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 Bsqueda Inteligente basada en Metaheursticas: Prcticas Conjunto ideal de soluciones no dominadas: Bsqueda Inteligente basada en Metaheursticas: Prcticas 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: Bsqueda Inteligente basada en Metaheursticas: Prcticas Funcin Test 1: Bsqueda Inteligente basada en Metaheursticas: Prcticas Funcin Test 2: Bsqueda Inteligente basada en Metaheursticas: Prcticas Funcin Test 3: Bsqueda Inteligente basada en Metaheursticas: Prcticas 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. Bsqueda Inteligente basada en Metaheursticas: Prcticas Convergencia es buena pero la distribucin es pobre. Bsqueda Inteligente basada en Metaheursticas: Prcticas Convergencia es pobre, pero la distribucin es buena. Bsqueda Inteligente basada en Metaheursticas: Prcticas El algoritmo A se mejor que el B Bsqueda Inteligente basada en Metaheursticas: Prcticas Los algoritmos A y B son difciles de comparar Bsqueda Inteligente basada en Metaheursticas: Prcticas 1. Proporcin de error: Mtricas de evaluacin de la proximidad a la frontera ptima de Pareto Bsqueda Inteligente basada en Metaheursticas: Prcticas 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. Mtricas de evaluacin de la proximidad a la frontera ptima de Pareto Bsqueda Inteligente basada en Metaheursticas: Prcticas 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 Bsqueda Inteligente basada en Metaheursticas: Prcticas Mtricas de evaluacin de la proximidad a la frontera ptima de Pareto 3. Distancia generacional: Bsqueda Inteligente basada en Metaheursticas: Prcticas 4. Mximo error de la frontera ptima de Pareto: Calcula la peor distancia entre todos los miembros de Q Mtricas de evaluacin de la proximidad a la frontera ptima de Pareto Bsqueda Inteligente basada en Metaheursticas: Prcticas 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 Bsqueda Inteligente basada en Metaheursticas: Prcticas Mtricas de evaluacin de la diversidad entre las soluciones no dominadas 1. Espaciado Bsqueda Inteligente basada en Metaheursticas: Prcticas 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. Mtricas de evaluacin de la diversidad entre las soluciones no dominadas Bsqueda Inteligente basada en Metaheursticas: Prcticas Mtricas de evaluacin de la diversidad entre las soluciones no dominadas 2. Extensin Bsqueda Inteligente basada en Metaheursticas: Prcticas 3. Mxima extensin Es una mtrica midiendo la longitud de la diagonal de una hipercaja formada por las soluciones extremas del espacio objetivo Mtricas de evaluacin de la diversidad entre las soluciones no dominadas Bsqueda Inteligente basada en Metaheursticas: Prcticas 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 Mtricas de evaluacin de la diversidad entre las soluciones no dominadas Bsqueda Inteligente basada en Metaheursticas: Prcticas Distribucin ideal Medidas de desviacin como la Chi cuadrado: Mtricas de evaluacin de la diversidad entre las soluciones no dominadas Bsqueda Inteligente basada en Metaheursticas: Prcticas 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 Mtricas evaluando la proximidad y diversidad 1. Hipervolumen Bsqueda Inteligente basada en Metaheursticas: Prcticas Soluciones no dominadas obtenidas usando tres diferentes ejecuciones de un MOEA Correspondientes superficies de logro proporcionando un claro entendimiento de las fronteras obtenidas Mtricas evaluando la proximidad y diversidad 1. Hipervolumen Bsqueda Inteligente basada en Metaheursticas: Prcticas 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. Mtricas evaluando la proximidad y diversidad 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 Mtricas evaluando la proximidad y diversidad 1. Hipervolumen Bsqueda Inteligente basada en Metaheursticas: Prcticas Bsqueda Inteligente basada en Metaheursticas: Prcticas 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. Bsqueda Inteligente basada en Metaheursticas: Prcticas 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. Bsqueda Inteligente basada en Metaheursticas: Prcticas