Producing a diverse set of near-optimal reserve solutions with exact optimisation
Produire un ensemble diversifié de solutions quasi-optimales par l'optimisation exacte
Résumé
Reserves are at the heart of global policies to stop the erosion of biodiversity. Optimisation is increasingly used to identify reserve locations that reserve biodiversity at a minimum cost to human activities. Two classes of algorithms solve this reserve site selection problem: metaheuristic algorithms (such as simulated annealing, commonly implemented in Marxan) and exact optimisation (i.e. integer programming, commonly implemented in PrioritizR). Although exact approaches are now able to solve large-scale problems, metaheuristics are still widely used. One reason is that metaheuristic-based software provides a set of suboptimal reserve solutions instead of a single one. These alternative solutions are usually welcomed by stakeholders as they provide a better basis for negotiations among potentially conflictive objectives. Metaheuristic algorithms use random procedures to explore the space of suboptimal reserve solutions. Therefore, they may produce a large amount of similar, thus uninformative, alternative solutions, which usually calls for a heavy statistical post-processing. Effective methods for generating a diverse set of near-optimal solutions using exact optimisation are lacking. Here we present two new approaches for addressing this issue. Our algorithms explicitly control both the optimality gap and the dissimilarity between alternative reserve solutions. It allows the identification of a parsimonious, yet meaningful set of reserve solutions. The algorithms presented here could potentially increase the uptake of exact optimisation by practitioners. These methods should contribute to less noisy and more efficient discussions in the design of conservation policies.
Les réserves sont au cœur des politiques internationales visant à atténuer l'érosion de la biodiversité. L'optimisation est de plus en plus utilisée pour identifier les emplacements des réserves qui préservent la biodiversité à un coût minimal pour les activités humaines. Deux classes d'algorithmes permettent de résoudre ce problème de sélection de sites de réserve : les algorithmes métaheuristiques (tels que le recuit simulé, couramment mis en œuvre dans Marxan) et l'optimisation exacte (c'est-à-dire la programmation en nombres entiers, couramment mise en œuvre dans PrioritizR). Bien que les approches exactes soient désormais capables de résoudre des problèmes à grande échelle, les métaheuristiques sont encore largement utilisées. L'une des raisons est que les logiciels basés sur des métaheuristiques fournissent un ensemble de solutions de réserve sous-optimales au lieu d'une seule. Ces solutions alternatives sont généralement bien accueillies par les parties prenantes car elles constituent une meilleure base de négociation entre des objectifs potentiellement conflictuels. Les algorithmes métaheuristiques utilisent des procédures aléatoires pour explorer l'espace des solutions de réserve sous-optimales. Par conséquent, ils peuvent produire une grande quantité de solutions alternatives similaires, donc peu informatives, ce qui nécessite généralement un post-traitement statistique lourd. Il manque des méthodes efficaces pour générer un ensemble diversifié de solutions quasi-optimales à l'aide de l'optimisation exacte. Nous présentons ici deux nouvelles approches pour résoudre ce problème. Nos algorithmes contrôlent explicitement à la fois l'écart d'optimalité et la dissimilarité entre les solutions de réserve alternatives. Ils permettent l'identification d'un ensemble de solutions de réserve parcimonieux, mais significatif. Les algorithmes présentés ici pourraient potentiellement augmenter l'utilisation de l'optimisation exacte par les praticiens. Ces méthodes devraient contribuer à des discussions moins bruyantes et plus efficaces dans la conception des politiques de conservation.
Origine : Fichiers produits par l'(les) auteur(s)