Departamento de Computación

Una vasta cantidad de problemas en ingeniería requieren la optimización de varios objetivos de manera simultánea. Dado el origen de dichos problemas, muchas veces la optimización debe realizarse desde un dispositivo con recursos computacionales limitados. Aunque actualmente existen algoritmos compactos exitosos que facilitan la implementación en dispositivos limitados, estos algoritmos resuelven problemas con una sola función objetivo. Los algoritmos evolutivos multi-objetivo han sido muy exitosos en la solución de problemas de optimización con más de una función objetivo, debido, sobre todo, a su simplicidad y facilidad de uso. Sin embargo, la mayor parte de estos algoritmos utilizan una población de individuos, lo que obliga a hacer uso de más recursos de memoria tan sólo por almacenar toda esta información. En esta tesis se propone un algoritmo multi-objetivo compacto basado en evolución diferencial, el cual busca resolver problemas de optimización con un menor uso de recursos de memoria. El algoritmo propuesto obtiene resultados competitivos, e incluso mejores, que los algoritmos representativos del estado del arte, al mismo tiempo que requiere menos recursos de memoria al adoptar una representación estadística de la población.

Abstract

A wide range of problems in enginnering require the optimization of several objectives at the same time. Given the nature of such problems, it is often the case that the optimization process needs to take place from a device with very limited resources. Although there exist compact algorithms that are more suitable for being implemented in devices with limited computing resources, such algorithms only deal with single-objective problems. Multi-objetive evolutionary algorithms have been successful in solving optimization problems with more than one objective function, mainly due to their simplicity and ease of use. Nevertheless, most of these algorithms use a population of individuals, which requires more memory resources only to save all this information. In this thesis, a multi-objective compact algorithm based on differential evolution is presented. The proposed algorithm obtains competitive (and even better in some cases) results than state-of-the-art multi-objective evolutionary algorithms while using less memory resources because of its statistical representation of the population.