Departamento de Computación

En los últimos años, los algoritmos evolutivos multi-objetivo que adoptan funciones de escalarización han mostrado ser una excelente alternativa para dar solución a problemas de optimización multi-objetivo complejos. Sin embargo, estos algoritmos requieren una adecuada configuración de sus parámetros (en particular de la función de escalarización) para tener un buen desempeño. Las características de un problema multiobjetivo tales como la geometría del frente de Pareto o el número de funciones objetivo son útiles para determinar la mejor configuración de parámetros. En esta tesis se presenta una revisión de diversas funciones de escalarización que fueron acopladas a algoritmos evolutivos multi-objetivo del estado del arte tales como: MOEA/D, MOMBI-II y MOEA/D-DRA. Se diseño una metodología experimental de ajuste de parámetros fuera de línea que fue aplicada a diversos casos de estudio entre los que se incluyeron: 1) analizar el comportamiento de las funciones de escalarización para resolver problemas con geometrías convexas, cóncavas, lineales, mixtas y desconectadas del frente de Pareto, 2) identificar a las funciones de escalarización que son capaces de escalar en el número de objetivos (hasta 10 objetivos) y 3) examinar la velocidad de convergencia de las funciones de escalarización. Además, se emplearon ténicas de adaptación de parámetros en línea para combinar simultáneamente varias funciones de escalarización con el objetivo de resolver eficientemente una mayor diversidad de problemas multi-objetivo. Los resultados presentados en esta tesis proporcionan pautas para diseñar nuevos algoritmos evolutivos multi-objetivo que sean robustos de tal forma que puedan adaptarse adecuadamente a diversas características de los problemas multi-objetivo

Abstract

In the last few years, decomposition-based multi-objective evolutionary algorithms, as well as indicator-based multi-objective evolutionary algorithms that adopt scalarizing functions, have shown to be an excellent choice for solving complex multi-objective optimization problems. However, these algorithms require an appropriate setting of their parameters (in particular of the scalarizing function) for them to have a good performance. The features of a multi-objective problem such as the geometry of the Pareto front or the number of objectives are useful to determine the best parameters settings. In this thesis, we present a review of several scalarizing functions which were coupled to state-of-the-art multi-objective evolutionary algorithms such as: MOEA/D, MOMBI-II and MOEA/D-DRA. An experimental methodology for offline parameters setting was designed. Such a methodology was applied to several study cases including the following: 1) analyzing the behavior of the scalarizing functions for solving problems having convex, concave, linear, mixed and disconnected Pareto front geometries, 2) identifying the scalarizing functions which are able to scale up with an increasing number of objectives (up to 10 objectives) and 3) examining the speed of convergence of the scalarizing functions. Furthermore, online parameters setting techniques were adopted for simultaneously combining several objectives with the aim of efficiently solving a greater variety of multiobjective problems. The results presented in this thesis provide hints for designing new multi-objective evolutionary algorithms that are robust and can properly adapt to different features of multiobjective problems