Otimização multiobjetivo e exploração de múltiplas soluções

Na engenharia real quase nunca existe uma “única solução ótima”. Veja o caso do projeto de um perfil aerodinâmico supercrítico:a razão sustentação/arrasto, a resistência estrutural, a margem de estol e os custos de fabricação/simulação estão em conflito mútuo: aumentar a razão sustentação/arrasto costuma significar o aumento simultâneo das cargas estruturais e dos custos de fabricação. A forma correta de formular esse tipo de problema é:a otimização multiobjetivonão deve descrever um único ponto, mas sim descrever e aproximar, entre múltiplos objetivos em conflito, uma fronteira de Pareto, mantendo um conjunto de soluções candidatas com orientações distintas e diferentes trade-offs, deixando o julgamento de valor final para as preferências posteriores ou para especialistas do domínio.

I. Primeiro, confirme: este é realmente um problema multiobjetivo?

A premissa da exploração de múltiplas soluções é que “os objetivos realmente entram em conflito”. Se todos os objetivos puderem ser melhorados simultaneamente sem perdas, o problema se degenera em um problema de objetivo único, e a exploração de múltiplas soluções torna-se desnecessária e apenas desperdiça poder computacional. O critério de decisão não é “o número de objetivos ser maior que 1”, mas sim:melhorar um dos objetivos implica necessariamente a degradação de outro objetivo. Somente quando as direções são opostas e um cresce à custa do outro é que se constitui um verdadeiro problema multiobjetivo.

II. Dominância de Pareto e fronteira de Pareto

O critério central é a dominância de Pareto: a solução A domina a solução B se, e somente se, A não for pior que B em todos os objetivos (para cada objetivo i, fᵢ(A) ≤ fᵢ(B)) e for estritamente melhor em pelo menos um objetivo (existir j tal que fⱼ(A) < fⱼ(B)). Qualquer solução dominada tem um substituto “pelo menos tão bom, e melhor em algum aspecto”, portanto não vale a pena mantê-la. Todas as soluções que não são dominadas por nenhuma outra constituem a fronteira de Pareto— as soluções na fronteira são mutuamente não dominadas; qual é mais adequada depende das preferências, e não da matemática.

III. O preço da redução a objetivo único

Métodos de escalarização como a soma ponderada e a restrição ε comprimem o vetor de objetivos em um único escalar. São convenientes na prática, mas o preço é bastante concreto:
· Ocultam a estrutura de trade-offs— uma vez fixados os pesos, a forma da fronteira e as direções alternativas tornam-se invisíveis, e o decisor vê apenas uma pontuação.
· Os pesos precisam ser definidos de antemão— mas as preferências reais muitas vezes não podem ser formalizadas de antemão, e só se tornam claras gradualmente na fase de avaliação.
· Cobertura limitada— a soma ponderada geralmente só alcança pontos isolados da fronteira, e alguns trechos de fronteiras não convexas são difíceis de atingir.
Se uma revisão posterior alterar os pesos, toda a busca precisa ser executada novamente — exatamente o oposto de “uma exploração para conquistar liberdade em várias decisões”.

IV. A avaliação é bidimensional: convergência e diversidade

A qualidade de um conjunto de soluções multiobjetivo deve considerar duas coisas ao mesmo tempo:a convergência(se o conjunto de soluções se aproxima da fronteira real) e adiversidade(se as soluções cobrem diferentes trechos da fronteira). As duas costumam competir entre si: quando a pressão de seleção se inclina excessivamente para o “melhor”, a população colapsa para um ponto ou um pequeno trecho da fronteira — parece convergir rapidamente, mas perde as informações de trade-off. Por isso, é preciso manter explicitamente a diversidade da população, combinando-a com pressões de seleção como densidade de aglomeração, decomposição e indicadores (como o hipervolume).

V. Implicação de engenharia: o ponto de decisão se desloca

A implicação de engenharia do multiobjetivo é uma mudança na divisão de trabalho: o otimizador é responsável apenas por produzirum conjunto comparável de candidatos, e a seleção final cabe às preferências ou aos especialistas do domínio; o otimizador não deve convergir prematuramente no lugar do decisor. A razão prática para manter um conjunto diferenciado de candidatos é a “proteção contra riscos” — quando as preferências são desconhecidas, mudam conforme o contexto ou as restrições são corrigidas na fase de implantação, um conjunto diversificado de propostas tem mais valor do que uma única “solução ótima”. Isso é coerente com o mecanismo de sedimentação em que “as modificações candidatas só são aceitas após compilar, passar nos testes e ser validadas”: primeiro mantém-se um conjunto de candidatos, e depois a verificação e as preferências decidem quem entra na versão final.

A correspondência na interface de implementação

No nível de implementação, um problema multiobjetivo deve ser definido como o resultado deuma função de avaliação vetorial(que retorna vários valores de objetivo de uma só vez) e deum conjunto de soluções candidatas, e não como um fitness escalar com um único valor de retorno. O número de valores retornados pela função de avaliação determina a dimensionalidade dos objetivos, e a estrutura de saída determina se a diversidade pode ser preservada.

Fronteira de Pareto e relações de dominância

O gráfico de dispersão usa como coordenadas dois objetivos em conflito e distingue as soluções dominadas da fronteira de Pareto: as soluções na fronteira são mutuamente não dominadas, e melhorar um objetivo implica necessariamente a degradação do outro. Por isso, o otimizador gera um conjunto de candidatos com orientações distintas, deixando a escolha final para as preferências ou para especialistas do domínio.

Questão 1

Sobre a determinação da relação de dominância de Pareto, qual das afirmações a seguir está correta?

A solução A domina a solução B desde que seja melhor em um único objetivo.

Se duas soluções têm vantagens em objetivos diferentes, a melhor delas domina a outra.

Uma solução dominada é necessariamente inviável e deve ser removida do conjunto de candidatas.

A solução A domina a solução B se, e somente se, A não for pior que B em todos os objetivos e for estritamente melhor em pelo menos um objetivo.

Questão 2

Antes de partir para uma resolução multiobjetivo, o critério-chave para julgar se o problema é realmente “multiobjetivo” é:

Os objetivos têm direções opostas: melhorar um implica necessariamente a degradação de outro.

Se foi usada soma ponderada para escalarização.

Se a escala do problema ultrapassa o poder computacional de uma única máquina.

O número de objetivos ser maior que 1.

Questão 3

Sobre métodos de escalarização como soma ponderada e restrição ε, qual das avaliações a seguir está correta?

As soluções obtidas por escalarização certamente cobrem todos os trechos da fronteira.

Desde que se usem pesos suficientes, a escalarização pode substituir equivalentemente a exploração multiobjetivo.

A escalarização oculta a estrutura de trade-offs e exige que os pesos sejam definidos de antemão, mas as preferências reais muitas vezes não podem ser formalizadas previamente.

A escalarização é apenas outra forma de representação e não perde nenhuma informação de trade-off.

Questão 4

Ao avaliar o conjunto de soluções de um algoritmo multiobjetivo, a relação entre “convergência” e “diversidade” é:

As duas costumam competir entre si; buscar excessivamente a convergência tende a fazer a população colapsar em trechos isolados da fronteira.

Desde que a convergência seja boa, a diversidade pode ser desconsiderada.

A diversidade afeta apenas o efeito visual e não tem relação com a qualidade do conjunto de soluções.

As duas são totalmente independentes e podem atingir seu ótimo simultaneamente.

Questão 5

Segundo a implicação de engenharia da otimização multiobjetivo, a divisão de trabalho entre o otimizador e o decisor deve ser:

O otimizador deve convergir a população para um único ponto logo no início da busca, para economizar poder computacional.

O otimizador gera um conjunto comparável de candidatos não dominados, e a seleção final fica a cargo das preferências ou dos especialistas do domínio.

O decisor deve fornecer todos os pesos de antemão, caso contrário a otimização não pode começar.

O otimizador gera diretamente a única solução ótima, para evitar hesitação do decisor.

Estudo de caso: trade-offs multiobjetivo de um perfil aerodinâmico supercrítico

Leia o cenário e responda às perguntas.

Uma equipe de aviação precisa projetar um perfil aerodinâmico supercrítico para uma nova geração de asas. As soluções candidatas devem atender simultaneamente a quatro indicadores: razão sustentação/arrasto (quanto maior, melhor), massa estrutural (quanto menor, melhor), margem de estol (quanto maior, melhor) e custos de fabricação e simulação (quanto menores, melhor). Aumentar a razão sustentação/arrasto costuma vir acompanhado do aumento das cargas estruturais, e ampliar a margem de estol muitas vezes sacrifica a razão sustentação/arrasto. Além disso, o orçamento de simulação é limitado, e a equipe não pode refazer a busca repetidamente. A proposta inicial era combinar os quatro indicadores em uma pontuação total usando um conjunto de pesos predefinidos e gerar um único “perfil ótimo” para submissão à avaliação.

1. Por que esse conjunto de indicadores constitui um verdadeiro problema multiobjetivo? Se for usada apenas uma pontuação total ponderada para gerar um único “perfil ótimo”, que riscos concretos isso traria para a fase de avaliação?

Resposta:
Porque os objetivos têm direções opostas e se limitam mutuamente: o aumento da razão sustentação/arrasto tem como custo o aumento das cargas estruturais e dos custos de fabricação; a margem de estol e a razão sustentação/arrasto também competem entre si; a melhoria de qualquer indicador exige que outro ceda, e não é possível melhorá-los simultaneamente sem perdas. Portanto, este é um verdadeiro problema multiobjetivo. Os riscos são: a pontuação total ponderada comprime a estrutura de trade-offs em um escalar, ocultando a informação de “quanto cada indicador cedeu”; os pesos precisam ser definidos de antemão, mas as preferências reais da avaliação geralmente só se tornam claras nesse momento; e se a avaliação ajustar os pesos, toda a busca precisa ser refeita — o que o orçamento de simulação simplesmente não permite. A conclusão é que a escalarização faz o otimizador tomar decisões de valor no lugar do decisor quando há informação insuficiente.

2. Se for adotada a otimização multiobjetivo e mantido um conjunto de candidatos não dominados, explique como definir a função de avaliação e a estrutura de saída, e como realizar a seleção na fase de avaliação.

Resposta:
A função de avaliação deve adotar a forma vetorial: para cada perfil candidato x, retornar uma quádrupla (razão sustentação/arrasto, massa estrutural, margem de estol, custos de fabricação e simulação), em vez de um fitness escalar; a estrutura de saída deve ser um conjunto de soluções candidatas, ou seja, um conjunto de soluções da fronteira de Pareto mutuamente não dominadas. No nível do algoritmo, é preciso manter explicitamente a diversidade da população, combinando-a com pressões de seleção baseadas em densidade de aglomeração, decomposição ou indicadores como o hipervolume, evitando que a população colapse em um único trecho da fronteira e garantindo soluções representativas tanto nas extremidades quanto no meio da fronteira. Na avaliação, a escolha é feita diretamente a partir do conjunto de candidatos segundo as preferências reais: se a prioridade for a confiabilidade estrutural, escolhe-se a alternativa com menor massa estrutural; se a prioridade for a eficiência aerodinâmica, escolhe-se a alternativa com maior razão sustentação/arrasto. Assim, uma única exploração sustenta múltiplas decisões, e quando as preferências mudarem conforme o contexto ou as restrições forem corrigidas na fase de implantação, a equipe ainda terá alternativas disponíveis.