Data-driven distributionally robust chance-constrained optimization with Wasserstein metric

We study distributionally robust chance-constrained programming ( DRCCP ) optimization problems with data-driven Wasserstein ambiguity sets. The proposed algorithmic and reformulation framework applies to all types of distributionally robust chance-constrained optimization problems subjected to indi...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Journal of global optimization Jg. 79; H. 4; S. 779 - 811
Hauptverfasser:	Ji, Ran, Lejeune, Miguel A.
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	New York Springer US 01.04.2021 Springer Springer Nature B.V
Schlagworte:	Computer Science Constraints Integer programming Investment analysis Knapsack problem Linear programming Mathematics Mathematics and Statistics Mixed integer Operations Research/Decision Theory Optimization Real Functions Robustness Series (mathematics) Tightness Chance-constrained programming Mixed-integer programming Distributionally robust optimization Wasserstein metric
ISSN:	0925-5001, 1573-2916
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!