[논문 리뷰] Computing a Finite Size Representation of the Set of Approximate Solutions of an MOP

Oliver Schuetze, Carlos A. Coello Coello외 2명|ArXiv.org|2008. 04. 03.

Advanced Multi-Objective Optimization Algorithms참고 문헌 8인용 수 3

한 줄 요약

이 논문은 다목적 최적화(MOP)에서 $\varepsilon$-효율적 해의 유한하고 날카운 대체물인 집합을 계산하기 위한 새로운 아카이빙 전략을 제안한다. 확률적 수렴 보장과 하우스도르프 거리 기반의 품질 한계를 활용하여, 제어 가능한 근사 오차를 가진 유한 크기의 아카이브를 보장하며, 연속 및 이산 MOP 문제, 특히 트러스 설계 및 0-1 배낭 문제에 대해 실증적으로 검증되었다.

ABSTRACT

Recently, a framework for the approximation of the entire set of $ε$-efficient solutions (denote by $E_ε$) of a multi-objective optimization problem with stochastic search algorithms has been proposed. It was proven that such an algorithm produces -- under mild assumptions on the process to generate new candidate solutions --a sequence of archives which converges to $E_ε$ in the limit and in the probabilistic sense. The result, though satisfactory for most discrete MOPs, is at least from the practical viewpoint not sufficient for continuous models: in this case, the set of approximate solutions typically forms an $n$-dimensional object, where $n$ denotes the dimension of the parameter space, and thus, it may come to perfomance problems since in practise one has to cope with a finite archive. Here we focus on obtaining finite and tight approximations of $E_ε$, the latter measured by the Hausdorff distance. We propose and investigate a novel archiving strategy theoretically and empirically. For this, we analyze the convergence behavior of the algorithm, yielding bounds on the obtained approximation quality as well as on the cardinality of the resulting approximation, and present some numerical results.

연구 동기 및 목표

• 연속 다목적 최적화(MOP)에서 $\varepsilon$-효율적 해의 집합이 $n$차원 객체를 형성하므로, 무한하거나 큰 아카이브라는 실용적 제약를 해결하고자 한다.
• 계산적으로 다룰 수 있고 동시에 날카로운 근사치를 제공하는 근사 해 집합($E_{\varepsilon}$)의 유한 크기 표현을 개발하고자 한다.
• 유한 아카이브와 진짜 $\varepsilon$-효율적 해 집합 사이의 하우스도르프 거리로 측정된 근사 품질과 아카이브의 원소 수에 대한 이론적 한계를 제공하고자 한다.
• 기본 MOP 문제, 특히 연속 트러스 설계와 이산 배낭 문제에 대해 방법을 실증적으로 검증하여, 향상된 해의 다양성과 의사결정 지원 기능을 입증하고자 한다.

제안 방법

• 확률적 수렴의 관점에서 $\varepsilon$-효율적 해 집합으로 수렴하는 동적 유한 해 집합을 유지하는 새로운 아카이빙 전략을 도입한다.
• 하우스도르프 거리를 사용한 거리 기반 선택 메커니즘을 활용하여 근사 품질을 측정하고 아카이브 크기를 제어한다.
• 확률적 수렴 분석을 적용하여 하우스도르프 오차와 아카이브의 최대 원소 수에 대한 이론적 한계를 유도한다.
• 새로운 아카이브 기반의 수정된 진화 전략을 사용하여 압축된 영역 $Q$ 내에서 파arameter 공간을 탐색하고 해를 수집한다.
• 기본 해 주변의 관심 영역을 정의하기 위해 허용 오차 파rameter $\Delta$를 도입하여 선호되는 점 근처의 근사 해를 식별할 수 있도록 한다.
• 스칼라화와 지배 기반 필터링을 활용하여 아카이브 내에서 비지배적 해와 $\varepsilon$-효율적 해를 유지한다.

실험 결과

연구 질문

• RQ1 연속 MOP 문제에서 이론적 보장을 갖는 유한 크기의 아카이브를 구성하여 $\varepsilon$-효율적 해 집합을 날카롭게 근사할 수 있는가?
• RQ2 유한 아카이브와 실제 $\varepsilon$-효율적 해 집합 사이의 하우스도르프 거리에 대한 이론적 한계는 무엇인가?
• RQ3 아카이브의 원소 수는 문제의 차원과 원하는 근사 정확도에 따라 어떻게 변화하는가?
• RQ4 제안된 아카이빙 전략이 선호되는 설계 근처의 다양한 근사 해를 제공하여 의사결정을 향상시킬 수 있는가?

주요 결과

• 연속 트러스 설계 문제에서 $\Delta = 0$일 경우, 알고리즘이 4분 21초 만에 하우스도르프 거리 약 0.0005를 달성하고 최종 아카이브에 8377개 원소를 확보하였다.
• $\Delta = 0.0001$일 경우, 동일한 문제에 대해 11분 17초가 소요되었으며, 더 날카운 근사치와 더 작은 하우스도르프 오차를 얻었다.
• 30개 항목을 가진 {0,1}-배낭 문제에서 $\epsilon = (2,2)$ 및 $\Delta = 0.1$ 조건에서 최종 아카이브는 182개 원소를 확보하였으며, 기준점 $x_0$ 근처 0.6% 이내의 근사 해 7개를 포함하였다.
• 기준점 $x_0$ 근처의 7개 근사 해는 매개변수 공간에서 상당히 다를 수 있었으며, 최대 12개 항목이 다를 정도로 다양성이 뚜렷했다. 이는 근사 해가 의사결정에 의미 있는 다양성을 제공함을 시사한다.
• 이론적 오차 한계와 아카이브 크기 한계를 갖는 유한하고 고품질의 $E_{\epsilon}$ 근사치를 생성하여 실용적 사용 가능성을 보장하였다.
• 수치적 결과는 근사 해를 고려할 경우 해의 품질을 희생시키지 않고도 의사결정자가 활용할 수 있는 선택지 수를 증가시킴을 확인하였다.