آموزش بهینه سازی استوار یا مقاوم Robust

معمولا روش‌‌های کلاسیک بهینه‌سازی، عدم قطعیت داده‌ها را نادیده در نظر می‌گیرد و مساله را به گونه‌ای حل می‌کند که گویی داده‌های اسمی یا حدس‌‌های ما با داده‌‌های واقعی یکسان‌ هستند. یکی از مهمترین مشکلات مدل‌‌های بهینه‌سازی کلاسیک، فرض قطعی بودن داده‌‌ها در مسائل بهینه‌سازی است. با این حال، در طیف وسیعی از مسائل دنیای واقعی، داده‌‌های موجود، غیر قطعی و نادقیق هستند. روش‌‌های متعددی برای به‌کارگیری داده‌‌های نادقیق در ادبیات بهینه‌سازی و مدل‌سازی ریاضی وجود دارند. یکی از جدیدترین و عملیاتی‌ترین آن‌ها، بهینه‌سازی مقاوم است که در دهه‌های اخیر مورد توجه و مطالعه محققین سرشناسی قرار گرفته است. بهینه‌سازی مقاوم، زمانی به‌کار می‌آید که پارامترهای غیر قطعی مقادیر خود را از مجموعه‌های شامل سناریوها (حالت‌‌های ممکن) که از پیش توسط کاربر تعیین شده است، اختیار نمایند. این مجموعه سناریوها را مجموعه عدم قطعیت می‌نامند. رویکرد بهینه‌سازی استوار، یافتن جوابی با لحاظ کردن تمام حالت‌‌های ممکن است تا جواب به دست آمده در مقابل تغییر در پارامترها و شرایط مساله مقاوم باشد. اگر چه اولین مطالعه منتشر شده در بهینه‌سازی استوار مربوط به دهه ۱۹۷۰ است، با این حال بهینه‌سازی استوار یک زمینه تحقیقاتی به نسبت فعالی می‌باشد که به طور عمده طی دو دهه اخیر توسعه یافته است. ردپای بهینه‌سازی استوار به طور گسترده در مقالات و کتب متعددی همچون موضوعات کاربردی شامل امور مالی، زنجیره تامین، بهداشت و درمان، مهندسی و بازاریابی دیده می‌شود که این موضوعات اهمیت بهینه‌سازی استوار را برای فراگیری برجسته می‌سازد.

فرادرس

عباس خادمی