随机优化（SO）和鲁棒优化（RO）实际上都是针对不确定情况的优化方法，从系数本身来说，SO需要知道或者预设一个该系数的概率分布，而RO需要知道这个系数的取值范围。从求解思路上来说，SO通常是限制失败的概率，即出现不确定系数的这个约束公式有X的概率成立，由于系数的概率分布已知，可以将这条约束转化成确定性约束，进而求解。RO的思路就要保守一些，简单说就是我不能接受约束条件失效。对于这个系数的所有取值我的方案都是可行的，通常解法就是所谓的worse-case，即找到最差的场景（不确定系数取值），以此找到确定性模型来求解。
随机优化需要“不确定参数的分布模型”，鲁棒优化不需要“不确定参数的分布模型”。
随机优化根据随机变量的期望和方差，将模型转化为确定性模型求解，它的解并不满足所有参数取值。
鲁棒优化，只要不确定参数属于给定的不确定集合，它的解严格满足所有约束。
