Optimasi Multi-Objektif — Mengoptimalkan Tujuan yang Bertentangan Secara Simultan
- Diperkenalkan oleh
- Vilfredo Pareto (concept); modern computational formulation by Goldberg and Deb et al.
- Tahun
- 1896 (concept); 1989–2002 (evolutionary algorithms era)
- Jenis
- Optimization framework
- Keluarga
- Simulation / optimization
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Optimasi Multi-Objektif (MOO) adalah kerangka kerja matematis dan komputasi untuk menemukan solusi yang secara simultan mengoptimalkan dua atau lebih fungsi tujuan yang bertentangan.
Alih-alih meruntuhkan semua tujuan menjadi satu skalar, MOO menghasilkan serangkaian solusi trade-off — front Pareto — dari mana pengambil keputusan memilih sesuai preferensi. MOO banyak digunakan dalam desain teknik, riset operasi, logistik, ekonomi, dan analisis kebijakan.
Intuisi di balik metode
Dalam sebagian besar keputusan dunia nyata, peningkatan satu tujuan memperburuk tujuan lain — membuat produk lebih murah sering kali mengurangi kualitasnya, dan memperpendek waktu pengiriman sering kali meningkatkan biaya. Optimasi Multi-Objektif menangkap ketegangan ini secara eksplisit alih-alih menyembunyikannya di balik bobot arbitrer. MOO memetakan seluruh batas trade-off yang layak (front Pareto), memberikan pengambil keputusan menu solusi yang tidak didominasi secara transparan. Tidak ada satu solusi pun yang secara objektif terbaik; optimalitas berarti Anda tidak dapat meningkatkan satu tujuan tanpa menurunkan setidaknya satu tujuan lainnya. Hal ini menggeser peran algoritma dari meresepkan jawaban menjadi menerangi ruang trade-off, menyerahkan penilaian nilai kepada pengambil keputusan manusia.
Sejarah
Vilfredo Pareto memperkenalkan konsep trade-off yang tidak didominasi dalam ekonomi pada tahun 1896. Optimasi multi-objektif formal muncul dalam riset operasi pada tahun 1950-an–1960-an (Kuhn, Tucker; Charnes, Cooper). Bidang ini ditransformasi pada tahun 1980-an–1990-an oleh pendekatan evolusioner: Goldberg (1989) menguraikan algoritma genetika bernilai vektor, dan Deb et al. (2002) memperkenalkan NSGA-II, yang menjadi algoritma tolok ukur dominan dan mengkatalisasi pertumbuhan pesat dalam aplikasi di seluruh teknik dan sains.
Kapan digunakan
Gunakan Optimasi Multi-Objektif ketika ada dua atau lebih tujuan yang dapat dikuantifikasi yang tidak semuanya dapat dimaksimalkan secara bersamaan dan ketika transparansi trade-off penting (misalnya, desain teknik, rantai pasokan, optimasi portofolio, kebijakan lingkungan). MOO sangat tepat ketika pemangku kepentingan tidak setuju tentang bobot atau ketika mengungkapkan struktur trade-off itu sendiri memiliki nilai. JANGAN gunakan ketika tujuan dapat digabungkan secara bermakna menjadi satu ukuran agregat tanpa kehilangan informasi, ketika ruang keputusan terlalu besar untuk anggaran komputasi yang tersedia tanpa algoritma perkiraan yang baik, atau ketika pengambil keputusan memerlukan satu jawaban otomatis tanpa ruang untuk artikulasi preferensi pasca-hoc.
Batasan dan pertimbangan
- Biaya komputasi tumbuh secara curam dengan jumlah tujuan (optimasi banyak-objektif, k >= 4, secara substansial lebih sulit).
- Front Pareto yang diperkirakan dari metaheuristik tidak dijamin optimal; kualitas bergantung pada penyetelan algoritma dan anggaran.
- Seleksi pasca-hoc dari front Pareto masih memerlukan elisitasi preferensi — metode menunda daripada menghilangkan kebutuhan akan penilaian nilai.
- Penanganan kendala menambah kompleksitas dan dapat menyusutkan front Pareto yang layak secara tidak terduga.
- Menginterpretasikan dan mengkomunikasikan front Pareto berdimensi tinggi kepada pemangku kepentingan non-teknis adalah tantangan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mengungkap struktur trade-off penuh alih-alih menyembunyikannya dalam bobot yang telah ditentukan sebelumnya, memungkinkan pengambilan keputusan yang terinformasi.
- Menghasilkan beberapa solusi yang tidak didominasi dalam satu kali jalan (terutama dengan algoritma evolusioner), menghindari kebutuhan untuk menjalankan ulang untuk setiap kombinasi bobot.
- Bebas dari kerangka kerja: dapat diterapkan pada masalah kontinu, diskrit, campuran-bilangan bulat, dan kombinatorial.
- Skala secara alami ke tiga atau lebih tujuan, meskipun visualisasi menjadi lebih sulit di atas dua.
- Didukung secara luas oleh pustaka perangkat lunak yang matang (DEAP, pymoo, jMetal, MATLAB Global Optimization Toolbox).
Penerapan
- Desain teknik struktural dan mekanik (meminimalkan berat dan memaksimalkan kekakuan secara bersamaan).
- Rantai pasokan dan logistik (meminimalkan biaya, waktu tunggu, dan emisi karbon).
- Optimasi portofolio dalam keuangan (memaksimalkan pengembalian, meminimalkan risiko dan penurunan).
- Kebijakan lingkungan dan energi (meminimalkan biaya dan emisi gas rumah kaca untuk bauran energi).
- Penemuan obat dan desain proses kimia (mengoptimalkan efikasi, toksisitas, dan biaya sintesis).
- Penyetelan hyperparameter dalam pembelajaran mesin (akurasi vs. kompleksitas model vs. kecepatan inferensi).
Cara kerjanya
Cara kerjanya
Definisikan vektor variabel keputusan x dalam himpunan layak X, dan tentukan k fungsi tujuan f_1(x), ..., f_k(x) yang akan diminimalkan (atau dimaksimalkan). Tentukan juga kendala kesetaraan atau ketidaksetaraan g(x) <= 0, h(x) = 0. Formulasi ini membuat semua tujuan eksplisit alih-alih mengagregasikannya terlebih dahulu.
Rumus
\min_{x \in \mathcal{X}} \mathbf{f}(x) = [f_1(x), f_2(x), \ldots, f_k(x)]^TTetapkan relasi dominasi: solusi x* mendominasi x jika setidaknya sama baiknya pada setiap tujuan dan secara ketat lebih baik pada setidaknya satu tujuan. Solusi dikatakan Pareto-optimal (tidak didominasi) jika tidak ada solusi layak lain yang mendominasinya. Himpunan semua solusi Pareto-optimal membentuk himpunan Pareto; citranya dalam ruang tujuan adalah front Pareto.
Rumus
x^* \text{ dominates } x \iff f_i(x^*) \leq f_i(x) \; \forall i, \; \exists j: f_j(x^*) < f_j(x)Terapkan algoritma pencarian untuk memperkirakan himpunan Pareto. Pendekatan umum meliputi algoritma evolusioner (NSGA-II, MOEA/D, SPEA2), skalarisasi jumlah tertimbang (dijalankan berulang kali dengan bobot yang bervariasi), metode epsilon-kendala (mengoptimalkan satu tujuan sambil membatasi tujuan lainnya), dan metaheuristik seperti kawanan partikel multi-objektif atau simulated annealing. Pilihan algoritma bergantung pada ukuran masalah, konveksitas, dan kontinuitas.
Kumpulkan dan saring solusi yang tidak didominasi yang ditemukan selama pencarian untuk membangun front Pareto yang diperkirakan. Metrik kualitas seperti indikator hypervolume, jarak generasi, dan sebaran mengukur seberapa baik perkiraan mencakup dan mendistribusikan di seluruh front sebenarnya. Hypervolume yang lebih besar dan jarak generasi yang lebih kecil menunjukkan perkiraan yang lebih baik.
Sajikan front Pareto kepada pengambil keputusan untuk seleksi akhir. Alat meliputi visualisasi interaktif (plot sebar, plot koordinat paralel), pembobotan pasca-hoc, TOPSIS yang diterapkan pada solusi Pareto, atau metode titik referensi (NIMBUS, NAUTILUS). Solusi yang dipilih mencerminkan prioritas pemangku kepentingan daripada default algoritmik.
Kesalahan umum
- Memperlakukan front Pareto sebagai jawaban akhir tanpa elisitasi preferensi pemangku kepentingan — front adalah masukan untuk pengambilan keputusan, bukan keputusan itu sendiri.
- Menggunakan skalarisasi jumlah tertimbang pada masalah non-konveks: metode ini tidak dapat memulihkan solusi pada bagian cekung dari front Pareto.
- Mengabaikan metrik keragaman solusi — algoritma dapat konvergen ke wilayah kecil dari front, memberikan kesan palsu cakupan penuh.
- Mencampuradukkan optimasi multi-objektif dengan pengambilan keputusan multi-kriteria (MCDM): MOO menemukan solusi Pareto-optimal; MCDM memberi peringkat himpunan alternatif yang terbatas — keduanya saling melengkapi, bukan setara.
- Mengabaikan anggaran komputasi: menjalankan generasi yang tidak mencukupi dalam MOO evolusioner menghasilkan perkiraan Pareto yang buruk yang menyesatkan keputusan.
Pertanyaan yang sering diajukan
Apa perbedaan antara Optimasi Multi-Objektif dan Pengambilan Keputusan Multi-Kriteria (MCDM)?
MOO mencari ruang keputusan (yang berpotensi tak terbatas) untuk menghasilkan serangkaian solusi Pareto-optimal; MCDM mengevaluasi dan memberi peringkat himpunan alternatif yang telah ditentukan sebelumnya dan terbatas. Dalam praktiknya, keduanya sering digabungkan: MOO menghasilkan front Pareto, dan metode MCDM (misalnya, TOPSIS, VIKOR) membantu memilih darinya.
Berapa banyak tujuan yang dapat ditangani oleh Optimasi Multi-Objektif?
Dua atau tiga tujuan dapat dikelola dengan sebagian besar algoritma dan memungkinkan visualisasi langsung. Dengan empat atau lebih tujuan (optimasi banyak-objektif), tekanan dominasi Pareto melemah, sebagian besar solusi menjadi tidak didominasi, dan algoritma khusus (NSGA-III, MOEA/D) serta teknik pengurangan dimensi diperlukan.
Apa itu indikator hypervolume dan mengapa itu penting?
Indikator hypervolume mengukur volume ruang tujuan yang didominasi oleh perkiraan front Pareto relatif terhadap titik referensi. Ini adalah indikator kualitas unari yang paling banyak digunakan karena menghargai konvergensi ke front sebenarnya dan keragaman solusi di sepanjang front tersebut.
Apakah NSGA-II selalu pilihan terbaik untuk MOO?
NSGA-II adalah yang paling banyak dikutip dan merupakan tolok ukur yang kuat untuk masalah dua dan tiga tujuan dengan variabel kontinu. Untuk masalah banyak-objektif (k >= 4), NSGA-III atau MOEA/D umumnya lebih disukai. Untuk masalah kombinatorial atau campuran-bilangan bulat, operator spesifik masalah diperlukan terlepas dari algoritma dasarnya.
Bisakah MOO menangani kendala?
Ya. Pendekatan penanganan kendala umum meliputi fungsi penalti, aturan kelayakan (penanganan kendala Deb dalam NSGA-II), metode epsilon-kendala (yang mengubah kendala menjadi batas pada tujuan sekunder), dan operator perbaikan. Pilihan ini secara signifikan memengaruhi konvergensi, terutama ketika wilayah yang layak kecil.
Metode terkait
Sumber
Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester.
ISBN: 9780471873396Disalin.Multi-objective optimization. Wikipedia.
Buka referensi publikasiDisalin.