다목적 조합 최적화 문제(MOCOP)에서 고정된 이웃 크기에 의존하는 기존 무작위 지역 탐색이 지역 최적해에 쉽게 빠지는 문제를 해결하기 위해, 탐색 초기에는 넓은 스텝 크기로 탐험하고 점진적으로 세밀한 탐색으로 전환하는 VS-RLS(Variable Stepsize Randomized Local Search)를 제안한다. 다목적 배낭 문제, 외판원 문제(TSP), 이차 할당 문제(QAP), NK-Landscape 등 다양한 MOCOP 벤치마크에서 기존 지역 탐색 및 MOEA 방법들을 능가함을 실험적으로 입증하였다.
도시 자원 배분을 그래프 기반 순차적 의사결정으로 모델링한 CityPlannerEnv 위에 구축된 GraphAllocBench는 사용자 정의 가능한 목적 함수, 다양한 선호도 조건, 복잡한 파레토 프론트(Pareto Front)를 갖춘 다목적 강화학습(MORL)용 벤치마크로, 기존 PCPL 벤치마크의 단순 태스크·고정 환경 한계를 극복한다. 하이퍼볼륨 지표를 보완하는 비지배 해 비율(PNDS)과 순서 점수(OS)를 새로 제안하고, 그래프 신경망(GNN) 기반 PCPL-PPO 실험을 통해 고차원 할당 문제에서 기존 지표로는 드러나지 않는 실패 모드를 규명했다.
아일랜드 낙농 산업은 재생에너지 통합 및 탄소 배출 감소 측면에서 큰 잠재력을 지니고 있다. 그러나 분산 발전 제어 연구는 주로 주거 및 상업 분야에 집중되어 있다. 낙농 분야에서의 효과적인 재생에너지 통합에 기여하기 위해, 본 논문은 차등 진화(differential evolution)와 다중 에이전트 심층 강화학습에 기반한 다목적 최적화 제어 시스템을 제안한다. 제안된 제어 시스템은 두 개의 층으로 구성된다: 상위 층은 동적 가격 책정을 활용하고, 하위 층은 배터리 관리를 위한 다중 에이전트 강화학습에 기반한다. 또한 본 논문은 농촌 배전 회로에서 제안된 제어 시스템의 전기적 응답을 시뮬레이션한다. 시뮬레이션 결과, 제안된 제어 프레임워크는 규칙 기반 모델 대비 에너지 차익거래(energy arbitrage) 수익을 최대 18%까지 향상시키고, 비용을 크게 증가시키지 않으면서 분산 발전 활용도를 높이며, 전압 변동 측면에서 아일랜드 전력망 규정을 준수함을 보인다.
강화학습(RL) 기반 산업 제어에서 성능과 에너지 효율 간의 최적 트레이드오프를 찾기 위해 수동 가중치 조정 대신 다목적 베이즈 최적화(MOBO)로 파레토 프론트 탐색을 자동화하는 프레임워크를 제안한다. Quanser Aero 2 테스트베드에서 qEHVI 획득 함수를 활용한 MOBO가 균일 격자 탐색 대비 적은 평가 예산으로 더 높은 하이퍼볼륨과 다양한 트레이드오프 정책을 달성함을 실험적으로 검증하였다.
오프라인 다목적 최적화(Offline MOO)는 추가적인 환경 상호작용 없이 정적 데이터셋으로부터 파레토 최적 설계를 탐색한다. 기존 생성 기반 방법들은 일반적으로 외부 서로게이트(surrogate) 또는 선호도 모델을 사용해 샘플링을 유도하는데, 이는 학습 복잡성을 높이고 신뢰할 수 없는 가이드를 제공할 수 있다. 우리는 ParetoPilot을 제안한다. 이는 사전학습된 조건부 확산 모델을 이용해 서로게이트 없이 추론 시점에 설계를 파레토 프론트(Pareto front)로 유도하는 플러그 앤 플레이(plug-and-play) 방법이다. ParetoPilot은 역방향 확산 과정 내에 Infer-Perturb-Guide(IPG) 엔진을 도입한다. IPG는 먼저 조건부 예측과 비조건부 예측을 정렬함으로써 배치 내 각 샘플에 대한 개별 조건부 타겟을 추론한다. 이후 배치 전체에 걸쳐 이 타겟들을 집합적으로 교란시켜, 파레토 프론트를 향한 수렴과 샘플 간 다양성 사이의 균형을 맞춘다. 마지막으로, 엔진은 표준 분류기-없는 가이던스(Classifier-Free Guidance, CFG)를 통해 교란된 타겟을 주입함으로써 생성 궤적을 파레토 프론트 방향으로 유도한다. 51개 태스크에 대한 실험에서 ParetoPilot은 16가지 방법 중 최고의 전체 순위를 달성하고, 경쟁력 있는 하이퍼볼륨 개선(hypervolume improvement)을 보인다.
반지도 학습 GAN(SSL-GAN)의 불안정한 학습 문제를 해결하기 위해, 판별자(discriminator) 학습을 지도 손실과 비지도 손실을 별도 목적함수로 분리한 다목적 최적화 문제로 정식화하는 COMOD-SSLGAN을 제안한다. Pareto 지배 기반의 판별자 집단 선택을 통해 분류 정확도와 진짜/가짜 판별 간 다양한 트레이드오프를 유지하며, MNIST 실험에서 SSL-GAN 및 CE-SSL-GAN 대비 향상된 학습 안정성과 분류 정확도를 달성했다.
Two-sided marketplaces connect distinct user groups whose interests often conflict -- improving outcomes on one side could degrade the other side's experience. To address this challenge, we deploy an integrated framework for personalizing free-value thresholds -- a policy governing the scope of complimentary services for job listings -- across a two-sided job marketplace connecting millions of employers and job seekers. Our personalized policy delivers statistically significant and economically sizable lift in the target metric while respecting engagement guardrail constraints. Direct application of standard uplift methods proves insufficient here for two reasons. First, cross-side externalities demand multi-objective optimization: maximizing employer-side metrics risks harming job seeker engagement, with effects varying substantially across job segments. Second, marketplace interference necessitates cluster-level randomization, limiting us to few discrete treatment levels -- effectively a form of positivity violation that rules out methods designed for continuous treatments. We contribute an integrated framework with three components. Our ensemble-based hybrid ranking models target and guardrail metrics separately, cutting guardrail risk by over 10% for equivalent target gains compared to single-objective approaches. A treatment effect extrapolation method extends our estimates from limited experimental variation to untested policy levels, relying on monotonicity assumptions that we validate empirically. Finally, we present production deployment, where post-launch data confirms both extrapolation accuracy and guardrail compliance. Our deployed system demonstrates that principled methodology can enable meaningful personalization even when experiments are severely constrained and different objectives compete -- common conditions that characterize many real-world marketplaces.
심층 학습 문제에서 목적 함수들이 동등한 중요도를 갖는 경우는 드물다. 1차 목적 함수는 목표를 정의하는 반면, 희소성(sparsity), 압축, 견고성과 같은 2차 목적 함수들은 해를 제약한다. 기존의 다목적 최적화 방법들이 실용적으로 효과적임이 입증되었음에도 불구하고, 이러한 방법들은 명확한 대칭성 문제를 지니며 목적 공간에 내재된 목적 함수 계층 구조를 간과한다. 우리는 계층적 목적 함수 구조를 명시적으로 활용하도록 설계된 그래디언트(gradient) 기반 최적화 프레임워크인 우선순위 제약 하강법(PCD, Priority-Constrained Descent)을 제안한다. PCD는 1차 하강 방향을 보존하면서, 2차 목적 함수의 진전을 보장하는 데 필요한 최소한의 왜곡만을 허용하며, 이 왜곡의 강도는 단일 매개변수 $\tau\in [0, 1]$로 제어된다. 이 정식화는 목적 함수의 스케일링에 불변하며, 두 개 및 세 개의 목적 함수를 갖는 문제에 대해 정확한 닫힌 형태의 해를 허용한다. 우리는 구조적 네트워크 압축 설정, 비구조적 희소성 및 저랭크(low-rankness) 환경, 그리고 다양한 합성 실험에서 PCD를 평가하여, 기존 방법들 대비 파레토 우위(Pareto dominance)와 2차 진전 보장을 갖춘 더 나은 목적 함수별 성능을 보이며, $\tau$가 제공하는 해석 가능한 트레이드오프를 추가적으로 입증한다.
다기준 최적화 문제에서 파레토 집합만이 아닌 단일 선호 설계를 도출해야 할 때 스칼라 목적 함수가 필요하다. 스칼라화 방식의 선택은 어떤 타협안이 선택되는지, 선호 매개변수(parameter)가 어떻게 해석되는지, 그리고 비지지 파레토 영역에 도달 가능한지를 결정한다. 본 논문은 정규화된 이기준 최소화를 위한 네 가지 정식화를 비교한다: 가중 합산(weighted sums), 달성 스칼라화 함수(achievement scalarizing functions), 바람직성 함수(desirability functions), 퍼지 논리 기반 정식화. 볼록 및 오목 파레토 전선 각각 하나씩, 해석적으로 정의된 두 파레토 전선을 사용하여 목적 함수 정식화의 효과를 수치 옵티마이저(optimizer) 동작과 분리하여 분석한다. 비교는 도달 가능한 파레토 영역, 매개변수 유도 선택 밀도, 기준 간 보상, 민감도 및 해석 가능성에 초점을 맞춘다. 결과에 따르면 가중 합산은 단순하지만 오목 전선에서 구조적 한계가 있는 반면, 달성, 바람직성, 퍼지 정식화는 서로 다른 메커니즘을 통해 내부 비지지 영역에 도달한다. 바람직성 함수는 비선형 단일 기준 선호 매핑을 도입하는 반면, 퍼지 규칙은 비분리적이고 참조 의존적인 공학적 선호를 표현한다.
밴딧 피드백이 있는 반복 다단위 경매에서 입찰 전략을 학습하는 것은 근본적인 도전 과제입니다. 기존 방법들은 흔히 고정된 탐험-후-활용(explore-then-exploit) 스케줄에 의존하고, 정상적(stationary) 적대자를 가정하며, 입찰자 효용만을 최적화함으로써 적응성과 전략적 견고성을 제한합니다. 이러한 한계를 해결하기 위해, 우리는 온라인 경매 전략 최적화를 위해 적응형 심층 강화학습(DRL), 명시적 적대적 추론, 원칙에 기반한 다목적 보상 설계를 통합한 A3M 프레임워크를 제안합니다. A3M은 탐험과 활용을 동적으로 균형 잡는 액터-크리틱 DRL 백본, 비정상(non-stationary) 적대자에 대한 허구적 플레이(fictitious play)를 위한 상대방 모델, 그리고 효용·경매자 수익·공정성을 공동으로 최대화하기 위한 복합 보상 함수를 활용합니다. 우리는 차별 가격(discriminatory price) 경매와 균일 가격(uniform price) 경매 모두에서 기존 베이스라인 대비 이 통합 접근법에 대한 최초의 종합적 실증 평가를 제공합니다. 결과에 따르면, A3M은 표준 설정에서 최종 후회(regret)를 30--40\% 감소시키고, 적대적 전략 변화에 대해 견고한 성능을 유지하며, 단위 수 $K$에 따라 유리하게 스케일링되고, 조정 가능한 다목적 트레이드오프를 가능하게 합니다. 광범위한 절제 연구(ablation study)를 통해 각 핵심 구성 요소의 필요성이 확인됩니다. 본 연구는 A3M을 복잡한 경매 환경에서의 학습을 위한 강력하고 유연한 프레임워크로 정립합니다.
사전학습 없이 분자를 푸리에 계수 행렬로 표현하고 NSGA-II 기반 진화 연산으로 다목적 최적화를 수행하는 SpectralMol을 제안하며, 저주파 모드가 스캐폴드 수준의 변화를, 고주파 모드가 국소적 하위구조 변이를 담당하는 해석 가능한 구조를 제공한다. ClpP 표적 약물 발견 벤치마크에서 강화학습 기반 모델 대비 더 많은 도킹 히트와 다양한 스캐폴드를 생성하며 경쟁력 있는 물리화학적 특성을 유지하는 것으로 검증되었다.
무한 수평선 평균 보상(average-reward) 강화학습(RL)에서 충돌하는 다중 목표와 안전 제약을 오목 스칼라화(concave scalarization)로 풀 때, 노이즈가 있는 평균 보상·비용 추정으로 인해 policy-gradient와 actor-critic 업데이트에 편향(bias)이 누적되는 문제를 다룬다. MLMC 기반 primal-dual Natural Actor-Critic 알고리즘으로 스칼라화 목표, 제약 평가, actor-critic 추정의 편향을 mixing-time 정보 없이 제어하며, 전역 수렴과 제약 위반률 Õ(1/√T)의 최적 비율을 보인다.
Recommender systems often induce filter bubbles and semantic homogenization by monolithically optimizing for immediate user engagement. Standard single-objective models, including traditional Deep Q-Networks, are ill-equipped to navigate the trade-offs between platform retention and critical societal values like information diversity and provider fairness. To address these limitations, we introduce a multi-objective reinforcement learning framework that formalizes recommendation as a semantic multi-objective Markov decision process. By integrating high-fidelity semantic embeddings with a Pareto-DQN agent, our architecture treats engagement, diversity, and fairness as distinct, non-aggregable reward signals, avoiding the pitfalls of static reward scalarization. Empirical evaluations on the MovieLens small dataset shows that our hypervolume based action selection disrupts the feedback loops responsible for semantic collapse. By sustaining high state-trajectory variance, the Pareto-DQN effectively maps the Pareto frontier, achieving gains in auxiliary societal objectives with only marginal impacts on engagement. This work provides a path toward intrinsically aligned, responsible recommender systems.
그래디언트 기반 선호 최적화의 선호 붕괴(preference collapse) 문제를 다루기 위해, NSGA-II 선택과 아카이브 기반 다양성 보존으로 유용성·무해성·정직성 목표에 걸친 LoRA 어댑터 모집단을 유지하는 다목적 진화 알고리즘 EvoPref를 제안한다. 표준 벤치마크에서 ORPO 대비 선호 커버리지를 18% 개선하고 붕괴율을 47% 낮추면서 RewardBench 정렬 품질은 경쟁력 있게 유지된다.
본 논문은 수리 가능한 k-out-of-n 시스템에서 이두목적 중복 배치 문제에 대한 다목적 소프트컴퓨팅 메타휴리스틱의 대규모 예산 인식 벤치마크를 제시한다. 이 문제는 가중치 제약 하에서 비용 최소화와 정상상태 가용성 최대화를 결합하며, 이진 하위시스템 수준 의사결정이 중복 구성요소의 수와 중복 전략을 모두 결정한다. 네 가지 전략을 고려한다: cold standby, warm standby, hot standby, 그리고 혼합 active-warm standby 전략이다. 하위시스템 가용성은 연속시간 마르코프 체인을 사용하여 평가하며, 최적화 과제는 제약 혼합정수 다목적 문제로 취급된다. 본 연구는 SBI(Scaled Binomial Initialization) 유무에 따른 두 가지 초기화 설정 하에서, 여러 알고리즘 계열의 65개 메타휴리스틱 알고리즘을 구조적·차원적 복잡도가 점진적으로 증가하는 6개 사례 연구와 사례당 4개의 가중치 한도에 걸쳐 비교한다. 성능은 하이퍼볼륨, 예산 의존 수렴 프로파일, 비모수 통계 비교를 통해 평가된다. 결과에 따르면 알고리즘 순위는 예산에 크게 의존하며, 단일 최종 예산 순위가 오해를 불러일으킬 수 있음을 보여준다. SBI는 상당한 초기 우위를 제공하며, 특히 더 큰 인스턴스에서 경쟁 방법들의 상대적 성능을 바꿀 수 있다. 최고 성능 알고리즘은 예산 구간에 따라 달라진다: NNIA-SBI와 CMOPSO-SBI는 타이트한 예산에서 경쟁력을 보이는 반면, NSGA-II+ARSBX-SBI는 중간 및 큰 예산에서 견고하게 수행된다. 시스템 설계 관점에서 파레토 최적해는 hot standby 및 혼합 중복 전략에 의해 지배되는 반면, cold 및 warm standby는 거의 나타나지 않는다. 이 벤치마크는 실용적 중복 배치를 위한 소프트컴퓨팅 최적화기를 선택할 때 초기화, 계산 예산, 문제 복잡도의 중요성을 강조한다.
HEAS는 국소 상호작용이 시스템 수준 결과를 만드는 생태계·조직·시장 등을 대상으로, 에이전트 기반 시뮬레이션, 진화 탐색, 시나리오 평가를 하나의 재현 가능한 Python 파이프라인으로 연결하는 프레임워크이다. 계층 런타임, DEAP 기반 진화 튜너, game 모듈을 결합하고 metric contract로 최적화·평가·검증이 동일한 결과 함수를 쓰도록 해 단계마다 전략 순위가 달라지는 문제를 막는다.
여러 주제별 데이터 층을 단일 복합 지도로 통합하는, 이른바 지도 합성(cartographic synthesis) 문제는 일반적으로 전문가 주도 가중치 방식으로 해결된다. 본 연구는 공간 자기상관(spatial autocorrelation) 구조에 기반한 지도 합성의 다목적 공식화를 제시한다. 우리는 Global Moran's I로 측정되는 전역 공간 구조를 최대화하고 Local Indicators of Spatial Association(LISA)의 분산으로 측정되는 국소 공간 이질성을 최소화함으로써 층 가중치를 추정하는 이중 목적 진화 프레임워크 GIS-moGA를 개발한다. 공간 관계의 단순 평가는 O(N^2) 연산을 필요로 하므로, 직접 계산은 더 큰 데이터셋에서 비실용적이 된다. 우리는 queen 인접성(contiguity) 행렬의 97.7% 희소성을 활용하여 이 문제를 해결하고, 유효 복잡도를 O(N k)로 낮추며 확장 가능한 시(municipal) 수준 분석을 가능하게 한다. 해당 프레임워크는 브라질 아라라쿠아라(Araraquara)의 N = 523개 단위로 구성된 고차원 공간 역학(spatial epidemiology) 데이터셋에서 평가된다. 64개 시나리오 실험 설계를 사용하여 매개변수 설정에 따른 진화적 행동을 검토한다. 결과는 공간 자기상관 적합도 landscape에서 교차(crossover) 연산자가 지리적으로 일관된 구조를 방해할 수 있는 경우, 더 높은 돌연변이(mutation)율이 개체군 다양성을 유지하고 조기 수렴을 방지하는 데 중요함을 보여준다. 전문가 기반 계층적 분석 과정(Analytic Hierarchy Process, AHP) 기준선과 비교했을 때, 결과 Pareto front는 상당한 hypervolume 이득과 공간 일관성(spatial coherence)의 유의미한 개선(p < 0.001, Cliff's delta = 0.87)을 보인다. 이러한 발견은 데이터 주도 지리 다기준 의사결정 분석을 위한 체계적이고 확장 가능한 프레임워크를 제공한다.
메타 강화학습(meta-reinforcement learning)은 변화하는 환경과 선호 설정에 걸쳐 신속한 정책 적응을 가능하게 하므로 다목적 최적화에 유망한 접근법이다. 그러나 기존의 퓨샷(few-shot) 방법은 보통 단일 공유 메타 정책(meta-policy)에서 파인튜닝(fine-tuning)하므로, 특히 공급망 최적화와 같은 고차원 조합 문제에서 해 다양성을 줄이고 파레토 전선(Pareto front)의 탐험을 제한할 수 있다. 우리는 스칼라화(scalarisation) 가중치 공간에서 분해(decomposition)와 진화 탐색을 결합하는 개체군 기반 메타 강화학습 프레임워크를 제안한다. 이 프레임워크는 그래디언트 기반 메타학습(meta-learning)으로 학습된 각각 독립적인 메타 정책과 연결된 가중치 벡터의 개체군을 유지하고, 하이퍼볼륨(hypervolume)과 엔트로피(entropy) 기여도에 따라 엘리트 선택, 교차, 돌연변이를 통해 이 개체군을 반복적으로 정제한다. 경제적, 환경적, 사회적 목표가 충돌하는 다목적 공급망 설정에서 방법을 평가하고, 표준 강화학습 문제에서 일반성을 추가로 검증한다. 결과는 제안 접근법이 더 다양하고 잘 분포된 파레토 전선 근사를 제공하며, 교차 과제 적응을 개선하고, 복잡한 경우 Meta-multi-objective reinforcement learning 대비 하이퍼볼륨을 최대 32% 향상시키며, 모든 비교 방법 중 가장 낮은 평균 Hausdorff 거리를 달성함을 보여준다.
본 논문은 공정 최적화를 위한 사용자 친화적인 데스크톱 애플리케이션인 BASIL을 소개한다. BASIL은 베이지안 접근법을 채택하며, 단일 및 다목적 최적화 문제를 모두 해결하는 데 사용할 수 있는 특수 획득 함수(acquisition function)를 통합한다. 그래픽 인터페이스를 통해 사용자가 실험 매개변수, 최적화 목표, 기존 데이터를 입력할 수 있으며, 이를 바탕으로 대리 모델(surrogate model)을 구축한다. 구축된 대리 모델은 획득 함수와 결합되어 원하는 목표를 향해 공정을 안내하고 최적화한다. 모델 구축을 용이하게 하기 위해 BASIL은 다양한 미리 정의된 대리 모델 템플릿을 제공한다. BASIL은 알려진 사용자 정의 입력 변수, 최적화 목표, 정의된 출력을 갖춘 임의의 실험 또는 공정을 최적화하는 데 사용할 수 있다.
아일랜드의 비례 대표 단일 이동표(PR-STV) 제도에서 선거구 재편은 방대한 가능 구성 집합 가운데 최적으로 대표성 있는 선거구 경계 집합을 선택해야 하는 과제에 직면하며, 여기서 '대표성'은 종종 서로 긴장 관계에 있는 헌법적 목표들의 미묘한 균형을 의미한다. 우리는 상호 트레이드오프(trade-off)를 명시적이고 정량화 가능하게 만들면서 여러 헌법적 요건을 체계적으로 최적화하는 아일랜드 선거구 재편을 위한 최초의 계산 프레임워크를 제시한다. 선거구 재편 문제는 통계물리학을 사용하여 분석되며, 헌법적 목표는 Potts 해밀토니안의 항으로 간주된다. 마르코프 연쇄 몬테카를로(MCMC) 방법과 시뮬레이티드 어닐링(simulated annealing)을 사용하여 결합 상수를 목표 가중치의 대리 변수로 하여 이 구성 공간을 체계적으로 탐색하면서 이 목적 함수를 최소화한다. 다중 기준 의사결정 분석(MCDA)과 파레토 최적성(Pareto Optimality)은 특정 목표 가중치 조합을 다른 조합보다 선택할 때의 모호성을 해소하는 데 활용된다. 코르크 주(County Cork)에서 평가된 비례 대표성과 치밀성(compactness) 목표에 관하여, COTHROM은 다양한 목표 가중치에 대해 기존의 법적 선거구 경계를 지속적으로 개선한다.