Algoritmo evolutivo multi-objetivo baseado em decomposição com arquivo externo e adaptação de pesos baseada em vizinhança local
Carregando...
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
Multi-objective evolutionary algorithm based on decomposition with external file and local neighborhood-based weight adaptation
Primeiro orientador
Membros da banca
Sandra Mara Guse Scos Venske
Elizabeth Fialho Wanner
Lucas de Souza Batista
Elizabeth Fialho Wanner
Lucas de Souza Batista
Resumo
Algoritmos evolucionários multi-objetivo, Multiobjective Evolutionary Algorithm (MOEA),
apresentam uma abordagem interessante para resolver diversos tipos de problemas, conhe cidos como problemas multi-objetivo, Multiobjective Problem (MOP). A subcategoria de
MOEA com abordagens baseada em decomposição vêm crescendo rapidamente e muitos
estudos têm demonstrado que a distribuição de vetores de peso desempenha um fator
interessante para ajudar a obter um conjunto uniforme de soluções. No entanto, uma
distribuição uniforme dos vetores de peso no início da evolução nem sempre resulta em
um conjunto uniforme de soluções no espaço de objetivos, pois os resultados se mos tram dependentes do formato da fronteira Pareto. Fronteiras Pareto com forma irregular
(desconectadas, invertidas, etc.), geralmente não estão presentes em todas as partes do
conjunto inicial de vetores de peso. Uma abordagem para superar esse problema é adaptar
os vetores de peso buscando aproximar o formato da fronteira Pareto. Visando contri buir com o campo de estudo, é proposto um algoritmo baseado em decomposição que
adapta progressivamente seus vetores de peso durante o processo de evolução utilizando
um arquivo externo de soluções não-dominadas. O algoritmo proposto é denominado de
Multi-objective Evolutionary Algorithm based on Decomposition with Local-Neighborhood
Adaptation (MOEA/D-LNA). Posteriormente, o algoritmo proposto é comparado com
outros algoritmos da literatura em três conjuntos de funções de teste, DTLZ, WFG,
MaF e o também resultante desta pesquisa Generalized Position-Distance (GPD), com diferentes procedimentos de inicialização de vetores de peso com 3,5,8 e 10 objetivos. Os resultados mostraram características interessantes e resultados promissores em problemascom fronteiras Pareto irregulares. Como por exemplo nos problemas DTLZ5. IDTLZ1,MaF1, GPD1 e GPD2.
Abstract
Multiobjective evolutionary algorithms (MOEA) present an interesting approach to solving
different types of problems, known as multiobjective problems (MOP). The subcategory of
MOEA with decomposition-based methods have been growing rapidly and many studies
have shown that the distribution of weight vectors plays an interesting factor to obtain
a uniform set of solutions. However, an uniform distribution of weight vectors at the
beginning of evolution not always result in an uniform set of solutions in the objective
space, as the results are highly dependent on the Pareto front shape. Irregularly shaped
Pareto fronts (disconnected, inverted, etc.) generaly do not contains all parts of the initial
set of weight vectors. One approach to overcome this problem is to adapt the weight vectors
to approximate the shape of the Pareto boundary. Aiming to contribute to the field of study,
an algorithm based on decomposition that progressively adapts its weight vectors during
the evolution process using a archive of nondominated solutions is proposed. The proposed
algorithm is called Multi-objective Evolutionary Algorithm based on Decomposition with
Local-Neighborhood Adaptation (MOEA/D-LNA). Subsequently, the proposed algorithm
is compared to other algorithms from the literature in three sets of test functions, DTLZ,
WFG, MaF and the one resulting from this research Generalized Position-Distance (GPD),
with different weight vector initialization procedures in 3,5,8 and 10 objectives. The results
have shown interesting characteristics and promising results on irregular Pareto fronts.For example on the problems DTLZ5. IDTLZ1, MaF1, GPD1 e GPD2.
Assunto
Engenharia elétrica, Otimização multiobjectivo, Método de decomposição, Algoritmos evolutivos
Palavras-chave
Otimização multi-objetivo, Decomposição, Algoritmo evolucionário, Adaptação dos vetores de peso, Função de teste