Skip to content
กลับไปยังผลการค้นหา

พลวัตระบบหลายวัตถุประสงค์

ผู้เสนอ
Forrester, J. W. (System Dynamics); multi-objective extension by various authors
ปี
1961 (SD); multi-objective extensions from 1990s onward
ประเภท
Simulation / optimization hybrid
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

พลวัตระบบหลายวัตถุประสงค์ (Multi-Objective System Dynamics - MOSD) เป็นการผสมผสานพลังการจำลองแบบป้อนกลับของพลวัตระบบ (System Dynamics) เข้ากับการหาค่าเหมาะสมที่สุดแบบหลายเกณฑ์ (multi-criteria optimization) อย่างชัดแจ้ง ทำให้ผู้วิเคราะห์สามารถสำรวจได้ว่าระบบพลวัตหนึ่งๆ จะสามารถบรรลุเป้าหมายเชิงนโยบายที่ขัดแย้งกันได้อย่างไรบ้าง — เช่น การลดต้นทุน ความยั่งยืนทางสิ่งแวดล้อม และความเท่าเทียมทางสังคม — เมื่อเวลาผ่านไป

แนวคิดเบื้องหลังวิธีการ

พลวัตระบบมีความโดดเด่นในการจับภาพการสะสมและการลดลงของสต็อก (stocks) ภายใต้ลูปป้อนกลับเมื่อเวลาผ่านไป อย่างไรก็ตาม ปัญหาเชิงนโยบายที่แท้จริงมักมีเป้าหมายมากกว่าหนึ่ง: เครือข่ายโรงพยาบาลต้องลดต้นทุนและรักษาคุณภาพการบริการไปพร้อมกัน ระบบพลังงานต้องลดการปล่อยมลพิษและรับประกันความมั่นคงของอุปทาน พลวัตระบบหลายวัตถุประสงค์ฝังเป้าหมายที่ขัดแย้งกันเหล่านี้เข้ากับการจำลองโดยตรง สร้างชุดของวิถีเชิงนโยบายที่ไม่ถูกครอบงำ (non-dominated policy trajectories) — หรือที่เรียกว่า Pareto front — แทนที่จะเป็นผลลัพธ์ 'ที่เหมาะสมที่สุด' เพียงผลลัพธ์เดียว จากนั้นผู้มีอำนาจตัดสินใจสามารถเลือกวิถีที่สะท้อนถึงความสมดุลที่ตนต้องการระหว่างวัตถุประสงค์ต่างๆ

ประวัติศาสตร์

พลวัตระบบก่อตั้งขึ้นโดย Jay Forrester ที่ MIT ในทศวรรษที่ 1960 โดยมีการประยุกต์ใช้ในยุคแรกๆ กับนโยบายอุตสาหกรรมและนโยบายเมือง การขยายผลไปสู่หลายวัตถุประสงค์เกิดขึ้นในช่วงทศวรรษที่ 1990 และ 2000 เมื่ออัลกอริทึมเชิงวิวัฒนาการ (โดยเฉพาะ NSGA-II, 2002) ทำให้การหาค่าเหมาะสมที่สุดแบบ Pareto ของแบบจำลองการจำลองเป็นไปได้ในเชิงคำนวณ การผสมผสานนี้ได้กลายเป็นมาตรฐานในการศึกษาวิทยาศาสตร์ความยั่งยืน การวางแผนระบบสุขภาพ และการวิเคราะห์ระบบพลังงาน

ควรใช้เมื่อใด

ใช้พลวัตระบบหลายวัตถุประสงค์เมื่อปัญหามีความเกี่ยวข้องกับกระบวนการป้อนกลับแบบพลวัตที่คลี่คลายเมื่อเวลาผ่านไป และมีเกณฑ์ประสิทธิภาพที่ขัดแย้งกันหลายประการที่นโยบายต้องสร้างสมดุล เหมาะอย่างยิ่งสำหรับการวิเคราะห์นโยบายระยะยาวในด้านพลังงาน ระบบสุขภาพ ห่วงโซ่อุปทาน หรือความยั่งยืน ที่ซึ่งความล่าช้าและลูปป้อนกลับสร้างพลวัตที่ไม่ชัดเจน **อย่า** ใช้เมื่อระบบโดยพื้นฐานแล้วเป็นแบบสถิต หรือเมื่อวัตถุประสงค์เดียวก็เพียงพอแล้ว — พลวัตระบบมาตรฐาน หรือการหาค่าเหมาะสมที่สุดแบบวัตถุประสงค์เดียวจะง่ายและโปร่งใสกว่า หลีกเลี่ยงการใช้วิธีนี้เมื่อข้อมูลเกี่ยวกับความสัมพันธ์ระหว่างสต็อกและการไหลมีน้อยเกินไปที่จะปรับเทียบแบบจำลองได้อย่างน่าเชื่อถือ หรือเมื่อทรัพยากรคอมพิวเตอร์ไม่เพียงพอสำหรับการค้นหา Pareto ในวงกว้าง

ข้อจำกัดและข้อควรพิจารณา

  • การปรับเทียบแบบจำลองต้องใช้ข้อมูลตามยาวโดยละเอียดเกี่ยวกับความสัมพันธ์ระหว่างสต็อกและการไหล ซึ่งอาจไม่มีให้ในสภาพแวดล้อมที่ขาดแคลนข้อมูล
  • การหาค่าเหมาะสมที่สุดแบบหลายวัตถุประสงค์ของแบบจำลองพลวัตระบบนั้นต้องใช้ทรัพยากรคอมพิวเตอร์สูง แบบจำลองขนาดใหญ่ที่มีวัตถุประสงค์และตัวแปรตัดสินใจหลายตัวอาจมีค่าใช้จ่ายสูงเกินไป
  • Pareto frontier อาจสื่อสารกับผู้มีส่วนได้ส่วนเสียที่ไม่ใช่ผู้เชี่ยวชาญได้ยาก บ่อยครั้งจึงจำเป็นต้องมีเครื่องมือสนับสนุนการตัดสินใจเพิ่มเติมเพื่อแปลงผลลัพธ์ให้เป็นการดำเนินนโยบายที่นำไปปฏิบัติได้
  • การเลือกขอบเขตแบบจำลองและการระบุโครงสร้างสาเหตุเป็นเรื่องอัตวิสัย แบบจำลองที่แตกต่างกันอาจสร้างแผนภาพลูปสาเหตุที่แตกต่างกันสำหรับระบบเดียวกัน
  • ความซับซ้อนของแบบจำลองที่สูงขึ้น เพิ่มความเสี่ยงของการปรับแบบจำลองให้เหมาะสมกับข้อมูลในอดีตมากเกินไป ในขณะที่พลาดลักษณะโครงสร้างของสภาวะในอนาคต

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จับภาพพลวัตการป้อนกลับ ความล่าช้า และกระบวนการสะสมแบบไม่เชิงเส้นที่แบบจำลองการหาค่าเหมาะสมที่สุดแบบสถิตมองข้ามไป
  • เปิดเผยการแลกเปลี่ยนแบบ Pareto ที่แท้จริง แสดงให้เห็นว่าชุดเป้าหมายเชิงนโยบายใดที่เข้ากันได้และชุดใดที่ต้องมีการประนีประนอม
  • ช่วยในการวิเคราะห์เส้นทางเวลา แสดงให้เห็นไม่เพียงแต่ผลลัพธ์สุดท้าย แต่ยังรวมถึงวิถีของระบบที่พัฒนาไปภายใต้นโยบายแต่ละแบบ
  • มีความโปร่งใสสูงต่อผู้เชี่ยวชาญในสาขา: แผนภาพลูปสาเหตุและแผนภาพสต็อก-การไหล สื่อสารตรรกะของแบบจำลองโดยไม่จำเป็นต้องใช้คณิตศาสตร์ขั้นสูง
  • สนับสนุนการวิเคราะห์ความไวและการวิเคราะห์สถานการณ์ภายในผลลัพธ์ Pareto แต่ละชุด ประเมินว่าการแลกเปลี่ยนมีความทนทานต่อความไม่แน่นอนของพารามิเตอร์เพียงใด
  • สามารถนำไปประยุกต์ใช้ได้ในหลากหลายสาขา — สุขภาพ พลังงาน นิเวศวิทยา ห่วงโซ่อุปทาน เศรษฐศาสตร์ — ทุกที่ที่ความซับซ้อนแบบพลวัตมาบรรจบกับเป้าหมายของผู้มีส่วนได้ส่วนเสียหลายฝ่าย

การประยุกต์ใช้

  • การวางแผนระบบพลังงานระยะยาวเพื่อสร้างสมดุลระหว่างต้นทุน การปล่อยมลพิษ และความมั่นคงของอุปทานพร้อมกัน
  • การวางแผนกำลังการผลิตด้านการดูแลสุขภาพ โดยหาค่าที่เหมาะสมที่สุดของต้นทุน เวลาการรอของผู้ป่วย และการใช้ประโยชน์จากบุคลากรในช่วงหลายปี
  • การออกแบบห่วงโซ่อุปทาน โดยสำรวจการแลกเปลี่ยนระหว่างการตอบสนอง ประสิทธิภาพด้านต้นทุน และผลกระทบต่อสิ่งแวดล้อมภายใต้ความต้องการที่เปลี่ยนแปลงไป
  • นโยบายความยั่งยืนของเมือง โดยเปรียบเทียบวิถีการเติบโต การใช้ทรัพยากร และความเท่าเทียมทางสังคมในสถานการณ์การวางแผนต่างๆ
  • การจัดการทรัพยากรน้ำ โดยสร้างสมดุลระหว่างผลผลิตทางการเกษตร ความต้องการการไหลของระบบนิเวศ และการลงทุนในโครงสร้างพื้นฐานในช่วงหลายทศวรรษ
  • การวิเคราะห์นโยบายโรคระบาด โดยชั่งน้ำหนักการควบคุมการติดเชื้อ การหยุดชะงักทางเศรษฐกิจ และขีดความสามารถของระบบสุขภาพภายใต้วิธีการแทรกแซงที่ขัดแย้งกัน

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดขอบเขตของระบบพลวัต: ระบุสต็อกหลัก (การสะสม) การไหล (อัตราการเปลี่ยนแปลง) และลูปป้อนกลับที่ขับเคลื่อนพฤติกรรมของระบบ ระบุวัตถุประสงค์หลายประการที่การแทรกแซงเชิงนโยบายต้องบรรลุ โดยให้แน่ใจว่าแต่ละวัตถุประสงค์สามารถวัดผลและคำนวณได้จากตัวแปรสถานะของแบบจำลอง

2

สร้างแผนภาพลูปสาเหตุ (causal loop diagrams) เพื่อติดตามว่าตัวแปรต่างๆ มีอิทธิพลต่อกันอย่างไรเมื่อเวลาผ่านไป โดยแยกแยะระหว่างลูปเสริมกำลัง (reinforcing loops - ขยายการเปลี่ยนแปลง) และลูปปรับสมดุล (balancing loops - ทำให้ระบบเสถียร) แผนภาพเชิงคุณภาพนี้ทำหน้าที่เป็นพิมพ์เขียวสำหรับแบบจำลองเชิงปริมาณ

3

แปลงแผนภาพลูปสาเหตุให้เป็นแบบจำลองสต็อกและการไหล (stock-and-flow model) ที่เป็นทางการ โดยใช้สมการเชิงอนุพันธ์หรือสมการผลต่าง ระบุความสัมพันธ์ทางคณิตศาสตร์ที่ควบคุมการไหลแต่ละรายการและตัวแปรเสริม รวมถึงคันโยกเชิงนโยบายที่สามารถปรับได้เพื่อบรรลุวัตถุประสงค์

4

กำหนดรูปแบบวัตถุประสงค์เชิงปริมาณสำหรับเป้าหมายที่ขัดแย้งกันแต่ละรายการ โดยคำนวณตลอดช่วงเวลาการจำลอง (เช่น ต้นทุนสะสมทั้งหมด ระดับการบริการเฉลี่ย วิถีการปล่อยมลพิษ) กำหนดน้ำหนักหรือโครงสร้างลำดับความสำคัญที่จำเป็น หรือปล่อยให้เป็นพารามิเตอร์อิสระสำหรับการสำรวจ Pareto

5

เรียกใช้แบบจำลองพลวัตระบบซ้ำๆ ภายใต้การตั้งค่าเชิงนโยบายที่แตกต่างกันอย่างเป็นระบบ — โดยใช้วิธีการต่างๆ เช่น การหาค่าเหมาะสมที่สุดเชิงวิวัฒนาการ (evolutionary optimization - เช่น NSGA-II) การสุ่มตัวอย่าง Pareto front หรือการกวาดสถานการณ์ (scenario sweeps) อย่างมีโครงสร้าง — เพื่อระบุชุดผลลัพธ์ที่ไม่ถูกครอบงำ ซึ่งไม่มีวัตถุประสงค์ใดที่สามารถปรับปรุงได้โดยไม่ทำให้วัตถุประสงค์อื่นแย่ลง

6

แสดงภาพและวิเคราะห์ Pareto frontier ที่ได้ โดยใช้แผนภาพกระจาย (scatter plots) แผนภาพพิกัดขนาน (parallel coordinate plots) หรือเมทริกซ์การแลกเปลี่ยน (trade-off matrices) นำเสนอพื้นที่การแลกเปลี่ยนที่เป็นไปได้แก่ผู้มีอำนาจตัดสินใจ พร้อมทั้งอธิบายจุดเปลี่ยนเชิงนโยบายที่สำคัญ และสนับสนุนการเลือกวิถีเชิงนโยบายที่ต้องการ

ข้อผิดพลาดที่พบบ่อย

  • การรวมวัตถุประสงค์มากเกินไปโดยไม่มีกรอบลำดับความสำคัญที่ชัดเจน อาจทำให้ Pareto frontier มีขนาดใหญ่และกระจายมากจนไม่ให้แนวทางที่นำไปปฏิบัติได้
  • การละเลยการตรวจสอบความถูกต้องของแบบจำลอง: แบบจำลองพลวัตระบบที่ไม่ได้รับการปรับเทียบกับพฤติกรรมในอดีต อาจสร้าง Pareto frontier ที่ดูสมเหตุสมผลแต่ทำให้เข้าใจผิดได้
  • การผสมปนเปกันระหว่างขอบเขตภายในของแบบจำลองการจำลองกับขอบเขตที่แท้จริงของระบบ — ตัวขับเคลื่อนภายนอกที่สำคัญซึ่งถูกละเว้นจากแบบจำลองจะทำให้วัตถุประสงค์ทั้งหมดบิดเบือนไป
  • การใช้อัลกอริทึมการหาค่าที่เหมาะสมที่สุดที่มีความละเอียดสูง (เช่น NSGA-II ที่มีประชากรจำนวนมาก) กับแบบจำลองที่มีความไม่เสถียรเชิงตัวเลขหรือมีลักษณะไม่ต่อเนื่อง อาจสร้างผลลัพธ์ Pareto ที่เป็นสิ่งประดิษฐ์ (artefactual)
  • การนำเสนอผลลัพธ์ Pareto เป็นข้อเสนอแนะ แทนที่จะเป็นรายการทางเลือกที่มีโครงสร้าง ซึ่งเป็นการบังคับใช้การตัดสินคุณค่าของผู้วิเคราะห์กับผู้มีอำนาจตัดสินใจ

คำถามที่พบบ่อย

วิธีนี้แตกต่างจากพลวัตระบบแบบธรรมดาอย่างไร?

แบบจำลองพลวัตระบบมาตรฐานจะสร้างวิถีเดียวสำหรับชุดนโยบายที่กำหนด พลวัตระบบหลายวัตถุประสงค์จะเรียกใช้แบบจำลองภายใต้รูปแบบนโยบายจำนวนมาก และสร้างแผนที่พื้นที่การแลกเปลี่ยนระหว่างวัตถุประสงค์อย่างชัดแจ้ง ทำให้เกิด Pareto frontier แทนที่จะเป็นผลลัพธ์เดียว

อัลกอริทึมการหาค่าที่เหมาะสมที่สุดใดที่มักใช้ร่วมกับพลวัตระบบสำหรับการค้นหาแบบหลายวัตถุประสงค์?

อัลกอริทึมเชิงวิวัฒนาการ เช่น NSGA-II และ NSGA-III เป็นที่นิยมมากที่สุด เนื่องจากทำงานได้กับผลลัพธ์การจำลองที่ไม่สามารถหาอนุพันธ์ได้และมีสัญญาณรบกวน การกวาดพารามิเตอร์อย่างมีโครงสร้างและวิธีการพื้นผิวการตอบสนอง (response-surface methods) ก็ถูกนำมาใช้สำหรับแบบจำลองขนาดเล็กเช่นกัน

ฉันสามารถใช้วิธีนี้ได้หรือไม่หากระบบของฉันมีเพียงสองวัตถุประสงค์?

ได้ — ปัญหาที่มีสองวัตถุประสงค์เป็นกรณีที่ชัดเจนที่สุด: Pareto frontier เป็นเส้นโค้งเดียว และการแลกเปลี่ยนสามารถแสดงภาพได้โดยตรง พลวัตระบบหลายวัตถุประสงค์สามารถนำไปใช้ได้อย่างเต็มที่และตีความได้ง่ายเป็นพิเศษเมื่อมีสองวัตถุประสงค์

การวิเคราะห์พลวัตระบบแบบหลายวัตถุประสงค์โดยทั่วไปต้องใช้การจำลองกี่ครั้ง?

ขึ้นอยู่กับความซับซ้อนของแบบจำลองและจำนวนตัวแปรตัดสินใจ การค้นหา Pareto โดยทั่วไปต้องใช้การจำลองพลวัตระบบเต็มรูปแบบตั้งแต่หลายร้อยถึงหลายหมื่นครั้ง วิธีการใช้แบบจำลองตัวแทน (surrogate-model approaches) สามารถลดต้นทุนนี้ได้อย่างมาก

พลวัตระบบหลายวัตถุประสงค์เหมาะสำหรับการสนับสนุนการตัดสินใจแบบเรียลไทม์หรือไม่?

โดยทั่วไปแล้ว ไม่เหมาะในรูปแบบเต็ม เนื่องจากต้นทุนการคำนวณของการหาค่าเหมาะสมที่สุดแบบ Pareto อย่างไรก็ตาม Pareto frontier ที่คำนวณไว้ล่วงหน้าสามารถฝังอยู่ในแดชบอร์ดแบบโต้ตอบเพื่อสำรวจการแลกเปลี่ยนภายในพื้นที่ผลลัพธ์ที่แก้ไขแล้วแบบเรียลไทม์ได้

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Sterman, J. D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw-Hill.

    ISBN: 978-0-07-231135-8
    คัดลอกแล้ว
  2. Coyle, R. G. (1996). System Dynamics Modelling: A Practical Approach. Chapman & Hall.

    ISBN: 978-0-412-60580-1
    คัดลอกแล้ว