[科普中国]-鲁棒决策

相关概念鲁棒策略

诸如武器装备体系论证等众多实际问题需要在宏观层次进行决策，因此它们所要考虑的环境复杂度以及因素的量级不是简单实验或单一的模型就可以解决，基于系统仿真进行研究是一种可行之法。然而完全采用分辨率较高的仿真模型进行研究，一方面，在模型的开发、验证以及实验数据的有效获取等方面存在较大困难；另一方面，实际问题中存在大量的不确定性，仿真引入这些不确定因素，会引起实验次数的指数倍增长，导致维度灾难。

由于复杂决策面临存在大量不确定性的情况，寻找对某一特定想定的最优策略已经不能满足决策者的需求，他们所需的策略是面对尽可能完备的想定空间，其执行效果大于某阈值，该策略被称为鲁棒策略。2

鲁棒决策鲁棒策略的概念最早是在田口玄一推广的“稳健设计(robust design)”领域发展起来的。根据田口的观点，鲁棒策略并非是最优方案，而是在面对大量不确定性的情况下可以产生优于某一事先确定的阈值的方案。将这种基本思想推广到考虑不确定性的一般决策中来，即为鲁棒决策。鲁棒决策是一种尽可能在已有资源的基础上消除不确定性因素，并选择一个对剩余不确定性不敏感的满意方案的过程。2

鲁棒决策评价准则鲁棒决策是一个反复分析的处理过程。该过程确定策略能在尽量大的想定空间范围执行并保证结果满意。评价结果是否满意一般采用基于准则的评价方法，鲁棒决策评价准则是该策略能有一定的满意度(即执行情况蒲足或超过可以接受的评价准则)，并能对失败具有鲁棒性。1

与传统策略对比传统决策与鲁棒决策具有显著差别(参见图)。

过可以接受的评价准则)，并能对失败具有鲁棒性。鲁棒策略与可选策略相比是在大范围可能想定中执行相当好的策略子集，而且经常是自适应的。随时间进化来响应新出现的信息。另外，鲁棒决策能帮助建立决策的一致性，因为不同的决策参与者对将来情况的认识可能不一致，但在不同将来情况都能执行较好的策略，比较容易达成一致。1

主要表现在：

(1) 在过程上：传统决策分析方法依赖于每种策略对结果的预测。而鲁棒决策分析方法则通过研究策略选项的弱点，分析不同想定条件下应采用的满意策略；

(2) 对想定空间的要求上：传统决策分析方法依赖于决策者在决策评估之前对不确定性进行的特征化，即事先假设了不确定性的概率特征，在缩减的想定空间中进行策略选项的评估，所以得到的策略只是针对有限的想定，而鲁棒决策分析方法则无需这种假设，它所得到的策略是针对尽可能完备的想定空间中的想定的；

(3) 在策略选择上：传统决策分析方法一般给出针对某一想定的最优策略，而鲁棒决策分析方法则根据系统化地探究不确定条件下各种策略的弱点，给出不同条件下的满意策略。2

面临的挑战在复杂系统高层决策中，虽然鲁棒决策有很多优势，但进行鲁棒决策的过程有很多的困难需要克服。进行鲁棒决策的困难主要体现在以下几方面：

1)鲁棒决策的鲁棒性依赖可选方案集的完整性和全面性，但在实际的次策分析中投有办法保证能获取所有的可选解决方案。

2)不容易开发一个比较好的策略评价准则来评价可选方案，这主要是由于在不同的想定情况和策略下，评价准则可能不同。

3)参与决策的个人的价值观可能不一样，导致对同题的重要性认识不一致。

4)评价准则信息不全面或不确定。评价准则的特征在很多情况下测度困难或不可测度。

5)决策问题随时同改变而进化，决策中的大量不确定性因素使得发现满意解央方案有一定困难。。策略的实施与实施后产生的影响是一个渐进的过程，使得有不同症状的拙劣决策很难立即得到验证。1

鲁棒决策要素在探索性分析环境中，鲁棒决策过程是一个基于入机结合、交互、反复的过程。要实现决策的鲁棒性，在分析过程中应考虑以下4个关键要素：

1)尽量考虑大量的想定，尽量构成完备的想定空间。由于复杂系统中包含大量的不确定性因素，对系统以后的发展和系统以后所处的环境一般情况下很难进行准确预测，如果只考虑少数几种可能情况则很难保证其具有代表性。实现决策的鲁棒性的首要条件是充分考虑将来可能出现的各种情况，在尽可能的条件下尽量保证其构成的想定空间具有完备性，能代表各种可能情况。

2)追求策略的鲁棒性比最优性更重要。具有鲁棒性的策略是指在广阔的将来可能范围内和可选策略集中执行效果满足或超过域值的策略。鲁棒性为复杂系统的长期规划提供了一个很好的准刘，因为它反映的是很多决策者在不确定性条件下实际使用的方法。

3)应用自适应获取鲁棒性。自适应策略一般随时间推进而进化，以应对新出现的信息。短期自适应策略通过形成将来决策的可选项来寻求影响长期将来的策略，近期策略应明显地考虑到在将来对该策略进行修订。

4)基于人机结合、交互式探索多种可能空间来获取鲁棒策略。人单独不船长时问跟踪大量相关的详细信息，但自动化的计算机交互方法可辅助研究人员观察大量数据，并能测试和发现在各种可能的大范围内所需要的假设。在计算机引导下。探索想定空闻和决策空闯能帮助人们发现自适应策路，丽且该策略能在大范围的可能想定空间中具有鲁棒性。1