随机约束编程
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
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
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
基于对可信度预测 (CP) 的进展,我们提出了一种名为可信度预测编程 (CPP) 的方法,用于解决具有非线性约束函数和任意随机参数影响的机会约束优化问题 (CCO)。CPP 利用这些随机参数的样本和量化引理 (对于 CP 来说至关重要),将 CCO 问题转化为确定性优化问题。我们还通过两个容易处理的重构 CPP:(1) 将量化引理写成一个线性规划问题及其 KKT 条件 (CPP-KKT),(2) 使用混合整数规划 (CPP-MIP)。CPP 对 CCO 问题具有边际概率可行性保证,这与现有方法 (如样本近似和方案方法) 在概念上不同。虽然我们探讨了与样本近似方法的算法相似性,但我们强调 CPP 的优势在于它可以轻松扩展以包含不同的 CP 变体。为了说明这一点,我们提出了鲁棒可信度预测编程,以处理 CCO 问题中不确定参数的分布变化。
Feb, 2024
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