School of Business publications portal

Change in web publishing of Aalto publication series for Aalto University Business School from beginning of 2014

Information and pdf-files of Business School publications in the Aalto series are now located in the Aaltodoc publication archive

eDiss - School of Business dissertations


Author:Sinha, Ankur. 
Title:Progressively interactive evolutionary multiobjective optimization
Published:[Espoo] : Aalto University, 2011
Description:vi, 129 s. : kuv. ; 25 cm.
Series:Aalto University publication series. DOCTORAL DISSERTATIONS, 1799-4934 ; 17/2011
Series no:17/2011
Year:2011  Thesis defence date: 2011-03-16
Discipline:Quantitative Methods
Department:Liiketoiminnan teknologian laitos
Electronic dissertation: » dissertation in pdf-format   [2973 KB]
Index terms:control systems; decision making; ohjausjärjestelmät; optimization; optimointi; päätöksenteko; quantitative methods
Language:eng
Bibid:574301
ISBN:978-952-60-4052-3
Abstract (eng):A complete optimization procedure for a multi-objective problem essentially comprises of search and decision making. Depending upon how the search and decision making task is integrated, algorithms can be classified into various categories. Following `a decision making after search' approach, which is common with evolutionary multi-objective optimization algorithms, requires to produce all the possible alternatives before a decision can be taken. This, with the intricacies involved in producing the entire Pareto-front, is not a wise approach for high objective problems. Rather, for such kind of problems, the most preferred point on the front should be the target. In this study we propose and evaluate algorithms where search and decision making tasks work in tandem and the most preferred solution is the outcome. For the two tasks to work simultaneously, an interaction of the decision maker with the algorithm is necessary, therefore, preference information from the decision maker is accepted periodically by the algorithm and progress towards the most preferred point is made.

Two different progressively interactive procedures have been suggested in the dissertation which can be integrated with any existing evolutionary multi-objective optimization algorithm to improve its effectiveness in handling high objective problems by making it capable to accept preference information at the intermediate steps of the algorithm. A number of high objective un-constrained as well as constrained problems have been successfully solved using the procedures. One of the less explored and difficult domains, i.e., bilevel multiobjective optimization has also been targeted and a solution methodology has been proposed. Initially, the bilevel multi-objective optimization problem has been solved by developing a hybrid bilevel evolutionary multi-objective optimization algorithm. Thereafter, the progressively interactive procedure has been incorporated in the algorithm leading to an increased accuracy and savings in computational cost. The efficacy of using a progressively interactive approach for solving difficult multi-objective problems has, therefore, further been justified
Thesis defence announcement:
Monitavoiteoptimoinnin tosielämän sovellukset sisältävät usein suuren määrän tavoitteita. Olemassa olevia evoluutiopohjaisia monitavoiteoptimoinnin algoritmeja on sovellettu monia tavoitteita sisältäviin ongelmiin pyrkimyksenä löytää sopiva edustajisto Pareto-optimaalisia ratkaisuja. Näillä metodeilla on onnistuneesti ratkaistu suuri määrä erilaisia ongelmia, joihin sisältyy kaksi tai kolme tavoitetta. Kuitenkaan tapauksissa, joissa ongelmien määrä on suurempi (enemmän kuin kolme), metodit eivät useinkaan ole tuottaneet onnistuneita tuloksia. Keskeisimmät esteet suuremman tavoitemäärän hallinnalle liittyvät haun juuttumiseen, Pareto-optimaalisen rintaman ulottuvuuksien määrän kasvuun, tarvittavien laskentaresurssien suureen määrään ja tavoiteavaruuden graafisen havainnollistamisen vaikeuteen. Nämä vaikeudet ovat tyypillisiä monitavoitteisille ongelmille, jotka sisältävät suuren määrän ulottuvuuksia, eikä niitä siksi pystytä kokonaan eliminoimaan. Siksi on tarpeen tutkia menetelmiä, joilla näitä vaikeuksia voidaan hallita.

Nykyisissä menetelmissä päätöksentekijän antamia paremmuussuhteita hyödynnetään usein ennen hakuprosessin alkua tai hakuprosessin lopussa pyrittäessä tuottamaan optimaalisia ratkaisuja monitavoitteisiin ongelmiin. Jotkut lähestymistavat toimivat vuorovaikutuksessa päätöksentekijän kanssa ja iteroivat tiedonhankinta- ja hakuprosessia, kunnes tyydyttävä ratkaisu löydetään. Tutkimukset, joissa päätöksentekijän määrittämiä paremmuussuhteita selvitetään hakuprosessin edetessä ja niistä saatua tietoa hyödynnetään edeten samalla vähä vähältä kohti parasta mahdollista ratkaisua, ovat kuitenkin melko harvinaisia.

Ankur Sinhan väitöskirja pyrkii osaltaan kehittämään progressiivisesti interaktiivisia menetelmiä vaikeiden monitavoitteisten ongelmien käsittelyyn yhdistämällä käsitteitä evoluutiopohjaisen monitavoiteoptimoinnin (EMO) ja monitavoitteisen päätöksenteon (MCDM) alueilta. Vaikka evoluutiopohjaisella monitavoiteoptimoinnilla ja monitavoitteisella päätöksenteolla on yhteinen päämäärä, on tutkijoiden kiinnostus soveltaa alojen periaatteita toisiinsa ollut melko vähäistä aina viime aikoihin saakka. Väitöskirja painottaa alojen metodista integraatiota ja niitä yhdistelevien menetelmien kehittämistä. Uusien menetelmien avulla olemassa olevia algoritmeja kyetään laajentamaan niin, että ne pystyvät käsittelemään haastavia ongelmia, jotka sisältävät entistä useampia tavoitteita. Menetelmien tuoma hyöty on käynyt ilmi myös kaksitasoisten monitavoiteoptimointiongelmien käsittelyssä. Ajattelutapojen yhdistämisellä on merkittäviä seurauksia, ja sillä pyritään ratkaisemaan monitaso-optimointiongelmien haasteita.
Opponents:Branke, Juergen
professor
Warwick Business School, University of Warwick, Great Britain

Chairperson:Korhonen, Pekka
professor
Aaltodoc:https://aaltodoc.aalto.fi/handle/123456789/11079