DAAD Deutsch-Australische Forschungskooperation

Die Optimierung bei Vorhandensein mehrerer widersprüchlicher Kriterien ist ein Problem, das in verschiedenen praktischen Bereichen auftritt, z. B. in der technischen Planung, der Terminplanung, der Logistik, dem Finanzwesen usw. Solche Probleme werden als Multi-Objektiv-Optimierungsprobleme (MOP) bezeichnet, und ihr Optimum besteht nicht aus einer, sondern aus einer Reihe von besten Kompromisslösungen, die als Pareto-Optimum-Front (POF) bekannt sind. Bei der Lösung von MOP gibt es zwei Hauptaufgaben - erstens die Suche nach der POF und zweitens die effektive Auswahl von Entwürfen aus der POF für die Umsetzung. Diese beiden Aspekte sind besonders schwierig und rechenintensiv, wenn die Anzahl der Ziele mehr als drei beträgt. Die bestehenden Methoden zur Lösung von MOP sind so genannte dekompositionsbasierte evolutionäre Algorithmen (DBEA), die versuchen, das Problem durch die Entwicklung einer Lösungspopulation entlang eines vordefinierten Satzes von Referenzvektoren zu lösen. Die Definition dieses Satzes von Referenzvektoren ist jedoch die größte Herausforderung für moderne DBEAs. Dieses Projekt zielt darauf ab, dieses Problem zu lösen, indem Mittel zur quantitativen Identifizierung von Lösungen von Interesse während der Suche entwickelt werden und diese zur Konstruktion von Referenzvektoren für den Algorithmus verwendet werden. Dies wird die Suche nach qualitativ hochwertigen Lösungen mit geringem Rechenaufwand ermöglichen und gleichzeitig die Entscheidungsfindung unterstützen. Diese beiden Aspekte werden den Algorithmus für den industriellen Einsatz tauglich machen.
Dieser Text wurde mit DeepL übersetzt am 28.11.2025

DAAD German Australia Research Kooperation

Optimization in presence of multiple conflicting criteria is a problem encountered in several practical domains such as engineering design, scheduling, logistics, finance etc. Such problems are called multi-objective optimization problems (MOP), and their optimum comprises not one but a set of best trade-off solutions known as the Pareto optimal front (POF). There are two key pursuits in solving MOP - first is to search for the POF, and second is to effectively choose design(s) from the POF for implementation. Both these aspects are particularly intractable and computationally prohibitive if the number of objectives is more than three. The existing methods to solve MOP are so called decomposition based evolutionary algorithms (DBEA), which try to solve it by evolving a population of solutions along a pre-defined set of reference vectors. However, defining this set of reference vectors is the biggest challenge for contemporary DBEAs. This project aims to resolve this issue by developing means to quantitatively identify solutions of interest during the search and use them to construct guiding reference vectors for the algorithm. This will enable search for high quality solutions with low computational expense, while also aiding decision making. These two aspects will make the algorithm viable for industrial use.