Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Heurı́sticas de optimización
Tarea 2. Funciones multiobjetivo Periodo 2023-V
Depto. de Electrónica
Resumen—Este trabajo se presenta la utilización de los no dominadas. Estas soluciones son aquellas que no pueden
algoritmos NSGA-II, MOEA/D y NSGA-III de la biblioteca ser superadas en todos los objetivos por ninguna otra solución
PyMOO para la optimización multiobjetivo de las funciones en el problema de optimización. El conjunto de soluciones
Zitzler–Deb–Thiele N. 1 y N.2, ası́ como la función de Viennet.
Se definen las funciones objetivo junto con sus respectivas no dominadas ofrece diversas opciones que permiten explorar
restricciones, si las hay. Las funciones Zitzler–Deb–Thiele N. el espacio de soluciones y seleccionar la mejor opción según
1 y N.2 se caracterizan por su naturaleza no convexa y la las preferencias y restricciones individuales. El análisis y la
presencia de frentes de Pareto no triviales. Por otro lado, las visualización del frente de Pareto son herramientas que ayudan
funciones de Viennet presentan caracterı́sticas no lineales y la a los tomadores de decisiones a explorar y seleccionar las so-
existencia de óptimos locales. Se utilizan las heurı́sticas NSGA-II,
MOEA/D y NSGA-III de PyMOO para optimizar estas funciones luciones preferidas, promoviendo un enfoque más equilibrado
multiobjetivo. Estas se seleccionan debido a su capacidad para y completo en la optimización de problemas multiobjetivo.
descubrir y mantener un conjunto de soluciones de Pareto no
dominadas en el espacio de objetivos. Se realiza un análisis
comparativo de los resultados obtenidos por NSGA-II, MOEA/D
y NSGA-III en términos del frente de Pareto aproximado y la
diversidad de soluciones. Se examinan los resultados y se discuten
las ventajas y limitaciones de cada algoritmo en el contexto de las
funciones objetivo consideradas. Este estudio demuestra la efec-
tividad de los algoritmos NSGA-II y MOEA/D de PyMOO para
abordar problemas de optimización multiobjetivo. Se muestra su
capacidad para optimizar las funciones Zitzler–Deb–Thiele N. 1
y N.2, ası́ como las funciones de Viennet, y se resalta su utilidad
en la búsqueda de soluciones de Pareto óptimas y diversas para
problemas de optimización multiobjetivo complejos.
I. I NTRODUCCI ÓN
La optimización desempeña un papel fundamental en nu-
merosos ámbitos cientı́ficos, como la ingenierı́a, el análisis de Figura 1: Concepto de optimización de Pareto. [2]
datos y el aprendizaje profundo. Estos campos están experi-
mentando un crecimiento acelerado y sus principios se aplican En un entorno de optimización multiobjetivo, los algoritmos
en diversos contextos, como la extracción de información de evolutivos se destacan por utilizar una población de soluciones
conjuntos de datos masivos o el ajuste de modelos predictivos candidatas y combinar soluciones existentes para generar
precisos. Cuando se trabaja con algoritmos que deben manejar nuevas soluciones. Esto permite encontrar varios miembros del
volúmenes significativos de datos, es crucial contar con una conjunto óptimo de Pareto en una sola ejecución, en contraste
implementación eficiente en un lenguaje de programación con los procesos estocásticos convencionales que requieren
adecuado. Pymoo es una biblioteca de Python ampliamente ejecuciones separadas. Sin embargo, el desafı́o principal radica
utilizada para resolver problemas de optimización multiobjeti- en minimizar la distancia entre las soluciones generadas y el
vo [1]. En este estudio, se emplearon los métodos NSGA- conjunto de Pareto, ası́ como maximizar la diversidad del con-
II, MOEA/D y NSGA-III disponibles en dicha biblioteca junto de Pareto desarrollado. Para lograr esta diversificación,
para optimizar funciones multiobjetivo. Un aspecto crucial es necesario prestar especial atención al proceso de selección
en la optimización multiobjetivo es identificar el conjunto de y evitar la pérdida de soluciones no dominadas [2].
soluciones óptimas de Pareto. El frente de Pareto se define En resumen, aunque existen diferentes enfoques para abor-
como un conjunto de soluciones en el que no es posible dar problemas de optimización multiobjetivo, gran parte de
mejorar en al menos un objetivo sin empeorar en otro. Este la investigación se centra en la aproximación del conjunto
enfoque es especialmente útil cuando se enfrentan problemas de Pareto, que consiste en encontrar soluciones óptimas no
con múltiples objetivos que no pueden ser optimizados de dominadas. Este enfoque requiere un proceso de toma de
manera independiente. Al buscar el frente de Pareto en un decisiones para seleccionar la solución óptima y considerar
problema multiobjetivo, se busca un conjunto de soluciones la compensación entre los diferentes objetivos en situaciones
Unidad 1. Heurı́sticas de optimización
Tarea 2. Funciones multiobjetivo Periodo 2023-V
Depto. de Electrónica
II-C. MOEA/D
En los algoritmos evolutivos multiobjetivo basados en Pa-
reto, a menudo se controla la diversidad de la población
calculando los valores de densidad para cada miembro de
la población. Un ejemplo conocido de estas estrategias de
densidad es la distancia de hacinamiento utilizada en NSGA-II. (a) MOEA/D (b) NSGA-II (c) NSGA-III
Por otro lado, MOEA/D mantiene la diversidad de la población
optimizando múltiples subproblemas de un solo objetivo sin Figura 3: Espacios de diseño para el sistema (1).
Unidad 1. Heurı́sticas de optimización
Tarea 2. Funciones multiobjetivo Periodo 2023-V
Depto. de Electrónica
R EFERENCIAS
[1] J. Blank and K. Deb, “pymoo: Multi-objective Optimization in Python,”
IEEE Access, vol. 8, pp. 89497–89509, jan 2020.
[2] Ajith Abraham, Lakhmi Jain, and Robert Goldberg, Evolutionary Multi-
objective Optimization: Theoretical Advances and Applications. 2005.
[3] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A fast and elitist
multiobjective genetic algorithm: NSGA-II,” IEEE Transactions on Evo-
lutionary Computation, vol. 6, no. 2, pp. 182–197, 2002.
[4] J. Blank, K. Deb, and P. C. Roy, Evolutionary Multi-Criterion Optimiza-
tion 2019. No. May, 2019.
[5] K. Deb, L. Thiele, M. Laumanns, and E. Zitzler, “Scalable multi-
objective optimization test problems,” Proceedings of the 2002 Congress
on Evolutionary Computation, CEC 2002, vol. 1, no. i, pp. 825–830,
2002.
[6] R. Viennet, C. Fonteix, and I. Marc, “Multicriteria optimization using a
genetic algorithm for determining a Pareto set,” International Journal of
Systems Science, vol. 27, no. 2, pp. 255–260, 1996.