Professional Documents
Culture Documents
on a la Optimizaci
on Multiobjetivo
Introducci
on a la Optimizaci
on
Multiobjetivo Usando Metaheursticas
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Publicaciones por a
no (hasta mediados de 2005)
300
Number of Publications
250
200
150
100
50
Clase No. 2
67 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04 05
Publication Year
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Technique Comparison
Hybrid
Pareto Elitist
Pareto Demes
Pareto Ranking
Aggregation Selection
Criterion Selection
Independent Sampling
20
Lexicographic
40
Progressive
60
80
Number of Publications
100
0
Application Category
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Number of Publications
350
300
250
200
150
100
50
0
Clase No. 2
MOEP
MOES
MOEA Type
MOGA
MOGP
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
300
Number of Publications
250
200
150
100
50
Clase No. 2
9
10 11 12 17 23
Number of MOP Functions (k)
49
50
65 100 500
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Fundamentos Te
oricos
Existe muy poco trabajo te
orico en relaci
on a la optimizaci
on
evolutiva multiobjetivo. el m
as representativo es el siguiente:
Estudios de convergencia al conjunto de
optimos de Pareto
[Rudolph, 1998, 2000, 2001; Hanne 2000,2000a; Van
Veldhuizen, 1998; Villalobos et al., 2004, 2005].
Esquemas para calcular factores adecuados de compartici
on de
aptitud (o tama
nos de nicho) [Horn, 1997; Fonseca & Fleming,
1993].
Analisis en tiempo de ejecuci
on [Laumanns et al., 2002, 2004].
Extensiones del No Free Lunch Theorem a problemas de
optimizacion multiobjetivo [Corne & Knowles, 2003].
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Fundamentos Te
oricos
Se requiere mucho m
as trabajo en esta
area. Por ejemplo:
Analisis de convergencia de algoritmos evolutivos multiobjetivo
paralelos.
Estudios de la estructura de los paisajes de aptitud (fitness
landscapes) [Kaufmann, 1989] en problemas de optimizaci
on
multiobjetivo.
Determinacion del lmite te
orico de funciones objetivo para las
cuales la jerarquizaci
on de Pareto ya no resulta u
til (asumiendo
un tama
no de poblaci
on finito).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Fundamentos Te
oricos
Modelos formales de heursticas alternativas que se han usado
para optimizaci
on multiobjetivo (p.ej., la colonia de hormigas,
la optimizacion mediante c
umulos de partculas, etc.).
Analisis de complejidad algortmica de algoritmos evolutivos
multiobjetivo y an
alisis en tiempo de ejecuci
on.
Estudios sobre la din
amica poblacional de un algoritmo
evolutivo multiobjetivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
En el contexto de optimizaci
on evolutiva multiobjetivo, el elitismo
es un operador que se requiere para garantizar convergencia
[Rudolph, 1998], al igual que en el caso de optimizaci
on
mono-objetivo [Rudolph, 1994]. Sin embargo, en optimizaci
on
multiobjetivo, no resulta obvio c
omo implementar este operador,
pues normalmente no existe una soluci
on u
nica que sea mejor que
las dem
as. Teoricamente, todas las soluciones no dominadas son
igualmente buenas entre s.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
Existen dos mecanismos principales mediante los cuales se suele
implementar el elitismo en los algoritmos evolutivos multiobjetivo:
Usando selecci
on m
as (+).
Usando una poblaci
on secundaria.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
En el caso de la selecci
on m
as (+), lo que se hace es unir la
poblacion de padres con la de hijos y jerarquizarla. A partir de esta
nueva poblacion, se elige s
olo a los no dominados. Si se quisiera
elegir a mas individuos de los no dominados disponibles, el resto se
puede seleccionar de los dominados. Si se desean seleccionar menos
soluciones que las no dominadas de la poblaci
on, puede usarse un
criterio adicional para los desempates (p.ej., se puede preferir a una
solucion que este en una regi
on menos poblada del espacio de
b
usqueda.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
Si se usa una poblaci
on secundaria, normalmente se implementa un
archivo externo (que puede residir en memoria) en el cual se
colocan todas las soluciones no dominadas que se van encontrando
a lo largo del proceso evolutivo. S
olo se inserta una soluci
on al
archivo si esta es no dominada con respecto a su contenido. Si la
solucion a insertarse llegara a dominar a alguna soluci
on que reside
en el archivo, esta u
ltima deber
a eliminarse del archivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
El uso de una poblaci
on secundaria involucra diversos detalles de
implementacion que siguen siendo motivo de investigaci
on. Por
ejemplo, una pregunta razonable es si debemos acotar o no el
n
umero de soluciones que contendr
a el archivo. Aunque en la
actualidad, la mayora de los algoritmos evolutivos multiobjetivo
usando archivos acotados, hay trabajo importante en torno al uso
de archivos no acotados [Fieldsend, 2003].
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
Otra pregunta razonable en torno a las poblaciones secundarias es
si estas intervendr
an o no en el proceso de selecci
on. As mismo, las
estructuras de datos que se requieren para implementar una
poblacion secundaria pueden ir de lo m
as simple (un archivo
plano), hasta esquemas de localizaci
on geogr
afica que se usan como
mecanismos para mantener diversidad [Knowles & Corne, 2000].
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Elitismo
Hoy en da, la mayor parte de los algoritmos evolutivos
multiobjetivo modernos usan poblaciones secundarias. Sin embargo,
una excepcion notable es el NSGA-II (uno de los algoritmos m
as
competitivos a la fecha), el cual usa selecci
on m
as (+).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Desde los orgenes mismos de la computaci
on evolutiva los
investigadores de esta
area se percataron de que las tecnicas
evolutivas tienden a converger a un punto u
nico debido al ruido
estocastico. Desde ese entonces, el mantener diversidad en la
poblacion se ha constituido en uno de los temas fundamentales de
la computacion evolutiva.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
El fen
omeno de perdida de diversidad ocurre tambien en la
naturaleza y se denomina desvo genetico. Desde hace muchos a
nos
se ha estudiado este problema y se han propuesto mecanismos que
permitan preservar la diversidad de un algoritmo genetico durante
mas tiempo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Holland [1975] propuso el uso de un operador de crowding el cual
podra identificar situaciones en las que m
as y m
as individuos
dominan un cierto nicho ecol
ogico, puesto que es en esos casos en
los que la competencia por los recursos limitados se incrementa
rapidamente lo que produce una menor esperanza de vida y una
menor tasa de nacimiento.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
De Jong [1975] experiment
o con el operador de crowding propuesto
por Holland. De Jong us
o un algoritmo genetico no generacional
que funciona de la manera siguiente: una fracci
on de la poblaci
on
indicada por la brecha generacional (GG) es seleccionada va
seleccion proporcional, a fin de que se les someta a cruza y
mutacion.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Despues de cruza y mutaci
on, se eligen GG n individuos de la
poblacion para morir (a ser reemplazados por los nuevos
descendientes). Cada hijo encuentra al individuo que
reemplazara tomando una muestra aleatoria de CF individuos en
la poblacion (CF es el factor de agrupamiento). Cada hijo
reemplaza al individuo m
as similar a el en la poblaci
on.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Un valor de CF = 1 indica que no efectuar
a agrupamiento.
Conforme se aumenta el valor de CF se vuelve m
as probable que
los individuos similares se reemplacen entre s. La similitud en este
caso se mide usando distancia de Hamming sobre el genotipo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Cavicchio [1970] introdujo varios esquemas de preseleccion de entre
los cuales uno estaba orientado a preservar diversidad. La idea de
Cavicchio fue que si un hijo tena una aptitud m
as elevada que el
peor padre, entonces este hijo reemplazara al padre en cuesti
on.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
La comparticion de aptitud (fitness sharing) fue propuesta
originalmente por Goldberg & Richardson [1987]. En este caso, la
poblacion se subdivide en varias subpoblaciones de acuerdo con la
similitud de los individuos en dos espacios posibles: el de los
parametros decodificados (fenotpico) y el de los genes (genotpico).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
La funci
on de compartici
on se define de la siguiente manera:
d
1 ij
,
sh
(dij ) =
0,
Clase No. 2
(1)
de lo contrario
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
En la expresion anterior: = 1, dij es una metrica que indica que
la distancia entre las soluciones i y j, y share es el par
ametro (o
umbral) de compartici
on que controla el tama
no de los nichos.
Usando este parametro, la aptitud del individuo i se modifica
usando:
fsi = PM
fi
j=1
(dij )
(2)
donde M es el n
umero de individuos que se encuentran localizados
en la vecindad del i-esimo individuo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Deb & Goldberg [1989] propusieron una metodologa para calcular
share . En el espacio fenotpico se usa una distancia Euclideana en
un espacio p-dimensional, donde p se refiere al n
umero de variables
codificadas en el algoritmo evolutivo. El valor de dij se calcula
usando:
v
u p
uX
2
(xk,i xk,j )
dij = t
(3)
k=1
donde x1,i , x2,i , . . . , xp,i y x1,j , x2,j , . . . , xp,j son las variables
decodificadas.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Para estimar el valor de share , Deb and Goldberg [1989]
propusieron la expresi
on:
share
r
=
=
p q
pPp
k=1 (xk,max
2q
xk,min )2
(4)
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
En la comparticion genotpica, dij se define como la distancia de
Hamming entre las cadenas y share es el m
aximo n
umero de bits
diferentes que se permiten entre las cadenas para formar nichos
separados en la poblaci
on.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
La expresion que sugieren utilizar es:
k
1 X l 1
=
2l i=0
q
i
(5)
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Para valores grandes de l, sugieren utilizar:
share
= (l + z l)
2
(6)
1
q
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Los experimentos de Deb & Goldberg [1989] indicaron que la
comparticion de aptitud era mejor que el agrupamiento. As mismo,
se determino que la compartici
on de aptitud en el espacio
fenotpico era mejor que la del espacio genotpico.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Notese sin embargo que Mahfoud [1995] demostr
o que las
conclusiones de Deb & Goldberg no son correctas si se le
introducen algunos cambios menores a los esquemas de
agrupamiento analizados en su artculo de 1989.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Mahfoud [1992] propuso un algoritmo de agrupamiento tendiente a
minimizar los errores de reemplazo de la propuesta de De Jong
(uno de sus mayores inconvenientes). Este algoritmo se denomina
deterministic crowding.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
La tecnica de Mahfoud comienza agrupando a todos los elementos
de la poblacion en /2 parejas. Posteriormente, cruza estas parejas
y muta a los hijos resultantes. Para cada pareja de hijos, son
posibles dos conjuntos de torneos padre-hijo. El agrupamiento
determinstico lleva a cabo estos torneos de manera que se obligue
a los individuos m
as similares a competir.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Cede
no et al. [1994] y Harik [1995] propusieron algoritmos similares
en funcionamiento al de Mahfoud. En el caso de Cede
no et al., se
sugiere el uso de cruza fenotpica y de operadores especializados
para reducir el error de reemplazo de la tecnica.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Kita et al. [1996] propusieron el Thermodynamical Genetic
Algorithm (TDGA) el cual usa jerarquizaci
on de Pareto en
combinacion con el principio de energa libre mnima que se usa en
recocido simulado.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
La idea del TDGA es seleccionar a los individuos de la nueva
generacion de tal forma que se minimice la energa libre dada por:
F =< E > HT
(7)
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
La diversidad de la poblaci
on se controla ajustando T de acuerdo a
cierto horario de enfriamiento (como en el recocido simulado).
Seg
un Kita et al. [1996], T es menos sensible al tama
no de la
poblacion y al tama
no de la zona factible que las funciones de
comparticion de aptitud tradicionales.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
En a
nos recientes, uno de los enfasis principales de investigaci
on en
el area de nichos ha sido el eficientar los esquemas utilizados. Yin &
Germay [1993], por ejemplo, propuesieron alternar el uso de un
esquema de clusters con uno de nichos. Con esto se reducira la
complejidad de O(n2 ) a O(nq), donde q es el n
umero de nichos.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Notese sin embargo que los algoritmos de compartici
on de aptitud
pueden trabajar en O(nq) cuando los valores de aptitud
compartidos se muestrean en una sobpoblaci
on de tama
no O(q)
[Oei et al., 1991].
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Tambien se han propuestos esquemas din
amicos de nichos. Por
ejemplo, Miller & Shaw [1996] propusieron el uso de un n
umero fijo
de nichos dinamicos con radios y centros de nicho fijos, los cuales se
determinan a traves de un ordenamiento de toda la poblaci
on.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Para aquellos individuos que no se encuentren en uno de estos
nichos, se aplica la compartici
on de aptitud convencional. Esto
reduce el costo computacional pues no se requiere recalcular nichos
mas que para los individuos que no puedan colocarse en ninguno de
los previamente definidos.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Goldberg & Wang [1997] propusieron un esquema coevolutivo para
mantener diversidad. Este esquema est
a inspirado en la
competencia monop
olica tal y como la modelan los economistas. El
algoritmo usa dos poblaciones: una de hombres de negocios y otra
de clientes, de tal forma que la ubicaci
on de los hombres de negocios
corresponde a las ubicaciones de los nichos y las ubicaciones de los
clientes corresponden a las soluciones. En esta propuesta la
ubicacion y radios de los nichos se adapta de manera autom
atica a
las caractersticas del paisaje de aptitud de la generaci
on actual.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Hay investigadores de optimizaci
on evolutiva multiobjetivo que han
propuesto tambien sus propios metodos para calcular share . Por
ejemplo, Fonseca & Fleming [1993]:
N=
Qk
i=1 (i
+ share )
k
share
Qk
i=1
(8)
donde N es el tama
no de la poblaci
on, i es la diferencia entre los
valores objetivo m
aximos y mnimos en la dimensi
on i y k es la
cantidad de funciones objetivo del problema.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Existen muchas otras tecnicas para mantener diversidad (ver por
ejemplo [Mahfoud, 1995]), aunque s
olo un porcentaje peque
no de
ellas se han usado en el contexto de optimizaci
on evolutiva
multiobjetivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Al igual que en la jerarquizaci
on de Pareto, no hay evidencia clara
en torno a los beneficios de una tecnica para mantener diversidad
sobre otra. Tampoco hay estudios que comparen el papel de los
componentes clave de cada tecnica entre s.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
ecnicas para Mantener Diversidad
Algo que tampoco resulta claro es el espacio en el cual debiera
realizarse la compartici
on de aptitud. Horn et al. (1993) indican
que el espacio elegido debe ser aquel que m
as nos importe. En
EMOO, suele usarse el espacio fenotpico si uno desea obtener una
representacion uniforme del frente de Pareto. N
otese, sin embargo,
que en investigaci
on de operaciones suele ser el caso de que les
interese mas obtener una distribuci
on uniforme del espacio de las
variables de decisi
on [Benson & Sayin, 1997].
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
El concepto de -dominance requiere que el usuario defina la
precisi
on que desea utilizar para evaluar cada funci
on objetivo.
Esta precisi
on o tolerancia () define una rejilla para el espacio de
las funciones objetivo del problema, la cual sesga la b
usqueda hacia
las porciones del espacio de las variables de decisi
on que tienen la
mayor precision posible en terminos de los requerimientos.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
La figura anterior ilustra la forma en que la dominancia permite
extender la zona de dominancia de una soluci
on con base en la
precision requerida para cada objetivo (o sea, 1 , 2 , etc.). Bajo un
esquema de dominancia tradicional (basado en el NSGA), la
solucion P domina la regi
on PECF. Sin embargo, al usar
dominance, la soluci
on domina a una regi
on m
as grande,
llamada ABCD en la figura anterior.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
El uso de -dominance en el archivo secundario, mejora la capacidad
de un algoritmo para mantener diversidad, ya que s
olo se permite
un miembro del archivo por cada celda de la rejilla. En caso de que
hayan varios individuos que podran residir en la misma celda, s
olo
aquel que este mas cerca de la esquina inferior izquierda de la celda
(suponiendo minimizaci
on) es el que se agrega al archivo. Por
ejemplo, en la figura anterior, la soluci
on 1 es la que se almacenara
en el archivo, ya que est
a m
as cerca del punto G que la soluci
on 2.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
El archivo se actualiza a cada generaci
on con soluciones de las que
se garantiza que esten separadas por una distancia mnima de i en
el i-esimo objetivo. Es importante hacer notar que el valor elegido
de impacta directamente la velocidad de convergencia del
algoritmo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
Si se define un valor peque
no de , se estar
a demandando una
precision elevada del conjunto de
optimos de Pareto. Un valor
peque
no incremental el n
umero de soluciones obtenidas,
incrementando el tama
no del archivo, as como el tama
no de la
poblacion requerida.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
Por el contrario, si se usa un valor m
as grande de , se pueden
reducir dramaticamente los tiempos de ejecuci
on, sacrificando la
resolucion del frente de Pareto obtenido. Algunos investigadores se
han beneficiado de esta flexibilidad del mecanismo de -dominance,
usando una granularidad gruesa para obtener tambien menos
soluciones no dominadas y reducir as la complejidad del proceso de
toma de decisiones.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
Mostaghim y Teich [2003] compararon el desempe
no de un
algoritmo multiobjetivo que usa una tecnica de clusters con
respecto a otro que usa -dominance. En estos experimentos se
observo que el uso de -dominance para actualizar el archivo
externo (o poblaci
on secundaria) fue benefico porque ayud
oa
reducir el tiempo de c
omputo, a la vez que mejor
o la convergencia
del algoritmo y produjo una diversidad comparable a la lograda con
los clusters.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
-dominance
Burke y Landa Silva [2002] usaron una variante de la denominada
-dominance, para mejorar la capacidad de convergencia de 2
algoritmos evolutivos multi-objetivo. El concepto de -dominance
se basa en un trabajo de Kokolo et al. [2001]y es muy similar al
concepto de -dominance.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
k-dominance
Farina y Amato [2003] propusieron la noci
on de k-dominance, en la
que se toma en consideraci
on el n
umero de objetivos iguales o
incomparables en la nueva soluci
on, as como el tama
no
normalizado de la mejora lograda en los otros objetivos. En la
k-dominance, v1 k-domina a v2 si y s
olo si:
ne < M and nb
M ne
k+1
donde 0 k 1
En esta expresion, nb es el n
umero de objetivos en los cuales v1 es
mejor que v2 , y ne es el n
umero de objetivos en los cuales v1 y v2
son iguales.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
k-dominance
Farina y Amato extendieron tambien la relaci
on k-dominance,
evaluando el n
umero de nb , ne de manera difusa, introduciendo una
tolerancia en el i-esimo objetivo, es decir, el intervalo en el cual una
mejora en el objetivo i carece de importancia.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
E-dominance
Jin y Wong [2003] investigaron tecnicas de archivado bas
andose en
una relacion relajada de dominancia llamada E-dominance. El
rasgo caracterstico m
as importante de este mecanismo de
archivado es que se adapta de acuerdo a las soluciones que han sido
encontradas. Tambien incluye el concepto de hiperrect
angulos para
encerrar el espacio de b
usqueda, considerando incluso soluciones no
producidas todava. Esto da a la tecnica la ventaja de no requerir
conocimiento previo del espacio de las funciones objetivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
La idea de usar restricciones a la cruza no es nueva. Goldberg
[1989] menciona su uso en problemas de optimizaci
on
mono-objetivo para prevenir o minimizar los hijos de bajo
desempe
no (llamados letales). En otras palabras, las restricciones
a la cruza sesgan la forma en que se aparean para la recombinaci
on
con la esperanza de incrementar la efectividad y la eficiencia del
algoritmo. Goldberg presenta un ejemplo usando similitudes
genotpicas como criterio de apareamiento.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Goldberg & Deb [1989] sugirieron el uso de restricciones a la cruza
con respecto a la distancia fenotpica. La idea es permitir que dos
individuos se crucen s
olo si son muy similares (es decir, si su
distancia fenotpica es menor a cierto factor llamado mate , el cual
se mide usando alguna metrica).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Esto pretende producir diferentes especies (grupos de
apareamiento) en la poblaci
on [Mitchell, 1996]. Los AGs paralelos
con modelo de isla tambien usan mecanismos de restricciones a la
cruza pero en este caso se definen en un sentido geogr
afico de tal
forma que un individuo s
olo puede cruzarse con sus vecinos que
residan dentro de alguna topologa restringida.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Algunos investigadores han hecho notar que las restricciones a la
cruza debiera motivar la recombinaci
on de individuos diferentes a
fin de prevenir la generaci
on de letales. Independientemente del
criterio de restricci
on adoptado, muchos MOEAs incorporan
mecanismos de restricci
on a la cruza cuya finalidad es reducir el
n
umero de soluciones dominadas de la poblacion.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Por ejemplo, Baita [1995] y Loughlin & Ranjithan [1997] colocan
las soluciones en una rejilla y restringen el
area dentro de la cual se
pueden recombinar los individuos. Lis & Eiben [1996] permiten la
recombinaci
on solo entre individuos de sexo diferente. Jakob et
al. [1992] implementan un mecanismo bastante atpico de
restricciones a la cruza basado en los valores de los pesos de cada
solucion (se utiliza una combinaci
on lineal de pesos en este caso).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Aunque en optimizaci
on evolutiva multiobjetivo es pr
actica com
un
hacer mate = share , no hay estudios que indiquen que este tipo de
asignaci
on es la m
as adecuada. De hecho, la mayora de los
investigadores de EMOO que adoptan restricciones a la cruza no
suelen justificar plenamente la incorporaci
on de este tipo de
mecanismo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
El uso de restricciones a la cruza en optimizaci
on evolutiva
multiobjetivo no es una pr
actica com
un y suele no justificarse
debidamente su uso en la literatura.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
De hecho, existen algunos estudios que indican que las restricciones
a la cruza no son de mucha utilidad.
Zitzler & Thiele (1998) muestran que para diferentes valores de
mate con los que experimentaron, no se advirti
o ninguna mejora
substancial en el desempe
no de un MOEA sobre un cierto conjunto
de funciones de prueba al usar o suprimir las restricciones a la
cruza.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Shaw & Fleming (1996) reportan resultados similares a los de
Zitzler.
Horn et al. (1994) ofrecen evidencia emprica que contradice
directamente la base sobre la que se sustenta el uso de las
restricciones a la cruza.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Horn (1994) hace notar que recombinar soluciones cuyos vectores
asociados estan en porciones diferentes de P Fknown (t) SI puede
producir descendientes cuyos vectores esten en P Fknown (t + 1),
pero hacen ver que estos estar
an localizados entre sus padres.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Horn (1994) tambien indica que para un problema multiobjetivo
dado, la (re)generaci
on constante de vectores a traves de
recombinaci
on de padres disimilares mantiene P Fknown . Tambien
afirma que la mayor parte de las recombinaciones en Pknown
producen soluciones que se encuentran en Pknown .
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Restricciones a la Cruza
Puede verse entonces que, al igual que en optimizaci
on
mono-objetivo, el uso de restricciones a la cruza en optimizaci
on
multiobjetivo es motivo de controversias. Hay evidencia a favor y
en contra de su uso, y posiblemente su uso sea benefico s
olo en
cierto tipo de aplicaciones, aunque eso tampoco resulta claro en la
literatura actual.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Representaci
on
Existen teoremas [Fogel & Ghozeil, 1997] que indican que no existe
ninguna ventaja intrnseca asociada con ninguna representaci
on
genetica en particular. Para cualquier codificaci
on y cardinalidad
dada, puede generarse un AE equivalente (en terminos de entradas
y salidas) para cada instancia individual del problema. Claro que
en la practica algunas codificaciones pueden resultar m
as
convenientes que otras para un problema dado.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Representaci
on
Aunque no es muy com
un usar representaciones poco
convencionales en optimizaci
on evolutiva multiobjetivo, s hay
evidencia del uso de diploides [Baita et al. 1995; Kursawe, 1991],
matrices [Chow, 1998], codificaci
on de Pr
ufer [Gen et al., 1998] y
arboles de PG [Hinchcliffe et al., 1998, V
azquez, 1997], entre otras.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Han habido muy pocos intentos en la literatura por producir
algoritmos evolutivos multiobjetivo que adapten sus par
ametros
durante el proceso evolutivo y que, por tanto, no requieran que sus
parametros sean ajustados por el usuario.
Uno de los primeros intentos por incorporar los mecanismos de
auto-adaptacion de las estrategias evolutivas en un algoritmo
multiobjetivo se remonta a una propuesta de Kursawe de 1991.
Kursawe propuso proporcionar individuos con un conjunto de
tama
nos de paso para cada funci
on objetivo tales que su estrategia
evolutiva multiobjetivo pudiera lidiar con un ambiente din
amico.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
El IMOEA se basa en una medida de convergencia que se
fundamenta en la dominancia de Pareto y en la tasa de progreso,
que es una metrica definida por Van Veldhuizen [1999]. El IMOEA
usa tambien nichos din
amicos (es decir, no requiere factor de
comparticion de aptitud).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Zhu y Leung [2002] propusieron un algoritmo genetico
implementado en un modelo de isla el cual es cuenta con un
mecanismo asncrono auto-ajustable. Este algoritmo usa cierta
informacion sobre el estatus actual de cada isla de un algoritmo
evolutivo multiobjetivo paralelo, y usa dicha informaci
on para
enfocar el esfuerzo de la b
usqueda a las regiones no traslapables del
espacio de b
usqueda.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
El microGA2 de Toscano y Coello [2003] parece ser la propuesta
mas solida hasta el momento sobre el uso de adaptaci
on en lnea en
un algoritmo evolutivo multiobjetivo.
El microGA2 divide la b
usqueda en 2 etapas:
Etapa de exploraci
on: En esta etapa, la mutaci
on tiene m
as
importancia que la cruza de manera que podamos localizar las
regiones mas promisorias del espacio de b
usqueda. En esta
etapa se utiliza un porcentaje bajo de cruza y el operador de
mutaci
on es el principal responsable de dirigir la b
usqueda.
Tambien se decrementa la convergencia nominal (o sea el ciclo
interno del microGA), puesto que el enfasis es explorar y no
explotar (o recombinar) soluciones.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Etapa de Explotaci
on: En esta etapa, el operador de cruza
tiene m
as importancia que el de mutaci
on y, por tanto, se
incrementa la convergencia nominal para alcanzar mejores
resultados.
Otros mecanismos interesantes del microGA2 son: el uso de un
criterio automatico de paro basado en el no incremento de
soluciones no dominadas, el c
alculo autom
atico del n
umero de
subdivisiones de la rejilla adaptativa, entre otros.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Algunos ejemplos de funciones de prueba (test suites) que se han
propuesto en la literatura para evaluar AEs mono-objetivo son los
siguientes:
Las 5 funciones de De Jong [1975] para optimizaci
on sin
restricciones.
Las 12 funciones de Michalewicz & Schoenauer [1996] para
optimizacion con restricciones.
Las 62 funciones de Schwefel [1995] para evaluar estrategias
evolutivas.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Los formalismos propuestos por Whitley et al. [1996] y
Goldberg [1989].
Las funciones de Yao & Liu [1996; 1997] para programaci
on
evolutiva y estrategias evolutivas.
Los problemas deceptions de Goldberg y M
uhlenbein.
Los 8 problemas de Digalakis & Margaritis [2000].
Las funciones multimodales de Levy [1981], las de Corana
[1987], la de Freudenstein-Roth y las de Goldstein-Price [1981].
La funcion de Ackley y la de Wirestrass [B
ack et al., 1997].
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Un conjunto de funciones para evaluar MOEAs debe incluir las
siguientes caractersticas tanto en el genotipo como en el fenotipo:
Continuas vs. discontinuas vs. discretas
Diferenciables vs. no diferenciables
Convexas vs. c
oncavas
Modalidad (unimodal, multimodal)
Numerica vs. alfanumerica
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Cuadratica vs. no cuadr
atica
Tipo de restricciones (igualdad, desigualdad, lineal, no lineal)
Alta vs. baja dimensionalidad
Deceptivas vs. no deceptivas
Porciones sesgadas vs. porciones no sesgadas de P Ftrue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Sera tambien importante usar ambientes din
amicos como los
conos en movimiento de Morrison & De Jong [1996], con un
movimiento que oscilara de lo predecible a lo ca
otico a lo no
estacionario y a lo deceptivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Deben tomarse tambien en cuenta las sugerencias de Whitley et al.
(1996) en torno al dise
no de funciones de prueba genericas:
Algunos problemas deben resistirse a ser resueltos por
estrategias simples de b
usqueda.
Deben incluirse problemas no lineales, no separables y no
simetricos.
Deben incluirse problemas escalables.
Algunos problemas debieran tener un costo de evaluaci
on
escalable.
Los problemas deben tener una representaci
on can
onica (f
acil
de usar).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones de Prueba
Idealmente, las funciones de prueba elegidas para evaluar un
MOEA debieran contener caractersticas similares al problema del
mundo real que nos interese resolver.
Sin embargo, la literatura especializada se ha caracterizado por el
uso de funciones artificiales que suelen resultar difciles para la
mayora de los algoritmos evolutivos multiobjetivo actuales, pero
que no necesariamente representan las dificultades que caracterizan
a los problemas del mundo real.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
x2 ,
f2 (x)
(x 2)2
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.2
0.4
0.6
0.8
1
xvalue
1.2
1.4
1.6
1.8
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
3.5
Function 2
2.5
1.5
0.5
0.5
1.5
2
Function 1
2.5
3.5
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
= 1 exp(
n
X
1
(xi )2 ),
n
i=1
n
X
1 2
= 1 exp(
(xi + ) )
n
i+1
donde: 4 xi 4; i = 1, 2, 3
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
4
3
2
x value
1
2
3
4
4
2
4
2
2
x2 value
2
4
x1 value
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
1
0.9
0.8
0.7
Function 2
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
Function 1
0.6
0.7
0.8
0.9
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
f1 (x, y)
[1 + (A1 B1 )2 + (A2 B2 )2 ],
f2 (x, y)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
A1
A2
B1
B2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
yvalue
3
3
0
xvalue
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Function 2
10
15
20
25
18
16
14
12
10
8
Function 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
n1
X
i=1
n
X
(0,2)
(10e
x2i +x2i+1
),
(|xi |a + 5 sin(xi )b )
i=1
donde: 5 xi 5; i = 1, 2, 3; a = 0,8, b = 3
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
0
0.2
0.4
x3 value
0.6
0.8
1
1.2
1.4
0
0.5
1
x2 value
1.5
1.4
1.2
0.8
0.6
0.4
0.2
x1 value
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Function 2
10
12
20
19
18
17
Function 1
16
15
14
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f2 (x, y)
f3 (x, y)
(3x 2y + 4)2
(x y + 1)2
+
+ 15,
8
27
1
(x2 y 2 )
1,1e
(x2 + y 2 + 1)
donde: 30 x, y 30
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
yvalue
3
3
0
xvalue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
0.2
0.15
Function 3
0.1
0.05
0
0.05
0.1
0.15
17.5
17
10
16.5
8
6
16
15.5
Function 2
15
2
0
Function 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
x,
f2 (x, y)
= (1 + 10y)
x
x
[1 (
)
sin(2qx)]
1 + 10y
1 + 10y
donde: 0 x, y 1,
Clase No. 2
4,
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
1
0.9
0.8
0.7
yvalue
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
xvalue
0.6
0.7
0.8
0.9
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
Function 2
0.5
0.5
0.1
0.2
0.3
0.4
0.5
Function 1
0.6
0.7
0.8
0.9
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f2 (x, y)
f3 (x, y)
(x 2)2
(y + 1)2
+
+ 3,
2
13
(x + y + 2)2
(x + y 3)2
+
17,
36
8
(x + 2y 1)2
(2y x)2
+
13
175
17
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
0.5
yvalue
0.5
1.5
0.5
1.5
xvalue
2.5
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
true
11.8
12
Function 3
12.2
12.4
12.6
12.8
13
16.2
16.4
4.5
16.6
4
16.8
Function 2
3.5
17
Function 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
4x2 + 4y 2 ,
f2 (x, y)
(x 5)2 + (y 5)2
donde:
0 x 5, 0 y 3
0 (x 5)2 + y 2 25,
0 (x 8)2 (y + 3)2 + 7,7
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
2.5
yvalue
1.5
0.5
0.5
1.5
2.5
xvalue
3.5
4.5
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
100
90
80
70
Function 2
60
50
40
30
20
10
0
50
100
150
200
Function 1
250
300
350
400
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f1 (~x)
f2 (~x)
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
0 x1 , x2 , x6 10, 1 x3 , x5 5, 0 x4 6,
Clase No. 2
x1 + x2 2,
6 x1 x2 ,
2 x2 + x1 ,
2 x1 + 3x2 ,
4 (x3 3)2 x4
(x5 3)2 + x6 4
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
2
1.9
1.8
1.7
yvalue
1.6
1.5
1.4
1.3
1.2
1.1
1
0
0.5
1.5
2.5
xvalue
3.5
4.5
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
180
160
140
Function 2
120
100
80
60
40
20
0
300
250
200
150
Function 1
100
50
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f1 (x, y)
f2 (x, y)
f3 (x, y)
(x 2)2
(y + 1)2
+
+ 3,
2
13
(x + y 3)2
(2y x)2
+
13,
175
17
(3x 2y + 4)2
(x y + 1)2
+
+ 15
8
27
4 x, y 4,
Clase No. 2
<
4x + 4,
>
1,
>
x2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
yvalue
4
4
0
xvalue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
26
24
Function 3
22
20
18
16
14
8
9
10
11
12
Function 2
13
10
Function 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f1 (x, y)
x,
f2 (x, y)
0 < x, y ,
0
(x2 ) (y 2 )
+1 +
(a cos
(b arctan(x/y)))
Clase No. 2
0,1
16
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
2.5
yvalue
1.5
0.5
0.5
1.5
xvalue
2.5
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
1.4
1.2
Function 2
0.8
0.6
0.4
0.2
0.2
0.4
0.6
Function 1
0.8
1.2
1.4
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f (x1 , . . . , xm ),
f2 (~x)
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f1 (x1 )
f2 (~x)
g(~x)
x1 ,
p
m = 30; 0 xi 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
=
=
x1 ,
0,6 2
2 0,2 2
) } 0,8 exp{( x20,4
) }
2,0 exp{( x0,004
x1
.(9)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
1.8
1.6
g(x2)
1.4
1.2
0.8
0.6
Clase No. 2
0.1
0.2
0.3
0.4
0.5
x2
0.6
0.7
0.8
0.9
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
20
18
16
14
12
f2
10
8
6
4
2
0
0.1
Clase No. 2
0.2
0.3
0.4
0.5
f1
0.6
0.7
0.8
0.9
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f1 (~x)
x1
f2 (~x)
sujeta a:
cj (x)
(10)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
f1 (~x)
x1
f2 (~x)
(1 + x2 )/x1
0,1 x1 1,0
0,0 x2 5,0
sujeta a:
Clase No. 2
c1 (~x)
x2 + 9x1 6
c2 (~x)
x2 + 9x1 1
(11)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
x1
f2 (~x)
g(~x)(1 f1 (~x)/g(~x)
sujeta a:
cj (~x)
Clase No. 2
(12)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
1.5
1.5
f2 1
f2 1
0.5
0.5
Paretooptimal
regions
0
0.2
0.4
0.6
0.8
Paretooptimal
solutions
0
0.2
0.4
0.6
f1
f1
Clase No. 2
Introducci
on a la Optimizaci
on Multiobjetivo
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones Escalables
Otra caracterstica deseable de una funci
on de prueba es que sea
escalable a cualquier n
umero de dimensiones. Debido a que el
mapeo entre el espacio genotpico y el fenotpico puede ser
considerablemente no lineal, podemos aprovechar esta propiedad
para generar funciones de alto grado de dificultad.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones Escalables
Un ejemplo es el siguiente (DTLZ1):
f1 (x)
f2 (x)
1
x1 x2 xM 1 (1 + g(xM ))
2
1
x1 x2 (1 xM 1 )(1 + g(xM ))
2
..
.
fM 1 (x)
fM (x)
1
x1 (1 x2 )(1+ g(xM ))
2
1
(1 x1 )(1 + g(xM ))
2
(13)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones Escalables
En este caso, Ptrue es xM = 0,0 y P Ftrue es un hiperplano lineal en
el primer cuadrante (o sea, un tri
angulo equil
atero en un espacio
tridimensional para las 3 funciones objetivo que tomen solo valores
positivos de 0.0 a 0.6).
Es difcil poder converger a P Ftrue debido a la discretizaci
on
uniforme del espacio de las variables de decision y al mapeo no
uniforme con la funci
on de aptitud (esto produce un problema de
multifrontalidad).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones Escalables
Un posible problema generico escalable es el siguiente:
f1 (x)
= (1 + g(xM )) cos(x
1 /2) cos(x2 /2)...
cos(x
M 1 /2) cos(xM /2)
f2 (x)
= (1 + g(xM )) cos(x
1 /2) cos(x2 /2)...
cos(x
M 2 /2) sin(xM 1 /2)
..
.
fM 1 (x)
fM (x)
Clase No. 2
= (1 + g(xM )) cos(x
/2)
sin(x
1
2 /2)
(1 + g(xM )) sin(x
1 /2)
(14)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones Escalables
sujeta a: 0 xi 1 for i = 1, 2, ...n
con:
P
g(xM ) = xi XM (xi 0,5)2
o
P
g(xM ) = 100[|xm | + xi XM (xi 0,5)2 cos(20(xi 0,5))]
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Funciones Escalables
En este caso se pueden producir diversas variaciones modificando el
valor de a fin de permitir una mayor densidad de puntos de los
diversos hiperplanos debido al mapeo entre el genotipo y el
fenotipo. Muchas otras variaciones son posibles en este caso.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Problemas Combinatorios
Cuadro 1: Posibles Funciones Multiobjetivo N P -Completas
Problema N P -Completo
Ejemplo
Traveling Salesperson
Coloring
Set/Vertex Covering
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Problemas Combinatorios
Cuadro 2: Posibles Funciones Multiobjetivo N P -Completas
Problema N P -Completo
Ejemplo
Vehicle Routing
Scheduling
Layout
N P C-Problem Combinations
Clase No. 2
Julio de 2005