Merkmalsbasierte interpretierbare Optimierung

Damit Optimierungsmodelle in der Praxis verwendet werden können, ist es entscheidend, dass die Anwender den Ergebnissen vertrauen. Ein wesentlicher Faktor in diesem Zusammenhang ist die Interpretierbarkeit des Lösungsprozesses. Ein vorheriger Ansatz für inhärent interpretierbare Optimierungsmodelle nutzte Entscheidungsbäume, um Instanzen auf Lösungen des zugrundeliegenden Optimierungsmodells abzubilden. Aufbauend auf dieser Arbeit untersuchen wir, wie allgemeinere Optimierungsregeln eingesetzt werden können, um die Interpretierbarkeit weiter zu erhöhen und gleichzeitig dem Entscheidungsträger mehr Freiheit zu geben. Die vorgeschlagenen Regeln führen nicht zu einer konkreten Lösung, sondern zu einer Lösungsmenge, die durch gemeinsame Merkmale charakterisiert ist. Um solche Optimierungsregeln zu finden, stellen wir eine exakte Methodik vor, die gemischt-ganzzahlige Programmierungsformulierungen sowie heuristische Verfahren verwendet. Wir skizzieren außerdem die Herausforderungen und Chancen, die diese Methoden bieten. Insbesondere zeigen wir die Verbesserung der Lösungsqualität, die unser Ansatz im Vergleich zu bestehenden Frameworks für interpretierbare Optimierung bietet, und diskutieren die Beziehung zwischen Interpretierbarkeit und Leistung. Diese Erkenntnisse werden durch Experimente mit synthetischen und realen Daten gestützt.