Robust optimization for decision-making under endogenous uncertainty

در این مقاله، استفاده از بهینه سازی قوی به عنوان یک چارچوب برای رسیدگی به مشکلات که شامل عدم اطمینان درونی، یعنی عدم اطمینان است که توسط استراتژی تصمیم گیرنده تحت تاثیر قرار می گیرد، مورد توجه قرار می گیرد. به این ترتیب، مجموعه های نامتقارن چند منظوره عمومی را که به طور عمده در بهینه سازی قوی در مجموعه هایی که به تصمیمات واقعی بستگی دارد، در نظر می گیریم. در حال حاضر، مشتق مدل های همتای قوی وجود دارد و ما در مورد ملاحظات الگوریتمی مربوط به حل این مدل ها برای بهینه بودن تضمین بحث می کنیم. علاوه بر ضبط تغییرات کاربردی در همبستگی پارامترها که ممکن است توسط تصمیمات داده شده القا شود، نشان می دهد که چگونه استفاده از مجموعه های عدم قطعیت وابسته به تصمیم ما به ما امکان می دهد تا اثرات محافظه کاری را از پارامترهایی که با توجه به تصمیمات بهینه ای بی اهمیت می شوند، ریشه کن کنیم. ما این مزایا را از طریق تعدادی از مطالعات موردی محاسبه می کنیم و نشان می دهیم که همه کاره های چارچوب پیشنهاد شده ما در زمینه برنامه های مختلف مورد استفاده قرار می گیرد.