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

介绍了一种基于情景树的随机约束编程模型，可以将该模型编译为传统的约束编程模型，提高了在决策问题和不确定性下决策的能力和效率。

Mar, 2009

控制变化预算的非静态顺序随机优化问题，可以实现长期平均最优性和速率最优性。对于这些问题的复杂性，我们建立了在线对抗凸优化和随机逼近范式之间的联系，并给出了最小化后悔的紧密界限，以量化非静态性的代价。

Jul, 2013

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

本文提供了一种新颖的计算机辅助技术，用于系统地分析面向优化的一阶方法，并且与以往的工作相比，该方法特别适用于处理次线性收敛率和随机预言机。该技术依赖于半定规划和潜力函数，并允许同时获得算法行为的最坏情况保证，并帮助选择适当的参数以调整其最坏情况表现。

Feb, 2019

我们提出了一种完全概率化的方法，用于解决具有黑盒目标函数和预算约束的二值优化问题。

Jun, 2024

通过自适应查询变量值评估离散函数的策略的设计，该算法可以同时实现预期和最坏情况下的对数逼近，即使在计算费用较高的情况下，该算法也可以作为一种自动诊断和主动学习的解决方案。

Sep, 2013

提出一种基于随机逼近的罚函数方法来解决非线性规划问题，利用噪声梯度或函数值来调用随机一阶或零阶神经网络，通过最小化随机一阶或零阶信息可用的非光滑、非凸罚函数的方法来优化。分析了该罚函数方法通过调用随机一阶（或零阶）神经网络获取 ε- 随机临界点的最坏情况复杂度。

Dec, 2013

本文研究了背景下的随机优化问题，提出了一种基于森林决策策略的解决方案，通过开发近似分裂准则，我们能够有效降低运行时间，并在性能上接近于每个候选分裂都进行重新优化的森林算法.

Aug, 2020

本文提出了一种端到端的方法来学习概率机器学习模型，以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标，我们在经典库存问题，实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。

Mar, 2017