Tesis "Uso de Modelos Surrogados en Algoritmos Evolutivos Multiobjetivo"
Alumno: Gerardo Montemayor García
Asesor: Dr. Gregorio Toscano Pulido
Sinodales: Dr. Eduardo Rodríguez Tello y Dr. José Gabriel Ramírez Torres.
Los Algoritmos Evolutivos (AEs) son metaheurísticas bioinspiradas que han sido exitosamente utilizadas para resolver problemas de optimización multiobjetivo (POMs). Cuando estos problemas son computacionalmente costosos, incluso estas metaheurísticas pueden resultar inoperantes. Por lo tanto se necesitan estrategias adicionales con el fin de acelerar convergencia de los AEs. Una estrategia comúnmente utilizada ha sido reemplazar el problema original por un modelo surrogado (metamodelo). Sin embargo, a pesar de su éxito, muy pocas comparaciones entre modelos surrogados han sido reportadas en la literatura especializada.
En esta tesis, se compararon empíricamente cuatro técnicas de metamodelado con el fin de elegir el enfoque más adecuado para ser combinado con un algoritmo evolutivo multiobjetivo. Los resultados de este estudio comparativo hicieron posible proponer un nuevo algoritmo llamado Metamodeling Assisted Subpopulation Search Algorithm (MASSA).
MASSA realiza una búsqueda en subpoblaciones, ayudada de metamodelos. Los resultados indican que el enfoque propuesto necesitó relativamente pocas evaluaciones para converger al verdadero frente de Pareto de los problemas estudiados, manifestando que es una alternativa viable para tratar con problemas costosos de optimización multiobjetivo. Sin embargo, este algoritmo carece de una metodología para seleccionar a priori el modelo surrogado a utilizar. Por ello, se propone una versión mejorada del MASSA que selecciona automáticamente la técnica de metamodelado a utilizar en un momento dado: el Tune-Adaptive Metamodeling Assisted Algorithm (TAMAAL). Los resultados indican que este último enfoque mejora tanto al MASSA como al NSGA-II en ocho POMs tomados de la literatura especializada.