Técnicas de
Auto-Adaptación para Algoritmos Evolutivos Multi-objetivo
Edgar Gerardo Yáñez Oropeza
|
Texto completo de la Tesis 
Resumen
En la actualidad, el uso del
cómputo
evolutivo se ha vuelto muy popular como herramienta para dar soluciones
a diferentes problemas del mundo real. En el ámbito de los
problemas
multi-objetivo, existen diversas propuestas basadas en cómputo
evolutivo que son muy populares en la literatura especializada. Sin
embargo, las diferentes herramientas propuestas en el campo del
cómputo evolutivo multi-objetivo tienen una importante
desventaja:
requieren un ajuste cuidadoso de sus parámetros, el cual suele
realizarse de forma empírica, siendo además distinto para
cada
problema a resolverse. Dicho ajuste empírico de
parámetros busca
balancear la fase de exploración con la de explotación
del algoritmo
evolutivo utilizado, a fin de que éste logre los mejores
resultados
posibles.
El objetivo principal de esta tesis fue definir un algoritmo evolutivo
multiobjetivo que no requiriera parámetros a ser definidos por
el
usuario. Para alcanzar dicho objetivo, fue necesario definir diferentes
técnicas de autoadaptación de parámetros para un
algoritmo
evolutivo multi-objetivo del estado del arte, el NSGA-II. Dichas
técnicas de auto-adaptación permiten que el algoritmo
evolutivo
defina, por sí mismo y durante su ejecución, los valores
más
adecuados de sus parámetros más importantes. Para
analizar el
desempeño del esquema propuesto, se evaluó su
comportamiento usando
doce problemas de prueba, tomados de la literatura especializada. Los
resultados obtenidos por el esquema propuesto se compararon con
respecto a los del NSGA-II original, concluyéndose que la
propuesta es
una alternativa viable para realizar optimización evolutiva
multi-objetivo libre de parámetros.
Abstract
Nowadays, the use of evolutionary
computation (EC) techniques has become a very popular tool to solve a
variety of real-world problems. Within multi-objective optimization
problems, several EC-based proposals currently exist, and are very
popular in the specialized literature. However, the different EC tools
currently available have an important drawback: they require a careful
fine-tuning of their parameters, and such fine-tuning is normally done
in an empirical way, being different for each problem to be solved.
Such empirical fine-tuning of parameters aim to balance the exploration
and exploitation phases of the evolutionary algorithm being used, such
that it achieves the best possible results.
The main goal of this
thesis was to define a multi-objective evolutionary algorithm (MOEA)
that does not require any user-defined parameters. In order to achieve
such goal, it was necessary to define different techniques to
self-adapt the parameters of a state-of-the-art MOEA, the NSGA-II. Such
self-adaptation techniques allow that the MOEA defines, by itself, and
during its execution, the most appropriate values for its most
important parameters.
In order to assess the performance of the proposed approach, its
behavior was evaluated using twelve test problems taken from the
specialized literature. The results obtained by the proposed approach
were compared with respect to those produced by the original NSGA-II,
concluding that the proposed approach is a viable alternative to
perform parameterless evolutionary multi-objective optimization.