TÓM TẮT BÀI BÁO:

PHƢƠNG PHÁP TỐI ƢU ĐA MỤC TIÊU TƢƠNG TÁC

SỬ DỤNG GIẢI THUẬT DI TRUYỀN.

Nguyễn Long, Bùi Thu Lâm – Đại học Kỹ thuật Lê Quý Đôn

Tối ƣu hóa là một trong những lĩnh vực truyền thống của toán học có ảnh hƣởng

đến hầu hết các lĩnh vực khoa học – công nghệ và kinh tế – xã hội. Có một thực tế là

nhiều bài toán yêu cầu tìm giải pháp tối ƣu với các mục tiêu mâu thuẫn (Conflicting

objectives). Rõ ràng không tồn tại giải pháp tối ƣu đơn nào tốt nhất để đạt đƣợc tất cả

mục tiêu. Đây là vấn đề điển hình của lớp bài toán tối ƣu đƣợc gọi là bài toán tối ƣu đa

mục tiêu (multi-objective optimization problems – MOPs).

Hiện nay, có nhiều phƣơng pháp tiếp cận giải bài toán tối ƣu đa mục tiêu đƣợc đƣa

ra. Có thể phân loại các giải thuật này theo hai lĩnh vực: Phƣơng pháp truyền thống, và

phƣơng pháp heuristic tiến hóa (Evolutionary Multi-Objective Optimization - EMO).

Nội dung chính của các giải thuật EMO là xấp xỉ đƣợc tập tối ƣu Pareto (Pareto Optimal

Set – POS) thông qua việc cập nhật các giải pháp tốt nhất trong các thế hệ trong quá trình

tiến hóa. Đây là một vấn đề rất quan trọng trong việc đánh giá tính hiệu quả và khả năng

thực thi của các giải thuật tiến hóa đa mục tiêu. Trong thực tế để đạt đƣợc các giải pháp

phù hợp cũng nhƣ tăng tốc việc hội tụ của các thuật toán EMO, ngƣời ta thƣờng đƣa

ngƣời quyết định (Decision Maker -DM) tham gia vào quá trình tối ƣu (human in the

loop) để kiểm tra, phân tích; phƣơng pháp này đƣợc gọi là phƣơng pháp tƣơng tác.

Bài báo tập trung trình bày và phân tích các phƣơng pháp tƣơng tác trong giải

thuật tiến hóa tối ƣu đa mục tiêu để tăng cƣờng tính hiệu quả và tăng tốc việc hội tụ của

các lời giải tối ƣu đa mục tiêu; đồng thời đề xuất xây dựng phƣơng án tích hợp tƣơng tác

với giải thuật di truyền đa mục tiêu (NSGA-II, MOEA/D).

PAPER ABSTRACT:

INTERACTIVE METHODS FOR MULTI-OBJECTIVE OPTIMIZATION

USING GENETIC ALGORITHMS

Long Nguyen, Lam T Bui – Le Quy Don Technical University.

Optimization is one of the main research area in mathematics and has been widely

applied to many aspects of the real world. In practice, many optimization problems have

more than one objective (and they are often conflicting). With these situations, there are

usually no single solution that is the best regarding all objectives. These problems belong

to a special class called Multi-objective Optimization Problems (MOPs).

To date, there have been a large number of methods for solving MOPs. Generally,

They could be classified into two categories: Traditional methods and heuristic

evolutionary methods (Evolutionary Multi-Objective Optimization – EMO). The main

task of EMO is to approximate the Pareto Optimal Set ( POS) by updating the best

solutions in each generations. This is an importance key feature for assessing the

effectiveness and performance of EMO. There has been a trend in getting suitable

solutions and increasing the convergence of EMO that Decision Makers (DMs) are often

considered during the optimization process (known as the human-in-loop) to check,

analyze the results and give the preference. This is called the Interactive Method.

This paper focuses on analyzing interactive methods in EMO, and based on this

analysis, we provides demonstration on integrating interactive methods within EMO

(such as NSGA-II, MOEA/D).