[论文解读] Demonstrating the Applicability of PAINT to Computationally Expensive Real-life Multiobjective Optimization

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

Advanced Multi-Objective Optimization Algorithms参考文献 33被引用 4

一句话总结

本文展示了PAINT方法通过基于Pareto前沿近似构建混合整数线性代理问题，显著加速了计算成本高昂问题的交互式多目标优化。在五目标污水处理厂设计问题中，作者表明IND-NIMBUS® PAINT模块将迭代时间从约30分钟缩短至仅数秒，决策者认为该过程更快且更直观，同时未牺牲解的质量。

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.

研究动机与目标

• 解决计算成本高昂问题在交互式多目标优化中收敛缓慢的挑战。
• 开发一种实用方法，在保持解质量与决策者参与度的同时降低计算负担。
• 将PAINT与NIMBUS方法集成，实现在实际应用中对Pareto最优解的高效探索。
• 通过与原始NIMBUS方法的直接对比，评估PAINT增强的交互式方法的可用性与性能。
• 展示在复杂真实世界多目标优化问题中，代理建模的可行性和优势。

提出的方法

• 使用PAINT方法在一组已知的Pareto最优结果之间进行插值，并构建一个混合整数线性代理问题。
• 使用UPS-EMO算法为原始昂贵问题生成一组初始的Pareto最优解。
• 基于插值结果构建代理问题，以在交互式迭代过程中实现快速近似评估。
• 将PAINT方法集成到IND-NIMBUS®框架中，使决策者能够实时与代理问题交互。
• 在交互过程的每次迭代中，使用CPLEX高效求解混合整数线性代理问题。
• 将近似结果投影回原始问题空间，以验证其合理性并确保与实际Pareto最优解对齐。

实验结果

研究问题

• RQ1 PAINT方法能否在真实世界计算成本高昂的多目标优化中有效减少计算时间？
• RQ2 与原始NIMBUS方法相比，PAINT增强的NIMBUS方法在迭代速度和解质量方面表现如何？
• RQ3 在解决复杂真实世界问题时，决策者在多大程度上认为基于代理的方法可用且可靠？
• RQ4 PAINT引入的近似是否会损害最终解在实际应用中的有效性或可接受性？
• RQ5 在将PAINT与NIMBUS等交互式优化框架集成时，面临哪些关键的可用性与功能挑战？

主要发现

• PAINT方法将NIMBUS方法的迭代时间从约30分钟减少到仅数秒，实现了实时交互。
• 决策者报告称，与直接在原始问题上使用NIMBUS相比，PAINT增强的过程显著更快且更直观。
• 在决策过程中未发现不切实际或不准确的结果，表明代理模型保留了关键的解特征。
• 决策者确认，投影的近似结果即使在存在模型不确定性的前提下，也足够接近实际Pareto最优解。
• PAINT方法成功实现了对Pareto前沿的高效探索，而无需在每一步都对原始昂贵问题进行完整重新评估。
• 尽管存在一些软件错误和功能缺失，整体工作流程依然流畅，且决策者未要求对方法核心逻辑进行任何更改。