Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-10T14:29:06Z
No. of bitstreams: 2
Dissertaçao Elliackin Figueiredo.pdf: 1432182 bytes, checksum: 136c5c376ae4f615d93145675c1f8a21 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-11T17:32:59Z (GMT). No. of bitstreams: 2
Dissertaçao Elliackin Figueiredo.pdf: 1432182 bytes, checksum: 136c5c376ae4f615d93145675c1f8a21 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-02-25 / Otimização de Muitos Objetivos consiste na otimização de problemas com muitos objetivos,
isto é, problemas multiobjetivos com um elevado número de objetivos, geralmente mais de três.
Atualmente, essa área é uma área ativa com respeito ao campo de algoritmos evolucionários.
Em problemas como esses, algoritmos que utilizam a dominância de Pareto como critério de
atribuição de aptidão tais como MOEAs e MOPSOs se tornam inefetivos, pois praticamente
todas as soluções da população tendem a ser tornar não-dominadas, levando a perda da pressão
de convergência para a Frente de Pareto. A ineficácia desses algoritmos levou os pesquisadores
a proporem estratégias alternativas a dominância de Pareto para lidar com esses problemas,
principalmente para os MOEAs. Contudo, pouco tem sido feito no sentido de tornar os MOPSOs
efetivos em problemas com muitos objetivos. Na literatura, os MOPSOs propostos para
lidar com esses problemas apresentam muitas dificuldades, tais como parâmetros difíceis de
ajustar, necessidade de conhecimento sobre o problema, e a incapacidade de convergência em
problemas com multimodalidade. Nesse trabalho, um novo algoritmo baseado em enxame de
partículas para problemas com muitos objetivos foi proposto e foi denominado de MOPSO-GD.
O MOPSO-GD caracteriza-se por esquemas melhorados para (i) a seleção dos líderes sociais,
(ii) seleção dos líderes cognitivos e (iii) poda do arquivo externo. Todos esses esquemas são baseados
em um método de alta granularidade denominado de Detrimento Global. O Detrimento
Global foi usado como um método para promover a convergência e promover a habilidade do
MOPSO-GD de lidar com um grande número de objetivos. Para validar o MOPSO-GD, ele foi
avaliado usando quatro problemas de teste escaláveis bem conhecidos (DTLZ{1,3,4,6}) com
5, 10, 15, 20, 30 e 50 objetivos; e foi comparado com duas abordagens baseadas em enxame de
partículas (MOPSO-CDR e SMPSO) e dois algoritmos evolucionários estado da arte para problemas
com muitos objetivos (CEGA e MDFA). Os resultados mostraram que o MOPSO-GD
obteve bom desempenho em termos de convergência, enquanto manteve os níveis de diversidade
do CEGA e do MDFA.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/11960 |
| Date | 25 February 2013 |
| Creators | FIGUEIREDO, Elliackin Messias do Nascimento |
| Contributors | LUDERMIR, Teresa Bernarda, BASTOS FILHO, Carmelo José Albanez |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds