KNOWECON WIKI

ARTICLE

随机规划

随机规划（Stochastic Programming）是数学规划的一个分支，专门处理优化问题中涉及不确定参数的情形。与传统确定性优化不同，随机规划允许问题中的系数、约束右侧项或目标函数含有随机变量，并通过概率模型将这些不确定性纳入决策过程。其核心思想是：决策者在信息不完全的环境中寻找最优策略，使期望收益最大化或期望成本最小化，同时满足以一定概率成立的约束条

浏览 0 更新 2025-11-09

随机规划（Stochastic Programming）是数学规划的一个分支，专门处理优化问题中涉及不确定参数的情形。与传统确定性优化不同，随机规划允许问题中的系数、约束右侧项或目标函数含有随机变量，并通过概率模型将这些不确定性纳入决策过程。其核心思想是：决策者在信息不完全的环境中寻找最优策略，使期望收益最大化或期望成本最小化，同时满足以一定概率成立的约束条件。随机规划与鲁棒优化、模糊规划共同构成了不确定性优化理论的三大支柱，在金融资产管理、供应链网络设计、能源系统调度和医疗资源分配等领域发挥着不可替代的作用。

一、问题形式化

随机规划的一般形式可写为：

min⁡x∈X  Eξ[f(x,ξ)]s.t.g(x,ξ)≤0,  以概率 p 成立\min_{x \in X} \; \mathbb{E}_\xi[f(x, \xi)] \quad \text{s.t.} \quad g(x, \xi) \le 0,\; \text{以概率 } p \text{ 成立}

其中 ξ\xi 表示随机向量，其概率分布已知或可通过历史数据估计；xx 为决策变量；期望算子 Eξ\mathbb{E}_\xi 表示对随机参数取期望；约束条件中的概率要求反映了决策者对风险的态度。当 p=1p=1 时，问题退化为几乎必然严格满足约束的"鲁棒"情形；当 p<1p<1 时，则对应于机会约束规划。

根据决策时序与信息结构的不同，随机规划通常分为两大类：两阶段随机规划和多阶段随机规划。在两阶段模型中，决策者在观察到随机变量的实现值之前做出第一阶段决策（"这里-现在"决策），在随机变量实现后做出第二阶段决策（"等待-看到"决策），目标是最小化第一阶段成本与第二阶段期望成本之和。多阶段模型则将决策过程扩展到多个时间节点，各阶段的随机信息逐步揭示，决策者根据最新信息动态调整后续策略，形成决策树结构。

二、两阶段随机规划

两阶段随机规划是随机规划中最经典和最广泛应用的模型形式，其数学表达式为：

min⁡x  c⊤x+Eξ[Q(x,ξ)]s.t.Ax=b,  x≥0\min_{x} \; c^\top x + \mathbb{E}_\xi[Q(x, \xi)] \quad \text{s.t.} \quad Ax = b,\; x \ge 0

其中 Q(x,ξ)=min⁡y{q⊤y:Wy=h−Tx,  y≥0}Q(x, \xi) = \min_{y} \{ q^\top y : Wy = h - Tx,\; y \ge 0 \} 为第二阶段问题的值函数，表示在第一阶段决策 xx 确定后、随机参数 ξ=(q,h,T,W)\xi = (q, h, T, W) 实现时需要采取的补救成本。这一两阶段结构清晰地刻画了"先决策、后观察、再调整"的动态优化逻辑。

两阶段随机规划的一个典型应用是新闻报童问题。报童需要在确定报纸需求量之前决定订购数量 xx，订购成本为每份 cc，售价为 pp，残值为 vv。随机需求 DD 的分布已知。若订购过多，超出部分以残值处理；若订购不足，则损失潜在销售利润。最优订购量由临界分位数决定：F−1((p−c)/(p−v))F^{-1}((p-c)/(p-v))，其中 FF 为需求的累积分布函数。这一解析解体现了两阶段随机规划中决策权衡的本质——在缺货成本与过量成本之间寻求期望意义上的最优平衡。

在电力系统调度中，两阶段随机规划被广泛用于机组组合问题。第一阶段决定哪些发电机组在日前市场中开机（启停决策），第二阶段根据次日实际负荷与可再生能源出力的随机实现，确定各机组的出力水平。这种模型能够有效应对风电、光伏等间歇性能源并网带来的不确定性，帮助系统运营者在经济性与可靠性之间取得平衡。

三、多阶段随机规划

多阶段随机规划将两阶段框架延伸至更一般的时序决策场景。在时间 t=1t=1 时，决策者做出初始决策 x1x_1；随后随机向量 ξ2\xi_2 的实现被观察到；基于新信息，决策者做出 x2x_2；依此类推，直到所有阶段结束。整个决策过程形成一棵情景树，每个节点代表特定历史路径下的决策点，分支代表随机变量的不同实现值。

情景树的生成是多阶段随机规划求解的关键步骤。常用方法包括蒙特卡洛抽样、矩匹配法和经验分布离散化。树的结构直接决定问题的规模：阶段数 TT 与每阶段情景分支数 KK 以指数方式 (KT)(K^T) 增长，这一"维数灾难"使得实际应用中的情景树通常控制在适中的大小或借助情景削减技术压缩规模。

多阶段随机规划在资产管理领域有着经典应用。养老金基金经理需要逐年调整投资组合配置，以应对股票收益率、利率和通货膨胀率的多期随机波动。模型中的每个阶段对应一个投资周期，决策变量包括各资产类别的持有比例，目标是以一定的置信水平满足未来养老金支付义务的约束，同时最小化缴费率波动。这种动态资产-负债管理模型比单期均值-方差模型更贴合实际，但计算复杂度也显著提高。

四、求解方法

确定性等价法

当随机变量的取值空间为有限离散集时，随机规划问题可以转化为一个大规模确定性规划问题——即"确定性等价"问题。每个情景对应一组约束和决策变量，目标函数变为各情景目标值的加权平均。转化后的线性规划或混合整数线性规划可用标准求解器调用。然而，情景数量与变量规模呈线性关系，当情景数量达到数万甚至数十万时，问题的规模可能超出直接求解能力。

L型分解法

L型分解法（L-shaped Method）是求解两阶段随机线性规划最有效的算法之一，本质上是Benders分解在随机规划中的推广。算法将原问题分解为一个主问题（对应第一阶段）和多个子问题（对应各情景的第二阶段）。主问题求解提供第一阶段候选解，子问题检验该解在各情景下的可行性与最优性，若不满足则向主问题返回可行割或最优割约束。算法交替求解主问题和子问题，直到达到收敛。当各情景的子问题具有相似结构时，L型分解法的计算效率尤为突出。

渐近逼近法

针对连续分布或高维随机参数的随机规划，精确求解往往不可行。样本均值近似法用蒙特卡洛样本替代真实分布，将期望值问题转化为样本均值问题。理论研究表明，当样本量趋于无穷时，样本均值近似问题的解以概率收敛于真解，且收敛速率为 O(n−1/2)O(n^{-1/2})。方差缩减技术（如重要抽样、对偶变量和共同随机数）可有效加速收敛。此外，随机拟梯度法通过在每次迭代中利用随机子梯度的无偏估计替代真实梯度，在不需要精确计算期望值的条件下推进解的质量，适用于在线决策和实时优化场景。

五、挑战与发展趋势

随机规划在实际应用中面临的主要挑战包括：高维不确定性带来的计算爆炸、概率分布设定的偏差对解质量的影响，以及多阶段问题中非预期性约束的建模复杂性。近年来，分布式计算框架（如并行L型分解）和机器学习驱动的情景生成方法有效缓解了计算瓶颈。随机规划与鲁棒优化的融合——分布鲁棒优化——在仅知道部分矩信息的情况下，通过在最坏分布下优化决策，提供了兼顾信息效率和保守性的新路径。此外，随机规划的随机编程库（如Pyomo、SDDP.jl和StochasticPrograms.jl）的成熟，正在降低这一技术在实际工程中的应用门槛。

参考文献

  1. Birge, J. R., \& Louveaux, F. (2011). *Introduction to Stochastic Programming* (2nd ed.). Springer.
  2. Shapiro, A., Dentcheva, D., \& Ruszczyński, A. (2009). *Lectures on Stochastic Programming: Modeling and Theory*. SIAM.
  3. Kall, P., \& Mayer, J. (2010). *Stochastic Linear Programming: Models, Theory, and Computation* (2nd ed.). Springer.
  4. Ruszczyński, A., \& Shapiro, A. (2003). *Stochastic Programming*. Elsevier.
  5. King, A. J., \& Wallace, S. W. (2012). *Modeling with Stochastic Programming*. Springer.