随机规划作为一种优化工具,一直以来广泛应用于经济、工业等领域。除了传统的随机线性规划之外,目前研究最多的就是随机二次规划问题,主要原因在于其能更好的应用于实际问题中。针对随机二次规划问题的求解,最为引人注目的就是L-型算法,其可以解决大规模问题,但由于计算的复杂性,针对L-型算法的改进也颇受关注。在已知诸多的研究中,大多数都是基于随机变量的概率分布情况完全已知的情况下对随机规划问题进行求解。然而在解决实际问题时,往往只能获得随机变量的部分信息,本文引入LPI理论,在随机变量满足LPI情况下对随机二次规划问题进行求解。本文提出了两种方法,第一种是改进的Nelder-Mead方法,通过变换多面体的方式来达到最优解。相较于传统的Nelder-Mead方法,用一种自适应搜索(ARS)代替压缩,从而避免算法收敛到局部解。第二种是次梯度算法,由于在应用LPI后,二阶段函数不可微,所以无法利用解析法进行求解,通过一个定理,本文得到了求解次梯度的公式,由此设计了次梯度算法对随机二次规划问题求解,并给出了算法的收敛性证明。在最后的部分,本文分别用两种方法对具体的算例进行求解,最终结果也表明了算法的有效性。