Robust Optimization

بهینه‌سازی قوی هنوز یک رویکرد نسبتاً جدید برای مسائل بهینه‌سازی است که تحت تأثیر عدم قطعیت قرار دارند، اما قبلاً آنقدر در برنامه‌های کاربردی واقعی مفید بوده است که امروزه بدون در نظر گرفتن این روش قدرتمند، مقابله با چنین مشکلاتی دشوار است. این کتاب که توسط توسعه دهندگان اصلی بهینه سازی قوی نوشته شده و دستاوردهای اصلی یک دهه تحقیق را توصیف می کند، اولین کتابی است که گزارشی جامع و به روز از این موضوع ارائه می دهد.

بهینه سازی قوی است. طراحی شده برای مقابله با برخی از چالش‌های اصلی مرتبط با مشکلات بهینه‌سازی متاثر از عدم قطعیت: کار در شرایط فقدان اطلاعات کامل در مورد ماهیت عدم قطعیت. مدل کردن مسئله به شکلی که بتوان آن را به طور موثر حل کرد. و ارائه ضمانت‌هایی در مورد عملکرد راه‌حل.

کتاب با یک بررسی نسبتاً ساده از برنامه‌ریزی خطی نامطمئن شروع می‌شود و با تحلیل عمیق پیوندهای متقابل بین ساخت مجموعه‌های عدم قطعیت مناسب و شانس کلاسیک ادامه می‌دهد. رویکرد محدودیت ها (احتمالی) سپس تئوری بهینه سازی قوی را برای مسائل بهینه سازی مخروطی درجه دوم و نیمه معین و مشکلات پویا (چند مرحله ای) توسعه می دهد. این تئوری توسط مثال‌ها و تصاویر محاسباتی متعدد پشتیبانی می‌شود.

یک کتاب ضروری برای هر کسی که در شرایط عدم قطعیت روی بهینه‌سازی و تصمیم‌گیری کار می‌کند، بهینه‌سازی قوی نیز یک کتاب درسی فارغ‌التحصیل ایده‌آل در این زمینه می‌سازد. .

Robust optimization is still a relatively new approach to optimization problems affected by uncertainty, but it has already proved so useful in real applications that it is difficult to tackle such problems today without considering this powerful methodology. Written by the principal developers of robust optimization, and describing the main achievements of a decade of research, this is the first book to provide a comprehensive and up-to-date account of the subject.

Robust optimization is designed to meet some major challenges associated with uncertainty-affected optimization problems: to operate under lack of full information on the nature of uncertainty; to model the problem in a form that can be solved efficiently; and to provide guarantees about the performance of the solution.

The book starts with a relatively simple treatment of uncertain linear programming, proceeding with a deep analysis of the interconnections between the construction of appropriate uncertainty sets and the classical chance constraints (probabilistic) approach. It then develops the robust optimization theory for uncertain conic quadratic and semidefinite optimization problems and dynamic (multistage) problems. The theory is supported by numerous examples and computational illustrations.

An essential book for anyone working on optimization and decision making under uncertainty, Robust Optimization also makes an ideal graduate textbook on the subject.