Hiper-Heurística utilizando a técnica Upper Confidence Bound para otimização multiobjetivo baseada em decomposição

• Autor(a) principal: Prestes, Lucas
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/3293
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA; Programação heurística; Algorítmos; Processo decisório por critério múltiplo; Computação evolutiva; Método de decomposição; Otimização matemática; Alocação de recursos - Modelos matemáticos; Métodos de simulação; Engenharia elétrica; Heuristic programming; Algorithms; Multiple criteria decision making; Evolutionary computation; Decomposition method; Mathematical optimization; Resource allocation - Mathematical models; Simulation methods; Electric engineering; Engenharia Elétrica

Muitos problemas reais de otimização têm sido formulados com mais de um objetivo. Recentemente, vários algoritmos evolucionários multiobjetivo foram propostos e particularmente aqueles baseados em decomposição, como o MOEA/D-DRA (do inglês Multi-objective evolutionary algorithm based on decomposition with dynamic resource allocation), têm sido aplicados com sucesso na resolução desses problemas. Contudo, a literatura mostra que o desempenho dessa classe de algoritmos é profundamente afetado pela escolha de seus parâmetros. Métodos de configuração automática de parâmetros aparecem como uma alternativa pois têm apresentado bons resultados na literatura. Portanto, o propósito deste trabalho é aperfeiçoar, através de uma hiper-heurística para configuração automática de parâmetros, um algoritmo baseado em decomposição voltado para problemas multiobjetivo. O ajuste de parâmetros via hiper-heurística é realizado tanto em modo off-line quanto online. O irace é utilizado na etapa off-line e determina os parâmetros utilizados durante o warm-up do algoritmo, enquanto o Upper Confidence Bound (UCB) é utilizado na etapa online que ocorre após o warm-up. Na maioria dos trabalhos relacionados ao uso do UCB para melhorar o desempenho do MOEA/D e suas variantes, apenas a variante de mutação é ajustada, enquanto neste trabalho são ajustados além da variante de mutação, a taxa de cruzamento, o fator de mutação, a probabilidade de utilizar a vizinhança global ou local e o número máximo de atualizações na vizinhança. Buscando encontrar uma estrutura eficiente, os testes executados são divididos em estágios. A melhor variante é então comparada com métodos do estado-da-arte (NSGA-II, IBEA e MOEA/D-DRA). Os resultados indicam que a abordagem proposta é muito competitiva com a literatura. A análise estatística realizada mostra que o método proposto foi igual ou superior aos métodos do estado-da-arte em 38 de 51 instâncias dos benchmarks CEC2009, GLT, LZ, MOP, DTLZ e WFG.