Mehrkriterielle Optimierung mit Metaheuristiken

Präsentation zum Thema: "Mehrkriterielle Optimierung mit Metaheuristiken"—  Präsentation transkript:

1 Mehrkriterielle Optimierung mit Metaheuristiken
Sommersemester 2006 Mehrkriterielle Optimierung mit Metaheuristiken (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering (LS XI) Fachgebiet Computational Intelligence

2 Kapitel 4: Skalarisierungsmethoden
1. Ansatz: Gewichtete Summe wobei Idee: Vektorielles Problem umwandeln in skalares Problem Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

3 Kapitel 4: Skalarisierungsmethoden
Skalares Ersatzproblem (m = 2) Umformen ergibt Geradengleichung: wird minimiert bei Optimierung des skalaren Problems F z → finde Gerade mit minimalem z, so dass F gerade noch berührt wird → Tangentialpunkte mit F zmin w1 w2 Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

4 Kapitel 4: Skalarisierungsmethoden
Definition 4.1: Sei Menge aller Vektoren, die für gegebene Gewichte wi die gewichtete Summe minimieren, wobei w 2 int(Cm). ■ Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

5 Kapitel 4: Skalarisierungsmethoden
Satz 4.1: S(F) µ F* ■ d.h. jeder durch Summenbildung mit positiven Gewichten gefundene Zielvektor ist effizient! Beweis von Satz 4.1: Wenn z* 2 S(F), dann existiert w 2 int(Cm), so dass 8 z 2 F: Annahme: z*  F* . Dann existiert z 2 F, das z* dominiert: z Á z* bzw.  im Widerspruch zu (*). ■ bzw. (mal wi > 0) (*) Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

6 Kapitel 4: Skalarisierungsmethoden
2. Ansatz: Referenzpunktmethode wobei z0 Referenzpunkt. → Wie wählt man Referenzpunkt? Definition 4.2: Der Zielvektor heisst idealer Punkt ■ Anmerkung: Idealer Punkt bei konfliktären Zielen nicht erreichbar. Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

7 Kapitel 4: Skalarisierungsmethoden
min-max-Methode Tschebyscheff-Methode Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

8 F Kapitel 4: Skalarisierungsmethoden f2 z0 f1
Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

9 Kapitel 4: Skalarisierungsmethoden
Erweiterungen: weighted metric method → Abweichungsterme je Ziel gewichten rotated weighted method → zusätzlich rotieren rotiert achsenparallel Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

10 Kapitel 4: Skalarisierungsmethoden
Satz 4.2: Sei z0 der ideale Punkt eine mehrkriteriellen Problems und 1 ≤ r < 1. Jede optimale Lösung des skalaren Ersatzproblems ist Pareto-optimal. Beweis: (durch Widerspruch) Ann.: Sei x* optimale Lösung des Ersatzproblems, aber x* nicht Pareto-optimal. ) 9 x 2 X: 8 i: fi(x) ≤ fi(x*) und 9 k: fk(x) < fk(x*). ) 8 i: 0 ≤ fi(x) – zi0 ≤ fi(x*) – zi0 und 9 k: 0 ≤ fk(x) – zi0 ≤ fk(x*) – zi0 ) i ( fi(x) – zi0 )r < i ( fi(x*) – zi0 )r ) x* nicht opt. für Ersatzproblem!  WIDERSPRUCH zur Annahme ■ Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

11 Kapitel 4: Skalarisierungsmethoden
3. Ansatz: Goal Attainment wobei wi zu wählende Gewichte Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

12 Kapitel 4: Skalarisierungsmethoden
Anmerkungen: bei systematischem Variieren der Gewichte alle Lösungen auf konvexem Zielbereich auffindbar kann nicht alle Lösungen im nicht-konvexen Bereich finden kann Lösungen finden, die nicht Pareto-optimal (→ ausfiltern, wenn möglich) Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

13 Kapitel 4: Skalarisierungsmethoden
4. Ansatz: Kompromissmethode ( – constraint method) wobei i erlaubter Höchstwert für Ziel i Prozedur: systematisches Variieren der i liefert Pareto-optimale Lösungen (auch für nicht kegelkonvexes F) Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

14 F Kapitel 4: Skalarisierungsmethoden f2 z* f1 1 min!
Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

15 F Kapitel 4: Skalarisierungsmethoden f2 z* f1 2 min!
Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

16 Lösung von (m) = multikriterielle Lösung
Kapitel 4: Skalarisierungsmethoden 5. Ansatz: Lexikografische Methode Idee: m monokriterielle Probleme, zunehmend angereichert mit Nebenbedingungen … Lösung von (m) = multikriterielle Lösung Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

17 Kapitel 4: Skalarisierungsmethoden
Probleme: Reihenfolge der Ziele muss vorgegeben werden Häufig keine natürliche Priorisierung vorhanden  willkürliche Reihenfolge Verschiedene Reihenfolgen  Verschiedene Lösungen! Fazit: Ohne natürliche Zielpriorisierung erhält man beliebige Lösung! Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden

18 Kapitel 4: Skalarisierungsmethoden
Zusammenfassung bzgl. Skalarisierungsmethoden 9 Lösungen, die diesen Methoden verborgen bleiben bei einmaliger Anwendung nur eine Lösung zudem: a-priori-Auswahl von Gewichten, Schranken, etc. fragwürdig bei mehrmaliger Anwendung mehrere Lösungen falls Gewichte, Schranken, etc. systematisch variiert und dominierte Lösungen ausgefiltert werden stillschweigende Annahme: monokriterielle Optimierung „einfach“ aber: auch monokriterielle Optimierung ist schwierig! → multimodale Probleme, lokale Lösungen → welche Verfahren? Rudolph: MOMH (SS 2006) ● Kap. 4: Skalarisierungsmethoden