论文阅读：Interactive Multiobjective Optimization from a Learning Perspective

Interactive Multiobjective Optimization from a Learning Perspective

作者：Valerie Belton、Jürgen Branke、Petri Eskelinen

书名：Multiobjective Optimization: Interactive and Evolutionary Approaches、2008

DOI：10.1007/978-3-540-88908-3_15

ISBN：978-3-540-88908-3

内容简介

学习与交互式多目标优化(Interactive Multiobjective Optimization，IMO)有着内在的联系，因此，从学习的角度对多目标优化进行系统的分析是值得的。在介绍IMO内部学习的性质和兴趣之后，我们考虑了学习的两个互补方面：

1. 个人学习，即决策者可以学习的东西；
2. 模型或机器学习，即模型可以在IMO 程序过程中学习的东西。

最后，我们讨论了如何通过实验研究学习，以了解如何更好地支持决策者。还考虑了涉及人类决策者或虚拟决策者的实验。

内容摘录

从这个角度来看，IMO进程的本质需要回答几个问题：

1. 个人学习的特征是什么？
2. 如何支持个人学习？
3. 不同的模型如何了解 dm 的偏好？
4. 个体学习和模型学习之间有什么关系？

我们试图回答这些问题，以便评估将互动程序纳入进化过程的潜在好处，同时考虑到行为和技术两个方面。在我们的调查中，我们试图考虑过去和现在在这个领域的研究，但是，我们意识到提出的分析没有达到这个主题的重要性和潜在利益值得的深度。这个主题值得再写一本书。我们在这一章的谦虚的目的是指出有趣的问题，并提出一些初步的结论支持选择性的文献回顾。我们希望鼓励今后在这方面进行研究，并建议在制定和实施IMO程序时特别注意学习方面的问题。

模型学习是一个概念，它强调了通过外部世界的传感器所观察的事实来演化模型。与其说是演化，不如说是适应新环境。模型通常被实现为机器上的一个计算机程序，因此机器学习经常被用来代替模型学习。因此，机器或者模型学习被广泛定义为计算机程序通过从数据或者例子中学习来提高它在一个确定的任务中的表现的能力。

对于IMO来说，模型学习的输入信息反映了主观因素，如个人的偏好(解的分类、排序、成对比较、参考点、权衡)。模型学习的输出或多或少是提供偏好信息的决策者的显性偏好模型，可以用来指导寻找“首选”的解决方案，并在新的输入信息进行更新发展。

模型学习和个体学习是紧密相关的，因为模型从 dm 的反应中学习，dm 从模型提供的解释中学习。

主观性权衡、参考点、参考解的部分或完整的前序、Pareto最优集中代表性的解。

一般性框架

1. 决策者的偏好是如何表达的：一组解的成对比较或分类、制定参考点、边界、权衡
2. 推理机的性质：序数回归、规则归纳机制、人工神经网络、进化算法
3. 所采用的偏好模型：价值函数、规模化函数、优于关系、决策规则
4. 推理和优化工具的输出：新的备选方案、解决方案的排序或分类，决策规则、关联规则

阅读心得总结

对IMO中有关学习的方面进行了较为全面的分析，分析了决策者与算法之间的联系，比较偏理论化。