.png){kind=icon}
返回
Data-Driven Reliable Facility Location Design
.png){kind=icon}
PRE
AI
DOI：10.1287/mnsc.2021.02115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了在数据驱动环境下可靠（无容量限制）设施选址（RFL）问题，其中可以获得随机需求和中断的历史观测数据。由于RFL问题具有组合优化性质，且参数具有混合二元随机性，因此应用于数据驱动设置的当前先进RFL模型要么建议过于保守的解决方案，要么对于大型甚至中等规模问题在计算上变得不可行。在本文中，我们通过提出一个旨在平衡解决方案保守性与计算效率的创新性规范性模型来解决RFL问题。具体而言，我们的模型选择设施位置以最小化固定成本加上由易处理的数据驱动估计器近似得到的期望运营成本，该估计器等于不可处理的Kolmogorov分布鲁棒优化估计器的概率上限。我们的模型解通过求解一个不随训练数据规模增长的混合整数线性规划获得。我们的方法被证明是渐近最优的，并在数据有限的情况下为其样本外性能提供了理论保证。此外，我们讨论了在面临具有协变量信息的数据时我们方法的适应性。数值结果表明，我们的模型在样本内和样本外性能以及计算效率方面显著优于几个重要的RFL模型。
Keyword:
facility location
supply chain disruption
data-driven optimization
prescriptive analytics
期刊
IF:
4.9
论文数:
794
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Facility Location Decisions with Random Disruptions and Imperfect Estimation具有随机中断和不完全估计的设施位置决策
PREAI
分享收藏
Data-driven distributionally robust optimization using the Wasserstein metric: performance guarantees and tractable reformulations使用Wasserstein度量的数据驱动的分布式鲁棒优化: 性能保证和可处理的重新制定
PREAI
分享收藏
查看更多内容