Robust Granular Optimization: A Structured Approach for Optimization Under Integrated Uncertainty
Notice bibliographique
Résumé
Solving optimization problems under hybrid uncertainty bears a heavy computational burden. In this study, we propose a unified structured optimization approach, termed robust granular optimization (RGO), to tackle the optimization problems under hybrid manifold uncertainties in a computationally tractable manner. Essentially, the RGO can be regarded as a complementary fusion of granular computing and robust optimization techniques. The paradigm of RGO consists of three core phases: 1) uncertainty identification, 2) information granulation in which basic granular units (BGUs) are formed, and 3) robust optimization realized over the BGUs. Following the proposed paradigm, we develop two classes of RGO models for general single-stage and two-stage optimization problems with separable and higher order hybrid uncertainties, respectively. It is shown that both types RGO models can be equivalently transformed into linear programs or mixed integer linear programs that can be handled efficiently by off-the-shelf solvers. Furthermore, a target-based tradeoff model is developed to enhance the flexibility of the RGO models in balancing the granularity level (or robustness level) and the solution conservativeness. The tradeoff model can also be efficiently solved by a binary search algorithm. Finally, sufficient computational studies are presented, and comparisons with the existing approaches show that the RGO models can bring much higher computational efficiency and scalability without losing much optimality, and the RGO solutions exhibit a stronger resistance to the uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».