Henrik Smedberg
Institutionen för ingenjörsvetenskap
Henrik Smedberg försvarar sin avhandling "Knowledge discovery for interactive decision support and knowledge-driven optimization".
Disputationen hålls på ASSAR Industrial Innovation Arena men sänds även digitalt.
Titta via länken https://play.quickchannel.com/play/cvxxzas
Sammanfattning
Flermålsoptimering hanterar samtidig optimering av flera målfunktioner, vilka i praktiska optimeringsproblem ofta är i konflikt, vilket ger upphov till avvägningar i de optimala lösningarna från optimeringsprocessen. Alla dessa lösningar är lika värdefulla, och ingen lösning är bättre eller sämre än någon annan. Typiskt sett har beslutsfattare också preferenser som styr valet av en slutlig lösning att implementera i praktiken. De flesta metoder för analys av flera kriterier fokuserar på prestandan hos en uppsättning lösningar i målrymden, det är dock viktigt att notera att praktiskt relevant kunskap ofta finns i designrymden till lösningarna. Tillgång till denna kunskap kan ge beslutsfattare betydelsefulla insikter till både problemet och optimeringsprocessen, vilket leder till mer informerat beslutstagande.
Denna avhandling utvecklar och använder metoder för kunskapsutvinning i sammanhanget av flermålsoptimering. Genom ett särskilt fokus på explicit kunskap, undersöker denna avhandling hur utvunnen kunskap kan bearbetas och presenteras för beslutsfattare på ett interaktivt sätt för förbättrat beslutsstöd. Det undersöks också hur utvunnen kunskap från tidigare lösningar kan integreras i algoritmer för flermålsoptimerings eller direkt i optimeringsproblem för att avlasta beräkning av nya lösningar i optimeringsprocessen. Sådana metoder, kallade kunskapsdriven optimering (KDO), kan implementeras antingen offline eller online. Offline KDO innebär att integrera kunskap som erhållits från tidigare optimeringar, i framtida, liknande problem, vilket avlastar sökprocessen till preferensrika regioner i målrymden. En huvudsaklig utmaning med offline KDO är lagring och återhämtning av relevant tidigare kunskap, samt modifieringar av formuleringar till optimeringsproblem. I kontrast innefattar online KDO att integrera metoder för kunskapsutvinning tillsammans med optimeringsalgoritmer, och att utnyttja den resulterande kunskapen under optimeringen, för att förbättra sökprocessen och driva algoritmerna mot snabbare ankomst i preferensrika regioner i målrymden. Sådana metoder kräver utveckling av nya sökoperatorer kapabla att integrera och utnyttja olika former av utvunnen kunskap.
I både offline och online KDO är det viktigt att den integrerade kunskapen beskriver beslutfattarens preferenser noggrant. Denna avhandling validerar effektiviteten hos de utvecklade metoderna med hjälp av olika benchmark-optimeringsproblem, praktiska tekniska testproblem och fallstudier från tillverkningsindustrin. Ett särskilt fokus har lagts på utvinning av explicit kunskap som både är meningsfull för beslutsfattare och som enkelt kan bearbetas algoritmiskt. Denna avhandlings huvudsakliga bidrag består av metoder för utvinning av relevant kunskap om sökbeteendet för problem, ett beslutstödssystem för interaktiv kunskapsutvinning, samt algoritmer för att förverkliga både offline och online KDO genom att integrera kunskap i optimeringsprocessen.
Läs hela avhandlingen i DiVA
Opponent
Jonathan Fieldsend, professor, University of Exeter, Storbritannien
Handledare
Sunith Bandaru, docent, Högskolan i Skövde
Amos H.C. Ng, professor, Högskolan i Skövde
Maria Riveiro, professor, Jönköping University
Betygsnämnd
Bogdan Filipič, professor, Jožef Stefan Institute, Slovenien
Elizabeth Wanner, docent (Reader), Aston University, Storbritannien
Mats Gustafsson, professor, Uppsala universitet
Gunnar Mathiason, docent, Högskolan i Skövde