Técnicas para resolver problemas de optimización con muchas funciones objetivo usando algoritmos evolutivos

Técnicas para resolver problemas de optimización con muchas funciones objetivo usando algoritmos evolutivos

Antonio López Jaimes
 

Texto completo de la Tesis     

 


Resumen

Muchos problemas en ingeniería, en la industria, y en muchas otras áreas, plantean la optimización simultánea de varios objetivos. Problemas de este tipo son conocidos como problemas de optimización multiobjetivo (MOPs).
Uno de los enfoques más exitosos para resolver MOPs es el uso de algoritmos evolutivos multiobjetivo (MOEAs), los cuales son métodos estocásticos de optimización que simulan el proceso de evolución natural. Estudios recientes han mostrado que la efectividad de los MOEAs basados en la dominancia de Pareto se deteriora conforme el número de objetivos aumenta.
Nosotros presentamos varias técnicas para contrarrestar algunas dificultades planteadas por los MOPs con muchos objetivos.
Inicialmente propusimos dos algoritmos para reducir el número de objetivos. La idea básica de estos algoritmos es identificar los objetivos no conflictivos para descartarlos. Más adelante, incorporamos uno de nuestros algoritmos de reducción en un MOEA con el fin aproximar el frente de Pareto.
Finalmente, desarrollamos una nueva relación de preferencia que ofrece una manera sencilla de integrar preferencias del tomador de decisiones en un MOEA sin modificar su estructura básica. Además, la relación de preferencia propuesta fue usada para tratar con problemas con muchos objetivos.