決策引擎的後解決穩健性：可行區域與擾動下的平滑性

研究論文指出，混合整數線性規劃（MILP）決策引擎在高風險工業系統中經常輸出名義上最優的計劃，但在實際部署時，成本、需求或資源可用性的小幅擾動可能使方案不可行，或觸發解的不連續轉變。論文認為，這種後解決穩健性缺口是當前優化管道中缺失的一層，也是學習增強決策系統的評估維度缺失。為此，作者提出一個後解決穩健性層，用於審計已解決的方案，並提供基於求解器的證據，說明方案的可信程度。論文形式化兩個核心對象：一是參數空間中的ε-近優可行鄰域，捕捉方案在擾動下保持可行和近優的情況；二是決策空間中的解決方案平滑性，捕捉鄰近替代方案通過小的組合編輯是否仍具競爭力。此外，論文綜合敏感性分析、穩健優化、鄰域搜索、對抗測試和基於學習的增強等領域的相關成果，闡述統一後解決穩健性層的議程。具體而言，呼籲圍繞已解決方案的認證內逼近、帶校準不確定性的概率穩健性估計、對抗穩健性邊際，以及與基於求解器驗證對齊的基於學習的預測和解釋。最後，論文提出一個簡潔的報告模板和評估協議，將穩健性作為決策引擎的一流輸出。