Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/BUOS-9RUHYK
Tipo: | Dissertação de Mestrado |
Título: | Preference-guided evolutionary algorithms for optimization with many objectives |
Autor(es): | Fillipe Goulart Silva Mendes |
Primeiro Orientador: | Felipe Campelo França Pinto |
Primeiro membro da banca : | Lucas de Souza Batista |
Segundo membro da banca: | Ricardo Hiroshi Caldeira Takahashi |
Resumo: | Algoritmos evolutivos tornaram-se muito famosos na resolução de problemas multiobjetivos nas duas últimas décadas. Suas aplicações consistiam praticamente na aproximação de toda a fronteira Pareto-ótima de modo que um Tomador de Decisões pudesse escolher a sua solução preferida depois. Contudo, essa filosofia a posteriori não é muito apropriada para problemas com muitos objetivos, sobretudo devido ao número de soluções necessárias para aproximar a fronteira normalmente cresce exponencialmente, e o processo de decisão pode tornar-se extremamente complicado. Portanto, o presente trabalho propõe a inclusão de preferências durante a etapa de otimização de maneira que, ao invés de o foco estar em toda a fronteira eficiente, uma região menor é considerada, e o contratempo de escolher dentre uma miríade de soluções é amenizado. Dois métodos evolutivos diferentes - um adotando o conhecido non-dominated sorting com Pareto-dominância e outro baseado em indicadores - são considerados, bem como suas adaptações que adotam preferências. Aliado a eles, um novo método é também proposto aqui. Os algoritmos são comparados em um banco de problemas de teste com muitos objetivos, e a qualidade de suas populações finais é avaliada segundo indicadores de convergência e sua habilidade de aproximar a solução preferida do decisor. Os resultados mostram que a inclusão de preferências gera melhorias significativas nos algoritmos, indicando que este método deve receber mais atenção neste campo. |
Abstract: | Evolutionary Algorithms became very famous in solving multi-objective problems in the last two decades. They were mainly used to approximate the whole extension of the efficient front so a decision maker could choose a preferred solution later. However, this a posteriori way of thinking is not well suited for problems with many objectives, mainly because the number of solutions to approximate the whole front usually increases exponentially, and the decision process can get really hard. Therefore, this work proposes the inclusion of preferences during the optimization process, such that, instead of focusing on the whole Pareto front, a smaller region is considered, so the problem of choosing among many alternatives is alleviated. Two different evolutionary methods - one with the usual non-dominated sorting with Pareto-dominance and another based on indicators - are considered together with their counterparts that take preferences into account. Along with them, a new approach is also proposed here. These algorithms are compared in a benchmark of problems with many objectives, and their outcomes are measured according to convergence and the ability to find the most preferred solutions of the decision maker. The results show that the inclusion of preferences generates significant improvements in the algorithms, indicating that they should deserve more attention in this field. |
Assunto: | Algoritmos Engenharia elétrica |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/BUOS-9RUHYK |
Data do documento: | 4-Jul-2014 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
fillipe___dissertation.pdf | 2.86 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.