Project R-10809

Onderzoek rond het thema van multi-objective optimization (Onderzoek)

Multi-objectieve (MO) optimalisatieproblemen komen vaak voor in de realiteit, niet alleen binnen een ingenieurscontext maar ook binnen een bedrijfscontext. Vaak kunnen de verschillende objectieven enkel geobserveerd worden via een tijdsintensief fysisch experiment of computerexperiment, en zijn de observaties verstoord door ruis. Dit postdoctoraal project focust op multi-objectieve optimalisatie via stochastische simulatie. Momenteel bestaan er geen methoden die dergelijke stochastische MO problemen op een effectieve en efficiënte wijze kunnen oplossen; de meeste algoritmen (bijv. evolutionaire algoritmen) vragen veel evaluaties en negeren de ruis tijdens de optimalisatie. Dit zorgt ervoor dat de zoektocht naar de optimale oplossingen wordt misleid, en dat er fouten optreden in de identificatie van de "beste" punten bij afloop van het algoritme. Voorafgaand onderzoek heeft aangetoond dat Gaussian Process Regression (een machine learning techniek, ook gekend als kriging in de Operations Research literatuur) uitzonderlijke voordelen biedt bij het analyseren van problemen met ruis. Het huidige project heeft als doel om bij de optimalisatie rekening te houden met gebruikersvoorkeuren en -indifferentie, en kwaliteitsindicatoren te ontwerpen voor de bekomen set van optimale oplossingen. Daarnaast wordt ook een (publiek beschikbare) testset voor stochastische MO problemen ontwikkeld, om de vergelijking tussen verschillende algoritmes te faciliteren.

01 september 2020 - 31 augustus 2021