ParetoPick-R：一种提升多目标优化输出可解释性的交互式工具

《Environmental Modelling & Software》：ParetoPick-R: An Interactive Tool for Boosting the Interpretability of Multi-objective Optimisation Outputs

　　

ParetoPick-R使研究人员能够对多目标优化（Multi-objective Optimisation, MOO）结果进行交互式探索。迭代聚类可将大型Pareto解集浓缩为具有代表性的解决方案。层次分析法（Analytical Hierarchy Process, AHP）支持系统化的偏好分配。交互式可视化能够揭示各目标之间的权衡与协同关系。该工具可增强环境与空间规划背景下的决策支持。

多目标优化（Multi-objective Optimisation, MOO）结果的后处理长期缺乏结构化、透明且可转移的工作流程，这限制了Pareto前沿从复杂解集向可执行决策的转化。研究人员提出了一个集成交互式可视化、基于决策空间的迭代聚类剪枝以及层次分析法（Analytical Hierarchy Process, AHP）偏好评估的框架，并实现了开源工具ParetoPick-R。该工具通过14个研究组的协作开发以及50次来自农业（n=29）、水（n=11）、自然保护（n=7）和空间规划（n=3）部门的利益相关者访谈逐步完善。在德国Schwarzer Sch?ps流域和比利时Zwalm流域两个案例研究中，ParetoPick-R被应用于分析由CoMOLA框架生成的多目标优化输出。可视化功能支持对优化结果的验证与情境化，识别出总磷负荷与最小流量之间的强正相关（R²=0.74），以及与作物生产之间的较弱负相关（R²=0.47）；频率图揭示了关键措施和空间配置。基于决策空间的聚类将数百个解分别缩减至15个（德国）和8个（比利时）代表性解，同时保留了Pareto前沿的主要权衡结构。AHP程序通过成对比较确定目标权重，在德国案例中，当优先考虑最小流量时，AHP最优解显示可采用保水型低耕和覆盖作物措施，在中等成本下维持作物生产并实现较高的流量表现。研究结论强调，结构化、直观的后处理流程并非可有可无，而是将优化结果转化为环境管理与政策可执行见解的关键组成部分。论文还指出当前版本限制在四个目标以内，未考虑不确定性，未来将发展更丰富的可视化、额外的权衡探索方法以及不确定性分析。

首先，研究背景方面，环境决策常涉及生态、经济和社会等多重相互冲突的目标，环境模型已从寻找单一最优解转向探索代表权衡的解空间。MOO作为一种系统性评估替代方案及其权衡的方法，在水资源管理、土地利用规划、城市规划和农业景观管理等领域得到广泛应用，其典型输出是Pareto前沿。然而，Pareto前沿可能包含成百上千个解，目标空间是多维的，目标间的关系通常是非线性且难以可视化的，尤其是在目标超过三个时。同时，目标空间（其中可观察权衡）与决策空间（其中定义管理措施）之间的联系往往复杂且被多阶段建模链掩盖。现有后处理方式多为案例特定的临时程序，或通过固定权重将权衡压缩为综合得分，缺乏一套连贯的工作流程来将优化输出转化为可操作的决策。为此，研究人员定义了验证、情境化、简化和优先化四个设计原则，并据此构建了ParetoPick-R工具，以填补集成探索、缩减和偏好整合的空白。

研究人员开展的核心工作是设计并实现一个模型无关的后处理框架，该框架顺序集成了三个方法论组件。交互式可视化支持用户通过散点图、平行坐标图、成对目标散点图以及地图等链接视图，探索目标空间与决策空间，并通过滑块过滤目标范围和决策变量组合。聚类组件采用White等人（2025）提出的迭代Pareto剪枝过程，基于用户定义或自动生成的决策空间描述变量（如各措施的面积比例）将大型解集缩减为代表性子集，同时保留关键权衡结构。AHP组件基于Saaty（1977）的层次分析法，通过成对比较矩阵将利益相关者的主观偏好转化为目标权重，并以0.15为一致性阈值（CR）来保证判断一致性，最终通过加权得分识别最优解。

研究结果部分主要包括三个实验分析环节，分别对应论文中“可视化结果”“聚类性能”和“优先级排序与加权”三个小节。第一，在可视化结果方面，德国案例的Pareto前沿散点图展示了总磷（TP）负荷与作物生产、措施成本之间的权衡；通过过滤目标空间和决策空间，研究人员将1万余个解的集合缩减至528个更易处理的解。成对目标散点图显示TP负荷与最小流量（Qmin）呈强正相关（R²=0.74），与作物生产呈较弱负相关（R²=0.47）。频率图识别出实现低成本低磷解的关键措施是位于流域中南部特定位置的池塘与低耕管理。在比利时Zwalm案例中，频率图揭示了三种主要的河岸森林管理配置：高强度再造林（Scen100）主要分布于南部，小幅再造林（Scen20）集中在中央过渡区，而部分伐林（Scen20reduct）主要出现在北部下游区域。第二，在聚类性能方面，德国案例的默认聚类保留了原始Pareto前沿的主要形状，但缺少最高作物产量和最高成本解；比利时案例的默认聚类虽然覆盖了农业产量与生态指标之间的主要权衡，但在前沿中部区域（约600牛顿棉条分解量和2百万平方米农业产量处）未能清晰区分簇；附录中通过手动测试不同簇数，发现8个簇能产生最具代表性的子集。第三，在优先级排序与加权方面，以德国案例为例，当用户为Qmin相对于TP负荷和成本设置偏好值为6时，AHP计算得到权重分别为TP负荷0.14、Qmin0.50、作物生产0.23、成本0.14。由于默认聚类的代表解均不在用户设定的过滤范围内，AHP最优解从完整Pareto前沿中识别。该解位于前沿内部，在中等偏高成本下实现了接近最优的Qmin表现，同时保持较高作物生产，其地图显示该方案依赖大面积保水型低耕和覆盖作物管理，而较少使用其他措施。

在讨论部分，研究人员指出，该工作流程的主要贡献在于将常被孤立应用的交互式可视化、聚类缩减和AHP评估整合为一个连贯、透明且可复现的后处理流程。特别是交互式约束决策空间的能力使决策者能够测试在现实实施限制下目标是否仍可实现，并揭示哪些决策变量是必需的、可替代的，以及在什么条件下可行方案不再存在。聚类缩减解决了目标数量增加时解集规模急剧扩大所导致认知负担过重的问题。AHP则将主观判断转化为可追溯的权重，支持系统化的偏好探索和利益相关者共识建立。该框架也存在若干局限性：当前实现最多支持四个目标函数，更高维问题需要借助复合指标或顺序使用；基于聚类的缩减可能会遗漏代表极端权衡的异常解；AHP受主观输入和不一致性影响；工具未能解决模型结构、输入数据和优化过程产生的不确定性。未来发展方向包括增强可视化、探索更多用户引导的权衡分析方法和不确定性分析。最后，研究结论部分可翻译为：本研究提出了ParetoPick-R，一种用于多目标优化结果后处理的结构化、可复现工作流程。通过整合交互式可视化、基于聚类的缩减和基于偏好的评估，该方法支持从复杂的Pareto最优解集向决策相关见解的过渡。其概念设计可迁移至广泛的MOO应用，两个案例研究证明了其独立于具体模型的可用性。总体而言，该工作强调后处理是MOO决策支持的关键组成部分，结构化且直观的后处理流程对于将优化结果转化为环境管理和政策的可操作见解至关重要。