در برنامه‌ریزی ریاضی معمولا مسائل با پیش فرض قطعی بودن داده ها مدل سازی و حل می شوند. پیش فرض اصلی برنامه‌ریزی ریاضی در شرایط اطمینان، توسعه مدل بر اساس داده های معین و برابر با مقادیر اسمی است؛ در این گونه مدل ها اثر عدم اطمینان داده ها در کیفیت و امکان پذیری جواب ها تأثیری ندارد، در نتیجه در مسائل دنیای واقعی ممکن است با تغییر یکی از داده ها، تعداد زیادی از محدودیت ها نقض و جواب به دست آمده غیر بهینه یا حتی غیر ممکن شود. از این رو، چالش اصلی در این گونه مسائل، رسیدن به پاسخ مسئله است که در مقابل عدم اطمینان داده ها استوار باشد؛ به اصطلاح این جواب ها را جواب های استوار و این دسته از مسائل بهینه سازی ها را مسائل بهینه سازی استوار می نامند. نظریه برنامه‌ریزی یا بهینه سازی استوار روش ریسک گریزی را برای مواجهه با عدم اطمینان فراهم می سازد.

 استواری به این مفهوم است که خروجی مدل نباید حساسیت زیادی به مقادیر دقیق پارامترهای ورودی داشته باشد. اهمیت این ویژگی در مدل ها باعث شده است که کاربرد بحث استواری در سال های اخیر در حوزه های مختلف با رشد فزاینده ای همراه شود. برنامه‌ریزی استوار در مباحث زمان بندی، مدیریت کیفیت، تخصیص منابع، طراحی سیستم های تولیدی، مدیریت زنجیره تأمین، تدوین استراتژی، حمل و نقل و مسائل مالی چشمگیر شده است. به طور کلی می توان مدل های معرفی شده در زمینه برنامه‌ریزی استوار را به دو فهرست کلی تقسیم بندی کرد.

دسته اول مدل هایی است که مبتنی بر سناریوهای گسسته تعریف می شود. در این مدل ها مقدار تابع هدف در هر یک از سناریوها باید اختلاف کمی با یکدیگر داشته باشند.

دسته دوم نیز بر اساس مفهوم مجموعه های عدم اطمینان و مبتنی بر نوسان پارامترها در یک بازه است. در این مدل ها، عدم اطمینان در شکل مجموعه های عدم اطمینان کران دار مدل سازی می شود و هدف به دست آوردن جواب است که نسبت به تقریبا تمام پارامترهای عدم اطمینان حساسیت نداشته باشد. در واقع، پارامترهای پیوسته را می توان با رویکرد برنامه‌ریزی استوار در فواصل مشخصی محدود کرد و عدم اطمینان را در یک مجموعه مناسب جای داد.

جواب حاصل از این مدل جوابی است که نسبت به تغییرات داده های ورودی کمتر حساس است. در این نظریه یک راه حل برای یک مسئله بهینه سازی در صورتی استوار است که هم استوار موجه (استواری مدل) و هم استوار بهینه (استواری جواب) باشد.​