Algoritmo evolutivo multi objetivo: Analizando el

estado del arte

Resumen
El resolver problemas de optimizacin con mltiples (Usualmente en conflicto)
objetivos es, generalmente, una tarea muy difcil. Los algoritmos evolutivos,
fueron inicialmente expandidos e implementados a mediados de los 80 en un
intento de resolver problemas estocsticamente de su clase gentica. Durante
la dcada pasada, una variedad de tcnicas EA multi objetivo han sido
propuestas y aplicadas a muchas aplicaciones cientficas e ingenieriles. La
intencin de esta discusin es definir rigurosamente problemas de optimizacin
multi objetivo y ciertos conceptos similares, presentar un esquema de
clasificacin MOEA, y evalua la variedad de MOEAs contemporneos. Los
desarrollos tericos actuales de MOEA son evaluados; temas especficos
tratados incluyen funciones de aptitud, clasificacin Pareto, niching,
comparticin de aptitud, restricciones de apareamiento, y poblaciones
secundarias. Sabiendo que el desarrollo y aplicacin de MOEAs es una
actividad dinmica y que crece rpidamente; nos centramos en la comprensin
analtica clave en base a la evaluacin crtica MOEA de la investigacin y las
aplicaciones actuales. Diseos recomendados de MOEA son presentados, al
lado de conclusiones y recomendaciones para futuros trabajos.
Palabras claves:
Optimizacin multi objetivo, Algoritmos evolutivos multi objetivo, algoritmos
genticos multiobjetivo, optimalizad de Pareto.

1 INTRODUCCIN
La ssolucin de problemas cientficos y de ingeniera multiobjetivo es, por lo
general, una muy difcil meta. En estos problemas de optimizacin en
particular, los objetivos a menudo entran en conflicto a travs de un espacio de
problema de alta dimensin y puede tambin requerir gran cantidad de
recursos computacionales. Problemas de optimizacin multiobjetivo (MOP)
generales abarcan mtodos de solucin de agregacin de funcin objetivo a las
tcnicas basadas en el sentido de Pareto. En un intento de resolver problemas
estocsticamente de esta clase genrica en un plazo aceptable, evolutiva
multiobjetivo especfica algoritmos (MOEAs) fueron desarrollados inicialmente a
mediados de los aos ochenta para la aplicacin al dominio del MOP. Desde
entonces, un aumento de cuarenta veces en el nmero de publicaciones MOEA
ha visto a varias tcnicas de solucin propuesta, junto con aplicaciones en

numerosos disciplinas cientficas y de ingeniera (Van Veldhuizen, 1999; Coello,

1999b).
La intencin de nuestra discusin es definir rigurosamente MOP y ciertos
conceptos afines,
esquema de clasificacin anMOEA presentarn y evaluarn la variedad de
contemporaryMOEAs.
Desarrollos tericos actuales del MOEA se evalan; temas especficos
abordados incluyen funciones de fitness, ocupando Pareto, niching, el
intercambio fsico, restriccin de apareamiento, y secundaria poblaciones.
Tambin se discuten los modelos de complejidad y recomendamos diseos
especficos del MOEA para su uso en nuevas aplicaciones y las comparaciones
de rendimiento. Como el espacio es limitado, el lector que desee introductory
MOEA material se dirige a la siguiente bibliografa: Van Veldhuizen (1999),
Coello (1999a), y Fonseca y Fleming (1995a). Debido a que el desarrollo y
aplicacin de MOEAs es un campo interdisciplinario dinmico y de rpido
crecimiento, nos centramos aqu en la evolucin de conocimientos analticos
clave derivadas de la evaluacin crtica de la corriente MOEA investigacin y
aplicaciones.
El resto de esta discusin est dispuesto de la siguiente manera. Seccin 2
introduce relevante
Conceptos del MOP, y la Seccin 3 se enumeran las encuestas literatura
field'smajor y presenta anMOEA esquema de clasificacin. Secciones 4 y 5
direccin clave cuantitativa y cualitativa de anlisis resultados de nuestra
investigacin. La Seccin 6 describe brevemente diseos MOEA recomendadas
y Seccin 7 resume la discusin y presenta recomendaciones para el trabajo
futuro.
2 Definicin MOP y visin general
Ni el problema ni dominios algoritmo considera dentro de esta investigacin es
sencilla. Por lo tanto, presentamos los conceptos clave que definen y limitan
tanto la clase de problema (MOP) y los algoritmos seleccionados para
resolverlos (MOEAs). Aunque la optimizacin de un solo objetivo problemas
pueden tener una nica solucin ptima, MOP (como una regla) presentar una
posiblemente la multitud innumerable de soluciones que, cuando se evala,
producen vectores cuyas componentes representan compensaciones en el
espacio objetivo. Un fabricante de decisin, entonces escoge implcitamente
una aceptable solucin (o soluciones) mediante la seleccin de uno o ms de
estos vectores. MOP son matemticamente se define como sigue:
DEFINICIN 1 (MOP general): En general, un MOP minimiza F (~ x) = (f1 (~ x);
:::; FK (~ x)) sujetos a gi (~ x)? 0; i = 1; :::; m; ~ x 2. Una solucin de MOP
minimiza los componentes de un
vectorial F (~ x), donde ~ x es una variable de decisin del vector ndimensional (~ x = x1; :::; xn) de algunos universo.

As, un MOP consta de n variables de decisin, m restricciones y objetivos de k

que cualquiera o todas las funciones objetivo puede ser lineal o no lineal
(Hwang y Masud, 1979). Funcin de evaluacin del MOP, F: ! ?, Variables de
decisin mapas (~ x = x1; :::; xn) a los vectores (~ y = a1; :::; ak). Esta
situacin se representa en la figura 1 para la caso n = 2, m = 0, y K = 3. Esta
correspondencia puede o no ser en alguna regin de espacio de la funcin
objetivo, dependiendo de las funciones y las limitaciones componer la
particular, MOP. Adems, todos los problemas descritos en este artculo se
supone que son problemas de minimizacin menos que se especifique de otra
manera (desde minfF (x) g = MaxF F (x) g), y ser computable.

MOP se caracterizan por distintas medidas de desempeo ( los objetivos ) que pueden ser
(in) dependiente y / o inconmensurables . Por ejemplo , la ganancia y la entrada de una
antena de radar la resistencia puede tener poca dependencia de unos a otros , sino que
tambin se miden en diferentes unidades ( dB vs ohmios) . Los mltiples objetivos estn
optimizando casi siempre un conflicto, colocando un parcial en lugar de total de ordenar en
el espacio de bsqueda . De hecho , la bsqueda de lo global ptimo de un MOP general es
NP- completo ( B ack, 1996 , 56) . "Perfect" soluciones MOP, donde todas las variables de
decisin satisfacen las restricciones asociadas y las funciones objetivo alcanzar un mnimo
global, puede incluso no existir. Representamos a las metas u objetivos de anMOP a
diferencia funciones matemticas que se deben alcanzar y utilizar los trminos espacio
objetivo o funcin objetivo espacio para indicar el espacio de coordenadas en el que los
vectores resultantes de la evaluacin de MOP soluciones se representan grficamente.
MOP pueden requerir tcnicas de optimizacin especializados debido a estas caractersticas
(mltiples , objetivos contrapuestos y las limitaciones ). Independientemente de la tcnica
implementado , una concepto clave que muchos investigadores utilizan en la determinacin
de un conjunto de soluciones del MOP es el de Pareto optimalidad .

2.1 Conceptos de Pareto

Aunque el ptimo de Pareto y de sus conceptos y terminologa relacionados se
invocan con frecuencia, Investigadores del MOEA utilizan a menudo
errneamente en la literatura . Para asegurar la comprensin y la consistencia
que por lo tanto definimos dominancia de Pareto , el ptimo de Pareto , el
conjunto ptimo de Pareto , y el frente de Pareto. Ejemplos de estos conceptos
se encuentran en otros lugares (por ejemplo , Van Veldhuizen
( 1999 ) ) . Usando la notacin MOP presentado en la Definicin 1 , estos
conceptos clave de Pareto son definida matemticamente de la siguiente
manera :
DEFINICIN 2 ( Pareto Dominance ) : Un vector ~ u = ( u1 ; ::: ; uk ) se dice que
dominar ~ v =( v1 ; ::: ; VK ) ( denotado por U ~ ~ V ? ) si y slo si u es
parcialmente menor que V , es decir , 8i 2 f1 ; ::: ; kg , interfaz de usuario? vi ^
9i 2 f1 ; ::: ; kg: ui < vi .
DEFINICIN 3 ( Pareto optimalidad ) : Una solucin x 2 se dice que es ptimo de
Pareto con respecto a si y slo si no hay x0 2 para los que ~ v = F ( x0 ) = ( f1 (
x0 ); ::: ; fk ( x0 ) ) domina ~ u = f (x ) = ( f1 ( x ) ; ::: ; fk ( x ) ) . La frase "
ptimo de Pareto " se entiende en relacin con todo el espacio variable de
decisin a menos que se especifique lo contrario .
DEFINICIN 4 ( Pareto Optimal Set) : Para un MOP dada F ( x) , el conjunto
ptimo de Pareto ( ? P) es se define como :
P ? : = Fx 2 J : 9 x0 2: F ( x0 ) ? F (x ) g
(1)
DEFINICIN 5 ( Pareto frontal) : ? Para un MOP dada F ( x) y el conjunto ptimo
de Pareto P, el sentido de Paretofrontal ( ? PF ) se define como :
PF ? : ? = F ~ u = f (x ) = ( f1 ( x ) ; ::: ; fk ( x ) ) JX 2 g
de P
(2)
Soluciones ptimas de Pareto tambin se denominan soluciones no inferiores,
admisibles o eficientes (Horn, 1997), y sus correspondientes vectores se
denominan no dominados. Estas soluciones puede tener ninguna relacin
claramente adems de su pertenencia a la ptima de Pareto establecer.
Forman el conjunto de todas las soluciones cuyos vectores son no dominadas
correspondiente con respecto a todos los otros vectores de comparacin;
subrayamos aqu que las soluciones ptimas de Pareto son clasificados como
tales sobre la base de sus valores funcionales evaluados. Cuando se trazan en
el objetivo espacio, los vectores no dominados se conocen colectivamente
como el frente de Pareto. Para reiterar, el Pareto ptimo conjunto es un

subconjunto de todas las soluciones posibles en . Sus vectores objetivo

evaluados formar el frente de Pareto, de los cuales cada vector est no
dominados con respecto a todo el objetivo vectores producidos mediante la
evaluacin de todas las soluciones posibles en

Tenga en cuenta que la toma de decisiones (DM) es a menudo la seleccin de

soluciones a travs de la eleccin de aceptable rendimiento objetivo,
representado por el (conocido) frente de Pareto. Elegir un MOP solucin que
optimiza el nico objetivo bien puede ignorar las soluciones que, a partir de un
conjunto punto de vista, son "mejor." El conjunto ptimo de Pareto contiene los
mejores soluciones. La identificacin un conjunto de soluciones ptimas de
Pareto, es decisivo para la seleccin de un DM de un "compromiso" solucin (s)
que cumplan los objetivos de la mejor manera posible. Por supuesto, la
exactitud de los de DM vista depende tanto de la verdadera conjunto ptimo de
Pareto y el conjunto se presenta como un ptimo de Pareto.
Observamos aqu que las soluciones derivadas de MOSes del mundo real a
menudo ofrecen slo un nmero finito nmero de puntos que pueden o no
pueden ser verdaderamente un ptimo de Pareto. En cualquier momento en el
mundo real se modela (por ejemplo, a travs de funciones objetivo) en un
ordenador (una mquina discreta), hay una prdida de fidelidad entre el infinito
no numerable de la realidad y lo finito implementado, discretizado modelo.
MOP complejos no, por lo general, se prestan a la determinacin analtica del
frente Pareto real, con lo que incluso una aproximacin computacional de un RP
de ptimo global difcil. Hemos globalmente solucin ptima de anMOP otro
lugar definido listo para ser el conjunto ptimo de Pareto (Van Veldhuizen,
1999), la mayora de los investigadores del MOEA implcitamente aceptar esta
definicin mientras buscan explcitamente Pareto delante de un RP.

2.2 Notacin de Pareto

La estructura de un MOEA algortmico (por ejemplo , mltiples poblaciones
nicas ) puede llevar fcilmente a confusin al identificar o utilizando
conceptos de Pareto . De hecho , los investigadores tienen MOEA errneamente
utilizado terminologa de Pareto en la literatura , lo que sugiere una notacin
ms precisa se requiere .
Durante la ejecucin del MOEA , un conjunto "actual" de soluciones ptimas de
Pareto (con respecto a la actual poblacin generacional MOEA ) se determina
en cada generacin del MOEA
terminar y denominado Pcurrent ( t ) , donde t representa el nmero de
generacin . Muchos MOEA implementaciones tambin usan una poblacin
secundaria almacenar soluciones no dominadas encontradas a travs de las

generaciones (Van Veldhuizen , 1999 ) ( vase tambin la seccin 5.2). Debido

a que de una solucin clasificacin como Pareto ptima depende del contexto
en el que se evala (es decir , el conjunto dado de la que es miembro) ,
vectores de esta poblacin secundaria correspondiente deben ser
( peridicamente ) probados y solutionswhose vectores asociados estn
dominadas eliminado .
Llamamos a esta poblacin secundaria Pknown (t). Este trmino tambin se
anota con t de
reflejar sus posibles cambios en la composicin durante la ejecucin del MOEA .
Pknown ( 0 ) se define como el conjunto vaco (;) y Pknown solo como el ltimo
conjunto de soluciones devueltos por el Ministerio de Economa en terminacin.
Existen diferentes estrategias de almacenamiento poblacin secundaria, la
ms simple es cuando Pcurrent ( t ) se aade a cada generacin ( es decir ,
Pcurrent ( t ) [ Pknown ( t 1 ) ) . En cualquier dado tiempo, Pknown (t ) es,
pues, el conjunto de soluciones ptimas de Pareto todava encontrado por el
Ministerio de Economa a travs de generacin T. Por supuesto, el verdadero
conjunto ptimo de Pareto (denominado Ptrue) no se conoce de forma explcita
problemas de cualquier dificultad. Ptrue se define implcitamente por las
funciones que componen anMOP - que es fijo y no cambia. Tenga en cuenta que
debido a la manera en que el ptimo de Pareto se define, Ptrue y Pcurrent (t)
son siempre conjuntos de soluciones no vacos (Van Veldhuizen, 1999).
Pcurrent (t), Pknown y Ptrue son conjuntos de genotipos del MOEA; 1
correspondiente de cada conjunto fenotipos forman un frente de Pareto.
Estamos plazo el frente Pareto asociado para cada uno de estos solucin
establece como PFcurrent (t), PFknown, y PFtrue. Por lo tanto, cuando se utiliza
un Ministerio de Economa para resolver MOP, el supuesto implcito es que una
de las siguientes bodegas: PFknown = PFtrue, PFknown? PFtrue, o donde la
distancia se define sobre alguna norma (euclidianas, RMS, etc), f ~ ui 2
PFknown; ~ uj 2 PFtrue j 8i, 8j min [distancia (~ ui; ~ u j)] <? g.
3 Comentarios del MOEA y Clasificaciones
MOEAs estn recibiendo un renovado inters de los investigadores de EA.
Aunque el primer MOEA
fue publicada a mediados de los aos ochenta (Schaffer, 1985), y una literatura
sustancial MOEA tiene (ms de 450 publicaciones + (Coello, 1999b))
desarrollados desde entonces, ha habido slo cuatro notables encuestas
publicadas. Las opiniones Fonseca y Fleming (1995) y Horn (1997) de forma
rpida examinar los principales tcnicas del MOEA. El primero, adems, ofrece
muchas MOP relevante temas desde una perspectiva MOEA. Ambos enfoques
clasifican MOEA existentes de manera diferente - Fonseca y Fleming desde una
amplia perspectiva algortmica, y el cuerno de un DM de. Ms Recientemente,

Coello (1999a) presenta un MOEA implementaciones revisin clasificatoria de

un punto de vista algortmico detallada, discutir las fortalezas y debilidades de
cada tcnica.

Van Veldhuizen (1999) ampla estos comentarios clasificando y catalogando actualmente

esfuerzos del MOEA conocidos, considerando ms citas recientes y relacionados del
MOEA. Cada citacin en ella est catalogado por la grabacin de los elementos clave de su
enfoque (por ejemplo, dominio del problema, nmero y tipo de funciones de fitness,
representacin gentica) y se clasifican utilizando
la estructura definida en la Figura 2. Esta base de datos contiene una parte importante de la
actualidad identificado citas basadas en MOEA de la literatura. A continuacin, utilizamos
este estudio como base para un amplio anlisis de las cuestiones clave del MOEA. La
presentacin catalogado destaca anteriormente tendencias inadvertidas investigacin del
MOEA, que distingue claramente las distintas implementado tcnicas, e identifica las
caractersticas distintivas de cada uno. El resto de esta seccin describe brevemente la
clasificacin utilizada.
Muchos enfoques exitosos MOEA se basan sobre implementado previamente
tcnicas de solucin MOP matemticos. Por ejemplo, los investigadores de las
operaciones propuestas varios mtodos bien antes de 1984 (Hwang andMasud,
1979; Van Veldhuizen, 1999). Su mltiples problemas de toma de decisiones
objetivas estn estrechamente relacionados con el diseo de MOP. Estos
caractersticas comunes problemas 'son un conjunto de objetivos
cuantificables, un conjunto de bien definido restricciones, y un proceso de
obtencin de informacin de compromiso entre los objetivos declarados (y
posiblemente tambin entre los objetivos declarados no cuantificables o
nonstated) (Hwang y Masud, 1979). Las diversas tcnicas mltiples de toma de
decisiones objetivas son comnmente clasificado desde el punto de vista de un
DM (es decir, cmo el DM realiza bsqueda y toma de decisiones).
Consideramos que la DM a ser un solo DM o un grupo, sino un grupo unido en
su decisiones.
Debido a que el conjunto de soluciones de admisin facedwith menudo
representa "compromisos" entre objetivos the multiple, alguna opcin del
compromiso especfico (s) deben bemade fromthe disponibles alternativas. Por
lo tanto, la solucin MOP final (s) Los resultados de ambos optimizacin (por
algunos mtodo) y los procesos de decisin. A continuacin, elegimos clasificar
las soluciones basadas MOP-MOEA tcnicas desde la perspectiva de un DM,
definiendo tres variantes del proceso de toma de que la solucin final (s) como
resultado de las preferencias de ADM beingmade conocido antes, durante, o
despus del proceso de optimizacin. Esta ismore declar formalmente como
sigue (Hwang y Masud, 1979):

Una articulacin Preferencia Priori. (Decida ! Search) DM combina los

diferentes objetivos en una funcin de coste escalar. Esto hace efectiva theMOP
solo objetivo antes de la optimizacin.
Articulacin Preferencia Progresista. (Buscar! Decidir) Toma de decisiones y la
optimizacin se entrelazan. Informacin de preferencia parcial se proporciona
en los que la optimizacin se produce, proporcionando un conjunto de
"actualizacin" de soluciones para la DM a considerar.

Un Articulacin Preferencia posteriori. (Buscar ! Decidir) DM se presenta con un

conjunto de Pareto ptimas soluciones candidatas y elige a partir de ese conjunto. Sin
embargo, tenga en cuenta que la mayor parte Investigadores del MOEA buscar y presentan
un conjunto de vectores no dominados (PFknown) a la DM.
Tcnicas bsicas por debajo del nivel superior de esta jerarqua tcnica pueden ser comunes
a varios campos de investigacin algortmica; limitamos la discusin a las tcnicas del
MOEA implementadas. Una jerarqua de las tcnicas conocidas MOEA se muestra en la
Figura 2, donde cada uno se clasifica por las diferentes formas en que se trata de la funcin
de aptitud y / o seleccin. Aunque algunos pueden no estar de acuerdo con nuestra
clasificacin detallada, quiz prefiriendo una simple (por ejemplo, Fonseca y Fleming
(1995a) tripartito), nuestra intencin es formalizar un marco algortmico para la
investigacin importante y en rpida expansin en MOEAs. Preferimos este punto de vista
ms detallada, ya que refleja directamente enfoques algortmicos especficos y saca a la luz
las tendencias de lo contrario no se ven.

4 MOEA Investigacin: Un Anlisis Cuantitativo

Freeman Dyson dijo una vez: "Un buen ingeniero es una persona que hace un

diseo que funciona con tan pocas ideas originales como sea posible." Nuestro
amplio estudio (Van Veldhuizen, 1999) y la investigacin asociada est
destinado a ayudar a un ingeniero algortmica sostener esas ideas originales al
mnimo, dndoles los medios para identificar e incorporar conceptos
apropiados en una nueva instanciacin MOEA y / o resolver algunos MOP de
inters rpidamente.
Esta seccin se ocupa principalmente de analizar los datos en bruto de la
encuesta, mientras que la Seccin 5 presenta un anlisis de carcter ms
observacional. Este tratamiento se muestra el practicante dnde y cmo el
campo se ha centrado sus energas interesado. Aqu se presentan los
resultados relativos a las cantidades y tipos ofMOEA publicaciones y las
tcnicas de solucin que emplean. Tambin se incluyen las discusiones sobre
las funciones de la aptitud del MOEA, representaciones genticos y dominios de
problemas de aplicacin.
4.1 MOEA Citaciones
Las transformaciones iniciales de la EA para el dominio MOP no despiertan
ningn inters real hasta varios aos ms tarde - no hasta mediados de 1990
hay un incremento notable en la investigacin MOEA ublicado (Van Veldhuizen,
1999). Sin embargo, este incremento es sustancial, ya que casi tres veces el
nmero de citas del MOEA estn fechados en los ltimos seis aos (1994-1999)
como en el primero de los diez (1984-1993). El gran nmero de publicaciones
recientes indican un inters activo y creciente comunidad de investigadores en
MOEAs.
La comparacin de las citas por la tcnica pone de manifiesto la popularidad de
una tcnica a posteriori. Ms del doble asmany citas se dan en esa categora
como en el a priori y categoras progresivas combinadas. Si se consideran
solamente estas tcnicas a posteriori, existen casi el doble de los criterios de
seleccin basados en el sentido de Pareto como los otros combinados. De
hecho, nuestra investigacin ha demostrado que estos criterios de seleccin
basados en el sentido de Pareto a ser en la actualidad la tcnica ms popular
solucin MOEA. Este es un cambio desde hace tres aos, cuando Fonseca y
Fleming (1997a) indicaron combinacin lineal de fitness fue la tcnica ms
popular.
Una serie de documentos tienen que ver principalmente con las
implementaciones comparingMOEA .
Este es un signo saludable de escepticismo en que los investigadores estn
tratando de probar los algoritmos propuestos en una variedad de problemas.
Tambin tomamos nota de que la teora MOEA se queda notablemente
atrasado en las aplicaciones , por lo menos en trminos de los artculos
publicados . Esto es an ms claro al realizar algunos de estos documentos
clasificados a concentrarnos en MOEA preocupaciones tericas . Muchos

discuten alguna teora MOEA pero lo hacen slo como en relacin con diversos
parmetros de sus respectivos enfoques. Esta falta de una teora cuantitativa
no es necesariamente malo , sino que indica un mayor desarrollo terico es
necesario (posiblemente ) aumentar la eficacia y eficiencia de MOEAs
existentes.

Por ltimo , se muestra que MOEAs basado en algoritmos genticos son el tipo
de implementacin ms popular con diferencia , con nueve veces el nmero de
citas que todos los dems tipos combinados (Van Veldhuizen , 1999 ) . Adems,
hemos identificado hasta la fecha slo un evolucionista MOEA basado en los
programas en la literatura.
4.2 Tcnicas del MOEA
Por definicin, MOEAs operan en MOP. Una discusin ms terica del dominio
MOP se da en otros lugares (Van Veldhuizen, 1999; Van Veldhuizen y Lamont,
1999;
Deb, 1999b ) , aqu lo discutimos en trminos ms generales. Cuando la
aplicacin de un MOEA es (implcitamente) supone que el dominio del
problema ( la aptitud del paisaje) se ha examinado y se tomar una decisin
que algunos enfoque MOEA es la herramienta de solucin ms adecuada para
el MOP dado. En general , las EA de un solo objetivo son los algoritmos de
bsqueda tiles cuando el dominio del problema es multidimensional (muchas
variables de decisin ) , y / o el espacio de bsqueda es muy grande. La
mayora de los dominios de problemas citedMOEA tambin parecen mostrar
estas caractersticas . Un MOEA se debe aplicar slo cuando la resolucin de
problemas se beneficia de ella . Un ejemplo de un problema particular tambin
puede determinar el rendimiento MOEA . Esto no es diferente de lo que es el
caso de la EA de un solo objetivo , pero la pena mencionar .
Muchas implementaciones de MOEA estn actualmente disponibles . Seleccin
de una tcnica apropiada solucin (por ejemplo , a priori, progresiva , a
posteriori ) y el enfoque depende de un examen meticuloso del dominio del
problema ; garantizando soluciones derivadas son los mejores disponibles
requiere una cuidadosa integracin de ambos problemas y dominios algoritmo.
Identificar las tcnicas del MOEA y enfoques que tienen y los que
histricamente no " trabajaban " debera mejorar el rendimiento futuro MOEA .
El lector interesado puede consultar en otro lugar ( Van Veldhuizen , 1999 ;
Coello, 1999a; Fonseca y Fleming, 1997a; Horn, 1997 ) para una descripcin en
profundidad y la discusin de las fortalezas / debilidades concomitantes de los
diversos enfoques identificados en la Figura 2 .
4.3 Comparaciones del MOEA y Teora
Hasta la fecha, el modus operandi mayora de los investigadores MOEA est

comparando algunos MOEA (generalmente propia variante nueva y mejorada

del investigador ) contra un MOEA mayores (a menudo el vector evaluado
algoritmo gentico ( VEGA ) ( Schaffer, 1985 ) , aun con sus deficiencias
identificadas ) y anlisis de los resultados para algunos MOP ( frecuencia F2 de
Schaffer ( 1985 ) o algn otro ejemplo numrico). Los resultados comparativos
son entonces "claramente " que se muestra en forma grfica que indica qu
algoritmo funcion mejor , a menudo implicando regresado PFknown del nuevo
MOEA es una mejor representacin de PFtrue . Hay que reconocer que muchas
de estas publicaciones tambin el rendimiento compareMOEA en aplicaciones
del mundo real . Un argumento puede ser hecho a lo largo de las lneas de " si
funciona , salo ", pero , en general, el uso de un problema de prueba y / o los
resultados de una aplicacin para juzgar la utilidad integral MOEA no es
concluyente.
Estos experimentos empricos , relativos son incompletos como con respecto
general, Ministerio de Economa comparaciones . La historia de la literatura de
comparar visualmente el rendimiento MOEA en MOSes numricos no
estndares e injustificadas hace poco para determinar la eficiencia y la eficacia
real de un dado del MOEA . Slo recientemente se han propuesto ningn
investigadores formalizado , experimentalmethodologies para el anlisis
general MOE Acomparative ( VanVeldhuizen , 1999 ; Zitzler y Thiele , 1999 ;
Deb , 1999a ; . Shaw et al , 1999 ) . Un componente importante de estas
metodologas es un conjunto validado de funciones numricas que presentan
caractersticas de dominio de problema MOP pertinentes para proporcionar una
base comparativa comn.
Menos de una dcima parte de los documentos de publishedMOEA centran en
anlisis tericos subyacentes. Estos trabajos se concentran principalmente
parmetros onMOEA , comportamientos y conceptos . Tratan de definir con
mayor precisin la naturaleza y las limitaciones de la optimalidad de Pareto ,
sus efectos posteriores uponMOEA bsqueda, y discutir las caractersticas y
construccin del MOEA referencia de funcin de prueba suites adecuadas.
Aunque los investigadores otherMOEA suelen citar estos trabajos, nuestras
categorizaciones detallados muestran sus esfuerzos suelen ser modificaciones
de los enfoques implementados anteriormente , o tal vez el mismo enfoque
dirigido a una aplicacin diferente . Estos documentos agregan poco al cuerpo
de la teora MOEA
4.4 Seleccin de Resultados de la Encuesta MOEA
Nuestra investigacin catalogado ofrece varios tipos de funcin de la aptitud
utilizados por MOEAs . Hemos identificado los siguientes tipos de funciones de
fitness genricos implementados dentro MOEAs : econmico ,
electromagntica, entrpicos , ( energa y fuerza ) ambientales, financieros ,
geomtrica , fsica , recursos, y temporal (Van Veldhuizen , 1999 ) . Estas
funciones de aptitud no se limitan a aplicaciones MOEA ni son los nicos tipos

posibles . Sin embargo , MOEAs ofrecen la excitante posibilidad de emplear

simultneamente diferentes tipos de funciones de la aptitud para captar las
caractersticas deseables del dominio del problema , independientemente del
enfoque MOEA implementado .
Las funciones de fitness empleadas parecen limitadas slo por la imaginacin
del practicante y una aplicacin particular . Aunque muchas implementaciones
usan slo dos funciones objetivo , varios enfoques utilizan tres, cuatro , siete, o
ms. Sin embargo , la eficacia de una funcin de aptitud depende de su
aplicacin en situaciones apropiadas , es decir , mide alguna caracterstica
relevante del problema estudiado . La afirmacin bymany autores que sus
implementaciones MOEA particulares tienen xito implica las funciones de
fitness asociadas son apropiadas para los dominios de problemas dados.
Nuestra investigacin muestra claramente catalogada la inconmensurabilidad y
la independencia de muchas combinaciones de la funcin fsica. Por ejemplo ,
la optimizacin de un diseo de la antena del radar puede implicar
electromagntica (transmisin de energa) , geomtrico (forma de la antena) y
objetivos (coste dlar) financieros. La forma de la antena propuesta puede
tener un impacto significativo en su costo ; los objetivos pueden ser medidos
en megavatios , medidores y dlares. Estos son los factores responsables de la
ordenacin parcial del espacio de bsqueda y la consiguiente necesidad de
desarrollar procedimientos de asignacin adecuados MOEA fitness.
Representacin gentica es otro componente MOEA limitado slo por la
imaginacin del implementador. Los esfuerzos citados indican la
representacin ms comn es una cadena binaria correspondiente a alguna
correlacin sencilla desde el dominio del problema. Cromosomas valor realtambin se utilizan a menudo de esta manera. Se utilizan constructos de
matriz, y, al igual que en las EA de un solo objetivo, problemas de optimizacin
combinatoria a menudo usan un orden de permutacin de puestos de trabajo,
tareas, etc
Una abrumadora mayora de los esfuerzos mencionados se aplican a los
problemas nonpedagogical, indicando los profesionales del MOEA estn
desarrollando e implementando MOEAs como herramientas del mundo real. De
hecho, casi el 90% de MOEAs basados en Pareto catalogados se aplican a los
problemas cientficos y de ingeniera del mundo real (Van Veldhuizen, 1999).
Estas implementaciones abarcan varias reas de investigacin cientfica y de
ingeniera dispares y dan credibilidad a la afirmacin del Ministerio de
Economa como una herramienta eficaz y eficiente de bsqueda de propsito
general.
5 MOEA Investigacin: un anlisis cualitativo
Lo que diferencia a un MOEA de una EA de un solo objetivo? Qu
componentes deben ser incluidos en un MOEA? Cuando se debe utilizar un
MOEA? Esta seccin se ocupa de estas cuestiones y presenta las cuestiones de
carcter ms filosfico que plantea la discusin precedente, teniendo en

cuenta varias cuestiones de diseo del MOEA. Aunque no se deriva

cuantitativamente, nuestras observaciones analticas se basan en nuestro
catlogo y fundamentarse con otras citas relevantes de la literatura. Esta
seccin trata sobre varias cuestiones del MOEA tericos, as como del MOEA
poblaciones secundarias, la complejidad y la paralelizacin.

5.1 MOEA Cuestiones tericas

Estamos de acuerdo con otros investigadores del MOEA (Horn, 1997; Fonseca y Fleming,
1995), y de hecho han demostrado (Van Veldhuizen, 1999) que la teora MOEA se est
quedando atrs implementaciones y aplicaciones del MOEA. Por ejemplo, hasta hace poco
no proofwas ofrecieron mostrando un MOEA es capaz de converger a Ptrue o PFtrue (Van
Veldhuizen, 1999; Rudolph, 1998a, 1998b). Aunque el nmero de implementaciones
conocidas del MOEA es significativo, este hecho por s solo no indica una profundidad
correspondiente de la teora asociada. Esta investigacin hace absolutamente claro que el
esfuerzo pasado se ha gastado todo el diseo de nuevos enfoques o variantes del MOEA y
no en la revisin exhaustiva de los beneficios y / o compensaciones de las distintas
implementaciones.
Por qu hay una falta de teora MOEA subyacente tal ? Aunque algunos matemtica
existen fundamentos , la situacin actual parece similar a la comparacin de Goldberg de
ingeniero y algorithmist ( Goldberg, 1998 ) . l compara algoritmos para "mquinas
conceptuales" e implica los informticos se atreven a avanzar sin modelos exactos que
describen con precisin su situacin. Por otro lado , afirma un ingeniero de diseo a
menudo acepta modelos menos precisos con el fin de construir el diseo . Investigadores
del MOEA ciertamente parecen haber adoptado este enfoque !
Al darse cuenta de que las hiptesis simples se hacen a veces con el fin de desarrollar los
resultados tericos limitados , los fundamentos de la teora de EA de un solo objetivo
parecen bien establecidas . El Manual de Computacin Evolutiva (B ack et al. , 1997 )
dedica captulos enteros a resultados tericos establecidos durante los ltimos 20-30 aos .
Aunque gran parte de esta teora es (puede ser ? ) Vlida cuando regardingMOEAs ,
algunos no lo son . Por lo tanto , ahora se discute el conocimiento actual sobre las
cuestiones tericas del MOEA seleccionados.
5.1.1 Funciones Gimnasio
La forma general de la implementacin de la funcin de fitness es doble . Esto
se refleja en la obra ofWienke et al. (1992) y Fonseca y Fleming ( 1997b ) , que
cada resueltos MOPswith siete funciones de fitness . Wienke et al. ,
Esencialmente , utiliza siete copias de una funcin objetivo idntico , el de
alcanzar las metas de intensidad de las emisiones atmicas de siete elementos
diferentes . Aunque los elementos y objetivos asociados son cada una diferente
, las funciones de fitness son conceptualmente idnticos. Esto no hace que el
MOP "ms fcil ", pero , tal vez, hace que el espacio objetivo un poco ms fcil
de entender.
Por otro lado , siete objetivos de Fonseca y de Fleming MOP aparecen tanto
inconmensurable e independiente . Tanto solucin y el espacio objetivo son

difciles de visualizar , como son sus interrelaciones . Por ejemplo , cuando se

considera el modelo polinomial matemtica construido por su MOEA , no est
claro cmo el nmero de trminos afecta el error de prediccin a largo plazo y
la forma en que el error puede afectar a la varianza y modelo de rezagos .
La abrumadora mayora de MOEAs implementadas utilizar slo dos funciones
de fitness , muy probablemente para la facilidad y entendimiento. Varios uso
tres a nueve , y el mximo que actualmente se conoce es de 23 funciones de
fitness dentro de un nico Ministerio de Economa . Este enfoque utiliza un
MOEA para resolver un problema de optimizacin de un solo objetivo muy
limitado ( Coello, 2000 ) . Aqu, uno de los objetivos era la funcin de aptitud y
las otras 22 restricciones fueron lanzados como objetivos. El mayor nmero de
conceptualmente diferentes funciones de fitness implementadas se encuentra
en un problema de diseo del varillaje ( Sandgren , 1994 ), donde se utilizan
nueve objetivos .
Howmany funciones de aptitud son suficientes ? Howmany objetivos son , en
general , se requiere reflejar adecuadamente las caractersticas esenciales de
anMOP? Se pueden capturar todas las caractersticas relevantes? Los esfuerzos
catalogados implican la mayora MOSes del mundo real se solucionan con
eficacia utilizando slo dos o tres objetivos. Existe un lmite prctico para el
nmero mximo de funciones posibles objetivos, como la hora de calcular
varias funciones de fitness MOEA complejas rpidamente se convierte en
inmanejable.
Un lmite terico tambin existe en la medida que se refiere a la optimalidad de
Pareto . A medida que se aaden objetivos adicionales a un RP , cada vez ms
soluciones MOEA cumplen con la definicin
ptimo de Pareto . Por lo tanto , como indican Fonseca y Fleming ( 1995a ) ,
para la mayora de Pareto MOEAs el tamao de Pcurrent ( t ) , PFcurrent ( t ) ,
Pknown ( t ) , y PFknown ( t ) crece , y de Pareto presin selectiva disminuye .
Sin embargo , cierta confusin resulta de ambos sus y el Cuerno de ( 1997 )
declaraciones que implicaban que el ofPFtrue tamao crece con objetivos
adicionales. Se demuestra que la cardinalidad de PFtrue no crece con el
nmero de objetivos , solamente ( posiblemente) es la dimensin topolgica
(Van Veldhuizen , 1999 ) . Sin embargo, desde MOEAs tratan con
representaciones numricas discretized , el nmero de posibles soluciones (y
por tanto el nmero de vectores que componen computables PFknown ) puede
aumentar a medida que se agregan ms objetivos. Por ltimo , existe un lmite
a la comprensin humana y la comprensin. La mente humana parece tener
una capacidad limitada para distinguir simultneamente entre varias piezas de
informacin o conceptos.
Anteriores resultados de la ejecucin del MOEA implican dos o tres objetivos
son probablemente "satisfactorio" para la mayora de los dominios de
problema. Por lo tanto, la aplicacin MOEA a un MOP dado probablemente

debera comenzar con dos o tres objetivos principales en un esfuerzo para

ganar la comprensin del dominio del problema. Uno puede ser capaz de
determinar cmo los diferentes objetivos interactuar y tener una idea de la
topologa de la aptitud del paisaje. Otras funciones de fitness se pueden aadir
con el fin de capturar otras caractersticas problemticas relevantes.

5.1.2
Clasificacin
de
Pareto
Dos mtodos de clasificacin de Pareto se utilizan principalmente en MOEAs ,
aunque existen variaciones. En general, todas asignar preferido ( Pareto
ptimo) soluciones del mismo valor y otras soluciones de algunos de rango
menos deseable. Con el sistema propuesto por Goldberg ( 1989 ) , donde una
solucin de x en la generacin t tiene un vector de objetivo correspondiente Xu
, y N es el tamao de la poblacin , el rango de la solucin se define por el
algoritmo
en
la
Figura
3.
La segunda tcnica , propuesto por Fonseca y Fleming ( 1998 ) , opera un tanto
de manera diferente . Al igual que antes , una solucin de x en la generacin t
tiene un vector objetivo correspondiente xu. Tambin dejamos r (t ) u significan
el nmero de vectores relacionados con la poblacin actual dominando xu ;
rango de x se define entonces por:

(3)
Esto asegura que todas las soluciones con vectores no dominados reciben
rango
cero.
Algunos enfoques simplemente dividir la poblacin en dos, por ejemplo , la
asignacin de soluciones con los vectores no dominados rango 0 y todos los
dems Puesto 1 (Van Veldhuizen , 1999 ) . Utilizando la misma notacin de este
esquema
de
clasificacin
simple
se
define
por:

(4)

Al considerar Goldberg y Fonseca y esquemas de ranking de Fleming , que

inicialmente parece que ni es "mejor" que el otro, aunque se menciona en la
literatura que el mtodo de Fonseca y de Fleming , que asigna efectivamente
un valor de coste de cada solucin , podra ser ms fcil de analizar
matemticamente ( Fonseca y Fleming, 1997a ) . Horn ( 1997) tambin seala
este ranking puede determinar ms filas ( es ms preciso ) de Goldberg
(
suponiendo
un
tamao
de
poblacin
fija).
Un ltimo mtodo de clasificacin utilizando el ptimo de Pareto como su base
es propuesto por Zitzler y Thiele ( 1999 ) . Su aplicacin MOEA utiliza una
poblacin secundaria cuyas soluciones se incorporan directamente en el
procedimiento de asignacin de la aptitud de la poblacin generacional. En
efecto, una solucin en Pknown ( t ) se le asigna un rango igual a la proporcin
de vectores evaluados de la poblacin generacional que su vector asociado
domina . Debido a Pknown ( t ) ' s inclusin en el proceso de clasificacin , la
complejidad de este mtodo puede ser significativamente mayor que los otros
discutidos . Adems , este mtodo es parcial , ya que puede dar lugar a
algunas de las soluciones ptimas de Pareto que reciben preferencia sobre los
dems en el proceso de seleccin ( Deb, 1999b ) . Teniendo en cuenta la

poblacin generacional TTH P (t ), la poblacin secundaria Pknown ( t), x 2

Pknown (t ) e y 2 P ( t) , el rango de x se define entonces por:

Actualmente no existe una evidencia clara de beneficio (s) de cualquiera de

estos esquemas de ranking sobre otro. Nublar an ms el problema es el hecho
de que el rango en s a menudo no se utiliza directamente como la aptitud de
una solucin. Por ejemplo, Fonseca y Fleming (1998) Multi-objetivo Algoritmo
Gentico (Moga) y (1994) no dominados SortingGenetic Algoritmo de Srinivas
andDeb (NSGA) (esquema de implementingGoldberg) tanto rango
transformassigned antes de la seleccin se produce. El MOGA ordena
soluciones segn el rango y asigna la aptitud a travs de interpolacin lineal o
exponencial, mientras que el NSGA utiliza "ficticia" la asignacin de fitness,
garantizando nicamente que cada "ola" de soluciones idnticamente
clasificados tiene aptitud aMxima menor que el valor mnimo de la ola
anterior. Zitzler y Thiele (1999) Fuerza Pareto Evolutionary Algoritmo (SPEA)
asigna la aptitud para soluciones en P (t) mediante la suma de las filas de
todas las soluciones

Slo un experimento comparando directamente cualquiera de estos esquemas

se reporta en la literatura. Thomas ( 1998 ) compar Fonseca y Fleming y
clasificacin de Pareto esquemas de Goldberg en un MOEA aplicadas al diseo
de la popa del submarino . Llega a la conclusin de que ambos superaron a la
seleccin del torneo, y que Fonseca y de Fleming clasificacin parece
proporcionar una ms completa, smootherPFknown . Sin embargo , l y nos
advierten que se trata de un punto de datos singular. En una nota similar , slo
dos citas en la literatura MOEA conocido dan datos sobre el nmero de
poblacin "ondas ", utilizando la clasificacin , grficos presentan de Goldberg
que muestra el nmero de ondas que se encuentra en cada generacin (Van
Veldhuizen , 1999 ; Vedarajan et al, 1997 . ) . Con un tamao de poblacin de

300 personas , Vedarajan et al. mostrar la primera generacin cuenta con ms

de 40 olas. Esto disminuye rpidamente y generaciones 10 a 100, oscila entre
20
y
25
aos.
El anlisis de la complejidad matemtica de estos esquemas " es revelador.
Tabla 1 (mostrando mejor y el peor caso de cada esquema ) y el siguiente
anlisis slo consideran tamao de la poblacin en la complejidad de cmputo ,
donde N es el tamao de P (t ) y N1 el tamao de Pknown ( t ) . Suponiendo
que ya se realizan comparaciones , de venta libre o ordenar las tareas
apropiadas se hacen o se actualizan , los esquemas de clasificacin simple,
Fonseca y Fleming , y Zitzler y Thiele requieren slo un " pase " a travs de la
poblacin ( s ) , independientemente del nmero de soluciones no dominadas .
Sus peores y mejores complejidades de casos son idnticos. El esquema de
Goldberg, sin embargo, requiere en la mayora de N 1 "pasa" a travs de la
poblacin, si slo hay una solucin ptima de Pareto por reducida poblacin (o
frente) . Adems , la complejidad de Zitzler y de Thiele esquema aumenta si
Pknown ( t ) ' s tamao es significativamente ms grande que P (t ) ' s . Por lo
tanto , los sistemas de clasificacin de Goldberg andZitzler andThiele
( potencialmente) implican mucho ms sobrecarga que hacer los dems, pero
tenga en cuenta que este ltimo esquema a menudo limita el tamao de N +
N1
(
Zitzler
y
Thiele,
1999).
Tambin es instructivo observar los posibles rangos de valores para cada
esquema de clasificacin . El esquema simple (ecuacin 4 ) ofrece slo dos
valores , ? 2 f0 ; 1G. Tanto Fonseca y Fleming (Ecuacin 3 ) y el esquema de
Goldberg (Figura 3 ) ofrecen N valores posibles, ? 2 f0 ; 1 ; ::: ; N 1g . En la
prctica , sin embargo , el esquema de Goldberg utiliza algn subconjunto de
estos valores ( que resultan en una clasificacin " gruesa " ) . Zitzler y de Thiele
esquema (Ecuacin 5 ) ofrece valores posiblemente no enteros ? 2 [ 1 , N ) . La
figura 4 muestra el ranking de soluciones resultantes de tres esquemas de
ranking de Pareto para un particularMOP (Van Veldhuizen , 1999)
5.1.3
Pareto
Niching
y
Fitness
Sharing
Niching y compartir gimnasio variantes SeveralMOEAPareto han sido
proposedwith el mismo objetivo que en la optimizacin de un solo objetivo
tradicional - el de encontrar andmaintaining mltiple optima. Sin embargo,
MOEAs utilizan para compartir la aptitud en un intento de encontrar un
uniforme (equidistante) distribucin de los vectores que representan PFtrue, es
decir, aquella en la que PFknown 's forma es una "buena"

aproximacin de PFtrue . Comparamos las implementaciones seleccionadas de

este
concepto
.
Fonseca y Fleming (1998 ) MOGA utiliza el intercambio restringido, en el
sentido de que el uso compartido de la aptitud se produce slo entre las
soluciones que evalan a vectorswith rango Pareto idnticos. Miden niching
distancia en el espacio fenotpico , la distancia (ms de alguna norma ) entre
los vectores de fitness evaluados dos soluciones ' se calcula y se compara con
la cuota (el parmetro de reparto ) ? . Si la distancia es menor que ? Accin, se
ajusta entonces asociado recuento nicho de la solucin . El NSGA implementa
un esquema ligeramente diferente . Distancia ( sobre alguna norma ) se mide ,
aqu , en el espacio genotpico ; la distancia entre dos soluciones se compara a
compartir . El NSGA tambin comparte la aptitud slo entre las soluciones que
evalan
a
los
vectores
con
rango
Pareto
idnticos.
Horn et al. ( 1994 ) definen niching diferente en theirNiched ParetoGenetic
Algoritmo ( NPGA ) , que realiza la seleccin a travs de binarios torneos
dominacin de Pareto . Las soluciones se seleccionan si se dominan tanto el
otro y algunos grupos pequeos ( tdom ) de las soluciones seleccionadas al
azar , pero el intercambio de fitness se produce slo en los casos en que ambas
soluciones son (no) dominadas . Cada uno de los recuentos de nichos de las
dos de la solucin se deriva no sumando compartir valores calculados , pero
simplemente
contando
el
nmero
de
vectores
objetivo
dentro

parte de sus vectores evaluados en el espacio fenotipo . Se selecciona

entonces la solucin con un recuento de nicho ms pequeo ( menos vecinos
fenotpicas ) . Horn et al. denominar este compartimiento de clases de
equivalencia.
Otra variante es el intercambio de la aptitud basa - NSGA sino que utiliza el
intercambio fenotpica ( Michielssen y Weile , 1995 ) ; otra variante combina
tanto genotpica y distancias fenotpicas en la determinacin de los recuentos
de nicho ( Rowe et al , 1996 . ) . Intercambio de fitness tambin puede
aplicarse indiscriminadamente a todas las soluciones sin importar el rango de
Pareto
asociado.
Todos thesemethods requieren el establecimiento de valores explcitos para el
parmetro compartir clave ? Accin, lo que puede afectar la eficiencia y la
eficacia bothMOEA. Rendimiento de intercambio de fitness tambin es sensible
al tamao de la poblacin N. Asignar valores apropiados a? Cuota es
generalmente difcil, ya que por lo general requiere un poco de conocimiento a
priori una sobre la forma y la separacin de los nichos de un problema dado.
Sin embargo, como los intentos niching basado en fenotpicas para obtener
vectores equidistantemente espaciados a lo largo PFknown, tanto Fonseca y
Fleming (1998) y Horn y Nafpliotis (1993) son capaces de dar pautas para la
determinacin de valores de las acciones apropiadas? MOEA. Estos valores se
basan en los extremos fenotpicos conocidos (mnimo y mximo) en cada
dimensin objetiva. Tambin se sugieren los valores apropiados para el
parmetro de tamao el torneo de the NPGA (tdom).

Para determinar el valor de cuota de uso de Fonseca y Fleming'smethod, se

utiliza el nmero de individuos de la poblacin (que determina implcitamente
el nmero de nichos), los valores de atributo scalesthe conocido, y determina
los valores de los atributos extremos en cada dimensin objetiva. Estos
parmetros se usan entonces para derivar accin. Directrices Horn y Nafpliotis
'utilizan los parmetros anteriores para definir los lmites para el valor de la
cuota.
Cmo se hace para encontrar los valores extremos de cada dimensin
objetiva?
Usando
el
mnimo
andmaximumvalues ya sea de la generacional o una poblacin secundaria es la
respuesta fcil. Fonseca y Fleming (1998) indican recalcular? Accin en cada
generacin (utilizando extremums generacionales actuales) da buenos
resultados. Sin embargo, observamos que la naturaleza estocstica de
theMOEA puede no preservar estos valores entre generaciones, es decir, la
solutionsmay asociado no sobrevivi. Por lo tanto, es mejor seleccionar
extremos objetivas de la poblacin secundaria si uno se incorpora en el
Ministerio de Economa. Por definicin, esta poblacin contiene extremos de

cada dimensin objetiva hasta el momento, lo que garantiza los "fines" de

PFknown
no
se
pierden.
Al igual que con los esquemas de clasificacin de Pareto propuestas, an no
existe
ninguna
evidencia
clara
para el beneficio (s) de uno Pareto niching y compartir variante sobre otra.
Tampoco
son
cualquier
experimentos formales en la literatura comparando componentes clave de
estos diferentes enfoques (por ejemplo, asignacin de valor de las acciones).
Tomamos nota de lo siguiente como con respecto al dominio reparto adecuado.
Horn et al. (1994) indican intercambio debe realizarse en un espacio que
"importa ms." Sentido compartir doesmake basado en fenotpica si uno est
tratando de obtener un "uniforme" ofPFtrue representacin. Por otra parte,
Benson y Sayin (1997) indican que muchos investigadores de operaciones "se
preocupan ms por" la obtencin de una representacin uniforme de Ptrue, en
cuyo caso el intercambio basado en genotpica parece apropiado. El objetivo
final debe conducir la representacin del dominio de compartir.

5.1.4
Restriccin
de
apareamiento
La idea de apareamiento restringido no es nueva. Goldberg ( 1989 ), se
menciona por primera vez su uso en los problemas de un solo objetivo de
optimizacin para evitar orminimize " descendencia bajo rendimiento ( letales )
. " En otras palabras, restringido sesgos apareamiento cmo se combinan las
soluciones para la recombinacin con la esperanza de aumentar la eficacia y la
eficiencia del algoritmo. Goldberg presenta un ejemplo usando similitud basada
en genotpica como los criterios de apareamiento . Deb y Goldberg ( 1989 )
implementan restrictedmating basado en fenotpica en su GA niching y
compartir investigacin. Tenga en cuenta que estas implementaciones slo
permiten el apareamiento entre las soluciones " similares" ( ms de alguna
mtrica ) . Modelo de Isla de gas tambin implementar apareamiento
restringido sino en un sentido geogrfico, donde solutionsmate slo con los
vecinos que residen en alguna topologa restringida ( Cant ' u- Paz, 1997 ) .
Tambin se observa ( Coello, 1999a ), que algunos investigadores creen que el
apareamiento restringida debe permitir la recombinacin de diferentes (ms de
alguna mtrica ) individuos . Sin embargo definido, el apareamiento restringido
tambin se incorpora dentro de muchos MOEAs en un intento reducir apto ( no
ptimo de Pareto ) descendencia (Van Veldhuizen , 1999 ) .
Al considerar MOEAs generales , el apareamiento restringido basado en
fenotpica entre soluciones similares es de ms inters para nosotros. Esto es
debido al hecho de la mayora de los investigadores se centran en la bsqueda
de una representacin uniforme de PFtrue y por lo tanto realizar el intercambio

de la aptitud en el dominio fenotipo . Tambin, un estado en los informes

publicados ( Fonseca y Fleming , 1993 , 1995b ; Zitzler y Thiele , 1998 ) : " ?
Siguiendo la prctica habitual de establecer compaero = share ... "
Esta puede ser una prctica comn , pero ninguna de fondo est citado en la
literatura . As? Compartir intentos de definir una regin dentro de la cual todos
los vectores son " relacionado" Configuracin ? Aparearse igual a ? Cuota es
intuitivo (y la misma lgica se sostiene en el intercambio basado en la
genotpica y la restriccin de apareamiento ) . Actualmente tenemos ms que
explicaciones empricas ofrecidas para la aplicacin (o ausencia) de
apareamiento restringida en diversos enfoques del MOEA . De hecho , se ha
observado que el uso de restriccin de apareamiento en MOEAs no parece ser
generalizada ( Fonseca y Fleming , 1995a ; Zitzler y Thiele , 1999 ) .
Obviamente , algunos investigadores creen que el apareamiento restringido es
necesario o que no se han puesto en marcha , pero otros indican que no tiene
ningn valor !
Zitzler y Thiele (1998) establecen que para varios valores diferentes de?
Compaera, no se observaron mejoras en sus problemresults prueba
(anMOPwith dos, tres, y cuatro objetivos) en comparacin con aquellos
que no tienen restriccin de apareamiento. Shaw y Fleming (1996)
reportan los mismos resultados cualitativos para su aplicacin (anMOP
con tres objetivos) o no se incorpor la restriccin de apareamiento. Horn
et al. (1994) ofrecen evidencia emprica que contradice directamente la
base para la restriccin de apareamiento. Sealan que la recombinacin
de soluciones cuyos vectores asociados estn en diferentes partes de
PFknown (t) puede producir cuyos vectores estn en PFknown (t + 1),
pero entre los vectores de sus padres descendientes. Tambin afirman
que para que una specificMOP, una constante (re) generacin de
vectores a travs de la recombinacin de los padres "dismiles" mantiene
PFknown. Por ltimo, la mayora de ellos creen recombinaciones de
soluciones en Pknown tambin producen soluciones en Pknown.
As como en la optimizacin de un solo objetivo, no existe evidencia
cuantitativa clara con respecto a los beneficios de apareamiento
restringido. La evidencia emprica presentada en la literatura se puede
interpretar como un argumento a favor o en contra de este tipo de
recombinacin y sale del campo MOEA en una situacin insatisfactoria.
Este problema se beneficia claramente de experimentos que comparan
directamente la algortmica de inclusin / exclusin. Tambin hay que
considerar los teoremas de la NFL (Wolpert y Macready, 1997), al darse
cuenta de que la restriccin de apareamiento no siempre puede ser
eficaz (o necesario) para cada problema (clase).

5.2

MOEA
poblaciones
secundarias
Estamos de acuerdo con Horn (1997) de que cualquier aplicacin
prctica MOEA debe incluir una poblacin secundaria compuesta por
todas las soluciones ptimas de Pareto encontrados hasta el momento
durante la bsqueda (Pknown (t)). Esto se debe a la naturaleza
estocstica del MOEA, que no garantiza que las soluciones deseables,
una vez encontrado, se mantienen en la poblacin generacional
untilMOEA termination.This es anlogo al elitismo, pero recuerde que
Pknown (t) es una poblacin separada - la pregunta es entonces la mejor
manera de utilizarlo. Es esta poblacin adicional simplemente un
repositorio, continuamente aadido y peridicamente entresacado de
soluciones cuyos vectores asociados estn dominados? O es un
componente integrado del MOEA? Varios investigadores indican su uso
de poblaciones secundarias, pero slo unos pocos explican su uso en su
aplicacin. Como no hay consenso para su "mejor" uso presentamos
algunas de sus encarnaciones.

Un tiendas de implementacin directa Pcurrent (t) en el extremo de cada generacin

Ministerio de Economa (Pcurrent (t) [Pknown (t 1)). Este conjunto debe ser sacrificado
peridicamente desde la designacin de una solucin Pareto ptima depende siempre del
conjunto
en el que se evala. Con qu frecuencia se actualiza la poblacin general es una cuestin
de eleccin, sino como determinacin del ptimo de Pareto es un algoritmo (n2) O, debera
probablemente no se realizar de manera arbitraria. Dado que el tamao de esta poblacin
crece, la comparacin timemay convertirse en significativo. Esta aplicacin no admite la
carga de soluciones Pknown (t) de nuevo en la poblacin generacional del MOEA.
Por el contrario, otros algoritmos publicados implican activamente Pknown (t) en la
operacin de Ministerio de Economa.
Por ejemplo, las tiendas de SPEA Pcurrent (t) en una poblacin secundaria, el sacrificio
inmediato soluciones cuyos vectores evaluados son dominados. Si el nmero de soluciones
en Pknown (t) excede un mximo dado, la poblacin se reduce por la agrupacin en un
intento de generar un subconjunto solucin representante manteniendo al mismo tiempo
(Pknown (t 1) 's) las caractersticas del conjunto original. Soluciones de ambas
poblaciones generacionales y secundarias del MOEA y luego participar en torneos binarios
seleccin de la prxima generacin. SPEA utiliza Pknown (t) en el clculo de la aptitud de
soluciones en la poblacin general (de manera efectiva que resulta en una poblacin
generacional ms grande).
Un tiendas de implementacin directa Pcurrent (t) en el extremo de cada
generacin Ministerio de Economa (Pcurrent (t) [Pknown (t 1)). Este
conjunto debe ser sacrificado peridicamente desde la designacin de
una solucin Pareto ptima depende siempre del conjunto
en el que se evala. Con qu frecuencia se actualiza la poblacin
general es una cuestin de eleccin, sino como determinacin del

ptimo de Pareto es un algoritmo (n2) O, debera probablemente no se

realizar de manera arbitraria. Dado que el tamao de esta poblacin
crece, la comparacin timemay convertirse en significativo. Esta
aplicacin no admite la carga de soluciones Pknown (t) de nuevo en la
poblacin
generacional
del
MOEA.
Por el contrario, otros algoritmos publicados implican activamente
Pknown (t) en la operacin de Ministerio de Economa.
Por ejemplo, las tiendas de SPEA Pcurrent (t) en una poblacin
secundaria, el sacrificio inmediato soluciones cuyos vectores evaluados
son dominados. Si el nmero de soluciones en Pknown (t) excede un
mximo dado, la poblacin se reduce por la agrupacin en un intento de
generar un subconjunto solucin representante manteniendo al mismo
tiempo (Pknown (t 1) 's) las caractersticas del conjunto original.
Soluciones de ambas poblaciones generacionales y secundarias del
MOEA y luego participar en torneos binarios seleccin de la prxima
generacin. SPEA utiliza Pknown (t) en el clculo de la aptitud de
soluciones en la poblacin general (de manera efectiva que resulta en
una poblacin generacional ms grande)....

5.3

MOEA
Complejidad
y
"Costo"
Es bien sabido que la evaluacin de la funcin fsica (para muchos
problemas del mundo real) puede dominar EA tiempo de ejecucin. Por
lo tanto, cuando se habla de complexitywe algortmica variousMOEAs
'estn preocupados principalmente por el nmero de evaluaciones de la
aptitud, aunque tambin se consideran las comparaciones de soluciones
y clculos adicionales, como esta sobrecarga no se encuentra en las
implementaciones GA simples. Se demuestra en otra parte thatMOEA
complejidad es generalmente mayor que la de simpleGAs y thatMOEA
requisitos de almacenamiento son problemdependent (VanVeldhuizen,
1999). Al igual que otros AEs los requisitos de almacenamiento son
encargadas por las estructuras de datos especficas utilizadas.
Almacenamiento requerido aumenta linealmente con el nmero de
funciones de aptitud utilizados y cuando una poblacin secundaria se
pone en juego.

Cuando prcticamente considerado, los lmites de coste de evaluacin de la

aptitud de bsqueda EA-basado. Dado que todos los algoritmos deben
finalmente dar por terminado, el nmero de evaluaciones de la aptitud
es
entonces
a
menudo
seleccionado como recurso finito gastado en la bsqueda, es decir, la
eleccin se hace a priori para una EA para ejecutar las evaluaciones de
aptitud n. Se devuelve la "mejor" solucin (s) encontrado. Suponiendo

soluciones no se evalan ms de una vez (no clones) de un total de

posibles soluciones n en el espacio de bsqueda se exploran.
Ahora considere un MOP-k objetiva. Aqu, las evaluaciones de la aptitud k
se realizan para cada solucin posible (uno para cada objetivo).
Suponiendo que los recursos siguen siendo limitados para el mismo
nmero de evaluaciones de la aptitud y que la evaluacin de cada
objetivo es igualmente "caro", slo bn KC Solutions estn evaluados.
Todo lo dems celebrada igual, un RP-k objetivo puede entonces resultar
en una disminucin-k veces en la bsqueda de la exploracin del
espacio. Tenga en cuenta tambin que, en el contexto de MOEAs, esto
implica el uso de la expresin "evaluaciones de la funcin de la aptitud"
para medir el esfuerzo computacional, que puede ser algo engaoso. El
trmino "evaluaciones de soluciones" es ms claro en este contexto.
Este resultado implica un MOEA puede requerir ms tiempo (de un EA de
un solo objetivo) "reloj de pared" los tiempos de ejecucin para un buen
rendimiento. La bsqueda nunca est garantizado para devolver la
respuesta ptima, pero uno quiere tanto la exploracin como sea posible
en el tiempo permitido. Esto aumenta la sensacin de confianza que uno
ha encontrado la verdad, y no un local ptimo.
5.4

MOEA
Paralelizacin
Hemos tomado nota de varias implementaciones del MOEA paralelas de
ejecucin, ya sea varias OEAs sobre diferentes procesadores (varios, los
funcionamientos sncronos independientes) o la distribucin de la
poblacin de un MOEA entre los procesadores de una manera acadmica
(un "maestro-esclavo" o modelo de isla) (Van Veldhuizen, 1999). Sin
embargo, ninguno discutir lo que existen otras posibilidades del MOEA
paralelas.
Que afectan a la capacidad de poner en paralelo con eficacia y de
manera eficiente un Ministerio de Economa es el hecho de que es
inherentemente secuencial. Sin embargo, su tarea de evaluacin la
funcin de la aptitud puede ser y ha sido parallelized. MOEA evaluacin
de la funcin de fitness permite el paralelismo mediante la asignacin de
cada una de las evaluaciones de la funcin de fitness k para diferentes
procesadores, la asignacin de las subpoblaciones para todas las
evaluaciones de funcin k para diferentes procesadores o, en el caso de
las funciones de fitness caros, asignando la evaluacin de cada individuo
a travs de varios procesadores, uno de los k funciones de aptitud a la
vez. Estas opciones se ilustran en la Figura 5.

En trminos generales, cualquier implementacin MOEA paralelo debe dar

lugar a algunos logros speedup. Adems, ofrece la posibilidad de evaluar
ms soluciones candidatas, tal vez proporcionando una visin "mejor" de
la aptitud del paisaje. Sin embargo, pueden ser necesarias algunas
modificaciones en la tcnica del MOEA al implementarlo en una manera
paralela.

MOEA
Diseo
Recomendaciones
Hemos identificado numerosos enfoques MOEA (Van Veldhuizen , 1999).
Al considerar estos enfoques , aquellos investigadores que deseen
implementar un MOEA bien puede estar preguntndose , " Por dnde
empezar ? " No podemos especificar una tcnica MOEA " todo propsito "
, ni los teoremas de la NFL ( Wolpert y Macready , 1997 ) permiten una .
Sin embargo, podemos sugerir MOEAs que aparecen apropiado como
punto de partida . Los investigadores interesados pueden entonces
seleccionar uno para comenzar su propia exploracin del dominio MOP .
Nos centramos en thoseMOEAs que emplean la seleccin basada en el
sentido de Pareto y consideramos especficamente un Moga , la AG
multiobjetivo desordenado ( MOMGA ) (Van Veldhuizen , 1999 ), el NPGA ,
el
NSGA
y
el
SPEA
.
Estos algoritmos se destacan porque incorporan teora MOEA conocido .
La seleccin basada en Pareto cada emplea explcitamente busca Ptrue .
Todos incorporan niching y el intercambio de fitness en un intento de
probar de manera uniforme PFtrue . Restriccin de acoplamiento puede
(o no ) estar incluidos en cualquiera de los cinco, como puede una
poblacin secundaria ( SPEA requiere una poblacin secundaria ) . Por

ltimo , su complejidad algortmica en general no es superior a otras

tcnicas conocidas del MOEA
Aunque los autores del eachMOEA ( y con razn) sealan deficiencias en sus
propios y otros MOEAs , cualquier enfoque algortmico est obligado a
tener algunas deficiencias cuando se aplica a ciertas clases de
problemas , como lo demuestran los teoremas de la NFL . Tema comn
Estos algoritmos seleccionados es su relacin con los temas tericos
relevantes conocidos , y su xito emprico en ambos (no- ) MOP
numricos y aplicaciones del mundo real . El Moga , NPGA y NSGA ganar
fcilmente el ttulo " MOEAs ms a menudo imitado " - esto implica otros
investigadores tambin ven valor en ellos . El Moga , MOMGA , NPGA y
NSGA se utilizan en numerosos experimentos que apoyan esta
investigacin, los experimentos y sus resultados se detallan en otro lugar
( Van Veldhuizen , 1999 ) . Adems , la NPGA , NSGA , SPEA y se utilizan
en otros experimentos comparativos detallados ( Zitzler y Thiele ,
1999 ) . Los cinco MOEAs recomendadas slo se describen brevemente a
continuacin
.
1 . Moga . Implementado por Fonseca y Fleming ( 1998 ) . Inicialmente
utilizado para explorar ofDMgoals y prioridades de incorporacin en el
proceso de bsqueda themultiobjective . Emplea el esquema de
clasificacin de Pareto en la ecuacin 3 (Seccin 5.1.2) e incorpora el
intercambio
de
fitness.
2 . MOMGA . Implementado por Van Veldhuizen ( 1999 ) . Inicialmente
utilizado para explorar la relacin entre los bloques de construccin de
soluciones MOP y su uso en MOEA bsqueda . Incorpora la participacin
de fitness y Horn et al. ' S (1994) de seleccin del torneo.
3 . NPGA . Implementado por Horn et al. ( 1994 ) . Inicialmente utilizado
para explorar los beneficios de proporcionar Pknown como entrada a una
tcnica de anlisis de decisin. Utiliza seleccin torneo basado en el
ptimo de Pareto . Incorpora la participacin de fitness.

4 . NSGA . Implementado por Srinivas andDeb ( 1994 ) . Inicialmente utilizado

para explorar la prevencin de prejuicios hacia ciertas regiones del
frente de Pareto . Emplea el ranking de Pareto se muestra en la Figura 3
(Seccin
5.1.2)
e
incorpora
el
intercambio
de
fitness.
5 . SPEA . Implementado por Zitzler y Thiele ( 1999 ) . Inicialmente
utilizado para explorar el uso activo de PFknown (t ) en la asignacin de
fitnesses generacionales . Emplea el esquema de clasificacin de Pareto

muestra en la Ecuacin 5 (Seccin 5.1.2) . Incorpora la participacin de

fitness.
Aunque tal vez no sea fcil , muchas implementaciones de EA existentes
son extensibles al dominio MOEA . Por ejemplo , GENOCOP III
( Michalewicz y Nazhiyath , 1995 ), se modifican fcilmente para
incorporar tanto un cdigo de dominio del problema especializada y
tcnica de combinacin de fitness (Van Veldhuizen et al. , 1998 ) lineal.
El GEATbx para su uso con MATLAB2 ( Pohlheim , 1998 ) nos permiti
crear rpidamente tanto MOGA y variantes NSGA ; estos cdigos estn
siendo incorporados en la versin de lnea de base de la caja de
herramientas. Otros investigadores tambin han aportado su cdigo
MOEA bajo peticin. As, el desarrollo algortmico inicial no debe ser un
obstculo para la solucin de MOP con MOEAs .

Resumen
Como hemos indicado , MOEAs siguen teniendo un xito considerable a
travs de una variedad de aplicaciones de MOP , de la optimizacin de
mltiples funciones pedaggicas para el diseo de ingeniera del mundo
real. La variedad de MOEAs as como sus numerosas aplicaciones sugiri
se desarroll un marco de clasificacin . Por lo tanto , hemos presentado
un marco de este tipo catalogacin investigacin y aplicaciones actuales
Ministerio de Economa , en el que es fcil de incluir tanto nuevos
citationsand nuevos enfoques MOEA . En concierto con nuestra notacin
basada en Pareto consistente, este marco permite una amplia discusin
de las tendencias de investigacin del MOEA , y la multitud de MOEAs
contemporneos y elementos clave asociados . Por otra parte , nuestro
anlisis result en recomendaciones de diseo del MOEA validados para
nuevas aplicaciones y se espera estimular nuevos enfoques tericos. Un
aspecto integral de este trabajo es el de " puntos para reflexionar " la
hora de redisear MOEAs y EAs actuales para solvingMOPs ; tambin se
da un conjunto de referencias para iniciar este esfuerzo.
Destacado en nuestra discusin muchas oportunidades para la
investigacin
adicional
MOEA
.
Las metodologas formalizadas para MOEA anlisis comparativo
requieren MOSes validados adicionales y un mayor desarrollo para que
sean
ms
eficaces.
Como
se
indica
,
sin
existen estudios formales comparar directamente el ranking Pareto
conocido y esquemas de asignacin de fitness, la determinacin de las
asignaciones de valores de parmetros para compartir niching / aptitud
adecuadas , o la recomendacin de "mejores" implementaciones de
poblacin secundarios. Por ltimo , los investigadores del MOEA parecen

slo han araado la superficie relativa del MOEA posibilidades de

paralelizacin . Investigacin apropiada abordar estas cuestiones , as
puede llevar a MOEAs ms eficaces y eficientes.