Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFU |
Texto Completo: | https://repositorio.ufu.br/handle/123456789/36044 http://doi.org/10.14393/ufu.te.2021.511 |
Resumo: | The convergence of Multiobjective Evolutionary Algorithms (MOEA’s) is an important area in the study of this type algorithm, all the same, it is a topic that is currently not adequately represented in the literature, but this fact seems to be a changing one. This relevant importance is highlighted, as convergence is directly linked to the ability of an MOEA to obtain a solution to a problem. Current studies use indicators to observe characteristics in the set of non-dominated solutions of the algorithm, in order to analyze a certain aspect, which aids in the study of convergence. This work proposes two indicators, Concentration Rate (CR) and Diversity Rate (DR), to analyze behavioral characteristics and determine a stopping criteria for MOEA's, in addition to an indicator that can be used to determine the convergence point of a MOEA - Indicator of Stability in Solution Space (S3). To perform the necessary experiments, two MOEA's were proposed, the Simple Estimation of Distribution Algorithm (SEDA) and the Simple Estimation of Distribution Algorithm with Swarm Intelligence (SEDASI), to deal with the Flexible Job Shop Problem. The experiments, which included the MOEA's along with the proposed indicators, as well as those of the literature, were performed with the Flexible Job Shop Problem and the benchmark ZDT. The results showed the effectiveness of the indicators in presenting the proposed characteristics, while assisting in a process that determines the stopping and convergence point of MOEA's, with results that are competitive with those of methods already established in the literature. |
id |
UFU_410e7632fdbbbbd265abdceac5a33a10 |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/36044 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivoConvergence and diversity indicators of evolutionary algorithms for multiobjective optimizationConvergênciaConvergenceDiversidadeDiversityOtimização multiobjetivoMultiobjective optimizationAlgoritmos evolutivos multiobjetivoMultiobjective evolutionary algorithmsPonto de paradaStopping criteriaDetecção de convergênciaConvergence detectionOtimização por Enxame de PartículasParticle Swarm OptimizationOtimização por Enxame de Partículas com DiversidadeParticle Swarm Optimization with DiversityAlgoritmos de Estimativa de DistribuiçãoEstimation of Distribution AlgorithmsIndicadoresIndicatorsHipervolumeHypervolumeProblema Job Shop FlexívelFlexible Job Shop ProblemComputaçãoComputationCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOCiência da ComputaçãoInteligência artificialAlgorítmos computacionaisThe convergence of Multiobjective Evolutionary Algorithms (MOEA’s) is an important area in the study of this type algorithm, all the same, it is a topic that is currently not adequately represented in the literature, but this fact seems to be a changing one. This relevant importance is highlighted, as convergence is directly linked to the ability of an MOEA to obtain a solution to a problem. Current studies use indicators to observe characteristics in the set of non-dominated solutions of the algorithm, in order to analyze a certain aspect, which aids in the study of convergence. This work proposes two indicators, Concentration Rate (CR) and Diversity Rate (DR), to analyze behavioral characteristics and determine a stopping criteria for MOEA's, in addition to an indicator that can be used to determine the convergence point of a MOEA - Indicator of Stability in Solution Space (S3). To perform the necessary experiments, two MOEA's were proposed, the Simple Estimation of Distribution Algorithm (SEDA) and the Simple Estimation of Distribution Algorithm with Swarm Intelligence (SEDASI), to deal with the Flexible Job Shop Problem. The experiments, which included the MOEA's along with the proposed indicators, as well as those of the literature, were performed with the Flexible Job Shop Problem and the benchmark ZDT. The results showed the effectiveness of the indicators in presenting the proposed characteristics, while assisting in a process that determines the stopping and convergence point of MOEA's, with results that are competitive with those of methods already established in the literature.UFU - Universidade Federal de UberlândiaTese (Doutorado)A convergência de Algoritmos Evolutivos Multiobjetivo (AEMO's) é um tema que não tem na literatura o devido retorno se comparado à importância que possui, porém é possível que esse fato esteja mudando. A relevância é destacada pois a convergência está diretamente ligada à capacidade de um AEMO obter a solução de um problema. Os estudos atuais utilizam indicadores para observar características no conjunto de soluções não dominadas do algoritmo, de modo a analisar determinado aspecto, auxiliando no estudo da convergência. Este trabalho propõe dois indicadores, Taxa de Concentração (Concentration Rate, CR) e Taxa de Diversidade (Diversity Rate, DR), para analisar características comportamentais e determinar um ponto de parada para AEMO's, além de um indicador que pode ser utilizado para determinar o ponto de convergência de um AEMO, Indicador de Estabilidade no Espaço de Soluções (Stability in Solution Space, S3). Para realizar os experimentos, dois AEMO's foram propostos, Algoritmo de Estimativa de Distribuição Simples (Simple Estimation of Distribution Algorithm, SEDA) e Algoritmo de Estimativa de Distribuição Simples com Inteligência de Enxame (Simple Estimation of Distribution Algorithm with Swarm Intelligence, SEDASI), para tratar o problema Job Shop Flexível. Os experimentos realizados, que contemplaram os AEMO's e indicadores propostos e da literatura, foram realizados com o problema Job Shop Flexível e com o benchmark ZDT. Os resultados mostraram a efetividade dos indicadores em apresentar as características a que se propõe e em auxiliar um processo para determinar o ponto de parada e de convergência de AEMO's, com resultados competitivos com os de métodos conhecidos da literatura.Universidade Federal de UberlândiaBrasilPrograma de Pós-graduação em Ciência da ComputaçãoFernandes, Márcia Aparecidahttp://lattes.cnpq.br/8946715881289701Gabriel, Paulo Henrique Ribeirohttp://lattes.cnpq.br/3181954061121790Martins, Luiz Gustavo Almeidahttp://lattes.cnpq.br/2546751023256424Soares, Anderson da Silvahttp://lattes.cnpq.br/1096941114079527Sanches, Danilo Sipolihttp://lattes.cnpq.br/6377657274398145Carvalho, Luiz Carlos Felix2022-09-12T15:12:20Z2022-09-12T15:12:20Z2021-09-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfCARVALHO, Luiz Carlos Felix. Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo. 2021. 134 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.te.2021.511.https://repositorio.ufu.br/handle/123456789/36044http://doi.org/10.14393/ufu.te.2021.511porhttp://creativecommons.org/licenses/by-nc-nd/3.0/us/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFU2022-09-13T06:16:53Zoai:repositorio.ufu.br:123456789/36044Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2022-09-13T06:16:53Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.none.fl_str_mv |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo Convergence and diversity indicators of evolutionary algorithms for multiobjective optimization |
title |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo |
spellingShingle |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo Carvalho, Luiz Carlos Felix Convergência Convergence Diversidade Diversity Otimização multiobjetivo Multiobjective optimization Algoritmos evolutivos multiobjetivo Multiobjective evolutionary algorithms Ponto de parada Stopping criteria Detecção de convergência Convergence detection Otimização por Enxame de Partículas Particle Swarm Optimization Otimização por Enxame de Partículas com Diversidade Particle Swarm Optimization with Diversity Algoritmos de Estimativa de Distribuição Estimation of Distribution Algorithms Indicadores Indicators Hipervolume Hypervolume Problema Job Shop Flexível Flexible Job Shop Problem Computação Computation CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Ciência da Computação Inteligência artificial Algorítmos computacionais |
title_short |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo |
title_full |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo |
title_fullStr |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo |
title_full_unstemmed |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo |
title_sort |
Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo |
author |
Carvalho, Luiz Carlos Felix |
author_facet |
Carvalho, Luiz Carlos Felix |
author_role |
author |
dc.contributor.none.fl_str_mv |
Fernandes, Márcia Aparecida http://lattes.cnpq.br/8946715881289701 Gabriel, Paulo Henrique Ribeiro http://lattes.cnpq.br/3181954061121790 Martins, Luiz Gustavo Almeida http://lattes.cnpq.br/2546751023256424 Soares, Anderson da Silva http://lattes.cnpq.br/1096941114079527 Sanches, Danilo Sipoli http://lattes.cnpq.br/6377657274398145 |
dc.contributor.author.fl_str_mv |
Carvalho, Luiz Carlos Felix |
dc.subject.por.fl_str_mv |
Convergência Convergence Diversidade Diversity Otimização multiobjetivo Multiobjective optimization Algoritmos evolutivos multiobjetivo Multiobjective evolutionary algorithms Ponto de parada Stopping criteria Detecção de convergência Convergence detection Otimização por Enxame de Partículas Particle Swarm Optimization Otimização por Enxame de Partículas com Diversidade Particle Swarm Optimization with Diversity Algoritmos de Estimativa de Distribuição Estimation of Distribution Algorithms Indicadores Indicators Hipervolume Hypervolume Problema Job Shop Flexível Flexible Job Shop Problem Computação Computation CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Ciência da Computação Inteligência artificial Algorítmos computacionais |
topic |
Convergência Convergence Diversidade Diversity Otimização multiobjetivo Multiobjective optimization Algoritmos evolutivos multiobjetivo Multiobjective evolutionary algorithms Ponto de parada Stopping criteria Detecção de convergência Convergence detection Otimização por Enxame de Partículas Particle Swarm Optimization Otimização por Enxame de Partículas com Diversidade Particle Swarm Optimization with Diversity Algoritmos de Estimativa de Distribuição Estimation of Distribution Algorithms Indicadores Indicators Hipervolume Hypervolume Problema Job Shop Flexível Flexible Job Shop Problem Computação Computation CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Ciência da Computação Inteligência artificial Algorítmos computacionais |
description |
The convergence of Multiobjective Evolutionary Algorithms (MOEA’s) is an important area in the study of this type algorithm, all the same, it is a topic that is currently not adequately represented in the literature, but this fact seems to be a changing one. This relevant importance is highlighted, as convergence is directly linked to the ability of an MOEA to obtain a solution to a problem. Current studies use indicators to observe characteristics in the set of non-dominated solutions of the algorithm, in order to analyze a certain aspect, which aids in the study of convergence. This work proposes two indicators, Concentration Rate (CR) and Diversity Rate (DR), to analyze behavioral characteristics and determine a stopping criteria for MOEA's, in addition to an indicator that can be used to determine the convergence point of a MOEA - Indicator of Stability in Solution Space (S3). To perform the necessary experiments, two MOEA's were proposed, the Simple Estimation of Distribution Algorithm (SEDA) and the Simple Estimation of Distribution Algorithm with Swarm Intelligence (SEDASI), to deal with the Flexible Job Shop Problem. The experiments, which included the MOEA's along with the proposed indicators, as well as those of the literature, were performed with the Flexible Job Shop Problem and the benchmark ZDT. The results showed the effectiveness of the indicators in presenting the proposed characteristics, while assisting in a process that determines the stopping and convergence point of MOEA's, with results that are competitive with those of methods already established in the literature. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-09-02 2022-09-12T15:12:20Z 2022-09-12T15:12:20Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
CARVALHO, Luiz Carlos Felix. Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo. 2021. 134 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.te.2021.511. https://repositorio.ufu.br/handle/123456789/36044 http://doi.org/10.14393/ufu.te.2021.511 |
identifier_str_mv |
CARVALHO, Luiz Carlos Felix. Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo. 2021. 134 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.te.2021.511. |
url |
https://repositorio.ufu.br/handle/123456789/36044 http://doi.org/10.14393/ufu.te.2021.511 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Programa de Pós-graduação em Ciência da Computação |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Programa de Pós-graduação em Ciência da Computação |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1813711596053069824 |