Transp Are Nci As

1
Departamento de Inteligencia Artificial Grupo de Anlisis de Decisiones y

Estadstica
BSQUEDA INTELIGENTE
BASADA EN
METAHEURSTICAS
PRCTICAS
Existen varias caractersticas que pueden causar dificultades para los
algoritmos evolutivos multiobjetivos: 1) converger a la frontera ptima y 2)
mantener la diversidad dentro de la poblacin.
En cuanto a la primera cuestin, la multimodalidad y el ptimo aislado son
problemas bien conocidos en problemas de optimizacin evolutiva
uniobjetivo.
La segunda cuestin es importante para conseguir una frontera no
dominada bien distribuida.
Sin embargo, ciertas caractersticas de la frontera de Pareto pueden
hacer que un algoritmo evolutivo encuentre soluciones de Pareto
diversas: convexidad o no convexidad, discreto y no uniformidad.
Bsqueda Inteligente basada en Metaheursticas: Prcticas
Conjunto ideal de soluciones no dominadas:
Las funciones tests difieren en estas tres funciones, en el nmero de
variables y en los valores que las variables pueden tomar.
f1 es una funcin de la primera variable de decisin
g es una funcin de las restantes m variables
los parmetros de h son los valores de las funciones de f
1
y g
Funciones Test:
Funcin Test 1:
Funcin Test 2:
Funcin Test 3:
Funcin Test 4:
Funcin Test 5:
Funcin Test 6:
Medidas de rendimiento
La distancia del conjunto no dominado resultante a la frontera ptima de
Pareto debera ser minimizada.
Una distribucin buena (en muchos casos uniforme) de las soluciones
encontradas es deseable. La valoracin de este criterio puede basarse
en una cierta distancia.
La extensin de la frontera no dominada debera ser maximizada, es
decir, para cada objetivo, un amplio rango de valores debera ser
cubierto por las soluciones no dominadas.
Convergencia es buena pero la distribucin es pobre.
Convergencia es pobre, pero la distribucin es buena.
El algoritmo A se mejor que el B
Los algoritmos A y B son difciles de comparar
1. Proporcin de error:
Mtricas de evaluacin de la proximidad a la frontera ptima de Pareto
2. Mtrica de cobertura del conjunto
Proporcin de soluciones en B, que son dbilmente dominadas
por soluciones de A.
Todos los miembros de B son dominados dbilmente por A.
Ningn miembro de B es dbilmente dominado por A.
Proporcin de soluciones en Q se son dbilmente dominadas

por miembros de P.
3. Distancia generacional:
Distancia promedio de las soluciones de Q a P.
es el valor de la funcin objetivo
m-sima del k-simo miembro de P
Mtricas de evaluacin de la proximidad a la
frontera ptima de Pareto
3. Distancia generacional:
4. Mximo error de la frontera ptima de Pareto:
Calcula la peor distancia entre todos los miembros de Q
Mtricas de evaluacin de la diversidad entre las soluciones no dominadas
1. Espaciado
Medida de la distancia relativa entre
soluciones consecutivas
Es el valor mnimo de la suma de las diferencias absolutas en los
valores de las funciones objetivos entre la i-sima solucin y cualquier
otra solucin en el conjunto no dominado.
Es la desviacin estndar de los diferentes valores d
i
Mtricas de evaluacin de la diversidad entre
las soluciones no dominadas
1. Espaciado
2. Extensin
Cualquier distancia entre soluciones del vecindario
Valor medio de estas distancias
Es la distancia entre las soluciones extremas de P y Q
correspondiente a la funcin objetivo m
La mtrica toma un valor cero para una distribucin ideal, slo cuando:
En el conjunto de soluciones no dominadas
obtenido estn las extremas ptimas de Pareto
La distribucin de soluciones intermedias es
uniforme
Un algoritmo con un menor valor encuentra un conjunto diverso mejor de
soluciones no dominadas.
2. Extensin
3. Mxima extensin
Es una mtrica midiendo la longitud de la diagonal de una hipercaja
formada por las soluciones extremas del espacio objetivo
Medidas de desviacin como la Chi cuadrado:
Nmero de soluciones en la vecindad de la solucin i
Un algoritmo que encuentre un valor menor podr mejor distribuir sus
soluciones prxima a la regin ptima de Pareto. Si la distribucin ideal es
encontrada, esta mtrica tendr un valor cero.
Distribucin ideal
Distribucin ideal
Medidas de desviacin como la
Chi cuadrado:
Mtricas evaluando la proximidad y diversidad
1. Hipervolumen
Esta mtrica calcula el
volumen recubierto por los
miembros de Q para
problemas donde todos los
objetivos son de
minimizacin
Depende de la escala de los objetivos.
El mejor valor de HVR es 1.
2. Superficie de logro basada en mtricas estadsticas
1. Hipervolumen
Soluciones no dominadas
obtenidas usando tres
diferentes ejecuciones de
un MOEA
Correspondientes superficies de
logro proporcionando un claro
entendimiento de las fronteras
obtenidas
1. Hipervolumen
Un nmero de lneas imaginarias, en la direccin de mejora de los
objetivos, son elegidas.
Para cada lnea, los puntos de interseccin con todas las superficies son
calculadas.
Usando estos puntos, un nmero de estadsticas, tales como 25, 50
75% , pueden ser obtenidos.
La distribucin de frecuencia a
lo largo de la lnea para un
nmero grande de superficies
de logro es tambin marcada
sobre la lnea.
Una vez que las distribuciones de
frecuencias son calculadas sobre
una lnea, un test estadstico (U
Mann-Witney o Kolmogorov-
Smirnov) puede ser usado para
determinar el mejor algoritmo
sobre la lnea.
1. Hipervolumen
Sobre cada lnea puede ocurrir: i) Algoritmo A mejor que el B; 2) Algoritmo
B mejor que A; y 3) ninguna conclusin.
Con un total de L lneas, se puede calcular el porcentaje de veces que el
algoritmo A es mejor que el algoritmo B, el B mejor que el A y no
conclusivo.
2. Mtrica ponderada
Ponderacin de una mtrica de convergencia y otra de diversidad
Distancia generacional
Facultad para preservar la diversidad
1. Hipervolumen
Todos los algoritmos evolutivos multiobjetivo son mejores que el mtodo de
bsqueda aleatoria (RAND).
Conclusiones
El NSGA supera a todos los otros algoritmos no elitistas (excepto al SPEA)
en todos los problemas.
La no convexidad en la frontera optima de Pareto de ZDT2 caus
dificultades al HLGA, VEGA y SOGA. Ya que estos tres algoritmos usan la
suma pesada de los objetivos, era esperado que tuvieran dificultades en
resolver un problema con una frontera de Pareto ptima no convexa.
La discretizacin en la frontera ptima de Pareto para ZDT3 caus
dificultades a muchos algoritmos en encontrar un conjunto diversificado
de soluciones.
Multimodalidad (ZDT4) y engao (ZDT6) caus dificultades a todos los
algoritmos para converger a la verdadera frontera ptima de Pareto. Era
claro que parmetros diferentes (quizs con un tamao de poblacin
mayor) era necesario para encontrar la verdadera frontera en estos
problemas.
Un espacio de bsqueda con una densidad no uniforme (ZDT6) caus
dificultades a todos los algoritmos excepto al SPEA en mantener un conjunto
diverso de soluciones.
Una jerarqua de algoritmos emergi en trminos de su rendimiento en
encontrar un conjunto de soluciones prximas a la verdadera frontera
ptima de Pareto. La jerarqua en orden descendente es:
1. SPEA;
2. NSGA;
3. VEGA;
4. NPGA, HLGA;
5. MOGA;
6. RAND.

Transp Are Nci As

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transp Are Nci As

Cargado por

Copyright:

Formatos disponibles

1

Departamento de Inteligencia Artificial Grupo de Anlisis de Decisiones y

Proporcin de soluciones en Q se son dbilmente dominadas

También podría gustarte