[논문 리뷰] Demonstrating the Applicability of PAINT to Computationally Expensive Real-life Multiobjective Optimization

Markus Hartikainen, Vesa Ojalehto|arXiv (Cornell University)|2011. 09. 15.

Advanced Multi-Objective Optimization Algorithms참고 문헌 33인용 수 4

한 줄 요약

이 논문은 계산적으로 비용이 많이 드는 문제를 위한 상호작용형 다목적 최적화를 크게 가속화하는 PAINT 방법을 입증한다. 이는 파레토 최적 해의 근사치에서 혼합정수선형 대체 문제를 구성하여 이루어진다. 다섯 개의 목표를 가진 폐수 처리 공장 설계 문제를 통해 저자들은 IND-NIMBUS® PAINT 모듈이 반복 시간을 약 30분에서 몇 초로 단축시켰으며, 의사결정자가 솔루션의 품질을 희생시키지 않고도 과정이 더 빠르고 직관적이라고 평가했다.

ABSTRACT

We demonstrate the applicability of a new PAINT method to speed up iterations of interactive methods in multiobjective optimization. As our test case, we solve a computationally expensive non-linear, five-objective problem of designing and operating a wastewater treatment plant. The PAINT method interpolates between a given set of Pareto optimal outcomes and constructs a computationally inexpensive mixed integer linear surrogate problem for the original problem. We develop an IND-NIMBUS(R) PAINT module to combine the interactive NIMBUS method and the PAINT method and to find a preferred solution to the original problem. With the PAINT method, the solution process with the NIMBUS method take a comparatively short time even though the original problem is computationally expensive.

연구 동기 및 목표

• 계산적으로 비용이 많이 드는 문제에 대한 상호작용형 다목적 최적화에서 느린 수렴 문제를 해결한다.
• 계산 부담을 줄이면서도 솔루션 품질과 의사결정자의 참여를 유지하는 실용적인 방법을 개발한다.
• PAINT를 NIMBUS 방법과 통합하여 실제 응용 분야에서 파레토 최적 해를 효율적으로 탐색할 수 있도록 한다.
• 기존 NIMBUS 방법과의 직접 비교를 통해 PAINT가 향상된 상호작용 방법의 사용성과 성능을 평가한다.
• 복잡한 실제 다목적 최적화 문제에서 대체 모델링의 실현 가능성과 이점을 입증한다.

제안 방법

• PAINT 방법을 사용하여 알려진 파레토 최적 결과들 사이를 보간하고 혼합정수선형 대체 문제를 구성한다.
• 원래의 고비용 문제에 대해 UPS-EMO 알고리즘을 사용하여 초기 파레토 최적 해 집합을 생성한다.
• 보간된 결과를 바탕으로 대체 문제를 구성하여 상호작용 반복 과정 중에 신속하고 근사적인 평가를 가능하게 한다.
• PAINT 방법을 IND-NIMBUS® 프레임워크에 통합하여 의사결정자가 실시간으로 대체 문제와 상호작용할 수 있도록 한다.
• 각 상호작용 반복 과정에서 혼합정수선형 대체 문제를 CPLEX를 사용하여 효율적으로 해결한다.
• 근사된 결과를 원래 문제 공간으로 투영하여 그 타당성과 실제 파레토 최적 해와의 일치를 확인한다.

실험 결과

연구 질문

• RQ1 PAINT 방법은 실제 계산적으로 비용이 많이 드는 문제에 대한 상호작용형 다목적 최적화에서 계산 시간을 효과적으로 줄일 수 있는가?
• RQ2 PAINT가 향상된 NIMBUS 방법의 성능는 반복 속도와 솔루션 품질 측면에서 기존 NIMBUS 방법과 어떻게 비교되는가?
• RQ3 의사결정자가 복잡한 실제 문제를 해결할 때 대체 기반 접근법을 사용성과 신뢰성 측면에서 얼마나 잘 인지하고 있는가?
• RQ4 PAINT에 의해 도입된 근사화가 실용적 응용에서 최종 솔루션의 타당성이나 수용성에 영향을 미치는가?
• RQ5 NIMBUS와 같은 상호작용 최적화 프레임워크에 PAINT를 통합할 때의 주요 사용성 및 기능적 과제는 무엇인가?

주요 결과

• PAINT 방법은 NIMBUS 방법의 반복 시간을 약 30분에서 몇 초로 줄여 실시간 상호작용을 가능하게 하였다.
• 의사결정자는 PAINT가 향상된 과정이 원래 문제에 직접 NIMBUS를 사용하는 것보다 훨씬 더 빠르고 직관적이라고 평가했다.
• 의사결정 과정 내내 타당성 없는 또는 정확하지 않은 결과가 발견되지 않아, 대체 모델이 핵심 솔루션 특성을 유지하고 있음을 시사한다.
• 의사결정자는 모델의 불확실성에도 불구하고, 투영된 근사된 결과가 실제 파레토 최적 해와 충분히 유사하다고 확인했다.
• PAINT 방법은 각 단계에서 원래의 고비용 문제를 전체적으로 재평가할 필요 없이도 파레토 프론트의 효율적 탐색을 가능하게 하였다.
• 일부 소프트웨어 버그와 功能 부족에도 불구하고 전체 워크플로우는 원활했고, 의사결정자는 메서드의 핵심 로직에 대한 변경 요청을 하지 않았다.