Maximum Dispersion, Maximum Concentration: Enhancing the Quality of MOP Solutions

Resumo Técnico: Máxima Dispersão, Máxima Concentração

Definição do Problema
Problemas de otimização multiobjetivo (MOPs) exigem o equilíbrio de objetivos conflitantes, visando tipicamente aproximar a Fronteira de Pareto (PF) no espaço de objetivos. Embora os algoritmos evolutivos multiobjetivo (MOEAs) tradicionais converjam efetivamente para a PF, eles frequentemente sofrem de uma limitação crítica: as soluções tendem a se agrupar em regiões específicas do espaço de decisão. Essa falta de diversidade no espaço de decisão ($\Omega$) cria um viés de implementação, onde os tomadores de decisão são apresentados a um conjunto estreito de opções que podem se tornar inviáveis caso as condições iniciais mudem. Por outro lado, embora existam métodos baseados em preferências para focar o esforço de busca em uma Região de Interesse (ROI) específica no espaço de objetivos para melhorar a convergência, eles raramente abordam a necessidade simultânea de máxima dispersão no espaço de decisão. O artigo identifica uma lacuna na literatura quanto à otimização simultânea da concentração de soluções no espaço de objetivos e da dispersão no espaço de decisão.

Metodologia: O Algoritmo C-DWU
Os autores propõem o algoritmo C-DWU (Cone-Dominance Weighted Uniformity), uma adaptação da abordagem existente de Uniformidade Ponderada por Dominância (DWU). A metodologia integra as preferências de um tomador de decisão, definidas por um cone de preferência $C$ (caracterizado por um vetor de eixo $v$ e um ângulo de abertura $\theta$), no processo evolutivo através de duas modificações específicas:

1. Ordenação Não Dominada Penalizada: Durante a fase de ordenação, as soluções localizadas fora do cone de preferência $C$ são penalizadas. A penalidade é proporcional à distância angular ($\phi$) entre o vetor de objetivos da solução e o eixo do cone $v$. Isso é calculado usando uma função de penalização $P_{\alpha,\theta}(\phi) = \lfloor e^{\alpha(\phi-\theta)} \rfloor$, que aumenta o nível da frente de não-dominação das soluções externas, efetivamente empurrando a busca em direção à ROI.
2. Heurística de Seleção Modificada (C-wd): A heurística de seleção DWU padrão, que maximiza a uniformidade no espaço de decisão, é modificada para incorporar o cone de preferência. Uma nova função, C-wd, aplica um termo de penalidade $P_{\beta,\theta}(\phi)$ ao cálculo da uniformidade ponderada pela dominância para soluções fora do cone. Isso garante que, enquanto o algoritmo busca maximizar a distância entre as soluções no espaço de decisão (dispersão), ele priorize aquelas que também satisfazem as restrições de concentração dentro da ROI no espaço de objetivos.

O algoritmo visa encontrar um subconjunto de soluções que sejam Pareto-ótimas, concentradas dentro da ROI definida no espaço de objetivos e maximamente dispersas no espaço de decisão.

Configuração Experimental e Resultados
Os autores avaliaram o C-DWU contra uma versão modificada do NSGA-II (denotada como C-NSGAII), que aplica a mesma penalização por cone ao NSGA-II padrão, mas carece do mecanismo de dispersão no espaço de decisão. Experimentos foram conduzidos em problemas de otimização com restrições bi-objetivo utilizando os conjuntos de teste WFG4, WFG9 (multimodal) e DTLZ2 (unimodal) com dimensões de espaço de decisão de 5, 7 e 9.

• Convergência (Espaço de Objetivos): Medida pela Distância Geracional Invertida (IGD) relativa à ROI. Os resultados indicam que o C-NSGAII alcançou uma convergência ligeiramente melhor (valores de IGD mais baixos) na maioria das instâncias.
• Dispersão (Espaço de Decisão): Medida por uma métrica de uniformidade baseada na distância mínima entre soluções. O C-DWU superou significativamente o C-NSGAII, alcançando valores de uniformidade muito mais altos.
• Visualização: A visualização de alta dimensão (usando CAP-VIZ) do problema WFG4 revelou que as soluções do C-NSGAII se agruparam fortemente em um único setor do espaço de decisão (próximo ao eixo $e_9$), enquanto as soluções do C-DWU distribuíram-se por múltiplos setores (7, 8 e 9) com maior variabilidade tanto na distância angular quanto na norma euclidiana.

Principais Contribuições

• Otimização de Objetivos Duplos: O artigo introduz um framework que simultaneamente maximiza a concentração de soluções em uma ROI específica do espaço de objetivos e maximiza a dispersão de soluções no espaço de decisão.
• Adaptação Algorítmica: O desenvolvimento do C-DWU, que modifica o algoritmo DWU para aceitar restrições de cone de preferência sem sacrificar a diversidade no espaço de decisão.
• Mitigação de Viés: A abordagem aborda o problema de soluções "polarizadas" no espaço de decisão, oferecendo aos tomadores de decisão um conjunto diverso de opções de implementação que são todas ótimas dentro de uma região preferencial do espaço de objetivos.

Significância e Alegações
Os autores alegam que o método proposto melhora a qualidade das soluções de MOP ao equilibrar diversidade e precisão. Eles argumentam que, embora o algoritmo C-DWU possa exibir uma redução marginal nas taxas de convergência em comparação ao C-NSGAII, esse compromisso é justificado pelo ganho substancial na diversidade de soluções. A principal significância reside em fornecer aos tomadores de decisão um conjunto robusto de opções; soluções diversas no espaço de decisão permitem flexibilidade caso ocorram mudanças imprevistas no cenário real, evitando a necessidade de re-otimização custosa. O artigo conclui que definir uma ROI via cone de preferência é um método eficaz e facilmente ajustável para integrar as preferências do tomador de decisão em algoritmos evolutivos, preservando a representatividade do conjunto de soluções.