|
Аннотация.
Статья описывает исследование по разработке алгоритма для оценки сходимости стохастической Парето-оптимизации. Актуальность работы обусловлена необходимостью снижения вычислительных затрат, возникающих при больших многокритериальных вычислениях, где требуется учитывать множество конфликтующих критериев для поиска оптимальных решений. Одной из проблем в этом контексте является нахождение компромисса между точностью фронта Парето и ресурсами, необходимыми для его вычисления. В многокритериальной оптимизации важно оценивать сходимость, чтобы избежать чрезмерного числа итераций, которые могут быть неэффективными с точки зрения улучшения результата. Проблема заключается в поиске оптимального количества итераций, при котором фронт Парето достигает достаточной точности, и дальнейшие итерации не приводят к значительному улучшению качества решений. Целью исследования является разработка алгоритма, который позволяет оценить сходимость фронта Парето и определить, когда можно завершить процесс оптимизации без потери качества решений. Результаты могут быть полезны специалистам, занимающимся задачами многокритериальной оптимизации и разработкой алгоритмов на основе стохастических условий.
Ключевые слова:
оценка сходимости оптимизации, фронт Парето, стохастическая оптимизация, многокритериальная оптимизация, Парето-оптимизация, точность фронта Парето, метод МонтеКарло, качество решения.
DOI 10.14357/20718632240409
EDN HBLXQQ
Стр. 91-99.
Литература
1. Tirkolaee E.B. et al. Multi-objective optimization for the reliable pollution-routing problem with cross-dock selection using Pareto-based algorithms //Journal of cleaner production. 2020. Т. 276. С. 122927. DOI: 10.1016/j.jclepro.2020.122927. 2. Hua Y. et al. A survey of evolutionary algorithms for multiobjective optimization problems with irregular Pareto fronts //IEEE/CAA Journal of Automatica Sinica. 2021. Т. 8. №. 2. С. 303-318. DOI: 10.1109/JAS.2021.1003817. 3. Asilian Bidgoli A. et al. Machine learning-based framework to cover optimal Pareto-front in many-objective optimization //Complex & Intelligent Systems. 2022. Т. 8. №6. С. 5287-5308. DOI: 10.1007/s40747-022-00759-w. 4. Габдуллин Б.Р., Сенюшкин Д.С., Конушин А.С. Практическое приложение методов многокритериальной оптимизации к задаче релокализации камеры //Информационные процессы. 2024. Т. 24. №. 2. С. 163-172. DOI: 10.53921/18195822_2024_24_2_163. 5. Cocchi G., Lapucci M., Mansueto P. Pareto front approximation through a multi-objective augmented Lagrangian method //EURO Journal on Computational Optimization. 2021. Т. 9. С. 100008. DOI: 10.1016/j.ejco.2021.100008. 6. Luengo D. et al. A survey of Monte Carlo methods for parameter estimation //EURASIP Journal on Advances in Signal Processing. 2020. Т. 2020. С. 1-62. DOI: 10.1186/s13634-020-00675-6. 7. Hu X. et al. Simplified models for uncertainty quantification of extreme events using Monte Carlo technique //Reliability Engineering & System Safety. 2023. Т. 230. С. 108935. DOI: 10.1016/j.ress.2022.108935. 8. McFarland J., DeCarlo E. A Monte Carlo framework for probabilistic analysis and variance decomposition with distribution parameter uncertainty //Reliability Engineering & System Safety. 2020. Т. 197. С. 106807. DOI: 10.1016/j.ress.2020.106807. 9. Moraes C.C.F. et al. Using the multi-criteria model for optimization of operational routes of thermal power plants //Energies. 2021. Т. 14. №. 12. С. 3682. DOI: 10.3390/en14123682. 10. Xu Y. et al. A Pareto Front grid guided multi-objective evolutionary algorithm //Applied Soft Computing. 2023. Т. 136. С. 110095. DOI: 10.3390/en14123682. 11. Pospelov K.N. et al. Multiparametric Optimization of Complex System Management Scenarios Based on Simulation Models //International Journal of Technology. 2023. Т. 14. №. 8. С. 1748-1758. DOI: 10.14716/ijtech.v14i8.6832. 12. Null S.E. et al. Pareto optimality and compromise for environmental water management //Water Resources Research. 2021. Т. 57. №. 10. С. e2020WR028296. DOI: 10.1029/2020WR028296. 13. Beketov S.M., Pospelov K.N., Redko S.G. A human capital simulation model in innovation projects // Control Sciences. 2024. No. 3. P. 16-25. DOI: 10.25728/cs.2024.3.2. 14. Бекетов С.М., Зубкова Д.А., Редько С.Г. Сравнение методов оптимизации в имитационных моделях сложных организационно-технических систем. Моделирование, оптимизация и информационные технологии. 2024. 12(3). DOI: 10.26102/2310-6018/2024.46.3.027. 15. Fedyaevskaya D.E. et al. Hierarchical Cybernetic Model of Oil Production Enterprise with Distributed Decision-Making Centers //Digital Transformation: What is the Company of Today? Cham: Springer Nature Switzerland, 2023. С. 21-34. DOI: 10.1007/978-3-031-46594-9_2. 16. Feng W., Gong D., Yu Z. Multi-objective evolutionary optimization based on online perceiving Pareto front characteristics //Information Sciences. 2021. Т. 581. С. 912-931. DOI: 10.1016/j.ins.2021.10.007. 17. Копырин А.С., Видищева Е.В. Технологии обработки и очистки данных, выявления и устранения шумов на временном ряду //Вестник Академии знаний. 2020. №. 4 (39). С. 220-228. DOI: 10.24411/2304-6139-2020-10466. 18. Nezami N., Anahideh H. Dynamic Exploration–Exploitation Pareto Approach for high-dimensional expensive black-box optimization //Computers & Operations Research. 2024. Т. 166. С. 106619. DOI: 10.1016/j.cor.2024.106619. 19. Аветисян Т.В. и др. Исследование возможностей оптимизации процессов управления киберфизическими системами //Информационные технологии и вычислительные системы. 2023. №. 2. С. 96-105. DOI: 10.14357/20718632230210. 20. Матвеев В.В., Филатова Т.А. Методы управления организационными системами в условиях риска и неопределенности с целью обеспечения экономической безопасности //Национальная безопасность и стратегическое планирование. 2021. №. 2. С. 73-96. DOI: 10.37468/2307-1400-2021-2-73-96.
|
