不确定下的优化
教科书里的优化问题，参数都是给定的常数。现实里几乎没有这种事：需求会变、天气会变、价格会变、工期会拖。这一页讲的是三种处理不确定的方式——用概率算期望（随机规划）、不问概率只防最坏（鲁棒优化）、允许小概率失败（机会约束），以及它们各自的代价。
LAB 01
报童问题
一个临界分位数就定下了最优订货量，看它随成本比例怎么移动
问题
卖报纸的每天早上要决定进多少份：进多了剩下作废，进少了错过生意。需求是随机的，怎么定这个量？答案出奇地简洁——一个由成本比例决定的分位数，和需求分布的形状无关。
模型
报童问题的临界分位数解。
Q* = F−1( cu ⁄ (cu + co) )
cu 是缺货一件的损失，co 是积压一件的损失，F 是需求的分布函数。这个比值叫临界比。缺货成本远大于积压成本时（如急救药品），Q* 会推到分布的很高分位上。临界比率 cu/(cu+co)—
公式给的最优订货量 Q*—
曲线扫出来的最优点—
对应的期望利润—
报童问题是随机优化里最小的一个，也是最有用的一个。早上订多少份报纸：订多了，卖不掉的只能按残值处理；订少了，来买的人空手而归。结论出奇地干净——最优订货量就是需求分布的一个分位数，这个分位数等于"缺货成本 ÷ (缺货成本 + 过剩成本)"。默认参数下临界比率是 0.5714，Q* = 157.2；公式值和扫描出来的最高点完全重合。把进货成本从 20 拖到 35（利润变薄）：临界比率掉到 0.1429，Q* 降到 107——比均值还少 43 份。反过来把成本降到 10：临界比率升到 0.857，Q* 涨到 193。这条规律的实用含义很硬：毛利越高的商品越应该多备货（缺货的损失大），毛利越薄、残值越低的商品越应该少备（压货的损失大）。"备货 = 平均需求"这个直觉，只有在临界比率恰好等于 0.5 时才对，也就是缺货和过剩的单位损失一样大——这在现实里几乎不发生。（同一条公式换个名字就是服务水平：下面阴影部分的面积就是"不缺货的概率"。所以"我们要做到 95% 的服务水平"这句话，其实是在说"我认为缺货成本是过剩成本的 19 倍"。很多时候这个隐含的判断从来没被明说过。）
LAB 02
两阶段随机规划
先建产能再看需求：情景树上算期望成本
问题
建厂房要在知道需求之前决定，而生产可以等需求明朗之后再调整。这种"先决策、再观测、再决策"的结构是供应链、能源、金融里最常见的形状，也是随机规划的标准模型。
模型
两阶段随机规划：第一阶段"此时此刻"，第二阶段"见机行事"。
minx cTx + Eξ[ Q(x, ξ) ]， Q(x,ξ) = miny { qTy : Wy ≥ h(ξ) − T(ξ)x }
x 是第一阶段决策（建多大产能），y 是第二阶段的补救（临时加班、外购）。随机解的价值 VSS = 用"需求取均值"求出的解的成本 − 随机规划解的成本，它量的正是"不确定性本身值多少钱"。随机规划的最优产能—
只按平均需求算出来的产能—
随机解比「平均值解」好多少（VSS）—
完美信息还能再省多少（EVPI）—
"先建产能，再看需求"是两阶段随机规划的标准形态：第一阶段的决策必须在不确定揭晓之前定下来，第二阶段可以见机行事（这里是自产还是外包）。很多人的做法是把随机需求换成它的平均值，解一个确定性问题——这叫"平均值解"。默认参数下它给出 K=100（正好是均值），而真正的随机最优是 K=115。把这个平均值解放回真实情景里评估，期望成本高出 4.1%。这个差额就是 VSS，随机规划的价值。把建设成本 a 从 1.0 降到 0.5，VSS 涨到 13.3%；升到 1.5，VSS 掉到 0.8%。规律是：第一阶段决策越便宜、第二阶段的补救越贵，提前多备一点就越值，"按平均值办事"错得就越多。还要注意最后一行的 EVPI：它是"如果能提前知道需求"能再省下的钱，也就是信息本身的价值上限。默认参数下 EVPI 是 35.93，远大于 VSS 的 9.69——这说明在这个问题上，花钱去把需求预测做准，比花力气把优化模型做精，回报大得多。这两个数字都能算出来，而它们回答的是做项目时最该先问的一个问题：到底该往哪儿投入。（顺带一提"平均值的陷阱"：一个人平均水深一米的河，他仍然可能淹死。把随机变量换成均值再优化，得到的从来不是"平均意义上的最优"。）
LAB 03
鲁棒优化
不问概率只问最坏：不确定集一放大，解怎么变保守
问题
有时候你根本不知道概率分布，或者根本不想赌——比如桥梁的承载、医院的应急容量。这时候该问的不是"平均会怎样"，而是"最坏会怎样"。鲁棒优化就是为这个问题设计的。
模型
鲁棒对应问题：对不确定集内的所有情形都可行。
minx maxξ∈U f(x, ξ) s.t. g(x, ξ) ≤ 0 ∀ξ ∈ U
U 是不确定集（盒式、椭球、预算约束型）。关键在于 U 的大小：太小等于没考虑不确定，太大解会保守到没法用。Bertsimas–Sim 的"预算"型不确定集让保守程度变成一个可以连续调节的参数 Γ。不做任何保护时的目标值—
当前 Γ 下的目标值—
为了鲁棒付出的代价—
这个解被违反的概率—
鲁棒优化不问"概率是多少"，只问"最坏能坏到哪儿"。问题在于，如果所有不确定系数同时取最坏值，解会保守到没法用——而这种事实际上几乎不可能发生。Bertsimas 和 Sim 的办法是引入一个预算 Γ：假设最多只有 Γ 个系数同时取最坏，其余的取名义值。Γ=0 就是完全不防（名义解），Γ 等于系数个数就是完全防死（传统最坏情况）。把 Γ 从 0 拖到 2，看上下两条曲线怎么反向移动。上面的目标值一路下降——这就是"鲁棒的代价"；下面的违约概率也一路下降。关键在于这两条曲线的形状不一样：违约概率掉得很快，而目标值掉得相对慢。前面一小段 Γ 买到的保护最划算——花百分之几的目标值，换掉大部分的违约风险；再往后就是边际收益递减，为了把最后几个百分点的风险也消掉，要付出不成比例的代价。这条"代价 vs 风险"的曲线才是鲁棒优化真正的交付物。它不替你决定该选哪个 Γ——那是一个业务问题，取决于违约的后果有多严重。但它把这个权衡明确地摆出来了，而不是藏在一个"我们用了鲁棒优化"的说法里。
LAB 04
机会约束
允许 5% 的概率违约，成本能省多少
问题
"绝对不能违约"往往贵得离谱。如果允许 5% 的概率超出容量，成本能省多少？这一台把"可靠性"变成一个可以和成本放在一起权衡的量——这正是电网、通信、库存规划里天天在做的事。
模型
机会约束：约束只要以足够高的概率成立即可。
P( g(x, ξ) ≤ 0 ) ≥ 1 − α； ξ 正态时可化为 aTx + z1−α‖Σ1/2x‖ ≤ b（二阶锥）
α 是允许的违约概率，z 是标准正态分位数。正态假设下机会约束是凸的（二阶锥规划），可以高效求解；一般分布下它通常非凸，要用样本近似或 CVaR 这类凸的替代。对应的正态分位点 z—
需要建的产能 K—
产能成本—
比「按 μ+3σ 设计」省了—
"绝对不能缺货"这个要求，在需求无界的时候是无法满足的。正态分布的尾巴伸向无穷，要保证 100% 不缺货就得建无穷大的产能。所以现实里的写法永远是"以 95% 的概率不缺货"——这就是机会约束。它有一个很好用的性质：当不确定量是正态的时候，机会约束可以直接改写成一条确定性约束：K ≥ μ + z_{1−ε}·σ。整个随机性被压缩成了一个分位点 z。ε=5% 时 z=1.645，ε=1% 时 z=2.326，ε=0.1% 时 z=3.090。把 ε 从 30% 一路拖到 0.1%，盯住那条成本曲线。你会看到它在 ε 很小的地方陡然上翘——从 5% 降到 1%，成本只多几个百分点；从 1% 降到 0.1%，又要多一截；而想真正做到 0，曲线直接冲出图外。这条曲线说的是所有可靠性设计的共同规律：可靠性的最后几个 9 是最贵的。数据中心的 99.9% 与 99.999%、电网的备用容量、医院的急诊床位，都在这条曲线上找位置。注意 σ 的作用：把 σ 从 40 降到 20，同样的 ε 下产能需求少了一半的安全余量。降低不确定性本身，往往比堆产能便宜得多——这就是需求预测、提前锁单、柔性产能这些做法的价值所在。
这一页想说的
三种处理不确定的方式对应三种问法。随机规划问"平均会怎样"，需要概率分布，给出 VSS 与 EVPI 两个可算的数；鲁棒优化问"最坏会怎样"，只需要范围，给出一条代价与风险的权衡曲线；机会约束问"允许多大概率出问题"，在正态假设下能直接化成一条确定性约束。共同的一句话是：把随机变量换成它的平均值再优化，得到的既不是最优，也不是平均意义上的最优。