Optimalisatieproblemen worden in de praktijk vaak geanalyseerd aan de hand van
computermodellen. Deze modellen kunnen echter erg duur zijn (o.v.v. computertijd, of kost); inzulk
geval kan de analyst gebruik maken van metamodellen. Optimalisatie via machine learning (ML) is
een relatief nieuw, maar veelbelovend onderzoeksveld binnen operations research. Dit project focust
specifiek op ML-gebaseerde optimalisatie met user preference learning, aan de hand van metamodellen. Bij problemen met meerdere objectieven is de beslissingsnemer (DM) typisch enkel
geïnteresseerd in een deel van de Pareto-optimale oplossingen; bijgevolg is het belangrijk om de
user preferences in rekening te brengen tijdens de optimalisatie, niet alleen omdat deze info het
algoritme sneller kan laten convergeren naar de relevante oplossingen, maar ook omdat de
algoritmes dan ook (op een data-efficiënte manier) probleemstellingen met een groter aantal
objectieven kunnen oplossen. Het leren van deze user preferences is echter complex, aangezien de
informatie typisch verstoord is door ruis (door cognitieve overbelasting van de DM). Dit project heeft
drie onderzoeksdoelstellingen: (i) het bestuderen van de issues bij het opschalen naar meerdere
objectieven; (ii) het ontwikkelen van een methodologie om (noisy) user preferences te modelleren,
en deze informatie te gebruiken in de optimalisatie, en (iii) het ontwikkelen van nieuwe performance
metrics om de kwaliteit van de gevonden oplossingen te beoordelen.