Um estudo sobre configuração automática do algoritmo de otimização por enxame de partículas multiobjetivo

Abstract

Resumo: O desempenho de algoritmos bio-inspirados está diretamente relacionado a uma escolha adequada de componentes e parâmetros de projeto. Para aumentar a robustez destes métodos e facilitar a sua utilização para usuário comum, pesquisas recentes focam no estudo de estratégias que automaticamente configurem algoritmos. Uma das principais abordagens utilizadas é a Programação Genética (PG), baseada em algoritmos evolutivos, ela evolui uma população de programas de computador através da aplicação de operadores de cruzamento e mutação para resolver o problema em questão. A Evolução Gramatical (GE) é um tipo de PG que utiliza gramáticas livres de contexto para a definição dos componentes do programa. Outra alternativa de configuração automática de algoritmos é a utilização de algoritmos de otimização: diversas ferramentas têm sido desenvolvidas neste contexto, entre elas destacam-se a Iterated Race (IRACE), um framework que utiliza conceitos de uma "corrida" entre os candidatos para selecionar as melhores configurações. Nesta dissertação o foco de estudo é a configuração automática de algoritmos e como caso de estudo escolhemos o algoritmo de Otimização por Enxame de Partículas Multiobjetivo (MOPSO). O MOPSO, assim como outros algoritmos de otimização estudados no nosso grupo de pesquisa, possui diversos componentes que podem ser alterados de acordo com a necessidade do usuário e o problema considerado. As duas técnicas Evolução Gramatical e o IRACE serão utilizadas. Experimentos foram realizados para avaliar ambas as técnicas na geração de projetos de MOPSO e verificar se os algoritmos gerados conseguem superar o desempenho de algoritmos refinados manualmente. Os resultados obtidos indicam que é possível gerar projetos MOPSO com desempenho similar e resultados competitivos. Palavras-cha e: evolução gramatical, projeto automático de algoritmos, otimização por enxame de partículas.

Abstract: The performance of bio-inspired algorithms is directly related to an appropriate choice of components and design parameters. To increase the robustness of these methods and simplify their use for ordinary users, recent research focuses on the study of strategies that automatically configure algorithms. One of the main approaches used is Genetic Programming (GP), based on evolutionary algorithms, it evolves a population of computer programs through the application of crossover and mutation operators to solve the problem in question. Grammatical Evolution (GE) is a type of GP that uses context-free grammars to define program components. Another alternative of automatic algorithm configuration is the use of optimization algorithms, several tools have been developed in this context, among them Iterated Race (IRACE), a framework that uses concepts of a "race" among the candidates to select the best settings. In this dissertation the focus of study is the automatic configuration of algorithms and as a case study we chose the Multi-objective Particle Swarm Optimization algorithm (MOPSO). The MOPSO, as well as other optimization algorithms studied in our research group, has several components that can be modified according to the user needs and the problem considered. The two techniques Grammatical Evolution and IRACE will be used. Experiments were performed to evaluate both techniques in the generation of MOPSO designs and to verify if the generated algorithms can outperform manually tunned algorithms. The results indicate that it is possible to generate MOPSO designs with similar performance and competitive results. Keywords: grammatical evolution, automatic design, particle swarm optimization.