[论文解读] An Ontology of Preference-Based Multiobjective Metaheuristics

Longmei Li, Iryna Yevseyeva+4 more|arXiv (Cornell University)|Sep 26, 2016

Advanced Multi-Objective Optimization Algorithms参考文献 118被引用 3

一句话总结

本文提出了首个基于OWL的偏好型多目标元启发式算法（PMOMH）本体，系统地建模了算法、偏好模型及其集成方式。该本体基于Protégé构建，支持结构化知识管理、查询支持，并通过PMOMH方法及其关系的正式、机器可读表示，实现研究空白的发现。

ABSTRACT

User preference integration is of great importance in multi-objective optimization, in particular in many objective optimization. Preferences have long been considered in traditional multicriteria decision making (MCDM) which is based on mathematical programming. Recently, it is integrated in multi-objective metaheuristics (MOMH), resulting in focus on preferred parts of the Pareto front instead of the whole Pareto front. The number of publications on preference-based multi-objective metaheuristics has increased rapidly over the past decades. There already exist various preference handling methods and MOMH methods, which have been combined in diverse ways. This article proposes to use the Web Ontology Language (OWL) to model and systematize the results developed in this field. A review of the existing work is provided, based on which an ontology is built and instantiated with state-of-the-art results. The OWL ontology is made public and open to future extension. Moreover, the usage of the ontology is exemplified for different use-cases, including querying for methods that match an engineering application, bibliometric analysis, checking existence of combinations of preference models and MOMH techniques, and discovering opportunities for new research and open research questions.

研究动机与目标

• 为应对偏好型多目标元启发式（PMOMH）研究中日益增长的复杂性与碎片化问题。
• 为PMOMH方法及其与多准则决策（MCDM）的集成提供一种正式、标准化且可扩展的知识表示。
• 支持研究人员发现适用于特定应用的合适方法，识别研究空白，并支持文献计量分析。
• 为MCDM与MOMH社区未来协作创建一个共享、可扩展且机器可处理的框架。
• 促进新算法、偏好模型与实际应用的集成，形成统一的知识体系。

提出的方法

• 作者使用Protégé框架开发了一个全面的OWL本体，用于建模PMOMH中的核心概念，包括MOMH类型、偏好模型和集成技术。
• 本体编码了13种支配关系、12种偏好模型和15种MOMH算法，包含正式公理和层次化关系。
• 支持使用最先进的PMOMH方法进行实例化，从而实现在知识库上的形式化推理与查询。
• 本体托管于WebProtégé，支持社区协作编辑、版本控制与可扩展性。
• 通过具体查询与示例，展示了在方法匹配、文献计量分析和研究空白检测等用例中的应用。
• 本体设计为一个持续演化的系统，欢迎来自MCDM、MOMH及应用领域研究者的贡献。

实验结果

研究问题

• RQ1 如何系统化地组织与表示PMOMH方法及偏好集成技术的日益多样化？
• RQ2 PMOMH中偏好模型、支配关系与MOMH算法之间的关键关系是什么？
• RQ3 形式化本体如何提升PMOMH中的知识发现、方法选择与研究规划？
• RQ4 当前文献中哪些偏好模型与MOMH技术的组合仍处于研究空白或缺失状态？
• RQ5 本体如何支持识别PMOMH中的新研究机遇与开放问题？

主要发现

• 所提出的PMOMH本体是首个正式的、基于OWL的偏好型多目标元启发式算法知识模型，实现了该领域结构化且机器可处理的表示。
• 本体成功建模了15种MOMH算法、12种偏好模型和13种支配关系，包含正式公理与层次化关系。
• 用例表明本体在查询方法-应用匹配、执行文献计量分析以及识别缺失的方法组合方面具有实用价值。
• 本体能够发现研究空白，例如基于参考点的方法与交互式MCDM技术（如参考点法）之间缺乏集成。
• 系统支持动态扩展，WebProtégé支持社区协作更新、评论与贡献，促进MCDM与MOMH社区的研究者共同参与。
• 本体公开可用，且设计为可随未来研究持续扩展，从而提升知识共享水平，减少方法开发中的重复工作。