Tesis
Plataforma computacional de alto rendimiento para optimización multiobjetivo utilizando algoritmos evolutivos.
Fecha
2016-12-13Registro en:
Domínguez Guerrero, Josué. Tesis (Maestría en ciencias en sistemas digitales). Tijuana, B.C., Instituto Politécnico Nacional, SEPI, Citedi, 2012, 81 pàginas.
Autor
Domínguez Guerrero, Josué
Institución
Resumen
En problemas de optimización multiobjetivo se tiene que encontrar la mejor solución que
minimice(maximice) simultáneamente dos o mas funciones objetivos, esta condición la puede cumplir un conjunto de soluciones que se conoce como óptimo de Pareto, por esta propiedad de encontrar un conjunto se encontró un nicho de investigación para utilizar algoritmos evolutivos con los cuales se encuentra un conjunto en cada ejecución.
En este trabajo se presenta un plataforma computacional implementada en C# para resolver problemas de optimización multiobjetivo utilizando una versión modificada del algoritmo NSGA-II. El algoritmo propuesto se nombró MNSGA-II (del inglés modified NSGA-II) y en esta plataforma se puede configurar el algoritmo para seleccionar uno de cuatro operadores de cruzamiento y tres operadores de mutación, así como sus respectivas probabilidades.
La principal modificación del algoritmo NSGA-II es la estrategia utilizada para seleccionar los mejores individuos de cada población (elitismo) el cual dependiendo del número de soluciones de no dominados puede elegir los que tengan mejor rango de Pareto o mejor distancia de apiñamiento.
El algoritmo se probó con distintas funciones de prueba utilizando distintos operadores
genéticos y se demostró que estos operadores no siempre tienen el mejor desempeño en todos los problemas si no que dependiendo de la complejidad algunos operadores serán mejores que otros.
__________________________________
Multi-objective optimization problem has to find the best solution that minimize (maximize)
simultaneously two or more objective functions, this condition can satisfy a set of solutions
known as Pareto optimal for this property to find a set was found research a niche to use
evolutionary algorithms with which is a set in each run.
This paper presents a computational platform implemented in C # to solve multi-objective
optimization problems using a modified version of the algorithm NSGA-II. The proposed algorithm is named MNSGA-II and this platform can configure the algorithm to select one of four operators of crossover and three mutation operators as well as their respective probabilities.
The main modification of the NSGA-II algorithm is the strategy used to select the best
individuals from each population (elitism) which depending on the number of nondominated
solutions can choose those with better range of Pareto or better crowding distance.
The algorithm was tested with five different test functions using different genetic operators
and showed that these operators do not always have the best performance in all.