Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição
Carregando...
Arquivos
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Felipe Campelo França Pinto
Rodney Rezende Saldanha
Rodney Rezende Saldanha
Resumo
Algoritmos 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).
Abstract
Evolutionary 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).
Assunto
Algoritmos, Método de decomposição, Engenharia elétrica, Otimização multiobjetivo
Palavras-chave
Computação evolucionária, Problemas de otimização com muitos objetivos, Decomposição Tchebycheff, Multiple-layer simplex-lattice design, MOEA/D