기계 기반 의사결정자를 통한 대화형 다기준 의사결정 절차 벤치마킹

대화형 다기준 의사결정(iMCDM) 절차는 의사결정자(DM)가 선호도를 제공하여 대안 솔루션을 반복적으로 생성, 비교하고 최종적으로 가장 선호하는 파레토 최적(PO) 솔루션에 도달하게 합니다. 일부 iMCDM 절차는 DM이 현재 솔루션의 목표를 개선, 완화, 무관심 또는 만족을 위한 다양한 범주로 명확하게 분류하도록 요구하며, 다른 접근 방식은 DM이 경쟁하는 두 개 이상의 솔루션을 비교하고 가장 선호하는 것을 지시하도록 합니다. 사전 정의되거나 무작위 PO 솔루션으로 시작하여, iMCDM 절차는 인간 DM의 안내에 따라 적절한 스칼라화된 최적화 문제를 해결함으로써 새롭고 점차 더 선호되는 PO 솔루션을 반복적으로 생성합니다. 인간 DM의 개입으로 인해, 계산 최적화 연구자들은 효율적인 EMO 알고리즘 개발에 적극적임에도 불구하고 새로운 iMCDM 절차 제안에는 대부분 참여하지 않았습니다. 본 논문에서는 의사결정 정보를 제공하기 위해 사전 훈련된 기계 학습(ML) 모델 형태의 기계 기반 의사결정자(Machine-DM)를 제안합니다. 우리는 Machine-DM 개발 과정을 상세히 설명하고, 특정 iMCDM 절차인 NIMBUS를 통해 그 작동을 시연합니다. 제안된 ML 기반 Machine-DM은 iMCDM 절차 벤치마킹에 대한 우리의 즉각적인 미래 목표의 핵심 부분이 될 것으로 예상됩니다. 이는 계산 지향적인 연구자들이 새롭고 효율적인 iMCDM 방법론을 개발하여 EMO-MCDM 통합 분야를 더욱 발전시킬 수 있는 새로운 길을 열어줍니다.