MO-PUGAN: Multi-Objective Pareto Update Generative Adversarial Network

Abstract

Modern optimization problems often involve dealing with conflicting objectives, making them suitable for multi-objective optimization techniques. This research introduces MO-PUGAN, an innovative framework utilizing Generative Adversarial Networks (GANs) for multi-objective optimization in engineering design. Utilizing a training data update method, MO-PUGAN iteratively refines the GAN's training. Comprehensive experimentation reveals MO-PUGAN's ability to learn and mirror the distribution of optimal Pareto fronts, beginning with random populations and progressively enhancing it. In comparison to conventional optimization methods that navigate the design space, our framework focuses on learning the optimal distribution eventually. Results indicate that, while it holds promise, it has yet to surpass traditional techniques like Evolutionary Algorithms in performance. This work underscores the potential of melding machine learning with traditional optimization, offering fresh perspectives and methodologies in the design optimization domain.

Los problemas modernos de optimización a menudo implican lidiar con objetivos en conflicto, lo que los hace adecuados para técnicas de optimización multiobjetivo. Esta investigación introduce MO-PUGAN, un marco innovador que utiliza Redes Antagónicas Generativas (GANs por sus siglas en inglés) para la optimización multiobjetivo en diseño de ingeniería. Utilizando un método de Actualización de los datos de entrenamiento, MO-PUGAN refina iterativamente el entrenamiento del GAN. La experimentación exhaustiva revela la habilidad de MO-PUGAN para aprender y reflejar la distribución de frentes de Pareto óptimos, comenzando con poblaciones aleatorias y mejorando progresivamente. En comparación con los métodos convencionales de optimización que navegan por el espacio de diseño, nuestro marco se centra en aprender esta distribución óptima eventualmente. Los resultados indican que, aunque tiene potencial, aún no ha superado técnicas tradicionales como los algoritmos evolutivos en rendimiento. Este trabajo destaca el potencial de fusionar el aprendizaje automático con la optimización tradicional, ofreciendo nuevas perspectivas y metodologías en el dominio de la optimización de diseño.

Els problemes moderns d'optimització sovint impliquen tractar amb objectius en conflicte, cosa que els fa adequats per a tècniques d'optimització multiobjectiu. Aquesta recerca introdueix MO-PUGAN, un marc innovador que utilitza Xarxes Generatives Adversaries (GANs per les seves sigles en anglès) per a l'optimització multiobjectiu en disseny d'enginyeria. Utilitzant un mètode d'actualització de les dades d'entrenament, MO-PUGAN refina iterativament l'entrenament del GAN. L'experimentació exhaustiva revela l'habilitat de MO-PUGAN per aprendre i reflectir la distribució de fronts de Pareto òptims, començant amb poblacions aleatòries i millorant progressivament. En comparació amb els mètodes convencionals d'optimització que naveguen per l'espai de disseny, el nostre marc es centra en aprendre aquesta distribució óptima eventualment. Els resultats indiquen que, encara que té potencial, encara no ha superat tècniques tradicionals com els algoritmes evolutius en rendiment. Aquest treball destaca el potencial de fusionar l'aprenentatge automàtic amb l'optimització tradicional, oferint noves perspectives i metodologies en el domini de l'optimització de disseny.