分布鲁棒优化综述：Rahimian & Mehrotra (2022)
对分布鲁棒优化（Distributionally Robust Optimization, DRO）的全面综述——一种建模框架，通过在一个模糊集（ambiguity set）上最小化最坏情形期望，来对冲底层概率分布的不确定性。本综述通过统一的原始（primal）形式，整合了四大优化传统：随机优化（SO）、鲁棒优化（RO）、机会约束优化（CCO）与风险厌恶型优化。
为什么需要 DRO？
经典的鲁棒优化（RO）假设只知不确定参数的支撑集（support）；经典的随机优化（SO）假设已知完整分布。现实介于两者之间：我们观察到样本，并掌握部分信息（矩、支撑集、与某个基准的散度）。DRO 把这种情形形式化，让决策者求解 \min_{x\in X}\ \sup_{P\in\mathcal P}\ R_P\!\left[h(x,\tilde\xi)\right]\quad\text{s.t.}\quad \sup_{P\in\mathcal P}\ R_P\!\left[g_j(x,\tilde\xi)\right]\le 0, 其中 \mathcal P 是模糊集——通常是由散度、矩约束、拟合优度检验，或围绕某个名义测度/经验测度的 Wasserstein 半径定义的"分布球"。
关键理论桥梁
- DRO ↔ RO（§3.2）。若 \mathcal P 包含支撑集上的所有分布，DRO 退化为 RO。当 \Xi 有限（M 个原子）时，\mathcal P 可识别为 \mathbb R^M 的一个子集，从而把 DRO 写成形如 RO 的 \inf_{x\in X}\sup_{\mathbf p\in\mathcal P} f(x,\mathbf p)；此时可用于 RO 的不确定性集构造技巧即可用来构造 \mathcal P。
- DRO ↔ 一致风险测度（§3.3.1）。在凸性/紧性条件下，最坏情形期望算子 \rho_{\mathcal P}(Z) := \sup_{P\in\mathcal P}\mathbb E_P[Z] 是一个一致风险测度（coherent risk measure）（Artzner 等 1999）；当 \mathcal P 是法则不变（law-invariant）的，它还是一个法则不变的一致风险测度。这是让组合式的风险视角转化为可解 SDP/SOCP 的核心桥梁。
- DRO ↔ 机会约束优化（§3.3.2）。一个机会约束 P(\tilde\xi\in A(x))\ge 1-\epsilon 配上基于矩或散度的 \mathcal P，可转化为可处理的凸约束。
- DRO ↔ 正则化（§3.4）。基于 Wasserstein 的 DRO 恰好是一个正则化 ERM 问题——与 SVM、LASSO、正则化逻辑回归相连。取 \epsilon=\chi^2_{1,N,1-\alpha} 的 \phi-散度 DRO，在 Namkoong & Duchi / Duchi 等的渐近展开中给出方差正则化目标。
求解技术（§4）
- 割平面/交换法（cutting-surface / exchange method）——把 \mathcal P 离散化为有限原子集，每轮迭代往这个有限集合中加入一个新的概率分布，直到满足最优性判据（Pflug & Woźabal；Rahimian 等；Bansal 等）。
- 对偶法（dual method）——用锥对偶把 \sup_{P\in\mathcal P} 对偶化；在 Slater 型条件下强对偶成立，内层 sup 变成一个有限凸问题（Delage & Ye；Bertsimas 等；Wiesemann, Kuhn & Rustem；Ben-Tal 等） 。文献中的主流方法。
选择模糊集（§5）
| 家族 | 示例 | 关键参考文献 |
|---|---|---|
| 基于差异（§5.1） | Wasserstein W_p、\phi-散度（KL、\chi^2、Hellinger、Burg 熵、variation）、全变差、Prohorov、\zeta-结构 | Mohajerin Esfahani & Kuhn；Bayraksan & Love；Duchi 等；Hu 等 |
| 基于矩（§5.2） | Chebyshev、Delage–Ye、广义矩、矩矩阵不等式 | Scarf；Delage & Ye；Bertsimas & Popescu；Wiesemann, Kuhn & Sim |
| 保形（§5.3） | 对称性、单峰性、\alpha-单峰性、凸/凹单调节密度 | Popescu；Van Parys 等；Hanasusanto 等；Li 等 |
| 基于核（§5.4） | 核回归加权（k 近邻、Nadaraya–Watson、局部线性）、核密度估计+PCA、支撑向量聚类 | Bertsimas & Kallus；Ning & You；Shang 等 |
数据驱动标定（§6）：以经验分布 \mathbf P_N 为中心、半径为 \epsilon 的 Wasserstein 球可获得有限样本与渐近一致性保证（Mohajerin Esfahani & Kuhn 2018）。就半径而言，Pflug & Woźabal 依 Dudley 的界取 \epsilon = C N^{-1/d}/\alpha，保证 \mathbb P\{\mathsf d_{W_c}(\mathbb P,\mathbf P_N)\ge\epsilon\}\le\alpha；原文指出该半径依赖外生常数 C，因而过于保守、不实用。作为替代，Ji & Lejeune 对支撑集直径 \theta 的紧空间给出只依赖 \alpha、N、\theta 的闭式半径。
量化金融应用
- 组合优化：最坏情形分布下的均值-风险与均值-CVaR（Calafiore；El Ghaoui 等；Goldfarb & Iyengar；Pflug & Pohl；Ji & Lejeune）。
- 报童/库存问题（Scarf；Gallego & Moon；Ardestani-Jaafari & Delage；Klabjan 等）。
- 指数跟踪与能源承诺（Hanasusanto & Kuhn；\chi^2 距离）。
- 未定权益的多阶段接受/拒绝定价（Glanzer 等）。
- 统计学习：SVM、LASSO、正则化逻辑回归、多任务学习都有 DRO 解释。
工具箱（§8）
原文列出四个建模工具箱：ROME（Goh & Sim，MATLAB，面向支撑与均值为锥可表示、协方差已知并带方向偏差上界的一类 DRO）、ROC（Bertsimas 等，C++，演示其自适应 DRO 模型的实用性与可扩展性）、XProg（MATLAB，实现与 ROC 相同的模型）、AROMA（Chen 等，用于展示其所提模糊集的建模能力）。
本文对 wiki 的价值
- 桥梁概念——DRO 统一了 wiki 已经由风险平价、波动率目标和 Ferson-Siegel 框架（Ferson-Siegel 最优加权）触及的全部四大优化范式。
- 宏大体量 → 文件夹拆分：单页处理会超过 1200 字；该概念已拆分为主页、Wasserstein 模糊集、一致风险测度和鲁棒优化子页。
- 可复现标定：数据驱动的 Wasserstein 半径是罕见的、带有限样本保证的 DRO 构造——为生产级风险模型中"\epsilon 该取多大？"提供了一个真正的答案。