Ajankohtaista

Väitös: 15.12.2016 Uusien laskentamenetelmien avulla nopeampia ratkaisuja optimointiongelmiin

Alkamisaika: torstai 15. joulukuuta 2016, 12.00

Päättymisaika: torstai 15. joulukuuta 2016, 15.00

Paikka: Mattilanniemi, Agora, Auditorio 3

Mohammad TabatabaeiFM Mohammad Tabatabaein tietotekniikan väitöskirjan ”On Approaches for Solving Computationally Expensive Multiobjective Optimization Problems” tarkastustilaisuus. Vastaväittäjänä professori Ignacy Kaliszewski (Systems Research Institute, Polish Academy of Sciences, Puola) ja kustoksena professori Kaisa Miettinen (Jyväskylän yliopisto). Väitöstilaisuus on englanninkielinen.

Mohammad Tabatabaei on kehittänyt väitöskirjassaan uusia laskentamenetelmiä, jotka auttavat insinöörejä ratkaisemaan optimointiongelmiaan huomattavan nopeasti vähentäen ongelmanratkaisuun käytettyä aikaa esimerkiksi tunneista minuutteihin. Uudet menetelmät on kytketty päätöksentekoa tukevaan järjestelmään, joka tarjoaa insinööreille tietoa saavutettavissa olevista ratkaisuista.

Insinöörien tehtävät – kuten auton, junan tai lentokoneen suunnittelu – koostuvat tyypillisesti useista keskenään ristiriitaisista tavoitteista. Esimerkiksi auton suunnittelussa tavoitteena voi olla samanaikaisesti sekä polttoaineen kulutuksen minimointi että nopeuden maksimointi. Luonnollisesti nämä kaksi tavoitetta ovat ristiriitaisia, koska nopeutta lisäämällä lisätään samalla myös polttoaineen kulutusta. Käytännössä tavoitteita voi olla myös enemmän kuin kaksi. Tällaisia tehtäviä kutsutaan monitavoiteoptimointitehtäviksi. Niillä on yhden optimiratkaisun sijaan useita kompromissiratkaisuja, joista päätöksentekijä valitsee kulloisiakin tarpeita parhaiten vastaavan.

Monia tosielämän monitavoiteoptimointitehtäviä voidaan mallintaa matemaattisesti. Kun tehtävät on mallinnettu, tietokonepohjaiset simulaatiotyökalut tuottavat tietoa niiden käyttäytymisestä ja ominaisuuksista. Ratkaisujen tuottaminen simulointimallien avulla voi kuitenkin olla hyvin hidasta, vieden aikaa jopa päiviä tai kuukausia. Siksi tällaisia tehtäviä kutsutaan laskennallisesti kalliiksi monitavoiteoptimointitehtäviksi. Niiden ratkaiseminen perinteisillä menetelmillä ei ole mahdollista, sillä se vie liikaa aikaa.

Tabatabaein tutkimuksessaan kehittämät menetelmät vähentävät laskenta-aikaa huomattavasti. Lisäksi ne tuottavat tärkeää tietoa tavoitteiden välisistä riippuvuussuhteista ja tukevat päätöksentekijää tasapainoilussa ristiriitaisten tavoitteiden välillä. Uusien menetelmien avulla entistä vaativampia tehtäviä pystytään ratkaisemaan lyhyessä ajassa ja päätöksentekijä löytää häntä parhaiten tyydyttävän kompromissiratkaisun.

Lisätietoja:

Mohammad Tabatabaei, mohammad.tabatabaei@jyu.fi, +358408053722
Viestintäharjoittelija Katja Ketola, tiedotus@jyu.fi, puh. 040 805 3638

Mohammad Tabatabaei on Jyväskylän yliopiston tietotekniikan laitokseen kuuluvan teollisen optimoinnin tutkimusryhmän jäsen. Hänen kiinnostuksenkohteensa tutkimuksessa ovat monitavoiteoptimointi, matemaattinen mallintaminen, koneoppimisen sovellukset ja tiedonlouhinta optimoinnissa. Tabatabaein väitöskirjatutkimusta ovat rahoittaneet Jyväskylän yliopiston COMAS-tohtoriohjelma ja Suomen Akatemia.

Teos on julkaistu sarjassa Jyväskylä studies in computing; 254, ISSN 1456-5390, ISBN 978-951-39-6861-8. Väitöskirjaa saa Jyväskylän yliopiston kirjaston julkaisuyksiköstä, puh. 040 805 3825, myynti@library.jyu.fi. Luettavissa JYX-arkistossa: http://urn.fi/URN:ISBN:978-951-39-6861-8

 

Abstract

In this thesis, we consider solving computationally expensive multiobjective optimization problems that take into account the preferences of a decision maker (DM). The aim is to support the DM in identifying the most preferred solution for problems that have several conflicting objectives and when the evaluation of the candidate solutions is time consuming. This is conducted by replacing computationally expensive functions with computationally inexpensive functions, known as surrogates. First, based on a literature survey, we introduce two frameworks, i.e., a sequential and an adaptive framework, based on which surrogate-based methods are classified and compared. We then identify relevant challenges that warrant more research efforts. In order to deal with the challenges, we develop two surrogate-based methods: SURROGATE-ASF and ANOVA- MOP. As an interactive method, SURROGATE-ASF has two phases: initialization and decision-making. In the first phase, the decision space is decomposed into a finite number of hyper-boxes. For each hyper-box, a single-objective surrogate problem is built. By solving an appropriate surrogate problem in the latter phase, a solution corresponding to the preferences of the DM is obtained. Numerical results support that SURROGATE- ASF can solve problems with at most 12 decision variables, 5 objective functions and nonconvex and/or disconnected sets of Pareto optimal solutions. To solve problems with high-dimensional decision and objective spaces, we develop the ANOVA-MOP method. Based on information obtained from sensitivity analysis, a problem is decomposed into a few sub-problems with low-dimensional decision and objective spaces. These sub-problems are solved, and the solutions obtained are composed to form approximated solutions for the original problem. ANOVA-MOP can be applied either as a non-interactive or an interactive method. Finally, we discuss the potential of a new metamodeling technique, called T-splines, to be incorporated into ANOVA-MOP to solve problems including non-differentiable functions. By applying the methods developed in this thesis, we extend the applicability of interactive methods to solving computationally expensive problems.

Lisätietoja

Mohammad Tabatabaei
mohammad.tabatabaei@jyu.fi
kuuluu seuraaviin kategorioihin: ,