Novas estratégias para otimização por nuvem de partículas aplicadas a problemas com muitos objetivos

Abstract

Resumo: Problemas de otimização multiobjetivo possuem mais de uma função objetivo que estão em conflito. Devido a essa característica, nao existe somente uma melhor soluçao, mas sim um conjunto com as melhores soluções do problema, definidas pelos conceitos da teoria da Otimalidade de Pareto. Algoritmos Evolucionarios Multiobjetivo sao aplicados com sucesso em diversos Problemas de Otimizacão Multiobjetivo. Dentre esses algoritmos, os baseados na Otimizaçao por Nuvem de Partículas Multiobjetivo (MOPSO) apresentam bons resultados para problemas multiobjetivo e se destacam por possuirem características específicas, como a cooperaçao entre as partículas da populacao. Porem, quando o numero de funcoes objetivo cresce, os algoritmos evolucionários multiobjetivo baseados em dominancia de Pareto encontram algumas dificuldades em definir quais sao as melhores solucoes e nao efetuam uma busca que converge para as soluçães ótimas do problema. A Otimizaçao com muitos objetivos e uma area nova que visa propor novos metodos para reduzir a deterioracao da busca desses algoritmos em problemas de otimizacão com muitos objetivos (problemas com mais de três funcoes objetivo). Assim, motivado por esse campo de pesquisa ainda em aberto e pelo fato da meta-heurística MOPSO ser pouco utilizada na Otimizaçao com Muitos Objetivos, este trabalho de doutorado contribuí com a proposta de novas metodos e algoritmos que buscam explorar três diferentes aspectos da Otimizacao por Nuvem de Partículas Multiobjetivo: uso de novas relacoes de preferencias, metodos de arquivamento e algoritmos MOPSO com multiplos enxames. Neste estudo, íe feita uma aníalise empírica que utiliza um conjunto de indicadores de qualidade e problemas de benchmark com o intuito de analisar aspectos como convergencia e diversidade da busca dos algoritmos utilizados. Por fim, esta tese traca os principais caminhos que serãao seguidos nos trabalhos futuros.

Abstract: Multiobjective Optimization Problems have more than one objective function that are often in conflict. Therefore, there is no single best solution, but a set of the best solutions defined by the concepts of Pareto Optimality theory. Multiobjective Evolutionary Algorithms are applied successfully in several Multiobjective Optimization Problems. Among these algorithms, we highlight those based on Multiobjective Particle Swarm Optimization (MOPSO), since they have good results for multiobjective problems and exhibit unique characteristics such as cooperation among individuals of the population. However, Multi- Objective Evolutionary Algorithms scale poorly when the number of objectives increases. Many-Objective Optimization Problems are problems that have more than three objective functions. Many-Objective Optimization is a new area, which aims to propose new methods to reduce the deterioration of these algorithms. Thus, motivated by this research field still open and the fact that MOPSO algorithms are still underused in Many-Objective Optimization, this work aims to propose new methods for MOPSO metaheuristic applied to this context. The main contribution of this PhD work is the proposal of new methods and algorithms that seek to explore three different aspects of MOPSO metaheuristic: the use of new preference relations, exploring methods of archiving and exploring multi-swarm algorithms. Another important feature presented in this thesis are the empirical analyzes used to validate all new techniques. In this study, we use a set of quality indicators and benchmark problems in order to analyze aspects such as convergence and diversity of the search. Finally, this thesis outlines the main paths that will be followed in future work.