提出了一种新的统计假设检验方法来利用数据设计鲁棒优化的不确定集合，该方法灵活适用于各种领域，并且计算复杂度可行，理论和实践上都具有可靠性。操作研究领域的计算实验证明，当数据可用时，与传统的鲁棒优化技术相比，我们的数据驱动集合显著优于传统技术。

Dec, 2013

本文概述了分布鲁棒优化（DRO）的主要概念和贡献，以及它与鲁棒优化、风险规避、机会约束优化和函数正则化的关系。

Aug, 2019

本文简要回顾了优化领域中不确定性处理的现状，并聚焦于处理随机性和认知不确定性的不同方法，控制领域的应用占据了重要的地位。

Dec, 2022

本文提出了一种新型的分布鲁棒优化模型 —— 似然鲁棒优化模型，以历史数据为依据，用置信区间代替概率分布，解决了当环境不确定且输入分布未知的决策问题，避免了以往过于谨慎的方法对真实分布的偏离和对输出的限制。

Jul, 2013

本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，用于 Hadamard 可微函数和随机优化问题，从而提供了一个有原则的选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开，表明如何通过方差来规范化问题。最后，我们证明了，我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列，包括几何上遗传的 Harris 递归马尔科夫链。

Oct, 2016

基于机器学习的方法解决了具有二阶段线性适应鲁棒优化问题中的两个关键问题：二值即时变量和多面体不确定性集。我们通过将最优即时决策、与最优即时决策相关的最差情况以及最优观望决策编码为策略来进行求解。使用列生成和约束生成算法为多个相似的适应鲁棒优化实例提供预先求解，并提取最优策略生成训练集。我们训练了一个机器学习模型，该模型用于预测即时决策、与最优即时决策相关的最差情况以及观望决策的高质量策略。我们还介绍了一种算法来减少机器学习算法需要训练的不同目标类别的数量。我们将所提出的方法应用于设施选址、多项存货控制和机组投资问题，相比于最先进的算法，我们的方法在极短的时间内以高准确性解决了适应鲁棒优化问题。

Jul, 2023

本文研究将优化视为一种过程，强调学习方法的应用，提倡使用鲁棒性的算法并学习实践经验以应对实际应用中复杂环境下的问题。

Sep, 2019

该论文研究了两阶段鲁棒优化问题，并提出了一种基于机器学习的方法 Neur2RO 来解决该问题。通过将神经网络嵌入到迭代算法中，Neur2RO 可以高效地找到高质量解决方案。实验证明，与现有算法相比，该方法在几秒内就能找到接近最优解的解决方案。

Oct, 2023

本文旨在研究多种强化学习方法如鲁棒性 RL，分布式 RL 和离线 RL，并为每个方法提供算法以及未来的相关研究方向。

Mar, 2022

在本篇论文中，我们提出了基于风险感知学习方法的全面框架 Robust Optimization of Queries（Roq），它通过一种新颖的鲁棒性概念的形式化和定量测量，实现了鲁棒查询优化。Roq 还包括查询计划评估和选择的新策略、算法以及预测查询执行成本和相关风险的新型学习成本模型。我们通过实验证明，与现有技术相比，Roq 显著提高了鲁棒查询优化的效果。

Jan, 2024