Preservación de la diversidad y manejo de los puntos de referencia en algoritmos evolutivos multiobjetivo

Abstract

El éxito de los algoritmos evolutivos multiobjetivo basados en descomposición (MOEA/D) ha generado un gran interés en los MOEA que utilizan un conjunto de vectores de peso para promover la diversidad dentro de las soluciones no dominadas. Sin embargo, la calidad del conjunto de soluciones obtenido depende en gran medida de la consistencia entre la forma del frente de Pareto del problema y la distribución de peso especificada. El objetivo de este trabajo es doble. En primer lugar, el estudio se centra en seis técnicas clásicas para la generación de vectores de peso, ya sea basadas en el diseño de mezclas o en secuencias de baja discrepancia. El rendimiento de estos métodos, implementados en MOEA/DconPBI, se evaluó y analizo en varias funciones de prueba escalables de la literatura. Además, se introduce un enfoque novedoso para actualizar los vectores de peso durante el proceso evolutivo, que utiliza información de los individuos no dominados de la población actual. Estas soluciones se utilizan para volver a calcular su vector de peso correspondiente y marcarlas como puntos prohibidos o tabú. Luego, se crean nuevos vectores de peso lejos de estos puntos tabú a través de un criterio de repulsión basado en la distancia de Mahalanobis. Algunos experimentos preliminares indican que esta estrategia de adaptación dinámica del vector de peso proporciona beneficios significativos en comparación con el diseño estático Simplex Lattice ampliamente utilizado pero que ha mostrado problemas en altas dimensiones.

The success of Multi-Objective Evolutionary Algorithms based on Decomposition (MOEA/D) has generated great interest in MOEAs using a reference set of weight vectors to promote diversity within non-dominated solutions. However, the quality of the solution set obtained heavily depends on the consistency between the problem's Pareto front shape and the specified weight distribution. The objective of this thesis is twofold. First, the study focuses on six classical techniques for weight vector generation, either based on mixture design or low discrepancy sequences. The performance of these methods, implemented into MOEA/D with PBI, was evaluated and analyzed over several scalable test functions from the literature. Moreover, a novel approach for updating the weight vectors during the evolutionary process is introduced, which periodically uses information from the non-dominated individuals in the current population. These solutions are used to re-compute their corresponding weight vector and mark them as tabu points. Then, new weight vectors are created far from these tabu points through a repulsion criterion based on the Mahalanobis distance. Some preliminary experiments indicate that this on-line weight vector adaptation strategy provides significant benefits when compared to the static Simplex Lattice design