Está en la página 1de 110

Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A.

Coello Coello
Introduccion a la Optimizacion
Multiobjetivo Usando Metaheursticas
Dr. Carlos A. Coello Coello
Seccion de Computacion
CINVESTAV-IPN
Av. IPN No. 2508
Col. San Pedro Zacatenco
Mexico, D.F. 07300
email: ccoello@cs.cinvestav.mx
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Metricas
Tres suelen ser las cuestiones a tomar en consideracion cuando se
dise na una buena metrica para problemas multiobjetivo:
1. Minimizar la distancia del frente de Pareto producido por
nuestro algoritmo con respecto al verdadero frente de Pareto
(suponiendo que sabemos su ubicacion).
2. Maximizar la distribucion de las soluciones encontradas, de
forma que podamos tener una distribucion de soluciones no
dominadas tan suave y uniforme como sea posible.
3. Maximizar la cantidad de elementos del conjunto de optimos de
Pareto encontrados.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Metricas
A continuacion se revisaran las diversas propuestas de metricas
existentes en la literatura. Como veremos, ninguna de ellas
realmente captura en un solo valor numerico los 3 elementos
discutidos en el acetato anterior. De hecho, intentar hacerlo puede
ser infructuoso, ya que estos 3 elementos se reeren a aspectos de
desempe no muy distintos.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Metricas
Por lo tanto, su fusion en un valor unico puede dar pie a una
metrica que no indique correctamente el desempe no de un
algoritmo multiobjetivo. Es interesante hacer notar que el problema
de las metricas es tambien multiobjetivo. Por ello, lo mas
recomendable es usar diferentes metricas para evaluar los distintos
aspectos de desempe no de un algoritmo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Metricas
La mayor parte de las metricas actuales presuponen que PF
true
se
conoce (o se puede determinar en un tiempo razonable usando un
proceso enumerativo). Si ese es el caso, podemos probar el
desempe no de un algoritmo evolutivo multiobjetivo comparando los
frentes de Pareto producidos por nuestro algoritmo con respecto al
frente verdadero y determinar a partir de eso ciertas medidas de
error que indiquen la efectividad del algoritmo analizado. Esa es la
premisa de las 2 metricas discutidas a continuacion: la tasa de error
y la distancia generacional.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Tasa de Error
Esta metrica fue propuesta por Van Veldhuizen [1999] para indicar
el porcentaje de soluciones (de PF
current
) que no son miembros de
PF
true
:
ER =

n
i=1
e
i
n
, (1)
donde n es el n umero de vectores en PF
current
; e
i
= 0 si el vector i
es un miembro de PF
true
, y e
i
= 1 de lo contrario.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Tasa de Error
Debe resultar claro que un valor ER = 0 indica el comportamiento
ideal del algoritmo, puesto que en este caso todos los vectores
generados por el algoritmo perteneceran a PF
true
. Advierta, sin
embargo, que esta metrica requiere conocer la cantidad de
elementos del verdadero conjunto de optimos de Pareto, lo cual
puede resultar imposible en problemas del mundo real.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Distancia Generacional
El concepto de distancia generacional (GD) fue introducido por Van
Veldhuizen & Lamont [1998] como una manera de estimar que tan
lejos estan los elementos de PF
current
de PF
true
y se dene como:
GD =
_

n
i=1
d
2
i
n
(2)
donde n es el n umero de vectores no dominados en PF
current
y d
i
es la distancia Euclideana (medida en el espacio de las funciones
objetivo) entre cada una de estas y el miembro mas cercano de
PF
true
.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Distancia Generacional
Debiera resultar claro que un valor de GD = 0 indica que todos los
elementos generados estan en PF
true
. Por lo tanto, cualquier otro
valor indica que tan lejos estamos del verdadero frente de Pareto
del problema.
Rudolph [1998], Schott [1995] y Zitzler et al. [2000] han propuesto
metricas similares.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
Las metricas de dispersion miden la distribucion de los individuos
en PF
current
sobre la region no dominada. Por ejemplo, Srinivas
and Deb [1994] propusieron el uso de una distribucion chi-cuadrada:
SP =

_
q+1

i=1
_
n
i
n
i

i
_
2
(3)
donde: q es el n umero de puntos optimos (de Pareto) deseados (se
presupone que la subregion (q + 1)-esima es dominada por la
q-esima subregion), n
i
es el n umero de individuos en el i-esimo
nicho (o subregion) de la region no dominada, n
i
es el n umero
esperado de individuos presente en el i-esimo nicho, y
2
i
es la
varianza de los individuos presentes en la i-esima subregion de la
region no dominada.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
Deb [1989] haba usado teora de la probabilidad anteriormente
para estimar que:

i
2
= n
i
(1
n
i
P
), i = 1, 2, ...., q, (4)
donde P es el tama no de la poblacion. Puesto que la (q + 1)-esima
subregi on es una region dominada, entonces n
q+1
= 0 (es decir, no
queremos tener individuos en esa region).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
El estudio de Deb tambien mostro que:

2
q+1
=
q

i=1

2
i
(5)
De tal forma, si SP = 0, signica que nuestro algoritmo ha
encontrado la distribucion ideal de puntos. Por lo tanto, valores
bajos de SP implican una buena capacidad de dispersion para el
algoritmo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
Para analizar la distribucion usando esta metrica, la region no
dominada se divide en un cierto n umero de subregiones de igual
tama no (este valor es dado por el usuario). Dado que se conoce el
tama no de poblacion usado por el algoritmo, podemos determinar
la cantidad de individuos que se espera se encuentren en cada
subregi on. Este valor es el que se utiliza para calcular la medida de
desviacion antes indicada.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
Schott [1995] propuso una metrica similar llamada ecient set
spacing (ESS):
ESS =

_
1
e 1
e

i=1
_

d d
i
_
2
(6)
donde:
d
i
= min
j
_
|f
i
1
f
j
1
| +|f
i
2
f
j
2
|
_
(7)
donde: j = 1, . . . , e, y

d se reeren a la media de todas las d
i
y e es
el n umero de elementos del conjunto de Pareto obtenidos hasta el
momento. Si ESS = 0, signica que nuestro algoritmo ha
encontrado la distribucion ideal de vectores no dominados.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
La metrica de Schott se basa en la metrica de Holder de grado uno
discutida por Horn & Nafpliotis [1993]. Esta metrica mide la
varianza de la distancia de cada miembro del conjunto de optimos
de Pareto (encontrados hasta el momento) con respecto a su vecino
mas cercano. Advierta, sin embargo, que, tal y como indica Van
Veldhuizen [1999], esta metrica tiene que adaptarse a n de
considerar casos especiales (por ejemplo, frentes de Pareto
disjuntos).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
As mismo, tambien puede dar valores erroneos a menos que se
combine con otra metrica que indique el n umero de elementos del
conjunto de Pareto obtenidos hasta el momento (por ejemplo, si
producimos solo dos soluciones, esta metrica nos dira que su
distribuci on es la ideal).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Dispersion
Aunque ninguna de estas metricas de dispersion realmente requiere
que conozcamos PF
true
, todas ellas parten de la premisa basica de
que nuestro algoritmo evolutivo ha convergido a PF
true
. De lo
contrario, saber que nuestras soluciones estan uniformemente
distribuidas carecera de sentido, ya que no estaramos en el
verdadero frente de Pareto.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
Zitzler & Thiele [1999] propusieron una metrica de dispersion
llamada Size of the Space Covered (SSC). Esta metrica estima el
tama no del conjunto dominado global en el espacio de las funciones
objetivo. La idea principal de esta metrica es calcular el area del
espacio de las funciones objetivo cubierta por los vectores no
dominados generados por nuestro algoritmo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
Para problemas con dos funciones objetivo, cada vector dominado
representa un rectangulo denido por los puntos (0,0) y
(f
1
(x
i
), f
2
(x
i
)), donde f
1
(x
i
) y f
2
(x
i
) son soluciones no dominadas.
Por lo tanto, SSC se calcula como la union de las areas de todos los
rectangulos que corresponden a los vectores no dominados
generados. Notese, sin embargo, que esta metrica puede producir
resultados erroneos cuando el frente de Pareto es no convexo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
Laumanns et al. [1999], usan el concepto de espacio cubierto para
comparar problemas con mas de dos funciones objetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
Para ello adoptan un cuboide m-dimensional como el conjunto de
referencia a partir del cual nuestro algoritmo evolutivo debe cubrir
lo maximo posible del espacio dominado.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
Cada soluci on no dominada proporciona un cono de soluciones
dominadas. La interseccion de este cono con el cuboide de referencia
(el cual es tambien un cuboide) se agrega al volumen dominado. Al
calcular el volumen dominado, se evita contar m ultiples veces las
partes traslapadas de las diferentes soluciones disponibles.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
Con este metodo, el cuboide de referencia se desarrolla usando las
soluciones optimas considerando cada objetivo por separado. Esto
signica que dichas soluciones deben conocerse o deben ser
relativamente faciles de obtener. Notese, sin embargo, que en
problemas del mundo real, el costo asociado con generar los optimos
para cada funcion objetivo por separado puede ser prohibitivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Espacio Cubierto
El valor del espacio cubierto vara con el n umero de soluciones no
dominadas y su distribucion a lo largo del frente de Pareto.
Podemos ver entonces que esta metrica intenta combinar en un solo
valor los 3 elementos previamente discutidos. Por lo tanto, esta
metrica no resulta efectiva en aquellos casos en los que dos
algoritmos dieran en mas de uno de estos criterios antes
mencionados (o sea, distancia, dispersion y n umero de elementos
del conjunto de Pareto).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cobertura
Zitzler & Thiele [1999] propusieron otra metrica en la que se
comparan dos conjuntos de vectores no dominados calculando la
fraccion de cada uno que es cubierta (o dominada) por el otro.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cobertura
Supongamos que tenemos dos algoritmos A1 y A2 para comparar
sus desempe nos respectivos. En este metodo, el conjunto de
vectores no dominados resultante de una corrida del algoritmo A1 y
de otra del algoritmo A2 se procesan de manera que se obtengan 2
n umeros: el porcentaje de puntos del algoritmo A1 que son iguales
a o dominados por los puntos de A2 y viceversa. Posteriormente
pueden usarse pruebas estadsticas sobre los valores generados tras
efectuar varias comparaciones por parejas.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cobertura
Hagamos que X

, X

X sean dos conjuntos de variables de


decision. La funcion CM mapea el par ordenado (X

, X

) al
intervalo [0,1]:
CM(X

, X

) =
| {a

; a

: a

} |
| X

|
Si CM(X

, X

) = 1, entonces signica que todos los puntos en X

son dominados por o son iguales a los puntos en X

. Si
CM(X

, X

) = 0, entonces signica que ninguno de los puntos en


X

est an cubiertas por el conjunto X

.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cobertura
Este metodo puede usarse para mostrar si el resultado de un
algoritmo domina al resultado de otro sin indicar que tan bueno es.
As mismo, adviertan que esta tecnica de comparacion no checa la
uniformidad de las soluciones a lo largo del frente de Pareto.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cobertura
Otro problema con esta tecnica es que puede retornar un mejor
valor para un algoritmo que produzca un solo vector no dominado,
mas cercano a PF
true
que otro algoritmo que produzca varios
vectores bien distribuidos, pero mas alejado de PF
true
.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cobertura
Esta metrica fue dise nada para complementar la metrica de espacio
cubierto previamente discutida.
En su disertacion, Zitzler [1999] propuso otra metrica llamada
Coverage dierence of two sets, que resuelve algunos de los
problemas de la metrica de cobertura.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Cuidado con las Metricas
Investigacion reciente ha mostrado las limitantes de muchas de las
metricas en uso actual [Zitzler et al., 2002; 2003]. La conclusion
mas asombrosa de este trabajo es que muchas de las metricas
actuales no permiten derivar conclusiones contundentes sobre
nuestros resultados (p.ej., el algoritmo A es mejor que el algoritmo
B). Este estudio favorece tambien el uso de las metricas binarias
sobre las unarias.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Heursticas Alternativas
En los ultimos a nos, diversas heursticas han sido extendidas a
problemas multiobjetivo. De entre ellas, destacan las siguientes:
Colonia de hormigas
Sistema inmune articial
Algoritmos memeticos
Optimizacion mediante c umulos de partculas
Algoritmos culturales
Evolucion diferencial
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
Esta metaheurstica se basa en el comportamiento de las colonias
de hormigas que comienzan a buscar comida de manera
desordenada (o sea, aleatoria) y, con el tiempo, forman rutas
bastante precisas para llegar a los alimentos. Estas rutas se trazan
a traves de la segregacion de una sustancia llamada feromona a
la cual las hormigas son particularmente sensibles. Esta heurstica
pertenece a las llamadas tecnicas de comportamiento emergente
y a los algoritmos cumulares (swarm) que se han puesto de moda
en los utimos a nos.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
Las 3 ideas principales de las colonias reales de hormigas que se
han adoptado en esta heurstica son las siguientes:
1. La comunicacion indirecta a traves de los rastros de feromona.
2. Las rutas mas cortas tienden a tener una tasa de crecimiento
de feromona mas alta.
3. Las hormigas tienen una mayor preferencia (con cierta
probabilidad) por las rutas que tienen una mayor cantidad de
feromona).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
Adicionalmente, esta heurstica presenta caractersticas no
existentes en las colonias reales de hormigas. Por ejemplo:
1. Cada hormiga es capaz de estimar que tan lejos se encuentra de
un cierto estado.
2. Las hormigas tienen informacion acerca del ambiente y la usan
para tomar decisiones. Por lo tanto, su comportamiento no
solo es adaptativo, sino tambien exhaustivo.
3. Las hormigas tienen memoria, puesto que esta es necesaria
para asegurar que solo se generen soluciones factibles a cada
paso del algoritmo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
Gambardella y Dorigo [1995] se percataron de que el ant system
(algoritmo original propuesto por Dorigo) poda ser interpretado
como un caso particular de una tecnica de aprendizaje.
As nacio una familia de algoritmos llamados Ant-Q que son un
hbrido entre el aprendizaje-Q y el AS.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
El algoritmo resultante es basicamente un enfoque de aprendizaje
por refuerzo con algunos aspectos adicionales que incrementan sus
capacidades exploratorias:
1. El Ant-Q usa varios agentes (cada uno de los cuales busca
obtener una solucion al problema) en vez de solo uno.
2. El Ant-Q usa una funcion heurstica dependiente del dominio
que indica que tan buena es una accion con respecto a otras.
3. Ant-Q usa una regla de seleccion de acciones que considera
tanto a la funcion heurstica previamente indicada como la
funcion de evaluacion de cada pareja estado-accion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
1. Initialize Q(s, a) arbitrarily
2. For i = 1 to N (N = number of episodes)
For i = 1 to m (m = number of agents)
Initialize s = s
0
for the m agents
Repeat for f steps in the episode
For i = 1 to m
Select a in s using acceptance rule
Apply a and observe r, s

Q(s, a) Q(s, a) +[max


a
Q(s

, a

) Q(s, a)]
s s

End Loop
Until s is a terminal state
End Loop
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas
3. Compare the m solutions found and select best
For all the Q(s, a) in the best solution
Q(s, a) Q(s, a) +[r +max
a
Q(s

, a

) Q(s, a)]
( is the learning step)
( is the discount factor)
4. End Loop
5. Report best solution found
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas : Extensiones Multiobjetivo
Mariano y Morales [1999] propusieron el algoritmo MOAQ
(Multi-Objective Ant-Q) que usa a una familia de agentes para
resolver un problema multiobjetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas : Extensiones Multiobjetivo
Realmente esta tecnica usa el ordenamiento lexicograco porque las
funciones objetivo se tienen que jerarquizar y se resuelven de
manera incremental. Se usa el concepto de no dominancia y una
poblacion secundaria para almacenar a los individuos no dominados
globales.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas : Extensiones Multiobjetivo
Iredi et al. [2001] propusieron un algoritmo basado en la colonia de
hormigas que usa varias poblaciones. La idea es usar colonias
heterogeneas de hormigas cada una de las cuales considera
diferentes pesos para una funcion agregativa. El mecanismo
cooperativo en este caso es un intercambio de soluciones entre
colonias (o poblaciones) diferentes.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Colonia de Hormigas : Extensiones Multiobjetivo
Se consideran en este caso dos poblaciones, cada una de las cuales
tiene su propia matriz de feromona. La tecnica presenta algunas
similitudes con PAES, pues segmenta el frente de Pareto (de
manera similar a la rejilla adaptativa de PAES) a n de producir
mejores distribuciones de las soluciones.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos
Pablo Moscato [1989] introdujo el concepto de algoritmo
memetico para denotar el uso de una heurstica local combinada
con una estrategia poblacional. El termino memetico se
origin o en la palabra meme que fue acu nada por Richard
Dawkins en su libro The Selsh Gene para referirse a las
unidades de imitacion existentes en la transmision cultural.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos
Los memes se distinguen de los genes en que los segundos se
transmiten intactos entre progenitor y descendiente, mientras que
los segundos suelen sufrir adaptaciones de parte del individuo que
los transmite (o sea que se pasan alterados).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos
Aunque muchos autores ven a un algoritmo memetico como un
algoritmo genetico hibridizado con un procedimiento de b usqueda
local, el concepto no implica necesariamente el uso de un AG,
as que puede usarse cualquier otra tecnica.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos
1. Initialize P randomly (P = population)
2. For i = 1 to m (m = population size)
Perform local search in the neighborhood of i
(i is the current individual)
Evaluate tness of i and its neighbors explored
Make i the best individual found
3. End For
4. Repeat
Select parents from P
Generate ospring applying recombination to the parents selected
If an individual is selected to undergo mutation, then apply local search
Evaluate tness of current individual and its neighbors
Adopt best individual
5. Until stopping condition is reached
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos: Extensiones Multiobjetivo
Murata [1997] propuso un AG hibridizado con b usqueda local
(MOGLS) para resolver problemas de programacion de horarios.
MOGLS usa una funcion agregativa con pesos elegidos
aleatoriamente. El AG usa seleccion de ruleta con escalamiento
lineal. Tambien se aplica una b usqueda local despues de efectuar
cruza y mutacion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos: Extensiones Multiobjetivo
Hartmann et al. [1998] propusieron una tecnica denominada
Nondominated Sorting Memetic Algorithm (NSMA), que consiste
del NSGA acoplado con un algoritmo memetico que mejora las
caractersticas de las soluciones halladas previamente buscando en
la vecindad de ellas. Los autores usan tambien una forma de
elitismo basada en aprendizaje Baldwiniano.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos: Extensiones Multiobjetivo
Jaszkiewicz [1998] propuso una tecnica denominada Random
Directions Multiple Objective Genetic Search (RD-MOGLS), la cual
usa una funcion de utilidad basada en las funciones de Tchebyche
para combinar las varias funciones objetivo del problema en un solo
valor escalar. Se usan restricciones a la cruza y quadtrees para
almacenar y recuperar ecientemente a los individuos no
dominados almacenados en una poblacion secundaria.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos: Extensiones Multiobjetivo
Knowles y Corne [2000] propusieron M-PAES, que es una version
memetica de PAES en la que se usa una poblacion (y no un solo
individuo como en PAES) y dos archivos externos (uno para
guardar vectores no dominados localmente y otro para guardar
vectores no dominados globalmente). Se usa una poblacion
intermedia y se acota el n umero maximo de movimientos locales a
n de mantener razonablemente bajo el costo computacional de la
tecnica.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Memeticos: Extensiones Multiobjetivo
Gandibleux et al. [2001] experimentaron con un AG que retiene
todos los vectores no dominados obtenidos a traves de una
jerarquizacion de Pareto. Despues de la seleccion, aplica un
mecanismo similar al de VEGA para mantener individuos que sean
los mejores con respecto a cada uno de los objetivos del problema
considerados por separado. Posteriormente se usa seleccion
mediante torneo basado en no dominancia junto con comparticion
de aptitud (algo similar al NPGA). Dado que usa b usqueda local
(ademas de 3 mecanismos de seleccion distintos), se le puede
considerar un algoritmo memetico.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Kennedy y Eberhart [1995] propusieron un algoritmo llamado
particle swarm optimization (PSO), que se inspiro en los patrones
de vuelo de algunas aves. La idea de esta tecnica es simular los
movimientos de un grupo (o poblacion) de aves que intentan
encontrar comida. La tecnica puede verse como un algoritmo
conductista distribuido que realiza una b usqueda multidimensional.
En este algoritmo, el movimiento de cada partcula (o individuo) se
ve afectado por el del mejor de su grupo o de toda la poblacion
(seg un el esquema adoptado).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
1. For i = 1 to M (M = population size)
Initialize P[i] randomly (P is the population of particles)
Initialize V [i] = 0 (V = speed of each particle)
Evaluate P[i]
GBEST = Best particle found in P[i]
2. End For
3. For i = 1 to M
PBESTS[i] = P[i] (Initialize the memory of each particle)
4. End For
5. Repeat
For i = 1 to M
V [i] = w V [i] +C
1
R
1
(PBESTS[i] P[i])
+C
2
R
2
(PBESTS[GBEST] P[i])
(Calculate speed of each particle)
(W = Inertia weight, C
1
& C
2
are positive constants)
(R
1
& R
2
are random numbers in the range [0.,1])
POP[i] = P[i] +V [i]
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
If a particle gets outside the pre-dened hypercube
then it is reintegrated to its boundaries
Evaluate P[i]
If new position is better then PBESTS[i] = P[i]
GBEST = Best particle found in P[i]
End For
6. Until stopping condition is reached
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Existen varias propuestas para extender PSO a problemas
multiobjetivo:
Moore & Chapman (1999): Utilizan dominancia de Pareto. En
este caso, se enfatiza la importancia de efectuar tanto una
b usqueda individual como una de grupo (un componente
cognitivo y un componente social). No se adopta ning un
esquema especco para mantener diversidad en la poblacion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Ray & Liew (2002): Utilizan dominancia de Pareto y combinan
conceptos de las tecnicas evolutivas con los de las tecnicas
cumulares. La tecnica usa un operador de agrupamiento
(crowding) para mantener diversidad y un ltrado de varios
niveles para manejar restricciones.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Parsopoulos & Vrahatis (2002): Usan una funcion agregativa
(se implementan tres tipos de tecnicas diferentes: una funcion
agregativa lineal convencional, una funcion agregativa dinamica
y la tecnica agregativa denominada bang-bang [Jin, 2001] en
la que los pesos se varan de tal forma que pueden generarse
porciones concavas del frente de Pareto).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Hu & Eberhart (2002): En este caso, se optimiza un solo
objetivo a la vez usando un esquema similar al ordenamiento
lexicograco. Notese que el ordenamiento lexicograco tiende a
ser util solo cuando se usan pocas funciones objetivo (dos o
tres), y puede ser sensible al ordenamiento de los objetivos.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Coello & Lechuga [2002]: Usan dominancia de Pareto y una
poblaci on secundaria para retener los vectores no dominados
encontrados a lo largo del proceso de b usqueda. La tecnica es
muy rapida y mostro un muy buen desempe no al compararse
con tecnicas representativas del estado del arte en optimizacion
evolutiva multiobjetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Fieldsend & Singh [2002]: Esta tecnica usa un archivo elitista
no acotado (en el cual se adopta una estructura de datos
especial llamada arbol dominado) para almacenar los
individuos no dominados obtenidos a lo largo del proceso de
b usqueda.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
El archivo interact ua con la poblacion primaria para denir guas
locales. La tecnica es comparada (usando cuatro funciones de
prueba y dos metricas) con respecto a un algoritmo similar a PAES
y con respecto a una variante del MOPSO de Coello y Lechuga
[2002, 2004].
Esta tecnica usa un operador de turbulencia, que es basicamente
un operador de mutacion que act ua sobre el valor de la velocidad
usada por el PSO. Notese sin embargo, que este algoritmo presenta
algunos problemas con problemas multifrontales.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Hu et al. [2003]: Esta tecnica adopta una poblacion secundaria
(llamada memoria extendida) e introduce otras mejoras con
respecto a los vecindarios dinamicos propuestos por los mismos
autores en 2002. Sin embargo, esta tecnica falla totalmente en
la generacion de los frentes de Pareto de algunos tipos de
funciones. El algoritmo es comparado con respecto a SPEA
usando la metrica de cobertura.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Mostaghim & Teich [2003]: Propusieron el metodo sigma en el
cual los mejores guas locales de cada partcula se adoptan para
mejorar la convergencia y diversidad de un PSO usado para
optimizacion multiobjetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
En este caso se usa tambien un operador de turbulencia, pero se
aplica en el espacio de las variables de decision. La idea del enfoque
sigma es similar a la programacion de compromisos. El uso de los
valores sigma incrementa la presion de seleccion del PSO (la cual
ya de por s es alta). Esto puede causar convergencia prematura en
algunos casos (p.ej., en problemas multifrontales). Los autores
proporcionan comparaciones con respecto a SPEA2 y a los arboles
dominados de Fieldsend & Singh [2002] usando 4 funciones de
prueba y la metrica de cobertura.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Optimizacion Mediante C umulos de Partculas
Li [2003]: Propuso una tecnica en la cual se adoptan los
principales mecanismos del NSGA-II en un algoritmo PSO. La
propuesta resulto ser muy competitiva con respecto al
NSGA-II, incluso superandolo en algunos casos. En trabajo
mas reciente [Li, 2004], el autor propuso el maximinPSO, que
usa una funcion de aptitud derivada de la estrategia maximin
[Balling, 2003] para determinar dominancia de Pareto. No se
requiere tecnica para mantener diversidad en este caso, pues
este concepto la proporciona de manera directa.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Culturales
Reynolds [1994] desarrollo un modelo computacional en el cual la
evolucion cultural es vista como un proceso hereditario que opera a
dos niveles: el nivel micro-evolutivo y el nivel macro-evolutivo.
Estos algoritmos se basan en una teora sociologica de acuerdo a la
cual la cultura podra ser codicada y transmitida simbolicamente
entre poblaciones de individuos como un operador mas de herencia.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Culturales
Al nivel micro-evolutivo los individuos se describen por medio de
caractersticas de comportamiento (que pueden ser aceptables o
inaceptables). Estas caractersticas se pasan de generacion en
generacion usando varios operadores inspirados en cuestiones
sociales. Al nivel macro-evolutivo, los individuos son capaces de
generar mappa, o sea, descripciones generalizadas de sus
experiencias. Los mappas individuales pueden mezclarse y
modicarse a n de formar mappas grupales. Ambos niveles
compartir un canal de comunicacion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Culturales
1. t = 0 (t = iteration counter)
2. Initialize POP(0) (POP = Population)
3. Initialize BELF(0) (BELF = Belief Network)
4. Initialize CHAN(0) (CHAN = Communication Channel)
5. Evaluate POP(0)
6. t=1
Repeat
Communicate (POP(0), BELF(t))
Adjust (BELF(t))
Communicate (BELF(t), POP(t))
Modulate Fitness (BELF(t), POP(t))
t t + 1
Select POP(t) from POP(t 1)
Evolve POP(t)
Evaluate POP(t)
Until Stopping Condition is Reached
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Culturales
Solo se conocen dos intentos por resolver problemas multiobjetivo
usando algoritmos culturales:
1. El shell disponible en:
http://zeus.cs.wayne.edu/~sms/caep/cultural.html
donde se usa una simple funcion agregativa lineal.
2. La propuesta de Coello & Landa [2003] que usa dominancia de
Pareto y una poblacion secundaria.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Algoritmos Culturales
La principal motivacion para usar algoritmos culturales en
optimizacion multiobjetivo debiera ser reducir el costo
computacional. El uso de conocimiento del dominio extrado
durante el proceso evolutivo debiera permiter mejores tasas de
convergencia. Sin embargo, no hay propuestas concretas de este
tipo de algoritmos hasta la fecha.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Sistema Inmune Articial
Computacionalmente hablando, nuestro sistema inmune es un
sistema inteligente altamente paralelo que es capaz de aprender y
recuperar luego lo aprendido (o sea que tiene memoria). Los
modelos articiales del sistema inmune se han desarrollado desde
hace varios a nos y suelen considerarse particularmente aptos para
tareas de clasicacion y reconocimiento de patrones.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Sistema Inmune Articial
Repeat1. Select an antigen A from PA
(PA = Population of Antigens)
2. Take (randomly) R antibodies from PS
(PS = Population of Antibodies)
3. For each antibody r R, match it against
the selected antigen A
Compute its match score (e.g., using Hamming distance)
4. Find the antibody with the highest match score
Break ties at random
5. Add match score of winning antibody to its tness
Until maximum number of cycles is reached
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Sistema Inmune Articial
Hay muy pocas propuestas para extender un sistema inmune
articial para resolver problemas multiobjetivo:
Yoo & Hajela (1999): Usan una funcion agregativa lineal
combinada con una funcion que minimiza diferencias
genotpicas como se indica en el algoritmo del acetato anterior.
El enfoque consiste de un algoritmo genetico embedido dentro
de otro que minimiza estas distancias genotpicas con respecto
a un individuo (o conjunto de individuos) de referencia.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Sistema Inmune Articial
Kurapati & Azarm (2000): Proponen un hbrido entre un
sistema inmune articial y un algoritmo evolutivo
multiobjetivo.
Cui et al. (2001): Proponen un hbrido en el cual se usa el
concepto de entropa para mantener diversidad en la poblacion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Sistema Inmune Articial
Anchor et al. (2002): Adoptan tanto ordenamiento lexicograco
como seleccion basada en dominancia de Pareto en un
algoritmo de programacion evolutiva usado para detectar
ataques de intrusos y de virus por medio de un sistema inmune
articial.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Sistema Inmune Articial
Coello and Cruz (2002): Proponen un algoritmo basado en el
principio de seleccion clonal en el cual se usa dominancia de
Pareto y una poblacion secundaria.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Evolucion Diferencial
La evoluci on diferencial es una heurstica introducida por Storn &
Price en 1995 para optimizacion con n umeros reales. En esta
heurstica, la poblacion inicial se genera de forma aleatoria y se
seleccionan tres individuos como padres. Uno de ellos es el padre
principal y este se perturba con el vector de los otros dos padres. Si
el valor resultante es mejor (cuando tiene un menor valor al evaluar
la funcion objetivo) que el padre elegido, entonces lo reemplaza. De
otra forma, se retiene al padre principal.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Evolucion Diferencial
Existen pocas propuestas para extender la Evolucion Diferencial
para resolver problemas multiobjetivo, algunas de ellas
desarrolladas por Madavan en 2002, Xue et al. en 2003 y Babu &
Jehan en 2003 [?]. Sin embargo el algoritmo mas representativo es,
sin lugar a dudas, el denominado Pareto Dierential Evolution, de
Abbass & Sarker [2002].
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Otros Temas Actuales
Otros temas de actualidad que vale la pena explorar son los
siguientes:
Objetivos Auxiliadores
Seleccion Heurstica Orientada a los Objetivos
Uso de Diversidad para Guiar la B usqueda
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Objetivos Auxiliadores
La especicacion de objetivos auxiladores (helper objectives) es una
estrategia que ha sido utilizada no solo en optimizacion
multiobjetivo, sino tambien en optimizacion mono-objetivo. Por
ejemplo, este mecanismo puede utilizarse para manejar
restricciones en problemas mono-objetivo, tratando cada restriccion
como un objetivo adicional a ser optimizado.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Objetivos Auxiliadores
El uso de este tipo de planteamientos multi-objetivo puede ser de
utilidad para mantener diversidad y para escapar de optimos
locales. Por ejemplo, Jensen [2003] y Knowles & Corne [2001]
propusieron la multi-objetivacion de problemas mono-objetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Objetivos Auxiliadores
Al usar este mecanismo, se encontro en ambos casos que la
b usqueda se facilitaba para el algoritmo evolutivo, pues se
removan optimos locales. Algo importante, sin embargo, es que el
planteamiento multi-objetivo debe realizarse de tal forma que los
objetivos auxiliadores elegidos esten en conicto (al menos
parcialmente) con el objetivo principal.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Seleccion Heurstica Orientada a los Objetivos
Algunos autores han propuesto la adaptacion de la estrategia de
b usqueda local de acuerdo a la distribucion actual de soluciones ya
sea en el espacio de las funciones objetivo o en el de las variables de
decision. Por ejemplo, Knowles & Corne [2002] propusieron adaptar
el enfoque de la b usqueda a la exploracion o explotacion seg un nos
aproximemos al frente de Pareto.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Seleccion Heursticas Orientada a los Objetivos
Para lograr esto, propusieron seleccionar una entre 3 posibles
estrategias de b usqueda (seg un convenga):
1. Usar un metodo poblacional que intente mejorar todos los
objetivos a la vez, de manera que nos acerquemos al verdadero
frente de Pareto desde todas las direcciones posibles.
2. Generar un vector de pesos que se use para especicar una
direcci on de b usqueda determinada.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Seleccion Heursticas Orientada a los Objetivos
3. Usar un metodo de b usqueda local mono-objetivo que intente
moverse a lo largo del frente de Pareto, perturbando una
solucion y obteniendo un punto cercano al actual en el frente
de Pareto.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Seleccion Heursticas Orientada a los Objetivos
La estrategia a seleccionarse depende de la correlacion entre la
distancia en el espacio de las variables de decision y la distancia en
el espacio de las funciones objetivo.
Es importante hacer notar que Jin & Sendho [2003] investigaron
una estrategia similar para problemas de prueba continuos.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Seleccion Heursticas Orientada a los Objetivos
El adaptar una heurstica de b usqueda local de acuerdo al valor de
los objetivos se ha propuesto tambien como un mecanismo para
mantener diversidad a usarse mientras se converge hacia el
verdadero frente de Pareto. Por ejemplo, Burke et al. [2003]
implementaron una tecnica denominada hiper-heurstica.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Seleccion Heursticas Orientada a los Objetivos
La idea de la hiper-heurstica es usar un metodo de
gua/aprendizaje que elige la heurstica mas promisoria con la
nalidad de empujar las soluciones hacia el area deseada en los
objetivos de interes. Esta tecnica toma en consideracion la
localizacion de la solucion en el espacio de las funciones objetivo y
la capacidad de cada heurstica de b usqueda local para lograr
mejoras en cada objetivo. La idea principal es tratar de mejorar los
objetivos con resultados pobres, manteniendo a la vez aquellos con
buenos resultados.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Uso de Diversidad para Guiar la B usqueda
Varios algoritmos evolutivos multiobjetivo usando estimadores de
densidad en el espacio de las funciones objetivo para sesgar el
mecanismo de seleccion de manera que se mantenga diversidad en
la poblacion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Uso de Diversidad para Guiar la B usqueda
Laumanns et al. [2001] hicieron notar que la precision del estimador
de densidad utilizado tiene un fuerte efecto en el desempe no de la
estrategia de seleccion y, por ende, debe elegirse con sumo cuidado.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Uso de Diversidad para Guiar la B usqueda
Knowles et al. [2003] propusieron una tecnica de truncamiento de
archivo que intenta maximizar el hipervolumen cubierto por la
aproximaci on obtenida del conjunto de optimos de Pareto. Este
esquema, aunque promisorio, resulta sumamente costoso
(computacionalmente hablando) para mas de 3 funciones objetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Uso de Diversidad para Guiar la B usqueda
Tambien han habido trabajos interesantes en optimizacion
mono-objetivo en los cuales se han hecho esfuerzos por dise nar
esquemas adaptativos para mantener diversidad en un algoritmo
evolutivo mediante el uso de medidas de diversidad. Por ejemplo,
Ursem [2003] propuso un algoritmo evolutivo que alterna entre las
fases de exploracion y explotacion de acuerdo a una medida de
diversidad en la poblacion dada por la distancia a un punto
promedio.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Uso de Diversidad para Guiar la B usqueda
Si la diversidad esta por debajo de un umbral d
low
, el algoritmo usa
seleccion y recombinacion en un modo explorativo. Si la diversidad
esta por encima de un umbral d
high
, el algoritmo usa mutacion en
modo explotativo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Uso de Diversidad para Guiar la B usqueda
Otro esquema que usa medidas de diversidad para guiar la
b usqueda es el algoritmo genetico controlado mediante diversidad
de Shimodaira [1999]. En este enfoque, la probabilidad de que los
individuos sobrevivan depende de la distancia de Hamming entre el
individuo de referencia y el mejor individuo en la poblacion.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Areas Abiertas de Investigacion
Estructuras de datos alternativas (p.ej., quadtrees, red-black
trees y archivos no acotados) que permitan el almacenamiento
y recuperacion eciente de vectores no dominados [Mostaghim
et al., 2002; Fieldsend & Singh, 2002, 2003].
Mas estudios teoricos (convergencia, modelos matematicos de
algoritmos evolutivos multiobjetivo, paisajes de aptitud,
comportamiento en tiempo de ejecucion, etc.).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Areas Abiertas de Investigacion
Estudios mas detallados y formales sobre algoritmos evolutivos
multiobjetivo paralelos (convergencia, desempe no,
comparaciones de topologas, algoritmos y operadores, etc.).
Nuevos algoritmos (hbridos con otras heursticas o con
tecnicas de programacion matematica) y extensiones de
heursticas alternativas (p.ej., b usqueda dispersa, aprendizaje
por refuerzo, algoritmos culturales, etc.).
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Areas Abiertas de Investigacion
Nuevas aplicaciones (p.ej., en sistemas operativos (prioridades
de procesos), coordinaciones de agentes, vision por
computadora, robotica, fsica, medicina, arquitectura de
computadoras, m usica, etc.).
Que contribucion dara pie a la tercera generacion de
algoritmos evolutivos multiobjetivo?
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Areas Abiertas de Investigacion
Funciones de prueba dinamicas, manejo de incertidumbre,
epstasis elevada, decepcion en el contexto multiobjetivo, etc.
Uso de coevolucion para dise nar algoritmos evolutivos
multiobjetivo mas ecientes.
Uso de teora de juegos para dise nar nuevos algoritmos
evolutivos multiobjetivo.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Areas Abiertas de Investigacion
Hace falta responder a preguntas fundamentales tales como:
Que hace difcil a un problema multiobjetivo para un
algoritmo evolutivo? Podemos producir metricas que sean
realmente conables? Podemos dise nar algoritmos evolutivos
multiobjetivo que sean robustos? Como se dene robustez
en el contexto multiobjetivo? Hay manera de lidiar con la
maldicion de la dimensionalidad en optimizacion evolutiva
multiobjetivo?
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Para saber mas sobre
optimizacion evolutiva multiobjetivo
Visitar el repositorio de EMOO localizado en:
http://delta.cs.cinvestav.mx/ccoello/EMOO
con un espejo en:
http://www.lania.mx/ccoello/EMOO
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Para saber mas sobre
optimizacion evolutiva multiobjetivo
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Para saber mas sobre
optimizacion evolutiva multiobjetivo
El repositorio de EMOO contiene actualmente:
Mas de 2070 referencias bibliogracas, incluyendo casi 120 tesis
doctorales, unos 500 artculos de revistas internacionales y unos
1200 artculos de congresos internacionales.
Datos de 60 investigadores que trabajan en optimizacion
evolutiva multiobjetivo.
Implementaciones de dominio p ublico de SPEA, NSGA,
NSGA-II, el microGA, -MOEA, MOPSO y PAES, entre otros.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Kalyanmoy Deb, Multi-Objective Optimization using
Evolutionary Algorithms, John Wiley & Sons, Ltd., Chichester,
UK, 2001, ISBN 0-471-87339-X.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Andrzej Osyczka, Evolutionary Algorithms for Single and
Multicriteria Design Optimization, Physica Verlag, Germany,
2002, ISBN 3-7908-1418-0.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Carlos A. Coello Coello, David A. Van Veldhuizen and Gary B.
Lamont, Evolutionary Algorithms for Solving
Multi-Objective Problems, Kluwer Academic Publishers, New
York, May 2002, ISBN 0-3064-6762-3.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Yann Collete and Patrick Siarry, Multiobjective Optimization
Principles and Case Studies, Springer, Decision Engineering
Series, 2004, ISBN: 3-540-40182-2.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Ajith Abraham, Lakhmi C. Jain and Robert Goldberg (editors),
Evolutionary Multiobjective Optimization Theoretical
Advances and Applications, Springer, Advanced Information
and Knowledge Processing Series, 2005, ISBN: 1-85233-787-7.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Kay Chen Tan, Eik Fun Khor and Tong Heng Lee,
Multiobjective Evolutionary Algorithms and Applications,
Advanced Information and Knowledge Processing Series, 2005,
ISBN: 1-85233-836-9.
Clase No. 3 Julio de 2005
Introduccion a la Optimizacion Multiobjetivo Dr. Carlos A. Coello Coello
Libros disponibles sobre
optimizacion evolutiva multiobjetivo
Carlos A. Coello Coello and Gary B. Lamont (editors),
Applications of Multi-Objective Evolutionary Algorithms,
World Scientic, ISBN 981-256-106-4, December 2004.
Clase No. 3 Julio de 2005