[论文解读] MONISE - Many Objective Non-Inferior Set Estimation

Marcos M. Raimundo, Fernando J. Von Zuben|arXiv (Cornell University)|Sep 4, 2017

Advanced Multi-Objective Optimization Algorithms参考文献 31被引用 3

一句话总结

MONISE 是一种新颖的多目标优化算法，通过求解一系列加权子问题，将 NISE 框架扩展至高维目标空间，以高效估计帕累托最优解集。在凸性假设下，该算法可保证理论收敛至真实的帕累托前沿，并在计算成本和超体积质量方面表现出色。

ABSTRACT

This work proposes a novel many objective optimization approach that globally finds a set of efficient solutions, also known as Pareto-optimal solutions, by automatically formulating and solving a sequence of weighted problems. The approach is called MONISE (Many-Objective NISE), because it represents an extension of the well-known non-inferior set estimation (NISE) algorithm, which was originally conceived to deal with two-dimensional objective spaces. Looking for theoretical support, we demonstrate that being a solution of the weighted problem is a necessary condition, and it will also be a sufficient condition at the convex hull of the feasible set. The proposal is conceived to operate in more than two dimensions, thus properly supporting many objectives. Moreover, specifically deal with two objectives, some nice additional properties are portrayed for the estimated non-inferior set. Experimental results are used to validate the proposal and have indicated that MONISE is competitive both in terms of computational cost and considering the overall quality of the non-inferior set, measured by the hypervolume.

研究动机与目标

• 为解决在多于两个目标的多目标优化问题中寻找全局代表性帕累托最优解集的挑战。
• 将原始设计用于二维目标的经典 NISE 算法扩展至多目标场景。
• 建立求解加权子问题所得解对应于帕累托最优解的理论条件，特别是在可行集凸包上的情况。
• 在多目标优化任务中确保计算效率和高质量解集（以超体积衡量）。

提出的方法

• MONISE 通过求解一系列加权标量优化问题，全局逼近高维多目标空间中的帕累托最优解集。
• 该方法基于理论基础：任何加权问题的解都是帕累托最优的必要条件，且在考虑可行集凸包时亦为充分条件。
• 将原始 NISE 算法的原则扩展至更高维的目标空间，使其可应用于多于两个目标的问题。
• 该算法动态生成并求解加权子问题，以探索整个非劣解集，而无需用户预设权重分布。
• 在凸性假设下可保证收敛至真实帕累托前沿，从而在凸可行区域中提升可靠性。
• 该方法设计为计算高效且可扩展至多于两个目标的问题。

实验结果

研究问题

• RQ1 NISE 算法能否被有效扩展以处理多于两个维度的多目标优化问题？
• RQ2 在多目标设置下，求解加权子问题在何种理论条件下可获得帕累托最优解？
• RQ3 与现有多目标优化方法相比，MONISE 在计算成本和解集质量方面表现如何？
• RQ4 当将 MONISE 应用于多目标框架下的双目标问题时，其生成的非劣解集具有哪些可保证的性质？

主要发现

• MONISE 有效将 NISE 算法扩展至多目标优化，实现了高维目标空间中帕累托最优解集的全局估计。
• 理论分析证实，加权问题的解是帕累托最优的必要条件，且在考虑可行集凸包时亦为充分条件。
• 在双目标情况下，MONISE 保留了非劣解集的额外有利性质，从而提升了解集质量。
• 实验验证表明，MONISE 在计算成本方面与最先进方法相比表现具有竞争力。
• MONISE 生成的非劣解集质量优异，以超体积度量显示其已全面收敛至真实帕累托前沿。
• MONISE 在处理多于两个目标的问题时表现出鲁棒性和可扩展性，同时保持了高效性与解集精度。