Departamento de Computación

Muchos problemas multiobjetivo del mundo real tienen cientos e incluso miles de variables de decisi ón, por lo cual la escalabilidad es un tema de gran importancia. Esto, sin embargo, contrasta con los modelos evolutivos existentes para optimización multiobjetivo los cuales suelen validarse con problemas de prueba con un número relativamente bajo de variables de decisión (normalmente no más de 30). En la actualidad la investigación existente en el área de algoritmos evolutivos multiobjetivo suele enfocar su atención a la escalabilidad en el espacio de las funciones objetivo (esta área se conoce como "many-objective optimization"), sin poner mucha atención a la escalabilidad en el espacio de las variables de decisión. En esta tesis se propone un esquema que permite que un algoritmo evolutivo multiobjetivo sea capaz de lidiar con problemas de alta dimensionalidad en el espacio de las variables de decisión. Para validar el algoritmo propuesto se usó un conjunto de prueba que es escalable en el número de variables de decisión y se compararon resultados con respecto a los obtenidos por dos algoritmos representativos del estado del arte en al área (GDE3 y NSGA-II) utilizando un número de variables de decisión que va de las 200 hasta las 5000. Los resultados obtenidos muestran claramente que la propuesta presentada es tanto efectiva como eficiente para resolver problemas de optimización multiobjetivo a gran escala en el espacio de las variables de decisión.

Abstract

Many real-world multiobjective optimization problems have hundreds and even thousands of decision variables, which turns scalability into a very important topic. This, however, contrasts with the currently available evolutionary models for multiobjective optimization, which are normally validated with test problems having a relatively low number of decision variables (normally, no more than 30). Nowadays, research on multiobjective evolutionary algorithms has focused on scalability in objective function space (this area is known today as "many-objective optimization"), disregarding scalability in decision variable space. In this thesis, we propose a scheme that allows a multi-objective evolutionary algorithm to be able to deal with problems having a large dimensionality in decision variable space. In order to validate the proposed approach, we adopted a set of test problems that are scalable in decision variable space, and we compared results with respect to those obtained by two algorithms which are representative of the state-of-the-art in the area (GDE3 and NSGA-II) using a number of decision variables that goes from 200 up to 5000. The obtained results clearly show that our proposed approach is both e ective and e cient for solving large scale multiobjective optimization problems.