Robust Permutation Flowshops Under Budgeted Uncertainty
本文研究预算不确定性模型下的鲁棒排列流水车间问题，通过将问题简化为多项式个名义问题实例，证明了该问题在双机时可多项式时间求解，在固定机器数时可多项式时间近似，并改进了运行时间对数因子。
2026-05-24 cs.DM cs.DS math.OC
On Recoverable and Two-Stage Robust Selection Problems with Budgeted Uncertainty
本文讨论了从$n$中选择$p$的问题，使它们的总费用最小。我们假设成本并不确切知道，而是源于一系列可能的结果。鲁棒恢复和两阶段模型的选择问题进行了分析。在两阶段问题中，在第一阶段选择最多$p$项，一旦在第二阶段发现场景，解决方案就完成了。在可恢复问题中，在第一阶段中选择一组$p$项，并且在场景揭示之后，可以在第二阶段中通过交换多达$k$项来修改。我们假设不确定成本是通过有界不确定集建模的，即，区间不确定性集合在其离散和连续变量中具有附加的线性（预算）约束。构造了连续有界不确定性的可恢复选择问题和两阶段选择问题的多项式算法，以及离散有界不确定性情况下的紧致混合整数公式。
2017-02-16 cs.CC cs.DS math.OC
Min-Max-Min Robustness for Combinatorial Problems with Discrete Budgeted Uncertainty
我们考虑具有成本不确定性的鲁棒组合最优化问题，决策者可以事先准备K个解决方案，并在真实成本被揭示后选择其中最好的。它也被称为最小-最大-最小鲁棒性（K-适应性的一种特殊情况），它是一个可行的替代方案，否则棘手的两阶段问题。本文假设的不确定性集考虑在任何情景下，成本向量的分量中至多有Gamma将高于预期，这对应于预算不确定性集的极值点。虽然经典的最小-最大问题预算的不确定性基本上是一样容易的基本确定性问题，它原来的最小-最大-最小问题是NPhhard的许多简单的组合最优化问题，并在一般情况下不可近似。因此，我们提出了一个整数规划制定解决问题，通过行列生成算法。虽然精确，这种算法只能处理小问题，所以我们提出了两个额外的算法，利用预算的不确定性结构。我们比较我们的行列生成算法和我们的背包和最短路径的科学文献中以前使用的实例，并发现，在短的计算时间内获得高质量的解决方案的算法。
2019-10-28 math.CO math.OC
Faster Algorithms for Min-max-min Robustness for Combinatorial Problems with Budgeted Uncertainty
我们认为强大的组合最优化问题，决策者可以作出反应的情况下，从一个有限集$k$解决方案。这种方法适用于不确定性下的判定问题，其中决策的实施需要准备基础。我们专注于的情况下，通过预算的不确定性集描述的一组可能的场景，并提供了三个算法的问题。第一个算法通过交替优化方法，以启发式方式解决了对偶问题，即非凸混合整数非线性规划（MINLP）。第二种算法通过专用的空间分支定界算法精确求解$k=2$的MINLP。第三种方法枚举$k$ -元组，依靠强边界来避免完全枚举。我们测试我们的方法，在以前的文献中使用的最短路径实例和随机生成的背包实例，并发现我们的方法大大优于以前的方法。许多以前无法在几小时内解决的问题现在可以在几分钟内解决，甚至更快。
2019-03-27 math.OC
Exact Methods for Solving k-Delete Recoverable Robust 0-1 Problems Under Budgeted Uncertainty
Eindhoven University of Technology（埃因霍温理工大学）；ESSEC Business School（法国高等经济商业学院）；RWTH Aachen University（亚琛工业大学）
本研究针对预算不确定性下的k-删除可恢复鲁棒0-1问题，提出四种重构及八种精确求解方法，并在分配和设施选址实例上验证其有效性。
2026-09-25 math.OC
Recoverable Robust Representatives Selection Problems with Discrete Budgeted Uncertainty
可恢复鲁棒优化是一个多阶段的方法，它是可能的调整后，不确定的成本情况下，揭示了第一阶段的解决方案。我们分析这种方法的一类选择问题。目的是从几个不相交的集合中选择固定数量的项目，以便在采取恢复行动后，最坏情况下的成本尽可能小。不确定性被建模为一个离散的预算集，对手可以增加固定数量的项目的成本。虽然以前已经研究过这个问题的特殊情况，但其复杂性仍然是开放的。在这项工作中，我们为缩小这一差距做出了一些贡献。我们证明了这个问题是NP-困难的，并确定了一个特殊的情况下，仍然可以在多项式时间内解决。我们提供了一个紧凑的混合整数规划配方和两个额外的扩展配方。最后，计算结果比较不同的精确解方法的效率。
2021-02-19 cs.CC math.OC
Dominance-based linear formulation for the Anchor-Robust Project Scheduling Problem
在加工时间不确定的项目调度问题中，锚-鲁棒项目调度问题是寻找一个最大完工时间有界的基线调度和一个开工时间有保证的最大工件集。该问题被证明是NP难的，即使预算的不确定性。在目前的工作中，我们设计的混合整数规划（MIP）配方，是有效的各种不确定性集，包括预算的不确定性。提出了一种新的解决方案之间的主导地位，导致MIP制定。我们进一步研究了问题的组合结构。预算的不确定性下的非平凡多项式的情况下展出，其中基于优势的制定产生一个多面体的整数解的表征。在更一般的情况下，优势为基础的配方被证明是紧密的比所有以前已知的配方。在数值实验中，我们研究了该公式在多项式情况下的实例上的表现，无论是预算的不确定性集还是涉及多个预算的更复杂的不确定性集。
2021-06-22 cs.DM math.OC
Robust Multicovers with Budgeted Uncertainty
本文提出的Min- $q$ -Multiset Multicover问题是Multiset Multicover问题的一种特殊形式。对于固定的正整数$q$，给出了有限基集$J$、$J$中每个元素的积分要求以及$J$的子集的集合.任务是选择集合的集合（允许多个选择），以使$J$中的每个元素至少被覆盖元素需求指定的次数。与多集多覆盖相反，在Min- $q$ -多集多覆盖中，每个所选子集最多只能覆盖其元素的$q$，允许多个选择。我们的主要重点是一个强大的版本的最小- $q$ -Multiset Multicover，称为鲁棒的最小- $q$ -Multiset Multicover，其中的需求，每个元素在$J$可能会在一个给定的时间间隔内与一个额外的预算约束约束的总和的需求。同样，任务是找到一个子集的选择，这是可行的所有容许的需求。我们表明，非鲁棒版本是NP-完全的$q$大于2，而强大的版本是强NP-困难的任何积极的$q$。此外，我们提出了两个解决方案的基础上产生的约束，并研究相应的分离问题。我们目前的计算结果，使用随机生成的实例，以及从定位急诊医生的问题出现的实例。
2018-12-13 math.CO math.OC
Robust Deterministic Policies for Markov Decision Processes under Budgeted Uncertainty
Research Center for Operations Management, KU Leuven（鲁汶大学运营管理研究中心）
本文针对LDST模型下MDP的鲁棒确定性策略计算，证明仅单个终端奖励偏离时最优确定性策略计算为NP-难，针对特殊情况提出常数因子近似算法，一般情况具强不可近似性与Σ₂^p-困难性。
2026-08-28 cs.DM math.OC
Combinatorial Optimization Problems with Balanced Regret
对于不确定性条件下的决策，最小最大后悔法已被确立为一种流行的方法来寻找鲁棒的解决方案。在这种方法中，我们将我们的解决方案的性能与我们提前知道真实场景的最佳性能进行比较。我们引入了一个概括的设置，使我们能够比较的解决方案，也受到不确定性，我们称之为平衡遗憾。使用预算的不确定性集，这允许决策者可以从更广泛的可能的替代方案中进行选择。我们分析这种方法的一般组合问题，提供了一个迭代的解决方案的方法和见解的解决方案的性质。然后，我们更详细地考虑了一种类型的选择问题，并表明，虽然经典的遗憾设置预算的不确定性集可以在多项式时间内解决，平衡遗憾问题成为NP-难。在使用随机和现实世界的数据计算实验中，我们表明，平衡的遗憾的解决方案提供了一个有用的权衡在经典的性能指标的性能。
2021-11-24 cs.DM cs.DS math.OC
A Robust Server-Effort Policy for Fluid Processing Networks
多类处理网络描述了一组服务器，这些服务器对不同的项目执行多类作业。一个有用的和易于处理的方法来找到这样的网络的最优控制是近似的流体模型，导致分离连续线性规划（SCLP）问题。显然，在这样的系统中的到达率和服务率受到固有的不确定性的影响。最近的一项研究解决了这个问题，制定了一个强大的对应SCLP模型与预算的不确定性，提供了一个解决方案的处理速率。该解决方案被转换为排序策略。但是，在服务器可以同时处理多个作业的情况下，无法实现排序策略。在本文中，我们建议在这些情况下使用一个资源分配政策，即每类服务器工作的比例。我们制定了鲁棒的对应物的处理率和服务器的努力不确定模型的四种类型的不确定性集：框，预算，单面预算，和多面体。我们证明了服务器工作量模型提供了一个更好的鲁棒解决方案比任何代数变换的处理率模型的鲁棒解决方案。最后，为了了解我们的新模型比处理速率鲁棒模型提高了多少，我们提供了一些数值实验的结果。
2022-09-06 math.OC
A Robust Optimization Approach for Scheduling with Uncertain Start-Time Dependent Costs
Universidad Miguel Hernández de Elche（埃尔切米格尔·埃尔南德斯大学）；University of Passau（帕绍大学）
本文研究了单机调度问题，旨在最小化受起始时间依赖成本影响的总成本。提出了一种两阶段鲁棒优化方法，考虑了预算不确定性集，证明了问题的NP难性和复杂性，并展示了在连续和离散预算不确定性下的求解方法。
2026-04-16 math.OC
Budgeted Robust Intervention Design for Financial Networks with Common Asset Exposures
Politecnico di Torino（都灵理工大学）
研究在金融网络中通过稳健干预设计来增强系统稳定性，通过线性规划解决最优缓冲分配问题，以提高抗风险能力和最小化系统损失。
2026-03-28 cs.CE math.OC q-fin.CP
On the Complexity of Robust Multi-Stage Problems in the Polynomial Hierarchy
研究了多阶段鲁棒最优化问题的计算复杂性。这些问题是用交替的最小/最大量词来表述的，因此自然落入多项式层次的更高阶段。尽管如此，几乎没有硬度结果相对于多项式层次是已知的。在这项工作中，我们研究了鲁棒两阶段可调和鲁棒可恢复优化预算的不确定性集的硬度。我们的主要技术贡献是引进了一种技术，专门证明$Σ^p_3$ -硬度等问题。我们强调连续和离散预算的不确定性之间的差异：在离散的情况下，确实是一个广泛的问题成为完整的第三阶段的多项式层次，特别是，这适用于TSP，独立集，顶点覆盖问题。然而，在连续的情况下，这不会发生，问题仍然存在于层次结构的第一阶段。最后，如果我们允许不确定性不仅影响目标，而且还影响多个约束，那么这种区别就会消失，甚至在连续的情况下，我们也会遇到层次结构第三阶段的困难。这表明，即使已经是NP完全的鲁棒问题仍然可以表现出列和行的不确定性之间的显着计算差异。
2023-03-21 cs.CC math.OC
Two-Stage Robust Optimization Problems with Two-Stage Uncertainty
我们考虑两阶段鲁棒最优化问题，这可以被看作是决策者和对手之间的博弈。在决策者确定部分解决方案后，对手从指定的不确定性集中选择一个场景。之后，决策者可以通过完成部分第一阶段解决方案来对这种情况做出反应。我们通过在第二决策阶段之后添加另一个对手阶段来扩展这种经典设置，这导致最小-最大-最小-最大问题，从而将两阶段设置进一步推向更一般的多阶段问题。我们专注于预算的不确定性集，并考虑连续和离散的情况。对于前者，我们表明，广泛的强大的组合最优化问题可以分解成多项式的许多子问题，可以解决在多项式时间的情况下，例如（\textsc{representative}）\textsc{selection}。对于后者，我们证明了一系列问题的NP-硬度，但注意到第一阶段和第二阶段对抗成本相等的特殊情况可以在多项式时间内解决。
2021-12-30 cs.DM cs.DS math.OC
Online Bipartite Matching with Advice: Tight Robustness-Consistency Tradeoffs for the Two-Stage Model
针对两阶段二分匹配问题，提出基于ALPS框架的插值方法，刻画一致性与鲁棒性的紧致权衡，并在合成与真实数据上达到最优性能。
2024-11-04 cs.DS math.OC
Benchmarking Problems for Robust Discrete Optimization
鲁棒离散最优化是一个非常活跃的研究领域，它考虑了决策准则、不确定集和潜在标称问题之间的大量组合。通常，一个鲁棒问题比其名义上的对应问题更难解决，即使它仍然处于相同的复杂性类别。为此，已经开发了专门的解决方案算法。为了进一步推动更强大的解决方案算法的开发，并促进方法之间的比较，一组基准实例是必要的，但到目前为止还没有。在本文中，我们提出了进一步实现这一目标，提出了几个实例生成程序的组合最小最大，最小最大遗憾，两阶段和可恢复的鲁棒性区间，离散或预算的不确定性集。除了超越简单的均匀抽样方法，这是事实上的标准产生的实例的抽样方法，也最优化模型构造硬实例被认为是。使用一个选择问题的名义地面问题，我们能够生成的实例是几个数量级更难解决比均匀采样的实例时，解决他们与一般的混合整数规划求解器。所有实例和生成器代码都可以在线获得。
2022-01-13 cs.DS math.OC
The robust selection problem with information discovery
本文研究带查询机制的多阶段鲁棒选择问题，证明两类变体均为NP难，并针对特殊查询集合给出多项式算法，对约束不确定情形提出混合整数线性规划重构并通过数值实验验证其性能。
2025-01-05 math.OC
Recoverable Robust Single Machine Scheduling with Polyhedral Uncertainty
本文研究了多面体不确定条件下的可恢复鲁棒单机排序问题，目标是最小化总的流水时间。在这种情况下，决策者必须确定一个第一阶段的时间表不确定的工件加工时间。然后，在实现这些处理时间之后，他们可以选择交换多达Delta不相交的工件对的位置，以获得第二阶段的时间表。我们首先制定这个调度问题使用一个通用的可恢复的强大的框架，在此之前，我们进一步详细研究的增量子问题。我们证明了最大权重匹配问题的一般结果，表明对于特定形式的边权重，匹配多面体可以完全由多项式的许多约束。我们使用这个结果，以获得一个基于匹配的紧凑制定的完整的问题。增量问题的进一步分析导致一个额外的基于分配的紧凑型配方。预算的不确定性集的计算结果比较我们提出的三个紧凑的模型的相对优势。
2022-03-07 cs.DM math.OC
Exploiting Uncertainty of Loss Landscape for Stochastic Optimization
University of Toronto（多伦多大学）
我们引入新的变种的动量，将方差的随机损失函数。方差表征跨i.i.d.的平均损失表面的局部特征的置信度或不确定性。由小批量定义的训练数据的子集。我们展示了损失函数的方差梯度的两个应用。首先，作为对常规动量更新的偏置，以鼓励跨小批量的损失函数的局部特征（例如，局部最小值）的一致性，以改进泛化和每个时期的累积训练进度。第二，作为在参数空间中“探索”的另一个方向，特别是对于非凸目标，在面对不确定性时，利用损失函数的乐观和悲观观点。我们还引入了一种新的数据驱动的随机正则化技术，通过参数更新规则，是模型不可知的，与任意架构兼容。我们进一步建立连接到概率分布的损失函数和增强策略梯度更新与RL中的基线。最后，我们将提出的动量的新变体纳入Adam，并根据我们在MNIST和CIFAR-10数据集上的实验，实证表明我们的方法提高了训练的收敛速度。
2019-05-30 cs.LG math.OC stat.ML
Exact and heuristic methods for Anchor-Robust and Adjustable-Robust RCPSP
针对加工时间不确定的资源受限项目调度问题，提出了锚定解的概念。定义了锚鲁棒RCPSP算法，用来计算一个具有有界最大完工时间和排序决策的基线调度问题，并给出了一个具有保证开工时间的最大工件子集，称为锚集。结果表明，可调鲁棒RCPSP从文献中适合锚定解决方案的框架内。锚定鲁棒RCPSP和可调整鲁棒RCPSP可以互相受益，找到最坏情况下的最大完工时间和锚定集的基线进度。锚定解决方案的专用图模型提出了预算的不确定性。紧凑的MIP重新制定的可调鲁棒RCPSP和锚鲁棒RCPSP。基于图模型设计了专用物流系统。对于这两个问题，建议MIP重新配方和启发式方法的效率进行评估，通过数值实验的基准实例。
2020-11-03 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
A faster exact method for solving the robust multi-mode resource-constrained project scheduling problem
针对工期不确定的多模式资源受限项目调度问题，提出了一种混合整数线性规划模型。我们认为一个两阶段的鲁棒优化方法，并找到解决方案，最大限度地减少最坏情况下的项目完工时间，同时假设活动持续时间位于预算的不确定性集。计算实验表明，这种易于实现的配方是许多倍，比目前的最先进的解决方案的方法，这个问题，同时解决超过40%以上的情况下，在相同的基准测试集的最优性。
2022-03-14 cs.DM math.OC
A compact reformulation of the two-stage robust resource-constrained project scheduling problem
研究了资源受限且工期不确定的项目调度问题。我们假设活动持续时间位于预算的不确定性集，并遵循一个强大的两阶段的方法，决策者必须解决资源冲突的问题的不确定性，但可以确定活动开始时间后，不确定的活动持续时间变得已知。我们引入了一个新的第二阶段的问题，这使我们能够得到一个紧凑的强大的对应完整的两阶段可调的鲁棒优化问题的重新制定。计算实验表明，这个紧凑的强大的对应可以解决使用标准的优化软件显着快于目前最先进的算法来解决这个问题，达到最优的几乎50%以上的情况下，在同一个基准集。
2020-04-14 cs.SY eess.SY math.OC
The complexity landscape of robust (integer) linear programming
LIRMM, University of Montpellier, CNRS（法国国家科学研究中心蒙彼利埃大学LIRMM实验室）；University of Amsterdam（阿姆斯特丹大学）；University of Passau（帕绍大学）
该研究系统分类静态、两阶段及K-适应性三类鲁棒优化问题的计算复杂性，证明其归属于多项式层次、实数存在理论或不可判定问题，还给出双层线性优化属NP类的另一证明及K-适应性的相关归约结论。
2026-11-10 math.OC
Robust Optimization Approaches for Routing and Scheduling of Multi-Skilled Teams under Uncertain Job Skill Requirements
我们考虑一个组合问题的团队和调度的多技能的员工，必须执行不确定的资格要求的工作。我们提出了两种建模方法，生成的解决方案是强大的可能的数据变化。这两种方法都使用预算不确定性的变量，其中资格要求的偏差受到约束。在第一种方法中，我们聚集不确定的约束，以确保目前在一个工作的工作资格的总数是不小于最坏情况下的值。我们表明，这些值可以预先计算，从而在一个强大的模型，与名义模型相比，几乎没有额外的复杂性。在我们的第二种方法中，我们绑定了所有作业的总体资格偏差。虽然这种方法是更复杂的，我们表明，它仍然是可以得到一个紧凑的问题制定使用线性规划制定的对抗性问题的基础上的动态程序。这两种方法的性能进行了分析，最初提供了一个确定性的问题版本的实例的测试床。我们的实验表明，所提出的方法在数据不确定性的存在下的有效性，并揭示了鲁棒性的代价和收益。
2020-10-31 math.OC
Integrating Hydrogen into Ontario's Energy Hub: A Robust, Carbon-Aware Framework for Power-Heat-Transport
University of British Columbia（不列颠哥伦比亚大学）；Dalhousie University（达尔豪斯大学）；University of Saskatchewan（萨斯喀彻温大学）
本文提出一种碳感知且抗不确定性的优化框架，通过混合整数线性规划模型协同优化电力、供暖、制冷和交通能源服务，并显式纳入氢能子枢纽，应用于加拿大安大略省，结果表明氢能大幅扩张且稳健解在保证可行性的同时带来约6.6-9.0%的成本溢价。
2026-05-25 math.OC
Robust strategic planning for mobile medical units with steerable and unsteerable demands
流动医疗队是配备医疗设备的定制车辆，用于在农村环境中提供初级保健。由于医疗保健单位可以很容易地重新安置，它们能够以需求为导向，灵活地提供当地卫生服务。在本文中，我们调查的MMU服务的战略规划，决定MMU操作网站应该建立在哪里，以及多久这些应该得到服务。为此，我们研究了MMU（SPMMU）的战略规划问题$-$，这是一个包含现有实践和两种类型患者需求的能力集覆盖问题：（i）可转向需求，代表通过集中预约系统寻求医疗服务的患者，并且可以在给定的考虑集内被引导到任何治疗设施;以及（ii）不可转向需求，代表步行-总是去最近的治疗机构就诊的患者。我们提出了一个整数线性规划的SPMMU，可以通过Benders分解和约束生成来解决。从这个配方开始，我们专注于不确定版本的问题，其中可操纵和不可操纵的需求建模为随机变量，可能会在一个给定的时间间隔内变化。利用鲁棒优化和对偶理论的方法，我们设计了精确的约束生成方法来解决区间和预算不确定性集的鲁棒对应。我们所有的结果转移到特定的会话SPMMU，我们评估我们的模型在计算研究的基础上，从德国农村初级保健系统产生的一组实例。
2020-05-22 math.OC
Symmetrized Sinkhorn-Gibbs Inference for Oscillatory Inverse Problems
University of New Mexico（新墨西哥大学）；Sandia National Laboratories（桑迪亚国家实验室）
针对振荡逆问题信号带符号无法直接应用经典最优传输的问题，提出对称Sinkhorn-Gibbs推断框架，提升了后验推断准确性与噪声鲁棒性。
2026-07-30 math.OC
Multi-agent learning under uncertainty: Recurrence vs. concentration
Stanford University（斯坦福大学）；Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、法国国家信息与自动化研究所、格勒诺布尔INP、LIG）
本文研究了在不确定性下多智能体学习的收敛性，发现强单调博弈中正则化学习的动力学可能无限次远离均衡，但总能返回附近并集中于该区域。
2025-12-09 cs.GT cs.LG math.OC
The value of randomized strategies in distributionally robust risk averse network interdiction games
条件风险价值（CVaR）被广泛用于解释极端损失情景下风险厌恶者的偏好。为了研究随机化在阻断博弈中的有效性，阻断者是风险和模糊厌恶的，我们引入了一个分布鲁棒的网络阻断博弈，阻断者随机化可行的阻断计划，以最小化最坏情况下的CVaR的流量相对于两个未知的分布的能力的弧和他的混合策略阻断弧。相反，流量参与者最大化网络中的总流量。通过引入预算不确定性集，控制模型的保守性，将拦截器的非线性问题转化为双凸优化问题。为了解决这个问题的任何给定的最优水平，我们设计了一个空间的分支定界算法，使用麦考密克不等式和减少重新制定线性化技术（RRLT），以获得凸松弛的问题。我们还开发了一个列生成算法来确定凸松弛的最佳支持，然后在坐标下降算法中使用，以确定上界。数值实验证明了空间分支定界算法的有效性和收敛性。此外，我们的数值实验表明，随机策略可以有显着更好的样本内和样本外的性能比最佳的确定性。
2020-03-17 cs.GT 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
Diffusion-Robust Optimization over Graphs
UC Berkeley（加州大学伯克利分校）；Inria Paris（法国国家数字科学研究所巴黎研究中心）
提出一种基于扩散的不确定性模型用于有向图上的鲁棒优化，其中边权扰动沿相邻边传播并满足节点守恒约束，分析了该拓扑感知不确定性对凸网络问题和组合图问题计算复杂度的影响。
2026-06-23 cs.CC cs.DM math.CO
