PRISE e NeurPRISE: Riduzione degli scenari guidata dal problema per l'ottimizzazione robusta
L'ottimizzazione robusta a due stadi (2RO) con incertezza discreta è computazionalmente proibitiva. La riduzione degli scenari seleziona un piccolo sottoinsieme rappresentativo per consentire un calcolo trattabile, ma i metodi esistenti sono agnostici rispetto al problema. L'articolo introduce PRISE, un'euristica sequenziale di lookahead guidata dal problema che valuta l'impatto marginale di ogni scenario. PRISE produce sottoinsiemi di alta qualità ma è computazionalmente costoso. Per affrontare questo problema, NeurPRISE utilizza un surrogato neurale GNN-Transformer per codificare la struttura per scenario e le interazioni tra scenari, riducendo il costo computazionale.
Fatti principali
- L'ottimizzazione robusta a due stadi (2RO) con incertezza discreta è complessa.
- La riduzione degli scenari seleziona un piccolo sottoinsieme rappresentativo di scenari.
- I metodi esistenti sono agnostici rispetto al problema, ignorando la regione ammissibile e la struttura di ricorso.
- PRISE è un'euristica sequenziale di lookahead guidata dal problema.
- PRISE valuta l'impatto marginale di ogni scenario.
- PRISE è computazionalmente costoso su larga scala.
- NeurPRISE è un modello surrogato neurale con architettura GNN-Transformer.
- NeurPRISE codifica la struttura per scenario tramite convoluzione su grafo e cattura le interazioni tra scenari.
Entità
—