Please use this identifier to cite or link to this item: https://ri.ufs.br/jspui/handle/riufs/10763
Document Type: Dissertação
Title: Múltiplos enxames combinados com métodos de arquivamento, pontos de referência e topologias na otimização com muitos objetivos
Authors: Silva, José Lucas Matos
Issue Date: 24-Aug-2017
Advisor: Carvalho, André Britto de
Resumo : Problemas de Otimização Multiobjetivo podem ser classificados como um conjunto de problemas que possuem mais de uma função objetivo conflitante. Nestes problemas, as funções objetivo a serem otimizadas possuem índices de desempenho que são conflitantes, ou seja, normalmente quando um valor de uma função objetivo tem uma melhoria, um valor de outra função objetivo tende a ter uma piora. Com isto, é necessário obter um conjunto de melhores soluções, onde os valores das funções objetivo simultaneamente sejam aceitáveis. Pode-se destacar que nessa classe de problemas o número de melhores soluções cresce exponencialmente conforme o número de objetivos aumenta. Nesse sentido, esse aumento do número de soluções causa a deterioração da busca por melhores soluções, dificultando o progresso em direção às soluções ótimas. Apesar da aplicação com sucesso de diversos Algoritmos Evolucionários Multiobjetivo a esses tipos problemas, a maioria dos estudos foca em problemas com um número pequeno de objetivos. Além disso, esses algoritmos sofrem com a deterioração da busca quando o número de funções objetivo otimizadas é maior do que três. Assim, recentemente há a busca por novas técnicas e algoritmos que busquem reduzir a deterioração dos algoritmos multiobjetivo. A área que estuda essas novas técnicas é chamada de Otimização com Muitos Objetivos e os problemas multiobjetivo que possuem mais de três funções são classificados como Problemas de Otimização com Muitos Objetivos. Recentemente, diferentes abordagens têm sido propostas para melhorar o desempenho destes algoritmos em problemas de otimização com muitos objetivos. Uma dessas abordagens é o uso de múltiplas populações na otimização multiobjetivo por enxames de partículas, no qual chamamos de Múltiplos Enxames. Múltiplos Enxames são técnicas para explorar populações paralelas para decompor o problema e otimizá-lo de forma colaborativa. Neste trabalho foram desenvolvidos algoritmos que incorporam as características de múltiplos enxames com topologias, métodos de arquivamento e pontos de referência para resolver Problemas de Otimização com Muitos Objetivos. O primeiro algoritmo desenvolvido envolveu métodos de arquivamento e topologias, outro explorou pontos de referência e o último trabalhou com modificações dos pontos de referência com o objetivo de obter boa convergência e diversidade nesses tipos de problemas. Um conjunto de experimentos é feito para avaliar os algoritmos propostos e buscar identificar qual a melhor configuração de cada algoritmo. Além disso, é feita uma análise do desempenho dos algoritmos, comparando-os à métodos da literatura.
Abstract: Multi-Objective Optimization Problems can be classified as a set of problems that have more than one conflicting objective function. In these problems, the objective functions to be optimized have performance indexes that are conflicting, that is, usually when one value of an objective function has an improvement, a value of another objective function tends to worsen. With this, it is necessary to obtain a set of better solutions, where the values of the objective functions are simultaneously acceptable. It can be emphasized that in this class of problems the number of best solutions increases exponentially as the number of objectives increases. In this sense, this increase in the number of solutions causes a deterioration in the search for better solutions, making progress towards optimum solutions difficult. Despite the successful application of several Multiobjective Evolutionary Algorithms to these types of problems, most studies focus on problems with a small number of objectives. In addition, these algorithms suffer from search deterioration when the number of optimized objective functions is greater than three. Thus, recently there is the search for new techniques and algorithms that seek to reduce the deterioration of multiobjective algorithms. The area that studies these new techniques is called Many-Objective Optimization and multiobjective problems that have more than three functions are classified as Many-Objective Optimization Problems. Recently, different approaches have been proposed to improve the performance of these algorithms in optimization problems with many objectives. One of these approaches is the use of multiple populations in multi-objective particle swarm optimization, which we call Multiple Swarms. Multiple Swarms are techniques for exploring parallel populations to decompose the problem and optimize it in a collaborative way. In this work we developed algorithms that incorporate the characteristics of multiple swarms with topologies, archiving methods and reference points to solve Many-Objective Optimization Problems. The first algorithm developed involved archiving methods and topologies, another explored reference points, and the latter worked on modifications of reference points in order to achieve good convergence and diversity in these types of problems. A set of experiments is done to evaluate the proposed algorithms and seek to identify the best configuration of each algorithm. In addition, a performance analysis of the algorithms is performed comparing them to the literature methods.
Keywords: Otimização com muitos objetivos
Múltiplos enxames
Métodos de arquivamento
Pontos de referência
Many-objective optimization
Multi-swarm
Archiving methods
Reference points
Subject CNPQ: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Sponsorship: Fundação de Apoio a Pesquisa e à Inovação Tecnológica do Estado de Sergipe - FAPITEC/SE
Language: por
Institution: UFS
Program Affiliation: Pós-Graduação em Ciência da Computação
Citation: SILVA, José Lucas Matos. Múltiplos enxames combinados com métodos de arquivamento, pontos de referência e topologias na otimização com muitos objetivos. 2018. 90 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, SE, 2018.
URI: http://ri.ufs.br/jspui/handle/riufs/10763
Appears in Collections:Mestrado em Ciência da Computação

Files in This Item:
File Description SizeFormat 
JOSE_LUCAS_MATOS_SILVA.pdf1,34 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.