本文研究随机程序的优化问题，其中决策者不能观察到外生不确定性的分布，但可以访问此分布的有限样本。作者提出了一种元优化问题来找到最不保守的预测器和处方器，以及遵守它们的样本外失望约束。利用大偏差理论的工具，作者证明了该元优化问题有唯一解。最佳预测器 - 处方器对可以通过在距离数据的经验分布一定的相对熵距离内的所有分布上求解一个分布的鲁棒优化问题来获得。
Apr, 2017
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
本文的研究内容是针对随机优化问题中在决策变量变化时数据分布的变化所导致的问题提出了解决方案，即通过基于静态分布的最优决策来解决。同时，为了提高算法效率，研究者将典型的随机优化算法应用在了这种问题上，并提供了收敛性保证和性能评估，最终提出了增加算法效率、减少决策规则代价的改进方法。
Nov, 2020
该研究提出了一种随机近端点方法来解决随机凸复合优化问题，通过仅假设随机梯度的方差有界等较弱条件，建立了对于该方法收敛的高概率保证的低样本复杂度。此外，本研究的一个显著特点是开发了一个用于解决近端子问题的子程序，该子程序还作为一种新的方差减小技术。
Feb, 2024
通过研究随机最小化和学习问题的模型，我们提出了一种更具鲁棒性的解决方案。通过适当精确的模型，即所谓的 aProx 系列，随机最优化方法可以稳定，可证明收敛且渐近最优。我们将这些结果扩展到弱凸目标，其中包括凸损失与光滑函数的组合，在现代机器学习应用中很常见。通过对收敛时间和算法灵敏度的仔细实验评估，我们强调了鲁棒性和准确的建模的重要性。
Mar, 2019
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。
本文提出了一种可扩展的随机主化最小化方案，能够应对大规模或可能无限的数据集，解决凸优化问题，并开发了几种基于此框架的有效算法，包括一个新的随机近端梯度方法，用于大规模 l1 逻辑回归的非凸稀疏估计的在线 DC 编程算法和解决大规模结构矩阵分解问题的有效性。
Jun, 2013
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
使用随机化技术推导出半定规划的随机梯度算法，通过采用子采样来降低每次迭代的计算成本，从而控制迭代的代价和总迭代次数的平衡，算法的复杂度与解决方案的复杂度成正比，该算法在统计学习的某些大规模问题上表现良好。
Mar, 2008
本论文提出了一种随机优化方法，该方法通过自适应地控制梯度近似计算中使用的样本量来减少方差，使用内积测试来决定增加样本量，并通过逻辑回归问题的数值实验验证了该算法的有效性。
Oct, 2017