Esquemas para resolver Problemas de Optimización Multi-Objetivo a gran escala usando Algoritmos Evolutivos

Esquemas para resolver Problemas de Optimización Multi-Objetivo a gran escala usando Algoritmos Evolutivos

Luis Miguel Antonio
 

Texto completo de la Tesis     

 


Resumen

Muchos problemas multiobjetivo del mundo real tienen cientos e incluso miles de variables de decisión, por lo cual la escalabilidad es un tema de gran importancia. Esto, sin embargo, contrasta con los modelos evolutivos existentes para optimización multiobjetivo los cuales suelen validarse con problemas de prueba con un número relativamente bajo de variables de decisión (normalmente no más de 30). En la actualidad, la investigación existente en el área de algoritmos evolutivos multiobjetivo suele enfocar su atención a la escalabilidad en el espacio de las funciones objetivo (esta área se conoce como "many-objective optimization"), sin poner mucha atención a la escalabilidad en el espacio de las variables de decisión. En esta tesis se proponen nuevos esquemas que permite que un algoritmo evolutivo multiobjetivo sea capaz de lidiar con problemas de alta dimensionalidad en el espacio de las variables de decisión. Para validar el algoritmo propuesto se usó un conjunto de funciones de prueba que es escalable en el número de variables de decisión y se compararon resultados con respecto a algoritmos representativos del estado del arte en al área utilizando un número de variables de decisión que va de las 200 hasta las 1000.

 

Abstract

Many real-world multi-objective optimization problems have hundreds and even thousands of decision variables, which turns scalability into a very important topic. This, however, contrasts with the currently available evolutionary models for multi-objective optimization, which are normally validated with test problems having a relatively low number of decision variables (normally, no more than 30). Nowadays, research on multi-objective evolutionary algorithms (MOEAs) has focused on scalability in objective function space (this area is known today as "many-objective optimization"), disregarding scalability in decision variable space. In this thesis, we propose new schemes that allows a multi-objective evolutionary algorithm to be able to deal with problems having a large dimensionality in decision variable space. In order to validate the proposed approach, we adopted a set of test problems that are scalable in decision variable space, and we compared results with respect to those obtained by other MOEAs representative of the state-of-the-art in the area using a number of decision variables that goes from 200 up to 1000