Ajankohtaista

Väitös: 19.6.2017: Uudet menetelmät mahdollistavat nopean ja laadukkaan päätöksenteon (Chugh)

Alkamisaika: maanantai 19. kesäkuuta 2017, 12.00

Päättymisaika: maanantai 19. kesäkuuta 2017, 15.00

Paikka: Mattilanniemi, Lea Pulkkisen sali

MSc Tinkle Chughin tietotekniikan väitöskirjan ”Handling expensive multiobjective optimization problems with evolutionary algorithms” tarkastustilaisuus. Vastaväittäjänä Associate Professor Dr. Michael T.M. Emmerich (Leiden University, Alankomaat) ja kustoksena professori Kaisa Miettinen (Jyväskylän yliopisto).

Tinkle Chugh
Tinkle Chugh
Monissa käytännön ongelmissa päätöksenteko voi olla haastavaa. Haastavuutta lisää se, että huomiota pitää kiinnittää samanaikaisesti keskenään ristiriitaisiin tavoitteisiin.

Esimerkiksi talokaupoissa valinnan tekeminen ei ole suoraviivaista. Hyvin varusteltua taloa ei voi saada edullisesti, ja toisaalta myös talon sijainti, kunto ja ympäristö voivat vaikuttaa valintaan.

Tinkle Chughin väitöstutkimuksessa kehitettiin menetelmiä hyvien päätösten tekemiseen nopeasti ilman, että päätösten laatu kärsii. Menetelmien avulla tarkasteltavia vaihtoehtoja voidaan löytää nopeasti ja tarjota päätöksentekoon tukea niin, että kunkin ongelman asiantuntija voi lopulta löytää tarpeitaan parhaiten vastaavan ratkaisun.

– Uudet menetelmät ovat yleisiä, eli niitä voidaan käyttää lukuisilla eri aloilla, kuten teollisuudessa, lääketeollisuudessa, bioinformatiikassa ja ympäristötieteissä, Chugh kertoo.

Päätöksentekoa voivat hidastaa monet tekijät. Esimerkiksi erilaisten ristiriitaisten tavoitteiden välisten kompromissivaihtoehtojen kartoittaminen voi viedä aikaa.

Pääkeino päätöksenteon nopeuttamiseksi on nopea sijaismalli, jolla korvataan aikaavievä tekijä.

– Sijaismalleja on käytetty koneoppimisen ja tekoälyn aloilla, mutta niiden soveltaminen useiden ristiriitaisten tavoitteiden optimointiin ei ole helppoa, Chugh toteaa. – Uudet menetelmät varmistavat sen, että paras kompromissi ristiriitaisia tavoitteita sisältäville tehtäville voidaan löytää nopeasti ilman, että ratkaisun laatu kärsii.

Tutkimuksessa kehitettyjä uusia menetelmiä käytettiin menestyksekkäästi ilmanvaihtojärjestelmän suunnitteluun traktorissa, jossa tulee taata hytin tasainen lämpötilajakauma ja estää tuulilasin jäätyminen. Chugh sai tästä tutkimuksesta parhaan opiskelija-artikkelin palkinnon evoluutiolaskennan pääkonferenssissa kesäkuussa 2017.

– Erilaisten muotoiluvaihtoehtojen tarkasteleminen simulaattorilla vie aikaa, mutta tutkimuksessa kehitetyt menetelmät nopeuttivat ratkaisemista huomattavasti. Tämä on esimerkki siitä, miten kyseiset menetelmät tukevat päätöksentekoa vaativissa käytännön ongelmissa.

Lisätietoa:

Tinkle Chugh, tinkle.chugh@jyu.fi +358408053131
Viestintäharjoittelija Anni Laine, anni.l.k.laine@jyu.fi, +358408054483

Tinkle Chugh on saanut kandidaatin ja maisterin tutkinnot kemiantekniikan alalta 2010 and 2012. Maisterin tutkinnon jälkeen hän on työskennellyt autoteolllisuudessa (Mercedes Benz Research and Development India Pvt. Ltd).  Tällä hetkellä Chugh työskentelee Jyväskylän yliopiston informaatioteknologian tiedekunnassa.

Väitöskirjatyötä ovat rahoittaneet Jyväskylän yliopiston IT-tiedekunnan COMAS-tohtorikoulu ja Tekes-projekti DeCoMo (Päätöksenteon tuki vaativille monitavoiteoptimointitehtäville).

Tutkimus on julkaistu sarjassa Jyväskylä Studies in Computing, numero 263, Jyväskylä 2017, ISBN {978-951-39-7089-1} ja ISSN {1456-5390}. Se on myös saatavilla Jyväskylän yliopiston julkaisuyksiköstä, puh. 040 805 3825, myynti@library.jyu.fi. Pysyvä linkki: http://urn.fi/URN:ISBN:978-951-39-7090-1

Abstract

Multiobjective optimization problems (MOPs) with a large number of conflicting objectives are often encountered in industry. Moreover, these problems typically involve expensive evaluations (e.g. time-consuming simulations or costly experiments), which pose an extra challenge in solving them. In this thesis, we first present a survey of different methods proposed in the literature to handle MOPs with expensive evaluations. We observed that most of the existing methods cannot be easily applied to problems with more than three objectives. Therefore, we propose a Kriging-assisted reference vector guided evolutionary algorithm (K-RVEA) for problems with at least three expensive objectives. The algorithm dynamically balances between convergence and diversity by using reference vectors and uncertainty information from the Kriging models.

We demonstrate the practicality of K-RVEA with an air intake ventilation system in a tractor. The problem has three expensive objectives based on time consuming computational fluid dynamics simulations. We also emphasize the challenges of formulating a meaningful optimization problem reflecting the needs of the decision maker (DM) and connecting different pieces of simulation tools. Furthermore, we extend K-RVEA to handle constrained MOPs. We found out that infeasible solutions can play a vital role in the performance of the algorithm.

In many real-world MOPs, the DM is usually interested in one or a small set of Pareto optimal solutions based on her/his preferences. Additionally, it has been noticed in practice that sometimes it is easier for the DM to identify non-preferable solutions instead of preferable ones. Therefore, we finally propose an interactive simple indicator-based evolutionary algorithm (I-SIBEA) to incorporate the DM’s preferences in the form of preferable and/or non-preferable solutions. Inspired by the involvement of the DM, we briefly introduce a version of K-RVEA to incorporate the DM’s preferences when using surrogates. By providing efficient algorithms and studies, this thesis will be helpful to practitioners in industry and increases their ability of solving complex real-world MOPs.

Keywords: many-objective optimization, decision making, Pareto optimality, surrogate, metamodelling, computational cost

Lisätietoja

Tinkle Chugh
tinkle.t.chugh@jyu.fi
kuuluu seuraaviin kategorioihin: ,