Interactive Optimization With Weighted Hypervolume Based EMO Algorithms: Preliminary Experiments

Dimo Brockhoff 1, * Youssef Hamadi 2, 3, 4 Souhila Kaci 5
* Auteur correspondant
1 DOLPHIN - Parallel Cooperative Multi-criteria Optimization
LIFL - Laboratoire d'Informatique Fondamentale de Lille, Inria Lille - Nord Europe
5 GRAPHIK - Graphs for Inferences on Knowledge
LIRMM - Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier, CRISAM - Inria Sophia Antipolis - Méditerranée
Résumé : Les fonctions objectif en optimisation multi-objectif sont souvent non-linéaires, bruitées ou non-disponibles et l'optimisation multi-objectif évolutionnaire est applicable dans ce cas. De nos jours, par exemple dans le développement durable, plusieurs objectifs peuvent être pris en compte : en plus des objectifs "classiques" comme le coût et le profit, de "nouveaux" objectifs comme consommation d'énergie, niveaux de bruits ou de risque sont considérés. Avec de plus en plus d'objectifs à prendre en compte, le nombre d'alternatives incomparables croit exponentiellement et la complexité de ces problèmes ne permet pas aux décideurs de formaliser ses préférences afin de calculer une solution spécifique ou même restreindre la recherche à un petit ensemble d'alternatives. De plus, les algorithmes ont des difficultés à trouver une bonne approximation de la région Pareto si le nombre d'alternatives incomparables est grand et la relation de dominance de Pareto ne permet plus une bonne direction de la recherche. Dans ce cas, combiner les algorithmes de recherche et la prise de décision en un algorithme d'optimisation interactif est considérée comme une approche alternative. Pendant que de meilleures solutions sont trouvées par l'algorithme d'optimisation, le décideur peut spécifier ses préférences de manière de plus en plus spécifique en apprenant le problème et le compromis entre les objectifs. Une telle approche interactive devrait bénéficier de l'évaluation des solutions seulement dans des régions intéressantes de l'espace de recherche en terme d'une convergence plus rapide vers les solutions préférées pour le décideur. Dans le domaine de l'optimisation multi-objectif évolutionnaire, l'optimisation interactive a été seulement considérée récemment et en comparaison au grand nombre algorithmes d'optimisation multi-objectif évolutionnaire, peu d'algorithmes d'optimisation multi-objectif évolutionnaire interactifs existent. Bien que, par exemple, des algorithmes d'optimisation basés sur l'indicateur d'hyper-volume pondéré permettent d'inclure plusieurs types de préférences dans la recherche, aucun effort n'a été fourni pour utiliser ce concept dans les algorithmes interactifs. Dans ce rapport, nous proposons et discutons comment combiner la prise de décision interactive et les algorithmes de recherche basés sur l'hyper-volume pondéré. Nous considérons le modèle basique où le décideur est appelé à choisir les solutions qu'il préfère dans un ensemble de solutions. Plusieurs exemples de problèmes de tests standards montrent les principes et l'intérêt de l'approche interactive, en particulier par rapport à la proximité de la population de l'algorithme aux solutions préférées du décideur.
Type de document :
Rapport
[Research Report] RR-8103, INRIA. 2012
Liste complète des métadonnées

https://hal.inria.fr/hal-00741730
Contributeur : Dimo Brockhoff <>
Soumis le : lundi 12 novembre 2012 - 12:12:20
Dernière modification le : jeudi 24 mai 2018 - 15:59:22
Document(s) archivé(s) le : mercredi 13 février 2013 - 03:44:12

Fichier

RR-8103.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00741730, version 2

Citation

Dimo Brockhoff, Youssef Hamadi, Souhila Kaci. Interactive Optimization With Weighted Hypervolume Based EMO Algorithms: Preliminary Experiments. [Research Report] RR-8103, INRIA. 2012. 〈hal-00741730v2〉

Partager

Métriques

Consultations de la notice

732

Téléchargements de fichiers

151