Tra le ragioni che hanno indotto i ricercatori a superare la programmazione stocastica per approcciarsi a quella robusta ci sarebbe, oltre alla non conoscenza della distribuzione di probabilità dei parametri aleatori del modello, la non convessità dell'insieme delle soluzioni ammissibili (https://etd.adm.unipi.it/theses/available/etd-02072013-005513/unrestricted/Tesi_Musetti_finalversion.pdf - pag. 6). Intuitivamente mi verrebbe da dire che il motivo della non convessità della programmazione stocastica risiede proprio negli infiniti valori assumibili dai parametri e quindi nell'impossibilità di definire una regione ammissibile che non sia superiormente illimitata (dato il vincolo di non negatività delle variabili decisionali), tuttavia sento che c'è qualcosa che mi sfugge...
Potreste aiutarmi a chiarire questo punto? La trattabilità di cui godono i modelli di ottimizzazione robusta a scapito di quelli stocastici dipende solo dal fatto che restringendo (arbitrariamente?) l'insieme dei possibili valori assumibili dai parametri si passa da un insieme non numerabile a uno numerabile e quindi alla possibilità di costruire di un poliedro che, seppur $n$-dimensionale, è convesso?
Grazie mille in anticipo a chiunque vorrà aiutarmi
