Jak przebiega optymalizacja w warunkach niepewności w rzeczywistych zastosowaniach?

Question

W tym poście Co to jest solidna optymalizacja? jest ładne wprowadzenie do solidnej optymalizacji.

Istnieje wiele koncepcji niepewności w problemach optymalizacji, takich jak

• solidna optymalizacja
• optymalizacja stochastyczna
• solidna optymalizacja pod względem dystrybucji
• regulowana wytrzymałość
• ... i wiele więcej.

Jak często te pojęcia są stosowane w rzeczywistych zastosowaniach optymalizacji i w jaki sposób są wyprowadzane zbiory niepewności w praktycznym scenariuszu?

Answer 1

Poniższa opinia jest czysto osobista. Powiedziałbym, że (znaczna) większość nieakademickich problemów optymalizacyjnych nie wiąże się z żadną z wymienionych przez Ciebie metod z wielu powodów.

• „Lepszy jest wróg dostatecznie dobrego”. Używanie ustalonych, wiarygodnych wartości parametrów i ignorowanie niepewności często daje odpowiedzi, które są wystarczająco dobre dla kierownictwa, więc po co komplikować?
• W przypadku problemów na dużą skalę każda dodatkowa złożoność może być przeszkodą, więc po co ryzykować?
• Optymalizacja stochastyczna wymaga założeń / szacunków dotyczących dystrybucji, które mogą nie być łatwe do uzyskania.
• Wielu studentów OR / MS / IE zdobywa podstawową edukację w zakresie LP, modeli grafowych, programowania dynamicznego i, miejmy nadzieję, MIP, i może coś trochę fajniejszego (teoria optymalnej kontroli?), Ale nie dostanie zbyt wiele, jeśli w klasie jest ekspozycja na stochastyczną optymalizację, a zwłaszcza do solidnej optymalizacji (która jest stosunkowo nowa). Teraz przejdź od „ekspozycji” do „mistrzostwa” (nie rosnącej transformacji), zdobądź pracę, a skończysz z ludźmi rozwiązującymi problemy, którzy mogą być świadomi tych rzeczy lub nie, ale w każdym razie zdecydowanie nie czują się z nimi dobrze.

Ponieważ poza moim badaniem tworzy się motłoch linczu, dodam, że każda z wymienionych koncepcji ma swoje zalety i nie spieram się przeciwko ich zastosowaniu (z wyjątkiem sytuacji, w których trudno byłoby rozwiązać przybliżony model w niemożliwy do rozwiązać, ale dokładniejszy model). Gdzieś później, gdy staną się one bardziej głównym nurtem akademickim, ich wykorzystanie prawdopodobnie wzrośnie.