Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUOS-ARFGQS
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Lucas de Souza Batistapt_BR
dc.contributor.referee1Felipe Campelo França Pintopt_BR
dc.contributor.referee2Rodney Rezende Saldanhapt_BR
dc.creatorLianny Sanchez Lopezpt_BR
dc.date.accessioned2019-08-12T02:32:41Z-
dc.date.available2019-08-12T02:32:41Z-
dc.date.issued2017-07-04pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/BUOS-ARFGQS-
dc.description.abstractEvolutionary algorithms (EAs) based on decomposition have been successfully applied in the optimization of problems with two or three merit functions. Over the last few years, this potential has been also investigated in the context of multi-objective problems. In this sense, this dissertation investigates two promising approaches to increase the performance of algorithms based on decomposition: (i) a systematic model for generating weighted vectors (reference vectors) uniformly distributed; and (i) a transformed weighted Tchebycheff scalarization strategy, which provides a simple and parameter-free control of both convergence and scattering of the approximated alternatives. These techniques are incorporated into the general structure of the Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) and the performance of each is evaluated against other well-known strategies, considering known benchmark problems, i.e., DTLZ1 to DTLZ4 with 3, 5, 8, 10 and 15 objectives. The results indicate that the proposed techniques are competitive when compared to the other approaches evaluated, mainly in relation to the quality indicators Inverted Generational Distance (IGD) and Hypervolume (HV).pt_BR
dc.description.resumoAlgoritmos evolucionários (EAs) baseados em decomposição apresentam grande sucesso na otimização de problemas com duas ou três funções mérito e, nos últimos anos, esse potencial tem sido investigado também no contexto de problemas com muitos objetivos. Nesse sentido, esta dissertação investiga duas abordagens promissoras para aumento do desempenho de algoritmos baseados em decomposição, a saber, (i) um modelo sistemático para a geração, uniformemente distribuída, dos vetores de ponderação (vetores referência), e (ii) uma estratégia de escalarização Tchebycheff ponderada transformada, a qual promove um controle simples, e independente de parâmetros, tanto da convergência quanto do espalhamento das alternativas aproximadas. Estas técnicas são incorporadas à estrutura geral do Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) e o desempenho de cada uma é avaliado frente a outras estratégias populares, considerando-se problemas teste conhecidos, a saber, DTLZ1 a DTLZ4 com 3, 5, 8, 10 e 15 objetivos. Os resultados indicam uma forte competitividade das técnicas sugeridas, principalmente em relação aos indicadores de qualidade Inverted Generational Distance (IGD) e Hypervolume (HV).pt_BR
dc.languagePortuguêspt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectComputação evolucionáriapt_BR
dc.subjectProblemas de otimização com muitos objetivospt_BR
dc.subjectDecomposição Tchebycheffpt_BR
dc.subjectMultiple-layer simplex-lattice designpt_BR
dc.subjectMOEA/Dpt_BR
dc.subject.otherAlgoritmospt_BR
dc.subject.otherMétodo de decomposiçãopt_BR
dc.subject.otherEngenharia elétricapt_BR
dc.subject.otherOtimização multiobjetivopt_BR
dc.titleInvestigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposiçãopt_BR
dc.typeDissertação de Mestradopt_BR
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
dissertacao_final.pdf7.61 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.