Adaptive Approximationsverfahren für multikriterielle Optimierungsprobleme Kathrin Klamroth Institut für Angewandte Mathematik Universität Erlangen-Nürnberg B. Schandl & M.M. Wiecek Clemson University, USA J. Tind Universität Kopenhagen
Gliederung Multikriterielle Optimierung Approximationsverfahren Problemformulierung und Notation Ansatz: Nutzenfunktionen Approximationsverfahren Approximation von Innen Approximation von Außen Nichtkonvexe und diskrete Probleme Anwendungsbeispiele Engineering Design Capital Budgeting Portfolio Optimierung
Multikriterielle Optimierung
Capital Budgeting Problem Gegeben: - Projektanträge für die Einführung neuer Technologien - Budget an Haushaltsmitteln Gesucht: - Auswahl an Projekten so dass - das Budget nicht überschritten wird - der Netto Barwert der Investition maximiert wird - der duale Nutzen maximiert wird Projektpartner: ONR
Modellierung als bikriterielles Rucksackproblem max i=1 c1ixi max i=1 c2ixi s.t. i=1 aixi b xi {0,1}, i = 1,...,m m m c1i NPV von Projekt i, i=1,...,m c2i JA/DU von Projekt i, i=1,...,m ai Gesamtkosten von Projekt i, i=1,...,m b Budget
Multikriterielle Optimierung vmin f(x) = [f1(x),...,fn(x)]T s.t. x X X m Lösungsraum f = [f1,...,fn]T n unvereinbare Zielfunktionen Y = f(X) n Entscheidungsraum, Zielfunktionsraum
Effiziente (Pareto optimale) Lösungen xe X heißt effizient, wenn keine Lösung x X mit f(x) f(xe) existiert, d.h. i{1,...,n} fi(x) fi(xe) i{1,...,n} s.t. fi(x) < fi(xe) Effiziente Lösungen: E X Nichtdominierte Menge: N = f(E) Y
Eigentlich nichtdominierte Punkte [Geoffrion 68] y* Ye heißt eigentlich nichtdominiert, wenn eine Konstante M > 0 existiert, so dass für alle i = 1,...,n und y Y mit yi < yi* ein Index j i existiert, für den yj > yj* und f2(x) yi - yi* yj* - yj ______ M . y* nicht eigentlich nichtdominiert f1(x)
Lösungsansatz: Nutzenfunktionen Jedem Lösungsvektor f(x) wird ein Nutzen u(f(x)) zugeordnet, indem z.B. die gewichtete Summe der einzelnen Kriterien gebildet wird: min wi fi(x) s.t. x X wi = 1, wi 0, i=1,...,n f2(x) n i=1 y* n i=1 f1(x)
Schwierigkeiten: Bestimmung der Gewichte wi bzw. geeigneter Nutzenfunktionen u(f(x)) Es werden i.A. nur extremale nichtdominierte Lösungen gefunden Trade-off Informationen gehen verloren f2(x) nicht extremale Lösung x x x f1(x)
Extremale / nicht extremale Lösungen beim bikriteriellen Rucksackproblem [Visée, Teghem, Pirlot und Ulungu 98]
Approximationsverfahren
Approximationsproblem Gegeben: - Menge nichtdominierter Lösungen N - Gauge (oder andere Abstandsfunktion) Gesucht: Approximierendes (eingeschriebenes) Polyeder Pk mit k nichtdominierten Extrempunkten so dass (N, (Pk)) minimiert wird. y0 y0 N N
Ausgewählte Beiträge Konvexe bikriterielle Probleme: Cohon 78, Polišč Fruhwirth et al. 89, Yang & Goh 97 Nichtkonvexe bikriterielle Probleme: Payne 93; Li et al. 98, Li 99 Chen et al. 99, Zhang et al. 99 Klamroth et.al. 00, 01a Multikriterielle Probleme: Polak 76, Helbig 91, Jahn & Merkel 92 Kaliszewski 94, Kostreva et al. 95 Sobol´ & Levitan 97, Benson & Sayin 97, Das & Dennis 00 Fonseca und Fleming 95, Czyzak und Jaszkiewicz 98, Ulungu et al. 99 Fliege 01, 02 Klamroth et.al. 01b, 02a, 02b, Klamroth et.al. 03 uk 79
Approximation von Innen Idee: Die Approximation selbst definiert eine polyedrische Abstandsfunktion , mit Hilfe derer die nächste nichtdominierte Lösung bestimmt werden kann y0 = 0 Referenzpunkt (z.B. Nadir Punkt) d1,...,ds Normalen der Facetten von B n Annahme: B n = { y 0 : diy 1, i=1,...,s } Y d1y1 max (y) s.t. y Y n d2y1 y*
Disjunctive Programming Formulierung [Balas 85] max s.t. i=1 ( di yi , yiY ) s Spezialfall: Y = { Cx : Ax b, x 0, x m }: max i=1 i s.t. i - di Cxi 0 i=1,...,s A xi pi b i=1,...,s i=1 pi = 1 pi 0, xi 0 i=1,...,s i i=1,...,s s max - di Cx 0 s.t. A x b x 0 i=1 ( )
Dekomposition bzgl. Fundamentalkegeln Idee: Zerlegung des Problems in einfache Teilprobleme, formuliert auf den Fundamentalkegeln von B C1,...,Cs Fundamentalkegel von B n v1,...,vt Fundamentalvektoren von B n Ij Indexmenge der Fundamentalvektoren, die Cj erzeugen, j{1,…,s} max i s.t. i vi = y i 0 iIj y Y iIj vi y* vi+1
Konvexe Probleme Satz: Sei Y strikt n - konvex und sei Cj ein Fundamentalkegel der Einheitskugel des approximierenden Gauges . Dann ist die Optimallösung von eigentlich nichtdominiert. max i s.t. i vi = y i 0 iIj y Y iIj
Innerer Approximationsalgorithmus y0=0 y1 y3 y2 y4
Eigenschaften des Verfahrens Komplexität: O([ k log(k) + k(n+1)2 ] + kT) ; Beneath-Beyond Algorithmus: O(k log(k) + k(n+1)2) Die Approximation wird immer dort verbessert, wo der Fehler am größten ist Das Verfahren ist skaleninvariant Die Approximation liefert einen problem-bezogenen Bewertungsmaßstab Der Approximationsfehler ist in jeder Iteration bekannt
Skaleninvarianz y0 y0 y* y* Skalierung 1 Skalierung 2
Problembezogener Bewertungsmaßstab y0 y1 y2
Quadratische Konvergenz für bikriterielle Probleme Satz: Nach k Iterationen beträgt der Approximationsfehler höchstens r: Radius einer in B eingeschriebenen Kugel D: Umfang von Y D 2 r k2 ______ |(y*) - 1| = O(1/ k2)
Approximation von Außen Idee: Benutze geometrische Dualität bzgl. der Einheitskugel y0 = 0 Referenzpunkt v1,...,vt Fundamentalvektoren von B n Annahme: (Yn) { y 0 : y i=1ivi, i=1i = 1, 0 } t t v1 max s.t. vi = yi i{1,…,t} 0 yi Y y* v3 v2
Dekomposition bzgl. Fundamentalrichtungen Idee: Zerlegung des Problems in einfache Teilprobleme, formuliert bzgl. der Fundamentalvektoren von B vj {v1,...,vt }: Fundamentalvektor von B n max s.t. vj = y 0, yY y* vj
Äußerer Approximationsalgorithmus y0=0 y1 y3 y2 y4
Nichtkonvexe und diskrete Probleme Gegeben: Y n, n - abgeschlossen, int Y , 0 Y = Y + n Notation: Nc := { y Y : y´Y s.t. y´ y } N Y Nc
Approximation von Innen Idee: Benutze Ordnungskegel um eine stückweise lineare Approximation zu erzeugen y0 = 0 Referenzpunkt d1,...,ds n B := clos ( n \ (di + n ) ) Annahme: { vn : v = i=1 idi, 0 } = n i=1,…,s s d1 max (v) di + i(vi -di ) = v s.t. i 0, v yi yiY d2 v1 ( ) y* s d3 v2 i=1 v3
Dekomposition bzgl. Tchebycheff-Boxen Idee: Formulierung bzgl. lokaler Tchebycheff-Boxen ermöglicht die Zerlegung des Problems in einfache Teilprobleme (dj,vj): Lokaler Nadir- und Utopia Punkt max s.t. i=1 s di + [(vi -di ) ((vi)-1)] yi yiY ( ) Lemma: (v*) = 1 + *
Innerer Approximationsalgorithmus y0=0 y1 y3 y2
Anwendungsbeispiele Approximations- ablauf Capital Budgeting Engineering Design Portfolio Optimierung
y0
Evaluation von Flugzeug-Technologien min f1(x) min - f2(x) s.t. g(x) 150 -1 xi 1, i=1,...,9 Projektpartner: Georgia Institute of Technology
Zielfunktionen f1(x) = 0.7781145 - 0.000243x1 - 0.000129x2 - 0.008703x3 - 0.018481x4 - 0.001338x5 - 0.001332x6 + 0.002002x7 + 0.0407985x8 + 0.0635737x9 + 0.0000195x12 + 0.0000304x1x2 - 0.00008x22 - 0.000016x1x3 + 0.0000031x2x3 + 0.0002275x32 - 0.000025x1x4 + 0.0000011x2x4 + 0.0004497x3x4 + 0.0003035x42 + 0.0000063x1x5 + 0.0000144x2x5 + 0.0000508x3x5 + 0.0000748x4x5 - 0.000075x52 + 0.0000035x1x6 - 0.0000128x2x6 + 0.000037x3x6 + 0.0000583x4x6 + 0.0000056x5x6 - 0.000077x62 - 0.000027x3x7 - 0.00005x4x7 - 0.000003x6x7 + 0.0001197x72 - 0.000017x1x8 + 0.0002761x3x8 - 0.000621x4x8 - 0.000014x7x8 + 0.0016644x82 - 0.000012x1x9 - 0.00139x3x9 - 0.001816x4x9 - 0.00018x5x9 - 0.000179x6x9 - 0.000014x7x9 + 0.0002337x8x9 + 0.0025803x92 f2(x) = 718.25546 - 13.28308x1 - 1.69x2 - 18.79769x3 - 23.95615x4 - 2.422308x5 - 2.406154x6 + 0.3348272x12 + 0.121875x1x2 - 0.115173x22 + 0.24375x1x3 - 0.046875x2x3 + 0.5848272x32 + 0.36875x1x4 + 0.015625x2x4 + 0.6875x3x4 + 0.6848272x42 + 0.0625x1x5 + 0.009375x2x5 + 0.05625x3x5 + 0.10625x4x5 - 0.115173x52 + 0.046875x1x6 + 0.0125x2x6 + 0.034375x3x6 + 0.071875x4x6 + 0.003125x5x6 - 0.165173x62
Nebenbedingung g(x) = 151.47993 + 0.4261538x1 + 0.2346154x2 + 1.9292308x3 + 2.4615385x4 + 0.2530769x5 + 0.25x6 - 0.078675x12 - 0.034375x1x2 + 0.0713251x22 + 0.03125x1x3 + 0.0125x2x3 - 0.078675x32 + 0.0125x1x4 - 0.01875x2x4 - 0.009375x3x4 - 0.078675x42 + 0.003125x1x5 - 0.003125x2x5 + 0.00625x3x5 - 0.00625x4x5 + 0.0713251x52 - 0.00625x2x6 + 0.009375x3x6 - 0.003125x4x6 + 0.0713251x62
Approximation (20 Iterationen) y0
Zooming y0
Capital Budgeting Problem Gegeben: - Projektanträge für die Einführung neuer Technologien - Budget an Haushaltsmitteln Gesucht: - Auswahl an Projekten so dass - das Budget nicht überschritten wird - der Netto Barwert der Investition maximiert wird - der duale Nutzen maximiert wird Projektpartner: ONR
Projektdaten
Modellierung als bikriterielles Rucksackproblem 24 max i=1 c1ixi max i=1 c2ixi s.t. i=1 aixi b xi {0,1}, i = 1,...,24 24 24 c1i NPV von Projekt i (in Millionen US $), i=1,...,24 c2i JA/DU von Projekt i, i=1,...,24 ai Gesamtkosten von Projekt i (über 3 Jahre, in 100.000 US $), i=1,...,24 b Budget (in 100.000 US $)
Approximation (20 Iterationen) y0
Portfolio Optimierung Gegeben: Aktienfonds in verschiedenen Marktsegmenten Zu investierendes Kapital Gesucht: Portfolio von Aktienfonds, so dass das vorhandene Kapital investiert wird, der zu erwartende Gewinn maximiert wird, das Risiko minimiert wird. Projektpartner: Standard & Poors (Hochheim, Taunus)
Projektdaten
Markowitz Kovarianz Modell max Gewinn = r1 x1+ ··· + r40 x40 min Risiko = i=1 j=1 xi xj ij s.t. x1+ ··· + x40 = 1 xi 0 i = 1,...,40 _____________ 40 40 Eine lineare und eine nichtlineare Zielfunktion Eine lineare Nebenbedingung
Approximation (20 Iterationen) y0
Zusammenfassung Norm-basierte Approximationsverfahren sind skaleninvariant unabhängig, d.h., es werden keine Gewichte, Nutzenfunktionen usw. benötigt verfeinern die Approximation, wo es am Nötigsten ist Trade-off Information ist für die gesamte Alternativenmenge verfügbar Effizienz: Dominiert durch den Beneath-Beyond Algorithmus Quadratische Konvergenz für bikriterielle Probleme Zooming ermöglicht ein mehrstufiges Vorgehen bei der Bestimmung einer „besten“ Lösung
Geplante Forschungsarbeiten Approximationsverfahren: Übertragung der Approximationsverfahren auf konvexe und nichtkonvexe Mengen in der Ebene und im n Effiziente Implementierung in höheren Dimensionen Generierung aller nichtdominierter Lösungen: Dynamische Programmierung [KlaWie00] Klassische Methoden (e-Constraint, Tchebycheff,...) Weitere Lösungsansätze: Metaheuristiken [EhrKlaSchw] Nutzenfunktionen, Abschätzungen und Dualität [KlaTiZu]
Vielen Dank für Ihre Aufmerksamkeit ! http://www2.am.uni-erlangen.de/~klamroth/