Vassilis Charitopoulos

新框架使用生成模型进行鲁棒优化

研究人员引入了生成式鲁棒优化（GRO），一个利用深度生成模型来定义鲁棒优化问题不确定性集的新框架。与施加固定几何形状的传统方法不同，GRO采用神经网络解码器来表示现实世界数据中复杂、非线性的依赖关系。该框架通过一个五点评估系统进行评估，评估指标包括重建保真度、分布匹配、潜在规则性、鲁棒相关性和计算可行性。在生产规划和设施选址问题上的实验表明，GRO能够创建富有表现力、校准良好且对优化可行的不确定性集。