NeuroPareto: Neue Methode für kostengünstige Mehrzieloptimierung

NeuroPareto ist ein neu entwickeltes Verfahren, das die Suche nach optimalen Trade‑Offs in hochdimensionalen Parameterräumen unter strengen Rechenbeschränkungen revolutioniert.

Die Methode kombiniert rank‑zentriertes Filtern, die Auftrennung von Unsicherheiten und ein historienbasiertes Akquisitionsnetzwerk, um komplexe Ziellandschaften effizient zu erkunden.

Ein kalibrierter Bayesscher Klassifikator schätzt die epistemische Unsicherheit über die verschiedenen Nicht‑Dominanzebenen hinweg. Dadurch können hochwertige Kandidaten schnell generiert werden, ohne dass viele teure Evaluierungen nötig sind.

Deep Gaussian Process Surrogates trennen die Vorhersageunsicherheit in reducible und irreducible Komponenten. Das liefert präzisere Mittelwerte und risikobewusste Signale, die die nachfolgende Auswahl unterstützen.

Ein leichtgewichtiges Akquisitionsnetzwerk, das online aus historischen Hypervolumenverbesserungen lernt, lenkt die kostspieligen Evaluierungen gezielt in Bereiche, die sowohl Konvergenz als auch Diversität fördern.

Durch hierarchisches Screening und amortisierte Surrogatupdates bleibt die Genauigkeit hoch, während der Rechenaufwand minimal gehalten wird.

Experimentelle Tests auf den DTLZ‑ und ZDT‑Suiten sowie einer Aufgabe zur Energiegewinnung aus dem Untergrund zeigen, dass NeuroPareto die bestehenden Klassifikator‑ und Surrogat‑gestützten Baselines in Bezug auf Pareto‑Nähe und Hypervolumen konsequent übertrifft.

NeuroPareto bietet damit einen skalierbaren, kosteneffizienten Ansatz für anspruchsvolle Mehrzieloptimierungsprobleme in großen Parameterräumen.