Gợi ý thời gian tương tác cho thuật toán tiến hóa đa mục tiêu
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE9.2025.72-82Từ khóa:
Tối ưu đa mục tiêu tiến hóa tương tác; DMEA-II; NSGA-II; MOEA/D.Tóm tắt
Tối ưu hóa đa mục tiêu ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực thực tiễn. Các thuật toán tiến hóa được sử dụng phổ biến nhờ khả năng xấp xỉ tập nghiệm đánh đổi đa dạng chỉ trong một lần chạy. Tuy nhiên, kết quả của các thuật toán này là một tập nghiệm Pareto, và việc lựa chọn nghiệm phù hợp nhất phụ thuộc nhiều vào người ra quyết định (DM). Trong tối ưu hóa tiến hóa đa mục tiêu có tương tác, phản hồi của DM còn có khả năng ảnh hưởng đến quá trình tìm kiếm, điều hướng quần thể tiến gần hơn đến những vùng ưu tiên mà không cần áp đặt ràng buộc cứng. Tuy vậy, việc đưa thông tin ưu tiên của người dùng vào quá trình tiến hóa cần được thực hiện thận trọng. Các thuật toán tiến hóa đa mục tiêu phụ thuộc vào việc duy trì sự cân bằng tinh tế giữa hội tụ và đa dạng, cũng như giữa khả năng thăm dò và khai thác. Nếu tương tác diễn ra không đúng thời điểm, sự cân bằng này có thể bị phá vỡ, dẫn đến suy giảm đa dạng hoặc hội tụ sớm. Bài báo này đề xuất một cơ chế gợi ý thời điểm tương tác, nhằm xác định khi nào việc tương tác của DM là hiệu quả nhất. Phương pháp phân tích động lực quần thể và các chỉ số chất lượng để xác định thời điểm phù hợp cho việc tiếp nhận phản hồi, đảm bảo rằng tương tác góp phần hỗ trợ thay vì làm mất ổn định quá trình tiến hóa. Kết quả thực nghiệm trên các thuật toán tối ưu hóa tiến hóa đa mục tiêu có tương tác cho thấy cơ chế đề xuất giúp cải thiện hiệu quả tương tác đồng thời vẫn duy trì được hiệu năng tối ưu hóa cạnh tranh.
Tài liệu tham khảo
[1]. Denis E. C. Vargas, Afonso C. C. Lemonge, Helio J. C. Barbosa and Heder S. Bernardino, “An interactive reference-point-based method for incorporating user preferences in multi-objective structural optimization problems”, Applied Soft Computing, vol. 165, p. 112106, (2024).
[2]. Cheng Gong, Yang Nan, Tianye Shu, Lie Meng Pang, Hisao Ishibuchi and Qingfu Zhang, “Interactive final solution selection in multi-objective optimization”, Proceedings of the IEEE Congress on Evolutionary Computation (CEC), pp. 1–9, (2024).
[3]. Arash Heidari, Sebastian Rojas Gonzalez, Tom Dhaene and Ivo Couckuyt, “Lower confidence bound for preference selection in interactive multi-objective optimization”, Proceedings of the Genetic and Evolutionary Computation Conference Companion, pp. 339–342, (2024).
[4]. Babooshka Shavazipour, Jan H. Kwakkel and Kaisa Miettinen, “Let decision-makers direct the search for robust solutions: An interactive framework for multiobjective robust optimization under deep uncertainty”, SSRN Working Paper, no. 4782234, (2024).
[5]. Bianchi Dy, Nazim Ibrahim, Ate Poorthuis and Sam Joyce, “Improving visualization design for effective multi-objective decision making”, IEEE Transactions on Visualization and Computer Graphics, vol. 28, no. 10, pp. 3405–3416, (2022).
[6]. Yuxin Ma, Zherui Zhang, Ran Cheng, Yaochu Jin and Kay Chen Tan, “ParetoLens: A visual analytics framework for exploring solution sets of multi-objective evolutionary algorithms”, IEEE Computational Intelligence Magazine, vol. 20, no. 1, pp. 78–94, (2025).
[7]. Hui Hou, Ziyin He, Muchao Xiang, Yanchao Lu, Jie Yang, Liang Huang and Changjun Xie, “Interval multi-objective optimization for low-carbon building energy management system upon deep reinforcement learning”, IEEE Transactions on Industry Applications, pp. 1–10, (2025).
[8]. Yating Wang, Zijun Wang and Hui Wang, “A human–machine integrated optimization method for long walkway space”, Journal of Asian Architecture and Building Engineering, pp. 1–24, (2025).
[9]. Ashfaque Ahmed Bhatti, Wei Liu, Mingze Li, Qingan Ma, Qian Xu, Jun Dai and Xiaodong Zhang, “Optimization of train grounding system in dual traction power supply system”, IEEE Transactions on Transportation Electrification, (2025).
[10]. Alia Youssef Gebreel, “An adaptive interactive multi-objective optimization approach based on decision neural network”, International Journal of Scientific & Engineering Research, vol. 7, no. 8, pp. 1178–1185, (2016).
[11]. Shubham Agrawal, Yogesh Dashora, Manoj Kumar Tiwari and Young Jun Son, “Interactive particle swarm: A Pareto-adaptive metaheuristic for multiobjective optimization”, IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, vol. 38, no. 2, pp. 258–277, (2008).
[12]. David A. Van Veldhuizen, “Multiobjective evolutionary algorithms: Classifications, analyses, and new innovations”, PhD Dissertation, Air Force Institute of Technology, (1999).
[13]. Qingfu Zhang and Hui Li, “MOEA/D: A multiobjective evolutionary algorithm based on decomposition”, IEEE Transactions on Evolutionary Computation, vol. 11, pp. 712–731, (2008).
[14]. Long Nguyen, Lam Thu Bui and Hussein A. Abbass, “DMEA-II: The direction-based multi-objective evolutionary algorithm-II”, Soft Computing, vol. 18, no. 11, pp. 2119–2134, (2014).
[15]. Eckart Zitzler, Lothar Thiele and Kalyanmoy Deb, “Comparison of multiobjective evolutionary algorithms: Empirical results”, Evolutionary Computation, vol. 8, no. 1, pp. 173–195, (2000).
[16]. Long Nguyen and Lam Thu Bui, “A ray-based interactive method for direction-based multi-objective evolutionary algorithm”, Knowledge and Systems Engineering, pp. 173–184, (2014).
[17]. Long Nguyen and Lam Thu Bui, “A multi-point interactive method for multi-objective evolutionary algorithms”, Proceedings of the Fourth International Conference on Knowledge and Systems Engineering (KSE), pp. 107–112, (2012).
