Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ISSN: 0122-1701
scientia@utp.edu.co
Universidad Tecnolgica de Pereira
Colombia
Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira. ISSN 0122-1701
206
207
(1)
hk ( x ) = 0, k = 1, 2,..., K
xil x xiu , i = 1, 2,..., n
208
3. ALGORITMO NSGA-II
El NSGA-II (Elitist Non-Dominated Sorting Genetic
Algorithm) fue propuesto por Deb y sus estudiantes en el
ao 2000 [3]. En este algoritmo, la poblacin
descendiente Qt (tamao N) es creada en primera
instancia usando la poblacin de padres Pt (tamao N).
Despus de esto, las dos poblaciones son combinadas
para formar Rt de tamao 2N. Despus de lo anterior,
mediante un ordenamiento no dominado se clasifica la
poblacin Rt en diferentes frentes de Pareto. Aunque esto
requiere un mayor esfuerzo, se justifica por el hecho de
permitir una verificacin global de dominancia entre la
poblacin de padres y descendientes. Una vez el proceso
de ordenamiento no dominado ha finalizado, la nueva
poblacin es generada a partir de las configuraciones de
los frentes no dominados. Esta nueva poblacin empieza
a ser construida con el mejor frente no dominado (F1),
contina con las soluciones del segundo frente (F2),
tercero (F3) y as sucesivamente. Como la poblacin Rt es
de tamao 2N, y solamente existen N configuraciones
que conforman la poblacin descendiente, no todas la
configuraciones de los frentes pertenecientes a la
poblacin Rt podrn ser acomodados en la nueva
poblacin. Aquellos frentes que no pueden ser
acomodados desaparecen [3].
Cuando se est considerando el ltimo frente, la
soluciones que hacen parte de ste pueden exceder las
restantes por acomodar en la poblacin descendiente,
dicha situacin se ilustra en la figura 2. En este caso
resulta til emplear alguna estrategia que permita
seleccionar las configuraciones situadas en un rea poco
poblada (alejada de otras soluciones) para llenar las
posiciones restantes de la poblacin descendiente a
cambio de optar por escoger configuraciones de forma
aleatoria.
Lo anterior es poco relevante en los primeros ciclos
generacionales del algoritmo, ya que en esta etapa existen
209
(I )
m
(I )
m
f m j+1 f m j1
(2)
j
j
f mmax f mmin
donde f mmax , f mmin son el valor mximo y mnimo de la
funcin objetivo m, f m( I ) , f m( I ) son las soluciones vecinas
dI m = dI m +
m
j +1
m
j 1
i {1, 2,...n}: wi , j x j ci
(2)
j =1
210
fi ( x) = pi , j x j
(3)
j =1
(4)
Beneficio en la mochila 2
3900
pi , j
q j = max
i =1
wi , j
n
3800
3700
3600
3500
3400
3300
3200
3300
3400
3500
4100
4200
4300
211
7. BIBLIOGRAFA
[1] R. A. Gallego, A. Escobar, R. A. Romero, Tcnicas
de Optimizacin Combinatorial. Primera Edicin, Abril
de 2006.
Beneficio en la mochila 2
3900
3800
3700
3600
3500
3400
3300
3400
3500
3600
3700
3800
3900
4000
Beneficio en la mochila 1
4100
4200
4300
6. CONCLUSIONES Y RECOMENDACIONES