Algoritmos evolucionários intervalares para otimização robusta multiobjetivo

• Autor(a) principal: Marcus Henrique Soares Mendes
• Data de Publicação: 2013
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUBD-9P8GFZ
• topic: Engenharia Elétrica; Algoritmos; Engenharia elétrica

Os problemas reais de otimização multiobjetivo podem estar sujeitos a incertezas, as quais muitas vezes são impossíveis de serem evitadas. Com isso, há possibilidade de que uma pequena incerteza faça com que uma solução numérica ótima obtida para um problema real torne-se completamente sem sentido na prática. Assim, o escopo do processo de otimização multiobjetivo amplia-se e requer metodologias capazes de obter soluções robustas, ou seja, que funcionem perfeitamente em ambientes incertos. Nesta tese, são propostos algoritmos evolucionários intervalares que visam buscar soluções robustas para problemas de otimização multiobjetivo. Como noção de robustez, considera-se o cenário de pior caso das incertezas relacionadas às variáveis de decisão, aos parâmetros do ambiente e aos ruídos nas funções objetivo. O tratamento das incertezas é feito pela análise intervalar. Duas formulações matemáticas do problema de otimização robusta multiobjetivo relativas à noção robusta de cenário de pior caso são consideradas: minimax e minimax regret. Para lidar com tais formulações são propostos os métodos IRMOEA-M e IRMOEA-MR, respectivamente. Ambos os métodos são descritos detalhadamente e têm seu desempenho verificado perante um conjunto de problemas testes e reais. Além dessas contribuições originais, busca-se lidar com os principais fatores complicadores que surgem mediante o emprego da análise intervalar para lidar com as incertezas: (I) Dificuldades em obter funções de inclusão e (II) Possibilidade da imagem das soluções robustas não pertencer à imagem viável. Para lidar com o fator complicador I, os métodos SNIF-GPA e SNIF-MOGPA, baseados em programação genética são propostos. Em relação ao fator complicador II, define-se a fronteira ideal de maximização. A fim de avaliar o desempenho dos métodos propostos realizaram-se experimentos computacionais envolvendo funções teste e problemas reais nas áreas de eletromagnetismo e engenharia de controle. Os resultados obtidos indicaram que os métodos baseados em programação genética foram capazes de obter boas funções de inclusão, inclusive, quando comparados a outras metodologias. Adicionalmente, a fronteira ideal de maximização mostrou-se promissora e competitiva quando usada em um método robusto estritamente intervalar e em um evolucionário intervalar.