Generierung Pareto-optimaler Lösungen für Multi-Objective-Optimierungsprobleme mittels Zielprogrammierung

Die Zielprogrammierung (GP) ist ein bekanntes Entscheidungswerkzeug mit mehreren Kriterien, das von einem Netzwerk von Praktikern und Forschern unterstützt wird, die darauf abzielen, ihre mathematische Grundlage zu entwickeln, um eine Vielzahl von Anwendungen abzudecken. Die Popularität von GP-Modellen resultiert aus ihrer Struktur, die auf einer Zufriedenheitsphilosophie basiert. Diese Philosophie berücksichtigt die Präferenzen des Entscheidungsträgers hinsichtlich der Modellparameter. Daher bietet das GP-Modell dem Entscheidungsträger eine zufriedenstellende Lösung, die den Kompromiss zwischen konkurrierenden Zielen widerspiegelt. Dennoch gibt es keine Garantie für die Effizienz dieser Lösung. Folglich ist diese Studie darauf ausgelegt, die Qualität der Entscheidungsprozesse zu verbessern, indem das Effizienzproblem der GP-Modelllösungen angegangen wird. Der Hauptbeitrag dieses Papiers besteht darin, den mathematischen Rahmen des GP-Modells zu verbessern, damit es eine Menge Pareto-optimaler Lösungen generieren kann, anstatt nur einer Lösung. Dadurch können Stakeholder ein umfassendes Bild des möglichen Lösungsraums erhalten und die Lösung auswählen, die den besten Kompromiss gemäß ihren Präferenzen darstellt. Infolgedessen wird die vorgeschlagene Methodik als generational GP bezeichnet. Darüber hinaus verbessert die Studie die Qualität der GP-Lösungen, indem sie das Konzept des Hypervolumensubset-Auswahlproblems mit der vorgeschlagenen Technik integriert. Dies wiederum überwindet das Effizienzproblem der GP-Lösungen. Die Leistung der vorgeschlagenen Methode wurde anhand einer Anwendung auf das Flow-Shop-Planungsproblem validiert. Unser Modellierungsansatz ist jedoch für Entscheidungsträger in verschiedenen Fachgebieten nützlich. Schließlich werden die Vorteile der generational GP-Methode hervorgehoben, mit einem starken Schwerpunkt auf potenziellen Bereichen für zukünftige Forschung.