DOI: https://doi.org/10.23952/jnva.10.2026.3.07
تاريخ النشر: 2026-03-28
الموضوع الرئيسي: أبحاث خوارزميات التحسين المتقدمة
نظرة عامة
في هذه الورقة، يقدم المؤلفون طريقة كوازينيوتن تكرارية تهدف إلى تحديد نقاط فعالة ضعيفة قوية في مشاكل تحسين متعددة الأهداف غير المؤكدة (UMOPs) التي تتميز بمجموعة محدودة من سيناريوهات عدم اليقين. تستفيد الطريقة من مفهوم مجموعات التقسيم من تحسين القيم المجمعة لإعادة صياغة المشكلة إلى فئة من مشاكل تحسين المتجهات (VOPs) في كل تكرار، مما يسمح بتحديد اتجاهات الانحدار. يثبت المؤلفون أن أي نقطة حد من التسلسل الناتج تتقارب إلى نقطة فعالة ضعيفة قوية، بشرط تلبية افتراضات انتظام معينة. علاوة على ذلك، يظهرون تقاربًا فائقًا محليًا تحت الاستمرارية الموحدة لتقريب هيسيان.
تشير النتائج إلى أن الطريقة المقترحة تحول المشكلة غير المؤكدة الأصلية بشكل فعال إلى إطار حتمي، حيث تتوافق الحلول الفعالة مع الحلول القوية لمشكلة UMOP. يستخدم المؤلفون طرق BFGS لتقريب مصفوفات هيسيان، مما يسهل تقييم اتجاهات كوازينيوتن. تشمل اتجاهات البحث المستقبلية توسيع المنهجية إلى علاقات أقل مجموعة أخرى، ومعالجة مجموعات عدم اليقين اللانهائية أو المستمرة، واستنتاج النتائج دون الحاجة إلى افتراضات انتظام على نقاط التجميع. تؤكد الأمثلة العددية فعالية النهج المقترح، مما يظهر إمكانياته للتطبيقات العملية في تحسين تحت عدم اليقين.
مقدمة
تناقش مقدمة الورقة مشاكل تحسين متعددة الأهداف غير المؤكدة (UMOPs)، والتي تتضمن أهداف متعددة متعارضة تتميز بعدم اليقين بسبب المعلومات غير المكتملة أو العوامل غير القابلة للتنبؤ. إن تحليل هذه السيناريوهات غير المؤكدة أمر حاسم لتعزيز قوة الحل، وتحسين اتخاذ القرار، وإدارة المخاطر في التطبيقات العملية. يتطور مجال تحسين القوة بسرعة، مع مساهمات كبيرة من باحثين مثل بن-تال، نيميروفيسكي، وغهاوي، الذين استكشفوا المفاهيم الأساسية والتطبيقات.
يبرز المؤلفون نهج القوة الدنيا، الذي يحول UMOPs إلى صيغ حتمية تعرف بالمعادلات القوية، مما يسمح بتطبيق تقنيات التدرج مثل تقاطع الحدود العادية وطريقة المجموع الموزون. كما يشيرون إلى التقدمات الأخيرة في مفاهيم الحلول والأساليب العددية لمشاكل UMOPs، بما في ذلك منظور تحسين القيم المجمعة المقترح من قبل غوش، كيشور، وزهاو. تهدف هذه الدراسة إلى تطوير مخطط كوازينيوتن لحل UMOPs دون افتراض التقعر، وإعادة صياغة المشاكل إلى معادلات حد أدنى-حد أقصى واستخدام تسلسل من مشاكل تحسين المتجهات لتحديد حلول فعالة ضعيفة قوية. تم هيكلة الورقة لتقديم الرموز، وشروط الأمثلية، وتطوير الخوارزميات، والتوضيحات العددية، مما culminates في مناقشة النتائج الرئيسية واتجاهات البحث المستقبلية.
مناقشة
في هذا القسم، يناقش المؤلفون صياغة وتحليل مشكلة تحسين متجه قوية (UVOP) تتميز بعدم اليقين الممثل كمجموعة محدودة من السيناريوهات. يتم تأطير مشكلة التحسين في سياق مخروط مدبب، مغلق، محدب، وصلب \( K \)، الذي يفرض ترتيبًا جزئيًا على قيم الدالة الهدف. يعرف المؤلفون مفاهيم مثل النقاط الفعالة والضعيفة، بالإضافة إلى الحلول الفعالة القوية، والتي تعتبر حاسمة لفهم شروط الأمثلية لـ UVOP. يقدمون مشكلة معادلة قوية (SOP) تحول UVOP إلى مشكلة تحسين قيم مجمعة حتمية، مما يسمح بتحديد حلول ضعيفة محلية فعالة.
يتناول القسم أيضًا الطريقة الكوازينيوتن المقترحة لحل مشكلة المعادلة القوية، موضحًا العملية التكرارية لتوليد تقريبات هيسيان واتجاهات الانحدار. يثبت المؤلفون خصائص التقارب للخوارزمية، موضحين أنه إذا تقارب تسلسل التكرارات إلى نقطة منتظمة من الدالة، فإن تلك النقطة هي نقطة ثابتة لـ SOP. يتضمن التحليل شروط الأمثلية واستخدام دالة التدرج جيرستويتز لتسهيل تحويل مشاكل تحسين المتجهات إلى مشاكل تدرج، مما يعزز قوة الحلول المستخرجة. بشكل عام، تساهم النتائج في الإطار النظري لمعالجة عدم اليقين في مشاكل تحسين المتجهات، مما يوفر نهجًا منظمًا لتحديد الحلول القوية.
DOI: https://doi.org/10.23952/jnva.10.2026.3.07
Publication Date: 2026-03-28
Primary Topic: Advanced Optimization Algorithms Research
Overview
In this paper, the authors present an iterative quasi-Newton method aimed at identifying robust weakly efficient points in uncertain multiobjective optimization problems (UMOPs) characterized by a finite set of uncertainty scenarios. The method leverages the concept of partition sets from set-valued optimization to reformulate the problem into a class of vector optimization problems (VOPs) at each iteration, allowing for the determination of descent directions. The authors establish that any limit point of the generated sequence converges to a robust weakly efficient point, provided certain regularity assumptions are met. Furthermore, they demonstrate local superlinear convergence under the uniform continuity of the Hessian approximation.
The findings indicate that the proposed method effectively transforms the original uncertain problem into a deterministic framework, where the efficient solutions correspond to robust solutions of the UMOP. The authors utilize BFGS methods to approximate Hessian matrices, facilitating the evaluation of quasi-Newton directions. Future research directions include extending the methodology to other set less relations, addressing infinite or continuous uncertainty sets, and deriving results without the need for regularity assumptions on accumulation points. Numerical examples validate the effectiveness of the proposed approach, showcasing its potential for practical applications in optimization under uncertainty.
Introduction
The introduction of the paper discusses Uncertain Multiobjective Optimization Problems (UMOPs), which involve multiple conflicting objectives characterized by uncertainty due to incomplete information or unpredictable factors. The analysis of these uncertain scenarios is crucial for enhancing solution robustness, improving decision-making, and managing risk in practical applications. The field of robust optimization is rapidly evolving, with significant contributions from researchers such as Ben-Tal, Nemirovski, and Ghaoui, who have explored fundamental concepts and applications.
The authors highlight the minimax robustness approach, which transforms UMOPs into deterministic formulations known as robust counterparts, allowing for the application of scalarization techniques like normal-boundary intersection and the weighted sum method. They also note recent advancements in solution concepts and numerical methods for UMOPs, including a set-valued optimization perspective proposed by Ghosh, Kishor, and Zhao. This study aims to develop a quasi-Newton scheme for solving UMOPs without the convexity assumption, reformulating the problems into min-max counterparts and employing a sequence of vector optimization problems to identify robust weakly efficient solutions. The paper is structured to provide notations, optimality conditions, algorithm development, and numerical illustrations, culminating in a discussion of key findings and future research directions.
Discussion
In this section, the authors discuss the formulation and analysis of a robust vector optimization problem (UVOP) characterized by uncertainties represented as a finite set of scenarios. The optimization problem is framed within the context of a pointed, closed, convex, and solid cone \( K \), which induces a partial order on the objective function values. The authors define concepts such as efficient and weakly efficient points, as well as robust efficient solutions, which are critical for understanding the optimality conditions of the UVOP. They introduce a robust counterpart problem (SOP) that transforms the UVOP into a deterministic set-valued optimization problem, allowing for the identification of local weakly efficient solutions.
The section further elaborates on the quasi-Newton method proposed to solve the robust counterpart problem, detailing the iterative process for generating Hessian approximations and descent directions. The authors establish convergence properties of the algorithm, showing that if the sequence of iterates converges to a regular point of the function, then that point is a stationary point of the SOP. The analysis includes optimality conditions and the use of the Gerstewitz scalarizing function to facilitate the conversion of vector optimization problems into scalar ones, thereby enhancing the robustness of the solutions obtained. Overall, the findings contribute to the theoretical framework for addressing uncertainties in vector optimization problems, providing a structured approach to identifying robust solutions.