In this paper, we describe how to optimize multiple objective functions in uncontrollable environment changes. We use Bayesian optimization to optimize for a changing environment in complex systems where the form of the objective function is unknown. The difference from the previous study is that the controlled input values and the given environmental values are selected in a continuous range rather than in a set. To do this, we define a virtual Pareto set using the predictive distribution of the Gaussian process and present a CMOBO algorithm. The proposed algorithm describes how optimization is performed when wind direction is changed for the wind farm data generated by the FLORIS simulator.
이 논문에서는 제어할 수 없는 환경이 변화함에 따라 어떻게 여러 개의 목적함수를 최적화할 수 있는지에 대해서 다룬다. 목적 함수의 형태를 알 수 없는 복잡한 시스템에서 매 순간 변화하는 환경에 대해 최적화를 하기 위해서 베이지언 최적화를 활용한다. 이전 연구와 다른 점은 제어하는 입력 값과 주어지는 환경 값이 집합이 아니라 연속적인 범위에서 선택된다는 것이다. 이를 위해서 가우시안 과정의 예측 분포를 이용하여 가상의 파레토 셋을 정의하고 CMOBO 알고리듬을 제시한다. 제안된 알고리듬은 FLORIS 시뮬레이터를 이용한 윈드팜 데이터를 이용해서 바람의 방향이 바뀔 때 어떻게 최적화가 진행되는지 묘사한다.
