随机约束编程：一种基于场景的方法
介绍了随机约束编程的模型，该模型旨在解决涉及不确定性和概率的组合决策问题，通过提出一种包含决策变量和随机变量的约束编程序语义及算法解决不同假设条件下的不确定性决策问题，结合了传统约束满足、随机整数编程和随机可满足性理论的方法。
Mar, 2009
本研究提出了一种基于 SC-ProbLog 的新方法来解决 SCOPs（Stochastic Constraint Optimization Problems）。相比先前使用 PLP 技术创造 OBDD 的方法，我们的方法更具高效性和领域一致性，并基于约束编程方法开发了一个新的传递器。
Jul, 2018
本文介绍了一种参数化确定性优化模型的方法，以代替在解决多阶段随机规划问题时繁琐的随机或动态规划方法，该方法可以有效地处理不确定性，并用非定常储能问题和滚动预测演示了其应用。
Jan, 2022
本文研究了在随机环境中涉及顺序决策的优化问题，主要集中于随机规划和随机最优控制建模方法，通过切割平面逼近和随机逼近类型的方法，有效解决了传统动态规划算法所面临的状态变量维度增加、计算复杂度指数级增长等问题，针对多阶段问题，提出了一种能够处理大量决策变量的切割平面方法。
Mar, 2023
本文研究了确定性设定中的概率约束子模优化问题，提出了一种新的分析方法，并提供了贪心算法来近似求解最优解。在实验中，演示了算法在几个最大覆盖问题和影响力最大化问题上的有效性。
Sep, 2023
Stochastic Dynamic Programming 在处理不确定决策时采用函数方程方法，而 jsdp 实现了一种基于 Java 的 MapReduce 框架的泛用库用于建模和解决问题。
Sep, 2022
本文研究了基于 “妥协决策” 过程的随机规划解决方案的可靠性，采用最小化多次复制解决方案的目标函数近似的方法，并利用 Rademacher 平均值限制了 “妥协决策” 的抽样复杂性。
May, 2024
本文介绍了一个基于约束的随机规划问题，其中利用整数线性规划方法确保了确定性决策，同时为安全性关键的应用提供了约束违规概率的上界。同时还介绍了确定性策略和随机策略的随机舍入过程，并探讨了如何在考虑不同时间步的约束情况下进行 CC-SSP 的推广。
Feb, 2023
一项研究探索基于决策焦点学习技术的线性目标中含有不确定参数值的优化问题，重点关注处理时间不确定的随机调度问题，并介绍了如何适应基于随机平滑的决策焦点学习技术。通过广泛实验评估发现，在情景式随机优化问题中，决策焦点学习技术在某些情况下优于现有技术。
Dec, 2023