💻 computer science

Optimization under uncertainty: understanding orders and testing programs with specifications

Dit artikel toont aan hoe functioneel programmeren kan worden ingezet om robuuste methoden voor optimalisatie onder onzekerheid te specificeren en te testen, waarbij zowel waarde- als functoriële onzekerheid worden geanalyseerd door middel van geschikte orde-relaties en generalisaties van minimalisatie.

Oorspronkelijke auteurs: Patrik Jansson, Nicola Botta, Tim Richter

Gepubliceerd 2026-03-17

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Patrik Jansson, Nicola Botta, Tim Richter

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Optimaliseren onder onzekerheid: Een reis door de mist van beslissingen

Stel je voor dat je een reisplanner bent. Je wilt de beste route kiezen van punt A naar punt B. In een perfecte wereld is dit makkelijk: je kijkt naar de afstand, de tijd en de benzinekosten, en kiest de kortste weg. Dit is wat wiskundigen "optimale oplossing" noemen.

Maar in het echte leven is de wereld niet perfect. Soms weten we niet precies hoe lang een rit duurt (verkeersdrukte, regen), en soms moeten we kiezen tussen twee dingen die niet met elkaar te vergelijken zijn (bijvoorbeeld: "wil je 10 minuten sneller zijn, maar dan moet je 5 euro meer betalen?").

Dit artikel van Patrik Jansson, Nicola Botta en Tim Richter gaat over hoe we computers kunnen leren om de beste beslissingen te nemen in een wereld vol onzekerheid en tegenstrijdige doelen. Ze gebruiken een speciale programmeertaal (Haskell) om dit niet alleen te berekenen, maar ook om te bewijzen dat hun methoden eerlijk en correct zijn.

Hier is de uitleg in drie simpele delen:

1. Het probleem: De "Perfecte" vs. de "Reële" Wereld

In de oude, simpele wereld (de "totale orde") is alles vergelijkbaar. Als je twee auto's vergelijkt, is de ene altijd goedkoper of sneller dan de andere. Je kunt ze op een lijn zetten en de beste kiezen.

Maar in de echte wereld (bijvoorbeeld klimaatbeleid of engineering) is dat niet zo.

Voorbeeld: Stel je wilt de aarde redden. Je hebt twee doelen:
1. De economie moet groeien (geld).
2. Het klimaat moet veilig blijven (milieu).
  Je kunt niet zeggen dat "meer geld" altijd beter is dan "veilig klimaat". Soms moet je een compromis sluiten. Dit heet Meervoudige Doeloptimalisatie. Je zoekt niet naar één beste antwoord, maar naar een lijst van "beste compromissen" (de zogenaamde Pareto-optimale oplossingen). Het zijn de opties waarbij je niet kunt verbeteren op het ene punt zonder het andere punt te verslechteren.

2. De twee soorten "Mist" (Onzekerheid)

De auteurs zeggen dat er twee soorten onzekerheid zijn die onze beslissingen verwarren. Ze noemen ze "Waarde-onzekerheid" en "Functoriële onzekerheid". Laten we dit vertalen naar alledaagse metaforen:

A. Waarde-onzekerheid (De "Meerdere Doelen" Mist)

Dit is het probleem van de tegenstrijdige doelen die we hierboven noemden. Het is alsof je een auto koopt en je moet kiezen tussen:

Auto A: Zeer snel, maar heel duur.
Auto B: Langzaam, maar heel goedkoop.
Auto C: Gemiddeld in beide.
Er is geen "winnaar". Er is alleen een lijst van opties die je niet kunt weglaten omdat ze allemaal hun eigen voordeel hebben. De auteurs laten zien hoe je deze lijst van "beste compromissen" automatisch kunt vinden en testen.

B. Functoriële Onzekerheid (De "Gok" Mist)

Dit is nog lastiger. Hier weten we niet eens zeker wat het resultaat van een beslissing zal zijn.

Voorbeeld: Je besluit een nieuwe windmolen te bouwen. Je weet niet precies hoeveel stroom die gaat opwekken, omdat de wind onvoorspelbaar is.
- Soms waait het hard (veel stroom).
- Soms waait het niet (geen stroom).
- Soms is de wind gemiddeld.
  De uitkomst is geen enkel getal, maar een pakketje met mogelijke uitkomsten (een kansverdeling).

In de wiskunde noemen ze dit een "functor". Stel je dit pakketje voor als een doos met loterijtickets. Je kiest een beslissing (een doos), maar je weet pas na het openen welke prijs je wint.

De vraag: Hoe vergelijk je twee dozen? Is doos A beter dan doos B?
- Als elk ticket in doos A meer waard is dan elk ticket in doos B, dan is A duidelijk beter.
- Maar als doos A een kans heeft op een jackpot (maar ook op niks) en doos B altijd een klein bedrag geeft, wat kies je dan?

3. De Oplossing: De "Rekenregel" (Maatfunctie)

Om deze dozen met loterijtickets te vergelijken, gebruiken mensen vaak een simpele regel: "Neem het gemiddelde." (De verwachte waarde).

Voorbeeld: Als doos A gemiddeld €10 oplevert en doos B gemiddeld €5, kies je A.

Maar hier zit de valkuil!
Stel je bent een risk-averse persoon (je bent bang voor het slechtste scenario). Dan wil je misschien niet het gemiddelde, maar de garantie.

Doos A: 50% kans op €100, 50% kans op €0. (Gemiddelde: €50).
Doos B: 100% kans op €40. (Gemiddelde: €40).
Als je het gemiddelde gebruikt, kies je A. Maar als je bang bent voor het nultje, kies je B.

De auteurs tonen aan dat je niet zomaar een willekeurige rekenregel mag gebruiken. Je moet een regel kiezen die logisch is. Ze noemen dit een monotonie-voorwaarde.

De regel: Als je een doos hebt die in alle mogelijke scenario's beter is dan een andere doos, dan moet je rekenregel dat ook laten zien.
Als je een regel kiest die dat niet doet (bijvoorbeeld een regel die alleen naar de breedte van de doos kijkt en niet naar de inhoud), dan krijg je gekke, onlogische resultaten.

Waarom is dit belangrijk? (De "Klimaat" Metafoor)

Stel je voor dat regeringen beslissingen nemen over klimaatbeleid.

Ze moeten kiezen tussen investeringen nu (kosten) en schade in de toekomst (onzeker).
Als ze een verkeerde "rekenregel" gebruiken (bijvoorbeeld alleen kijken naar het gemiddelde en negeren dat er een kleine kans is op een ramp), kunnen ze een beleid kiezen dat er op papier goed uitziet, maar in de praktijk rampzalig is.

De auteurs zeggen: "Laten we niet gokken met willekeurige formules. Laten we eerst precies definiëren wat 'beter' betekent in een onzekere wereld, en dan testen of onze computerprogramma's zich daar echt aan houden."

Samenvatting in één zin

Dit artikel leert ons hoe we computers kunnen programmeren om de beste keuzes te maken wanneer we niet weten wat de toekomst brengt en wanneer we moeten kiezen tussen verschillende, onverenigbare doelen, door eerst duidelijk te maken wat "goed" betekent en dan te testen of de computer dat ook echt begrijpt.

Het is als het bouwen van een kompas dat niet alleen werkt in helder weer, maar ook in de dichte mist van onzekerheid, waarbij je zeker weet dat het je niet naar de afgrond leidt.

Titel: Optimalisatie onder onzekerheid: het begrijpen van ordeningen en het testen van programma's met specificaties

1. Het Probleem

Een fundamenteel probleem in de optimalisatie is het vinden van alle elementen in een eindige verzameling waar een functie $f$ zijn minimum (of maximum) bereikt. In klassieke scenario's is de codomein van $f$ uitgerust met een totale orde, wat het eenvoudig maakt om oplossingen te specificeren en te verifiëren.

In praktijkgebieden zoals klimaatwetenschap, economie en engineering is dit echter zelden het geval. De optimalisatie wordt hier beïnvloed door twee conceptueel verschillende soorten onzekerheid:

Waarde-onzekerheid (Value-based uncertainty): Hierbij kunnen beslissingen niet worden vergeleken op basis van één enkele, totaal geordende doelwaarde. In plaats daarvan zijn er meerdere, vaak onverenigbare doelen (bijv. economische kosten vs. ecologische schade). Dit leidt tot multi-objective optimization (MOO), waarbij de codomein een deeltijds geordende ruimte (partial order) is. Er bestaat geen enkel "beste" resultaat, maar een verzameling van Pareto-optimale oplossingen.
Functoriële onzekerheid (Functorial uncertainty): Hierbij zijn de gevolgen van een beslissing niet exact bekend, maar worden ze gemodelleerd als een verzameling mogelijke uitkomsten (bijv. kansverdelingen, intervallen of lijsten). De functie retourneert dan geen enkele waarde, maar een waarde in een onzekerheidsfunctor $U B$ (waarbij $U$ bijvoorbeeld een lijst, een kansverdeling of een interval is). Het vergelijken van deze complexe structuren vereist nieuwe ordeningsrelaties.

De kernuitdaging is het formuleren van rigoureuze methoden om te bepalen welke ordeningsrelaties in welke context van toepassing zijn, en het garanderen dat de implementaties correct zijn.

2. Methodologie

De auteurs maken gebruik van functionele programmering (specifiek Haskell) om een principieel raamwerk te bouwen voor het specificeren, implementeren en testen van optimalisatie-algoritmen.

Specificatie via Eigenschappen: In plaats van alleen algoritmen te schrijven, definiëren de auteurs formele specificaties als logische eigenschappen (pre- en post-condities). Deze worden getest met QuickCheck (property-based testing) om de correctheid van de implementaties te verifiëren voor willekeurige invoer.
Generalisatie van Min/Argmin:
- Voor waarde-onzekerheid generaliseren ze de standaard min en argmin naar paretoMin en argparetoMin. Hierbij wordt de totale orde vervangen door een dominatie-relatie ( $\prec$ ) op vectoren. Een oplossing is Pareto-optimaal als er geen andere oplossing bestaat die in alle doelen beter is en in ten minste één strikt beter.
- Voor functoriële onzekerheid introduceren ze minu en argminu. Deze functies nemen een maatfunctie ( $\mu$ ) als extra argument die waarden uit de onzekerheidsruimte $U B$ afbeeldt op een totaal geordende verzameling $C$ .
Monotonievoorwaarden: Een cruciaal onderdeel van de methode is het analyseren van de voorwaarden die een maatfunctie $\mu$ $μ$ moet voldoen om een "zorgvuldige" (sound) optimalisatie te garanderen. De auteurs onderscheiden:
- Puntsgewijze monotonie (M1): Als elementen in de structuur toenemen, mag de maat niet afnemen.
- Structurele monotonie (M2): Als structuur $A$ structureel strikt beter is dan $B$ (alle elementen van $A$ zijn kleiner dan alle elementen van $B$ ), dan moet $\mu(A)$ strikt kleiner zijn dan $\mu(B)$ .

3. Belangrijkste Bijdragen

Formele Specificaties voor Onzekerheid: Het artikel biedt een wiskundig onderbouwde definitie van optimalisatie onder zowel multi-objectieve als functoriële onzekerheid, waarbij de rol van ordeningsrelaties expliciet wordt gemaakt.
De Rol van Monotonie: De auteurs bewijzen dat structurele monotonie (M2) de noodzakelijke en voldoende voorwaarde is voor een maatfunctie om een geldige oplossing te garanderen bij functoriële onzekerheid. Ze tonen aan dat populaire maatfuncties zoals "constante waarden" of "lengte van een lijst" (die wel M1 voldoen maar M2 niet) leiden tot onzinnige resultaten die strikt gedomineerde opties selecteren.
Generiek Raamwerk: Ze definiëren een klasse UncertaintyFunctor die functors omvat die beslisbare gelijkheid behouden en een zip-operatie hebben. Dit maakt het mogelijk om optimalisatie-algoritmen generiek toe te passen op verschillende soorten onzekerheid (lijsten, intervallen, kansverdelingen, etc.).
Property-Based Testing: Het artikel demonstreert hoe QuickCheck kan worden gebruikt om de correctheid van complexe optimalisatie-algoritmen te verifiëren, wat een alternatief biedt voor het ontbreken van formele verificatie in veel bestaande numerieke bibliotheken.

4. Resultaten

Multi-Objectieve Optimalisatie: De implementatie van paretoOpt (via een bump-functie) wordt getest op zijn eigenschappen (indifferentie, dominantie). De auteurs tonen aan dat deze aanpak schaalbaar is via divide-and-conquer strategieën en geschikt is voor parallelle verwerking.
Validatie van Maatfuncties: Door middel van uitgebreide tests wordt aangetoond dat:
- Maatfuncties zoals som, gemiddelde, best en worst voldoen aan M2 en dus correct werken voor minu.
- Maatfuncties zoals constante waarden of lengte falen op M2 en leiden tot foutieve optimalisaties (bijv. het selecteren van een onzekerheid die strikt slechter is dan een alternatief).
Toepassing in Klimaatbeleid: In een conceptueel voorbeeld wordt getoond hoe de keuze van een maatfunctie (bijv. "best-case" vs. "worst-case" benadering) de geometrie van de Pareto-front drastisch verandert. Dit illustreert dat verschillende risicohoudingen (risk-aversion) leiden tot verschillende "optimale" beleidsaanbevelingen, zelfs bij dezelfde data.

5. Betekenis en Conclusie

Dit werk is van groot belang voor wetenschapsgebieden waar beslissingen worden genomen onder onzekerheid en met meerdere doelen.

Pedagogische Waarde: Het biedt een gestructureerde manier om studenten en praktijkmensen te leren hoe ze ordeningen moeten begrijpen en toepassen in onzekere contexten.
Betrouwbaarheid: Het benadrukt dat het gebruik van ad-hoc maatfuncties (zoals het simpelweg nemen van het verwachte rendement zonder risicobeperking) tot inconsistente resultaten kan leiden. Het stelt een methodologie voor om maatfuncties te valideren voordat ze worden gebruikt.
Transparantie in Besluitvorming: In het klimaatbeleid kan dit framework helpen om expliciet te maken waarom verschillende stakeholders tot tegenstrijdige conclusies komen (door verschillende risicohoudingen/maatfuncties). Het maakt de onderliggende aannames over onzekerheid zichtbaar en bespreekbaar.

Kortom, het artikel levert een brug tussen functionele programmering, wiskundige optimalisatietheorie en praktische besluitvorming, en biedt een robuust raamwerk voor het ontwikkelen van "verifieerbare" algoritmen voor complexe, onzekere systemen.