.png){kind=icon}
返回
Recognizing and hedging uncertainty by novel integrated algorithms: Validated by data-driven robust optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cor.2025.107364.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实践中描绘和规避不确定性仍然是运筹学及相关领域的挑战，旨在不确定环境下做出“最优”决策。从鲁棒性和保守性角度看，鲁棒优化（RO）和分布鲁棒优化（DRO）是现有流行方法，在适用性和计算性方面展现出各自优势。本文提出一种新颖的数据驱动多中心不确定性集来描述不确定性。与预设方法不同，我们的不确定性集通过整合两种机器学习方法及割平面策略直接从数据构建。具体而言，非负矩阵分解（NMF）作为无监督学习技术，用于识别数据潜在的多中心特征。核密度估计方法（KDE）用于自适应捕捉各数据聚类的分布信息，割平面用于通过移除冗余空区域进一步收紧不确定性集。数值模拟及所诱导RO模型的优良特性展示了该不确定性集相对于现有方法的高效性和优越性，同时保持RO和DRO的两大显著优势：RO的计算易处理性及DRO利用分布结构的能力。例如，它能有效识别数据中的离群值及少数聚类的样本；所有诱导的RO模型均可高效求解，并在远短的计算时间内达到与DRO方法相近的鲁棒性和保守性。在不确定需求及碳限额与交易政策下绿色氢供应链管理问题的应用进一步验证了所诱导RO方法的应用价值。
期刊
C
IF:
4.3
论文数:
6.5K
被引数:
1.8W
机构
暂无机构信息
引用论文
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Cost benefits of optimizing hydrogen storage and methanation capacities for Power-to-Gas plants in dynamic operation在动态运行中优化发电厂的储氢和甲烷化能力的成本效益.png)
APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏Design and operation of a stochastic hydrogen supply chain network under demand uncertainty需求不确定下随机氢气供应链网络的设计与运行
PREAI
分享收藏
查看更多内容