Departamento de Computación

En esta Tesis, presentamos nuestros estudios y propuestas para reducir el costo computacional en optimización evolutiva multi-objetivo. En primer lugar, se describe un enfoque coevolutivo multi-objetivo que fue diseñado durante la primera etapa de nuestro trabajo y cuya principal motivación fue reducir el costo computacional. La idea principal del algoritmo coevolutivo propuestos es obtener información a lo largo del proceso evolutivo para subdividir el espacio de búsqueda en subregiones y concentrar la búsqueda en las subregiones promisorias del espacio de búsqueda. La validación de este algoritmo se lleva a cabo usando varias funciones de prueba tomadas de la literatura especializada. Posteriormente, se diseñó un nuevo algoritmo multi-objetivo basado en optimización mediante cúmulos de partículas, para sustituir el algoritmo genético que se estaba usando como motor de búsqueda en el algoritmo coevolutivo propuesto. Esto se hizo con el fin de mejorar el desempeño del algoritmo coevolutivo, especialmente en funciones con lata dimensionalidad e el espacio de las variables de decisión. Este nuevo algoritmo multi-objetivo está basado en el uso de dominancia de Pareto, factores de agrupamiento, diferentes operadores de mutación y dominancia. Así pues, se lleva a cabo la descripción y validación de este nuevo algoritmo, así como un estudio de sus parámetros por medio de un análisis de varianza. Como resultado, se proponen mecanismos en lìnea para adaptar los valores de los parámetros más importantes. Así también, se estudian varias funciones de prueba con el fin de explorar aquellos problemas que pudieran resultar difìciles para nuestro algoritmo. Además, el algoritmo se valida usando varias funciones de prueba restringidas, y finalmente se incorpora en el esquema coevolutivo antes mencionado. Posteriormente, se propone una técnica de herencia para disminuir el costo e computacional relacionado con el uso del algoritmo multi-objetivo basado en cúmulos de partículas, mencionado previamente. Cuando se usa herencia, no es necesario evaluar a todos los individuos en cada generación y el costo computacional se reduce. A este aspecto, se lleva a cabo un estudio de distintas técnicas para incorporar el concepto de herencia en nuestro algoritmo y se propone un esquema dinámico para obtener el mayor ahorro posible (en el número de evaluaciones). Finalmente, se discuten algunos temas teóricos relacionados con el trabajo desarrollado, tanto en relación a la optimización mediante cúmulos de partículas como en relacion a la herencia.