Algorytmy ewolucyjne optymalizacji wielokryterialnej sterowane ...
Transcript of Algorytmy ewolucyjne optymalizacji wielokryterialnej sterowane ...
Algorytmy ewolucyjne
optymalizacji
wielokryterialnej sterowane
preferencjami decydenta
listopad 2010
Dr Janusz Miroforidis
MGI Metro Group Information Technology Polska Sp. z o.o.
2
Plan prezentacji
Wprowadzenie
Wielokryterialne Podejmowanie Decyzji
Oszacowania parametryczne
Wyznaczanie wariantów efektywnych
Zmodyfikowane oszacowania parametryczne
Algorytmy ewolucyjne dla wyznaczania oszacowań parametrycznych
Przykłady obliczeń
Zastosowanie metody w WPD
Podsumowanie
3
Problemy decyzyjne
w działalności człowieka
Zarządzanie zasobami leśnymi i wodnymi.
Planowanie zagospodarowania terenów.
Zagadnienia logistyczne i transportowe.
Konstruowanie maszyn i urządzeń.
Planowanie terapii nowotworowej.
Handel i marketing.
Wprowadzenie
4
Wielokryterialne zadanie decyzyjne
0vmax ( ), ,nf x x X R
Przy ustalonym zadaniu optymalizacji
wielokryterialnej:
gdzie vmax jest operatorem wyznaczania zbioru
wariantów efektywnych, decydent ma wskazać
wariant najbardziej preferowany w tym zbiorze.
Wielokryterialne Podejmowanie Decyzji
1 2( ) ( ), ( ), , ( ) ,kf x f x f x f x
5
Metody interaktywne WPD
Istotą tych metod jest interaktywny, sterowany przez
decydenta przegląd zbioru ocen efektywnych.
f2(x)
Wielokryterialne Podejmowanie Decyzji
f(X0)
f(E(X0)) - zbiór
ocen efektywnych
f1(x)
Preferencje określane np.
przez współczynniki
wagowe, punkty
referencyjne.
6
Skalaryzacja zadania optymalizacji
wielokryterialnej
f2(x)
f(X0)
f1(x)
y*
Wyznaczanie ocen (słabo) efektywnych
z wykorzystaniem ważonej metryki Czebyszewa.
0
*( ) arg min max ( ) ,i i ix X i
x y f x
gdzie
1, 0, 1, , .i i i i k
warunki konieczne i dostateczne istnienia ocen (słabo) efektywnych bez dodatkowych założeń o cechach zbioru f(X0) (np. wypukłość);
nie wprowadza dodatkowych nieliniowości do zadania optymalizacji.
Zalety takiej skalaryzacji:
0
*
( )max , 0, 1, , ,i i i i
y f Xy y e e i k
*y y t
Wielokryterialne Podejmowanie Decyzji
7
Określanie preferencji decydenta
za pomocą kierunków ustępstw
f2(x)
f(X0)
f1(x)
y*
τ
Wektor τ określa proporcje ustępstw
przy odejściu od punktu y*.
( ( )) ( )f x f
*y y t
Wielokryterialne Podejmowanie Decyzji
8
Oszacowania parametryczne
współrzędnych ocen
f2(x)
f(τ)
– elementy zbioru f(S); S – szkielet, podzbiór E(X0)
ocena niejawna zadana przez wektor τ U2
L2 L1 U1
półprosta kompromisu zadana przez τ
( , ) ( ) ( , ), 1,..., .i i iL S f U S i k
Koszt wyznaczenia oszacowań
L(τ,S) i U(τ,S) zaniedbywalnie mały
– formuły dane w postaci analitycznej.
Wyznaczenie S wymaga dokładnych
obliczeń optymalizacyjnych.
Oszacowania parametryczne
y*
f1(x)
9
Dynamika oszacowań parametrycznych
– oceny wariantów efektywnych dodanych do szkieletu S
Uzupełnianie szkieletu
o kolejne warianty efektywne
nie pogarsza oszacowań,
może zaś je polepszać.
Oszacowania parametryczne
f2(x)
f(τ)
y*
f1(x)
10
Algorytmy ewolucyjne dla wyznaczania
aproksymacji zbioru wariantów efektywnych
Algorytmy ewolucyjnej optymalizacji wielokryterialnej:
NSGA-II, SPEA-2.
Zastosowanie w metodach
a posteriori WPD.
Wyznaczanie wariantów efektywnych
f2(x)
f1(x)
– iteracja imax - 2 – iteracja imax - 1 – iteracja imax
f(X0)
11
Algorytmy ewolucyjne dla skalarnych
zadań optymalizacji
Algorytmy GENOCOP II i III.
Zastosowanie w metodach
a priori i metodach
interaktywnych WPD.
Wyznaczanie wariantów efektywnych
– iteracja imax
f2(x)
f(X0)
f1(x)
y*
*y y t
12
Oszacowania parametryczne
a algorytmy ewolucyjne
– obrazy elementów szkieletu dolnego SD wyznaczane przez
istniejące algorytmy ewolucyjne (NSGA-II, SPEA-2)
– obrazy elementów szkieletu górnego SG , wymagane dla
poprawności oszacowań od góry
y* f(τ) f2(x)
f1(x)
( , ) ( ) ( , ), 1,..., .i D i i GL S f U S i k
Zmodyfikowane oszacowania
parametryczne:
f(X0)
Zmodyfikowane oszacowania parametryczne
Formuły Li(τ,SD) i Ui(τ,SG) jak dla
oszacowań ze szkieletem S.
14
Szkielet górny SG
0\ , ,n
G GS R X S
( ) min ( ), 1,..., .D
nad
i D x S iy S f x i k
' ',G Gx S x S x x 1.
0' ( ) ' ,Gx S x E X x x 2.
( ) ( ), 1,..., .G
nad
x S i i Df x y S i k 3.
Zmodyfikowane oszacowania parametryczne
15
Aproksymacja górna AG
( ) min ( ), 1,..., .D
nad
i D x S iy S f x i k
' ',G Gx A x A x x 1.
' ' ,G Dx A x S x x 2.
( ) ( ), 1,..., .G
nad
x A i i Df x y S i k 3.
Nie mamy
zbioru
E(X0) !
Zmodyfikowane oszacowania parametryczne
0\ , ,n
G GA R X A
AG jest aproksymacją zbioru SG .
16
Wykorzystanie par (SD, AG) do
wyznaczania wartości oszacowań
( , )i GU A
Oszacowania od góry – wykorzystanie aproksymacji górnej
( , ), 1,..., .i GU S i k zamiast
Miary dokładności oszacowań
Bezwzględna dokładność oszacowania oceny f(τ):
1
( , , ) max ( , ) ( , ) .D G i G i Di k
S A U A L S
Względna dokładność oszacowania oceny f(τ):
max min1
( , ) ( , )( , , ) max ,
( ) ( )
i G i DD G
i ki D i D
U A L SS A
f S f S
gdzie max ( ) max ( ),D
i D ix S
f S f x
min ( ) min ( ).
Di D i
x Sf S f x
Zmodyfikowane oszacowania parametryczne
17
Aproksymacja górna AG
i zjawisko błędnych oszacowań od góry
( ) ( , ), dla pewnego {1,2, , }.i Gf U A i k
Zmodyfikowane oszacowania parametryczne
y*
f(τ) f2(x)
f1(x)
f(X0)
2 2( ) ( , )Gf U A
Ograniczanie zjawiska przez
wyznaczanie „lepszych” SD
lub stosowanie operacji
filtracji na AG .
18
Przestrzeń decyzyjna dla
algorytmów ewolucyjnych
Algorytmy ewolucyjne dla wyznaczania oszacowań parametrycznych
x2
x1
X0 Funkcje kryterialne fi
określone na zbiorze XDEC .
XDEC
0 DECX X
19
Wyznaczanie par (SD , AG)
– algorytm PDAE
Jednoczesne wyznaczanie par (SD , AG) poprzez eksplorację zbioru dopuszczalnego i jego dopełnienia.
Kryterium zatrzymania określone maksymalną liczbą iteracji.
Eksploracja przestrzeni poszukiwań realizowana operatorem mutacji o zasięgu będącym malejącą funkcją numeru iteracji.
Algorytm PDAE – w każdej iteracji mutacji podlega losowo wybrany element bieżącego szkieletu dolnego SD . Możliwe modyfikacje schematu mutacji.
Algorytmy ewolucyjne dla wyznaczania oszacowań parametrycznych
20
Lokalne poprawianie par (SD , AG)
– algorytm EPO
Próbuje wyznaczyć taką parę (SD , AG), która zapewnia założoną dokładność oszacowania oceny f(τ).
Eksploruje przestrzeń decyzji w otoczeniu (i tylko w otoczeniu) elementów determinujących wartość oszacowania oceny f(τ) odpowiednio od dołu i od góry.
Zasięg mutacji jest zależny od osiągniętej dokładności oszacowania oceny f(τ) na danym etapie obliczeń.
Algorytmy ewolucyjne dla wyznaczania oszacowań parametrycznych
21
Algorytmy PDAE i EPO
Wynik działania algorytmu PDAE,
wyznaczenie wyjściowego szkieletu
dolnego i wyjściowej aproksymacji
górnej.
Wynik działania algorytmu EPO
dla εz=0,01.
Testowe zadanie dwukryterialne (Kita)
Przykłady obliczeń
22
Algorytm PDAE i jego modyfikacje
Wynik działania algorytmu PDAE,
w którym mutacji podlega
każdy element szkieletu dolnego.
Wynik działania algorytmu PDAE,
w którym mutacji podlega
element szkieletu dolnego, najbardziej
odległy od pozostałych.
Ograniczanie losowości w algorytmie PDAE
Przykłady obliczeń
23
Trudne zadania optymalizacji
wielokryterialnej
Zadanie testowe OKA2 (Okabe)
Przykłady obliczeń
– PDAE
oceny efektywne
Algorytm NSGA-II
wyznacza rozwiązania
o podobnym
rozkładzie jak
algorytm PDAE !
24
Schemat metody rozwiązania
wielokryterialnego zadania decyzyjnego
Sformułowanie zadania optymalizacji
wielokryterialnej dla zadania decyzyjnego
Repozytorium
par (SD , AG)
START
Faza ujawniania preferencji (τ)
Faza identyfikacji rozwiązania (x(τ))
STOP
Algorytmy PDAE i EPO
Algorytm GENOCOP III
Wybór „najlepszej” pary
Wybór populacji
wyjściowej dla algorytmu
GENOCOP III
Zastosowanie metody w WPD
25
Model zarządzania sklepem
wielkopowierzchniowym
Decydent
Moduł Wspomagania Decyzyjnego
JD1
SWD1
JD2
SWD2
JD3
SWD3
JDn
SWDn
Zaso
by
Wskaźn
iki
…
Zastosowanie metody w WPD
26
Model sklepu
wielkopowierzchniowego Model sklepu z trzema jednostkami decyzyjnymi:
Marketing (SWD1)
3
1
120,l
l
x
20, 2,3,lx l
1 27.x
0,35
1 1 1 1( ) 200 ,v q x x
12 2 2 1 /700 2( , ) 0,1e ,vv q x v x
13 3 3 1 /500 3( , ) 0,3e .vv q x v x
Logistyka (SWD2)
Obsługa Nabywcy (SWD3)
Zbiór dopuszczalny:
0X
Odwzorowanie redukujące: 1 1 2 3
1( ) 0,2 ( ),s v v x x x
2 3
2( ) ,s v v v
1
3( ) .s v v
Ocena wariantów decyzyjnych za pomocą funkcji f
0( ) ( ) , .f x s q x x X
Zastosowanie metody w WPD
(zysk)
(zadowolenie)
(sprzedaż)
27
Rozwiązanie zadania decyzyjnego
Po zakończeniu hipotetycznej fazy ujawniania preferencji preferencje
decydenta najpełniej opisuje wektor (5, 1, 60).
* (67,22, 6,58, 911,07).y Wyznaczono punkt referencyjny
0
1*
1 3min max ( ) , , 1,2,3,i i i i ix X i
y f x i
( , ) (50,33, 3,21, 708,40),e
DL S
( , ) (51,34, 3,30, 713,90),e
GU A
( , , ) 0,02.e e
D GS A
Wektory oszacowań oraz względna dokładność oszacowania oceny f(τ)
W fazie identyfikacji rozwiązania algorytm GENOCOP III rozwiązał
zadanie optymalizacyjne
(37,18, 20,03, 34,22),x wyznaczając wariant decyzyjny
( ) (50,37, 3,21, 709,00).f x
Zastosowanie metody w WPD
28
Podsumowanie
Metoda rozwiązania zadania decyzyjnego
Wykorzystanie oszacowań ocen efektywnych w procesie decyzyjnym.
Mechanizm kontroli dokładności oszacowań.
Redukcja obliczeń w procesie decyzyjnym.
Połączenie metod analitycznych z metodami heurystycznymi.
Wykorzystanie zbioru niedopuszczalnego zadania optymalizacji wielokryterialnej – nowatorska modyfikacja idei algorytmów ewolucyjnych.
Podsumowanie
29
Podsumowanie
Potencjalne kierunki dalszych badań
Modyfikacja wiodących algorytmów heurystycznych optymalizacji wielokryterialnej dla potrzeb wyznaczania szkieletów dolnych i aproksymacji górnych.
Przyjęcie i zbadanie własności alternatywnych definicji zbiorów aproksymujących zbiór wariantów efektywnych od dołu i od góry.
Zbadanie skłonności decydentów do podejmowania decyzji w oparciu o oszacowania wartości współrzędnych ocen.
Hybrydyzacja ze względu na trudne zadania optymalizacji wielokryterialnej.
Podsumowanie
31
Wzory dla oszacowań parametrycznych
),()( SLy ii
})),(1
max(max{max **
)( ijj
j
jiiSfy Lyyy
),()( SUy ii *
( ) ( )min{min {min ( ( ))}, }y f S l I l l iy y U
( )l ygdzie I(τ) to podzbiór I={1,…,k}, I(τ) oraz
trzeba wyznaczyć.