Targeting Evaluation, Computation and Interaction Costs in Expensive Black-Box Multi-Objective Optimization

Korte beschrijving

In wetenschappelijke en technologische toepassingen moeten keuzes gemaakt worden waarbij meerdere doelen tegelijk belangrijk zijn, zoals prestaties, kosten of veiligheid. Het vinden van de “beste” oplossing is dan niet zo eenvoudig, omdat verbeteren op het ene vlak vaak betekent inleveren op een ander. Dit proefschrift gaat over slimme methoden om zulke complexe afwegingen te maken, vooral wanneer het testen van mogelijke oplossingen veel tijd of geld kost. In plaats van álle mogelijke opties te bekijken, richt dit onderzoek zich op het vinden van alleen de meest interessante oplossingen, bijvoorbeeld die met de beste balans tussen meerdere doelen (“kniepunten”), of die met de voorkeur van een gebruiker of expert. Om dit efficiënt op te lossen, worden technieken gebruikt uit de kunstmatige intelligentie, zoals slimme surrogaatmodelen die snel voorspellingen kunnen doen in plaats van dure berekeningen. Daarnaast wordt onderzocht hoe de computer kan samenwerken met een gebruiker, om stap voor stap beter te begrijpen wat echt belangrijk is. Met deze aanpak kunnen betere beslissingen worden genomen, met minder rekenkracht en minder verspilling van tijd en middelen.