Análisis de rendimiento de una propuesta algorítmica basada en la búsqueda local multiobjetivo MOLS

• Cedeño Muñoz, Joel Alberto ^[1]
  1. [1] Universidad Técnica Estatal de Quevedo

     Universidad Técnica Estatal de Quevedo

     Quevedo, Ecuador

     
• Localización: Revista Publicando, ISSN-e 1390-9304, Vol. 2, Nº. 5, 2015 (Ejemplar dedicado a: Vol 2. No 5. 2015), págs. 21-35
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen

  • En este artículo se presenta una propuesta algorítmica basada en la búsqueda local multiobjetivo (Multiobjective Local Search MOLS) y se lleva a cabo un estudio comparativo de su rendimiento frente a dos algoritmos clásicos en el área: NonDominated Sorting Genetic Algorithm-II (NSGA-II) y Pareto Archived Evolution Strategy (PAES), seleccionados como punto de comparación, el primero, por ser la principal referencia en el campo de la optimización multiobjetivo y el segundo por emplear una búsqueda local similar a la propuesta.El objetivo es conocer cuán competitivas pueden ser las metaheurísticas basadas en métodos de trayectorias para resolver problemas de optimización multiobjetivo (MOPs) de complejidad NP-completo.Los experimentos se realizaron sobre el conjunto de problemas del benchmark ZDT Test Suite. En el análisis de los resultados se emplearon tres indicadores de calidad multiobjetivo: Epsilon, Spread e Hipervolumen.Los resultados generados por el algoritmo MOLS muestran tener una mayor diversidad de soluciones y una mejor convergencia hacia el verdadero frente de Pareto-Óptimo en relación a los resultados generados por los algoritmos NSGA-II y PAES.

• Referencias bibliográficas
  • Beume, N., Naujoks, B. y Emmerich, M. 2007. Sms-emoa: Multiobjective selection based on dominated hypervolume.
  • European Journal of Operational Research, 181, 1653-1669.
  • Bradstreet, L. 2011. The hypervolume indicator for multi-objective optimization: calculation and use. University of Western Australia, Ph.D....
  • Coello, C.A., Lamont, G.B. y Van Veldhuizen, D.A. 2007. Evolutionary Algorithms for Solving Multi-Objective Problems. New York, NY: Springer,...
  • Coello, C.A. 1999. A Comprehensive Survey of Evolutionary-Based Multiobjective Optimization Techniques. Knowledge and Information Systems....
  • Deb, K., Pratap, A., Agarwal, S. y Meyarivan, T. 2002. A fast and elitist multiobjective genetic algorithm: Nsga-ii. Evolutionary Computation,...
  • Durillo, J. y Nebro, A. 2011. jMetal: A Java framework for multi-objective optimization, Advances in Engineering Software, 42(10): 760-771.
  • Fonseca, C.M. y Flemming, P.J. 1995. An Overview of Evolutionary Algorithms in Multiobjective Optimization, Evolutionary Computation, 3(1):...
  • Horn, J., Nafpliotis, N., y Goldberg, D.E. 1994. A niched Pareto genetic algorithm for multiobjective optimization in Proc. 1st Int. Conf....
  • Ishibuchi, H., Murata, T. 1998. A multi-objective genetic local search algorithm and its application to flowshop scheduling. Systems, Man,...
  • Knowles, J., Corne, D. 1999. The Pareto archived evolution strategy: a new baseline algorithm for Pareto multiobjective optimization. Evolutionary...
  • Nebro, A.J., Durillo, J.J. y Vergne, M. 2015. Redesigning the jMetal Multi-Objective Optimization Framework. Proceedings of the Companion...
  • Osyczka, A. 1985. Multicriteria Optimization for Engineering Design, Academic Press.
  • Schaus, P., Hartert, R. 2013. Multi-Objective Large Neighborhood Search. 19th International Conference, CP 2013, Uppsala, Sweden. Proceedings,...
  • Van Veldhuizen, D.A. y Lamont, G.B. 2000. Multiobjective Evolutionary Algorithms: Analyzing the State-of-the-Art, Evolutionary Computation...
  • Wei, X., Zhang, W., Weng, W., Fujimura, S. 2012. Multi-objective Local Search Combined with NSGA-II for Bi-criteria Permutation Flow Shop...
  • Zhang, Q. y Li, H. 200. Moea/d: A multiobjective evolutionary algorithm based on decomposition. Evolutionary Computation, IEEE Transactions...
  • Zitzler, E., Deb y K., Thieler, L. 2000. Comparison of multiobjective evolutionary algorithms: Empirical results. IEEE Trans. on Evol. Computation...
  • Zitzler, E., Laumanns, M. y Thiele, L. 2001. SPEA2: Improving the strength Pareto evolutionary algorithm. Swiss Federal Inst. Technol., Lausanne,...