Show simple item record

dc.contributor.authorFritsche, Gian Mauriciopt_BR
dc.contributor.otherRamirez Pozo, Aurora Trinidad, 1959-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informáticapt_BR
dc.date.accessioned2021-12-29T23:35:10Z
dc.date.available2021-12-29T23:35:10Z
dc.date.issued2020pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/70590
dc.descriptionOrientador: Aurora Trinidad Ramirez Pozopt_BR
dc.descriptionTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 14/12/2020pt_BR
dc.descriptionInclui referências: p. 73-78pt_BR
dc.descriptionÁrea de concentração: Ciência da Computaçãopt_BR
dc.description.abstractResumo: A otimização simultânea de múltiplos objetivos está presente em várias instâncias de problemas para diferentes campos de pesquisa. Algoritmos Evolutivos Multiobjetivo (Multi-objective Evolutionary Algorithm-MOEA) têm sido amplamente aplicados para resolver esses problemas. No entanto, quando o número de objetivos é maior que três, chamados de problemas com muitos objetivos (Many-objective Optimization Problems - MaOP), esses problemas apresentam desafios para os MOEAs. Por exemplo, entre esses desafios está a chamada "falta de pressão de seleção", pois a maioria das soluções se tornam não-comparáveis. Nos últimos anos, pesquisadores têm investigado e proposto diversos algoritmos para a otimização com muitos objetivos. No entanto, dadas as características das diferentes instâncias de problema e as características dos diferentes algoritmos, nenhum algoritmo é melhor do que todos os outros para todos os problemas, conhecido como o teorema "sem almoço grátis", (do inglês No Free Lunch). A pesquisa explorada nesta tese foca na execução cooperativa de diferentes MOEAs, considerando um conjunto de problemas com uma diversidade de características. Nossa hipótese é que a cooperação pode ser eficaz para mais problemas do que cada MOEA aplicado isoladamente. Com base nesta hipótese, um modelo distribuído para cooperação entre MOEAs foi proposto. Nesse modelo, diferentes MOEAs são executados, trocando informações. O modelo proposto foi avaliado inicialmente usando comunicação síncrona e assíncrona para a cooperação de dois MOEAs. Os resultados foram favoráveis à versão síncrona, que favorece a troca de informações. Os resultados alcançados motivaram a continuidade da linha de investigação proposta. Após análise experimental, concluímos que a participação dos algoritmos no modelo cooperativo pode ser ponderada para priorizar aqueles que apresentam melhores resultados. Para isso, avaliamos a incorporação de hiper-heurística para guiar a busca. Além disso, usamos a etapa de migração proposta para trocar informações entre o MOEA executado e os demais. Avaliamos o uso de hiper-heurísticas com e sem a etapa de migração proposta. A versão com troca de informações obteve melhores resultados. Os resultados alcançados também foram competitivos ao melhor MOEA para a maioria das instâncias de problemas, com uma melhor avaliação geral. Desta forma, demonstramos a importância do método de migração proposto para incorporar informações externas no processo evolutivo de cada algoritmo. Em seguida, desenvolvemos uma versão aprimorada, combinando conhecimentos de várias validações e análises experimentais. Essa versão foi então comparada a uma hiper-heurística estado da arte para otimização multiobjetivo. Os resultados foram favoráveis à abordagem cooperativa proposta. Finalmente, avaliamos o modelo proposto em um problema do mundo real. Este problema otimiza os parâmetros de construção de uma turbina eólica. Os resultados alcançados são comparáveis aos do melhor MOEA avaliado para este problema. Concluímos que o método de troca de informações proposto é uma abordagem eficaz para a cooperação de vários MOEAs para otimização com muitos objetivos. Além disso, concluímos que esta pode alcançar resultados competitivos para uma ampla variedade de instâncias de problemas. Palavras-chave: Otimização com muitos objetivos, Hiper-heurística, Otimização com variáveis contínuas, Seleção de heurísticas, Algoritmos Evolutivos, Problema do mundo realpt_BR
dc.description.abstractAbstract: The simultaneous optimization of multiple objectives is present in several problem instances for different research fields. Multi-objective Evolutionary Algorithms (MOEA) have been widely applied to solve these problems. However, when the number of objectives is higher than three, these problems, called many-objective problems (MaOP), pose challenges for MOEAs. For example, among these challenges is the so-called "lack of selection pressure", as most solutions become not-comparable. In recent years, researchers have investigated and proposed several algorithms for many-objective optimization. However, given the characteristics of the different problem instances and the characteristics of the different algorithms, no one algorithm is better than all others for all problems, known as the No Free Lunch theorem. The research explored in this thesis focuses on the cooperative execution of different MOEAs, considering a set of problems with a diversity of characteristics. Our hypothesis is that the cooperation may be effective for more problems than each MOEA applied standalone. Based on this hypothesis, a distributed model for MOEAs cooperation was proposed. In this model, different MOEAs are executed, exchanging information. The proposed model was initially evaluated using synchronous and asynchronous communication for the cooperation of two MOEAs. The results were favorable to the synchronous version, which favors the exchange of information. The results achieved motivated the continuity of the proposed line of investigation. After experimental analysis, we concluded that the participation of the algorithms in the cooperative model could be weighed to prioritize those that present better results. For that, we evaluated the incorporation of hyperheuristics to guide the search. Also, we use the proposed migration step to exchange information between the executed MOEA and the others. We evaluated the use of hyper-heuristics with and without the proposed migration approach. The version with the exchange of information obtained better results. The results achieved were also competitive to the best MOEA for most problem instances, with better overall results. In this way, we demonstrate the importance of the proposed migration method to incorporate external information in the evolutionary process of each algorithm. Then, we developed an improved version, combining knowledge from various validations and experimental analyzes. This version was then compared to a state-of-the-art hyper-heuristic for multi-objective optimization. The results were favorable to the proposed cooperative approach. Finally, we evaluate the proposed framework in a real-world problem. This problem optimizes the parameters of the construction of a wind turbine. The results achieved are comparable to those of the best MOEA evaluated for this problem. We conclude that the proposed information exchange method is an effective approach for the cooperation of several MOEAs for many-objective optimization. Besides, we conclude that it can achieve competitive results for a wide variety of problem instances. Keywords: Many-objective Optimization, Hyper-heuristic, Continuous Optimization, Heuristic Selection, Evolutionary Algorithm, Real-world problempt_BR
dc.format.extent90 p. : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languageInglêspt_BR
dc.subjectAlgorítmospt_BR
dc.subjectOtimização combinatoriapt_BR
dc.subjectProgramação heuristicapt_BR
dc.subjectCiência da Computaçãopt_BR
dc.titleThe cooperation of multi-objective evolutionary algorithms for many-objective optimizationpt_BR
dc.typeTese Digitalpt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record