嘉宾简介：

汤勤深，本科和硕士就读于华南理工大学，并于2019年获得新加坡国立大学商业分析与运营系博士学位，现就职于新加坡南洋理工大学南洋商学院，担任信息技术和运营管理系助理教授。他目前主要研究兴趣包括数据驱动和目标导向的决策模型、鲁棒和鲁棒性优化，以及他们在运营和供应链管理中的应用。其研究结果发表在Management Science, Manufacturing & Service Operations Management等期刊。

讲座简介：

本文介绍了一种耦合预测和优化的新方法。该方法利用目标鲁棒优化来确定在分布模糊性和参数估计不确定性情况下的最优决策。文中的决策模型依赖于一个包含不确定参数的奖励函数，这些参数可以利用现有的协变量信息进行预测。然而，传统线性预测模型的准确性取决于从可用数据中得出的回归系数估计的质量。为了在分布模糊性下达到所需的脆弱性水平，研究团队首先解决了一个基于残差的目标鲁棒优化模型，其中利用回归残差来构建估计的经验分布，并将目标设定为相对于先预测后优化模型的目标值的相对值。在面对参数的估计不确定性时，本文提出了一个估计增强的目标鲁棒优化模型，该模型在最小化估计不确定性的影响的同时，确保解决方案在达到一个相对保守目标时最多保持相同的脆弱性水平。文章的方法得到了统计上的支持，并为各种场景提出了可行的模型，如鞍函数、两阶段线性优化问题和依赖于决策的预测。本文随后通过使用真实企业数据，进行了葡萄酒投资组合投资问题和多产品定价问题的案例研究，展示了方法的有效性。数值研究表明，当在实际分布上进行评估时，本文的方法在达到更高的预期回报和更低的风险方面优于先预测后优化的方法。特别地，在数据有限的情况下预期回报具有显著提高。