问题,寻求最小化成本,同时最大限度地提高灵活性。我们提出了一个纯粹的连续放松这个问题,提供了一个显着更具可扩展性的方法相对于MIP方法,并表明制定提供的解决方案,密切接近原始联合机会约束问题的帕累托集。
2021-06-24 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
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
A Joint Chance-Constrained Stochastic Programming Approach for the Integrated Predictive Maintenance and Operations Scheduling Problem in Power Systems
维护计划在不确定性条件下的电力系统运行中起着关键作用,可以帮助系统运营商确保电网的可靠性和安全性。本文研究了一种考虑发电机和输电线路意外故障可能性的短期状态检修计划与运行调度问题。我们制定这个问题作为一个两阶段的随机混合整数规划的故障情况下采样的传感器驱动的剩余寿命分布的个别系统元素,而一个联合的机会约束组成的泊松二项式随机变量被引入到故障风险。由于其棘手性,我们开发了一个割平面法,以获得一个确切的重新制定的联合机会约束,提出了一个分离子程序,并得出更强的削减作为这个过程的一部分。为了解决大规模的情况下,我们推导出一个二阶锥规划的安全近似这个约束。此外,我们提出了一个基于分解的算法,实现了并行的方式来解决由此产生的随机程序,利用整数L形方法的功能和特殊结构的维护和操作调度问题,以获得更强的最优切割。我们进一步提出了预处理步骤的传输线流量约束,以确定冗余。为了说明我们的算法的计算性能和效率相比,更传统的维护方法,我们设计了一个计算研究,重点是每周计划与日常维护和每小时的运营决策,涉及详细的单位承诺子问题。我们的计算结果表明,各种IEEE实例的计算效率所提出的方法与可靠的和具有成本效益的维护和运营计划。
2022-01-11 math.OC
Distributionally Robust Chance Constrained Programming with Generative Adversarial Networks (GANs)
College of Engineering, Cornell University(康奈尔大学工程学院)
提出了一种基于深度学习的数据驱动最优化方法。提出了一种基于数据驱动的分布式鲁棒机会约束规划框架的生成对抗网络(GAN)。GAN是应用于充分提取分布信息的历史数据中的非参数和无监督的方式,没有先验近似或假设。由于GAN利用深度神经网络,可以学习复杂的数据分布和模式,并且可以高效准确地建模不确定性。分布鲁棒机会约束规划考虑了不确定参数的模糊概率分布。为了解决计算上的挑战,采用样本平均近似方法,所需的数据样本由GAN通过可微网络以端到端的方式生成。然后将该框架应用于需求不确定条件下的供应链优化问题。所提出的方法的适用性说明通过一个县一级的空间明确的生物燃料供应链在伊利诺伊州的案例研究。
2020-02-28 cs.LG math.OC stat.ML
Building Load Control using Distributionally Robust Chance-Constrained Programs with Right-Hand Side Uncertainty and the Risk-Adjustable Variants
供暖、通风和空调(HVAC)负荷的聚集可以提供储备以吸收挥发性的可再生能源,特别是太阳能光伏(PV)发电。在本文中,我们决定在不确定的光伏发电暖通空调控制计划,使用分布鲁棒机会约束(DRCC)建筑负荷控制模型下的两个典型的模糊集:基于矩和Wasserstein模糊集。我们推导出混合整数线性规划(MILP)下的DRCC问题的重新制定。特别是,对于Wasserstein模糊集,我们利用右手边(RHS)的不确定性,推导出一个更紧凑的MILP重新比通常已知的MILP重新与大M常数。所有的结果也适用于一般的个人机会约束与RHS的不确定性。此外,我们提出了一个可调整的机会约束的变体,以实现操作风险和成本之间的权衡。我们推导出Wasserstein模糊集下的MILP重构和基于矩集下的二阶锥规划(SOCP)重构。使用真实世界的数据,我们进行计算研究,以证明解决方案的方法和解决方案的有效性的效率。
2022-01-24 math.OC
Chance-Constrained Covariance Steering in a Gaussian Random Field via Successive Convex Programming
本文研究了在高斯随机场存在下,仿射反馈律的优化问题,该反馈律能明确地控制不确定系统状态的均值和协方差。空间相关的干扰连续近似相对于一个标称轨迹由一系列的联合高斯随机向量。标称控制输入的顺序更新通过凸优化计算,包括仿射状态反馈的效果,空间扰动的扰动效果,以及对闭环状态和控制的机会约束。所开发的方法应用于解决仿射反馈法,以最大限度地减少第99百分位数的$Δv$需要完成一个行星周围的随机扰动大气的aerocapture任务。
2022-01-17 cs.SY eess.SY math.OC
Active Set methods for solving large sample average approximations of chance constrained optimisation problems
针对机会约束规划的大样本 SAA 求解难题,本文提出 Active Set 方法,并通过投资组合选择及整数规划扩展验证其在大量情景下的效率与改进效果。
2023-07-23 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
Optimal Covariance Control for Stochastic Systems Under Chance Constraints
研究了随机离散线性时变系统在机会约束下的最优协方差控制问题。协方差转向是一个将系统状态高斯分布转向另一个高斯分布同时最小化费用函数的随机控制问题。据我们所知,协方差导向问题从来没有讨论过概率机会约束,虽然它是一个自然扩张。在这项工作中,首先,我们表明,不像没有机会约束的情况下,协方差导向与机会约束问题不能解耦的均值和协方差导向子问题。然后,我们提出了一种方法来解决的协方差转向机会约束问题,通过将其转化为一个半定规划问题。通过两个简单的数值模拟验证了所提出的算法。
2018-04-09 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
Risk-Aware Unit Commitment in District Heating Networks: Chance-Constrained and CVaR Optimization Under Demand Uncertainty
Zuse Institute Berlin(柏林祖斯研究所)
针对区域供热网络热需求不确定性,本文将CC和CVaR优化适配到混合整数机组组合问题,结合贝叶斯模型生成的热需求预测分布,通过真实与合成数据评估了两种鲁棒优化方法的性能。
2026-10-23 math.OC
Privacy-Preserving Convex Optimization: When Differential Privacy Meets Stochastic Programming
本研究结合随机机会约束规划与差分隐私,提出基于线性决策规则的凸优化隐私保护扰动策略,通过机会约束保障扰动可行性与概率差分隐私,纳入条件风险价值度量最优性损失容忍度,并通过分析与应用验证隐私特性。
2024-06-24 math.OC
A Gradient Guided Diffusion Framework for Chance Constrained Programming
School of Advanced Interdisciplinary Sciences University of Chinese Academy of Sciences(中国科学院大学先进交叉学科学院);Department of Mathematics Sichuan University(四川大学数学学院);Ministry of Education Key Laboratory of Mathematics and Information Networks School of Mathematical Sciences Beijing University of Posts and Telecommunications(教育部数学与信息网络重点实验室北京邮电大学数学学院)
本文提出GGDOpt,一种基于梯度引导扩散的优化框架,用于解决机会约束规划,通过采样重表述和噪声注入凸化,在合成数据和波形设计任务上优于现有方法,开销降低近80%。
2025-10-14 cs.LG math.OC
Learn Feasibility Once, Optimize All Objectives: Derivative-Free Diffusion Models for Chance-Constrained Programming
Beijing University of Posts and Telecommunications(北京邮电大学);Nankai University(南开大学);University of the Chinese Academy of Sciences(中国科学院大学);Southwest University of Finance and Economics(西南财经大学)
本文提出免导数扩散框架D$^3$Opt,通过一次学习机会可行结构并冻结为先验,结合退火粒子Feynman--Kac修正,实现固定机会约束下非凸非光滑目标的免重训优化。
2026-10-05 cs.LG math.OC
Convex Chance Constrained Model Predictive Control
本文研究受干扰多项式系统的机会约束模型预测控制问题。在这个问题中,我们的目标是找到最优控制输入给定的扰动动力系统,以最小化给定的费用函数受到概率约束,在有限的水平。所提供的控制律具有预定义的(低)未达到期望目标集的风险。基于测度和矩理论,给出了一系列有限半定规划,并证明了其解收敛于原问题的最优解。数值例子来说明所提出的方法的计算性能。
2016-05-03 math.OC
Robustifying Model Predictive Control of Uncertain Linear Systems with Chance Constraints
本文提出一种针对受机会约束的离散时间线性系统的鲁棒模型预测控制方法,通过计算多面体概率正不变集来收紧约束,仅需扰动均值和协方差,保证机会约束满足,且优化问题为标准严格二次规划。
2024-09-19 math.OC
Distributionally Robust Chance-Constrained Programs with Right-Hand Side Uncertainty under Wasserstein Ambiguity
我们考虑Wasserstein模糊集上随机右端分布鲁棒机会约束规划的精确确定性混合整数规划(MIP)重构问题.已知现有的MIP公式具有弱的连续松弛边界,因此,对于具有小半径或具有大问题大小的硬实例,基于分支定界的求解过程即使在数小时的计算时间之后也会遭受大的最优性间隙。这严重阻碍了DR-CCP范式的实际应用。出于这些挑战,我们进行了多面体的研究,以加强这些配方。我们揭示了DR-CCP和它的名义对应(样本平均近似),混合集,和强大的0-1规划之间的几个隐藏的连接。通过结合利用这些连接,我们提供了一个改进的配方和两类有效的不等式DR-CCP。我们测试的影响,我们的结果上的随机运输问题数值。我们的实验证明了我们的方法的有效性,特别是我们改进的配方和提出的有效的不等式显着减少整体解决方案的时间。此外,这使我们能够通过将解决时间从数小时减少到数秒来显着扩大可以在这种DR-CCP公式中处理的问题大小。
2020-12-07 math.OC
Computing Optimal Joint Chance Constrained Control Policies
本文针对有限时间范围内受联合机会约束的随机马尔可夫系统,通过引入二元状态增广动力学,提出基于动态规划的可证明最优且易于计算的策略求解方法。
2024-11-21 cs.SY eess.SY math.OC
Optimization of Distribution Network Configuration for Pediatric Vaccines using Chance Constraint Programming
在低收入和中等收入国家,数百万年轻人没有接种疫苗,因为冷链供应链效率低下导致疫苗供应不足。我们创建供应链网络设计和分销模式,以应对LMI国家疫苗供应链的独特特点和面临的挑战。这些模型反映了疫苗接种需求的不确定性及其对免疫接种的影响、疫苗接种的独特挑战(如开瓶浪费)、疫苗技术改进与免疫接种之间的相互作用以及免疫接种覆盖率与可用资源之间的权衡。目标是最大限度地提高完全免疫儿童的百分比和诊所的疫苗供应。我们的研究探讨了这两个指标如何受到三个因素的影响:供应链中的层级数量,疫苗瓶大小和新的疫苗技术。我们使用世界卫生组织赞助的尼日尔扩大免疫计划来测试这个模型。我们提出了许多意见和建议,以帮助LMI国家提高免疫覆盖率。
2020-06-09 math.OC stat.AP
A Decision Diagram Approach for the Parallel Machine Scheduling Problem with Chance Constraints
针对带机会约束的并行机调度问题,提出基于决策图的分解方法,通过主问题分配作业、子问题验证可行性并生成割平面,在多个实例中优于传统整数规划方法。
2025-04-29 math.OC
Chance-Constrained Control for Safe Spacecraft Autonomy: Convex Programming Approach
Purdue University(普渡大学);School of Aeronautics and Astronautics(航空与航天学院)
本文提出基于机会约束控制和凸规划的鲁棒路径规划框架,在概率约束下最小化成本,确保航天器在不确定性下安全自主运行,并通过地月空间交会和轨道维持示例验证。
2024-04-17 cs.RO cs.SY eess.SY
Stochastic and Chance-Constrained Conic Distribution System Expansion Planning Using Bilinear Benders Decomposition
二阶圆锥规划(SOCP)已被用于电力系统的各种应用,如运行和扩展规划建模。在本文中,我们提出了一个两阶段的随机混合整数SOCP(MISOCP)模型的配电系统扩展规划问题,考虑不确定性,也捕捉非线性交流潮流。为了避免由于一些极端情况而导致的昂贵的投资计划,我们进一步提出了一个可能导致成本效益解决方案的机会约束变体。为了解决计算的挑战,我们扩展了基本的Benders分解方法,并开发了一个双线性变量来计算随机和机会约束的MISOCP公式。一组数值实验来说明我们的模型和计算方法的性能。特别是,结果表明,我们的Benders分解算法在处理随机场景的数量级上大大优于专业的MISOCP求解器。
2017-04-01 math.OC
Conformal Predictive Programming for Chance Constrained Optimization
Thomas Lord Department of Computer Science, University of Southern California(汤姆斯·劳德计算机科学系,南加州大学);Department of Data Sciences and Operations, University of Southern California(数据科学与运营系,南加州大学)
提出共形预测编程(CPP)框架解决机会约束优化问题,利用随机变量样本和分位数引理转化问题,有独立校准步骤提供后验保证,能支持不同共形预测变体,案例研究证明其有效性及相较于情景方法的优势。
2026-07-10 cs.LG cs.SY eess.SY
Stochastic viability and dynamic programming
本文研究有限维空间中具有状态和控制约束的不确定离散动态非线性系统的随机控制问题。在确定性的情况下,可行性内核是已知的,这些问题的分析和可行的控制反馈的设计发挥了基本作用。在本文中,我们展示了如何一个随机的可行性内核和可行的反馈依赖于概率(或机会)的约束,可以定义和计算的动态规划方程。一个例子说明了大多数断言。
2010-02-05 math.OC
An Intersection Cutting Plane Algorithm for Chance-Constrained Programs with Finite Support
Clemson University(克莱姆森大学)
针对有限支撑机会约束规划中Big-M重构松弛弱、扩展性差的问题,提出两类交叉割及混合分离策略,在集成生产-分销规划实例上显著减少计算时间。
2026-09-29 math.OC
Chance-Constrained Optimization under Limited Distributional Information: A Review of Reformulations Based on Sampling and Distributional Robustness
机会约束规划(CCP)是最优化问题中最困难的一类,自20世纪50年代以来一直受到研究者的关注。在本调查中,我们关注的是只有有限的分布信息可用的情况,例如分布的样本或分布的时刻。我们首先回顾了最近的发展,在混合整数线性配方的机会约束规划,产生有限的离散分布(或样本平均近似)。我们强调成功的重构和分解技术,使解决方案的大规模的实例。然后,我们回顾了分布鲁棒CCP的积极研究,这是一个框架,以解决随机数据分布中的模糊性。我们审查的重点是可扩展的配方,可以很容易地实现与国家的最先进的优化软件。此外,我们强调CCP的流行与跨多个领域的应用程序的审查。
2022-02-13 math.OC
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
A Chance Constrained Information-Gap Decision Model for Multi-Period Microgrid Planning
提出了一种多周期微网扩展规划的机会约束信息差决策模型,该模型考虑了随机和非随机两类不确定性。MMEP的主要任务是确定微电网中分布式能源(DER)的最佳规模,类型选择和安装时间。在所提出的配方,信息差距决策论(IGDT)被应用到对冲非随机的不确定性的长期需求增长。然后,机会约束施加在操作阶段,以解决每小时的可再生能源发电量和负荷变化的随机不确定性。机会约束信息差决策模型的目标是在满足一组高概率操作约束的同时,最大化DER投资的稳健性水平。然而,IGDT和机会约束规划的结合使得计算变得非常具有挑战性。为了解决这一挑战,我们提出并实现了一个加强的双线性Benders分解方法。最后,通过简单和实际复杂微电网的算例研究,验证了所提规划模型的有效性。此外,我们的新的计算方法表现出优越的解决方案的能力和可扩展性。与直接使用专业的混合整数规划求解器相比,可以将计算时间减少几个数量级。
2017-08-24 math.OC
Chance Constrained Robust Portfolio Optimization when the Perturbations Follow Normal and Exponential Distributions
针对资产预期收益存在随机不确定性的投资组合优化问题,推导扰动服从正态与指数分布时的可计算鲁棒对应形式,并通过印度股市数据验证。
2023-11-08 math.OC
Maximum Optimality Margin: A Unified Approach for Contextual Linear Programming and Inverse Linear Programming
Stanford University(斯坦福大学);Imperial College London(帝国理工学院)
本文提出最大最优性间隔方法,通过下游优化的最优性条件设计机器学习损失函数,统一解决情境线性规划与逆线性规划问题,仅需最优解观测值,兼具计算效率与理论保证。
2023-05-28 cs.LG math.OC stat.ML
Unifying Chance-Constrained and Robust Optimal Power Flow for Resilient Network Operations
针对可再生能源不确定性下机会约束偏脆弱、鲁棒优化偏保守的问题,本文提出区分正常与不利运行状态的随机最优潮流统一模型,在IEEE-118和IEEE-300系统上验证了其兼顾安全性与经济性。
2024-05-07 math.OC
Distributionally Robust Complex Chance-Constrained Optimization
Université Paris-Saclay, CNRS, CentraleSupélec(巴黎萨克雷大学、法国国家科学研究中心、中央理工-高等电力学院)
针对复变量机会约束优化问题,提出基于复椭圆对称分布的密度模型及矩、支撑集、数据驱动的分布鲁棒框架,将约束转化为凸二阶锥问题,并利用copula理论处理联合概率约束。
2026-05-22 math.OC
Chance-constrained probability measure optimization
Tokyo University of Agriculture and Technology(东京农工大学);The University of Melbourne(墨尔本大学);Dalian University of Technology(大连理工大学);The Institute of Statistical Mathematics(统计数理研究所);Institute of Science Tokyo(东京科学大学)
本文提出CCPMO框架,证明其最优解可简化为两点概率测度,通过样本光滑近似法高效求解,经四旋翼控制示例验证,概率决策在满足安全约束时期望性能优于确定性方法。
2026-08-26 math.OC
Exploiting Overlap Information in Chance-constrained Program with Random Right-hand Side
Xiangtan University(湘潭大学);Beijing Institute of Technology(北京理工大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学)
本文提出基于支配的分支和重叠导向的剪枝技术,有效减少机会约束规划问题的搜索树规模,提升求解效率。
2026-01-27 math.OC
Globalized distributionally robust chance-constrained support vector machine based on core sets
针对数据总体的矩不确定性,本文提出基于核心集的全局化分布鲁棒机会约束SVM,给出半定规划重构与PCA近似,并通过实验验证其优势。
2025-05-15 math.OC
Contextual Reserve Price Optimization in Auctions via Mixed-Integer Programming
Rice University(莱斯大学);University of Chicago(芝加哥大学);Google Research(谷歌研究院)
我们研究的问题,学习线性模型设置拍卖底价,给定的上下文信息,以最大限度地提高卖方的预期收入。首先,我们表明,这是不可能解决这个问题,在多项式时间,除非\emph{Exponential Time Hypothesis}失败。其次,我们提出了一个强混合整数规划(MIP)制定这个问题,这是能够准确地建模的非凸和不连续的预期报酬函数。此外,我们表明,这种MIP配方是理想的(即最强的可能配方)的收入函数的一个单一的印象。由于它可以是计算昂贵的,以准确地解决MIP配方在实践中,我们还研究了其线性规划(LP)松弛的性能。虽然它可能在实践中工作得很好,我们表明,不幸的是,在最坏的情况下,LP松弛的最佳目标可以是O(样本个数)倍大于真正的问题的最佳目标。最后,我们提出了计算结果,显示MIP配方,随着其LP松弛,能够实现优越的在和出的样本性能,相比,国家的最先进的算法在真实和合成数据集。更广泛地说,我们相信这项工作提供了一个指标的优化方法,如MIP的强度,以准确地模拟机器学习问题中的内在不连续性。
2020-11-13 cs.LG math.OC
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
Approximate Dynamic Programming with Probabilistic Temporal Logic Constraints
在本文中,我们发展近似动态规划方法的随机系统建模为马尔可夫决策过程,给定软性能标准和硬约束的一类概率时态逻辑称为概率计算树逻辑(PCTL)。我们的方法包括两个步骤:首先,我们展示了如何将一类PCTL公式转换为机会约束,可以在随机系统规划过程中执行。其次,通过整合随机优化和熵调节动态规划,我们设计了一种新的轨迹采样的近似值迭代法迭代求解的上界的价值函数,同时确保PCTL规格满足的约束。特别地,我们证明了通过对轨迹的策略采样,可以实现近似和真值函数给出的上界之间的紧界。机器人运动规划实例验证了该方法的正确性和有效性。
2018-10-05 math.OC
Data-driven Chance-constrained Regulation Capacity Offering for Distributed Energy Resources
本文研究了在电力市场中,代表一组分布式能源(DER,例如插电式电动汽车)提供调节容量的策略聚合器的行为。我们的目标是最大限度地提高聚合器的收入,同时控制由于服务交付不佳而受到处罚的风险。为了实现这一目标,我们提出了数据驱动的风险规避策略,以有效地处理以下方面的不确定性:1)DER参数(例如,负载需求和灵活性)和2)亚小时调节信号(精确到每几秒一次)。我们设计了当天和小时前的策略。在前一天的模型中,我们开发了一个两阶段的随机程序来粗略地模拟上述不确定性,通过利用DER参数和次小时调节信号的新的聚合模型来实现计算效率。在小时前的模型中,我们制定了一个数据驱动的分布鲁棒的机会约束计划,明确地模拟上述不确定性。该方案可以有效地控制基于聚合者风险规避的监管服务质量。此外,它从经验数据中学习不确定参数的分布,使其在建模精度和鲁棒性成本方面优于现有技术(例如鲁棒优化或传统的机会约束规划)。最后,我们推导出一个圆锥曲线的安全近似,它可以有效地解决了商业求解器。数值实验验证了该方法的有效性。
2017-08-17 math.OC
Analytical Solution for Stochastic Unit Commitment Considering Wind Power Uncertainty with Gaussian Mixture Model
为了刻画可再生能源发电出力的随机特性,机会约束机组组合(CCUC)模型被广泛应用。传统的CCUC解析解通常基于简化的概率假设或忽略某些操作约束,否则采用基于场景的方法来近似概率,计算量大。本文采用高斯混合模型(GMM)来描述风电场之间的相关性及其预测误差的概率分布。在该模型中,保证了备用充足率和支路潮流边界等机会约束以预定的概率满足。为了解决这个CCUC问题,我们提出了一个基于牛顿法的程序来获取分位数和转换机会约束到确定性约束。因此,CCUC模型有效地解决了混合整数二次规划问题。在几个系统上进行了数值测试,以说明所提出的方法的效率和可扩展性。
2019-05-29 math.OC
A Unifying Convexification Framework for Chance-Constrained Programs with Finite Support via Bilinear Formulations over a Simplex
Edwardson School of Industrial Engineering, Purdue University(普渡大学爱德华森工业工程学院);Department of Industrial Engineering, Clemson University(克莱姆森大学工业工程系)
本文提出一种基于单纯形双线性公式的统一凸化框架,通过聚合技术强化机会约束规划混合集的松弛,其不等式覆盖基准实例凸包90%以上的面定义不等式,推进了相关多面体理解。
2026-08-12 math.OC
Distributionally Robust Control for Chance-Constrained Signal Temporal Logic Specifications
针对未知扰动下随机线性系统的 STL 机会约束控制,提出基于 Wasserstein 度量的分布鲁棒优化方法,并证明可保证用户指定置信水平。
2024-09-05 cs.SY eess.SY math.OC
A Real-Time Approach for Chance-Constrained Motion Planning with Dynamic Obstacles
University of Luxembourg(卢森堡大学);Interdisciplinary Centre for Security, Reliability and Trust(安全、可靠性与信任跨学科中心);ispace Europe(ispace欧洲公司)
不确定的动态障碍物,如行人或车辆,对具有安全保证的最佳机器人导航构成了重大挑战。以前的工作运动规划遵循两个主要的策略,以提供一个安全的边界上的障碍物的空间:多面体,如长方体,或非线性可微表面,如椭球体。前一种方法依赖于析取编程,它具有相对较高的计算成本,随着障碍物的数量呈指数增长。后一种方法需要局部线性化,以找到一个易于处理的机会约束的评估,这大大减少了剩余的自由空间,并导致过度保守的轨迹,甚至不可行。在这项工作中,我们提出了一种混合的方法,避免了这两种策略的陷阱,同时保持原来的安全保证。其关键思想在于获得一个安全的可微近似的析取机会约束约束的障碍。所得到的非线性优化问题不需要机会约束线性化和析取规划,因此可以有效地求解,以满足多障碍情况下的快速实时的【形】要求。我们通过数学证明,仿真和真实的实验验证了我们的方法与空中机器人使用非线性模型预测控制,以避免行人。
2020-05-07 cs.RO math.OC
ALSO-X and ALSO-X+: Better Convex Approximations for Chance Constrained Programs
在机会约束规划(CCP)中,决策者的目标是寻求违反不确定性约束的概率在预先设定的风险水平内的最佳决策。由于CCP通常是非凸的,并且很难求解到最优解,人们一直致力于发展CCP的凸内近似,其中条件风险价值(CVaR)在过去十多年中一直被认为是最好的。本文研究并推广了最初由Ahmed,Luedtke,SOng和Xie(2017)提出的用于求解CCP的ALSO-X。我们首先表明,ALSO-X类似于一个双层优化,上层问题是找到最好的目标函数值,并执行CCP的可行性为一个给定的决定,从下层问题,和下层问题是最小化的期望约束违反上限的目标函数值提供的上层问题。这种解释促使我们证明,当不确定约束是凸的决策变量,ALSO-X总是优于CVaR近似。我们进一步证明了(i)ALSO-X可以恢复CCP的最优解的充分条件;(ii)CCP的等价双线性规划公式,启发我们用收敛交替最小化方法(ALSO-X+)增强ALSO-X;(iii)ALSO-X和ALSO-X+的扩展,以求解$\infty$ -Wasserstein模糊集下的分布鲁棒机会约束规划(DRCCP)。我们的数值研究表明所提出的方法的有效性。
2021-10-14 math.OC
A chance-constrained dial-a-ride problem with utility-maximizing demand and multiple pricing structures
经典的拨号乘车问题(DARP)的目的是设计最小成本的路由,以适应一组用户的请求下的约束条件下,在运营规划水平,用户的偏好和收益管理往往被忽视。在本文中,我们提出了一种机制,接受/拒绝用户请求的需求响应运输(DRT)的背景下,替代交通方式的代表效用的基础上。我们考虑效用最大化的用户,并提出了一个混合整数规划制定的机会约束的DARP(CC-DARP),捕捉用户的偏好,从长远来看,通过Logit模型。我们进一步引入基于类的用户组,并考虑各种DRT服务的定价结构。一个定制的本地搜索为基础的启发式解决建议CC-DARP。我们报告的数字结果DARP基准的实例和一个现实的案例研究的基础上,纽约市黄色出租车行程数据。在105个基准测试实例上进行的计算实验,最多有96个节点,使用建议的局部搜索启发式算法,平均最优性差距为2.69%。现实的案例研究结果表明,分区票价结构是优化收入和乘客量方面的最佳策略。拟议的CC-DARP制定提供了一个新的决策支持工具,在战略规划层面为DRT系统的收入和车队管理提供信息。
2020-11-17 math.OC
Chance-Constrained Optimization for Non-Linear Network Flow Problems
许多工程系统,如能源和交通基础设施,是由非线性物理定律支配的网络。这些网络运营商面临的主要挑战是在保持安全性和可行性的同时实现最佳利用率,特别是在系统模型存在不确定性的情况下。为了解决这个问题,我们制定了一个机会约束最优物理网络流(CC-OPNF)的问题,试图优化系统,同时满足安全限制的高概率。然而,代表网络物理的非线性等式约束引入了建模和优化挑战,这使得机会约束在其原始形式下在数值上难以处理。本文的主要贡献是提出了一种利用半定规划(SDP)获得对机会约束的易处理的多项式逼近的方法。该方法使用现有的半代数技术的组合,结合新的集操作的投影和体积计算提供保守的内部近似的机会约束。此外,我们开发了一个新的两步程序,以提高计算速度。虽然该方法适用于一般的物理网络流问题的多项式约束,我们使用的交流电网最优潮流问题作为一个例子来证明该方法的数值。
2018-03-07 math.OC math.PR
Strong Formulations for Distributionally Robust Chance-Constrained Programs with Left-Hand Side Uncertainty under Wasserstein Ambiguity
Wasserstein模糊集上的分布鲁棒机会约束规划(DR-CCP)具有吸引人的样本外性能,并允许基于大$M$的带圆锥约束的混合整数规划(MIP)重构.然而,随着样本量的增加,所得制剂经常遭受可扩展性问题。为了解决这个缺点,我们得到更强的配方,以及规模的样本量。我们的重点是在所谓的左手边(LHS)的不确定性,其中的不确定性参数的影响系数的决策变量的线性不等式定义的安全集下的模糊集。安全集定义中的不确定参数和可变系数之间的相互作用对加强原始大- $M$公式提出了挑战。通过利用名义机会约束规划和DR-CCP之间的联系,我们得到了强有力的配方显着增强。特别是,通过这种连接,我们得到了一个线性数量的有效的不等式,可以立即添加到配方,以获得改进的配方在原来的变量空间。此外,我们建议一个基于分位数的加强程序,使我们能够大大减少大$M$系数。此外,基于这个过程,我们提出了一个指数类的不等式,可以有效地分离内的分支和切割的框架。基于分位数的强化过程可能是昂贵的。因此,对于特殊情况下的覆盖和包装类型的问题,我们确定了一个有效的计划来执行这个过程。我们证明了我们提出的配方上的两类问题,即随机投资组合优化和资源规划的计算效率。
2021-01-13 math.OC