Skip to content
بازگشت به نتایج جست‌وجو

بهینه‌سازی چندهدفه استوار — یافتن راه‌حل‌های بهینه پارتو که تحت عدم قطعیت پایدارند

معرفی‌شده توسط
Deb, K. & Gupta, H.
سال
2006
نوع
Optimization framework
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

بهینه‌سازی چندهدفه استوار (RMOO) چارچوبی برای یافتن راه‌حل‌هایی است که همزمان چندین هدف متعارض را بهینه می‌کنند و در عین حال نسبت به اختلالات در متغیرهای تصمیم یا پارامترهای مسئله، حساسیت کمی نشان می‌دهند. برخلاف بهینه‌سازی چندهدفه کلاسیک (MOO)، RMOO به صراحت عدم قطعیت را در حلقه بهینه‌سازی لحاظ می‌کند و یک جبهه پارتو استوار تولید می‌کند که اعضای آن نه تنها در نقطه طراحی اسمی، بلکه در سراسر یک همسایگی از شرایط عملیاتی محتمل، عملکرد خوبی دارند.

شهود پشت روش

در مسائل واقعی مهندسی و سیاست‌گذاری، بهترین راه‌حل روی کاغذ اغلب هنگامی که شرایط حتی اندکی از مفروضات طراحی منحرف می‌شوند، به شدت افت می‌کند. RMOO با ارزیابی هر راه‌حل کاندید نه فقط در مقادیر پارامتر ذکر شده، بلکه در طیف وسیعی از سناریوهای مختل، به این موضوع می‌پردازد — راه‌حل‌هایی را که تحت تغییرات خوب باقی می‌مانند پاداش می‌دهد و بهینه‌های شکننده را جریمه می‌کند. نتیجه یک جبهه پارتو از راه‌حل‌ها است که اهداف چندگانه را مبادله می‌کنند و در عین حال عملکرد را در برابر پایداری مبادله می‌کنند، و انتخاب‌هایی را به تصمیم‌گیرندگان می‌دهند که در عمل قابل اعتماد هستند.

تاریخ

بهینه‌سازی استوار با Soyster (1973) آغاز شد و توسط Ben-Tal و Nemirovski در اواخر دهه 1990 برای برنامه‌های تک‌هدفه محدب به طور دقیق توسعه یافت. گسترش آن به اهداف چندگانه با مقاله Deb و Gupta در سال 2006 در زمینه محاسبات تکاملی شتاب گرفت، که تسلط استوار را معرفی کرد و RMOO را از طریق انواع NSGA-II نشان داد. از آن زمان، این حوزه به طور قابل توجهی رشد کرده است و شامل تحلیل حساسیت مبتنی بر واریانس، فرمول‌بندی‌های مینی‌ماکس، و مجموعه‌های عدم قطعیت مبتنی بر داده می‌شود.

چه زمانی استفاده شود

هنگامی از RMOO استفاده کنید که: (۱) مسئله‌ای دارای دو یا چند هدف متعارض باشد که نتوان آن‌ها را به یک معیار واحد تقلیل داد؛ (۲) ورودی‌ها، پارامترها یا شرایط عملیاتی نامشخص یا متغیر باشند؛ و (۳) راه‌حل‌هایی که تحت شرایط اسمی بهینه به نظر می‌رسند، در عمل به طور غیرقابل قبولی شکننده باشند. ایده‌آل برای طراحی مهندسی، زنجیره تأمین، بهینه‌سازی سبد سهام، و سیاست‌گذاری زیست‌محیطی. هنگامی که اهداف را می‌توان بدون از دست دادن اطلاعات معنادار در یک معیار واحد ادغام کرد (به جای آن از بهینه‌سازی استوار مقیاس‌پذیر استفاده کنید)، زمانی که عدم قطعیت ناچیز یا کاملاً قابل کنترل است، زمانی که مجموعه شدنی بسیار کوچک است و شمارش جامع ارزان‌تر است، یا زمانی که بودجه محاسباتی نمی‌تواند ارزیابی‌های مکرر هدف را برای هر کاندید پشتیبانی کند، از RMOO استفاده نکنید.

محدودیت‌ها و ملاحظات

  • از نظر محاسباتی پرهزینه است: ارزیابی معیارهای استحکام نیازمند ارزیابی‌های چندگانه تابع برای هر کاندید است که هزینه را به تعداد نمونه یا تکرارهای بهینه‌سازی داخلی ضرب می‌کند.
  • انتخاب معیار استحکام مناسب (میانگین، واریانس، بدترین حالت) نیازمند قضاوت دامنه است و به طور قابل توجهی بر نتایج تأثیر می‌گذارد.
  • جبهه‌های پارتو استوار می‌توانند در صورت بیشتر بودن تعداد اهداف از سه، تجسم و تفسیر دشوارتری داشته باشند.
  • استحکام بدترین حالت می‌تواند بیش از حد محافظه‌کارانه باشد و راه‌حل‌هایی را که در تقریباً تمام سناریوهای واقع‌بینانه قابل قبول هستند، کنار بگذارد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • راه‌حل‌هایی را می‌یابد که هم بهینه پارتو و هم نسبت به عدم قطعیت بی‌حساس هستند و قابلیت اطمینان در دنیای واقعی را بهبود می‌بخشد.
  • به طور صریح مبادله بین عملکرد و استحکام را مدل‌سازی می‌کند و اطلاعات غنی‌تری به تصمیم‌گیرندگان می‌دهد.
  • با بسیاری از الگوریتم‌های چندهدفه پایه (NSGA-II, MOEA/D, SPEA2) با اصلاحات جزئی سازگار است.
  • هم عدم قطعیت معرفتی (مجموعه‌های کران‌دار) و هم عدم قطعیت تصادفی (توزیع‌های احتمال) را مدیریت می‌کند.
  • یک جبهه پارتو متنوع تولید می‌کند که امکان بیان ترجیح آگاهانه پس از بهینه‌سازی را فراهم می‌سازد.

کاربردها

  • طراحی سازه هوافضا: کمینه‌سازی وزن و تنش تحت تلرانس‌های ساخت و تغییرپذیری بار.
  • طراحی شبکه زنجیره تأمین: متعادل کردن هزینه و سطح خدمات تحت عدم قطعیت تقاضا و زمان تحویل.
  • برنامه‌ریزی سیستم‌های انرژی: بهینه‌سازی ظرفیت تجدیدپذیر و قابلیت اطمینان تحت نوسانات آب و هوا و تقاضا.
  • سیاست‌گذاری زیست‌محیطی: مبادله هزینه اقتصادی و تأثیر زیست‌محیطی تحت مدل‌های انتشار نامشخص.
  • مدیریت سبد سهام مالی: بیشینه‌سازی بازده و کمینه‌سازی ریسک تحت عدم قطعیت سناریوی بازار.
  • بهینه‌سازی فرآیند داروسازی: متعادل کردن بازده و خلوص تحت تغییرپذیری در مواد اولیه و شرایط واکنش.

چگونه کار می‌کند

چگونه کار می‌کند

1

توابع هدف m گانه f_1(x), ..., f_m(x) را که باید به طور همزمان کمینه (یا بیشینه) شوند، تحت قیود g(x) <= 0 تعریف کنید. مشخص کنید کدام پارامترها x یا عوامل محیطی نامشخص هستند و مجموعه عدم قطعیت یا توزیع آن‌ها را مشخص کنید.

2

عدم قطعیت را به صورت یک مجموعه اغتشاش کران‌دار (بدترین حالت / استحکام مینی‌ماکس) یا به صورت یک توزیع احتمال بر روی پارامترهای نامشخص (استحکام مبتنی بر امید ریاضی یا مبتنی بر واریانس) نمایش دهید. انتخاب‌های رایج شامل عدم قطعیت جعبه‌ای، عدم قطعیت بیضوی، یا توزیع‌های نمونه‌برداری شده مونت کارلو است.

3

معیار استحکام را برای هر هدف تعریف کنید. معیارهای معمول شامل مقدار میانگین E[f_i(x, xi)] و واریانس Var[f_i(x, xi)] تحت عدم قطعیت xi، یا مقدار بدترین حالت max_{xi in U} f_i(x, xi) است. این معیارها مقادیر هدف اسمی را در آزمون تسلط پارتو تکمیل یا جایگزین می‌کنند.

4

یک الگوریتم تکاملی چندهدفه (معمولاً NSGA-II یا MOEA/D) را به کار ببرید که در آن هر ارزیابی برازش، معیار استحکام را محاسبه می‌کند — به عنوان مثال، با میانگین‌گیری بر روی اغتشاشات نمونه‌برداری شده یا حل یک مسئله فرعی بدترین حالت داخلی. فشار انتخاب بر اساس تسلط استوار است: راه‌حل A به طور استوار بر B تسلط دارد اگر A حداقل به خوبی B در تمام معیارهای هدف استوار باشد و در حداقل یکی از آن‌ها به طور اکید بهتر باشد.

5

پس از همگرایی، جبهه پارتو استوار را جمع‌آوری کنید — مجموعه راه‌حل‌های غیرمسلط استوار. سطح مبادله را تحلیل کنید: راه‌حل‌های نزدیک به نقاط حدی، یک هدف استوار را بیشینه می‌کنند؛ راه‌حل‌های مرکزی، اهداف چندگانه را با واریانس متوسط تحت عدم قطعیت متعادل می‌کنند.

6

جبهه پارتو استوار را به همراه پروفایل‌های استحکام (مانند نمودارهای ویولن توزیع اهداف) به تصمیم‌گیرندگان ارائه دهید. از یک روش بیان ترجیح پس از وقوع (مجموع وزنی، TOPSIS بر روی میانگین‌ها و واریانس‌ها) یا انتخاب تعاملی برای شناسایی راه‌حل نهایی ترجیحی استفاده کنید.

دام‌های رایج

  • استفاده از نمونه‌های عدم قطعیت کم، واریانس را دست‌کم می‌گیرد و راه‌حل‌های شکننده‌ای تولید می‌کند که استوار به نظر می‌رسند اما در واقع اینطور نیستند.
  • درهم آمیختن استحکام با محافظه‌کاری: این روش در برابر عدم قطعیت محافظت می‌کند اما نباید به عنوان جایگزینی برای کاهش عدم قطعیت از طریق جمع‌آوری داده‌های بهتر استفاده شود.
  • نادیده گرفتن همبستگی بین پارامترهای نامشخص منجر به مجموعه‌های اغتشاش غیرواقعی و جبهه‌های پارتو استوار گمراه‌کننده می‌شود.
  • به کارگیری RMOO با یک هدف واحد سوء استفاده است — پیچیدگی افزوده نسبت به بهینه‌سازی استوار مقیاس‌پذیر هیچ فایده‌ای ندارد.

پرسش‌های متداول

RMOO چه تفاوتی با بهینه‌سازی چندهدفه استاندارد دارد؟

MOO استاندارد راه‌حل‌های بهینه پارتو را در مقادیر پارامتر اسمی ثابت می‌یابد. RMOO علاوه بر این نیازمند آن است که راه‌حل‌ها با انحراف پارامترها از مقادیر اسمی خود خوب باقی بمانند، با گنجاندن ارزیابی عدم قطعیت در آزمون تسلط و برازش.

کدام معیار استحکام را باید انتخاب کنم: بدترین حالت یا مقدار مورد انتظار؟

بدترین حالت (مینی‌ماکس) زمانی مناسب است که شکست تحت هر سناریویی غیرقابل قبول باشد (سیستم‌های حیاتی ایمنی). معیارهای مقدار مورد انتظار یا میانگین-واریانس برای موقعیت‌هایی مناسب هستند که انحرافات گاه‌به‌گاه قابل تحمل هستند و محافظه‌کاری بیش از حد پرهزینه خواهد بود. انتخاب باید بر اساس تحمل ریسک دامنه هدایت شود.

آیا RMOO را می‌توان با هر الگوریتم تکاملی چندهدفه ترکیب کرد؟

بله. RMOO یک چارچوب است، نه یک الگوریتم ثابت. ارزیابی استحکام، ارزیابی هدف اسمی را در داخل هر MOEA جایگزین یا تکمیل می‌کند. NSGA-II بیشتر مورد استفاده قرار می‌گیرد، اما MOEA/D، SPEA2 و موارد دیگر با اصلاح مناسب تابع برازش به طور معادل کار می‌کنند.

چه تعداد نمونه عدم قطعیت برای هر راه‌حل کاندید لازم است؟

عملکرد معمول از ۳۰ تا ۲۰۰ نمونه برای تخمین امید ریاضی و تعداد بیشتری برای تخمین واریانس استفاده می‌کند. دنباله‌های شبه مونت کارلو یا نمونه‌برداری ابرلایه لاتین تعداد مورد نیاز را کاهش می‌دهند. طرح‌های تطبیقی که در اوایل جستجو از نمونه‌های کمتری و نزدیک به همگرایی از نمونه‌های بیشتری استفاده می‌کنند نیز رایج هستند.

آیا RMOO برای مسائل گسسته یا ترکیبی کاربرد دارد؟

بله، اگرچه مسائل فرعی بدترین حالت داخلی بر روی مجموعه‌های عدم قطعیت گسسته می‌توانند NP-hard باشند. معیارهای استحکام مبتنی بر نمونه‌گیری (مقدار مورد انتظار، CVaR) برای تنظیمات ترکیبی عملی‌تر از فرمول‌بندی‌های مینی‌ماکس دقیق هستند.

روش‌های مرتبط

منابع

  1. Deb, K., & Gupta, H. (2006). Introducing robustness in multi-objective optimization. Evolutionary Computation, 14(4), 463–494.

    باز کردن مرجع DOI
    کپی شد.
  2. Robust optimization. Wikipedia.

    باز کردن مرجع انتشار
    کپی شد.