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...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Journal of global optimization Ročník 79; číslo 4; s. 779 - 811
Hlavní autoři:	Ji, Ran, Lejeune, Miguel A.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York Springer US 01.04.2021 Springer Springer Nature B.V
Témata:	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
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!