다목적 조합 최적화에서 비지지 비지배점(unsupported non-dominated point)은 통상 지지점(supported point)보다 수가 많으며, 계산하기도 훨씬 어려운 경우가 많다. 최근 연구에 따르면 극단 지지 비지배점(extreme supported non-dominated point)은 특정 이진 문제의 비지배 집합에 대해 고품질 표현을 제공한다. 본 논문에서는 이 관찰이 용량 제한 네트워크 최적화 문제로 일반화되지 않음을 보인다. 즉, 호(arc) 용량이 증가할수록 표현 품질이 저하되는 반면, 지지 비지배점은 여러 품질 지표에서 지속적으로 고품질 표현을 제공한다. 그러나 지지점 집합도 실용적인 응용에서는 지나치게 클 수 있으며, 일반적으로 소수의 고정된 대안만이 요구된다. 비지배 집합에서 고정 크기 표현을 선택하려면 계산 비용이 높은 전체 집합 생성이 필요하므로, 표현이 제공하려는 계산 상의 이점이 감소한다. 따라서 본 논문은 부분집합 선택 문제에서 (극단) 지지점을 대안적 후보 집합으로 제안한다. 수치 실험 결과, 후보 집합을 지지 비지배점으로 제한하더라도 완전한 비지배 집합에서 선택한 것과 거의 동일한 품질의 고정 크기 표현을 얻을 수 있음을 보인다. 종합하면, 지지 비지배점은 고품질 표현이자 부분집합 선택을 위한 합리적인 후보 집합으로 모두 활용될 수 있다.
실세계 의사결정에서는 종종 여러 상충하는 목표를 동시에 최적화해야 한다. 강화학습(RL)에서는 일반적으로 스칼라화(scalarization) 함수를 통해 보상 신호를 단일 스칼라 목표로 결합하여 이를 처리하는데, 이는 불안정할 수 있다: 가중치의 작은 변화가 극적으로 다른 정책을 유발할 수 있다. 다목적 강화학습(MORL)은 대신 목표 간 트레이드오프를 명시적으로 나타내는 정책 집합을 생성한다. 하지만 이러한 정책은 일반적으로 의사결정자에게 가치 벡터(value vector)만을 통해 제시되며, 이는 상당한 행동적 변이를 가릴 수 있다: 서로 다른 궤적(trajectory)을 유발하는 정책이 기대 수익(expected return)만으로 평가될 때 구별 불가능해 보일 수 있다. 우리는 목표 값만으로는 드러나지 않는 파레토 프론트(Pareto front) 상의 행동적 변이를 자동으로 강조하는 탐색적 진단 워크플로를 제안하고, 정책 검사를 지원하는 정량적 및 시각적 도구를 함께 제공한다. 우리는 단순한 그리드 예제에서 접근법을 검증하고 연속 제어(continuous control) 벤치마크로 확장하여, 문제 복잡도가 증가할 때에도 효과적임을 보여준다.
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.
Explainability in Many-Objective Optimization (MaO) is currently hindered by the escalating complexity of the Pareto front, which renders the relationship between high-dimensional decision variables and objective outcomes increasingly opaque. As the number of objectives exceeds the limits of traditional visualization, decision-makers encounter a ``cognitive drought'' in identifying relevant trade-offs or specifying target regions without a priori knowledge. To bridge this interpretability gap, we introduce the {Partition-Guided Distance Saliency (PGDS)} framework, a novel XAI approach designed for continuous optimization landscapes. Our framework automates the explanation process through a three-stage pipeline that prioritizes geometric intuition over abstract rules. First, we employ a surrogate model that learns how geometric distances in the decision space map to proximity in the objective space. Second, to address the difficulty of manual target selection in high dimensions, the framework automatically partitions the objective landscape into distinct regions and identifies local ``Dominating Points'' to serve as automated targets for improvement. Third, we quantify how sensitive a solution's position is to each decision variable by measuring the distance shifts induced by perturbations to each variable. This allows PGDS to categorize features as either ``Drivers'' which facilitate convergence toward preferred regions, or ``Blockers'' which represent geometric constraints hindering further progress. Validation on 10-objective benchmarks and a physics-informed engineering problem (Welded Beam) demonstrates that PGDS provides differentiated, actionable insights that traditional visualization and rule-based XAI methods fail to provide.
유한 파레토 전선 근사에서 고정된 수의 대표 점을 선택하는 것은 다목적 최적화에서 기본적인 후처리 작업이다. 본 논문은 3목적에서 적분 R2 지표에 대해 이 문제를 연구하며, 이 지표는 2차원 가중치 단체 위에서 가중 Tchebycheff 스칼라화의 하한 포락선 적분으로 정의된다. 우리는 두 가지 상호 보완적인 알고리즘 결과를 제공한다. 긍정적인 측면에서, 임의의 고정 기준선에 대한 적분 R2 개선은 단조 서브모듈러 집합 함수임을 보인다. 일반적인 이상점 기반 R2 지표에 대해 이상점이 고정된 경우, 이는 직접적인 격차 감소 보장을 제공한다: 탐욕 선택은 고정된 지배 앵커 값과 최적 cardinality-$k$ 값 사이의 최대 가능 R2 격차의 최소 $(1-1/e)$ 비율을 메운다. 또한 세분화를 통해 정확한 적분 R2 값을 계산하는 검증된 탐욕 구현을 제공하며, 최악 경우 실행 시간은 $O(n^6)$이다. 부정적인 측면에서, 정확한 고정 cardinality 부분집합 선택이 3목적에서만 이미 NP-난이도임을 증명한다. 난이도 증명은 Tchebycheff-그림자 개선을 밀도 $(x_1+x_2+x_3)^{-4}$를 갖는 가중 앵커-박스 합집합 문제로 매핑하는 원근 변환을 사용하고, Bringmann, Cabello, Emmerich의 3차원 앵커-박스 구성을 적용한다. 이 결과들을 종합하면, 다룰 수 있는 2목적 경우와 3목적 경우를 구분하면서 서브모듈러 최적화에 기반한 원칙적인 근사 경로를 제시한다.
진화 알고리즘은 다양한 다목적 조합 최적화 문제에 사용되어 왔습니다. 실제적인 성공에도 불구하고, 다목적 조합 문제에 대한 진화 알고리즘의 런타임에 관한 이론적 결과는 다소 제한적입니다. 조사된 하나의 고전적인 문제는 다목적 최소 신장 트리 문제이며, 이에 대해서는 파레토 프론트(Pareto front)의 모든 극단 코너 점을 계산하기 위한 런타임 경계가 확립되었습니다. 본 논문에서는 에지 가중치가 소수의 고유한 값을 가질 때 파레토 프론트의 구조에 대해 더 자세한 통찰을 제공합니다. 이러한 통찰을 바탕으로 우리는 다목적 진화 알고리즘에 대한 새로운 런타임 결과를 도출하고, 실험적 조사를 통해 이론적 결과를 보완합니다.