具有选择适应性的鲁棒二元优化的网络流模型

自适应鲁棒优化问题近年来受到了显著关注，但当回溯决策本质上是离散时，这类问题依然非常难以解决。本文提出了用于目标不确定的自适应鲁棒二元优化（ARBO）问题的新重构技术。没有损失一般性，我们重点关注具有“选择适应性”的ARBO问题，这是我们创造的一个术语，用于描述第一阶段和第二阶段解决方案之间的一类常见链接约束。我们的主要贡献围绕着一系列精确和近似的网络流重构，针对ARBO问题进行开发，这一工作基于决策图文献中的思想。我们提出的模型能够生成可行解、原始界限和对偶界限，同时其大小和近似质量可以通过用户指定的参数精确控制。此外，与现有的解决方法相对，这些模型易于实现，且可以通过标准现成求解器直接求解。通过一组广泛的计算实验，我们表明我们模型能够在显著少于流行基准方法的时间内生成高质量的解和对偶界限，通常是数量级的差异。