Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/BUOS-ARFGQS |
Resumo: | Algoritmos evolucionários (EAs) baseados em decomposição apresentam grande sucesso na otimização de problemas com duas ou três funções mérito e, nos últimos anos, esse potencial tem sido investigado também no contexto de problemas com muitos objetivos. Nesse sentido, esta dissertação investiga duas abordagens promissoras para aumento do desempenho de algoritmos baseados em decomposição, a saber, (i) um modelo sistemático para a geração, uniformemente distribuída, dos vetores de ponderação (vetores referência), e (ii) uma estratégia de escalarização Tchebycheff ponderada transformada, a qual promove um controle simples, e independente de parâmetros, tanto da convergência quanto do espalhamento das alternativas aproximadas. Estas técnicas são incorporadas à estrutura geral do Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) e o desempenho de cada uma é avaliado frente a outras estratégias populares, considerando-se problemas teste conhecidos, a saber, DTLZ1 a DTLZ4 com 3, 5, 8, 10 e 15 objetivos. Os resultados indicam uma forte competitividade das técnicas sugeridas, principalmente em relação aos indicadores de qualidade Inverted Generational Distance (IGD) e Hypervolume (HV). |
id |
UFMG_a6bafbf535906705689e4b345efe8194 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/BUOS-ARFGQS |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Lucas de Souza BatistaFelipe Campelo França PintoRodney Rezende SaldanhaLianny Sanchez Lopez2019-08-12T02:32:41Z2019-08-12T02:32:41Z2017-07-04http://hdl.handle.net/1843/BUOS-ARFGQSAlgoritmos evolucionários (EAs) baseados em decomposição apresentam grande sucesso na otimização de problemas com duas ou três funções mérito e, nos últimos anos, esse potencial tem sido investigado também no contexto de problemas com muitos objetivos. Nesse sentido, esta dissertação investiga duas abordagens promissoras para aumento do desempenho de algoritmos baseados em decomposição, a saber, (i) um modelo sistemático para a geração, uniformemente distribuída, dos vetores de ponderação (vetores referência), e (ii) uma estratégia de escalarização Tchebycheff ponderada transformada, a qual promove um controle simples, e independente de parâmetros, tanto da convergência quanto do espalhamento das alternativas aproximadas. Estas técnicas são incorporadas à estrutura geral do Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) e o desempenho de cada uma é avaliado frente a outras estratégias populares, considerando-se problemas teste conhecidos, a saber, DTLZ1 a DTLZ4 com 3, 5, 8, 10 e 15 objetivos. Os resultados indicam uma forte competitividade das técnicas sugeridas, principalmente em relação aos indicadores de qualidade Inverted Generational Distance (IGD) e Hypervolume (HV).Evolutionary algorithms (EAs) based on decomposition have been successfully applied in the optimization of problems with two or three merit functions. Over the last few years, this potential has been also investigated in the context of multi-objective problems. In this sense, this dissertation investigates two promising approaches to increase the performance of algorithms based on decomposition: (i) a systematic model for generating weighted vectors (reference vectors) uniformly distributed; and (i) a transformed weighted Tchebycheff scalarization strategy, which provides a simple and parameter-free control of both convergence and scattering of the approximated alternatives. These techniques are incorporated into the general structure of the Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) and the performance of each is evaluated against other well-known strategies, considering known benchmark problems, i.e., DTLZ1 to DTLZ4 with 3, 5, 8, 10 and 15 objectives. The results indicate that the proposed techniques are competitive when compared to the other approaches evaluated, mainly in relation to the quality indicators Inverted Generational Distance (IGD) and Hypervolume (HV).Universidade Federal de Minas GeraisUFMGAlgoritmosMétodo de decomposiçãoEngenharia elétricaOtimização multiobjetivoComputação evolucionáriaProblemas de otimização com muitos objetivosDecomposição TchebycheffMultiple-layer simplex-lattice designMOEA/DInvestigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposiçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALdissertacao_final.pdfapplication/pdf7794019https://repositorio.ufmg.br/bitstream/1843/BUOS-ARFGQS/1/dissertacao_final.pdf1dd942dd5bf94f8358f6cb52e2cfede6MD51TEXTdissertacao_final.pdf.txtdissertacao_final.pdf.txtExtracted texttext/plain105639https://repositorio.ufmg.br/bitstream/1843/BUOS-ARFGQS/2/dissertacao_final.pdf.txt1b749b24d847a48ccfa6abbe67e13de2MD521843/BUOS-ARFGQS2019-11-14 11:21:27.254oai:repositorio.ufmg.br:1843/BUOS-ARFGQSRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T14:21:27Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
title |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
spellingShingle |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição Lianny Sanchez Lopez Computação evolucionária Problemas de otimização com muitos objetivos Decomposição Tchebycheff Multiple-layer simplex-lattice design MOEA/D Algoritmos Método de decomposição Engenharia elétrica Otimização multiobjetivo |
title_short |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
title_full |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
title_fullStr |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
title_full_unstemmed |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
title_sort |
Investigação de técnicas eficientes para algoritmos evolutivos multiobjetivo baseados em decomposição |
author |
Lianny Sanchez Lopez |
author_facet |
Lianny Sanchez Lopez |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Lucas de Souza Batista |
dc.contributor.referee1.fl_str_mv |
Felipe Campelo França Pinto |
dc.contributor.referee2.fl_str_mv |
Rodney Rezende Saldanha |
dc.contributor.author.fl_str_mv |
Lianny Sanchez Lopez |
contributor_str_mv |
Lucas de Souza Batista Felipe Campelo França Pinto Rodney Rezende Saldanha |
dc.subject.por.fl_str_mv |
Computação evolucionária Problemas de otimização com muitos objetivos Decomposição Tchebycheff Multiple-layer simplex-lattice design MOEA/D |
topic |
Computação evolucionária Problemas de otimização com muitos objetivos Decomposição Tchebycheff Multiple-layer simplex-lattice design MOEA/D Algoritmos Método de decomposição Engenharia elétrica Otimização multiobjetivo |
dc.subject.other.pt_BR.fl_str_mv |
Algoritmos Método de decomposição Engenharia elétrica Otimização multiobjetivo |
description |
Algoritmos evolucionários (EAs) baseados em decomposição apresentam grande sucesso na otimização de problemas com duas ou três funções mérito e, nos últimos anos, esse potencial tem sido investigado também no contexto de problemas com muitos objetivos. Nesse sentido, esta dissertação investiga duas abordagens promissoras para aumento do desempenho de algoritmos baseados em decomposição, a saber, (i) um modelo sistemático para a geração, uniformemente distribuída, dos vetores de ponderação (vetores referência), e (ii) uma estratégia de escalarização Tchebycheff ponderada transformada, a qual promove um controle simples, e independente de parâmetros, tanto da convergência quanto do espalhamento das alternativas aproximadas. Estas técnicas são incorporadas à estrutura geral do Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) e o desempenho de cada uma é avaliado frente a outras estratégias populares, considerando-se problemas teste conhecidos, a saber, DTLZ1 a DTLZ4 com 3, 5, 8, 10 e 15 objetivos. Os resultados indicam uma forte competitividade das técnicas sugeridas, principalmente em relação aos indicadores de qualidade Inverted Generational Distance (IGD) e Hypervolume (HV). |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017-07-04 |
dc.date.accessioned.fl_str_mv |
2019-08-12T02:32:41Z |
dc.date.available.fl_str_mv |
2019-08-12T02:32:41Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/BUOS-ARFGQS |
url |
http://hdl.handle.net/1843/BUOS-ARFGQS |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/BUOS-ARFGQS/1/dissertacao_final.pdf https://repositorio.ufmg.br/bitstream/1843/BUOS-ARFGQS/2/dissertacao_final.pdf.txt |
bitstream.checksum.fl_str_mv |
1dd942dd5bf94f8358f6cb52e2cfede6 1b749b24d847a48ccfa6abbe67e13de2 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589310134353920 |