彭一杰教授（北京大学，右二）与颁奖委员会成员Pierre L’Ecuyer教授（蒙特利尔大学，左一）, 合作者Michael Fu教授（马里兰大学，左二）与胡建强教授（复旦大学，右一）
北京大学光华管理学院彭一杰教授在国际顶级运筹学期刊《Operations Research》上以第一作者发表的文章 “A new unbiased stochastic derivative estimator for discontinuous sample performances with structural parameters.” 荣获模拟领域国际权威组织INFORMS仿真模拟分会（INFORMS Simulation Society）颁发的2019 仿真协会杰出出版奖（Outstanding Simulation Publication Award）。
INFORMS仿真模拟分会
INFORMS仿真模拟分会是全世界公认的运筹学、管理科学和商业分析领域最具影响力的专业学会INFORMS下属分会。这项有近四十年颁发历史的国际仿真领域的顶级科研奖项过去几乎被哈佛大学、麻省理工学院、斯坦福大学、哥伦比亚大学、加州大学伯克利分校、西北大学、佐治亚理工学院、牛津大学等北美与欧洲名校所垄断，而彭一杰教授以北京大学为第一单位领衔完成的这篇OR论文首次代表中国大陆学者获此殊荣，同时他也是继2012年香港科技大学学者获奖后第二次获得该奖项的亚洲学者。2020年3月，他正式加入北京大学光华管理学院管理科学与信息系统系，担任助理教授。
历届获奖详细信息可参见：https://connect.informs.org/simulation/awards/simulation-publication-award/awardees
彭一杰教授以第一作者身份在《Operations Research》上发表的获奖论文
系统仿真研究
系统仿真研究是一个经典的、传统的领域。仿真技术的优点在于可以对一般的复杂系统做高置信度建模，因此受到学界与业界的广泛关注。当系统优化设计方案多、维度高时计算机的运算能力经常无法满足实际需求，因此需要从理论与方法论层面研究如何将仿真与优化有效结合起来。随机梯度估计是仿真领域中有很长历史的经典问题之一，它研究如何对复杂随机系统仿真的同时得到系统表现关于决策参数梯度的无偏估计，该问题有着广泛的实际背景。随机梯度估计问题中的一大挑战在于金融工程、库存与生产管理、深度学习等实际问题的仿真中经常存在引起系统样本表现不连续的结构参数。针对这一挑战，过去30多年中仿真学者在不同实际场景中提出了很多无偏随机梯度估计方法。
彭一杰教授研究的问题主要包括梯度优化与统计学习优化。梯度优化适用于有部分结构信息的灰箱系统，核心问题之一在于得到系统表现的无偏随机梯度估计。在获奖论文中，他与合作者在一般的理论框架下给出了能系统性地解决一大类包含结构参数的不连续样本表现的单样本轨道无偏估计的广义似然比（GLR）方法，拓展了无偏随机梯度估计的适用范围并开辟了进一步研究与应用的前景。文献中大多数样本表现不连续的问题与不少前人方法难处理的新问题都可以用该方法系统性地解决。在后续工作中，彭一杰教授与合作者将该方法用于复杂系统数据驱动的随机建模、行为经济与金融中风险度量的敏感性估计与优化、分位数置信区间与区域的构造、神经网络训练等实际问题中。
◇
彭一杰
◇
北京大学光华管理学院
