تحلیل مولفه های اصلی در بهینه سازی استوار داده-محور مبتنی بر خوشه بندی بردار پشتیبان و یادگیری کرنلی

در این مقاله یک روش نوین برای کاهش ابعاد در بهینه سازی استوار داده-محور۱ ارائه شده است. برای توسعه این مدل استوار، از مجموعه عدمقطعیت مبتنی بر خوشه بندی بردار پشتیبان۲ و یادگیری کرنلی۳ استفاده شده است که در ابتدا به دلیل وجود همبستگی بین ضرایب غیرقطعی از الگوریتم تحلیل مولفه های اصلی۴ برای کاهش ابعاد استفاده میکند، سپس به کمک الگوریتم خوشه بندی بردار پشتیبان و تابع کرنل منحصر بفرد مجموعه عدم قطعیت مسئله بهینه سازی استوار را ایجاد میکند. این روش نه تنها ابعاد مسئله را با حفظ ویژگی آنها کاهش میدهد بلکه یک مجموعه عدم قطعیت کارا نیز ایجاد میکند که در نهایت از کاهش بی دلیل سود تولیدکننده در جواب استوار نهایی نیز جلوگیری میکند. جهت ارزیابی کارایی مدل، این روش بر روی یک مسئله با پارامتر عدم قطعیت با ابعاد بالا نیز پیاده سازی شده است. با توجه به وجود همبستگی بین عوامل عدم قطعیت، مدل بهینه سازی استواری توسعه داده شده که با درنظر گرفتن همبستگی بین ضرایب غیرقطعی مساله، توانایی دستیابی به جوابهای با سطح استواری یکسان ولی سود بیشتر را در برابر مدلهای رایج بهینه سازی استوار، دارا میباشند.