文件名称:从分类到优化:一种基于场景的鲁棒优化方法-研究论文
文件大小:901KB
文件格式:PDF
更新时间:2024-06-09 10:42:08
Data-driven decision making Scenario-based robust
本文讨论了类别不确定性下数据驱动的决策问题。 考虑在访问哪个客户的不确定性下,具有第一阶段计划和第二阶段路由决策的两阶段优化问题。 分类模型可以根据协变量估算每次客户拜访的概率,但是如何将这些预测嵌入到优化中呢? 我们提出了一种基于场景的鲁棒性优化方法,该方法将随机规划(通过构建概率性场景),鲁棒性优化(通过防止离散不确定性集合内的对抗性扰动)和数据驱动的优化(通过从分类输出中定义场景和不确定性集合)相结合。 我们开发了一种切平面算法,可以针对一般问题类别在有限的迭代次数中收敛到最优值。 使用公共数据集,结果表明:(i)基于场景的鲁棒优化方法优于基于确定性,随机和鲁棒优化的基准; (ii)数据驱动的优化优于忽略协变量信息的基准; (iii)我们的剖切面算法通过在较短的计算时间内返回更好的解决方案而胜过直接实施。