In order to make sense of future uncertainty, managers have long resorted to creating scenarios that are then used to evaluate how uncertainty affects decision-making. The large number of scenarios that are required to faithfully represent several sources of uncertainty leads to major computational challenges in using these scenarios in a decision-support context. Moreover, the complexity induced by the large number of scenarios can stop decision makers from reasoning about the interplay between the uncertainty modelled by the data and the decision-making processes (i.e., how uncertainty affects the decisions to be made). To meet this challenge, we propose a new approach to group scenarios based on the decisions associated to them. We introduce a graph structure on the scenarios based on the opportunity cost of predicting the wrong scenario by the decision maker. This allows us to apply graph clustering methods and to obtain groups of scenarios with mutually acceptable decisions (i.e., decisions that remain efficient for all scenarios within the group). In the present paper, we test our approach by applying it in the context of stochastic optimization. Specifically, we use it as a means to derive both lower and upper bounds for stochastic network design models and fleet planning problems under uncertainty. Our numerical results indicate that our approach is particularly effective to derive high-quality bounds when dealing with complex problems under time limitations.

中文翻译：

---

不确定性下决策的基于决策的场景聚类

为了理解未来的不确定性，管理者长期以来一直诉诸于创造情景，然后用于评估不确定性如何影响决策。需要大量场景来忠实地代表多种不确定性来源，这导致在决策支持环境中使用这些场景时面临重大的计算挑战。此外，大量情景引起的复杂性可能会阻止决策者对数据建模的不确定性与决策过程（即，不确定性如何影响要做出的决策）之间的相互作用进行推理。为了应对这一挑战，我们提出了一种新方法，根据与场景相关的决策对场景进行分组。我们根据决策者预测错误场景的机会成本，在场景中引入图结构。这允许我们应用图聚类方法并获得具有相互可接受的决策的场景组（即，对组内的所有场景保持有效的决策）。在本文中，我们通过在随机优化的背景下应用它来测试我们的方法。具体来说，我们使用它作为一种方法来推导出随机网络设计模型和不确定性下的车队规划问题的下限和上限。我们的数值结果表明，在处理时间限制下的复杂问题时，我们的方法对于推导出高质量的界限特别有效。这允许我们应用图聚类方法并获得具有相互可接受的决策的场景组（即，对组内的所有场景保持有效的决策）。在本文中，我们通过在随机优化的背景下应用它来测试我们的方法。具体来说，我们使用它作为一种方法来推导出随机网络设计模型和不确定性下的车队规划问题的下限和上限。我们的数值结果表明，在处理时间限制下的复杂问题时，我们的方法对于推导出高质量的界限特别有效。这允许我们应用图聚类方法并获得具有相互可接受的决策的场景组（即，对组内的所有场景保持有效的决策）。在本文中，我们通过在随机优化的背景下应用它来测试我们的方法。具体来说，我们使用它作为一种方法来推导出随机网络设计模型和不确定性下的车队规划问题的下限和上限。我们的数值结果表明，在处理时间限制下的复杂问题时，我们的方法对于推导出高质量的界限特别有效。我们使用它作为一种方法来推导出随机网络设计模型和不确定性下的车队规划问题的下限和上限。我们的数值结果表明，在处理时间限制下的复杂问题时，我们的方法对于推导出高质量的界限特别有效。我们使用它作为一种方法来推导出随机网络设计模型和不确定性下的车队规划问题的下限和上限。我们的数值结果表明，在处理时间限制下的复杂问题时，我们的方法对于推导出高质量的界限特别有效。