不说废话的分布式鲁棒优化Part1
此处所讲均是以最简单的情况说明，对于更加复杂完善的优化理论，如果感兴趣可以继续深入了解，各个理论都在发展，希望大家也能不断学习进步！
优化就是求最优解，求函数的最大值是优化的一种
不确定性优化的一种，就是在约束条件的系数矩阵中随机变量替换成常量（以随机变量的最差值代替之）
换言之，考虑最差的情况下求最优
不确定性优化的一种，就是在约束条件的系数矩阵，把随机变量替换为常量（以随机变量的期望代替之）
换言之，考虑平均情况下求最优
鲁棒优化太保守，永远考虑最差的情况，总所周知，风险是收益，所以不好。
随机过程没考虑风险的问题，也忽略了很多分布的特性，导致决策考虑太少，容易翻车。
因此有这两二货存在，分布式鲁棒优化出现了（第三个二货出现了），结合了两者的缺点和优点，利用一个系数在RO和SP之间反复横跳。
简言之，分布式鲁棒优化的思想就是考虑了最差的分布下求最优，直接把随机变量变成了多个随机变量的集合
通常是有数据驱动的鲁棒优化（data-driven DRO），但是要求i.i.d data，所以产生了很多新的方法，比如最近要求看的一篇DRO就是构造了一个最大有效集作为不确定集合，还加入了一些诸如CVaR条件风险价值，积极消极代价、名义/最差后悔等概念。下一篇文章再继续说明。
分布式鲁棒的代码不好写，SP和RO都好写的很。下次有机会开个代码帖，虽然网上已经有很多代码了，你想看什么版本的代码，就在评论区留言吧，如果没人看我就有时间随便写一种了。
