Belirsizlik Altında Stokastik Çok Amaçlı Optimizasyon — Birden Fazla Çatışan Amacın Optimizasyonu
- Ortaya koyan
- Various (Fonseca, Fleming, Deb, Zitzler, and others)
- Yıl
- 1990s–2000s
- Tür
- Stochastic metaheuristic optimization
- Aile
- Simulation / optimization
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Stokastik Çok Amaçlı Optimizasyon (SMOO), parametrelerin, maliyetlerin veya kısıtlamaların belirsiz veya rastgele olduğu durumlarda iki veya daha fazla çatışan amacı eş zamanlı olarak optimize eden bir yöntem sınıfıdır.
Tek bir optimal çözüm yerine, modellenen belirsizlik altında hedefler arasındaki farklı dengeyi temsil eden, baskın olmayan çözümlerden oluşan bir Pareto cephesi üretir.
Yöntemin mantığı
Gerçek hayattaki çoğu karar, birden fazla hedef arasında ödünleşmeler içerir — kaliteyi ve hızı en üst düzeye çıkarırken maliyeti en aza indirmek — ve dünya belirsizdir. Stokastik ÇAO, amaç fonksiyonu değerlerinin sabit sayılar değil, talep, fiyatlar veya arıza oranları gibi belirsiz girdilerle şekillenen rastgele değişkenler olduğunu kabul eder. Bu belirsizliği birden fazla amaç değerlendirmesi yoluyla örnekleyerek veya analitik olarak yayarak, yöntem gerçekçi belirsizlik gerçekleşmeleri boyunca baskın olmayan kalan sağlam ödünleşme çözümleri kümesini bulur ve karar vericilere yanıltıcı derecede kesin tek cevaplar yerine dürüst seçenekler sunar.
Tarih
Belirsizlik altındaki çok amaçlı optimizasyon, evrimsel çok amaçlı optimizasyonun yükselişiyle birlikte 1990'larda ortaya çıktı. Fonseca ve Fleming (1993) ve Deb vd. (2002) tarafından yapılan temel katkılar, Pareto tabanlı evrimsel çerçeveler oluşturdu. Stokastik unsurların — beklenen değer amaçları, şans kısıtlamaları ve senaryo tabanlı yaklaşımlar aracılığıyla — entegrasyonu, Monte Carlo yoğun aramasını sağlayan artan hesaplama gücüyle desteklenen 2000'ler ve 2010'lar boyunca aktif bir araştırma alanı haline geldi.
Ne zaman kullanılır?
İki veya daha fazla gerçek anlamda çatışan amaç olduğunda VE temel parametreler (talep, maliyetler, süreler, arıza olasılıkları) belirsiz veya değişken olduğunda Stokastik ÇAO kullanın. Belirsizlik altında mühendislik tasarımı, tedarik zinciri planlaması, enerji portföyü optimizasyonu ve birden fazla refah kriteriyle politika değerlendirmesi için uygundur. Tüm parametreler deterministik olduğunda (standart ÇAO kullanın), yalnızca tek bir amaç önemli olduğunda (stokastik tek amaçlı optimizasyon kullanın), belirsizlik epistemik ve ölçülemeyen olduğunda veya hesaplama bütçesi tekrarlanan stokastik fonksiyon değerlendirmelerini desteklemek için çok sınırlı olduğunda (her aday çözüm onlarca ila binlerce Monte Carlo örneği gerektirebilir) KULLANMAYIN.
Sınırlar ve dikkat edilmesi gerekenler
- Hesaplama açısından pahalıdır: her fonksiyon değerlendirmesi, çok amaçlı arama için gereken çok sayıda değerlendirme ile çarpılan Monte Carlo örneklemesi veya senaryo numaralandırması gerektirir.
- Sonuçlar belirsizlik modelinin kalitesine büyük ölçüde bağlıdır; kötü dağılımsal varsayımlar yanıltıcı Pareto cephelerine yol açar.
- Gerçek stokastik Pareto cephesine yakınsama, deterministik duruma göre garanti edilmesi daha zordur; sonuçlara olan güven dikkatli istatistiksel analiz gerektirir.
- Çok sayıda Pareto çözümü, etkili görselleştirme veya tercih ifade araçları olmadan karar vericileri bunaltabilir.
- Her belirsiz parametre için belirsizlik dağılımlarını belirtmek üzere yeterli veri veya alan bilgisi gerektirir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Amaç değerlerindeki belirsizliği açıkça hesaba katar, varsayılan sabit değerler altında optimize etmek yerine parametre değişkenliğine karşı sağlam çözümler üretir.
- Tercihlere göre alternatifler arasından seçim yapmak için karar verici özerkliğini koruyarak, ödünleşme çözümlerinden oluşan tam bir Pareto cephesi üretir.
- Geniş bir belirsizlik temsili (dağılımlar, senaryolar, belirsizlik kümeleri) ve optimizasyon motorları (evrimsel algoritmalar, ayrıştırma, vekil destekli yöntemler) yelpazesiyle uyumludur.
- Deterministik ÇAO'nun kaçıracağı çözümler arasındaki stokastik baskınlık ilişkilerini yakalar.
- Mühendislik, lojistik, finans ve kamu politikası dahil olmak üzere çeşitli alanlarda uygulanabilir.
Uygulama alanları
- Mühendislik tasarımı: malzeme özellikleri belirsiz olduğunda yapısal ağırlığı, maliyeti ve güvenilirliği eş zamanlı olarak optimize etmek.
- Tedarik zinciri yönetimi: belirsiz talep ve teslim süreleri altında maliyet, hizmet seviyesi ve karbon emisyonları arasında denge kurmak.
- Enerji sistemleri: değişken yenilenebilir çıktı altında güvenilirlik hedeflerini karşılarken maliyeti ve emisyonları en aza indiren üretim portföylerini planlamak.
- Finansal portföy optimizasyonu: belirsiz varlık getirileri altında riski (CVaR) en aza indirirken beklenen getiriyi en üst düzeye çıkarmak.
- Ulaşım ağı tasarımı: belirsiz gelecekteki trafik talebi altında seyahat süresini ve altyapı maliyetini en aza indirmek.
- Sağlık kaynakları tahsisi: belirsiz hasta geliş oranları ve tedavi etkinlikleri altında tedavi sonuçları ve bütçe arasında denge kurmak.
Nasıl çalışır?
Nasıl çalışır?
Karar değişkeni vektörü x ve xi belirsiz parametreleri temsil etmek üzere, amaç fonksiyonları vektörünü f(x) = [f1(x,xi), f2(x,xi), ..., fk(x,xi)] olarak tanımlayın. Karar değişkeni sınırlarını, deterministik ve stokastik kısıtlamaları ve belirsizlik yapısını (dağılımlar, senaryolar veya belirsizlik kümeleri) belirtin.
Belirsiz parametreleri olasılık dağılımları (örn. Normal, Düzgün, ampirik), ilişkili olasılıklara sahip ayrık senaryo kümeleri veya sağlam belirsizlik kümeleri aracılığıyla temsil edin. Mevcut veriye uyan bir temsil seçin: senaryo tabanlı yaklaşımlar daha az dağılımsal varsayım gerektirir; tam dağılımsal modeller Monte Carlo örneklemesine izin verir.
Karar alanını keşfetmek ve yinelemeler boyunca aday baskın olmayan çözümlerin bir popülasyonunu veya arşivini korumak için çok amaçlı bir arama algoritması — yaygın olarak NSGA-II, MOEA/D veya SPEA2 gibi evrimsel bir algoritma veya matematiksel programlama ayrıştırması — uygulayın.
Arama sırasında karşılaşılan her aday çözüm x için, Monte Carlo örneklemesi veya analitik entegrasyon yoluyla beklenen değerleri E[fi(x,xi)], varyansları, koşullu risk değerini (CVaR) veya senaryo ortalaması değerlerini hesaplayarak stokastik amaçları değerlendirin. Bu, deterministik fonksiyon değerlendirmelerini istatistiksel olarak sağlam uygunluk tahminleriyle değiştirir.
Tahmini stokastik amaç değerlerine uygulanan Pareto baskınlık ilişkilerini kullanarak baskın olmayan arşivi güncelleyin ve budayın. Bir x çözümü, eğer tahmin edilen amaç vektörü tüm boyutlarda daha kötü değilse ve en az birinde kesin olarak daha iyiyse, gerekirse tahmin belirsizliğini de hesaba katarak x'i domine eder.
Tahmini stokastik Pareto cephesini karar vericilere, her Pareto çözümü için amaçlar üzerindeki güven aralıkları veya olasılık dağılımları eşliğinde sunun. Değer fonksiyonu skalerleştirmesi, referans noktası yöntemleri veya etkileşimli ödünleşme analizi kullanarak tercih edilen bir çözümün seçilmesini sağlayın.
Sık yapılan hatalar
- Değerlendirme başına çok az sayıda Monte Carlo örneği kullanmak, Pareto baskınlık karşılaştırmalarını bozan ve aramayı yanıltan gürültülü uygunluk tahminlerine neden olur.
- Belirsiz amaçları ortalama parametre değerlerini takarak deterministik olarak ele almak, varyansı göz ardı eder ve gerçek gerçekleşmeler altında kötü performans gösteren çözümler üretebilir.
- Sağlam optimizasyonu (en kötü durum) stokastik optimizasyon (beklenen değer) ile karıştırmak: iki formülasyon farklı Pareto cepheleri üretir ve farklı risk tutumlarına uygundur.
- Kısıtlama belirsizliğini ihmal etmek: stokastik kısıtlamaları şans kısıtlamaları veya beklenen değer kısıtlamaları olarak modellememek pratikte geçersiz çözümlere yol açar.
- Güven aralıkları olmadan Pareto cephesini raporlamak, paydaşları amaç tahminlerinin kesin olduğuna inanmaya yönlendirir.
Sık sorulan sorular
Stokastik ÇAO, standart (deterministik) Çok Amaçlı Optimizasyondan nasıl farklıdır?
Deterministik ÇAO'da, amaç fonksiyonu değerleri belirli bir karar vektörü için sabittir. Stokastik ÇAO'da, bazı parametreler belirsiz olduğu için amaçlar rastgele değişkenlerdir. Her aday çözüm, belirsizlik gerçekleşmeleri boyunca beklenen performansını (veya risk ölçüsünü) tahmin ederek değerlendirilmelidir, tipik olarak Monte Carlo örneklemesi yoluyla, bu da optimizasyonu önemli ölçüde daha hesaplama açısından zorlu hale getirir.
Çözüm değerlendirmesi başına kaç Monte Carlo örneği gereklidir?
Evrensel bir kural yoktur; amaçların varyansına ve gereken tahmin doğruluğuna bağlıdır. Yaygın bir başlangıç noktası değerlendirme başına 100-1000 örnektir, ancak uygulayıcılar kararlı uygunluk tahminleri ve kararlı Pareto sıralamaları üretmek için kaç örneğe ihtiyaç duyulduğunu değerlendirmek üzere bir pilot çalışma yapmalıdır.
Arama motoru olarak herhangi bir çok amaçlı algoritma kullanabilir miyim?
Evet. NSGA-II, MOEA/D, SPEA2 ve diğer Pareto tabanlı veya ayrıştırma tabanlı algoritmalar, deterministik fonksiyon değerlendirmelerini stokastik olanlarla değiştirerek uyarlanabilir. Pahalı stokastik değerlendirmelerin sayısını azaltmak için vekil destekli varyantlar giderek daha popüler hale gelmektedir.
Stokastik amaçlar için hangi risk ölçüsünü kullanmalıyım?
Karar bağlamına bağlıdır. Beklenen değer, risk-nötr paydaşlar için uygundur; varyans veya standart sapma değişkenliği cezalandırır; CVaR (Koşullu Risk Değeri) riskten kaçınan ortamlar için kuyruk riskini yakalar. Mühendislik güvenilirliği için, amaç fonksiyonu değerlerindeki belirsizliği açıkça hesaba katar, varsayılan sabit değerler altında optimize etmek yerine parametre değişkenliğine karşı sağlam çözümler üretir.
Sağlam optimizasyon, stokastik çok amaçlı optimizasyon ile aynı mıdır?
Hayır. Sağlam optimizasyon tipik olarak olasılık dağılımlarına gerek duymadan en kötü durum belirsizlik modellerini (min-maks formülasyonları) kullanır. Stokastik ÇAO, olasılıksal modeller kullanır ve beklenen veya risk ayarlı amaç değerlerini optimize eder. Her ikisi de belirsizlikle ilgilenir, ancak farklı risk tutumlarını kodlarlar ve farklı türde belirsizlik bilgisi gerektirirler.
İlgili yöntemler
Kaynaklar
Deb, K. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, Chichester.
ISBN: 9780471873396Kopyalandı.Caramia, M., Dell'Olmo, P. (2008). Multi-Objective Management in Freight Logistics. Springer, London.
DOI kaynağını açKopyalandı.