Neuer Bayesian-Optimierer löst parametrisierte Mehrzielprobleme ohne teure Tests

Viele praxisnahe Anwendungen erfordern die Lösung von Familien teurer Mehrzieloptimierungsaufgaben (EMOPs) unter wechselnden Betriebsbedingungen. Daraus entsteht das Konzept der parametrisierten EMOPs (P‑EMOPs), bei dem jeder Aufgabenparameter ein eigenes Optimierungsproblem definiert.

Aktuelle Mehrziel-Bayesian-Optimierungsverfahren liefern zwar für einzelne Aufgaben Pareto‑optimale Lösungen, doch bei P‑EMOPs gilt, dass der kontinuierliche Parameterraum unendlich viele unterschiedliche Probleme enthält – jedes erfordert separate, kostenintensive Auswertungen. Hierfür ist ein inverses Modell nötig, das optimierte Lösungen für beliebige Aufgaben‑Präferenzabfragen direkt vorhersagen kann, ohne erneut teure Simulationen durchzuführen.

Die vorgestellte Arbeit präsentiert den ersten parametrisierten Mehrziel-Bayesian-Optimierer, der ein solches inverses Modell lernt. Durch abwechselndes, auf Inter‑Aufgaben‑Synergien basierendes Akquisitions‑Driven‑Search und generatives Lösungssampling mit bedingten Generativmodellen erreicht er eine effiziente Optimierung über verwandte Aufgaben hinweg. Das Verfahren ermöglicht die direkte Vorhersage von Lösungen für bisher unbekannte, parametrisierte EMOPs ohne zusätzliche teure Auswertungen. Theoretische Begründungen für die beschleunigte Konvergenz sowie empirische Ergebnisse aus synthetischen und realen Benchmarks bestätigen die Wirksamkeit des alternierenden Ansatzes.