Professional Documents
Culture Documents
Carlos A. Coello Coello CINVESTAV-IPN Depto. de Ingenier Elctrica a e Seccin de Computacin o o Av. Instituto Politcnico Nacional No. 2508 e Col. San Pedro Zacatenco Mxico, D. F. 07300, MEXICO e
ccoello@cs.cinvestav.mx http://www.cs.cinvestav.mx/EVOCINV
Motivacin o
La mayor parte de los problemas de optimizacin del mundo real o son naturalmente multiobjetivo. Esto es, suelen tener dos o ms a funciones objetivo que deben satisfacerse simultneamente y que a posiblemente estn en conicto entre s Sin embargo, a n de a . simplicar su solucin, muchos de estos problemas tienden a o modelarse como mono-objetivo usando slo una de las funciones o originales y manejando las adicionales como restricciones.
Universidad de Mlaga a
Conceptos Bsicos a
El problema de optimizacin evolutiva multiobjetivo (OEM) o general puede formularse como: Encontrar el vector x = [x , x , . . . , x ] que satisfaga las m n 1 2 restricciones de desigualdad: gi (x) 0 las p restricciones de igualdad hi (x) = 0 y que optimice f (x) = [f1 (x), f2 (x), . . . , fk (x)]
Depto. de Lenguajes y Ciencias de la Computacin, o T T
i = 1, 2, . . . , m
(1)
i = 1, 2, . . . , p
(2)
(3)
Universidad de Mlaga a
Optimo de Edgeworth-Pareto
La nocin ms aceptada de ptimo en el entorno de problemas o a o multiobjetivo es la propuesta originalmente por Francis Ysidro Edgeworth en 1881 y generalizada posteriormente por Vilfredo Pareto en 1896.
Universidad de Mlaga a
Optimo de Edgeworth-Pareto
Algunos autores la llaman ptimo de Edgeworth-Pareto, pero es o ms comn denominarla simplemente ptimo de Pareto. a u o
Universidad de Mlaga a
Optimalidad de Pareto
Decimos que un punto x es un ptimo de Pareto si para o toda x e I = {1, 2, . . . , k} ya sea, iI (fi (x) = fi (x )) o hay al menos una i I tal que fi (x) > fi (x ) (5) (4)
Universidad de Mlaga a
Dominancia de Pareto
Un vector u = (u1 , . . . , uk ) domina a otro v = (v1 , . . . , vk ) (denotado mediante u v) si y slo si u es parcialmente menor a v, o i.e., i {1, . . . , k}, ui vi i {1, . . . , k} : ui < vi .
Universidad de Mlaga a
Universidad de Mlaga a
Frente de Pareto
Para un problema multiobjetivo dado f (x) y un conjunto de o ptimos de Pareto P , el frente de Pareto (PF ) se dene como: PF := {u = f = (f1 (x), . . . , fk (x)) | x P }. (7)
Universidad de Mlaga a
Universidad de Mlaga a
Estado Actual
Actualmente existen unas 30 tcnicas de optimizacin e o multiobjetivo en la literatura de investigacin de operaciones. Sin o embargo, la mayor de ellas estn limitadas a frentes de Pareto a a con ciertas caracter sticas (p.ej., convexos) y suelen requerir un punto inicial de bsqueda. Adicionalmente, suelen generar una sola u solucin por ejecucin. o o
Universidad de Mlaga a
Universidad de Mlaga a
140
120
Number of Publications
100
80
60
40
20
83
84
85
86
87
88
89
90
91 92 93 94 Publication Year
95
96
97
98
99
00
01
02
Universidad de Mlaga a
450
400
300
250
200
150
100
50
MOEP
MOGA
MOGP
Universidad de Mlaga a
20
15
10
SA
HY
300
200
150
100
50
49
50
65 100 500
Universidad de Mlaga a
2. Los algoritmos que jerarquizan a la poblacin de acuerdo a si o un individuo es no dominado o no (usando el concepto de o ptimo de Pareto). Ejemplos: MOGA, NSGA, NPGA, etc.
Universidad de Mlaga a
2.
Universidad de Mlaga a
Tendencias Actuales
Tras gozar de mucho xito por alrededor de 5 aos, los e n algoritmos de primera generacin han comenzado a caer en o desuso (NSGA, NPGA, MOGA y VEGA). Desde nales de los 1990s los algoritmos evolutivos multiobjetivo que usan elitismo son vistos como el estado del arte en el rea (p.ej., SPEA, SPEA2, NSGA-II, MOMGA, a MOMGA-II, PAES, PESA, PESA II, etc.)
Universidad de Mlaga a
Tendencias Actuales
Los algoritmos de segunda generacin enfatizan la eciencia o computacional. Se busca vencer la complejidad de la jerarquizacin de Pareto (O(kM 2 ), donde k es el nmero de o u funciones objetivo y M es el tamao de la poblacin) y de las n o tcnicas tradicionales de nichos (O(M 2 )). e En la sombra, los algoritmos no basados en dominancia de Pareto siguen siendo usados en algunos dominios (p.ej., optimizacin combinatoria) con relativo xito. o e
Universidad de Mlaga a
Tendencias Actuales
Una tendencia actual es extender otras heur sticas a problemas multiobjetivo. Por ejemplo: bsqueda dispersa, optimizacin u o mediante cmulos de part u culas, el sistema inmune articial, etc. Tambin se han propuesto un sinnmero de h e u bridos y nuevos algoritmos bioinspirados.
Universidad de Mlaga a
Teor a
Existen unos pocos estudios de convergencia de un algoritmo evolutivo multiobjetivo a un conjunto de ptimos de Pareto o [Rudolph, 1998, 2000; Hanne, 2000, 2000a; Van Veldhuizen, 1998]. Tambin hay trabajo reciente en torno a las mtricas y en e e torno a la dinmica poblacional de los algoritmos evolutivos a multiobjetivo. Se requiere an mucho trabajo. Por ejemplo: modelado terico u o de operadores, convergencia de algoritmos paralelos, estudio de la estructura de los paisajes de aptitud de problemas multiobjetivo, etc.
Universidad de Mlaga a
Aplicaciones
300
250
200
150
100
50
Eng
Sci
Misc
Figura 2: Distribucin general de aplicaciones reportadas en la liteo ratura: Eng = Engineering, Ind = Industrial, Sci = Scientic, Misc = Miscellaneous.
Depto. de Lenguajes y Ciencias de la Computacin, o Universidad de Mlaga a
60
50
40
30
20
10
ENH
EE
Tel
RC SM Engineering Field
CC
Tra
50
45
35
30
25
20
15
10
DM
MA
Universidad de Mlaga a
Aplicaciones
Aunque el volumen actual de aplicaciones es considerable, muchos dominios no han sido abordados todav Por ejemplo: a. visin por computadora, ajuste de modelos basados en o elementos nitos, reconocimiento de patrones, etc. Los algoritmos paralelos ciertamente se volvern ms populares a a en los aos venideros, pero no hay una visin clara respecto a n o qu tipo de algoritmos son ms adecuados para qu tipo de e a e problemas.
Universidad de Mlaga a
Funciones de Prueba
Durante cerca de 15 aos se subestim la necesidad de contar n o con funciones de prueba estndar. a Hoy en d existen varias propuestas que incluyen funciones a con 2 y 3 objetivos, algunas de las cuales son escalables. Entre sus caracter sticas interesantes destacan las siguientes: multifrontalidad, frentes de Pareto cncavos y segmentados, o alta dimensionalidad, decepcin, etc. o Recientemente se han propuesto tambin funciones con e restricciones y problemas de optimizacin combinatoria o multiobjetivo.
Universidad de Mlaga a
Funciones de Prueba
Se requieren, entre otras, funciones de prueba dinmicas, con a ep statis elevada, con ms de 3 funciones objetivo, con a funciones objetivo cuyo costo de evaluacin sea muy elevado y o crezca exponencialmente con la dimensionalidad del problema, etc. Tambin son de gran inters los generadores automticos de e e a funciones de prueba, los cuales son prcticamente inexistentes a en la actualidad.
Universidad de Mlaga a
0.9
0.8
0.7
0.6 yvalue
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5 xvalue
0.6
0.7
0.8
0.9
0.5
Function 2 0 0.5 0
0.1
0.2
0.3
0.6
0.7
0.8
0.9
Universidad de Mlaga a
yvalue
0.5
1.5
2.5 xvalue
3.5
4.5
250
200
150 Function 1
100
50
Mtricas e
Los tres valores fundamentales que miden las mtricas de la e actualidad son [Zitzler et al., 2000]: 1. Minimizar la distancia del frente de Pareto producido por nuestro algoritmo con respecto al frente verdadero (suponiendo que lo conocemos).
2. Maximizar la distribucin de soluciones obtenidas, de manera o que podamos tener una distribucin de vectores tan uniforme o como sea posible. 3. Maximizar la cantidad de elementos del conjunto de ptimos de o Pareto generados.
Universidad de Mlaga a
Mtricas e
El problema fundamental de las mtricas es que los 3 valores antes e mencionados deben combinarse de diferentes maneras para poder establecer el desempeo de un algoritmo de manera cuantitativa. n Sin embargo, dichas combinaciones no son ms que combinaciones a lineales de pesos (tan satanizadas en optimizacin evolutiva o multiobjetivo). Irnicamente, el problema de las mtricas resulta o e ser tambin de naturaleza multiobjetivo. e
Universidad de Mlaga a
Universidad de Mlaga a
Universidad de Mlaga a
A Manera de Conclusiones
La optimizacin evolutiva multiobjetivo presenta actualmente o muchas oportunidades de investigacin. o Muchos problemas de dicultad intermedia todav no han a sido resueltos adecuadamente. Hay un sinnmero de posibles aplicaciones por ser exploradas. u Cundo ocurrir la tercera generacin? Habr un cambio de a a o a paradigma?
Universidad de Mlaga a