Interpretable Stochasticity for Adjustable Chance-Constrained Programming

Jeng‐Shyang Pan

doi:10.1109/tcyb.2026.3740011

Interpretable Stochasticity for Adjustable Chance-Constrained Programming

2026-10-12

0

PRE

AI

Ning Zhong (Ning Zhong)

S

Shu‐Chuan Chu

DOI：10.1109/tcyb.2026.3740011

原文链接

原文求助

摘要

En 中文

不确定性对现实应用中的优化算法构成了重大挑战。随着这些算法日益复杂化，对它们在不确定条件下产生可靠且可解释决策的需求日益增长。本文介绍了知识赋能的可解释机会约束规划（KECCP），这是一种新型方法，考虑了不确定性及人为因素对机会约束规划的影响。KECCP采用差分进化（DE）算法，通过平均处理效应（ATE）和模糊认知图（FCM）构建和表示知识，基于分析随机变量和置信水平如何影响机会约束规划的成果。随后，KECCP将知识赋能的机会约束规划与预测及参数反馈调整相结合，以实现可控、可估计和可调整的规划方案。将该方法应用于不确定条件下的随机资源分配，显示出在实际场景中增强的可解释性和可控性。

Keyword:

Chance-constrained programming

explainability

knowledge enablement

stochastic resource allocation

uncertainty

Interpretable Stochasticity for Adjustable Chance-Constrained Programming

摘要

期刊

机构

引用论文