ترجمه فارسی مقاله یادگیری مجموعه پارتو بدون در نظر گرفتن شکل در بهینه‌سازی چند هدفه با استفاده از جبهه پارتو

چکیده

Pareto set learning (PSL) is an emerging approach for acquiring the complete Pareto set of a multi-objective optimization problem. Existing methods primarily rely on the mapping of preference vectors in the objective space to Pareto optimal solutions in the decision space. However, the sampling of preference vectors theoretically requires prior knowledge of the Pareto front shape to ensure high performance of the PSL methods. Designing a sampling strategy of preference vectors is difficult since the Pareto front shape cannot be known in advance. To make Pareto set learning work effectively in any Pareto front shape, we propose a Pareto front shape-agnostic Pareto Set Learning (GPSL) that does not require the prior information about the Pareto front. The fundamental concept behind GPSL is to treat the learning of the Pareto set as a distribution transformation problem. Specifically, GPSL can transform an arbitrary distribution into the Pareto set distribution. We demonstrate that training a neural network by maximizing hypervolume enables the process of distribution transformation. Our proposed method can handle any shape of the Pareto front and learn the Pareto set without requiring prior knowledge. Experimental results show the high performance of our proposed method on diverse test problems compared with recent Pareto set learning algorithms.

چکیده به فارسی (ترجمه ماشینی)

Pareto Set Learning (PSL) یک رویکرد در حال ظهور برای دستیابی به مجموعه کامل پارتو از یک مشکل بهینه سازی چند هدف است.روشهای موجود در درجه اول به نقشه برداری بردارهای ترجیحی در فضای عینی به راه حل های بهینه پارتو در فضای تصمیم گیری متکی هستند.با این حال ، نمونه برداری از بردارهای ترجیحی از نظر تئوری نیاز به دانش قبلی از شکل جلوی پارتو برای اطمینان از عملکرد بالای روشهای PSL دارد.طراحی یک استراتژی نمونه برداری از بردارهای اولویت دشوار است زیرا شکل جلوی پارتو از قبل قابل شناخته نیست.برای ایجاد کارآزمایی پارتو به طور مؤثر در هر شکل جلوی پارتو ، ما یک یادگیری مجموعه پارتو-آگنوستیک جلوی پارتو (GPSL) را پیشنهاد می کنیم که نیازی به اطلاعات قبلی در مورد جبهه پارتو ندارد.مفهوم اساسی در پشت GPSL درمان یادگیری مجموعه پارتو به عنوان یک مشکل تحول در توزیع است.به طور خاص ، GPSL می تواند توزیع دلخواه را به توزیع مجموعه پارتو تبدیل کند.ما نشان می دهیم که آموزش یک شبکه عصبی با به حداکثر رساندن hypervolume ، روند تحول توزیع را امکان پذیر می کند.روش پیشنهادی ما می تواند هر شکل از جلو پارتو را کنترل کند و مجموعه پارتو را بدون نیاز به دانش قبلی یاد بگیرد.نتایج تجربی عملکرد بالای روش پیشنهادی ما را در مورد مشکلات تست متنوع در مقایسه با الگوریتم های یادگیری مجموعه پارتو اخیر نشان می دهد.