活动回顾 | 2019年Mostly OM研讨会于香港中文大学（深圳）举行

2019.06.04
新闻

2019年Mostly OM研讨会（Mostly OM 2019 workshop）于5月31日至6月2日在香港中文大学（深圳）举行（OM即Operation Management，意为运营管理）。

5月31日会议首日，四百多名来自全球高校、学界、研究机构的参会者齐聚一堂。香港中文大学（深圳）校长徐扬生教授、香港中文大学（深圳）数据与运筹科学研究院共同院长戴建岗教授和清华大学经济管理学院管理科学与工程系系主任、清华大学现代管理研究中心主任陈剑教授分别致开幕辞。戴建岗教授对到场嘉宾表示了欢迎，亦表达了对会议顺利进行的期望。徐扬生校长提到，香港中文大学（深圳）建校历史虽短，却传承了香港中文大学的深厚传统，并拥有无限发展潜力，而Mostly OM对于大湾区和香港中文大学（深圳）的发展来说都是一个重要交流平台。陈剑教授则介绍了Mostly OM的历史和会议惯例，并对来自各方的支持致以诚挚谢意。

香港中文大学（深圳）校长徐扬生教授致辞

研讨会主席香港中文大学（深圳）数据与运筹科学研究院共同院长戴建岗教授致辞

研讨会主席清华大学经济管理学院管理科学与工程系系主任、清华大学现代管理研究中心主任陈剑教授致辞

研讨会主席清华经管学院特聘讲席教授、美国哥伦比亚大学Piyasombatkul家族基金讲席教授姚大卫

开幕式后，来自麻省理工学院(Massachusetts Institute of Technology)的Dimitris Bertsimas教授发表题为The Voice of Optimization的主题演讲，介绍了OCT-H (Optimal classification Trees with Hyperplanes)这一最优化方法。他首先提出了可解释性(Interpretability)的概念。常见的优化方法如回归、CART、随机森林(Random Forest)等方法，都存在无法同时拥有高可解释性和高表现的情况，而OCT-H可以同时拥有良好的可解释性和高表现。相对于传统的黑箱最优化模型，OCT-H可以通过机器学习得到策略(Strategy)，然后进一步得到解决方案，因此具有可解释性。通过存货管理的例子，他指出现实世界的最优化方法是基于参数的方法。

麻省理工学院Dimitris Bertsimas教授

来自哥伦比亚大学（Columbia University）的Costis Maglaras教授在Observational Learningand Abandonment in Congested Systems这一演讲中分析了用户在面对拥堵问题的服务系统时，基于其观察所做出的选择及其影响。Maglaras教授以排队系统为例，介绍了Naor模型，其中，三个重要因素为：用户对实际服务所需时间的观察；其他用户的放弃情况；用户在队伍中的位置。一个简单模型是具有放弃情况的排队模型。但是，这个模型有三个简化假设：忽略用户之间的策略交互；已消耗的等待时间属于沉没陈本；只考虑最近的出发时间间隔（Inter-departure time）。另外，Maglaras教授还讨论了如何应用启发式流体模型（Heuristicfluid Model）解决大型服务系统。

哥伦比亚大学Costis Maglaras教授

来自斯坦福大学（Stanford University）的叶荫宇Yinyu Ye教授通过The Sample Complexity in Data-Driven Optimization这一主题演讲介绍了数据驱动型最优化中的样本复杂性。他首先介绍了强化学习（Reinforcement Learning）和随机博弈（Stochastic Game）中的样本复杂性。样本复杂性问题是指，为得到一个特定条件的最优化策略（0.1-optimal policy with p>0.9），多少样本是充分或必要的。其中，近似样本最优化算法（Near Sample-optimal algorithm）包括方差缩减和单调性分析两个算法。其次，Yinyu Ye教授还解释了高维随机学习的稀疏性诱导惩罚平均近似方法（Average approximation with Sparsity-inducing Penalty for High Dimensional Stochastic programming / Learning）。针对受控抽样平均近似方法(Regulated Sample Average Approximation, RSAA)，Yinyu Ye教授进行了理论普遍化和理论应用的介绍，包括高维统计学习（High-dimensional statistical Learning）和深度神经网络学习(Deep Neural Network Learning)。

香港中文大学（深圳）数据与运筹科学研究院王子卓教授介绍叶荫宇Yinyu Ye教授

斯坦福大学叶荫宇Yinyu Ye教授

麻省理工学院（Massachusetts Institute of Technology）的David Simchi-Levi教授作为会议第二天开场演讲的嘉宾，发表了题为PhaseTransitions and Cyclic Phenomena in Bandits with Switching Constraints的演讲。David Simchi-Levi教授首先介绍了遗憾这一概念。遗憾是指由于了解正确假设的个体可以得到的收益和实际个体所得收益之间的差值，衡量的是信息不全导致的收益损失。遗憾是一个关于价格更改次数的函数，且严格递减。David Simchi-Levi教授接着介绍了多臂赌博机问题（Multi-armed bandit Problem, MAP）以及在此基础上的约束转换赌博机问题（Bandits with Switching Constraint, BwSC）。约束转换赌博机问题包含两个问题，有限自适应性（Limited Adaptivity）和有限转换（Limited Switch）。David Simchi-Levi教授进一步讨论了面对单位成本转换MAP问题、经典MAP问题的新发现、有限自适应性和有限转换的遗憾等价以及面对一般成本转换MAP问题。David Simchi-Levi教授指出，最优化遗憾存在相变（Phase Transition）和周期现象（Cyclic Phenomena）。

麻省理工学院David Simchi-Levi教授

来自康奈尔大学（Cornell University）的Shane Henderson 教授在Under the Hood of Bike Sharing这一演讲中讨论了纽约共享单车的运营和设计。通过一天二十四小时的共享单车租借及归还情况，Shane Henderson教授指出共享单车存在明显的系统不平衡（System Imbalance）问题，并进一步讨论如何建立优化模型。假设单车站点可以无限租出单车，则对每个站点，单车的租出过程和归还过程均为泊松分布（Poisson），且互相独立。Shane Henderson教授根据模型计算指出，对于每个站点，其成本函数均为凸函数（Convex Function）。仅仅对单车进行调动很难解决不平衡问题，Shane Henderson教授继续讨论了调动站点的可能性。最后，Shane Henderson教授介绍了Bike Angels项目，即鼓励单车租借者到指定站点归还单车，并获得奖励。这种方式可将重新平衡站点单车数量的成本降低一半。

康奈尔大学Shane Henderson教授

戴建岗教授代表我校赠画于Shane Henderson教授

来自哥伦比亚大学（Columbia University）的Assaf Zeevi教授的演讲内容为 Learning Theoretic Challenges in Operation，在演讲中他讨论了如今发展的学习理论（Learning Theory）对运筹学（Operation Research, OR）发展的影响和这两者之间的协同效果。Assaf Zeevi教授通过五个运筹学问题来讨论这一点：动态定价（Dynamic Pricing），消费者偏好动态学习（Dynamic learning for Consumer Preferences），语境信息学习（Learning with Contextual Information），集体注意变化的学习（Learning Process under Collective Changing Attention），以及停止、匹配和学习（Stopping Matching and Learning）。在这五个问题中，Assaf Zeevi教授讨论了定价、推荐机制（Recommendation System）、替代效应（Substitution Effect）等。Assaf Zeevi教授指出，学习理论和运筹学的发展具有协同性。学习理论提供了一系列工具和理论以补充并扩大运筹学分析技术，而运筹学所提出的问题给学习理论带来新的挑战。