Skip to content
検索結果に戻る

確率的多目的最適化 — 不確実性下で複数の相反する目的を最適化する

提唱者
Various (Fonseca, Fleming, Deb, Zitzler, and others)
年
1990s–2000s
種類
Stochastic metaheuristic optimization
系統
Simulation / optimization

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

確率的多目的最適化(SMOO)は、パラメータ、コスト、または制約が不確実またはランダムである場合に、2つ以上の相反する目的を同時に最適化する手法のクラスです。単一の最適解ではなく、モデル化された不確実性の下で目的間の異なるバランスを表す、非劣解のパレートフロンティアを生成します。

手法の背後にある直感

ほとんどの現実の意思決定は、複数の目標(品質と速度を最大化しつつコストを最小化するなど)間のトレードオフを伴い、世界は不確実です。確率的MOOは、目的関数値が固定された数値ではなく、需要、価格、故障率などの不確実な入力によって形成される確率変数であることを認識しています。サンプリングまたは解析的にその不確実性を複数の目的評価を通じて伝播させることにより、この手法は、現実的な不確実性の実現にわたって非劣性を維持するロバストなトレードオフ解のセットを見つけ、意思決定者に誤って正確な単一の答えではなく、正直な選択肢を提供します。

歴史学

不確実性下の多目的最適化は、進化的多目的最適化の台頭と並行して1990年代に登場しました。FonsecaとFleming (1993) およびDebら (2002) による基礎的な貢献は、パレートベースの進化的フレームワークを確立しました。期待値目的、チャンス制約、シナリオベースのアプローチを介した確率的要素の統合は、モンテカルロ集約型探索を可能にする計算能力の向上に支えられ、2000年代から2010年代にかけて活発な研究分野となりました。

使うべき場面

SMOOは、2つ以上の真に相反する目的があり、かつ主要なパラメータ(需要、コスト、期間、故障確率)が不確実または変動する場合に用います。不確実性下の工学設計、サプライチェーン計画、エネルギーポートフォリオ最適化、複数の福祉基準を持つ政策評価に適しています。すべてのパラメータが決定論的である場合(代わりに標準的なMOOを使用)、単一の目的のみが重要である場合(確率的単一目的最適化を使用)、不確実性が認識論的で定量化できない場合、または計算予算が反復的な確率的関数評価をサポートするにはあまりにも限られている場合(各候補解は数十から数千のモンテカルロサンプルを必要とする場合があります)には使用しないでください。

限界と注意点

  • 計算コストが高い:各関数評価にはモンテカルロサンプリングまたはシナリオ列挙が必要であり、多目的探索に必要な多数の評価によってさらに増大します。
  • 結果は不確実性モデルの品質に大きく依存します。不適切な分布仮定は誤解を招くパレートフロンティアにつながります。
  • 真の確率的パレートフロンティアへの収束は、決定論的な場合よりも保証が困難です。結果の信頼性には慎重な統計分析が必要です。
  • 効果的な可視化または選好明確化ツールがない場合、多数のパレート解は意思決定者を圧倒する可能性があります。
  • 各不確実なパラメータの不確実性分布を指定するために、十分なデータまたはドメイン知識が必要です。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 目的値の不確実性を明示的に考慮し、仮定された固定値の下でのみ最適であるのではなく、パラメータの変動に対してロバストな解を生成します。
  • トレードオフ解の完全なパレートフロンティアを生成し、意思決定者が好みに基づいて代替案の中から選択する自律性を保持します。
  • 幅広い不確実性表現(分布、シナリオ、曖昧性集合)および最適化エンジン(進化的アルゴリズム、分解、サロゲート支援手法)と互換性があります。
  • 決定論的MOOでは見逃される、解間の確率的優越関係を捉えます。
  • 工学、ロジスティクス、金融、公共政策を含む多様な分野に適用可能です。

応用

  • 工学設計:材料特性が不確実な場合に、構造重量、コスト、信頼性を同時に最適化する。
  • サプライチェーン管理:不確実な需要とリードタイムの下で、コスト、サービスレベル、炭素排出量のバランスを取る。
  • エネルギーシステム:変動する再生可能エネルギー出力の下で、信頼性目標を満たしつつ、コストと排出量を最小化する発電ポートフォリオを計画する。
  • 金融ポートフォリオ最適化:不確実な資産収益の下で、リスク(CVaR)を最小化しつつ、期待収益を最大化する。
  • 交通ネットワーク設計:不確実な将来の交通需要の下で、移動時間とインフラコストを最小化する。
  • 医療資源配分:不確実な患者到着率と治療効果の下で、治療結果と予算のバランスを取る。

使い方

使い方

1

目的関数ベクトル f(x) = [f1(x,xi), f2(x,xi), ..., fk(x,xi)] を定義します。ここで、x は決定変数ベクトル、xi は不確実なパラメータを表します。決定変数の範囲、確定的および確率的制約、および不確実性の構造(分布、シナリオ、または曖昧性集合)を指定します。

2

不確実なパラメータは、確率分布(例:正規分布、一様分布、経験分布)、関連する確率を持つ離散シナリオ集合、またはロバストな曖昧性集合を通じて表現します。利用可能なデータに合った表現を選択します。シナリオベースのアプローチは分布に関する仮定が少なくて済み、完全な分布モデルはモンテカルロサンプリングを可能にします。

3

多目的探索アルゴリズム(一般的にはNSGA-II、MOEA/D、SPEA2などの進化的アルゴリズム、または数理計画法による分解)を適用して、決定空間を探索し、反復を通じて候補となる非劣解の集団またはアーカイブを維持します。

4

探索中に遭遇した各候補解 x について、モンテカルロサンプリングまたは解析的積分により、期待値 E[fi(x,xi)]、分散、条件付きバリュー・アット・リスク(CVaR)、またはシナリオ平均値を計算して確率的目的を評価します。これにより、決定論的な関数評価が統計的にロバストな適合度推定値に置き換えられます。

5

推定された確率的目的値に適用されるパレート優越関係を用いて、非劣アーカイブを更新および剪定します。解 x は、その推定された目的ベクトルがすべての次元で劣らず、少なくとも1つの次元で厳密に優れている場合、x' を支配します。必要に応じて推定の不確実性を考慮します。

6

推定された確率的パレートフロンティアを意思決定者に提示し、各パレート解の目的に関する信頼区間または確率分布を付随させます。価値関数スカラー化、参照点法、または対話型トレードオフ分析を用いて、好ましい解の選択を可能にします。

よくある落とし穴

  • 評価ごとにモンテカルロサンプル数が少なすぎると、ノイズの多い適合度推定値が生じ、パレート優越比較を損ない、探索を誤導します。
  • 不確実な目的を平均パラメータ値を代入することで決定論的として扱うと、分散が無視され、実際の実現下で性能が低い解が生じる可能性があります。
  • ロバスト最適化(最悪ケース)と確率的最適化(期待値)を混同すること:これら2つの定式化は異なるパレートフロンティアを生成し、異なるリスク態度に適しています。
  • 制約の不確実性を無視すること:確率的制約をチャンス制約または期待値制約としてモデル化しないと、実際には実行不可能な解につながります。
  • 信頼区間なしでパレートフロンティアを報告すると、利害関係者に目的推定値が正確であると誤解させます。

よくある質問

確率的MOOは、標準的な(決定論的な)多目的最適化とどう異なりますか?

決定論的MOOでは、目的関数値は与えられた決定ベクトルに対して固定されます。確率的MOOでは、一部のパラメータが不確実であるため、目的は確率変数です。各候補解は、不確実性の実現にわたる期待される性能(またはリスク尺度)を推定することによって評価されなければならず、これは通常モンテカルロサンプリングによって行われるため、最適化は著しく計算コストが高くなります。

1つの解の評価あたり、いくつのモンテカルロサンプルが必要ですか?

普遍的なルールはありません。目的の分散と必要な推定精度に依存します。一般的な出発点は評価あたり100〜1000サンプルですが、実務家は安定した適合度推定値と安定したパレートランキングを生成するために必要なサンプル数を評価するためのパイロットスタディを実施すべきです。

任意の多目的アルゴリズムを探索エンジンとして使用できますか?

はい。NSGA-II、MOEA/D、SPEA2、およびその他のパレートベースまたは分解ベースのアルゴリズムは、決定論的な関数評価を確率的なものに置き換えることで適応できます。サロゲート支援型は、高価な確率的評価の数を減らすためにますます人気が高まっています。

確率的目的にはどのようなリスク尺度を使用すべきですか?

意思決定の文脈によります。期待値はリスク中立的な利害関係者に適しています。分散または標準偏差は変動性を罰します。CVaR(条件付きバリュー・アット・リスク)は、リスク回避的な設定におけるテールリスクを捉えます。工学的な信頼性の場合、制約満足の確率(チャンス制約)は期待値よりも意味があることがよくあります。

ロバスト最適化は確率的多目的最適化と同じですか?

いいえ。ロバスト最適化は通常、確率分布を必要とせずに最悪ケースの不確実性モデル(ミニマックス定式化)を使用します。確率的MOOは確率モデルを使用し、期待値またはリスク調整された目的値を最適化します。どちらも不確実性に対処しますが、異なるリスク態度をエンコードし、異なる種類の不確実性情報を必要とします。

関連する手法

参考文献

  1. Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester.

    ISBN:9780471873396
    コピーしました。
  2. Caramia, M., Dell'Olmo, P. (2008). Multi-Objective Management in Freight Logistics. Springer, London.

    DOI 文献を開く
    コピーしました。