Indicadores de convergência e diversidade em algoritmos evolutivos para otimização multiobjetivo

Detalhes bibliográficos
Autor(a) principal: Carvalho, Luiz Carlos Felix
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