Stage-oe-small.jpg

Thema4125

Aus Aifbportal
Wechseln zu:Navigation, Suche



Multimodal Scalarized Preferences in Multi-objective Optimization


Lars Heling



Informationen zur Arbeit

Abschlussarbeitstyp: Master
Betreuer: Marlon BraunHartmut Schmeck
Forschungsgruppe: Effiziente Algorithmen

Archivierungsnummer: 4125
Abschlussarbeitsstatus: Abgeschlossen
Beginn: 11. November 2016
Abgabe: 09. Mai 2017

Weitere Informationen

Gegenstand der multikriteriellen Optimierung ist das Optimieren mehrerer, im Konflikt zueinanderstehender Ziele. Entsprechend muss der Entscheider aus einer Vielzahl von Kompromisslösungen wählen. Skalarisierungsfunktionen können diese Wahl vereinfachen, indem sie eingesetzt werden um Präferenzen auszudrücken und die Erfüllung der Ziele in einem Wert abbilden. Traditionelle Methoden optimieren diese Skalarisierungsfunktionen mit dem Ziel ein globales Präferenzoptimum zu bestimmen. Diese Ansätze haben jedoch einen entscheidenden Nachteil, da auch lokale Präferenzoptima für den Entscheidungsprozess relevant sein können. Ein lokales Präferenzoptimum ist die beste Lösung in seiner direkten Nachbarschaft. Da Skalarisierungsfunktionen Präferenzen nicht vollständig abbilden können, stellen auch lokale Optima potentielle Alternativen zum globalen Präferenzoptimum dar. Daher wird in dieser Arbeit ein neuer algorithmischer Ansatz zur Bestimmung aller lokalen Präferenzoptima vorgestellt.

In dem Ansatz wird im ersten Schritt eine Approximation der Pareto-Front erstellt. Im zweiten Schritt wird diese in Cluster unterteilt, so dass jedes Cluster die Nachbarschaft eines lokalen Optimums repräsentiert. Abschließend wird im dritten Schritt durch die Anwendung eines lokalen Optimierungsalgorithmus, das zugehörige lokale Optimum für jedes Cluster bestimmt. Aufgrund der Modularität des Ansatzes können verschiedene Methoden für jeden einzelnen Schritt verwendet werden. Deshalb werden im Rahmen dieser Arbeit mehrere Methoden für jeden Schritt vorgestellt und die Ergebnisse aus experimentellen Studien dienen als Grundlage zur optimalen Zusammenstellung der Methoden. Zusammenfassend erlauben die Ergebnisse der experimentellen Studien das Ableiten der besten Methode für jeden Schritt des Ansatzes. Des Weiteren zeigt diese Arbeit den Unterschied zu traditionellen multimodalen Optimierungsansätzen, welcher durch das zugrundeliegende multikriterielle Optimierungsproblem verursacht wird und macht deutlich, dass die Wahl von passenden Parametereinstellungen für die Methoden unabdinglich ist.

Multimodale skalarisierte Präferenzen in der multikriteriellen Optimierung