ترجمه فارسی مقاله یادگیری مجموعه پارتو بهینه شده برای بهینه سازی Blackbox

چکیده

Multi-Objective Optimization (MOO) is an important problem in real-world applications. However, for a non-trivial problem, no single solution exists that can optimize all the objectives simultaneously. In a typical MOO problem, the goal is to find a set of optimum solutions (Pareto set) that trades off the preferences among objectives. Scalarization in MOO is a well-established method for finding a finite set approximation of the whole Pareto set (PS). However, in real-world experimental design scenarios, it’s beneficial to obtain the whole PS for flexible exploration of the design space. Recently Pareto set learning (PSL) has been introduced to approximate the whole PS. PSL involves creating a manifold representing the Pareto front of a multi-objective optimization problem. A naive approach includes finding discrete points on the Pareto front through randomly generated preference vectors and connecting them by regression. However, this approach is computationally expensive and leads to a poor PS approximation. We propose to optimize the preference points to be distributed evenly on the Pareto front. Our formulation leads to a bilevel optimization problem that can be solved by e.g. differentiable cross-entropy methods. We demonstrated the efficacy of our method for complex and difficult black-box MOO problems using both synthetic and real-world benchmark data.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی چند هدف (MOO) یک مشکل مهم در برنامه های دنیای واقعی است.با این حال ، برای یک مشکل غیر مهم ، هیچ راه حل واحدی وجود ندارد که بتواند همه اهداف را همزمان بهینه کند.در یک مشکل معمولی MOO ، هدف این است که مجموعه ای از راه حل های بهینه (مجموعه پارتو) را پیدا کنید که ترجیحات بین اهداف را معامله می کند.مقیاس بندی در MOO یک روش به خوبی تثبیت شده برای یافتن تقریب مجموعه محدود از کل مجموعه پارتو (PS) است.با این حال ، در سناریوهای طراحی آزمایشی در دنیای واقعی ، به دست آوردن کل PS برای اکتشاف انعطاف پذیر از فضای طراحی مفید است.اخیراً Pareto Set Learning (PSL) برای تقریب کل PS معرفی شده است.PSL شامل ایجاد یک منیفولد است که نمایانگر جلوی پارتو از یک مشکل بهینه سازی چند هدف است.یک رویکرد ساده لوحانه شامل یافتن نقاط گسسته در جبهه پارتو از طریق بردارهای ترجیح تصادفی و اتصال آنها از طریق رگرسیون است.با این حال ، این رویکرد از نظر محاسباتی گران است و منجر به تقریب PS ضعیف می شود.ما پیشنهاد می کنیم نقاط ترجیحی را بهینه سازی کنیم که به طور مساوی در جبهه پارتو توزیع شود.فرمولاسیون ما منجر به یک مشکل بهینه سازی صفراوی می شود که می تواند به عنوان مثال حل شود.روشهای متقاطع متقاطع.ما اثربخشی روش خود را برای مشکلات پیچیده و دشوار MOO با جعبه سیاه با استفاده از داده های معیار مصنوعی و واقعی در دنیای واقعی نشان دادیم.