بهینه‌سازی استوار داده‌محور، که با عناوین دیگری از جمله بهینه‌سازی استوار مبتنی بر داده نیز شناخته می‌شود و معادل فارسی عبارت Data Driven Robust Optimization است، به عنوان یک رویکرد مدرن بهینه‌سازی و تصمیم‌گیری در شرایط عدم قطعیت‌ شناخته می‌شود و در فضای آکادمیک و صنعتی موردتوجه متخصصین بهینه‌سازی و تحقیق در عملیات قرار گرفته است.
در ادبیات بهینه‌سازی در شرایط عدم‌قطعیت (Optimization under Uncertainty)، رویکردهای مختلفی از جمله برنامه‌ریزی تصادفی، برنامه‌ریزی ریاضی فازی، و بهینه‌سازی استوار مبتنی بر مجموعه‌های محدب مورد استفاده قرار گرفته است و در حال حاضر نیز به توسعه و به‌کارگیری آنها در مسائل مختلفی پرداخته می‌شود. این تکنیک‌ها به طور کامل در آکامی آپتیم‌یار آموزش داده شده است و در دوره بهینه‌سازی استوار و برنامه‌ریزی در شرایط عدم‌قطعیت می‌توانید به آنها دسترسی داشته باشید، و

نه تنها از منظر تئوری و مدل‌سازی، بلکه کدنویسی نرم‌افزاری آن را نیز مسلط شوید.
در توسعه رویکردهای برنامه‌ریزی غیرقطعی، بهینه‌سازی استوار داده‌محور توسعه یافته است که خود در برگیرنده تکنیک‌ها و مدل‌های مختلفی است و در مسائل و کاربردهای متعدد، مورد استفاده قرار می‌گیرد. لازم به توضیح است که تکنیک‌های بهینه‌سازی داده‌محور (Data-Driven Optimization) همگی در دسته بهینه‌سازی استوار قرار نمی‌گیرند چراکه لزوما خاصیت استواری (Robustness) در خروجی همه آنها وجود ندارد. به عنوان مثال، تکنیک‌هایی همچون بهینه‌سازی داده‌محور مبتنی بر استخراج برآورد نقطه‌ای پارامترهای غیرقطعی و یا تخمین توزیع احتمال، هرگز به تنهایی در دسته مدل‌های بهینه‌سازی استوار داده‌محور قرار نمی‌گیرند، بلکه از رویکردهای کلاسیک بهینه‌سازی داده‌محور به حساب می‌آیند. به عبارت دیگر، می‌توان گفت که مدل‌های بهینه‌سازی استوار داده‌محور زیرمجموعه‌ای از مدل‌های بهینه‌سازی داده‌محور است که در آن نه تنها از داده‌های موجود مربوط به پارامترهای غیرقطعی استفاده می‌شود بلکه خاصیت استواری در پاسخ مدل نیز تضمین می‌شود و از محافظه‌کاری شدید مدل‌های بهینه‌سازی استوار کلاسیک کاسته می‌شود.
بهینه‌سازی استوار داده‌محور (DDRO) از شاخه‌های متعددی تشکیل شده است که از مهمترین آنها می‌توان به بهینه‌سازی استوار توزیعی (Distributionally Robust Optimization)، بهینه‌سازی استوار مبتنی بر یادگیری ماشین (Machine-Learning-based Robust Optimization) و بهینه‌سازی استوار مبتنی بر برش مجموعه عدم‌ قطعیت اشاره کرد. البته رویکردهای DDRO ساده‌تری نیز وجود دارد که در ساده‌ترین حالت آنها می‌توان به توسعه مدل CVaR مبتنی بر داده و یا استخراج یک ناحیه اعتماد (Confidence Region) با استفاده از داده‌های در دسترس، اشاره کرد.
بهینه‌سازی استوار مبتنی بر یادگیری ماشین از جمله رویکردهای پرکاربرد DDRO به حساب می‌آید که در آن به برخی از روش‌های یادگیری ماشین نظارت‌شده و یا بدون نظارت، از جمله خوشه‌بندی (Clustering)، ماشین بردار پشتیبان (Support Vector Machine)، تحلیل مؤلفه اصلی (Principle Component Analysis)، هم به بهبود فضای عدم‌قطعیت کلاسیک در بهینه‌سازی استوار پرداخته می‌شود و هم یک فضای عدم‌قطعیت و همتای استوار مبتنی بر یادگیری ماشین، توسعه داده می‌شود.
از میان تکنیک‌های DDRO، بهینه‌سازی استوار توزیعی داده‌محور (Data-Driven Distributionally Robust Optimization) از محبوبیت تئوریک و کاربردی بیشتری برخوردار است و عمده پژوهش‌های مرتبط با این شاخه، در ژورنال‌های بسیار معتبری به انتشار رسیده است. لازم به توضیح است که این به معنای آن نیست که شاخه‌های دیگر از جمله شاخه بهینه‌سازی استوار مبتنی بر یادگیری ماشین اهمیت کمتری دارند، بلکه منظور آن است که این شاخه به دلیل زیرساخت ریاضیاتی و آماری قوی‌تری که دارد، در ژورنال‌های معتبر، با اقبال بیشتری مواجه شده است. بهینه‌سازی استوار توزیعی (DRO)، که به برنامه‌ریزی تصادفی استوار توزیعی (Distributionally Robust Stochastic Programming) نیز معروف است، در اصل یک ایده ترکیبی از بهینه‌سازی استوار و برنامه‌ریزی تصادفی است. در بهینه‌سازی استوار کلاسیک، گرچه با وابستگی کم به داده، صرفا یک مجموعه عدم‌قطعیت تعریف می‌شود، ولی سطح محافظه‌کاری در آن بسیار بالا است. از طرف دیگر، برنامه‌ریزی تصادفی، وابستگی زیادی به توزیع احتمال مرتبط با پارامترهای غیرقطعی دارد و محافظه‌کاری آن نیز خنثی است. به این ترتیب، با ادغام ایده دو رویکرد بهینه‌سازی استوار و برنامه‌ریزی تصادفی، مدل‌های مدرن بهینه‌سازی استوار توزیعی معرفی می‌شود.
در بهینه‌سازی استوار توزیعی (DRO)، به عنوان یکی از مهمترین رویکردهای بهینه‌سازی استوار داده‌محور، ابتدا به تعریف یک مفهوم جدید تحت عنوان مجموعه ابهام (Ambiguity Set) پرداخته می‌شود. مجموعه ابهام در DRO یک خانواده از توزیع‌های احتمال است که با داده‌های موجود، هم‌خوانی/برازش قابل‌قبولی دارد. به عبارت دیگر، به مجموعه ابهام، مجموعه توزیع (Distribution Set) نیز می‌توان گفت. در DRO، بهینه‌سازی به صورتی انجام می‌شود که متوسط عملکرد سیستم در صورت وقوع بدترین توزیع ممکن، بهینه باشد. برای ایجاد مجموع توزیع یا همان مجموعه ابهام در بهینه‌سازی استوار توزیعی داده‌محور، رویکردهای مختلفی وجود دارد که می‌تواند در سه دسته کلی قرار گیرد؛ دسته اول رویکردهای مبتنی بر گشتاور (Moment-based)، دسته دوم رویکرهای مبتنی بر فاصله دیورژانس (Divergence Distance-based) و نهایتا دسته سوم رویکردهای مبتنی بر فاصله متریک (Metric Distance-based) می‌باشند.
لازم به توضیح است که مدل‌های ترکیبی متعددی نیز وجود دارد که در آنها، به عنوان مثال، شاخه DRO با شاخه یادگیری ماشین ترکیب می‌شود. همچنین بهینه‌سازی استوار توزیعی تطبیق‌پذیر داده‌محور (Data-Driven Adaptive Distributionally Robust Optimization) نیز یک شاخه بسیار مفید و کاربردی است که عمدتا به صورت مدل‌های برنامه‌ریزی تصادفی دو/چند مرحله‌ای مطرح می‌شود. آنچه که واضح است، مدل‌های مختلف بهینه‌سازی استوار داده‌محور طی سال‌های 2015 تا 2020 بسیار موردتوجه قرار گرفته و از سال 2020 نیز به توسعه و به‌کارگیری آن در مسائل آکادمیک و صنعتی پرداخته شده است. در فایل PDF زیر، یک مرور کامل از رویکردهای بهینه‌سازی استوار داده‌محور ارائه شده و هر کدام از آنها به طور خلاصه توضیح داده شده است.
با توجه به اهمیت و کاربرد فراوان موضوع بهینه‌سازی استوار داده‌محور در رشته‌های مختلف مهندسی، علوم پایه و مدیریت، آکادمی آپتیم‌یار به ارائه این دوره‌ آموزشی پرداخته است و تکنیک‌های مختلف آن، در قالب چند زیردوره، آموزش داده می‌شود. در حالت کلی، این دوره با عنوان "بهینه‌سازی استوار داده‌محور برای تصمیم‌گیری مبتنی بر داده‌ در شرایط عدم ‌قطعیت (با کدنویسی در GAMS و Python)" در سایت آپتیم‌یار معرفی شده است و برخی از زیر دوره‌های آن در سرفصل‌های این صفحه مشاهده می‌شود.

+