资产组合鲁棒优化模型及应用研究
鲁棒优化的方法及应用概述
鲁棒优化的方法及应用杨威在实际的优化中决策过程中，我们经常遇到这样的情形，数据是不确定的或者是非精确的；最优解不易计算，即使计算的非常精确，但是很难准确的实施；对于数据的一个小的扰动可能导致解是不可行。
鲁棒优化是一个建模技术，可以处理数据不确定但属于一个不确定集合的优化问题。
早在19世纪70年代，Soyster 就是最早开始研究鲁棒优化问题的学者之一，他的文章给出了当约束矩阵的列向量属于一个椭球形不确定的集合时的鲁棒线性优化问题。
几年以后Falk 沿着这条思路做了非精确的线性规划。
在以后的很长的一段时间里，鲁棒优化方面都没有新的成果出现。
直到19世纪末，Ben-Tal,Nemirovski 的工作以及这时计算技术的发展，尤其是对于半定优化和凸优化内点算法的发展，使得鲁棒优化又成为一个研究的热点。
一个一般的数学规划的形式为0000,min {:(,)0,(,)0,1,...,}ni x R x R x f x x f x i m ξξ∈∈-≤≤=其中x 为设计向量，0f 为目标函数，12,,...,m f f f 是问题的结构元素。
ξ表示属于特定问题的数据。
U 是数据空间中的某个不确定的集合。
对于一个不确定问题的相应的鲁棒问题为0000,min {:(,)0,(,)0,1,...,,}ni x R x R x f x x f x i m U ξξξ∈∈-≤≤=∀∈这个问题的可行解和最优解分别称为不确定问题的鲁棒可行和鲁棒最优解。
这篇文章主要回顾了鲁棒优化的基本算法，目前的最新的研究结果及在经济上的应用。
1 鲁棒优化的基本方法1.1鲁棒线性规划一个不确定线性规划{min{:}(,,)}Tnm nm xc x Ax b c A b U R RR ⨯≥∈⊂⨯⨯所对应的鲁棒优化问题为min{:,,(,,)}Txt t c x Ax b c A b U ≥≥∈，如果不确定的集合是一个计算上易处理的问题，则这个线性规划也是一个计算上易处理的问题。
鲁棒优化及相关问题的研究
鲁棒优化及相关问题的研究鲁棒优化研究带不确定性的优化问题,是不确定优化的一个分支.在鲁棒优化中,主要关注由不可控参数引起的不确定性,且仅知道不可控参数在某个不确定集中取值.由于对实际问题有效的建模和求解,鲁棒优化已发展成为处理不确定优化问题重要且十分普遍的工具.基于鲁棒性这个概念,本文围绕鲁棒优化探讨了无穷多目标优化、不确定向量优化和不确定互补问题中相关的一些重要课题.主要内容如下:1.基于对强鲁棒性、一致鲁棒性和严格鲁棒性的细致分析,通过设置调整变量建立了一种新的鲁棒性,称为松弛鲁棒性.其对应的松弛鲁棒模型包含了相关文献中出现的具有松弛意义的大部分模型,例如偏离鲁棒模型、可靠鲁棒模型、软鲁棒模型以及随机方法中的期望值模型和风险规避模型.这个统一的模型表明:对不确定性的处理方式取决于决策者对不确定性掌握的信息、对这些信息的态度以及可用的数学方法.另外,提出了鲁棒性测度并研究了它的一些基本性质,如平移同变性、单调性、正齐次性和凸性.2.在基于分量比较的序结构上,对无穷多目标优化问题引入了Pareto有效性和Geoffrion真有效性,并借此表明了无穷多目标优化与不确定/鲁棒优化的密切关系.针对一般的不确定优化问题,利用推广的ε-约束方法得到了 Pareto鲁棒解的生成方法.通过一族锥刻画了Geoffrion真有效性,并揭示了Pareto有效性与Geoffrion真有效性的本质区别:Pareto有效性需要对其它的成员补偿都有界,而Geoffrion真有效性要求对其它的成员补偿一致有界.最后,将Geoffrion真有效性应用到鲁棒对应上,得到了不确定型选择理论中著名的Hurwicz准则.3.遵循鲁棒标量优化中的研究方法,对不确定向量优化问题,首先建立了硬性意义下的鲁棒对应模型.然后,出于对这个鲁棒模型一个缺点的修正,利用Pareto 有效性的思想将其松弛,得到了紧性意义下的鲁棒对应模型.不同于文献中大量使用的集方法,这两个鲁棒模型属于鲁棒多目标/向量优化研究中的向量方法.与基于集方法得到的鲁棒模型进行了深刻地比较,展示出它们特殊的地位以及向量方法更大的潜力.4.对带模糊参数的互补问题,利用可能性理论中的可能性测度和必要性测度去除模糊,提出了两类确定性的模型,分别称为可能性满意模型和必要性满意模型.从不同的角度进行了分析,得到了它们的解具有的一些重要特征.随后,比较了几种受不同类型的不确定性影响的互补问题及相应的处理方法,包括对模糊映射的模糊互补问题、对不确定集的鲁棒互补问题和对随机不确定性的随机互补问题.最后,将这两类模型应用到模糊优化、模糊博弈和带模糊互补约束的数学规划问题上.。
鲁棒优化算法在机器学习中的应用研究
鲁棒优化算法在机器学习中的应用研究随着大数据和人工智能的迅速发展，机器学习逐渐成为了一种流行的数据分析方法。
然而，机器学习也常常面临一些挑战，例如训练数据的质量、过拟合、噪声干扰等问题。
为了解决这些问题，研究人员一直在开发新的算法。
鲁棒优化算法便是其中之一，它可以提高机器学习的稳健性和泛化能力。
本文将介绍鲁棒优化算法的实现原理、实验结果和其他相关应用。
一、鲁棒优化算法的实现原理鲁棒优化算法是一种特殊的优化算法，能够对输入数据的异常值和噪声干扰具有较高的鲁棒性。
该算法的实现原理与标准优化算法有所不同，主要包括以下几个步骤：1.选择一个合适的损失函数在使用鲁棒优化算法时，需要选择一个合适的损失函数，以反映算法对异常值和噪声干扰的鲁棒性。
例如，可以使用Huber损失函数，它在小误差情况下使用的是L2范数，而在大误差情况下使用的是L1范数。
2.对数据进行预处理在运行鲁棒优化算法之前，需要对数据进行预处理，以排除可能存在的噪声和异常值。
例如，可以使用中位数滤波器或截断均值去除器等技术，这些技术可以将数据中不稳定的部分隔离开来。
3.使用特定的优化算法在实现鲁棒优化算法时，可以选择使用适合的优化算法。
由于对异常值和干扰的鲁棒性要求较高，因此通常使用鲁棒的优化算法，例如鲁棒线性规划算法或鲁棒拟合算法。
4.重复训练和测试为了提高鲁棒优化算法的性能，需要多次训练和测试，以确保算法处理异常值的效果仍然良好。
例如，可以使用交叉验证的技术来验证算法的性能。
二、鲁棒优化算法在实验中的结果许多研究人员已经使用鲁棒优化算法在机器学习中取得了很好的效果。
例如，在使用支持向量机（SVM）分类器时，鲁棒SVM算法可以大大减少噪声和异常值对训练结果的影响。
在使用线性回归模型时，鲁棒线性回归算法可以更好地适应噪声和异常值的情况。
此外，鲁棒最小二乘线性回归算法非常适合处理具有复杂误差分布的数据。
三、鲁棒优化算法的其他应用除了在机器学习中使用鲁棒优化算法，还可以将其应用于其他领域。
基于鲁棒优化的若干投资组合模型研究
基于鲁棒优化的若干投资组合模型研究投资组合通常是指个人或机构所拥有的由股票、债券及衍生金融工具等多种有价证券构成的一个投资集合。
传统上投资组合模型数学规划的经典范例是在输入参数准确可知并且等于某些标称值的假设条件下建立模型,并利用已有的数学规划方法求解模型得出最优解。
然而,这些方法并没有考虑数据的不确定性对建模质量和可行性的影响,本文采用鲁棒优化方法构建投资组合模型解决投资组合模型容易受输入参数影响的问题。
本文一方面试图将鲁棒优化方法在不同投资组合模型中的应用建立一个系统的框架,另一方面弥补了国内目前仅对部分投资组合鲁棒优化模型进行研究,而忽略了交易成本和现实约束对鲁棒优化投资组合模型的影响,丰富了鲁棒优化投资组合模型的应用范围,同时针对其衍生(含交易成本和现实约束)鲁棒优化模型得到以下结论：(1)鲁棒优化投资组合模型相比于传统的投资组合模型(相对应的模型进行比较,即如：鲁棒均值-CVaR投资组合(RCVaR)模型相比于均值-条件风险价值(CVaR)投资组合(MCVaR)模型)更能获得稳定的回报,投资绩效更高。
(2)交易成本的引入。
对于将交易成本引入投资组合优化模型后鲁棒优化模型进行分析,这类投资组合优化模型是可解的、有效的、具有鲁棒性的,其投资组合收益、投资组合风险和投资组合绩效表现均优于将交易成本直接引入投资组合优化模型,表明引入交易成本后鲁棒优化模型仍是有效的。
同时在基于交易成本的鲁棒优化模型中引入现实约束,则会进一步提升投资组合收益、组合风险和投资组合绩效方面的表现。
(3)现实约束的引入。
对于不含交易成本的鲁棒优化模型引入现实约束后得出：第一,分散化程度对投资组合影响。
在投资组合各项资产权重充分分散之前,随着投资组合分散程度的增加,投资组合收益降低,投资组合风险减小,这与资本市场实际情况相同；在投资组合各项资产权重充分分散之后,随着投资组合分散程度的增加,投资组合收益同样减小,但是投资组合风险增加。
鲁棒优化模型和最优解解法毕业论文
鲁棒优化模型和最优解解法毕业论文1.简介装配线就是包括一系列在车间中进行连续操作的生产系统。
零部件依次向下移动直到完工。
它们通常被使用在高效地生产大量地标准件的工业行业之中。
在这方面，建模和解决生产线平衡问题也鉴于工业对于效率的追求变得日益重要。
生产线平衡处理的是分配作业到工作站来优化一些预定义的目标函数。
那些定义操作顺序的优先关系都是要被考虑的，同时也要对能力或基于成本的目标函数进行优化。
就生产（绍尔4999）产品型号的数量来说，装配线可分为三类：单一模型（SALBP），混合模型（MALBP）和多模式（MMALBP）。
在混合模型线和类似的生产流程中的同一产品的几个版本都需要他们。
凡生产流程有明显不同的生产线都需要计划并被称为多模型生产线。
从整体上对单一模型的装配线来说，对于一种均匀的产品的制造，就会有两个基本能力取向的问题：在给定一个所需的周期时间最小化工作站的数量，所有这是由工作站时间的最大值（SALBP1）中所定义；或在给定的工作站数目下最小化周期时间（SALBP2）。
AVORD版木.结合两种构想和优化工作站的数量和周期时间的效率问题(SALBP 2)，也经常被研究。
在现实生活中，装配过程中受到各种不确定性来源的影响，如操作时间的可变性、资源使用或可用性。
这些变化威胁到装配目标和避免它们造成的损失是至关重要的。
在这些资源中，操作时间的变化是重要的，特别是对于包含手动操作的生产线。
在大量变化的情况下，生产管理是昂贵的(生产线停工，工人的再分配，加班、短缺，等等)。
在这方面，本研究着重于预防这些成本的产生。
为此，我们制定了鲁棒SALBP-2。
在这个问题中，工作站被认为是预先确定的数量，因此变化影响生产周期和生产率。
开发一个算法来分配操作工作站，使其有可能在定义的最小周期完成。
因此，即使面对突发事件也能表现良好的更可靠的装配系统将会被设计出来。
我们强调，这项研究既有助于装配线设计的理论也有助于其实践。
鲁棒性优化的原理、评估方法及应用-放射医学论文-基础医学论文-医学论文
鲁棒性优化的原理、评估方法及应用-放射医学论文-基础医学论文-医学论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——摘要：质子治疗过程容易受射程偏差、摆位偏差、患者解剖结构改变等不确定因素的影响，质子调强放疗的鲁棒性优化是将这些不确定因素考虑进计划的制定过程中，增加治疗计划鲁棒性的一种方法，在临床中有广泛的应用。
鲁棒性优化的方法主要有4种：（1）概率法；（2）最差剂量法；（3）添加约束项；（4）多CT优化。
本文综述了这4种方法的原理、优缺点和临床应用情况。
同时，还介绍了治疗计划鲁棒性的评估方法。
虽然目前剂量体积直方图束是最常用的评估治疗计划鲁棒性的方法，但是，剂量体积直方图束不能反映质子调强放疗计划对解剖结构改变的鲁棒性，因此，还急需建立一个简单易用并能被广泛接受的鲁棒性评估方法，方便质子调强放疗计划的对比和评估。
关键词：质子调强放射治疗; 鲁棒性优化; 鲁棒性评估; 综述;Abstract：The intensity modulated proton therapy（IMPT）process is susceptible to factors such as range uncertainties, setup uncertainties and anatomical changes. The robust optimization of IMPT is a method to increase the robustness of treatment plan by taking these uncertainties into consideration in the process of optimization, which is widely used in clinical practice.There are four methods for robust optimization:（1）probability method;（2）worst dose method;（3）adding constraints;（4）multiple CT optimization. This paper reviews the principles, advantages and disadvantages of these four methods and their clinical application, and it also introduces the evaluation methods for robustness. Although the dose volume histogram（DVH）bands is the most commonly used method to evaluate the plan robustness, DVH bands cannot reflect the robustness of IMPT plan with anatomical changes. Therefore, it is urgent to establish a simple and widely accepted robustness evaluation method to facilitate the comparison and evaluation of IMPT plans.Keyword：intensity modulated proton therapy; robust optimization; robustness evaluation; review;前言质子调强放疗（Intensity Modulated Proton Therapy,IMPT）相比于传统的光子调强放疗（Intensity Modulated Radiation Therapy,IMRT）有剂量上的优势[1,2,3,4]，但是，IMPT的剂量线梯度大，容易受不确定因素的影响[5]。
基于鲁棒优化的模式识别方法研究
基于鲁棒优化的模式识别方法研究模式识别是计算机科学中的一个重要领域，涉及到将特定的输入与已知的模式进行匹配，以便进行分类、识别和预测等任务。
在实际应用中，模式识别方法的准确性和稳定性至关重要。
本文将探讨基于鲁棒优化的模式识别方法的研究。
鲁棒优化是一种用于处理不完美数据或不确定性因素的优化技术。
在模式识别领域中，不完美数据或不确定性因素可能来自于数据采集过程中的噪声、遮挡、变形等情况。
传统的模式识别方法在面对这些问题时可能表现出较低的准确性和稳定性。
基于鲁棒优化的模式识别方法旨在提高模式识别系统对干扰因素的稳健性和抗扰能力。
这种方法通常通过以下几个步骤实现：首先，数据预处理是基于鲁棒优化的模式识别方法中的重要步骤。
该步骤主要涉及数据清洗、数据归一化、特征选择等操作，以减少噪声对模式识别系统的影响。
常用的数据预处理技术包括主成分分析（PCA）、小波变换等。
其次，特征提取是基于鲁棒优化的模式识别方法的核心环节。
特征提取的目标是从原始数据中提取出具有信息量且对扰动不敏感的特征。
鲁棒优化通常可以通过最小化特征间的差异，提高特征的稳定性和不变性。
常见的特征提取方法包括传统的统计学特征、频域特征、时域特征和小波特征等。
接下来，模型选择是基于鲁棒优化的模式识别方法中的一个重要决策。
从众多模型中选择适合当前任务的模型可以进一步提高模式识别系统的性能。
常用的模型包括支持向量机（SVM）、人工神经网络（ANN）、深度学习网络等。
最后，模型的优化和评估是基于鲁棒优化的模式识别方法中不可或缺的步骤。
模型的优化可以通过调整模型参数、引入正则化等技术来实现。
而模型的评估则需要使用适当的指标来衡量模型的性能，如准确率、召回率和F1值等。
除了以上步骤，基于鲁棒优化的模式识别方法还可以结合其他技术，如集成学习、迁移学习等，以进一步提高模式识别系统的性能和鲁棒性。
总之，基于鲁棒优化的模式识别方法通过数据预处理、特征提取、模型选择和优化评估等步骤，旨在提高模式识别系统的准确性和稳定性。
资产配置与投资组合优化模型的应用研究
资产配置与投资组合优化模型的应用研究摘要：随着国民经济的发展和金融市场的繁荣，投资成为人们获取财富增长的重要途径之一。
然而，投资过程中面临的风险和收益也不容小觑。
而资产配置与投资组合优化模型的应用可以帮助投资者在不同资产之间合理分配投资资金，降低风险并提高收益。
本文旨在对资产配置与投资组合优化模型的应用进行研究。
资产配置是投资者在不同资产类别之间分配投资资金的过程，而投资组合优化模型是通过数学和统计方法对不同资产进行组合以达到最优收益与风险管理的目标。
本文将通过分析资产配置与投资组合优化模型的基本概念和原理，探讨其在实际投资决策中的应用，并提出相关的改进和建议，以提高投资组合的效率与收益。
关键词：资产配置；投资组合优化模型；应用引言随着全球金融市场的不断演变和全球经济的复杂性增加，传统的资产配置方法可能无法很好地适应市场的快速变化。
金融市场的不确定性、各种宏观因素的影响以及新兴资产类别的涌现，使得资产配置需要更为灵活和精确的方法。
传统的风险度量方法可能无法全面考虑到市场中的各种风险因素。
在研究中，需要考虑引入新型的风险度量指标，如价值-at-risk（VaR）和预期损失（Expected Shortfall），以更好地评估投资组合在不同情境下的风险水平。
实际市场中存在许多非线性关系，特别是在极端市场条件下。
研究需要探讨如何更好地考虑非线性关系，以提高资产配置模型的预测能力。
这可能涉及到使用非线性优化技术或引入机器学习算法，如支持向量机和神经网络。
不同投资者有不同的风险偏好、目标和投资期限。
研究需要关注如何根据个体投资者的特定需求，量身定制合适的资产配置策略，使之更符合个体的投资目标。
随着计算机技术和大数据分析能力的不断提升，研究可以探讨更复杂的数学模型和计算方法，以更有效地构建和求解投资组合优化模型。
在当今社会，可持续投资和社会责任成为越来越重要的考虑因素。
研究可以关注如何在资产配置中纳入环境、社会和治理（ESG）因素，以实现更加可持续的投资组合。
鲁棒深度学习优化算法的研究与实现
鲁棒深度学习优化算法的研究与实现深度学习作为一种强大的机器学习技术，已经在许多领域取得了令人瞩目的成果。
然而，由于深度神经网络的复杂性和数据的不确定性，使得深度学习模型容易受到噪声和干扰的影响，导致模型的泛化能力下降。
因此，如何提高深度学习模型的鲁棒性成为了研究的热点问题。
深度学习优化算法是提高深度神经网络鲁棒性的关键。
传统的基于梯度的优化方法，如随机梯度下降（SGD），虽然在许多任务上表现出色，但是在面对噪声和干扰时容易陷入局部最优。
因此，研究者们提出了一系列的鲁棒深度学习优化算法。
一种广泛应用的鲁棒优化算法是基于梯度投影的方法。
该方法通过对梯度进行投影，将优化过程限制在一个合理的范围内，防止模型参数过度偏离真实分布。
例如，一些研究者提出了梯度剪裁和梯度惩罚的方法，通过限制梯度的大小和变化率，来提高模型的鲁棒性。
另外，还有一些研究者通过在梯度上添加噪声来提高模型的鲁棒性，使得模型对输入的微小扰动不敏感。
除了基于梯度投影的方法，还有一些基于正则化的鲁棒优化算法。
例如，L1正则化和L2正则化可以通过对模型参数进行惩罚，来提高模型的鲁棒性。
此外，最大化边缘间隔的方法也被广泛应用于深度学习模型的训练中。
通过最大化不同类别之间的差异，以及最小化相同类别之间的差异，可以有效提高模型的鲁棒性。
另一个重要的鲁棒深度学习优化算法是基于迁移学习的方法。
迁移学习通过使用已经训练好的模型的知识和经验，来加速和改进新任务的学习过程。
这种方法可以使得模型具有更好的泛化能力，从而提高模型的鲁棒性。
例如，可以使用预训练好的卷积神经网络作为特征提取器，然后在新任务上微调模型参数，以适应新的数据分布。
此外，还有一些其他的鲁棒深度学习优化算法被提出，如基于稳定优化的方法、基于强化学习的方法等。
这些方法在一定程度上改善了深度学习模型的鲁棒性，并在许多实际应用中取得了良好的效果。
总的来说，鲁棒深度学习优化算法的研究是提高深度神经网络鲁棒性的重要途径。
鲁棒优化 例题
鲁棒优化例题（最新版）目录1.鲁棒优化的定义与特点2.鲁棒优化的应用领域3.鲁棒优化的例题解析4.鲁棒优化的实际应用案例5.鲁棒优化的发展前景与挑战正文一、鲁棒优化的定义与特点鲁棒优化（Robust Optimization）是一种针对不确定性问题的优化方法，旨在寻求一个能够在多种情况下均表现良好的解决方案。
与传统优化方法相比，鲁棒优化具有以下特点：1.考虑不确定性：鲁棒优化方法在问题建模阶段就考虑了不确定性因素，使得求解的结果具有较强的鲁棒性。
2.灵活性：鲁棒优化方法可以处理多种类型的不确定性，如参数不确定性、数据不确定性等。
3.实用性：鲁棒优化方法可以应用于各种实际问题，如工程设计、供应链管理、金融投资等。
二、鲁棒优化的应用领域鲁棒优化方法在许多领域都有广泛的应用，主要包括：1.工程设计：在工程设计中，鲁棒优化可以帮助工程师在不确定的环境下寻求最优设计方案，提高产品的性能和可靠性。
2.供应链管理：在供应链管理中，鲁棒优化可以用于优化库存策略、运输计划等，提高供应链的效率和稳定性。
3.金融投资：在金融投资领域，鲁棒优化可以用于优化投资组合，降低风险，提高收益。
三、鲁棒优化的例题解析假设有一个线性规划问题，其中某些参数具有不确定性。
我们可以通过鲁棒优化方法来求解这个问题。
具体步骤如下：1.构建不确定性模型：假设参数 x 在不确定性区间 [a, b] 内变化，构建不确定性模型。
2.确定等效参数：将不确定性参数 x 转化为等效参数，使原问题转化为只涉及等效参数的优化问题。
3.求解优化问题：利用传统优化方法求解只涉及等效参数的优化问题，得到最优解。
四、鲁棒优化的实际应用案例某汽车制造企业需要设计一款新车型，面临如下不确定性问题：市场需求的不确定性、生产成本的不确定性、原材料价格的不确定性等。
通过鲁棒优化方法，企业可以在考虑这些不确定性因素的情况下，寻求最优的设计方案，提高新车型的市场竞争力。
五、鲁棒优化的发展前景与挑战随着不确定性问题在各个领域的日益突出，鲁棒优化方法具有广阔的发展前景。
资产组合鲁棒优化模型及应用研究
（ ｃｏ ｌｆＢ ｓ ｅ ｄ ｎ ｔ ｔ ｎ Ｎ ａ ｅｓ ｒ ｎｖｒｔ， ｈｎａ ｇ １０ ０ ，Ｃ ｉ ） Ｓ ｈｏ ｏ ｕｉ ｓ Ａ ｍｉｉｒ ｉ ， ｏ ｈａｔ ｎＵ ｉ ｓｙ Ｓ ｅｙ ｎ １０ ４ ｈｎ ｎｓ ｓａ ｏ ｅ ｅｉ ａ
Ａｂｓ ｒ ｃ ： ｅ ｔ ｅ ｒ ｆｐ ａ￣ｌｏ ｒ ｂ ｓ ｐ ｉ ｚ ｔｏ ｓ ｓ ｍｍａ ｉｅ ． Ａ ｒｆｌｏ ｒ ｂ ｓ ｐ ｉ ｚ ｔｏ ｄ ｌｉ ｅ — ｔａ ｔ Ｔｈ ｈ ｏ ｙ ｏ ｏ ｉ ｏ ｕ ｔｏ ｔ ｍｉａｉ ｎ ｉ ｕ ｒｚ ｄ ｐｏｔｏｉ ｏ ｕ ｔｏ ｔｍｉａｉｎ ｍｏ ｅ ｓ ｓ
ｔ ｅ ｕｎ ｅ ａｎ ｓ ｔｍｅｈ ｄ．Ｔｈ ｎ．ｔ ｅ ｐ ｒｆｌｏ ｄ ｃｓｏ ｔ ｏｈ ｔ ｅｆ ａ ｉ ｌ ｎ ｈ ｐ ｉ ｌｉ ｅ ｌ ｅ ｙ ｍｅ ｎ ｈ ｃ ｒ ｉ ｅ ｔｏ ｔ ｅ ｈ ｏｔｏ ｉ ｅ ｉｉｎ ｗｉ ｂ ｔ ｈ ｅ ｓｂ ｅａ ｄ ｔ ｅ ｏ ｔｍａ Ｓｒ ａ ｉ ｄ ｂ ａ ｓ ｈ ｚ
Ｒｅ ｅａｒ ｓ ｃｈ ｏｎ Ｐｏｒｆ ｌ ｂｕ ｔＯｐ ｉ ｉａ ｉｎ Ｍｏｄ ｄ Ｉ ｔｏｉ Ｒｏ ｓ ｔ ｚ ｔ ｏ ｍ ｏ ｅｌ ａｎ ｔ Ａｐｐｉａｔ ｓ ｌ ｉ ｃ ｏｎ
ＧＡＯ ｎ Ｙｉ ｇ，Ｓ ＨＡＮＧ Ｓ ｕ ｈ ｏ，Ｈ ＵＡＮＧ ａ －ｕ ｎ Ｘｉ ｏ ｙ ａ
性 ， 立 了相应 的 资产 组 合 鲁 棒 优 化模 型 。对基 金 公 司的 投 资 决策 、 行 卡 网络 资金 分 配 、 ａ 建 银 Ｖ Ｒ约 束 下 的 资 产 组
鲁棒优化的方法及应用
鲁棒优化的方法及应用杨威在实际的优化中决策过程中，我们经常遇到这样的情形，数据是不确定的或者是非精确的；最优解不易计算，即使计算的非常精确，但是很难准确的实施；对于数据的一个小的扰动可能导致解是不可行。
鲁棒优化是一个建模技术，可以处理数据不确定但属于一个不确定集合的优化问题。
早在19世纪70年代，Soyster 就是最早开始研究鲁棒优化问题的学者之一，他的文章给出了当约束矩阵的列向量属于一个椭球形不确定的集合时的鲁棒线性优化问题。
几年以后Falk 沿着这条思路做了非精确的线性规划。
在以后的很长的一段时间里，鲁棒优化方面都没有新的成果出现。
直到19世纪末，Ben-Tal,Nemirovski 的工作以及这时计算技术的发展，尤其是对于半定优化和凸优化内点算法的发展，使得鲁棒优化又成为一个研究的热点。
一个一般的数学规划的形式为0000,min {:(,)0,(,)0,1,...,}ni x R x R x f x x f x i m ξξ∈∈-≤≤=其中x 为设计向量，0f 为目标函数，12,,...,m f f f 是问题的结构元素。
ξ表示属于特定问题的数据。
U 是数据空间中的某个不确定的集合。
对于一个不确定问题的相应的鲁棒问题为0000,min {:(,)0,(,)0,1,...,,}ni x R x R x f x x f x i m U ξξξ∈∈-≤≤=∀∈这个问题的可行解和最优解分别称为不确定问题的鲁棒可行和鲁棒最优解。
这篇文章主要回顾了鲁棒优化的基本算法，目前的最新的研究结果及在经济上的应用。
1 鲁棒优化的基本方法1.1鲁棒线性规划一个不确定线性规划{min{:}(,,)}Tnm nm xc x Ax b c A b U R RR ⨯≥∈⊂⨯⨯所对应的鲁棒优化问题为min{:,,(,,)}Txt t c x Ax b c A b U ≥≥∈，如果不确定的集合是一个计算上易处理的问题，则这个线性规划也是一个计算上易处理的问题。
鲁棒优化的方法及应用
鲁棒优化的方法及应用杨威在实际的优化中决策过程中，我们经常遇到这样的情形，数据是不确定的或者是非精确的；最优解不易计算，即使计算的非常精确，但是很难准确的实施；对于数据的一个小的扰动可能导致解是不可行。
鲁棒优化是一个建模技术，可以处理数据不确定但属于一个不确定集合的优化问题。
早在19世纪70年代，Soyster 就是最早开始研究鲁棒优化问题的学者之一，他的文章给出了当约束矩阵的列向量属于一个椭球形不确定的集合时的鲁棒线性优化问题。
几年以后Falk 沿着这条思路做了非精确的线性规划。
在以后的很长的一段时间里，鲁棒优化方面都没有新的成果出现。
直到19世纪末，Ben-Tal,Nemirovski 的工作以及这时计算技术的发展，尤其是对于半定优化和凸优化内点算法的发展，使得鲁棒优化又成为一个研究的热点。
一个一般的数学规划的形式为0000,min {:(,)0,(,)0,1,...,}ni x R x R x f x x f x i m ξξ∈∈-≤≤=其中x 为设计向量，0f 为目标函数，12,,...,m f f f 是问题的结构元素。
ξ表示属于特定问题的数据。
U 是数据空间中的某个不确定的集合。
对于一个不确定问题的相应的鲁棒问题为0000,min {:(,)0,(,)0,1,...,,}n i x R x Rx f x x f x i m U ξξξ∈∈-≤≤=∀∈这个问题的可行解和最优解分别称为不确定问题的鲁棒可行和鲁棒最优解。
这篇文章主要回顾了鲁棒优化的基本算法，目前的最新的研究结果及在经济上的应用。
1 鲁棒优化的基本方法1.1鲁棒线性规划一个不确定线性规划{min{:}(,,)}Tnm nm xc x Ax b c A b U R RR ⨯≥∈⊂⨯⨯所对应的鲁棒优化问题为min{:,,(,,)}Txt t c x Ax b c A b U ≥≥∈，如果不确定的集合是一个计算上易处理的问题，则这个线性规划也是一个计算上易处理的问题。
基于鲁棒二阶随机占优的投资组合优化模型研究
基于鲁棒二阶随机占优的投资组合优化模型研究基于鲁棒二阶随机占优的投资组合优化模型研究摘要：随着金融市场的不稳定性和不确定性的加大，投资组合优化模型成为投资者追求稳定收益的重要工具。
本文基于鲁棒二阶随机占优方法，研究投资组合优化模型，旨在通过构建高效的风险管理模型，提高投资组合的稳定性和收益。
关键词：投资组合优化、鲁棒二阶随机占优、风险管理、收益稳定性一、引言随着金融市场的不断发展，投资者对于投资组合优化模型的需求日益增长。
传统的Markowitz模型虽然被广泛应用，但其对市场波动的敏感性较高，使得投资组合在遇到市场异常波动时容易出现较大亏损。
因此，为了增加投资组合的稳定性和收益，鲁棒二阶随机占优方法成为了研究的关键领域之一。
二、投资组合优化模型1.1 Markowitz模型Markowitz模型基于资产的预期收益率和协方差矩阵，通过构建一个有效前沿来实现投资组合的最优化。
其数学形式如下：minimize 1/2 * w^T * Σ * wsubject to r^T * w >= μ, w^T * 1 = 1其中，w为资产权重向量，Σ为协方差矩阵，r为预期收益率向量，μ为投资者对于最低预期收益率的要求。
1.2 缺点然而，Markowitz模型并没有考虑金融市场的实际情况，主要存在以下问题：(1) 对协方差矩阵的估计较为敏感。
在金融市场中，协方差矩阵往往由历史数据估计得到，在数据不充分或者市场结构发生变化时，协方差矩阵的准确性难以保证。
(2) 对于极端事件的敏感性较高。
Markowitz模型没有考虑极端事件对投资组合的影响，一旦市场出现大幅波动，投资组合很容易出现较大亏损。
(3) 权重向量过于集中。
Markowitz模型往往给出少数几个股票的高权重解，这样的解在实际操作中面临较高的交易成本和流动性风险。
三、鲁棒二阶随机占优模型为了解决上述问题，研究者们提出了鲁棒二阶随机占优模型。
该模型以鲁棒性和二阶信息为基础，通过引入惩罚项和约束条件，对投资组合进行有效约束。
集装箱班轮支线网络鲁棒优化模型研究
为了有效降低成本,满足日益复杂的运输需求,班轮公司开始通 过枢纽港进行货物中转,建立轴辐式航线网络。轴辐式这一网络 形式已成为班轮航线的主要形态。
集装箱班轮运输网络设计是重要的物流问题,牵扯大量的资产和 运营成本,作为班轮公司经营战略层面的关键问题,轴辐式网络 优化设计可以有效降低运营成本,提高班轮公司的市场竞争力。 而支线作为轴辐式网络的重要组成部分,是干线的支撑和补充, 对支线网络进行优化是干线能够顺畅运转的关键。
பைடு நூலகம்
本文围绕集装箱班轮运输中由枢纽港向各支线港进行疏港运输 的支线网络优化问题。要求船舶到港时间满足时间约束,在枢纽 港船舶载重量限制和各支线港时间窗限制基础上分析轴辐式支 线网络优化问题。
首先以总成本最小为目标函数建立了确定性带时间窗的班轮支 线网络优化模型；由于支线港多为区域性小港口,所以在实践中 支线港的货运需求通常是无法事先确定的,运输需求的不确定性 会影响确定条件下的解的可行性,所以本文又提出集装箱班轮支 线网络鲁棒优化模型对不确定条件下船舶的运输航线进行优化 选择,其中需求不确定性通过情景集进行描述,最终验证得到鲁 棒优化方法能很好地处理运输需求的不确定性。
所以本文研究支线网络优化问题,并在该问题中考虑时间窗约束 以及需求不确定性。集装箱班轮支线网络优化问题是带时间窗 的车辆路径问题在海运领域的应用,船舶从枢纽港出发挂靠客户 所在的支线港,服务完成后返回枢纽港,其中要求每个客户都能 够得到服务,但只能由一艘船提供一次服务,且该服务应尽量在 指定的服务时间窗内进行,该问题的优化目标是确定合适的路径, 使得在满足约束条件的情况下完成全部服务的成本最小。
鲁棒优化模型
（一）供应链运行的总成本函数假设供应链运行的基本原则是总成本最小化：min min ijk ijk ij ij ik ik ij iji j k i j i k i j jk j j k k ik ik j k j k i k Y w x wms xms wmc xmc s y fz fms zms fmc zmc p u ⎛=++ + ⎝⎫++++⎪⎭∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑（1）其中，i 表示产品种类，j 表示供应厂商，k 表示消费者；ijk w 表示供应商j 供应给消费者k 的每单位产品i 的生产可变成本；ij wms 表示供应商j 在电子商务平台下每单位产品i 的可变成本；ik wmc 表示电子商务平台将每单位产品i 提供给消费者k 的可变成本；ij s 表示供应商j 生产产品i 的准备成本；ij s 表示供应商j 生产产品i 的固定成本；jk fz 表示供应商j 为消费者k 生产产品的固定成本；j fms 表示供应商为电子商务平台提供产品的固定成本；k fmc 表示电子商务平台将产品提供给消费者k 的固定成本。
从式（1）可以看出，最优化的目标是使得供应链整体的运行成本最小。
其中，决策参数为：（1）供应商直接零售给消费者的产品数量ijk x ；（2）供应商通过电子商务平台批发的产品数量ij xms ；（3）电子商务平台零售给消费者的产品数量ik xmc ；（4）消费者未满足的产品需求ik u ；（5）生产虚拟变量ij y ：当供应商生产产品时，虚拟变量1ij y =，否则等于0；（6）直销虚拟变量jk z ：如果存在供应商直接向消费者零售产品，虚拟变量1jk z =，否则等于0；（7）供应链批发产品给电子商务平台的虚拟变量j zms ：如果存在供应商向电子商务平台批发产品，虚拟变量1j zms =，否则等于0；（8）电子商务平台零售产品的虚拟变量k zmc ：如果存在电子商务平台向消费者零售产品，虚拟变量1k zmc =，否则等于0。
鲁棒优化及相关问题的研究
鲁棒优化及相关问题的研究鲁棒优化及相关问题的研究引言：在实际问题中，我们经常需要在面对不确定性和扰动的情况下进行优化。
鲁棒优化便是一种针对不确定问题的最优化方法，旨在降低由于不确定性和扰动引起的系统性能下降风险。
鲁棒优化适用于各种实际场景，如工程问题、金融投资、供应链管理等。
本文将介绍鲁棒优化的基本原理，并深入探讨相关的问题和研究。
一、鲁棒优化的概念和原理鲁棒优化是一种基于最优化理论的方法，旨在寻找系统在不确定性条件下的最优解。
它与传统的确定性优化方法有所区别，传统方法假设问题参数是确定的，而鲁棒优化则考虑了参数的不确定性，并采取一些措施来保证系统的性能在不确定情况下依然具有鲁棒性。
鲁棒优化的基本原理是在优化过程中加入鲁棒性约束。
这些约束可以是特定的最小性能要求，也可以是适用于所有不确定参数的一般鲁棒性条件。
通过引入这些约束，鲁棒优化能够在最优解的同时最大程度地降低不确定性带来的风险。
二、鲁棒优化的应用领域鲁棒优化广泛应用于各个领域，如工程问题、经济学、金融投资、供应链管理等。
在工程问题中，鲁棒优化可以用于优化设计，确保系统在不同环境下仍具有良好的性能。
在金融投资领域，鲁棒优化可以帮助投资者在不确定市场条件下做出最优的投资决策。
在供应链管理中，鲁棒优化能够帮助企业优化供应链结构，提高整体效益。
三、鲁棒优化的挑战和解决方案尽管鲁棒优化在实际应用中具有广泛的潜力，但也面临一些挑战。
其中之一是不确定性的建模问题。
不确定性可能来源于参数的不准确性、外部环境的扰动等，如何准确地建立不确定性模型成为了一个关键问题。
解决这个问题可以采用统计学习方法、贝叶斯推理等。
另一个挑战是鲁棒优化方法的计算复杂度。
传统的优化方法已经在确定性条件下取得了很好的效果，但对于不确定问题，其计算复杂度可能大大增加。
为了降低计算复杂度，可以采用近似方法、凸优化方法等。
此外，鲁棒优化还需要考虑决策者对风险的态度。
不同的决策者可能对风险的容忍程度不同，因此在鲁棒优化中应该考虑决策者的风险偏好。
自动化控制系统的鲁棒优化设计方法创新与应用论文素材
自动化控制系统的鲁棒优化设计方法创新与应用论文素材鲁棒优化是自动化控制系统设计中的重要研究方向之一。
它致力于在考虑系统不确定性的情况下，对系统进行优化设计。
本文将介绍自动化控制系统鲁棒优化设计的创新方法和应用，并提供相关论文素材。
一、引言自动化控制系统在现代工业中扮演着重要的角色，它可以实现对工业过程的自动化控制，提高工业生产的效率和品质。
然而，由于工业过程中存在各种不确定性因素，例如外部扰动、传感器噪声、模型参数误差等，传统的优化设计方法往往表现出较差的稳定性和鲁棒性。
因此，鲁棒优化设计成为自动化控制系统研究的热点之一。
二、鲁棒优化设计方法的创新1. 参数不确定性建模方法在鲁棒优化设计中，准确建立系统的参数不确定性模型是关键。
传统的方法通常基于概率分布对参数进行建模，但在实际应用中，参数的不确定性更常表现为模糊的区间或不确定的精确值。
因此，创新的方法采用模糊数学、区间分析等方法对参数进行建模，提高鲁棒优化设计的准确性和可靠性。
2. 鲁棒控制器设计方法鲁棒控制器设计是鲁棒优化设计的核心内容之一。
传统的方法主要采用线性鲁棒控制器设计技术，如H∞控制、μ合成等。
在实际应用中，非线性系统和存在模型误差的系统需要更为创新的鲁棒控制器设计方法。
例如，基于自适应和神经网络的控制方法、模糊控制方法等，这些方法通过模型自适应和非线性校正，提高控制系统的鲁棒性和稳定性。
3. 多目标鲁棒优化设计方法在实际工业应用中，往往存在多个优化目标，例如控制性能、能耗、成本等。
传统的单目标优化设计方法忽略了多个目标之间的权衡和平衡。
因此，创新的多目标鲁棒优化设计方法应用于自动化控制系统设计中，通过引入多目标优化算法，综合考虑多个目标的权衡关系，得到更为鲁棒和可行的设计方案。
三、鲁棒优化设计方法的应用1. 工业过程控制鲁棒优化设计方法在各类工业过程控制中都有广泛的应用。
例如，化工过程中的温度控制、压力控制、液位控制等；电力系统中的发电机控制、电力调度控制等；机械加工过程中的机器人控制、切削控制等。
机器学习模型的鲁棒性研究与优化
机器学习模型的鲁棒性研究与优化鲁棒性是指机器学习模型在面对未知、噪声或异常数据时的稳健性和适应能力。
在现实世界中，数据往往是不完美的，包含有噪声、错误或者缺失等问题。
这些问题会对模型的性能和可靠性产生负面影响。
因此，研究和优化机器学习模型的鲁棒性变得尤为重要。
为了提高机器学习模型的鲁棒性，研究者们提出了许多方法和技术。
下面将介绍一些主要的研究方向和方法。
1. 对抗性训练对抗性训练是一种通过引入对抗样本来增加模型鲁棒性的方法。
对抗样本是通过对输入数据进行精心设计的微小扰动，这些扰动在人眼看来几乎没有变化，但对模型却能造成误判。
通过在训练过程中引入对抗样本，可以迫使模型更加关注于局部细节，提高模型对干扰和噪声的鲁棒性。
2. 数据增强数据增强是通过对原始数据进行变换和扩充来增加模型的泛化能力和鲁棒性。
常用的数据增强技术包括旋转、平移、裁剪、缩放以及添加噪声等。
这些操作可以产生更多样化的数据样本，从而提高模型对不同输入的适应能力。
3. 特征选择和降维特征选择和降维是一种通过选择最具代表性的特征或降低特征的维度来提高模型鲁棒性的方法。
在面对复杂的高维数据时，特征选择和降维可以有效降低模型的计算复杂度，并提高模型对噪声和冗余特征的鲁棒性。
4. 集成学习集成学习是一种通过组合多个模型来提高整体鲁棒性的方法。
通过将多个独立的模型进行集成，可以减少个别模型的错误判断和过拟合问题，提高模型的稳定性和泛化能力。
常见的集成学习方法包括Bagging、Boosting 以及随机森林等。
5. 鲁棒优化算法鲁棒优化算法是一种通过在优化过程中考虑模型的鲁棒性来提高模型性能的方法。
传统的优化算法在目标函数不稳定的情况下可能会陷入局部最优解，而鲁棒优化算法通过引入约束条件和惩罚项来平衡模型的性能和鲁棒性。
常用的鲁棒优化算法包括 L1正则化、L2正则化以及弹性网络等。
除了上述方法，还有一些其他的研究方向也在提高机器学习模型的鲁棒性上发挥着重要作用，比如迁移学习、半监督学习、深度学习中的鲁棒性等。
二阶段分布式鲁棒优化问题的求解模型研究
二阶段分布式鲁棒优化问题的求解模型研究下载温馨提示：该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by the editor. I hope that after you download them, they can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, our shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!在现代社会，随着信息技术的快速发展，分布式系统已经成为了各种应用的主要架构之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第４期高莹，等：资产组合鲁棒优化模型及应用研究１３９
对于第二类目标函数，通常用情景生成方法生成多个收益情景和风险情景构成不确定集¨８１。
图１是一个三阶段的情景树。
每一个节点代表一种状态，每种状态反映了该阶段收益和风险的可能结果。
树的每一条路径都是一个情景，每个阶段母节点分枝树都概括了情景树的结构。
在ｔ＝０时刻状态是初始状态，它的状态变量是已知的，给定这个状态，ｔ＝１时会有许多可能状态，哪一种状态会发生只有在ｔ＝１时才会知道。
对于每个单独的节点，其下一阶段的分枝概率之和应当等于１。
节点发生的概率等于其母结点发生的概率乘于它对应的分枝概率，因此，同一阶段的所有结点发生概率之和应当等于１。
通过生成多阶段情景树，对模型不确定参数的未来值进行模拟，得到了不确定参数未来变化的若干个路径，每条路径代表参数的可能变化过程。
由于情景树的阶段与节点的数量都是可以控制的，所以不确定的未来变化就被一个情景树所替代。
情景树最后一层结点——情景——揭示了未来的变化趋势，那么未来的不确定经济因素就可以由离散化的情景组成的不确定集来描述。
２资产组合鲁棒优化模型的应用
２．１投资基金管理中的应用
投资基金是由基金管理人管理和运用资金，通过股票等金融工具的组合投资，减低风险，为投资者赚取利润。
因此，投资基金管理人必然面对的重要问题就是确定所选股票的权重。
考虑到投资基金的特点，在资产组合鲁棒优化模型框架下，给出式（１０）一（１２）。
目标函数由式（８）调整为式（１０），目标是在最坏情况下，得到目标收益约束下、最小跟踪误差的股票组合。
ｒａｉｎａ（１０）
ｓ．ｔ『ａ（埘一埘。
）７圪］≥ｏ（．１１．）
ｓ．１ｌ≥Ｕ（）
ＬＫ（埘一埘ａ）ＫＪ
（ｔｌ，一埘口）１（ｐＩ—ｄ）≥ＲＩ，ｋ＝１，２，…，ｍ（１２）模型有３个确定参数埘”Ｒ。
和ｒ。
埘。
是基准资产组合权重，基准资产组合是根据预先设定的目标确定的资产组合；Ｒ。
预先设定的ｋ个目标收益；ｒ是无风险利率；模型有两个下标变量ｉ和ｋ，ｉ表示各种证券，ｉ＝１，…，ｎ；七表示期望收益和协方差矩阵及目标收益的数量，由于投资周期内经济环境的变化会导致不同的期望收益和协方差，因此用ｋ个目标收益约束下的ｋ个期望收益和协方差来表示未来市场变化的不确定集，ｋ＝ｌ，…，ｍ。
约束条件（１１）是由ａ一（埘一ｔｏ。
）７屹（加一埘。
）≥０，根据Ｓｅｈｕｒ补性质变换得到的；式（１２）是资产组合的期望收益约束；其他约束条件为式（６）一（７）。
“新蓝筹”基金是融通基金管理公司旗下的一支开放式基金，与我国一些基金的管理方式基本相同，每季度调整一次投资比例。
股票集是依据基本分析方法进行构建的，构建股票集后，在即定的单一收益目标约束下选择具体的投资权重。
模型中的不确定集由两个期望收益向量和两个协方差矩阵构成，计算方法见文献［１９］。
运用Ｍａｔｌａｂ软件的ＬＭＩ工具箱计算求解，以“新篮筹”基金每季度所选定的１０支股票为股票集，分别得出“新蓝筹”基金在２００４—２００５年共八个季度的股票选择的鲁棒权重，然后分别得到相应的投资收益率，并与基金实际表现相比较。
结果如表ｌ和图２。
图２“新蓝筹”鲁棒复合收益率与实际复合收益率的比较
资产组合鲁棒优化模型及应用研究
作者：高莹， 商烁， 黄小原， GAO Ying， SHANG Shuo， HUANG Xiao-yuan
作者单位：东北大学工商管理学院,辽宁沈阳,110004
刊名：
运筹与管理
英文刊名：OPERATIONS RESEARCH AND MANAGEMENT SCIENCE
年，卷(期)：2010,19(4)
1.威廉·T ·津巴;约翰·M·马尔维;顾娟全球资产与负债管理建模 2003
2.Black F;Litterman R Global portfolio optimization 1992(48)
3.朱书尚;李端;周迅宇;汪寿阳论投资组合与金融优化 2004(06)
4.Fabozzi J F;Klom P N;Pachamanova D A;Focardi S M Robust portfolio optimization[外文期刊] 2007(3)
5.Ben-Tal A;Nemirovski A Robust convex optimization[外文期刊] 1998(23)
6.Mulvey J M;Vanderbei R J;Zenios S A Robust optimization of large-scale systems[外文期刊] 1995(02)
7.Ruijun S;Shuzhong Z Robust portfolio selection based on a multi-stage scenario tree 2008(191)
8.Quaranta A G;Zaffarni A Robust optimization of conditional value at risk and portfolio selection [外文期刊] 2008(32)
9.Lobo A;Vandenberghe L;Boyd S Second-order cone programming:interior-point methods and engineering applications[外文期刊] 1998
10.高莹;黄小原具有VaR约束的跟踪误差投资组合鲁棒优化模型[期刊论文]-中国管理科学 2007(01)
11.高莹;黄小原资金需求不确定的银行卡网络鲁棒运作模型[期刊论文]-控制与决策 2007(10)
12.高莹;李超君;唐诗源基于鲁棒优化的投资组合模型在投资基金中的应用[期刊论文]-东北大学学报(自然科学版) 2009(02)
13.Gulp-nar N;Rustem B;Settergren R Simulation and optimization approaches to scenario tree generation[外文期刊] 2004(07)
14.Bai T;Carpenter T;Mulvey J M Making a case for robust optimization models 1997(07)
15.Dussy S;Mastinu G;Gobbi M Linear matrix inequalities in automotive applications:a tutorial
1998(28)
16.Ben-Tal A;Nemirovski A Robust optimization-methodology and applications 2002(92)
17.Soyster A L Convex programming with set-inclusive constraints and applications to inexact linear programming[外文期刊] 1973(06)
18.Costa O L V;Paiva A C Robust portfolio selection using linear-matrix inequalities 2002(06)
19.Gülp–nar N;Rustem B Worst-case robust decisions for multi-period mean-variance portfolio optimization[外文期刊] 2007(16)
20.Ralf K Worst-case scenario investment for insurers 2005(01)
21.Mulver J M;Rosenbaum D P;Shetty B Strategic financial risk management and operation research 1997(01)
1.安晓敏.罗桂美.AN Xiao-min.LUO Gui-mei椭球不确定集下的投资组合鲁棒优化模型[期刊论文]-湖南大学学报
（自然科学版）2010,37(1)
本文链接：/Periodical_ycygl201004022.aspx。