报告题目: Robust Satisficing (目标鲁棒性优化方法)
报告人：周明龙 复旦大学管理学院 青年副研究员
报告时间： 2024年4月26日（星期五） 9:00-10:30
报告地点：必发9988集团B309
邀请人：程春 教授
报告内容和摘要:
数据驱动的决策模型在大数据时代尤为重要，然而正如“优化者的诅咒”所揭示的，如果无法合理的考虑数据中的不确定性，那么决策的实际表现可能会显著低于预期效果。为了增加决策对于数据不确定性的鲁棒性，文献中涌现出了多种优秀的优化方法，此次讲座着重讨论近期被提出的目标鲁棒性优化方法（Robust Satisficing）。目标鲁棒性优化的模型超参数是一个具体的目标值如成本预算或目标利润，在管理科学问题中极易解释和设置。目标鲁棒性优化模型的目标函数被定义为脆弱性测度，是一类满意度测度。在此目标函数下，优化模型旨在尽可能在不确定性环境下满足预设的目标值，符合管理学决策的标准。目标鲁棒性优化不只局限于一个模糊集内的概率分布，而是对任何可能出现的概率分布都有表现保障。基于Wasserstein距离的目标鲁棒性优化在多类问题中可解，并且在数值试验中表现良好。
报告人简介:
周明龙现为复旦大学管理学院管理科学系青年副研究员，2021年博士毕业于新加坡国立大学商学院，曾在新加坡国立大学运筹与分析中心进行博士后工作。周明龙的研究兴趣主要包括数据驱动的决策模型、鲁棒优化、预约及调度、机器学习等，学术论文在OR、MSOM、POM期刊发表。主持国家自然科学基金海外优青项目、青年项目。
上一条：Data-Driven Optimization with Robust Stochastic Dominance Constraints
下一条：通过机器学习测量CEO性格变化
【关闭】
