[论文解读] Balancing adaptability and predictability: K-revision multistage stochastic programming

Chengwenjian Wang, Alexander Estes+1 more|arXiv (Cornell University)|Jan 17, 2026

Risk and Portfolio Optimization被引用 0

一句话总结

引入 K-revision 方法到多阶段随机规划，限制每个情景仅可进行不超过 K 次计划修订，分析复杂性，并开发带有计算演示的混合整数规划（MIP）公式。

ABSTRACT

A standard assumption in multistage stochastic programming is that decisions are made after observing the uncertainty from the prior stage. The resulting solutions can be difficult to implement in practice, as they leave practitioners ill-prepared for future stages. To provide better foresight, we introduce the K-revision approach. This new framework requires plans to be specified in advance. To maintain flexibility, we allow plans to be revised a maximum of K times as new information becomes available. We analyze the complexity of K-revision problems, showing NP-hardness even in a simple setting. We examine, both theoretically and computationally, the impact of the K-revision approach on the objective compared with classical multistage stochastic programming models and the partially adaptive approach introduced in [1, 2]. We develop two MIP formulations, one directly from our definition and the other based on a combinatorial characterization. We analyze the tightness of these formulations and propose several methods to strengthen them. Computational experiments on synthetic problems and practical applications demonstrate that our approach is both computationally tractable and effective in reaching near-optimal performance while increasing the predictability of the solutions produced.

研究动机与目标

• 平衡完全自适应 MSP 与可预测、承诺计划的需要。
• 提出一个框架，在其中初始计划被指定，并且在每个情景最多可修订 K 次。
• 旨在理解 K-revisions 如何影响目标值与解的一致性。
• 开发用于求解 K-revision MSP 的公式与求解技术。
• 通过合成与真实问题变体展示其实用性。

提出的方法

• 在 MSP 中形式定义带有计划与修订策略的 K-revision 约束。
• 提出两种用于 K-revision MSP 的混合整数规划公式。
• 提供 K-revision 约束的组合表征以辅助建模。
• 分析复杂性，即使在简单设定下也是 NP-hard。
• 开发加强方法：变量固定、经皮定义的裁剪及扩展表述。
• 通过对合成与 SAGHP-like 问题的计算实验，演示可行性与有效性。

实验结果

研究问题

• RQ1 将计划修订限制为 K 如何影响相对于完全自适应 MSP 的最优目标？
• RQ2 K-revision MSP 的计算复杂性及在何种条件下可高效求解？
• RQ3 是否可以制定并加强实用的 MIP 模型以有效捕获 K-revision 约束？
• RQ4 K-revision 模型在合成问题和实际应用如 SAGHP 与 lot-sizing 上的表现如何？

主要发现

• K-revision MSP 在 K 上具有单调性；K 越大，目标从不变坏。
• 即使在简单的超立方体设置中，当大小为输入的一部分时，1 ≤ K ≤ T−2 的 K-revision 问题是强 NP-hard。
• 当 T 固定时存在多项式时间的 DP，可为固定 horizon 但树规模增大时提供可扩展解。
• 开发了两种 MIP 公式，含紧性结果和特定问题的加强技术。
• 一种基于组合 ELBE 子树的表征有助于将计划修订与战略决策联系起来。
• 计算实验表明，与部分自适应模型相比，K-revision 方法在可预测性和接近最优性能方面具有优势。