Data-driven decision making under uncertainty integrating robust optimization with principal component analysis and kernel smoothing methods

این مقاله یک چارچوب بهینه سازی قوی مبتنی بر داده ها ارائه می دهد که قدرت یادگیری ماشین و تجزیه و تحلیل داده های بزرگ را برای تصمیم گیری در عدم قطعیت در اختیار دارد. با استفاده از تجزیه و تحلیل مولفه های اصلی به داده های عدم اطمینان، همبستگی بین پارامتر های نامعین به طور موثر ضبط می شود و منابع نامعلومی پنهان شناسایی می شوند. سپس داده ها بر روی هر مولفه اصلی برای تسهیل استخراج اطلاعات توزیع ناپایداری های پنهان با استفاده از تکنیک های تخمینی تراکم هسته طراحی می شوند. برای به طور صریح برای توزیع نامتقارن حساب می کنیم، بردارهای انحراف پیشین و عقب را به مجموعه ی عدم اطمینان هدایت داده معرفی می کنیم که بیشتر به مدل های بهینه سازی استاتیک و انطباقی رانده می شود. چارچوب پیشنهادی نه تنها به طور قابل توجهی محافظه کارانه بهینه سازی قوی را بهبود می بخشد، بلکه کارایی محاسباتی و قابلیت کاربرد وسیع را نیز دارد. سه برنامه کاربردی برای بهینه سازی تحت عدم اطمینان، از جمله کنترل پیش بینی مدل، برنامه ریزی تولید دسته ای، و برنامه ریزی شبکه های فرایند، برای نشان دادن کاربرد چارچوب پیشنهادی ارائه شده است.