Neue Methode: Multi‑Objective‑Optimierung mit Banditen‑Lernen

In der Multi‑Objective‑Optimierung kombinatorischer Probleme gilt die Suche nach Pareto‑optimalen Lösungen über riesige diskrete Räume als besonders herausfordernd. Traditionelle Ansätze vernachlässigen dabei häufig entweder die Allgemeingültigkeit, die Skalierbarkeit oder die theoretische Sicherheit. Die neue Methode wandelt das Problem in ein Online‑Learning‑Problem um, bei dem die Entscheidungsräume in einzelne Positionen zerlegt werden. Für jede Position wird ein Bandit‑Subproblem gelöst, wobei adaptive Experten die sequentielle Konstruktion der Lösungen leiten.

Durch diese Decomposition erhält man Regret‑Grenzen von O(d √(T log T)), wobei d die Dimensionalität des jeweiligen Subproblems ist und nicht die Größe des gesamten Kombinationsraums. Auf Standard‑Benchmarks erreicht die Technik zwischen 80 % und 98 % der Leistung spezialisierter Solver, während sie gleichzeitig zwei bis drei Größenordnungen effizienter in Bezug auf Stichproben- und Rechenaufwand ist als herkömmliche Bayesian‑Optimierungsmethoden.

In einer realen Anwendung zur Hardware‑Software‑Kopplung von KI‑Beschleunigern, bei der Simulationen teuer sind, übertrifft die Banditen‑Strategie konkurrierende Verfahren bei festem Evaluationsbudget. Der Vorteil wächst mit zunehmender Problemgröße und Anzahl der Ziele, was die Banditen‑Optimierung über zerlegte Entscheidungsräume als solide Alternative zu Surrogat‑Modellen oder offline trainierten Ansätzen für Multi‑Objective‑Optimierung etabliert.