下载掌阅APP，畅读海量书库
立即打开
本节标题中提出的问题已经超出了一般类型的理论考虑范围，这主要是一个应该基于应用驱动来考虑解决的建模问题。然而，在一种特殊情况下，这个问题变得有意义，并且在某种程度上具备解决办法。在这种情况下，我们的目标不是“从零开始”建立一个不确定性模型，而是将一个已经存在的不确定性模型（即随机模型）转换为一个“不确定但有界”的扰动集和相关的鲁棒对等。基于和上一章相同的原因，我们可以考虑将范围限制在单个受不确定性影响的线性不等式（1.3.4）和式（1.3.5）的情况中。
概率性扰动与“不确定但有界”扰动之间的比较 。当建立不确定线性不等式（1.3.4）的RC（1.3.6）时，我们使用了所谓的“不确定但有界”的数据模型（1.3.5），其中，我们所知道的数据[ a ； b ]的可能值即为该模型的域 U ，域 U 是由在给定扰动集 Z 中变化的扰动向量 ζ 对数据的给定仿射参数化定义的。需要强调的是，由于我们没有假设这种扰动是自然随机发生的，因此我们使用了在这种情况下唯一有意义的解决方法，即寻找到一种方法，无论扰动集中的数据扰动形式是怎样的，该方法始终具有可行性。这种方法具有如下优点。
●通常情况下，我们没有理由认为扰动是随机的。事实上，随机性只在某一事件多次重复发生或者其大量相似事件同时发生时才具有考虑意义；在这一前提条件下，我们对某一事件成功频率等情况的考虑才具有合理性。从方法论的角度来讲，对于某个没有二次发生可能的唯一性事件，从概率角度考虑的解决方法便会存在问题。
●即使未知数据可以被认为是随机数据，我们也可能很难指定其可靠的数据分布，尤其是在大量数据的情况下。实际上，只有当我们至少掌握了数据总体分布的部分信息时，随机性数据才能在解决问题的过程中起到一定的帮助作用。
当然，不确定但有界的不确定性模型也需要先验知识，即知道什么是不确定性集（从概率角度考虑，可以把这个集合看作数据分布的支持，即数据空间中最小的封闭集合，使得数据在该集合之外取值的概率为零）。然而，值得注意的是，指出数据的相关分布的支持比指出数据本身的分布要容易得多。
通过不确定性的不确定但有界模型，我们可以对问题做出明确的预测，比如“通过某某行为，当未知参数与其标称值的差异达到15.1%时，我们可能会死亡，而当未知参数与其标称值的差异不超过15%时，我们则一定能生存下去”。如果我们认为15.1%的变化也确实值得考虑，那么可以选择增加扰动集来处理数据中30%的扰动。如果幸运的话，我们将能够找到增加扰动集的鲁棒可行解。这是一种典型的工程方法——在找到支撑某一荷载所需的杆的厚度后，土木工程师会将其增加1.2或1.5倍（为了安全起见）——以解释模型不准确、材料缺陷等问题。在随机不确定性模型中，这种“为了安全起见”的方法是不可能实现的——因为“总的概率预算”永远是固定的，所以增加某些事件的概率，就必须同时降低其他事件的概率。所有这些论点都表明，在现实中存在这样的情况，即数据扰动的不确定但有界模型比不确定性的随机模型具有显著的方法优势，当然，在某些领域的应用中（如通信、天气预报、大规模生产，以及金融领域的某些应用），人们可以依赖不确定性概率模型。在这种情况下，信息少得多的不确定但有界模型和相关的面向最坏情况的决策方法可能过于保守，因此不切实际。最重要的是，尽管 数据不确定性的随机模型并不是迄今为止唯一有意义的模型，但它们绝对值得关注 。在这一章中，我们的目标是找到一种方法，在 构建不确定性免疫解时，能够利用某种程度上的数据扰动随机性知识。 这一目标通过将不确定性的随机模型具体“转换”为不确定但有界的扰动和相关鲁棒对等来实现。在详细研究该方法之前，我们将解释为什么要选择这样一种隐式的方法来处理随机不确定性模型，而不是采用直接的方法对其进行处理。