基于Wasserstein距离的两阶段分布鲁棒优化模型与Matlab实现

1. 项目概述

今天要分享的是一个基于Wasserstein距离的两阶段分布鲁棒优化模型实现方案。这个模型在金融风险管理、供应链优化等领域有着广泛的应用前景。我在实际项目中多次使用这种建模方法处理数据分布不确定性问题，效果显著优于传统鲁棒优化方法。

这个模型的核心创新点在于将Wasserstein距离引入两阶段优化框架，通过对偶转化将复杂的分布鲁棒问题转化为可求解的线性决策问题。相比传统方法，它能更好地控制最坏情况下的预期损失，同时保持计算可行性。

2. 核心原理解析

2.1 Wasserstein距离的数学本质

Wasserstein距离（又称推土机距离）是衡量两个概率分布差异的指标。在数学上，它表示将一个分布"搬运"成另一个分布所需的最小"工作量"。对于离散分布P和Q，p-Wasserstein距离定义为：

W_p(P,Q) = (inf_{γ∈Γ(P,Q)} ∫d(x,y)^p dγ(x,y))^

其中Γ(P,Q)是所有联合分布γ的集合，其边缘分布分别为P和Q。在我们的模型中，主要使用1-Wasserstein距离（p=1），因为它能带来更好的对偶性质。

2.2 两阶段优化框架

两阶段分布鲁棒优化模型的结构如下：

第一阶段：在观察到随机变量前做出决策x∈X
第二阶段：在观察到随机变量ξ后做出补偿决策y∈Y(x,ξ)

目标是最小化第一阶段成本加上最坏情况下（在Wasserstein球内）的期望第二阶段成本。

2.3 对偶转化技术

通过强对偶理论，我们可以将原始的无限维分布鲁棒优化问题转化为有限维优化问题。具体来说，利用Wasserstein距离的对偶表示，可以将问题转化为：

min_x c^T x + max_{λ≥0, φ} { -λε + 1/N ∑_{i=1}^N φ(ξ^i) }

其中φ是Lipschitz连续函数，λ是拉格朗日乘子，ε是Wasserstein球的半径。

3. Matlab实现详解

3.1 环境准备与参数设置

首先需要准备Matlab环境（建议R2019b或更新版本），并安装Optimization Toolbox。核心参数设置如下：

matlab复制% Wasserstein球半径
epsilon = 0.1;  

% 样本数量
N = 1000;  

% 成本系数
c = [2; 3; 1];  

% 样本生成（实际应用中替换为真实数据）
xi_samples = randn(N, 1);  

3.2 第一阶段问题建模

第一阶段是标准的线性规划问题：

matlab复制% 定义决策变量
x = optimvar('x', 3, 'LowerBound', 0);

% 创建优化问题
firstStage = optimproblem;
firstStage.Objective = c'*x;

% 添加约束
firstStage.Constraints.cons1 = x(1) + x(2) >= 1;
firstStage.Constraints.cons2 = x(3) <= 2;

% 求解
[x_opt, fval1] = solve(firstStage);

3.3 第二阶段对偶问题实现

第二阶段需要求解内层的max问题，我们使用fmincon进行求解：

matlab复制% 初始化对偶变量
lambda0 = 1;
phi0 = zeros(N, 1);

% 定义目标函数
objfun = @(vars) -vars(1)*epsilon + mean(vars(2:end));

% 定义约束（Lipschitz约束）
nonlcon = @(vars) deal([], max(abs(diff(vars(2:end)))) - vars(1));

% 调用fmincon
options = optimoptions('fmincon', 'Display', 'off');
dual_sol = fmincon(@(vars) -objfun(vars), [lambda0; phi0],...
                   [], [], [], [], [0; -inf(N,1)], [], nonlcon, options);

% 提取最优值
max_value = -objfun(dual_sol);

3.4 整体算法集成

将两阶段问题结合，形成完整算法：

matlab复制function [x_opt, total_cost] = WassersteinDRO(c, epsilon, xi_samples)
    % 第一阶段优化
    x = optimvar('x', length(c), 'LowerBound', 0);
    firstStage = optimproblem;
    firstStage.Objective = c'*x;
    % 添加实际约束...
    
    [x_opt, fval1] = solve(firstStage);
    
    % 第二阶段对偶问题
    N = length(xi_samples);
    lambda0 = 1;
    phi0 = zeros(N, 1);
    
    % 定义与x相关的第二阶段目标
    objfun = @(vars) -vars(1)*epsilon + mean(secondStageCost(x_opt, xi_samples, vars(2:end)));
    
    dual_sol = fmincon(@(vars) -objfun(vars), [lambda0; phi0],...
                      [], [], [], [], [0; -inf(N,1)], [], @(vars) lipschitzCon(xi_samples, vars), options);
    
    max_value = -objfun(dual_sol);
    total_cost = fval1 + max_value;
end

function cost = secondStageCost(x, xi, phi)
    % 实现具体的第二阶段成本计算
    cost = phi;  % 简化为示例
end

function [c, ceq] = lipschitzCon(xi, vars)
    % Lipschitz约束实现
    lambda = vars(1);
    phi = vars(2:end);
    c = max(abs(diff(phi)./diff(xi))) - lambda;
    ceq = [];
end

4. 关键实现技巧

4.1 样本处理的最佳实践

1. 样本标准化：在使用Wasserstein距离前，建议对样本进行标准化处理，使各维度具有可比性：

matlab复制xi_samples = (xi_samples - mean(xi_samples))/std(xi_samples);

2. 样本量选择：样本量N建议在1000-5000之间。太少会导致近似不准确，太多会增加计算负担。

3. 离群值处理：Wasserstein距离对离群值敏感，建议预先处理：

matlab复制xi_samples(xi_samples > 3*std(xi_samples)) = 3*std(xi_samples);

4.2 优化求解技巧

1. 初始值选择：对偶变量λ的初始值建议设为1，φ初始值可设为样本的线性函数：

matlab复制phi0 = 0.5*xi_samples;

2. 约束简化：实际实现中，可以将Lipschitz约束简化为有限差分约束：

matlab复制for i = 1:N-1
    A(i, i) = -1/(xi_samples(i+1)-xi_samples(i));
    A(i, i+1) = 1/(xi_samples(i+1)-xi_samples(i));
end
b = lambda_opt*ones(N-1, 1);

3. 并行计算：对于大规模问题，可以使用parfor加速样本处理：

matlab复制parfor i = 1:N
    phi_values(i) = computePhi(xi_samples(i));
end

4.3 参数调优建议

1. Wasserstein半径ε选择：

   • 太小：模型过于乐观
   • 太大：模型过于保守
   • 建议通过交叉验证选择，通常取样本间距离的10%-20%

2. 收敛标准设置：

matlab复制options = optimoptions('fmincon', 'OptimalityTolerance', 1e-6,...
                      'StepTolerance', 1e-8, 'MaxIterations', 1000);

3. 正则化技巧：为避免过拟合，可以在目标函数中加入λ的正则项：

matlab复制objfun = @(vars) -vars(1)*epsilon + mean(phi_cost) + 0.01*vars(1)^2;

5. 实际应用案例

5.1 供应链库存管理

考虑一个两阶段库存管理问题：

• 第一阶段：决定初始库存水平x
• 第二阶段：根据实际需求ξ调整库存

使用我们的方法建模：

matlab复制% 成本参数
c = 1;  % 单位库存成本
h = 2;  % 单位缺货成本
b = 0.5; % 单位过剩成本

% 修改第二阶段成本计算
function cost = inventoryCost(x, xi, phi)
    shortage = max(xi - x, 0);
    excess = max(x - xi, 0);
    cost = h*shortage + b*excess + phi;
end

5.2 金融投资组合优化

在投资组合优化中应用：

• 第一阶段：资产配置比例
• 第二阶段：根据市场变化调整

matlab复制% 收益率样本
returns = randn(N, 3)*0.1 + [0.05, 0.03, 0.07];

% 修改目标函数
function cost = portfolioCost(x, returns, phi)
    portfolio_returns = returns*x;
    cost = -quantile(portfolio_returns, 0.05) + phi;  % CVaR-like
end

6. 常见问题排查

6.1 收敛问题

问题：对偶问题不收敛
解决方案：

1. 检查Lipschitz约束实现是否正确
2. 尝试减小OptimalityTolerance
3. 使用更好的初始值（如用线性函数初始化φ）

6.2 数值不稳定

问题：结果对ε敏感或波动大
解决方案：

1. 确保样本充分（N足够大）
2. 对数据进行标准化
3. 加入小的正则化项

6.3 计算时间过长

问题：大规模问题时求解慢
解决方案：

1. 使用稀疏矩阵表示约束
2. 采用样本缩减技术（如k-means聚类）
3. 实现并行计算

7. 性能优化技巧

1. 预处理加速：对样本进行排序可以显著加快Lipschitz约束计算：

matlab复制[xi_samples, idx] = sort(xi_samples);
phi = phi(idx);

2. 热启动技巧：在参数调优时，使用前一次解作为初始值：

matlab复制lambda0 = previous_lambda;
phi0 = previous_phi;

3. 主动约束识别：仅对相邻样本实施Lipschitz约束：

matlab复制A = sparse(N-1, N+1);
for i = 1:N-1
    A(i, i+1) = -1/(xi_samples(i+1)-xi_samples(i));
    A(i, i+2) = 1/(xi_samples(i+1)-xi_samples(i));
end

4. 内存优化：对于超大N，使用单精度浮点数：

matlab复制xi_samples = single(xi_samples);

8. 模型扩展方向

1. 多维度Wasserstein距离：扩展到多维随机变量情况：

matlab复制% 使用pdist2计算样本间距离
D = pdist2(xi_samples, xi_samples);

2. 非线性决策规则：将线性决策扩展为非线性：

matlab复制function y = nonlinearDecision(x, xi)
    y = x(1)*sin(xi) + x(2)*exp(-xi);
end

3. 动态Wasserstein半径：根据数据特征自适应调整ε：

matlab复制epsilon = 0.1 * std(xi_samples);

4. 与其他鲁棒方法结合：如与矩不确定集结合：

matlab复制% 添加矩约束
A_mom = [xi_samples, xi_samples.^2];
b_mom = [mean(xi_samples); mean(xi_samples.^2)];