Distributionally robust optimization with decision-dependent information discovery

doi:10.1007/s10107-026-02346-0

2026-01-01

PRE

Angelos Georghiou

Phebe Vayanos

Grani A. Hanasusanto

DOI：10.1007/s10107-026-02346-0

原文链接

原文求助

摘要

En 中文

我们研究了具有决策依赖信息发现（DDID）的两阶段分布鲁棒优化（DRO）问题，其中（部分）不确定参数只有在第一阶段进行（通常成本高昂的）投资后才被揭示。这类问题在选型问题（如招聘、项目组合优化或最优传感器定位）中具有许多重要应用。尽管该问题具有广泛的应用性，但此前尚未被研究。我们提出了一种用于建模和近似求解具有DDID的DRO问题的框架。我们将该问题表述为min-max-min-max问题，并采用流行的K适应性近似方案，该方案在此刻选择K个候选补救措施并实施其中最佳的措施，在选定被观测的不确定参数被揭示后。然后，我们提出了一种分解算法，可以精确求解K适应性表述。具体而言，我们设计了一种割平面算法，该算法迭代地求解问题的松弛版本，评估相应解的真实目标值，生成有效割，并将其施加于松弛问题。对于评估问题，我们开发了一种分支定界算法，该算法可证明收敛于最优解。我们在研发项目组合优化问题和最佳箱体问题中展示了我们框架的有效性。

Keyword:

Distributionally robust optimization

Endogenous uncertainty

Decision-dependent information discovery

Binary recourse decisions

Two-stage problems

Decomposition algorithm