鲁棒优化

鲁棒优化在不确定参数只知一个可信取值集合时，寻找对该集合内每个取值都可行的决策。它的“保证”带有明确边界：只针对事先写下的集合与模型约束，不能保证集合之外的真实世界也安全。与把参数直接取均值相比，鲁棒模型先问一个具体问题：参数不利地变化时，当前方案在哪条约束上失效？

一个产量决策

某生产线有十二分钟可用，生产一件所需时间暂估为两分钟。若产量为 $x\ge 0$ 件，按这个估值有 $2x\le 12$，最多安排六件。但单件时间可能在两到三分钟之间；六件在三分钟的情形需十八分钟，无法完成。若同一批次的单件时间 $a\in [2,3]$ 且产量必须在开工前确定，要求每个可能的 $a$ 都满足 $ax\le 12$。因为 $x\ge 0$，左边随 $a$ 增大而增大，所以这组无限多个约束等价于 $3x\le 12$，最大稳健产量为四件。

这不是对未来工时的概率预言。如果区间只是随意猜的，四件的安全性也只相对于这个猜测成立。反过来，若开工后能准确观察实际工时并调整产量，那么“先定四件不得改”的单阶段模型就遗漏了可调整性，应考虑分阶段决策。

不确定集合与鲁棒对应式

一般地，决策向量 $x$ 满足带不确定系数的约束 $a(u{)}^{𝖳}x\le b$，其中 $u$ 属于集合 $U$。鲁棒可行性写作 $$a(u{)}^{𝖳}x\le b\text{对所有 }u\in U,$$ 或等价地写成 $\underset{u\in U}{sup}a(u{)}^{𝖳}x\le b$。先把“对所有”写清楚，才能知道求解器应检查哪一种最坏情形。若目标收益本身也不确定，需要另行定义是最大化最坏收益、最小化最坏损失，还是仅对约束做稳健保护；这些并不等价。

当各系数独立位于 $a_j\in [{\overline{a}}_j-{\delta }_j,{\overline{a}}_j+{\delta }_j]$、${\delta }_j\ge 0$ 时，令 $a_j={\overline{a}}_j+{\delta }_j{u}_j$ 且 $|u_j|\le 1$。固定 $x$ 后，各 $u_j$ 可以分别选取令 $u_j{x}_j=|x_j|$ 的符号，所以 $$\underset{|u_j|\le 1}{sup}\sum _j({\overline{a}}_j+{\delta }_j{u}_j)x_j={\overline{a}}^{𝖳}x+\sum _j{\delta }_j|x_j|.$$ 于是无穷多个可能参数对应一个确定约束 ${\overline{a}}^{𝖳}x+\sum _j{\delta }_j|x_j|\le b$。若 $x_j\ge 0$，绝对值可直接去掉；若 $x_j$ 可正可负，增设 $t_j\ge x_j,t_j\ge -x_j$，再用 ${\overline{a}}^{𝖳}x+\sum _j{\delta }_j{t}_j\le b$，便得到等价的线性规划表示。因为 ${\delta }_j\ge 0$，存在满足这些约束的 $t_j$ 当且仅当原绝对值约束成立。

稳健程度由数据和机制决定

箱形集合允许所有系数同时取最不利端点。若多个误差受同一仪器校准影响、方向相关，独立箱形集合可能包含物理上不可能同时发生的组合；若区间过窄，又会漏掉真实压力情形。可用历史误差、测量精度、工程容差及外部验证构造集合，再测试不同宽度下的目标值和约束余量。集合若取椭球或预算式约束，其鲁棒对应式会改变，不能沿用上面的逐坐标取端点公式。

鲁棒优化、机会约束和随机规划回答的问题不同。鲁棒约束要求集合中全部参数都满足；机会约束要求概率达到给定水平，需要可信的概率模型；情景规划则按概率权衡不同结果，并允许一些决策在新信息出现后调整。若问题允许违约但违约有明确成本，把所有违约都禁止可能付出不必要的代价；此时应把损失和风险偏好写进目标，而不是暗中把“最坏”当作唯一价值标准。

模型验收

在生产例中，方案 $x=4$ 对 $a=2$ 用八分钟，对 $a=3$ 用十二分钟，两个端点与中间值都可行；$x=4.1$ 在 $a=3$ 时需十二点三分钟，给出最优值无法再增大的直接证据。实际项目还要用未参与定集合的数据作压力测试，记录超出集合的频率和原因，以及比标称方案少获得多少收益。若资料显示生产速度会在当天逐件变化，上面的“同一批次单件时间 $a$”也须重新建模，不能把一个区间参数当作完整的动态过程。

参考资料与相关词条

• Stanford EE364b《Optimization with Uncertain Data》，鲁棒约束和箱形不确定集合的对应式。
• Stanford EE364a 凸优化讲义，鲁棒线性规划与概率约束的区别。
• 相关：线性规划、凸函数、敏感性分析、随机规划与情景树。