Kenneth Cheng數學建模

技術導讀

經得起分佈轉移的決策

分佈穩健最佳化追問：當機率模型只屬近似已知時，哪一個決策仍能維持可接受的表現？

2026年7月16日 · 約 7 分鐘閱讀

一個「最佳」決策，可能只是對一個不會再次出現的分佈給出的精確答案。

需求預測會轉移、感測器使用群體會改變、出行行為會適應，而罕見事件在校準樣本中仍然罕見。隨機最佳化模型即使仔細描述了觀測分佈，也可能選出一個對輕微機率誤差十分脆弱的決策。最佳化本身更會放大這個問題：在眾多候選決策中，程序傾向挑選一個最能利用估計目標函數所用樣本特徵的方案。

分佈穩健最佳化（distributionally robust optimisation，DRO）改變了問題。它不假設只有一個已知機率分佈，而是考慮一組合理分佈，並把集合內最差的期望成本降到最低：

min⁡q∈Q  sup⁡p∈P(ρ)Ep[c(q,D)].\min_{q\in\mathcal Q}\;\sup_{p\in\mathcal P(\rho)}\mathbb E_p[c(q,D)].

穩健決策實驗室把這個概念用於有限容量問題。它同時展示厭惡分佈模糊所帶來的好處與代價，並不把穩健性包裝成免費保證。

名義、穩健與分佈穩健並不是同義詞

名義隨機模型在單一分佈 p0p_0 下選擇期望成本最低的決策：

qnom∈arg⁡min⁡qEp0[c(q,D)].q_{\text{nom}}\in\arg\min_q \mathbb E_{p_0}[c(q,D)].

傳統穩健最佳化則保護決策免受某個集合內不確定值的影響，通常不需要為這些值指定機率。DRO 保護的是一個模糊集合 P\mathcal P 內的機率分佈。這個中間位置保留了期望成本的推理方式，同時承認分佈本身亦不確定。

這個區別很重要，因為模糊集合實際上定義了何謂「合理的分佈轉移」。矩集合可保護決策免受具有指定均值或方差的不同分佈影響；Wasserstein 球限制從經驗分佈搬移機率質量所需的運輸成本；散度球則限制統計差異。互動模型在五個固定需求值上採用總變差距離。

沒有任何模糊集合會自動正確。它是一個建模對象，其幾何應該配合資料生成不確定性與決策的失效方式。

一個有限容量問題

實驗室採用以下需求狀態：

D∈{40,55,70,85,100},D\in\{40,55,70,85,100\},

名義機率為 (0.1,0.2,0.4,0.2,0.1)(0.1,0.2,0.4,0.2,0.1)。容量 qq 產生不對稱的分段線性成本：

c(q,D)=cu(D−q)++co(q−D)+,c(q,D)=c_u(D-q)_+ + c_o(q-D)_+,

其中 cuc_u 是短缺成本，coc_o 是過量成本。較高的短缺懲罰鼓勵預留更多容量；較高的過量懲罰則抑制閒置容量。

模糊集合包含所有與名義向量相距不超過總變差半徑 ρ\rho 的機率向量：

P(ρ)={p:12∑s∣ps−p0s∣≤ρ,  ps≥0,  ∑sps=1}.\mathcal P(\rho)=\left\{p:\frac12\sum_s|p_s-p_{0s}|\leq\rho,\;p_s\geq0,\;\sum_s p_s=1\right\}.

對任何固定容量，最差分佈會把機率質量從低成本需求狀態移到高成本狀態，直至用盡搬移預算。因為支撐集有限，內層最大化可以由一個小型線性規劃準確求解；瀏覽器實作針對這條一維成本向量，使用等價的貪婪質量搬移計算。

雙面板示意圖：左邊比較不同容量下的名義與最差期望成本曲線；右邊顯示機率質量移向高成本需求狀態。
圖 1。 DRO 的外層與內層問題互相連結。面板（a）顯示示意性的名義與最差期望成本曲線，兩者的最低點會選出不同容量。面板（b）顯示相應的壓力測試邏輯：在模糊預算內，機率質量從成本較低的狀態移往成本較高的需求狀態。

圖 1 把兩個很容易混淆的對象分開。上方曲線是決策準則；對抗性機率向量則是在固定決策下達到該準則的分佈。兩者都不應被解讀成下一期必然遵循最差情況的預測。

模糊半徑是一個科學參數

當 ρ=0\rho=0，模糊集合只包含名義分佈，所以兩個最佳化問題相同。隨着 ρ\rho 增加，最差成本曲線會上升，並可能偏好另一個容量。穩健解通常會轉向保護成本較高的尾部，但實際方向取決於成本不對稱與支撐集。

一個常見誘惑，是不斷調整半徑，直至模型給出令人安心的決策。這樣做倒轉了證據邏輯。半徑應由並非為支持最終答案而挑選的資料校準，或接受獨立壓力測試。

可行的校準方法包括集中不等式、留出資料的似然或覆蓋率、bootstrap 變異、已知抽樣誤差，或在最佳化之前已協議的領域情境。Mohajerin Esfahani 與 Kuhn說明 Wasserstein 模糊集合如何在明確假設下提供可解的重構形式與有限樣本表現保證。若換成另一種距離、半徑規則、相依資料集或成本函數，這些保證不會自動轉移。

因此，實務報告應展示整條半徑路徑，而不是只給一個偏好的值。如果決策在半徑稍微改變時反覆跳動，模型其實正在告訴分析者：建議依賴的細微機率差異，可能超出資料能支持的程度。

穩健性的代價需要兩本帳

實驗室首先報告名義穩健代價：

Ep0[c(qrob,D)]−Ep0[c(qnom,D)].\mathbb E_{p_0}[c(q_{\text{rob}},D)]- \mathbb E_{p_0}[c(q_{\text{nom}},D)].

這個量衡量採用穩健決策時犧牲了多少名義期望表現。它有用，但只代表第一本帳。第二本帳要在合理的轉移分佈或留出分佈下評估兩個決策。只有當分佈外損失的減少足以抵銷名義溢價，穩健決策才值得採用。

單靠最差目標值不能用經驗證據建立這個平衡。模糊集合可能太小而遺漏重要轉移，亦可能太大，令決策被不合理分佈主導。近期研究繼續發展能表達更豐富資訊、同時控制保守程度的模糊集合。例如，Chen 等人提出矩—離散度模糊集合，以表達位置、離散程度、支撐集和部分相依結構，並在資料有限的實驗中與矩集合及 Wasserstein 方法比較。

所以，真正相關的問題並非「DRO 是否保守」，而是「它針對哪些轉移保守、付出多少名義成本，以及經過甚麼經驗校準」。

一個更強的研究設計

只要加入預先聲明的評估方案，瀏覽器例子便可發展成一項學術計算研究。

首先建立數個資料生成族：它們在觀測樣本附近相似，但尾部厚度、偏態、相依性或制度轉變各不相同。用不同大小的訓練樣本估計名義分佈，只用訓練資料建立競爭的模糊集合，為每種方法選擇決策，然後在來自名義與轉移家族的大型獨立測試樣本上評估。

驗證流程把訓練資料、模糊集合校準、最佳化與留出制度測試分開，最後計算名義成本、轉移後悔值、可靠度與敏感度。
圖 2。 預先聲明的驗證設計，把模糊集合校準與評估所用的轉移情境分開。名義、DRO 與壓力測試決策都在兩本帳上評分：擬合分佈下的表現，以及獨立轉移制度下的表現。

這種分離十分重要，因為如果用同一批不利制度調整半徑，之後又用它們聲稱方法穩健，就等於把答案洩漏到設計之中。留出轉移不能令研究完全沒有假設，但能令可靠度與保守程度接受經驗比較。

至少應報告四個量：

  1. 名義期望成本；
  2. 轉移後的期望成本與後悔值；
  3. 實現成本超出模型界線的頻率；以及
  4. 決策對模糊半徑的敏感度。

一個聚焦的研究問題可以是：

在小樣本與不對稱需求轉移下，哪種模糊集合幾何能為容量決策提供最佳的可靠度—保守度取捨？

研究應把 DRO 與名義隨機基準，以及至少一種較簡單的壓力測試規則比較。否則，較佳的最差情況表現可能只源於選擇了較大容量，而不是更有效地表達分佈不確定性。

應用延伸可以選擇城市服務容量、課室通風需求、再生能源儲備或緊急物資。公開文章只應解釋已驗證輸出與核准圖像；原始實驗和私人技術紀錄繼續與編輯內容分開。

模型遺漏了甚麼

實驗室採用固定五點支撐集。機率可以在已列出的需求狀態之間移動，卻不能創造高於 100 或低於 40 的需求。在尾部風險應用中，這項遺漏可能比觀測支撐集內任何機率擾動都更重要。

模型是單期的，而且在每個候選分佈內採用風險中性的期望成本。它省略了補救行動、學習、交付時間、跨期相依、整數限制、服務水平約束，以及超出期望成本以外的變異厭惡。總變差距離也把相同機率質量的每次轉移視為等價，不理會需求移動了多遠；Wasserstein 距離則會編碼移動距離。

最後，對抗性分佈是一個數學壓力情境，並不是預測自然會刻意選擇最差方案。它的價值，是在指定集合下揭示決策對分佈假設的依賴，而不是預測哪一種轉移將會發生。

結語

當分佈不確定性以可控而可解釋的方式逐步擴大時，DRO 最能清楚顯示決策如何改變。

穩健決策不會自動更安全，名義決策也不會自動顯得天真；兩者都依賴建模承諾。證據來自模糊集合的建構、半徑校準、樣本外評估，以及為保護而付出的明確名義成本。

只有當轉移的定義獨立於答案，一個決策才算真正經得起轉移。

參考文獻

  1. Wiesemann, W., Kuhn, D., & Sim, M. (2014). Distributionally robust convex optimization. Operations Research, 62(6), 1358–1376. https://doi.org/10.1287/opre.2014.1314
  2. Mohajerin Esfahani, P., & Kuhn, D. (2018). Data-driven distributionally robust optimization using the Wasserstein metric: Performance guarantees and tractable reformulations. Mathematical Programming, 171, 115–166. https://doi.org/10.1007/s10107-017-1172-1
  3. Noyan, N., Rudolf, G., & Lejeune, M. A. (2022). Distributionally robust optimization under a decision-dependent ambiguity set with applications to machine scheduling and humanitarian logistics. INFORMS Journal on Computing, 34(2), 729–751. https://doi.org/10.1287/ijoc.2021.1096
  4. Chen, L., Fu, C., Si, F., Sim, M., & Xiong, P. (2025). Robust optimization with moment-dispersion ambiguity. Operations Research, 73(6), 3118–3138. https://doi.org/10.1287/opre.2023.0579