Comparing Scalar Objective Functions for Multi-Criteria Engineering Optimization

Résumé Technique : Comparaison des fonctions d'objectif scalaires pour l'optimisation technique multi-critères

Énoncé du problème
Dans l'optimisation technique multi-critères, les problèmes impliquent souvent des critères concurrents (ex. : masse, traînée, coût) qui aboutissent à un front de Pareto de solutions non dominées. Bien que la génération de ce front soit précieuse, les décisions d'ingénierie pratique nécessitent souvent la sélection d'une solution préférée unique. Cela nécessite une fonction d'objectif scalaire pour réduire le problème multidimensionnel en une déclaration de préférence unique. Or, le choix de la méthode de scalarisation influence considérablement la solution de compromis qui sera sélectionnée, la manière dont les paramètres de préférence sont interprétés, et si des régions spécifiques du front de Pareto (particulièrement les régions non supportées sur des fronts non convexes) sont accessibles. La difficulté d'interpréter les poids et les limitations structurelles des méthodes linéaires sur les fronts non convexes motivent une analyse comparative de formulations alternatives.

Méthodologie
L'article emploie une approche diagnostique contrôlée pour isoler les effets des formulations de fonctions d'objectif scalaires du comportement de l'optimiseur numérique, des erreurs de discrétisation et du bruit de simulation. L'étude utilise deux fronts de Pareto bi-critères définis analytiquement :

1. Front Convexe : Défini par une fonction rationnelle spécifique, représentant un scénario où la scalarisation linéaire peut théoriquement atteindre tous les points.
2. Front Concave : Défini par une fonction quadratique, représentant un scénario où les points intérieurs ne sont pas supportés par la scalarisation linéaire.

Quatre formulations de scalarisation sont comparées sous des conditions de minimisation normalisées ($c_i \in [0, 1]$) :

1. Somme Pondérée (WS) : Une combinaison linéaire $f_{WS} = w c_1 + (1-w)c_2$.
2. Fonction de Scalarisation par Atteinte (ASF) : Une formulation de Tchebycheff pondérée avec un terme augmenté pour gérer les égalités, mesurant l'écart pondéré maximal par rapport à un point idéal.
3. Fonctions de Désirabilité (Des) : Un processus en deux étapes cartographiant les critères vers des valeurs de désirabilité individuelles via des fonctions non linéaires (paraboliques, $s=2$), agrégées via une moyenne géométrique pondérée.
4. Formulation basée sur la Logique Floue (Fuzzy) : Cartographie les critères vers des valeurs d'appartenance graduées (désirable, tolérable, indésirable) et les agrège en utilisant des bases de règles explicites. L'étude évalue quatre ensembles de règles spécifiques (F1–F4) allant de l'exclusion globale aux mécanismes d'attraction de référence.

Les paramètres de préférence « natifs » de chaque méthode ($w$ pour WS/ASF, $\alpha$ pour Des, $\lambda$ pour Fuzzy) sont balayés uniformément de 0,01 à 0,99. Pour chaque valeur de paramètre, le point optimal sur le front de Pareto est identifié. L'analyse se concentre sur :

• Accessibilité (Reachability) : Quelles régions du front de Pareto peuvent être sélectionnées ?
• Densité de Sélection : Comment les valeurs de paramètres sont-elles distribuées sur le front (c'est-à-dire si un petit changement de paramètre provoque un grand saut de solution, ou vice versa) ?
• Sensibilité : Comment la solution sélectionnée se déplace-t-elle lorsque le paramètre de préférence varie ?
• Interprétabilité : Comment les paramètres sont-ils cartographiés vers les préférences d'ingénierie ?

Principales Contributions

• Comparaison Diagnostique : Une comparaison systématique de quatre méthodes de scalarisation distinctes utilisant des cas de test définis analytiquement pour séparer le comportement de la formulation des artefacts numériques.
• Distinction des Propriétés : La démonstration que l'« accessibilité » (la capacité à sélectionner une région) et la « densité de sélection induite par le paramètre » (comment une méthode explore uniformément cette région) sont des propriétés distinctes. Une méthode peut atteindre une région mais y assigner très peu de valeurs de paramètres, ou inversement.
• Analyse de la Base de Règles Floues : Une investigation montrant que les formulations floues ne peuvent être caractérisées par les seules fonctions d'appartenance ; la base de règles explicite (conséquents et interactions) modifie fondamentalement la cartographie des préférences.
• Comportement des Fronts Non-Convexes : Une analyse détaillée de la manière dont différentes méthodes gèrent les régions non supportées sur des fronts concaves, soulignant les limitations structurelles des sommes pondérées par rapport aux capacités de l'ASF, de la désirabilité et des méthodes floues.

Résultats

• Somme Pondérée : Simple et lisse mais structurellement limitée. Sur le front concave, elle s'effondre vers des solutions de points extrêmes, échouant à atteindre les régions intérieures non supportées. Sur le front convexe, elle présente une densité de sélection plus élevée près des points extrêmes plutôt qu'une distribution uniforme.
• Fonction de Scalarisation par Atteinte (ASF) : Capable d'atteindre les régions non supportées sur le front concave. Cependant, sa densité de sélection n'est pas uniforme ; elle montre une légère concentration vers des valeurs plus grandes de $c_1$ sur le front concave et une faible concentration près du compromis équilibré sur le front convexe.
• Fonctions de Désirabilité : Peuvent atteindre les régions intérieures sur le front concave. Le mécanisme d'agrégation géométrique pénalise fortement les compromis extrêmes (où la désirabilité individuelle devient nulle), conduisant à une concentration des points sélectionnés autour du compromis équilibré sur les deux fronts.
• Logique Floue :
  • Dépendance aux Règles : Le comportement est hautement sensible à la base de règles.
    • F1 (Exclusion) & F4 (Exclusion + Attraction) : Se comportent de manière similaire, s'effondrant vers une zone équilibrée étroite sur les deux fronts, dominée par la règle d'exclusion.
    • F2 (Référence Faible) : Produit une distribution large sur le front convexe mais s'effondre vers un point extrême sur le front concave, montrant qu'un prémisse dépendant de la référence ne garantit pas à lui seul un comportement de suivi de référence.
    • F3 (Attracteur de Référence) : Sur le front concave, cette base de règles distribue les points sélectionnés de manière presque uniforme sur le front, sélectionnant avec succès les régions non supportées. Sur le front convexe, elle reste centrée autour du compromis équilibré.
  • Sensibilité : La sensibilité de la formulation floue à son paramètre ($\lambda$) dépend de l'ensemble de règles. F3 présente une dépendance approximativement linéaire sur le front concave, tandis que F1 et F4 montrent une faible sensibilité en raison de la dominance des règles.

Signification et Revendications
L'article affirme que la scalarisation n'est pas une étape de post-traitement numérique neutre mais impose une structure de préférence spécifique sur le front de Pareto. Le choix de la formulation doit s'aligner sur la logique de décision prévue (ex. : compensation linéaire vs. exclusion par règles).

• Accessibilité vs Densité : Une conclusion centrale est que l'accessibilité seule est insuffisante pour caractériser une scalarisation. La cartographie des paramètres de préférence vers les régions de Pareto est tout aussi critique ; une méthode peut atteindre une région mais y assigner une faible densité de sélection, ce qui la rend difficile à trouver via l'ajustement des paramètres.
• Nuance de la Logique Floue : L'étude souligne que les formulations floues offrent un cadre flexible pour exprimer les préférences d'ingénierie via des règles, mais cela nécessite une conception minutieuse. La base de règles, et non seulement les fonctions d'appartenance, dicte si un point de référence agit comme un classificateur faible ou un attracteur fort.
• Portée Modeste : Les auteurs notent que bien que les problèmes d'ingénierie pratique impliquent plus de critères et de contraintes, le cadre analytique sert de diagnostic nécessaire pour comprendre les hypothèses fondamentales et les conséquences de ces formulations. L'article ne prétend pas qu'une méthode est universellement supérieure, mais met en évidence les compromis spécifiques en termes d'accessibilité, d'interprétation des paramètres et de densité de sélection inhérents à chaque approche.