立场论文：决策引擎的求解后鲁棒性——扰动下的可行域和平滑性
本文提出，混合整数线性规划（MILP）决策引擎在部署时面临求解后鲁棒性缺口，即成本、需求等微小扰动可能导致不可行或解突变。作者主张在优化流水线中增加一个审计层，形式化定义了参数空间中的ε-近优可行邻域和决策空间中的解平滑性，并综合了敏感性分析、鲁棒优化等领域的成果，呼吁建立统一的求解后鲁棒性层，包括已求解的 certified 内逼近、概率鲁棒性估计、对抗鲁棒性边界以及基于学习的预测与解释。最后提出了报告模板和评估协议。
本立场论文聚焦于混合整数线性规划（MILP）决策引擎在实际部署中的求解后鲁棒性问题。尽管求解器通常输出名义上最优的计划，但实际运行中成本、需求或资源可用性的微小扰动可能导致解变得不可行或突变为完全不同的方案。为此，作者提出在现有优化流水线中增加一个后求解鲁棒性审计层，该层对已求解的当前解进行审计，返回基于求解器的证据以说明解的可靠程度。
论文形式化两个核心概念：(i) 参数空间中的ε-近优可行邻域，描述当前解在何种参数扰动下仍保持可行且接近最优；(ii) 决策空间中的解平滑性，衡量通过小幅组合编辑获得的邻近解是否仍具竞争力。作者综合了敏感性分析、稳定性分析、鲁棒优化、邻域搜索、对抗测试以及基于学习的增强方法等方面的现有成果，并提出了统一后求解鲁棒性层的研究议程。
具体而言，论文呼吁四个方面的工作：围绕当前解的 certified 内部近似（即严格保证的可行区域）、带校准不确定性的概率鲁棒性估计、对抗鲁棒性边界，以及基于学习的预测和解释（与求解器验证对齐）。最后，作者给出了一个简洁的报告模板和评估协议，旨在使鲁棒性成为决策引擎的一类标准输出。