本研究提出了一种统计鲁棒的WDRO框架，以解决Wasserstein分布鲁棒优化中的鲁棒过拟合问题。该框架结合了对抗噪声的Wasserstein距离和统计误差的Kullback-Leibler散度，显著提升了对抗性能，推动了鲁棒优化理论的发展。

本研究提出了一种扩展解决方案，通过使用基于超平面的决策树和其他机器学习模型来近似原问题，并采用自适应采样和鲁棒优化等方法提高约束近似的准确性。测试结果显示了解的可行性和最优性的改进，并与BARON进行了比较，显示了更好的最优间隙或解决时间。

本研究提出了一种扩展解决方案，使用基于超平面的决策树建模非线性约束，并利用其他可转化为MIO的机器学习模型逼近原问题，采用自适应采样方法获得更准确的约束近似，利用鲁棒优化考虑样本依赖性训练的不确定性，并使用松弛方法处理MIO近似的不可行性。在81个全局优化实例中测试了增强的框架，并与BARON进行了比较，在11个实例中显示了更好的最优间隙或解决时间。