10.14489/vkit.2022.04.pp.003-011

DOI: 10.14489/vkit.2022.04.pp.003-011

Казаков П. В.
АВТОМАТИЗАЦИЯ ВЫБОРА РЕШЕНИЙ С ИСПОЛЬЗОВАНИЕМ ПРЕЦЕДЕНТОВ НА ОСНОВЕ АЛЬТЕРНАТИВ ИЗ МНОЖЕСТВА ПАРЕТО
(с. 3-11)

Аннотация. Рассматривается подход к автоматизации сокращения множества Парето и выбора решений с использованием прецедентов. Они формируются на основе найденной дискретной аппроксимации множества Парето в задаче многокритериальной оптимизации. Приводятся методы создания базы прецедентов, а также их подбора при анализе новых решений. Представлены экспериментальные результаты оценки эффективности данных методов.

Ключевые слова: многокритериальная оптимизация; множество Парето; системы принятия решений на основе прецедентов.

Kazakov P. V.
AUTOMATION CHOICE OF THE SOLUTIONS WITH PRECEDENTS USING BASED ON THE ALTERNATIVES FROM PARETO SET
(pp. 3-11)

Abstract. The paper introduces the approach to automation of Pareto set reduction and solutions selection using precedents. In multi-objective optimization process the problem to select Pareto-optimal solutions emerges very frequently. Such a choice is possible not based only on the expert’s preference scheme but with precedents using. They reflect the accumulated experience in decision making on the similar problems solving. The generating of these precedents based on the alternatives from Pareto set is suggested. The procedures for automation of the precedents base creating and precedents matching for new solutions analysis are offered also. In this approach the precedent is an aggregate of some obtained Pareto-optimal solution and their fitness rating for expert. Such fitness value may be assigned directly by him or determined by results of clusterization, so that the solutions from same cluster have been got the equal fitness values. Further the fitness value estimate of new solution of multi-objective optimization problem may be performed with machine learning methods using such as decision trees, artificial neural network without calling expert. The series of experiments for accuracy testing on fitness assessment of new solutions were conducted for a multi-objective optimization test problem. The high accuracy was achieved for a compact base of the precedents with a decision trees method using and neural networks using for relatively large base of the precedents were more effectively.

Keywords: Multi-objective optimization; Pareto set; Decision making systems based on the precedents.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

П. В. Казаков (Брянский государственный технический университет, Брянск, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

P. V. Kazakov (Bryansk State Technical University, Bryansk, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Соболь И. М., Статников Р. Б. Выбор оптимальных параметров в задачах со многими критериями. 2-е изд., перераб. и доп. М.: Дрофа, 2006. 175 с.
2. Казаков П. В. Генетические алгоритмы многокритериальной оптимизации. Обзор // Информационные технологии. 2011. № 10. С. 2 – 8.
3. Варшавский П. Р., Еремеев А. П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений // Искусственный интеллект и принятие решений. 2009. № 2. С. 45 – 57.
4. Вагин В. Н., Головина Е. Ю., Загорянская А. А., Фомина М. В. Достоверный и правдоподобный вывод в интеллектуальных системах. 2-е изд.; под ред. В. Н. Вагина, Д. А. Поспелова. М.: ФИЗМАТЛИТ, 2008. 704 с.
5. Барсегян А. А., Куприянов М. С., Степаенко В. В., Холод И. И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. 2-е изд., перераб. и доп. СПб.: БХВ-Петербург, 2007. 384 с.
6. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm // Proc. of the EUROGEN 2001. Evolutionary Methods for Design, Optimization and Control with Applications to Industrial Problems. 2002. P. 95 – 100.
7. Калан Р. Основные концепции нейронных сетей: [пер. с англ.]. М.: Издательский дом «Вильямс», 2001. 288 с.
8. Deb K., Thiele L., Laumanns M., Zitzler E. Scalable Multi-Objective Optimization Test Problems // Proc. of the 2002 Congress on Evolutionary Computation (CEC’2002). 2002. V. 1. P. 825 – 830.
9. Deb K., Pratap A., Agarwal S., Meyarivan T. A Fast and Elitist Multiobjective Genetic Algorithm: NSGA–II // IEEE Transactions on Evolutionary Computation. V. 6, No. 2. 2002. P. 182 – 197.
10. Deductor: Описание платформы: Deductor – продвинутая аналитика без программирования | BaseGroup Labs [Электронный ресурс]. URL: https://basegroup.ru/deductor/description.

Eng

1. Sobol' I. M., Statnikov R. B. (2006). Choice of optimal parameters in problems with many criteria. 2nd ed. Moscow: Drofa. [in Russian language]
2. Kazakov P. V. (2011). Genetic algorithms for multiobjective optimization. Overview. Informatsionnye tekhnologii, (10), pp. 2 – 8. [in Russian language]
3. Varshavskiy P. R., Eremeev A. P. (2009). Case Based Reasoning Modeling in Intelligent Decision Support Systems. Iskusstvenniy intellekt i prinyatie resheniy, (2), pp. 45 – 57. [in Russian language]
4. Pospelov D. A., Vagin V. N. (Eds.), Golovina E. Yu., Zagoryanskaya A. A., Fomina M. V. (2008). Reliable and plausible inference in intelligent systems. 2nd ed. Moscow: FIZMATLIT. [in Russian language]
5. Barsegyan A. A., Kupriyanov M. S., Stepanenko V. V., Holod I. I. (2007). Data analysis technologies: Data Mining, Visual Mining, Text Mining, OLAP. 2nd ed. Saint Petersburg: BHV-Peterburg. [in Russian language]
6. Zitzler E., Laumanns M., Thiele L. (2001). SPEA2: Improving the Strength Pareto Evolutionary Algorithm. Proceedings of the EUROGEN 2001. Evolutionary Methods for Design, Optimization and Control with Applications to Industrial Problems, pp. 95 – 100.
7. Kalan R. (2001). Basic concepts of neural networks. Moscow: Izdatel'skiy dom «Vil'yams». [in Russian language]
8. Deb K., Thiele L., Laumanns M., Zitzler E. (2002). Scalable Multi-Objective Optimization Test Problems. Proceedings of the 2002 Congress on Evolutionary Computation, Vol. 1, pp. 825 – 830.
9. Deb K., Pratap A., Agarwal S., Meyarivan T. (2002). A Fast and Elitist Multiobjective Genetic Algorithm: NSGA–II. IEEE Transactions on Evolutionary Computation, Vol. 6, (2), pp. 182 – 197.
10. Deductor: Platform description: Deductor - advanced analytics without programming. BaseGroup Labs. Avaulable at: https://basegroup.ru/deductor/description [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 500 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2022.04.pp.003-011

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 450 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2022.04.pp.003-011

and fill out the form