Robust Optimization with Decision-Dependent Information Discovery

鲁棒优化是一种流行的范式，用于建模和解决受不确定性影响的两阶段和多阶段决策问题。在许多实际应用中，例如研发项目选择、生产计划或产品或政策推荐的偏好获取，信息发现的时间取决于决策，并且不确定参数通常只有在投入大量资金后才能观察到。然而，大多数关于鲁棒优化的文献都假设不确定参数可以免费观察到，并且它们显示的顺序与决策者的行动无关。为了填补 RO 实用性方面的这一空白，我们考虑了两阶段和多阶段鲁棒优化问题，其中部分决策变量控制着信息发现的时间。因此，任何给定时间可用的信息都取决于决策，并且可以通过在前几个阶段进行战略性探索性投资来发现（至少部分地发现）。我们提出了一种新颖的该问题动态公式，并证明了其正确性。我们利用我们的模型来提供一种受K适应性近似启发的解决方法，即在此时此地选择每个决策阶段的K 个候选策略，并且在每个周期开始时，在揭示选择观察的不确定参数之后，从中选择最佳策略。如果没有（或一些）决策变量是实值，我们将问题重新表述为有限混合整数（或双线性）程序。这个有限程序可以用现成的求解器来解决。我们将我们的方法推广到分段线性凸函数的最小化。我们在潘多拉盒子问题、具有实值推荐的偏好引出问题、最佳盒子问题和研发项目组合优化问题的合成实例上证明了我们的方法在可用性、最优性和速度方面的有效性。最后，我们根据来自美国肾脏分配系统的真实数据，在用于向器官共享联合网络的决策者推荐肾脏分配政策的主动偏好引出问题的一个实例上对其进行评估。

论 文 作 者

本文由南加州大学Phebe Vayanos，塞浦路斯大学Angelos Georghiou，南加州大学Han Yu共同合作完成。

相 关 论 文

Vayanos, Phebe, Angelos Georghiou,Han Yu. Robust optimization with decision-dependent information discovery. 2025. Management Science.

文 章 链 接

https://doi.org/10.1287/mnsc.2021.00160