Comparing Scalar Objective Functions for Multi-Criteria Engineering Optimization

Technische Zusammenfassung: Vergleich von skalaren Zielfunktionen für die multikriterielle Ingenieursoptimierung

Problemstellung
In der multikriteriellen Ingenieursoptimierung beinhalten Probleme oft konkurrierende Kriterien (z. B. Masse, Widerstand, Kosten), die zu einer Pareto-Front nicht-dominierter Lösungen führen. Während die Generierung dieser Front wertvoll ist, erfordert die praktische ingenieurtechnische Entscheidung häufig die Auswahl eines einzelnen bevorzugten Designs. Dies macht eine skalare Zielfunktion erforderlich, um das mehrdimensionale Problem in eine einzige Präferenzaussage zu kollabieren. Dabei beeinflusst die Wahl der Skalarisierungsmethode signifikant, welcher Kompromiss ausgewählt wird, wie die Präferenzparameter zu interpretieren sind und ob bestimmte Regionen der Pareto-Front (insbesondere nicht-unterstützte Regionen auf nicht-konvexen Fronten) erreichbar sind. Die Schwierigkeit bei der Interpretation von Gewichten und die strukturellen Einschränkungen linearer Methoden auf nicht-konvexen Fronten motivieren eine vergleichende Analyse alternativer Formulierungen.

Methodik
Die Arbeit verwendet einen kontrollierten, diagnostischen Ansatz, um die Effekte der Formulierungen skalare Zielfunktionen von numerischem Optimierungsverhalten, Diskretisierungsfehlern und Simulationsrauschen zu isolieren. Die Studie nutzt zwei analytisch definierte bi-kriterielle Pareto-Fronten:

1. Konvexe Front: Definiert durch eine spezifische rationale Funktion, die ein Szenario darstellt, in dem eine lineare Skalarisierung theoretisch alle Punkte erreichen kann.
2. Konkave Front: Definiert durch eine quadratische Funktion, die ein Szenario darstellt, in dem innere Punkte durch lineare Skalarisierung nicht unterstützt werden.

Vier Skalarisierungsformulierungen werden unter Bedingungen der normierten Minimierung ($c_i \in [0, 1]$) verglichen:

1. Gewichtete Summe (WS): Eine lineare Kombination $f_{WS} = w c_1 + (1-w)c_2$.
2. Achievement Scalarizing Function (ASF): Eine gewichtete Tchebycheff-Formulierung mit einem augmentierten Term zur Handhabung von Gleichgewichtssituationen (Tie-Breaking), welche die maximale gewichtete Abweichung von einem Idealpunkt misst.
3. Desirability Functions (Des): Ein zweistufiger Prozess, der Kriterien über nichtlineare Funktionen (parabolisch, $s=2$) auf individuelle Desirability-Werte abbildet und diese mittels eines gewichteten geometrischen Mittels aggregiert.
4. Fuzzy-Logik-basierte Formulierung (Fuzzy): Bildet Kriterien auf Gradual-Zugehörigkeitswerte (erwünscht, tolerierbar, unerwünscht) ab und aggregiert diese unter Verwendung expliziter Regelbasen. Die Studie evaluiert vier spezifische Regelsätze (F1–F4), die von globaler Exklusion bis hin zu Referenz-Attraktions-Mechanismen reichen.

Die „nativen“ Präferenzparameter für jede Methode ($w$ für WS/ASF, $\alpha$ für Des, $\lambda$ für Fuzzy) werden gleichmäßig von 0,01 bis 0,99 durchlaufen. Für jeden Parameterwert wird der optimale Punkt auf der Pareto-Front identifiziert. Die Analyse konzentriert sich auf:

• Erreichbarkeit (Reachability): Welche Regionen der Pareto-Front können ausgewählt werden?
• Selektionsdichte (Selection Density): Wie sind die Parameterwerte über die Front verteilt (d. h. verursacht eine kleine Änderung des Parameters einen großen Sprung in der Lösung oder umgekehrt)?
• Sensitivität (Sensitivity): Wie verschiebt sich die ausgewählte Lösung, wenn der Präferenzparameter variiert wird?
• Interpretierbarkeit (Interpretability): Wie bilden die Parameter ingenieurtechnische Präferenzen ab?

Wesentliche Beiträge

• Diagnostischer Vergleich: Ein systematischer Vergleich von vier unterschiedlichen Skalarisierungsmethoden unter Verwendung analytisch definierter Testfälle, um das Verhalten der Formulierung von numerischen Artefakten zu trennen.
• Unterscheidung von Eigenschaften: Die Demonstration, dass „Erreichbarkeit“ (die Fähigkeit, eine Region auszuwählen) und „parameterinduzierte Selektionsdichte“ (wie gleichmäßig die Methode diese Region exploriert) distinkte Eigenschaften sind. Eine Methode kann eine Region erreichen, aber nur wenige Parameterwerte ihr zuordnen, oder umgekehrt.
• Fuzzy-Regelbasen-Analyse: Eine Untersuchung, die zeigt, dass Fuzzy-Formulierungen nicht allein durch Zugehörigkeitsfunktionen charakterisiert werden können; die explizite Regelbasis (Konsequenten und Interaktionen) verändert die Präferenzabbildung grundlegend.
• Verhalten nicht-konvexer Fronten: Eine detaillierte Analyse, wie verschiedene Methoden nicht-unterstützte Regionen auf konkaven Fronten handhaben, wobei die strukturellen Einschränkungen gewichteter Summen gegenüber den Fähigkeiten von ASF, Desirability und Fuzzy hervorgehoben werden.

Ergebnisse

• Gewichtete Summe: Einfach und glatt, aber strukturell begrenzt. Auf der konkaven Front kollabiert sie zu Endpunkt-Lösungen und erreicht die inneren nicht-unterstützten Regionen nicht. Auf der konvexen Front zeigt sie eine höhere Selektionsdichte nahe der Endpunkte statt einer Gleichverteilung.
• Achievement Scalarizing Function (ASF): In der Lage, nicht-unterstützte Regionen auf der konkaven Front zu erreichen. Die Selektionsdichte ist jedoch nicht gleichmäßig; sie zeigt eine leichte Konzentration zu größeren Werten von $c_1$ auf der konkaven Front und eine schwache Konzentration nahe dem ausgewogenen Kompromiss auf der konvexen Front.
• Desirability Functions: Können innere Regionen auf der konkaven Front erreichen. Der Mechanismus der geometrischen Aggregation bestraft Endpunkt-Kompromisse (wo die individuelle Desirability Null wird) stark, was zu einer Konzentration der ausgewählten Punkte um den ausgewogenen Kompromiss auf beiden Fronten führt.
• Fuzzy Logic:
  • Abhängigkeit von Regeln: Das Verhalten ist hochgradig sensitiv gegenüber der Regelbasis.
    • F1 (Exklusion) & F4 (Exklusion + Attraktion): Verhalten sich ähnlich, kollabieren zu einer engen, ausgewogenen Region auf beiden Fronten und werden von der Exklusionsregel dominiert.
    • F2 (Schwache Referenz): Erzeugt eine breite Verteilung auf der konvexen Front, kollabiert aber auf der konkaven Front zu einem Endpunkt, was zeigt, dass eine referenzabhängige Prämisse allein keine Referenz-Folge-Garantie bietet.
    • F3 (Referenz-Attraktor): Auf der konkaven Front verteilt dieser Regelsatz die ausgewählten Punkte fast gleichmäßig über die Front und wählt erfolgreich nicht-unterstützte Regionen aus. Auf der konvexen Front bleibt er um den ausgewogenen Kompromiss zentriert.
  • Sensitivität: Die Sensitivität der Fuzzy-Formulierung gegenüber ihrem Parameter ($\lambda$) hängt vom Regelsatz ab. F3 zeigt eine annähernd lineare Abhängigkeit auf der konkaven Front, während F1 und F4 aufgrund der Regel-Dominanz kaum Sensitivität zeigen.

Bedeutung und Ansprüche
Das Paper behauptet, dass Skalarisierung kein neutraler numerischer Post-Processing-Schritt ist, sondern eine spezifische Präferenzstruktur auf die Pareto-Front auferlegt. Die Wahl der Formulierung muss mit der intendierten Entscheidungslogik (z. B. lineare Kompensation vs. regelbasierte Exklusion) übereinstimmen.

• Erreichbarkeit vs. Dichte: Eine zentrale Erkenntnis ist, dass Erreichbarkeit allein nicht ausreicht, um eine Skalarisierung zu charakterisieren. Die Abbildung der Präferenzparameter auf die Pareto-Regionen ist ebenso kritisch; eine Methode kann eine Region erreichen, ihr aber eine geringe Selektionsdichte zuordnen, was es schwierig macht, sie über Parameter-Tuning zu finden.
• Nuancen der Fuzzy-Logik: Die Studie betont, dass Fuzzy-Formulierungen einen flexiblen Rahmen zur Ausdrückung ingenieurtechnischer Präferenzen durch Regeln bieten, dies jedoch eine sorgfältige Gestaltung erfordert. Die Regelbasis, nicht nur die Zugehörigkeitsfunktionen, entscheidet darüber, ob eine Referenz als schwacher Klassifikator oder als starker Attraktor fungiert.
• Moderer Umfang: Die Autoren merken an, dass reale Ingenieursprobleme komplexere Kriterien und Randbedingungen beinhalten, der analytische Rahmen jedoch als notwendiges Diagnoseinstrument dient, um die grundlegenden Annahmen und Konsequenzen dieser Formulierungen zu verstehen. Das Paper beansprucht nicht, dass eine Methode universell überlegen ist, sondern hebt die spezifischen Trade-offs hervor, die in Bezug auf Erreichbarkeit, Parameterinterpretation und Selektionsdichte jeweils inhärent sind.