The cooperation of multi-objective evolutionary algorithms for many-objective optimization

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Fritsche, Gian Mauricio
Orientador(a): Não Informado pela instituição
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:
Algorítmos
Otimização combinatoria
Programação heuristica
Ciência da Computação
Link de acesso: https://hdl.handle.net/1884/70590
Resumo: Orientador: Aurora Trinidad Ramirez Pozo
id UFPR_cbf10e5c44532c33896c8cb2e60da5fd
oai_identifier_str oai:acervodigital.ufpr.br:1884/70590
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Fritsche, Gian MauricioRamirez Pozo, Aurora Trinidad, 1959-Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática2021-12-29T23:35:10Z2021-12-29T23:35:10Z2020https://hdl.handle.net/1884/70590Orientador: Aurora Trinidad Ramirez PozoTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 14/12/2020Inclui referências: p. 73-78Área de concentração: Ciência da ComputaçãoResumo: A otimização simultânea de múltiplos objetivos está presente em várias instâncias de problemas para diferentes campos de pesquisa. Algoritmos Evolutivos Multiobjetivo (Multi-objective Evolutionary Algorithm-MOEA) têm sido amplamente aplicados para resolver esses problemas. No entanto, quando o número de objetivos é maior que três, chamados de problemas com muitos objetivos (Many-objective Optimization Problems - MaOP), esses problemas apresentam desafios para os MOEAs. Por exemplo, entre esses desafios está a chamada "falta de pressão de seleção", pois a maioria das soluções se tornam não-comparáveis. Nos últimos anos, pesquisadores têm investigado e proposto diversos algoritmos para a otimização com muitos objetivos. No entanto, dadas as características das diferentes instâncias de problema e as características dos diferentes algoritmos, nenhum algoritmo é melhor do que todos os outros para todos os problemas, conhecido como o teorema "sem almoço grátis", (do inglês No Free Lunch). A pesquisa explorada nesta tese foca na execução cooperativa de diferentes MOEAs, considerando um conjunto de problemas com uma diversidade de características. Nossa hipótese é que a cooperação pode ser eficaz para mais problemas do que cada MOEA aplicado isoladamente. Com base nesta hipótese, um modelo distribuído para cooperação entre MOEAs foi proposto. Nesse modelo, diferentes MOEAs são executados, trocando informações. O modelo proposto foi avaliado inicialmente usando comunicação síncrona e assíncrona para a cooperação de dois MOEAs. Os resultados foram favoráveis à versão síncrona, que favorece a troca de informações. Os resultados alcançados motivaram a continuidade da linha de investigação proposta. Após análise experimental, concluímos que a participação dos algoritmos no modelo cooperativo pode ser ponderada para priorizar aqueles que apresentam melhores resultados. Para isso, avaliamos a incorporação de hiper-heurística para guiar a busca. Além disso, usamos a etapa de migração proposta para trocar informações entre o MOEA executado e os demais. Avaliamos o uso de hiper-heurísticas com e sem a etapa de migração proposta. A versão com troca de informações obteve melhores resultados. Os resultados alcançados também foram competitivos ao melhor MOEA para a maioria das instâncias de problemas, com uma melhor avaliação geral. Desta forma, demonstramos a importância do método de migração proposto para incorporar informações externas no processo evolutivo de cada algoritmo. Em seguida, desenvolvemos uma versão aprimorada, combinando conhecimentos de várias validações e análises experimentais. Essa versão foi então comparada a uma hiper-heurística estado da arte para otimização multiobjetivo. Os resultados foram favoráveis à abordagem cooperativa proposta. Finalmente, avaliamos o modelo proposto em um problema do mundo real. Este problema otimiza os parâmetros de construção de uma turbina eólica. Os resultados alcançados são comparáveis aos do melhor MOEA avaliado para este problema. Concluímos que o método de troca de informações proposto é uma abordagem eficaz para a cooperação de vários MOEAs para otimização com muitos objetivos. Além disso, concluímos que esta pode alcançar resultados competitivos para uma ampla variedade de instâncias de problemas. Palavras-chave: Otimização com muitos objetivos, Hiper-heurística, Otimização com variáveis contínuas, Seleção de heurísticas, Algoritmos Evolutivos, Problema do mundo realAbstract: The simultaneous optimization of multiple objectives is present in several problem instances for different research fields. Multi-objective Evolutionary Algorithms (MOEA) have been widely applied to solve these problems. However, when the number of objectives is higher than three, these problems, called many-objective problems (MaOP), pose challenges for MOEAs. For example, among these challenges is the so-called "lack of selection pressure", as most solutions become not-comparable. In recent years, researchers have investigated and proposed several algorithms for many-objective optimization. However, given the characteristics of the different problem instances and the characteristics of the different algorithms, no one algorithm is better than all others for all problems, known as the No Free Lunch theorem. The research explored in this thesis focuses on the cooperative execution of different MOEAs, considering a set of problems with a diversity of characteristics. Our hypothesis is that the cooperation may be effective for more problems than each MOEA applied standalone. Based on this hypothesis, a distributed model for MOEAs cooperation was proposed. In this model, different MOEAs are executed, exchanging information. The proposed model was initially evaluated using synchronous and asynchronous communication for the cooperation of two MOEAs. The results were favorable to the synchronous version, which favors the exchange of information. The results achieved motivated the continuity of the proposed line of investigation. After experimental analysis, we concluded that the participation of the algorithms in the cooperative model could be weighed to prioritize those that present better results. For that, we evaluated the incorporation of hyperheuristics to guide the search. Also, we use the proposed migration step to exchange information between the executed MOEA and the others. We evaluated the use of hyper-heuristics with and without the proposed migration approach. The version with the exchange of information obtained better results. The results achieved were also competitive to the best MOEA for most problem instances, with better overall results. In this way, we demonstrate the importance of the proposed migration method to incorporate external information in the evolutionary process of each algorithm. Then, we developed an improved version, combining knowledge from various validations and experimental analyzes. This version was then compared to a state-of-the-art hyper-heuristic for multi-objective optimization. The results were favorable to the proposed cooperative approach. Finally, we evaluate the proposed framework in a real-world problem. This problem optimizes the parameters of the construction of a wind turbine. The results achieved are comparable to those of the best MOEA evaluated for this problem. We conclude that the proposed information exchange method is an effective approach for the cooperation of several MOEAs for many-objective optimization. Besides, we conclude that it can achieve competitive results for a wide variety of problem instances. Keywords: Many-objective Optimization, Hyper-heuristic, Continuous Optimization, Heuristic Selection, Evolutionary Algorithm, Real-world problem90 p. : PDF.application/pdfAlgorítmosOtimização combinatoriaProgramação heuristicaCiência da ComputaçãoThe cooperation of multi-objective evolutionary algorithms for many-objective optimizationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisengreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - GIAN MAURICIO FRITSCHE.pdfapplication/pdf1337137https://acervodigital.ufpr.br/bitstream/1884/70590/1/R%20-%20T%20-%20GIAN%20MAURICIO%20FRITSCHE.pdfcd6582a25c70eb72f59a62f51e421397MD51open access1884/705902021-12-29 20:35:10.993open accessoai:acervodigital.ufpr.br:1884/70590Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082021-12-29T23:35:10Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv The cooperation of multi-objective evolutionary algorithms for many-objective optimization
title The cooperation of multi-objective evolutionary algorithms for many-objective optimization
spellingShingle The cooperation of multi-objective evolutionary algorithms for many-objective optimization
Fritsche, Gian Mauricio
Algorítmos
Otimização combinatoria
Programação heuristica
Ciência da Computação
title_short The cooperation of multi-objective evolutionary algorithms for many-objective optimization
title_full The cooperation of multi-objective evolutionary algorithms for many-objective optimization
title_fullStr The cooperation of multi-objective evolutionary algorithms for many-objective optimization
title_full_unstemmed The cooperation of multi-objective evolutionary algorithms for many-objective optimization
title_sort The cooperation of multi-objective evolutionary algorithms for many-objective optimization
author Fritsche, Gian Mauricio
author_facet Fritsche, Gian Mauricio
author_role author
dc.contributor.other.pt_BR.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.author.fl_str_mv Fritsche, Gian Mauricio
dc.subject.por.fl_str_mv Algorítmos
Otimização combinatoria
Programação heuristica
Ciência da Computação
topic Algorítmos
Otimização combinatoria
Programação heuristica
Ciência da Computação
description Orientador: Aurora Trinidad Ramirez Pozo
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2021-12-29T23:35:10Z
dc.date.available.fl_str_mv 2021-12-29T23:35:10Z
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/1884/70590
url https://hdl.handle.net/1884/70590
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 90 p. : PDF.
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/1884/70590/1/R%20-%20T%20-%20GIAN%20MAURICIO%20FRITSCHE.pdf
bitstream.checksum.fl_str_mv cd6582a25c70eb72f59a62f51e421397
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_ 1847526283014045696

Registros relacionados