Ricercatori hanno presentato il metodo CTD per l'ottimizzazione dei problemi multicriteri

I ricercatori hanno proposto un nuovo approccio Converge-then-Diversify (CTD), che divide il processo di ottimizzazione bayesiana multicriterio (MOBO) in due fasi consecutive. Il metodo consente di trovare efficacemente soluzioni in condizioni di budget computazionale limitato, dove gli algoritmi tradizionali spesso non riescono a gestire contemporaneamente la convergenza e la diversità.

Nella prima fase, CTD si concentra esclusivamente sul raggiungimento della convergenza, dirigendo la ricerca verso un solo punto sul fronte di Pareto. Nella seconda fase, l'algoritmo si concentra sull'assicurare la diversità, distribuendo le soluzioni trovate lungo l'intero fronte. Tale processo a due fasi consente di evitare la dispersione prematura delle risorse quando si lavora con "scatole nere" e funzioni complesse.

L'efficacia del metodo è stata confermata attraverso un test su larga scala, che include 446 confronti a coppie. Secondo i risultati, CTD supera gli analoghi moderni nel 72,9% dei casi, mostrando prestazioni equivalenti nel 21,1% delle situazioni. Il ritardo statistico è stato registrato solo nel 6,1% degli esperimenti.

Il maggior vantaggio di CTD si manifesta quando si lavora con vincoli rigidi sul numero di iterazioni o in problemi con uno spazio parametrico ad alta dimensionalità. Gli autori della ricerca hanno pubblicato lo studio sotto licenza CC BY 4.0, fornendo una descrizione dettagliata dell'apparato matematico e dei risultati dei benchmark.

L'implementazione di questo metodo consente di ottimizzare il lavoro con modelli computazionali costosi, che richiedono un'attenta scelta dei parametri con un numero minimo di esecuzioni. Ciò riduce il tempo di ricerca delle configurazioni ottimali nei problemi ingegneristici e scientifici, dove ogni chiamata alla funzione obiettivo richiede notevoli risorse.