Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Souza, Murilo Zangari de
Orientador(a): Ramirez Pozo, Aurora Trinidad, 1959-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Ciência da computação
Programação heuristica
Otimização combinatoria
Programaçao quadratica
Link de acesso: https://hdl.handle.net/1884/46123
Resumo: Orientador: Aurora Trinidad Ramirez Pozo
id UFPR_2b1c3ea1c704f05bf0fe5a76e9d16f47
oai_identifier_str oai:acervodigital.ufpr.br:1884/46123
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Santana Hermida, RobertoUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaRamirez Pozo, Aurora Trinidad, 1959-Souza, Murilo Zangari de2024-11-04T14:14:45Z2024-11-04T14:14:45Z2017https://hdl.handle.net/1884/46123Orientador: Aurora Trinidad Ramirez PozoCoorientador: Roberto SantanaTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 16/12/2016Inclui referências : f. 103-116Resumo: Muitos problemas do mundo real podem ser representados como um problema de otimização combinatória. Muitas vezes, estes problemas são caracterizados pelo grande número de variáveis e pela presença de múltiplos objetivos a serem otimizados ao mesmo tempo. Muitas vezes estes problemas são difíceis de serem resolvidos de forma ótima. Suas resoluções tem sido considerada um desafio nas últimas décadas. Os algoritimos metaheurísticos visam encontrar uma aproximação aceitável do ótimo em um tempo computacional razoável. Os algoritmos metaheurísticos continuam sendo um foco de pesquisa científica, recebendo uma atenção crescente pela comunidade. Uma das têndencias neste cenário é a arbordagem híbrida, na qual diferentes métodos e conceitos são combinados objetivando propor metaheurísticas mais eficientes. Nesta tese, nós propomos algoritmos metaheurísticos híbridos para a solução de problemas combinatoriais multiobjetivo. Os principais ingredientes das nossas propostas são: (i) o algoritmo evolutivo multiobjetivo baseado em decomposição (MOEA/D framework), (ii) a otimização por colônias de formigas e (iii) e os algoritmos de estimação de distribuição. Em nossos frameworks, além dos operadores genéticos tradicionais, podemos instanciar diferentes modelos como mecanismo de reprodução dos algoritmos. Além disso, nós introduzimos alguns componentes nos frameworks objetivando balancear a convergência e a diversidade durante a busca. Nossos esforços foram direcionados para a resolução de problemas considerados difíceis na literatura. São eles: a programação quadrática binária sem restrições multiobjetivo, o problema de programação flow-shop permutacional multiobjetivo, e também os problemas caracterizados como deceptivos. Por meio de estudos experimentais, mostramos que as abordagens propostas são capazes de superar os resultados do estado-da-arte em grande parte dos casos considerados. Mostramos que as diretrizes do MOEA/D hibridizadas com outras metaheurísticas é uma estratégia promissora para a solução de problemas combinatoriais multiobjetivo. Palavras-chave: metaheuristicas, otimização multiobjetivo, problemas combinatoriais, MOEA/D, otimização por colônia de formigas, algoritmos de estimação de distribuição, programação quadrática binária sem restrições multiobjetivo, problema de programação flow-shop permutacional multiobjetivo, abordagens híbridas.Abstract: Several real-world problems can be stated as a combinatorial optimization problem. Very often, they are characterized by the large number of variables and the presence of multiple conflicting objectives to be optimized at the same time. These kind of problems are, usually, hard to be solved optimally, and their solutions have been considered a challenge for a long time. Metaheuristic algorithms aim at finding an acceptable approximation to the optimal solution in a reasonable computational time. The research on metaheuristics remains an attractive area and receives growing attention. One of the trends in this scenario are the hybrid approaches, in which different methods and concepts are combined aiming to propose more efficient approaches. In this thesis, we have proposed hybrid metaheuristic algorithms for solving multi-objective combinatorial optimization problems. Our proposals are based on (i) the multi-objective evolutionary algorithm based on decomposition (MOEA/D framework), (ii) the bio-inspired metaheuristic ant colony optimization, and (iii) the probabilistic models from the estimation of distribution algorithms. Our algorithms are considered MOEA/D variants. In our MOEA/D variants, besides the traditional genetic operators, we can instantiate different models as the variation step (reproduction). Moreover, we include some design modifications into the frameworks to control the convergence and the diversity during their search (evolution). We have addressed some important problems from the literature, e.g., the multi-objective unconstrained binary quadratic programming, the multiobjective permutation flowshop scheduling problem, and the problems characterized by deception. As a result, we show that our proposed frameworks are able to solve these problems efficiently by outperforming the state-of-the-art approaches in most of the cases considered. We show that the MOEA/D guidelines hybridized to other metaheuristic components and concepts is a powerful strategy for solving multi-objective combinatorial optimization problems. Keywords: meta-heuristics, multi-objective optimization, combinatorial problems, MOEA/D, ant colony optimization, estimation of distribution algorithms, unconstrained binary quadratic programming, permutation flowshop scheduling problem, hybrid approaches.136 f. : il., algumas color., grafs., tabs.application/pdfDisponível em formato digitalCiência da computaçãoProgramação heuristicaOtimização combinatoriaProgramaçao quadraticaInnovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problemsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisengreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - MURILO ZANGARI DE SOUZA.pdfapplication/pdf2900894https://acervodigital.ufpr.br/bitstream/1884/46123/1/R%20-%20T%20-%20MURILO%20ZANGARI%20DE%20SOUZA.pdf999cfada1937738fac424e147781afe1MD51open access1884/461232024-11-04 11:14:45.224open accessoai:acervodigital.ufpr.br:1884/46123Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-11-04T14:14:45Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
title Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
spellingShingle Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
Souza, Murilo Zangari de
Ciência da computação
Programação heuristica
Otimização combinatoria
Programaçao quadratica
title_short Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
title_full Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
title_fullStr Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
title_full_unstemmed Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
title_sort Innovative hybrid MOEA/D variants for solving multi-objective combinatorial optimization problems
author Souza, Murilo Zangari de
author_facet Souza, Murilo Zangari de
author_role author
dc.contributor.other.pt_BR.fl_str_mv Santana Hermida, Roberto
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.contributor.author.fl_str_mv Souza, Murilo Zangari de
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Ciência da computação
Programação heuristica
Otimização combinatoria
Programaçao quadratica
topic Ciência da computação
Programação heuristica
Otimização combinatoria
Programaçao quadratica
description Orientador: Aurora Trinidad Ramirez Pozo
publishDate 2017
dc.date.issued.fl_str_mv 2017
dc.date.accessioned.fl_str_mv 2024-11-04T14:14:45Z
dc.date.available.fl_str_mv 2024-11-04T14:14:45Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/46123
url https://hdl.handle.net/1884/46123
dc.language.iso.fl_str_mv eng
language eng
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 136 f. : il., algumas color., grafs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/46123/1/R%20-%20T%20-%20MURILO%20ZANGARI%20DE%20SOUZA.pdf
bitstream.checksum.fl_str_mv 999cfada1937738fac424e147781afe1
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526121745154048

Registros relacionados