Page 215 - 数值模拟驱动的高温合金热加工技术

第六章 工艺参数优化与智能算法应用

二、随机优化、鲁棒优化和分布鲁棒优化

随机优化：这种优化方法不考虑不确定性和噪声数据，只关注目标函数的最
小值。通过随机采样或梯度下降等方法，在假设目标函数是连续可导的前提下，

寻找最小值点。例如，在机器学习中最小化损失函数。随机优化典型的算法有梯
度下降、随机梯度下降、拟牛顿等。
鲁棒优化：这种优化方法考虑了目标函数中存在的不确定性因素和噪声，

试图找到在不确定性因素下仍能保持性能较好的解。因此，鲁棒优化通常需要
权衡优化性能和鲁棒性，找到两者最佳的平衡点。鲁棒优化方法包括对不确定性
因素建模，如最坏情况分析，以及使用正则化方法来减少模型对于噪声的敏感
程度。例如，在特征选择问题中，使用 L1 正则化可以使得模型对于噪声更具有
鲁棒性。

分布鲁棒优化：与前两者不同，分布鲁棒优化是一种不确定性感知的优化方
法，它基于概率分布的形式描述目标函数和约束条件中的不确定性因素，如随机
变量、模糊变量等。该方法试图找到目标函数的期望值或某个风险度量下的最优

解。例如在供应链优化中，可以通过对需求量进行概率分布估计来处理不确定性
问题，并实现更鲁棒的优化方案。

三、分布式鲁棒优化

分布式鲁棒优化是一种针对不确定环境下优化问题的方法，其核心概念在

于处理各种不确定性因素，如随机波动、数据噪声、模型误差等，以寻找一个在
所有可能情况下都能保持优良性能的解决方案。以下是对分布式鲁棒优化的详细
解析：

（一）定义与目标
分布式鲁棒优化旨在找到一个解，使得在可能出现的所有情况下，优化问题
的约束条件都得到满足，并且使得最坏情况下的目标函数值达到最优。这种方法
不仅关注平均情况下的性能，更强调在最坏情况下的鲁棒性。
（二）特点与优势

不确定性处理：分布式鲁棒优化采用一系列的概率分布或模糊集合来描述不
确定性，从而更全面地考虑各种可能情况。

199