Robuste Optimierung 1 - Cheatsheet.pdf

Robuste Optimierung 1 - Cheatsheet
Robuste Optimierung 1 - Cheatsheet Grundkonzepte der robusten Optimierung Definition: Grundkonzepte der robusten Optimierung behandeln den Umgang mit Unsicherheiten in Optimierungsproblemen, um Lösungen zu finden, die auch unter variierenden Bedingungen brauchbar bleiben. Details: Ziel: Lösungen finden, die auch bei Unsicherheit der Daten optimal oder nahe optimal bleiben. Unsicherheitsbereich: Me...

© StudySmarter 2024, all rights reserved.

Robuste Optimierung 1 - Cheatsheet

Grundkonzepte der robusten Optimierung

Definition:

Grundkonzepte der robusten Optimierung behandeln den Umgang mit Unsicherheiten in Optimierungsproblemen, um Lösungen zu finden, die auch unter variierenden Bedingungen brauchbar bleiben.

Details:

  • Ziel: Lösungen finden, die auch bei Unsicherheit der Daten optimal oder nahe optimal bleiben.
  • Unsicherheitsbereich: Menge aller möglichen Werte für die unsicheren Parameter (meistens als Polytop dargestellt).
  • Robuste Machbarkeit: Eine Lösung ist robust machbar, wenn sie für alle möglichen Realisierungen der Unsicherheiten machbar bleibt.
  • Robuste Zielfunktion: Zielfunktion ist robust, wenn sie bei allen Realisierungen der Unsicherheiten innerhalb eines akzeptablen Bereichs bleibt.
  • Mathematische Formulierung: \[ \min_{x \in X} \max_{u \in U} c(x, u) \]
  • Szenarioansatz: Betrachtung bestimmter Szenarien, um Unsicherheit zu modellieren.

Formulierung robuster Optimierungsprobleme

Definition:

Entwicklung von Optimierungsmodellen, die auch unter Unsicherheiten im Modell (z. B. Datenunsicherheiten) noch guten, zulässigen Lösungen liefern.

Details:

  • Erfassung von Unsicherheiten durch Unsicherheitsmengen (Uncertainty Sets): \( \mathcal{U} \)
  • Robustes Optimierungsproblem: \( \min_{x \in \mathcal{X}} \; \max_{u \in \mathcal{U}} \; f\left(x, u\right) \)
  • Typische Unsicherheitsmengen: Polytopen, Ellipsoiden, Intervallunsicherheiten
  • Wichtigkeit von konservativen vs. performanten Lösungen
  • Gängige Ansätze: robuste lineare Optimierung, robuste konvexe Optimierung

Lösungstechniken wie Worst-Case-Optimierung

Definition:

Worst-Case-Optimierung ist eine Technik in der robusten Optimierung, um Lösungen zu finden, die unter den schlechtesten möglichen Bedingungen noch akzeptabel sind.

Details:

  • Fokus auf den maximalen Verlust minimieren
  • Modellierung der Unsicherheit als Reihe von Szenarien
  • Ziel: Lösung, die in allen möglichen Szenarien eine zufriedenstellende Leistung erbringt
  • Mathematisch formuliert als: \max_{x} \min_{u \in U} f(x,u)

Unterschiedliche Robustheitskriterien

Definition:

Unterschiedliche Robustheitskriterien bewerten, wie gut eine Lösung gegenüber Unsicherheiten im Modell schützt.

Details:

  • Statische Robustheit: Lösung muss für alle Unsicherheiten innerhalb eines festgelegten Sets gültig sein.
  • Verstellbare Robustheit: Anpassbare Lösungen, die sich durch zusätzliche Informationszuflüsse verbessern lassen.
  • Proba­bilistische Robustheit: Lösungsvalidität wird per Wahrscheinlichkeit bestimmt, akzeptabel nur unter vorgegebener Wahrscheinlichkeit.
  • Totale Robustheit: Setzt extrem restriktive Kriterien voraus, um Lösung für jede mögliche Unsicherheit gültig zu machen.
  • Kostenbasierte Robustheit: Lösung minimiert erwartete Kosten oder Verluste durch Unsicherheiten.
  • Verifizierungsfähig durch Formulierungen wie: Max-\textit{min}, Min-\textit{max}, VaR (Value-at-Risk), CVaR (Conditional Value-at-Risk)

Ansätze zur Robustheitsanalyse

Definition:

Ansätze zur Robustheitsanalyse untersuchen, wie sensitiv ein optimales Lösung in Bezug auf Unsicherheiten in den Parametern ist.

Details:

  • Berücksichtigung von Unsicherheiten in Eingabedaten.
  • Konservativer Ansatz: Worst-Case-Szenarien.
  • Stochastischer Ansatz: Verteilung der Unsicherheiten bekannt.
  • Trade-off zwischen Robustheit und optimaler Lösung.
  • Mathematische Formulierung oft durch Unsicherheitsmengen.
  • Ziel: Lösungen finden, die für eine Vielzahl möglicher Szenarien gut sind.

Dualitätsprinzipien und ihre Anwendung

Definition:

Konzepte der Dualität in mathematischer Optimierung, speziell zur Analyse und Lösung von Optimierungsproblemen.

Details:

  • Primales Problem: Ursprüngliches Optimierungsproblem
  • Dualproblem: Abgeleitetes Problem aus dem Primalen
  • Schwach dual: Zielfunktionswerte des Dualproblems bilden obere Schranken für das primale Problem
  • Stark dual: Optimallösungen beider Probleme entsprechen sich
  • Dualitätssatz: Bei konvexen Problemen gilt starke Dualität
  • Anwendung in robuster Optimierung: Lösung worst-case Szenarien durch Betrachtung von Dualproblemen
  • Mathematisch ausgedrückt:
    • Primales Problem: \(\text{Minimiere } f(x) \)
    • Dualproblem: \( \text{Maximiere } g(y) \)
    • Schwach dual: \(f(x) \geq g(y)\)
    • Stark dual: \(f(x^*) = g(y^*)\)

Vergleich verschiedener Solver und Algorithmen

Definition:

Vergleich verschiedener Methoden zur Lösung von Optimierungsproblemen anhand von Performance, Genauigkeit und Robustheit.

Details:

  • Solvertypen: Lineare Programmierung (LP), Ganzzahlige Programmierung (IP), Nichtlineare Programmierung (NLP), Gemischt-ganzzahlige Programmierung (MIP)
  • Vergleichskriterien: Laufzeit, Lösungsqualität, Speicherbedarf, Skalierbarkeit, Robustheit gegenüber Störungen
  • Beliebte Solver: Gurobi, CPLEX, IPOPT, CBC
  • Algorithmen: Simplex, Branch-and-Bound, Interior-Point, Gradient-basierte Methoden
  • Robustheit: Fähigkeit des Solvers/Algorithmus, unter Unsicherheiten oder Störungen verlässliche Lösungen zu liefern
  • Praxisbeispiele: Transportproblem, Produktionsplanung, Netzwerkdesign

Mathematische Formulierung robuster Optimierungsprobleme

Definition:

Mathematische Formulierung robuster Optimierungsprobleme umfasst die Modellierung von Problemen, bei denen Unsicherheit in der Daten eine Rolle spielt, sodass Lösungen gegenüber Schwankungen und Störungen stabil bleiben.

Details:

  • Allgemeine Formulierung: \( \min_{x \in X} \max_{u \in U} f(x, u) \), wobei \( X \) der Lösungsraum und \( U \) der Unsicherheitsraum ist.
  • Robuste Zielfunktion: \[ \max_{u \in U} f(x, u) \]
  • Robuste Nebenbedingungen: \[ G(x, u) \leq 0 \quad \forall u \in U \]
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden