随机规划及其Recourse(追索/补偿）问题

最近在读有关随机规划论文时遇到了一个Recourse，译作“追索”或“补偿”，但是没有人讲解Recourse问题到底是什么是什么，甚至搜索“Recourse”会出现“Resource”的内容。这篇文章谈谈随机规划（Stochastic Programming）和对应的追索（Recourse）问题。

本文主要参考了“https://neos-guide.org/content/stochastic-linear-programming”。另外本文举的例子非常浅显，想了解更符合现实的模型可以参考“https://blog.csdn.net/weixin_43964257/article/details/116492778”。

介绍

Recourse这个词来源于法律，也就是我们常说的"追索权",关于这个概念百度百科解释如下：

“追索权，是指持票人在汇票到期未获付款，到期前未获承兑或其他法定原因发生时，在采取保全权利行为之后，能够请求前手或其他票据债务人偿还票据金额以及相关损失的票据权利，是法律上为补充付款请求权而设定的第二次请求权。”

一句话总结，当甲拥有债权时当事人乙拒绝付款，甲可以依照法律要求乙补充付款。笔者法律知识有限，有误解之处请大家指正，但只需理解Recourse指“要求补齐欠款的权利”。

Recourse是随机规划中的核心概念，指的是在随机事件发生后采取修正的能力。一个简单的二阶段Recourse例子如下：

• 选择决策变量Xi来控制今天发生的事；

• 夜里，发生了随机事件；

• 第二天，采取行动yi来修正随机事件带来的不确定性。

随机规划分为两个阶段，分别为“here and now” 和 “wait and see”，第二个阶段即为Recourse阶段。

例子

假如你是一个煤老板，在购置煤炭时，一部分在当年售卖给客户，另一部分可以存储起来来年售卖。售卖煤炭时，也可以选择购置还是调用库存。

因此你的决策为：

• 购置多少煤炭直接售卖给客户

• 购置多少煤炭用以存储

• 当年从库存中调用多少煤炭

你的决策主要基于现在和未来的煤炭售价，库存成本，库存容量，每阶段需求。

每个阶段的决策可以被构建为简单的线性规划（Linear Programming）问题，目标为最小化当年的成本。假如未来状况可以预料，则数据集确定，我们可以直接得到一个可行最优解。

但大多数情况下，我们并不知道未来的价格需求，但是我们可以进行预测。例如，如果客户购买煤炭主要为了取暖，则其需求量高度依赖于气候状况，只需预测天气就可以精准预测来年需求。

但不考虑不确定性会使我们的模型面临失效风险，我们的“最优决策”在现实中可能并不适用。

不同情况

假如，今年是个暖冬，明年冬天可能有三种情况：暖冬、冷冬、极寒，各个情况下系统参数如下：