Introduccion A La Optimizacion Con Metodos Euristicos

Introducci
on a la Optimizaci
on Multiobjetivo
Dr. Carlos A. Coello Coello
Introducci
on a la Optimizaci
on
Multiobjetivo Usando Metaheursticas

Secci
on de Computaci
on
CINVESTAV-IPN
Av. IPN No. 2508
Col. San Pedro Zacatenco
M
exico, D.F. 07300
email: ccoello@cs.cinvestav.mx
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
Citas por tipo de t

ecnica
120
Theory and Review
Technique Comparison
Hybrid
Pareto Elitist
Pareto Demes
Ranking and Niching
Pareto Ranking
Aggregation Selection
Criterion Selection
Independent Sampling
20
Lexicographic
40
Progressive
60
Nonlinear Fitness Combo
80
Linear Fitness Combo
100
0
Application Category
Figura 1: Lex = Lexicographic, Lin = Linear Fitness Combination, NLin =

Nonlinear Fitness Combination, Prg = Progressive, Smp = Independent Sampling, Crt = Criterion Selection, Agg = Aggregation Selection, Rnk = Pareto
Ranking, R&N = Pareto Rank- and Niche-Based Selection, Dme = Pareto DemeBased Selection, Elit = Pareto Elitist-Based, Hybr = Hybrid Selection, Cmp =
Technique Comparisons, Theo = Theory and Reviews.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Citas por tipo de algoritmo

500
450
400
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
Citas por cantidad de funciones objetivo

350
300
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
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
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
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
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
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
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
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
La funci
on de compartici
on se define de la siguiente manera:

d
1 ij
,
sh
(dij ) =
0,
Clase No. 2
dij < share
(1)
de lo contrario
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
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
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
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)
donde r es el volumen de una esfera p-dimensional de radio share y

q es el n
umero de nichos que el algoritmo evolutivo pretende
encontrar.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
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
La expresion que sugieren utilizar es:
k
1 X l 1
=
2l i=0
q
i
(5)
donde: l es la longitud de la cadena cromos

omica (en bits), k es la
maxima diferencia en bits permitida entre subcadenas para hacer q
subdivisiones del espacio de soluciones (o sea, share = k).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
Para valores grandes de l, sugieren utilizar:
share
= (l + z l)
2
(6)
donde: z es la diferencia normalizada en bits correspondiente a

del espacio total de probabilidad.
1
q
El valor de z puede obtenerse de una tabla de distribuci

on normal
acumulativa.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
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
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
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
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
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
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
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)
donde: < E > es la energa promedio del sistema, H es la entropa

y T es la temperatura.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
T
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
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
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
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
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
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
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
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
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
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
Formas Relajadas de Dominancia

En a
nos recientes, el uso de formas relajadas de la relacion de
dominancia como un mecanismo para mantener diversidad, se ha
vuelto cada vez m
as popular.
En la relacion est
andar de dominancia, una soluci
on x se considera
mejor que otra soluci
on y s
olo si x no es peor que y en todos los
objetivos y si x es mejor que y en al menos uno de ellos.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Formas Relajadas de Dominancia

En las formas relajadas de dominancia, la idea b
asica es considerar
una solucion x como mejor que una soluci
on y a
un si x es peor que
y en alg
un (o algunos) objetivo(s). Usualmente, la condici
on es que
tal deterioro debe compensarse con una mejora en el valor de los
otros objetivos.
De tal forma, lo que se busca al usar formas relajadas de
dominancia, es que el algoritmo sea capaz de explorar mas
soluciones y, por tanto, pueda mantener una mejor diversidad.
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
Formas relajadas de dominancia

Otro uso interesante de las formas relajadas de dominancia es en la
identificacion de soluciones que son m
as atractivas para los
tomadores de decisiones (es decir, como un mecanismo de
incorporaci
on de preferencias del usuario). Un ejemplo de este tipo
de esquema es la k-dominance.
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
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
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
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
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
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
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
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
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
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
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
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
Marco Laumanns y sus colegas (2001) demostraron que una

estrategia evolutiva con un mecanismo de auto-adaptacion
convencional tendra problemas para converger al verdadero frente
de Pareto de un problema multiobjetivo. Aunque en este trabajo se
hacen diferentes propuestas alternativas, los autores acaban
adoptando una funci
on agregativa para resolver problemas
multiobjetivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Tan y sus colegas [2001] propusieron el incrementing multiobjective

evolutionary algorithm (IMOEA), el cual usa un tama
no de
poblacion dinamico que se adapta con base en los compromisos
producidos hasta el momento y con respecto a la distribuci
on de
densidad de poblaci
on deseada.
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
Otra propuesta interesante es la idea de Dirk B

uche y sus colegas
de usar mapas auto-organizativos de Kohonen para adaptar el paso
de mutaci
on de un algoritmo evolutivo multiobjetivo. En esta
propuesta se define tambien un operador de recombinaci
on que usa
mapas auto-organizativos (algo similar a la recombinaci
on
intermedia de las estrategias evolutivas).
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Adaptaci
on en Lnea
Hussein Abbass [2002] propuso una extensi

on de la evoluci
on
diferencial para resolver problemas multiobjetivo en la cual se usa
un mecanismo de auto-adaptaci
on de sus porcentajes de cruza y
mutacion.
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
Funciones sin Restricciones

MOP 1: Primera funci
on de Schaffer. Tiene gran importancia
historica por haber sido la primera reportada en la literatura
de computaci
on evolutiva. Su frente de Pareto puede obtenerse
analticamente. P Ftrue es convexo y s
olo hay una variable de
decision.
F = (f1 (x), f2 (x)), donde
f1 (x)
x2 ,
f2 (x)
(x 2)2
donde: 105 x 105
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP1 P
1
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
Figura 2: Ptrue de MOP 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP1 PFtrue
3.5
Function 2
2.5
1.5
0.5
0.5
1.5
2
Function 1
2.5
3.5
Figura 3: P Ftrue de MOP 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP 2: Segunda funci
on de prueba de Fonseca. Es escalable.
Se le pueden agregar variables de decisi
on sin cambiar la forma
de P Ftrue (el frente es c
oncavo en este caso).
F = (f1 (~x), f2 (~x)), donde
f1 (~x)
f2 (~x)
= 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

MOP2 P
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

MOP2 PF
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

MOP 3: Problema propuesto por Poloni. Ptrue y P Ftrue est
an
desconectados.
Maximize F = (f1 (x, y), f2 (x, y)), donde
Clase No. 2
f1 (x, y)
[1 + (A1 B1 )2 + (A2 B2 )2 ],
f2 (x, y)
[(x + 3)2 + (y + 1)2 ]
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

donde: 3,1416 x, y 3,1416,
Clase No. 2
A1
0,5 sin 1 2 cos 1 + sin 2 1,5 cos 2,
A2
1,5 sin 1 cos 1 + 2 sin 2 0,5 cos 2,
B1
0,5 sin x 2 cos x + sin y 1,5 cos y,
B2
= 1,5 sin x cos x + 2 sin y 0,5 cos y
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP3 Ptrue
3
yvalue
3
3
0
xvalue

Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP3 PFtrue
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

MOP 4: Propuesta por Kursawe. Hay
areas desconectadas y
asimetricas en Ptrue . P Ftrue consiste de 3 curvas
desconectadas. Permite el uso de un n
umero arbitrario de
variables, aunque escalar la funci
on cambia la forma de P Ftrue .
F = (f1 (~x), f2 (~x)), donde
f1 (~x)
f2 (~x)
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

MOP4 Ptrue
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

MOP4 PFtrue
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

MOP 5: Propuesta por Viennet. Tiene
areas desconectadas en
Ptrue . P Ftrue es una curva en tres dimensiones.
F = (f1 (x, y), f2 (x, y), f3 (x, y)), donde
f1 (x, y)
= 0,5 (x2 + y 2 ) + sin(x2 + y 2 ),
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

MOP3 Ptrue
yvalue
3
3
0
xvalue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP3 PF
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

MOP 6: Propuesta por Deb. Tanto Ptrue como P Ftrue est
an
desconectados.
F = (f1 (x, y), f2 (x, y)), where
f1 (x, y)
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

MOP6 P
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

MOP6 PF
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

MOP 7: Propuesta por Viennet. Ptrue est
a conectado y
P Ftrue es una superficie. Es un problema relativamente f
acil de
resolver.
F = (f1 (x, y), f2 (x, y), f3 (x, y)), where
f1 (x, y)
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
donde: 400 x, y 400
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP7 P
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

MOP7 PF
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
Funciones con Restricciones

Historicamente, las restricciones de las funciones objetivo se han
incorporado utilizando funciones de penalizaci
on [Richardson et al.,
1989]. Sin embargo existen muchos otros metodos para incorporar
restricciones, si bien muy pocos de ellos se han dise
nado
especficamente para algoritmos evolutivos multiobjetivo.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP-C1: Propuesto por Binh. En este caso Ptrue es un
area
y su P Ftrue es una sola curva convexa.
F = (f1 (x, y), f2 (x, y)), donde
f1 (x, y) =
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

Binh2 Pareto Optimal Solutions
2.5
yvalue
1.5
0.5
0.5
1.5
2.5
xvalue
3.5
4.5
Figura 16: Ptrue de MOP-C1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Binh2 Pareto Front
100
90
80
70
Function 2
60
50
40
30
20
10
0
50
100
150
200
Function 1
250
300
350
400
Figura 17: P Ftrue de MOP-C1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP-C2: Propuesto por Osyczka. Tanto Ptrue como P Ftrue
estan desconectados.
f1 (~x)
(25(x1 2)2 + (x2 2)2 + (x3 1)2

+ (x4 4)2 + (x5 1)2 ,
f2 (~x)
Clase No. 2
x21 + x22 + x23 + x24 + x25 + x26
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

Osyczka (2) Pareto Optimal Solutions
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

Osyczka (2) Pareto Front
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

MOP-C3: Propuesta por Viennet. Ptrue est
a conectado pero
es asimetrico. P Ftrue es una superficie curva.
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

Viennet (4) Pareto Optimal Solutions
yvalue
4
4
0
xvalue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Viennet (4) Pareto Front
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

MOP-C4: Propuesta por Tanaka. Ptrue est
a conectado, pero
P Ftrue esta desconectado.
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

Tanaka Pareto Optimal Solutions
3
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

Tanaka Pareto Front
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

Los parametros a, b de MOP-C4 (Tanaka) pueden variarse dentro
de ciertos rangos a fin de producir versiones de P Ftrue de diferentes
grados de dificultad.
Considerando variaciones especficas de estos dos par
ametros de
MOP-C4 junto con un operador absoluto en el u
ltimo termino de la
restriccion, pueden producirse los siguientes paisajes de aptitud:
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Funcion estandar usando a = ,1 y b = 16
Regiones continuas m
as peque
nas con: a = ,1, b = 32
Mayor distancia entre regiones usando a = ,1, b = 16
Mayor distancia entre regiones usando a = ,1, b = 32
Regiones peri
odicas m
as profundas usando
a = ,1(x2 + y 2 + 5xy), b = 32
Regiones no peri
odicas sobre el frente usando
a = ,1(x2 + y 2 + 5xy), b = 8(x2 + y 2 )
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Figura 24: MOP-C4 (Tanaka). Con a = ,1, b = 16 se tiene la forma

de P Ftrue original.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Figura 25: MOP-C4 (Tanaka). Con a = ,1, b = 32 se tienen regiones

continuas de P Ftrue m
as peque
nas.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Figura 26: MOP-C4 (Tanaka). Con a = ,1, b = 16 se incrementa la

distancia entre las regiones de P Ftrue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Figura 27: MOP-C4 (Tanaka). Con a = ,1, b = 32 se incrementa la

distancia entre las regiones de P Ftrue .
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Figura 28: MOP-C4 (Tanaka). Con a = ,1(x2 + y 2 + 5xy), b = 32, se

tienen regiones peri
odicas m
as profundas de P Ftrue .
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Figura 29: MOP-C4 (Tanaka). Con a = ,1(x2 + y 2 + 5xy), b = 8(x2 +

y 2 ), se tienen regiones no peri
odicas de P Ftrue
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Seleccionando diferentes valores para los par
ametros (a, b) es
posible generar distintos paisajes de aptitud. N
otese tambien que
aunque la curva central de Pareto de esta funci
on parece no ser
continua, las dos secciones internas de la curva son muy difciles de
hallar numericamente debido a las fuertes pendientes que se
encuentran en esta porci
on de la curva.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

En general, (a, b) controlan la longitud de la regi
on continua del
frente de Pareto. Conforme se decrementa esta regi
on, un algoritmo
evolutivo multiobjetivo tender
a a hallar menos puntos de P Ftrue
debido a la discretizaci
on de ~x. Conforme se incrementa a, la
longitud de los cortes se hacen m
as profundas, lo que hace
necesario que la b
usqueda proceda a lo largo de un corredor m
as
angosto. Tambien es posible alejarse de la naturaleza peri
odica de
las regiones desconectadas de P Ftrue cambiando b de su valor
inicial de 16. De esta manera ser
a tambien m
as difcil encontrar
todas las regiones que conforman P Ftrue .
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo
Generadores de Funciones de Prueba

Es posible generar funciones de prueba multiobjetivo a partir de
funciones mono-objetivo. Deb [1999] propuso una metodologa de
este tipo. Su propuesta consiste en definir varios problemas de
optimizacion bi-objetivo con el formato siguiente:
Minimize F = (f1 (~x), f2 (~x)), where
f1 (~x)
f (x1 , . . . , xm ),
f2 (~x)
g(xm+1 , . . . , xN ) h(f (x1 , . . . , xm ), g(xm+1 , . . . , xN ))
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

donde: f1 es una funci
on de (m < N ) variables de decision que no
se incluyen en la funci
on f .
La funcion g tiene (N m) variables de decision de f y g.
Las funciones f y g tambien se restringen a valores positivos en el
espacio de b
usqueda. Es decir, f > 0 y g > 0.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Deb [1999] lista cinco funciones para cada posible instanciaci
on de
f y g, y 4 para h. Estas funciones pueden luego ser mezcladas y
empatadas para crear problemas de optimizaci
on multiobjetivo
con ciertas caractersticas deseadas.
Seg
un Deb, estas funciones tienen el siguiente efecto general:
f : Esta funci
on controla la uniformidad de la representaci
on a
lo largo del frente de Pareto.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

g : Esta funci
on controla las caractersticas del problema
multiobjetivoya sea que resulte multifrontal o que tenga un
optimo aislado.
h : Esta funci
on controla las caractersticas resultantes del
frente de Pareto (convexo, desconectado, etc.).
Aunque la independencia de g y h restringe las caractersticas del
dominio genotpico, s permiten construir f
acilmente funciones
genotpicas con una amplia gama de caractersticas.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

MOP-G1: Este es un ejemplo de las funciones generadas con
la metodologa de Deb. En este caso, P Ftrue es convexo.
f1 (x1 )
f2 (~x)
g(~x)
x1 ,
p
g(1 (f1 /g))

m
X
1+9
xi /(m 1)
i=2
m = 30; 0 xi 1
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

La metodologa de Deb es una importante contribuci
on a la
generacion autom
atica de funciones de prueba para problemas
multiobjetivo. Sin embargo, debe hacerse notar que no est
a libre de
problemas. Consideremos por ejemplo el siguiente problema:
Minimizar F = (f1 (x1 , x2 ), f2 (x1 , x2 )), where
f1 (x1 , x2 )
f2 (x1 , x2 )
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

2)
En este caso, f2 puede representarse tambien como g(x
x1 . De tal
forma, g(x2 ) es la funci
on bimodal representada en la figura del
siguiente acetato. Esta figura tiene como
optimos g(0,6) 1,2 y
g(0,2) 0,7057.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Plot of g(x2)
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

La figura del acetato siguiente muestra los frentes de Pareto
(propuestos por Deb) correspondientes a este problema. La porci
on
inferior de la banda vectorial superior es denominada por Deb
P Flocal y la banda inferior es P Ftrue . Las soluciones
correspondientes a Plocal son {(x1 , x2 ) | x2 0,6} y las de Ptrue son
{(x1 , x2 ) | x2 0,2}.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Debs Multimodal Example
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

Deb indica que se tendr
an dificultades para encontrar P Ftrue de
este problema debido a que los algoritmos evolutivos multiobjetivo
tenderan a quedar atrapados en P Flocal . Sin embargo, este no es un
efecto fenotpico, sino m
as bien un problema debido a la
discretizaci
on del espacio de b
usqueda en el espacio genotpico. En
este problema la dificultad estriba no s
olo en la existencia de
P Flocal , sino mas bien en la cantidad de puntos discretos cercanos
al optimo global de g(x2 ). Este problema realmente muestra
decepcion mas que multifrontalidad debido a que se
discretiz
o uniformemente el espacio de b
usqueda.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Para el caso de funciones con restricciones, Deb [2000] sugiere
extender su metodologa de la forma siguiente:
f1 (~x)
x1
f2 (~x)
g(~x) exp(f1 (~x)/g(~x))
sujeta a:
cj (x)
f2 (~x) aj exp(bj f1 (~x)) 0, j = 1, 2, ...J
(10)
Existen J desigualdades cada una de las cuales tiene 2 par

ametros
(aj , bj ) lo que hace parte de la zona factible del problema original
(sin restricciones) ahora infactible.
Clase No. 2
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Un ejemplo es el siguiente:
Minimizar F = (f1 (~x), f2 (~x)), donde
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

De hecho, se sugiere la siguiente forma generica:
Minimizar F = (f1 (~x), f2 (~x)), donde
f1 (~x)
x1
f2 (~x)
g(~x)(1 f1 (~x)/g(~x)
sujeta a:
cj (~x)
cos()(f2 (~x) e) sin()f1 (~x))

a| sin(b(sin))(f2 (~x) e) + cos()f1 (~x))c )|d ,
j = 1, 2, ...J
Clase No. 2
(12)
Julio de 2005
Introducci
on a la Optimizaci
on Multiobjetivo

Con 6 parametros (, a, a, c, d, e), x1 se restringe a [0,1] y g(~x)
determina los lmites de las otras variables. Seleccionando valores
para los 6 parametros podemos generar diferentes paisajes de
aptitud. Por ejemplo, si
( = 0,2, a = 0,2, b = 10, c = 1, d = 6, e = 1), se genera la forma
de P Ftrue que se muestra en el acetato siguiente.
Clase No. 2
Julio de 2005
the presence of the constraint. The periodic nature of the constraint b

makes the Pareto-optimal region discontinuous,
having a number of disc
Introducci
on a la Optimizaci
on Multiobjetivo
continuous regions. The task of an optimization algorithm would be t
many such disconnected regions as possible. The number of disconnecte
can be controlled by increasing the value of the parameter b. It is also c
with the increase in number of disconnected regions, an algorithm
Generadores
dending
Funciones
desolutions
Prueba
diculty in
representative
in all disconnected regions
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
Figura 30: MOP-GX. Note las regiones desconectadas de P Ftrue .

Fig. 6. Constrained test problem CTP2.
Clase No. 2
Fig. 7. Constrained test proble
The above problem can be made more dicult byJulio

usingdea2005
small valu
that in each disconnected region there exists only one Pareto-optimal
Introducci
on a la Optimizaci
on Multiobjetivo

De manera analoga, pueden producirse una enorme gama de
variaciones de par
ametros, haciendose notar que d controla la
longitud de la regi
on continua del frente de Pareto. Conforme se
decrementa esta regi
on, un algoritmo evolutivo multiobjetivo
tendera a encontrar menos puntos de P Ftrue debido a la
discretizacion de ~x. Si se incrementa el valor de a, la longitud de los
cortes se vuelve m
as profunda, lo que requiere que la b
usqueda
proceda a lo largo de un corredor m
as angosto dificultando, en
consecuencia, la b
usqueda. Tambien podemos alejarnos de la
naturaleza periodica de las regiones desconectadas de P Ftrue
cambiando c de su valor inicial de 1. y e controlan la pendiente y
el cambio de direcci
on de P Ftrue , respectivamente.
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
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)
sujeta a: 0 xi 1 for i = 1, 2, ...n

P
con: 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
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
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
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
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
Min energy, time, and/or

distance; Max expansion
Coloring
Min number of colors, number of each color
Set/Vertex Covering
Min total cost, over-covering
Maximum Independent Set (Clique)
Max set size; Min geometry
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
Min time, energy, and/or

geometry
Scheduling
Min time, deadlines, wait time, resource use
Layout
Min space, overlap, costs
N P C-Problem Combinations
Vehicle scheduling and routing
0/1 Knapsacks - Bin Packing
Max profit; Min weight
Minimum Spanning Trees
tuple weighted edges;

minimum weighting
Clase No. 2
Julio de 2005

Introduccion A La Optimizacion Con Metodos Euristicos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introduccion A La Optimizacion Con Metodos Euristicos

Uploaded by

Copyright:

Available Formats

Introducci

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Citas por tipo de t

Theory and Review

Ranking and Niching

Nonlinear Fitness Combo

Linear Fitness Combo

Figura 1: Lex = Lexicographic, Lin = Linear Fitness Combination, NLin =

Dr. Carlos A. Coello Coello

Citas por tipo de algoritmo

Dr. Carlos A. Coello Coello

Citas por cantidad de funciones objetivo

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

dij < share

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

donde r es el volumen de una esfera p-dimensional de radio share y

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

donde: l es la longitud de la cadena cromos

Dr. Carlos A. Coello Coello

donde: z es la diferencia normalizada en bits correspondiente a

El valor de z puede obtenerse de una tabla de distribuci

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

donde: < E > es la energa promedio del sistema, H es la entropa

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello

Dr. Carlos A. Coello Coello