A4 Artikkeli konferenssijulkaisussa
An Artificial Decision Maker for Comparing Reference Point Based Interactive Evolutionary Multiobjective Optimization Methods (2021)
Afsar, B., Miettinen, K., & Ruiz, A. B. (2021). An Artificial Decision Maker for Comparing Reference Point Based Interactive Evolutionary Multiobjective Optimization Methods. In H. Ishibuchi, Q. Zhang, R. Cheng, K. Li, H. Li, H. Wang, & A. Zhou (Eds.), Evolutionary Multi-Criterion Optimization : 11th International Conference, EMO 2021, Shenzhen, China, March 28–31, 2021, Proceedings (pp. 619-631). Springer. Lecture notes in computer science, 12654. https://doi.org/10.1007/978-3-030-72062-9_49
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Afsar, Bekir; Miettinen, Kaisa; Ruiz, Ana B.
Emojulkaisu: Evolutionary Multi-Criterion Optimization : 11th International Conference, EMO 2021, Shenzhen, China, March 28–31, 2021, Proceedings
Emojulkaisun toimittajat: Ishibuchi, Hisao; Zhang, Qingfu; Cheng, Ran; Li, Ke; Li, Hui; Wang, Handing; Zhou, Aimin
Konferenssin paikka ja aika: Shenzhen, China, 28-31.3.2021
ISBN: 978-3-030-72061-2
eISBN: 978-3-030-72062-9
Lehti tai sarja: Lecture notes in computer science
ISSN: 0302-9743
eISSN: 1611-3349
Julkaisuvuosi: 2021
Sarjan numero: 12654
Artikkelin sivunumerot: 619-631
Kustantaja: Springer
Kustannuspaikka: Cham
Julkaisumaa: Sveitsi
Julkaisun kieli: englanti
DOI: https://doi.org/10.1007/978-3-030-72062-9_49
Julkaisun avoin saatavuus: Ei avoin
Julkaisukanavan avoin saatavuus:
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/74854
Tiivistelmä
Comparing interactive evolutionary multiobjective optimization methods is controversial. The main difficulties come from features inherent to interactive solution processes involving real decision makers. The human can be replaced by an artificial decision maker (ADM) to evaluate methods quantitatively. We propose a new ADM to compare reference point based interactive evolutionary methods, where reference points are generated in different ways for the different phases of the solution process. In the learning phase, the ADM explores different parts of the objective space to gain insight about the problem and to identify a region of interest, which is studied more closely in the decision phase. We demonstrate the ADM by comparing interactive versions of RVEA and NSGA-III on benchmark problems with up to 9 objectives. The experiments show that our ADM is efficient and allows repetitive testing to compare interactive evolutionary methods in a meaningful way.
YSO-asiasanat: päätöksenteko; optimointi; monitavoiteoptimointi; monimuuttujamenetelmät
Vapaat asiasanat: decision making; aspiration levels; performance comparison; many-objective optimization; interactive methods
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Yliopistojen profiloitumisen vahvistaminen kilpaillulla rahoituksella. Profilointitoimet JYU:ssä, 3. kierros
- Hämäläinen, Keijo
- Suomen Akatemia
- Datapohjainen päätöksenteon tuki monitavoiteoptimoinnin avulla (DAEMON)
- Miettinen, Kaisa
- Suomen Akatemia
OKM-raportointi: Kyllä
Raportointivuosi: 2021
JUFO-taso: 1