Académique Documents
Professionnel Documents
Culture Documents
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
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 .
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
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)
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
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.
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.
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.
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
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