我的研究主要围绕随机建模、蒙特卡洛仿真、稀有事件仿真及数据驱动优化展开。以下为过去的部分研究课题，供参考：

1. 数据驱动的鲁棒优化与机会约束规划：通过构建一种基于数据学习与不确定性集校准的鲁棒优化框架，用于处理参数未知情境下的风险与性能平衡问题，为机会约束规划问题提供了可验证的可行解；

2. 面向机器学习系统的稀有事件仿真技术：开发适用于神经网络等复杂模型的稀有事件概率估计方法，实现对极端风险事件发生概率的高效评估，应用于无人驾驶等AI系统的安全验证；

3. 运营管理中的随机优化新方法：在报童问题、品类优化等经典运营管理问题中引入在线学习、深度生成式模型等技术，推动数据驱动决策的创新应用。

欢迎对相关研究感兴趣的同学联系。每年招收硕士研究生2名、博士研究生1-2名。同时，诚聘具有相关研究背景的博士毕业生加盟团队从事博士后研究工作，对于条件出色的候选人，可提供特任副研究员岗位。