Bagaimana pengoptimalan di bawah ketidakpastian dilakukan dalam aplikasi dunia nyata?
Dalam posting ini Apa itu pengoptimalan yang kuat? ada pengantar yang bagus untuk pengoptimalan yang kuat.
Ada banyak konsep ketidakpastian dalam masalah pengoptimalan seperti
- pengoptimalan yang kuat
- optimasi stokastik
- pengoptimalan yang kuat secara distribusional
- ketahanan yang dapat disesuaikan
- ... dan masih banyak lagi.
Seberapa umum konsep ini diterapkan dalam aplikasi kehidupan nyata untuk pengoptimalan, dan bagaimana kumpulan ketidakpastian diturunkan dalam skenario praktis?
Jawaban
Berikut ini adalah opini pribadi murni. Saya akan mengatakan sebagian besar (substansial) masalah pengoptimalan non-akademis tidak melibatkan metode apa pun yang Anda daftarkan, karena sejumlah alasan.
- "Lebih baik musuh dari yang cukup baik." Menggunakan nilai tetap dan masuk akal untuk parameter dan mengabaikan ketidakpastian sering kali menghasilkan jawaban yang cukup baik untuk manajemen, jadi mengapa menjadi lebih rumit?
- Untuk masalah skala besar, kerumitan tambahan apa pun bisa menjadi pemecah masalah, jadi mengapa mengambil risiko?
- Pengoptimalan stokastik membutuhkan asumsi / perkiraan distribusi yang mungkin tidak mudah didapat.
- Banyak siswa OR / MS / IE mendapatkan pendidikan dasar dalam LP, model grafik, pemrograman dinamis dan mudah-mudahan MIP, dan mungkin sesuatu yang sedikit lebih funkier (teori kontrol yang optimal?), Tetapi tidak mendapatkan banyak jika kelas terpapar dengan optimasi stokastik dan terutama untuk pengoptimalan yang kuat (yang relatif baru). Sekarang bergeser dari "eksposur" ke "penguasaan" (transformasi yang tidak meningkat), beri mereka pekerjaan, dan Anda berakhir dengan orang-orang yang memecahkan masalah yang mungkin atau mungkin tidak menyadari hal-hal itu tetapi dalam hal apa pun pasti tidak nyaman dengan mereka.
Karena massa lynch terbentuk di luar penelitian saya, izinkan saya menambahkan bahwa ada manfaat untuk setiap konsep yang Anda cantumkan, dan saya tidak menentang penggunaannya (kecuali jika itu akan mengubah model perkiraan yang sulit dipecahkan menjadi mustahil untuk memecahkan tetapi model yang lebih tepat). Di suatu tempat di masa mendatang, saat mereka menjadi topik akademis yang lebih umum, penggunaannya kemungkinan akan meningkat.