[pt] Otimização Robusta é uma das formas mais comuns de considerar in- certeza nos parâmetros de um problema de otimização. A forma tradicional de achar soluções robustas consiste em resolver a contraparte robusta de um problema, o que em muitos casos, na prática, pode ter um custo computacional proibitivo. Neste trabalho, estudamos métodos iterativos para resolver problemas de Otimização Convexa Robusta de forma aproximada, que não exigem a formulação da contraparte robusta. Utilizamos conceitos de Online Learning para propor um novo algoritmo que utiliza agregação de restrições, demonstrando garantias teóricas de convergência. Desenvolvemos ainda uma modificação deste algoritmo que, apesar de não possuir tais garantias, obtém melhor performance prática. Por fim, implementamos outros métodos iterativos conhecidos da literatura de Otimização Robusta e fazemos uma análise computacional de seus desempenhos. / [en] Robust Optimization is a common paradigm to consider uncertainty in the parameters of an optimization problem. The traditional way to find robust solutions requires solving the robust counterpart of an optimiza- tion problem, which, in practice, can often be prohibitively costly. In this work, we study iterative methods to approximately solve Robust Convex Optimization problems, which do not require solving the robust counter- part. We use concepts from the Online Learning framework to propose a new algorithm that performs constraint aggregation, and we demonstrate theoretical convergence guarantees. We then develop a modification of this algorithm that, although without such guarantees, obtains better practical performance. Finally, we implement other classical iterative methods from the Robust Optimization literature and present a computational study of their performances.

[pt] Demonstramos como aprender a função objetivo e as restrições de problemas de otimização enquanto observamos sua solução ótima no decorrer de múltiplas rodadas. Nossa abordagem é baseada em técnicas de Online Learning e funciona para funções objetivo lineares sob conjuntos viáveis arbitrários generalizando trabalhos anteriores. Os dois algoritmos, um para aprender a função objetivo e o outro par aprender as restrições, convergem a uma taxa de O (1 sobre raiz de T) que nos permitem produzir soluções tão boas quanto as ótimas em poucas observações. Finalmente, mostramos a eficácia e possíveis aplicações de nossos métodos em um amplo estudo computacional. / [en] We demonstrate how to learn the objective function and constraints of optimization problems while observing its optimal solution over multiple rounds. Our approach is based on Online Learning techniques and works for linear objective functions under arbitrary feasible sets by generalizing previous work. The two algorithms, one to learn objective function and other to learn constraints, converge at a rate of O (1 on t root) that allow us to produce solutions as good as the optimal in a few observations. Finally, we show the efficacy and possible applications of our methods in a significant computational study.