Robust optimization II - Cheatsheet
Definition und Eigenschaften der robusten Optimierung
Definition:
Formale Methode zur Entscheidungsfindung unter Unsicherheit; zielt darauf ab, Lösungen zu finden, die gegenüber Schwankungen in den Parametern unempfindlich sind.
Details:
- Ziel: Minimierung des schlimmstmöglichen Falles (Worst-Case-Optimierung)
- Unsicherheitsmenge \(\mathcal{U}\): Definiert mögliche Abweichungen von nominalen Parametern
- Robustes Optimierungsproblem: \[ \min_{x \in X} \max_{u \in \mathcal{U}} f(x, u) \]
- Vergleich zu stochastischer Optimierung: Keine Wahrscheinlichkeitsverteilungen, nur Unsicherheitsmengen berücksichtigt
- Anwendungen: Supply Chain Management, Finanzplanung, Ingenieurwesen
Unterschiede zu klassischen Optimierungsmethoden
Definition:
Unterschiede zwischen robusten und klassischen Optimierungsmethoden.
Details:
- Robuste Optimierung zielt auf Lösungen, die unter Unsicherheit stabil sind.
- Klassische Optimierung maximiert/minimiert eine Zielfunktion unter festen Bedingungen.
- Robuste Optimierung verwendet \textit{Unsicherheitsmengen} zur Modellierung der Datenunsicherheit.
- Klassische Methoden sind oft sensibler gegenüber Parameteränderungen.
- Robuste Optimierung führt Lösungen ein, die für alle möglichen Szenarien innerhalb der Unsicherheitsmenge gültig sind.
- Erfordert oft mehr Rechenleistung und komplexere Algorithmen.
Mathematische Formulierung von Optimierungsproblemen
Definition:
Mathematische Formulierung von Optimierungsproblemen bezieht sich auf die präzise Darstellung eines Optimierungsproblems in mathematischen Ausdrücken.
Details:
- Objektivfunktion: \( \text{minimize/maximize } f(x) \)
- Entscheidungsvariablen: Vektoren oder Matrizen, die die zu optimierenden Größen darstellen
- Einschränkungen: Bedingungen, die die zulässigen Lösungen beschränken \( g_i(x) \leq 0, \ h_j(x) = 0 \)
- Zustandsraum: Menge aller möglichen Lösungskandidaten
- Lösungsverfahren: Methoden zur Bestimmung einer optimalen Lösung, z.B. Lagrange-Multiplikatoren, Simplex-Algorithmus
Einführung in Unsicherheitsmodellierung und -management
Definition:
Einführung in die Methoden und Konzepte zur Modellierung und zum Management von Unsicherheiten in mathematischen und informatischen Kontexten.
Details:
- Unsicherheitsarten: stochastisch vs. nicht-stochastisch
- Modelle zur Erfassung von Unsicherheiten: Wahrscheinlichkeitsverteilungen, Intervallmethoden
- Management-Techniken: Sensitivitätsanalyse, Szenarioanalyse, robuste Optimierung
- Ziel: Entwicklung von Systemen, die zuverlässig unter Unsicherheiten arbeiten können
Konzepte der konvexen Optimierung und Dualität
Definition:
Zentrale Themen der Optimierung: Konvexe Funktionen/Mengen, starke/Schwache Dualität
Details:
- Eine Menge C ist konvex, wenn für alle x, y ∈ C und \( \theta \in [0,1] \) gilt: \[ \theta x + (1 - \theta) y \in C \]
- Eine Funktion f ist konvex, wenn für alle x, y im Definitionsbereich und \( \theta \in [0,1] \) gilt: \[ f(\theta x + (1 - \theta) y) \leq \theta f(x) + (1 - \theta) f(y) \]
- Primalproblem: \[ \min_{x \in \mathbb{R}^n} f(x) \]
- Dualproblem: \[ \max_{\lambda \geq 0} g(\lambda) \]
- Schwache Dualität: \[ f(x^*) \geq g(\lambda^*) \]
- Starke Dualität gilt unter bestimmten Bedingungen (z.B. Slater-Bedingung)
Speziell angepasste Algorithmen für robuste Optimierung
Definition:
Optimierungsalgorithmen, die an Unsicherheiten in den Daten oder Modellen angepasst sind, um robuste Lösungen zu garantieren.
Details:
- Fokussiert auf Widerstandsfähigkeit gegen Unsicherheiten in Eingabedaten
- Methoden: Szenarien-Ansatz, Verfeinerung von Bertsimas und Sim Algorithmus
- Beispiel: Berücksichtigung von Bandbreiten für Parameter anstelle fixer Werte
- Nicht zu verwechseln mit einfacherer Sensitivitätsanalyse
- Verwendet oft lineare und nichtlineare Programmierung
- Wichtige Methoden: Schnittverfahren, Approximationstechniken
- Ziel: Lösungensspaces minimieren und robuste Optimallösungen erreichen
- Einsatz in Lieferketten, Finanzplanung, Ingenieurswesen
Stabilität und Sensitivitätsanalyse von Lösungen
Definition:
Untersuchung der Robustheit von Lösungen bei Änderungen der Eingabedaten oder Parameter.
Details:
- Stabilität: Analyse der Variations- und Fehleranfälligkeit einer Lösung.
- Sensitivitätsanalyse: Messen, wie Änderungen der Eingabedaten die Lösung beeinflussen.
- Mathematisch oft durch partielle Ableitungen oder numerische Methoden untersucht.
- Wichtige Konzepte: bedingte Nummer (condition number), Worst-Case-Analyse und Szenarienanalyse.
- Stabilitätskriterien: Konvergenz und Konsistenz.
- Ziel: Sicherstellen, dass die Lösung unter realistischen Bedingungen brauchbar bleibt.
Numerische Verfahren und Implementierungsdetails
Definition:
Berechnungsmethoden und Implementierungstechniken zur Lösung robuster Optimierungsprobleme.
Details:
- Vermeide naive Algorithmen - bevorzuge effizientere Methoden wie Simplex oder Interior-Point.
- Verwendete numerische Verfahren hängen von speziellen Anforderungen und Problemstruktur ab.
- Software-Implementierungen sollten Präzision und Stabilität der numerischen Berechnungen sicherstellen.
- Bewertung der Komplexität und des Speicherbedarfs der Algorithmen.
- Beispiele für Software-Tools: MATLAB, Python (SciPy, NumPy), C++ (COIN-OR).