决策导向的预测：悲观双层优化的计算研究

Dec, 2023

决策导向的预测：悲观双层优化的计算研究

Decision-focused predictions via pessimistic bilevel optimization: a computational study

Víctor Bucarey, Sophia Calderón, Gonzalo Muñoz, Frederic Semet

TL;DR不确定性优化参数的处理是一个重要且长期存在的挑战，本研究致力于通过构建决策导向的预测模型来减少决策对不确定参数的敏感性，并将其建模为一种非凸二次优化问题以实现可行性。

Abstract

Dealing with uncertainty in optimization parameters is an important and longstanding challenge. Typically, uncertain parameters are predicted accurately, and then a deterministic optimization problem is solved. H

uncertainty optimization parameters predict-then-optimize decision-focused predictions regret minimization

发现论文，激发创造

决策焦点学习的强化损失函数

优化模型中的不确定参数通过预测估计，为了评估基于预测的决策质量，决策焦点学习旨在通过训练预测模型来最小化后悔，提出了三种更接近预期后悔的鲁棒损失函数，实验证明使用鲁棒后悔损失训练决策焦点学习方法能够改善测试样本的经验后悔并保持计算时间等效。

Oct, 2023

数据驱动的决策聚焦代理建模

我们引入了决策为中心的替代建模的概念，以解决实时环境下的计算困难的非线性优化问题。所提出的数据驱动框架旨在学习一个更简单的，例如凸优化模型，该模型经过训练以最小化决策预测误差，该误差定义为原始优化模型和替代优化模型的最优解之间的差异。我们将学习问题作为双层规划问题来进行建模，可以看作是一个数据驱动的逆优化问题，我们采用之前工作中的分解型解决算法进行处理。我们通过涉及常见非线性化学过程（如化学反应器、热交换网络和物料混合系统）的数值实验验证了我们的框架。我们还详细比较了以决策为中心的替代建模和标准的数据驱动替代建模方法，并证明了我们的方法在产生简单的替代模型且预测决策准确性更高方面具有显著的数据效率。

Aug, 2023

学习确定性代理关系以实现鲁棒的凸优化问题

决策导向学习是上下文优化的一种有前景的发展，而我们提出了一个双重隐式层模型，用于训练预测模型以实现对不确定凸二次约束二次规划问题中健壮决策损失的训练。该模型是决策导向学习不确定凸 QCQPs 的有效正则化工具。

Dec, 2023

基于贝叶斯神经网络的随机优化问题学习解决方案

使用贝叶斯神经网络和随机规划技术的预测不确定性建模，以降低决策风险和提高决策质量。

Jun, 2024

代理预测优化：学习预测和优化的联合模型

从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。

Nov, 2023

黑盒预测优化的渐近最优遗憾

考虑了预测 - 优化模式的决策制定方法，通过在历史数据上训练监督学习模型，再利用该模型在新环境中进行未来的二进制决策以最大化预测奖励，提出了一种新的损失函数 Empirical Soft Regret (ESR) 来显著改善模型训练中的奖励，该方法在新闻推荐和个性化医疗决策问题上明显优于现有算法。

Jun, 2024

决策导向的预测：多阶段优化的决策损失

决策聚焦学习关注解决不确定性下的决策问题，特别是多阶段优化与预测相结合的模型对未来决策具有重要影响，本研究提出了基于多层模型的决策聚焦预测方法，并在能量存储套利任务中验证了其优越性。

May, 2024

基于极小化遗憾优化的不确定马尔可夫决策过程鲁棒规划

本文旨在通过引入一种 Bellman 方程式来计算政策的懊悔，提出了一种基于动态规划算法的方法，以便为具有不确定成本和转移函数的 SSP UMDPs 规划，该方法精确地优化了具有独立不确定性的 UMDPs 的最小化极大遗憾，并通过选项扩展了该方法，以使计算和解决方案质量之间存在权衡。在人造和实际领域中评估我们的方法，显示它明显优于现有的基线。

Dec, 2020

利用不完美预测进行平滑的在线组合优化

研究了具有预测模型的平滑在线组合优化问题，提出一种在线算法在规划窗口和开关代价之间实现平衡，通过对合成在线分布流问题进行实证，证明在累积规避中取得了显着的改进。

Apr, 2022

一个可扩展的机器学习优化框架用于连续决策

我们提出了一个集成的预测 - 优化（PredOpt）框架，通过预测二进制决策变量在最优解中的值，高效地解决顺序决策问题。我们通过循环神经网络和滑动注意机制捕捉组合优化问题的顺序特性，并将基于注意力的编码器 - 解码器神经网络架构与消除不可行性和泛化框架相结合，以学习高质量的适用于时间相关优化问题的可行解。我们的结果表明，可以成功地使用在较短和较小维度实例上训练的模型来预测更长更大维度的问题。优化解决时间可缩短三个数量级，平均最优性差距小于 0.1%。我们将 PredOpt 与各种专门设计的启发式方法进行比较，并证明我们的框架表现优于它们。PredOpt 对于需要立即且重复求解的动态 MIP 问题具有优势。

Nov, 2023