Tesis "Uso de Funciones de Escalarización y Múltiples Puntos de Referencia para Mejorar la Capacidad Discriminatoria de Dos Algoritmos Evolutivos Multi-Objetivo"
Alumno: Feliciana Martínez Martínez
Asesor: Dr. Gregorio Toscano Pulido
Sinodales: Dr. Ricardo Landa Becerra, Dr. José Gabriel Ramírez Torres
Resumen:
El área de la optimización multi-objetivo evolutiva ha desarrollado una serie de métodos para resolver problemas con dos o más objetivos. A pesar de su éxito, estudios recientes han demostrado que estos métodos tienden a deteriorar su rendimiento en la resolución de roblemas con más de tres objetivos (los también llamados problemas de optimización con muchos objetivos). Las funciones de escalariazación son métodos especiales de asignación de aptitud que replantean el problema multi-objetivo como un problema mono-objetivo. Estas funciones realizan su búsqueda en una dirección definida por un vector de pesos, de tal manera, se requiere un conjunto de vectores de pesos con el fin de ofrecer diferentes soluciones para un determinado problema multi-objetivo. Recientemente, el término descomposición ha surgido como una forma de incrustar funciones de escalarización en algoritmos evolutivos multi-objetivo basados en la población. Los métodos basados en descomposición se han encontrado eficaces en la resolución e problemas con muchos objetivos.
Por otra parte, la literatura especializada tiene una gran cantidad de métodos basados en dominancia de Pareto que fueron cuidadosamente diseñados para resolver problemas muliobjetivo de baja dimensionalidad (en el espacio objetivo). La intención de esta tesis es mejorar la capacidad discriminatoria de métodos previamente propuestos basados en dominancia de Pareto, mediante el uso descomposición. Para lograr nuestro objetivo, proponemos realizar un estudio cuidadoso sobre el desempeño de usar diferentes funciones de escalarización para establecer preferencias entre soluciones en dos algoritmos evolutivos multi-objetivo previamente propuestos en la literatura. Esta tesis también evaluará diferentes métodos de asignación de pesos, ya que las funciones de escalarización dependen fuertemente en éstos. Para evitar la contracción del frente de Pareto, se planea hacer uso de diferentes puntos de referencia.
Finalmente, se desarrollará un método voraz para resolver el problema de selección de sobrevivientes. Los resultados indican que uno de los métodos mejorados fue capaz de producir soluciones más cercanas del verdadero frente de Pareto que dos métodos representativos del estado del arte.