Penalizační metody ve stochastické optimalizaci

Abstract

Předložená práce se zabývá penalizační metodou ve stochastické opti- malizaci. Hlavním cílem práce je studium penalizačních metod v deterministické optimalizaci, zejména exaktních penalizačních metod, za účelem rozšíření penal- izačních metod ve stochastické optimalizaci. Za tímto účelem ukážeme ekviva- lenci výchozího deterministického nelineárního a odpovídajícího penalizačního problému používajícího libovolnou vektorovou normu jako penalizační funkci, a to pro konvexní a invexní funkce vyskytující se v problémech. Získané věty jsou následně aplikovány na problémech s mnohonásobným pravděpodobnostním omezením s konečně diskrétním pravděpodobnostním rozdělením k dokázání asymp- totické ekvivalence stochastického a odpovídajícího penalizačního problému. Prak- tické použití nově získaných metod je demonstrováno v numerické studii, ve které je rovněž poskytnuto srovnání s ostatnými přístupy. 1

The submitted thesis studies penalty function methods for stochastic programming problems. The main objective of the paper is to examine penalty function methods for deterministic nonlinear programming, in particular exact penalty function methods, in order to enhance penalty function methods for stochastic programming. For this purpose, the equivalence of the original de- terministic nonlinear and the corresponding penalty function problem using arbi- trary vector norm as the penalty function is shown for convex and invex functions occurring in the problems, respectively. The obtained theorems are consequently applied to multiple chance constrained problems under finite discrete probability distribution to show the asymptotic equivalence of the probabilistic and the cor- responding penalty function problems. The practical use of the newly obtained methods is demonstrated on a numerical study, in which a comparison with other approaches is provided as well. 1