Departamento de Computación

Los problemas de optimización que se componen de dos o más funciones objetivo (normalmente en conflicto entre sí) son denominados multiobjetivo (POM) y aparecen en distintas áreas de de las ciencias e ingenieras, por lo que su solucion tiene una gran relevancia para las aplicaciones del mundo real. Solucionar un POM consiste en encontrar un conjunto de soluciones que representen los mejores compromisos posibles entre sus funciones objetivo. De entre las muchas técnicas disponibles para resolver POMs, una alternativa son los sistemas inmunes artificiales para optimización multi-objetive (SIAMs), Este tipo de metaheurística emula procesos inmunes con recursos computacionales, con el objetivo de resolver POMs. Los SIAMs cuentan con mecanismos que los convierten en poderosas herramientas de búsqueda, tales como el principio de selección clonal, la selección positiva y la selección negativa. El uso de los SIAMs puros (es decir, utilizando únicamente componentes inspirados en conceptos inmunes) e híbridos (es decir, que adoptan operadores y procesos de otro tipo de metaheurírsticas como los algoritmos evolutivos) ha sido bastante limitado, particularmente para problemas con muchas (es decir, más de tres) funciones objetivo. Esto se debe a que un número importante de los SIAMs actuales tienen esquemas de selección basados en la optimalidad de Pareto. En años recientes se han propuesto SIAMs que adoptan esquemas de selección más adecuados para lidiar con muchas funciones objetivo, destacando el uso de descomposición. En esta tesis se propone un nuevo SIAM denominado "Sistema Inmune Artificial Multiobjetivo basado en Descomposición" (SIAMD) y una variante del mismo que incorpora recombinación (SIAMDX). El desempeño de ambos algoritmos se compara con respecto al NSGA-II y MOEA/D, además de cuatro SIAMs propuestos recientemente. Los resultados obtenidos de este estudio comparativo muestran que SIAMDX supera el desemepeño del NSGA-II y obtiene resultados similares a los de MOEA/D en la mayoría de las instancias utilizadas. Así mismo, SIAMDX obtiene un desempeño superior al de los otros SIAMs adoptados, sobre todo al aumentar el número de funciones objetivo, lo que lo hace apto para resolver problemas de optimizacion multiobjetivo con muchos objetivos.

Abstract

Optimization problems that consist of two or more (often coflicting) objective functions are called multiobjective optimization problems (MOPs) and they appear in different scientific and engineering areas. Therefore, their solution has a great relevance for realworld applications. Solving a MOP consists in finding a set of solutions that represent the best possible trade-offs among their objective functions. From among the many techniques currently available to solve MOPs, an alternative is the use of multiobjective artificial immune systems (MOAISs). This sort of metaheuristic emulates immune processes with computational resources, with the aim of solving MOPs. MOAISs have mechanisms that make them powerful search tools, such as the clonal selection principle, positive selection and negative selection. The use of pure (i.e., adopting only components inspired on immune concepts) and hybrid (i.e., adopting operators and processes from other types of metaheuristics such as evolutionary algorithms) MOAISs has been fairly limited, particularly when dealing with MOPs having many objectives (i.e., more than three). The reason for this is that an important number of MOAIs in current use have selection mechanisms based on Pareto optimality. In recent years, there have been proposals of MOAISs that adopt selection schemes that are more appropriate to deal with many-objective problems, from which decomposition has been a popular choice. In this thesis, we propose a new MOAIs called \Multiobjective Artificial Immune System based on Decomposition" (MOAISD) as well as a variant of it that incorporates recombination (MOAISDX). The performance of both algorithms is compared with respect to that of NSGA-II and MOEA/D, as well as with respect to four MOAIs that were recently proposed. The results obtained from this comparative study show that MOAISDX outperforms NSGA-II and obtaines results similar to those of MOEA/D in most of the test instances adopted. Furthermore, MOAISDX has a better performance than that of the other MOAIS adopted, particularly as we increase the number of objectives, which indicates that it is a good choice for solving many-objective optimization problems.