Otimização Evolutiva Multiobjetivo – SPEA II

Alunos: Cinthia Lisboa Letícia Marin João Sanches

Otimização Multiobjetivo
▪ Visa encontrar um vetor de variáveis de decisão que satisfaz as restrições e otimiza uma função vetor cujos elementos representam as funções objetivo. ▪ Há três formas de tratar um problema multiobjetivo de acordo com Coello et al [1]:
▪ Agregação de funções;
▪ Ordenação Lexicográfica; ▪ Dominância de Pareto.

Dominância de Pareto
▪ A Fronteira de Pareto é o conjunto de soluções não dominadas do espaço de busca.

Fig. 01 – Relação de dominância entre soluções

▪ Dizemos que “b” domina “a”, porém não podemos dizer o mesmo em relação a “c”.

Strength Pareto Evolutionary Algorithm II: SPEA II
▪ Utiliza o elitismo através de uma população externa E onde são guardadas as soluções não-dominadas; ▪ O que diferencia esse algoritmo do SPEA é o calculo do fitness e o parâmetro de entrada N, que fixa o tamanho da população externa.

Strength Pareto Evolutionary Algorithm II: SPEA II
▪ Para avaliar o fitness, o algoritmo baseia-se na dominância e densidade de vizinhos. Pela densidade de vizinhos é possível observar quais indivíduos são mais representativos para o conjunto de solução final.
para i igual à i-ésima solução para a qual se está calculando a densidade

Pt

igual ao tamanho da

população inicial da iteração t, Pt igual ao tamanho do

Onde

arquivo externo de soluções não dominadas e

 ik igual à

distância Euclidiana entre a solução i e a k-ésima solução mais próxima.

Strength Pareto Evolutionary Algorithm II: SPEA II

Strength Pareto Evolutionary Algorithm II: SPEA II

Desvantagens do SPEA II
▪ Algoritmo custoso:
▪ Para cada indivíduo, deve ser calculada a distância a todos os demais indivíduos; ▪ Tais vetores de distâncias devem ser ordenados para obtenção do k-ésimo vizinho mais próximo;

Aplicação da MH OMO

APLICAÇÃO DE UM ALGORITMO
EVOLUCIONÁRIO DE BUSCA DE SOLUÇÕES DE PARETO PARA O

PROBLEMA DO CAIXEIRO
VIAJANTE BIOBJETIVO

Aplicação da MH OMO
▪ A população inicial é gerada, aleatoriamente, para os dois algoritmos evolucionários aplicados neste trabalho. ▪ Foi utilizado algumas instâncias de 100 cidades para avaliar o desempenho do SPEA 2. ▪ A ferramenta de desenvolvimento utilizada na implementação do SPEA foi o Borland C++ Builder 6.

Bibliografia
▪ C. A. Coello, G. B. Lamont, e D. A. Van Veldhuizen. Evolutionary Algorithms for Solving Multi-Objective Problems (Genetic and Evolutionary Computation). Springer, second edition, 2007. ▪ Arroyo, J. E. C. e Armentano, V. A. (2003) Algoritmo genético para o problema do caixeiro viajante multiobjetivo, IV Encontro Nacional de Inteligência Artificial, Campinas, SP, Brasil. ▪ http://tcc.ecomp.poli.br/20082/tcc_Filipe_Rolim_2008_2_versao_final.pdf ▪ http://www.din.uem.br/sbpo/sbpo2008/pdf/arq0158.pdf