Análise de uma versão híbrida do algoritmo NSGA-III em problemas de otimização com muitos objetivos
DOI:
https://doi.org/10.5540/03.2025.011.01.0346Palavras-chave:
Otimização, Muitos Objetivos, Hibridização, Algoritmos Evolutivos, NSGA-IIIResumo
Esse trabalho visa propor e analisar o desempenho do algoritmo NSGA-III-HIB, resultado da hibridização do Non-dominated Sorting Genetic Algorithm III (NSGA-III) com a Evolução Diferencial, incorporando os algoritmos Seno Cosseno e Aritmético, em problemas de otimização com muitos objetivos (MaOPs, do inglês Many-Objective Optimization Problems). Foram utilizados MaOPs do conjunto benchmark DTLZ nos experimentos computacionais e uma análise estatística empregando o teste de hipóteses não-paramétrico de Wilcoxon foi conduzida com base nos resultados obtidos pelo NSGA-III-HIB e o NSGA-III no indicador de desempenho IGD+. Os resultados evidenciam uma superioridade global do NSGA-III-HIB sobre o NSGA-III, especialmente nos MaOPs com 8, 10 e 15 funções objetivo.
Downloads
Referências
L. Abualigah, A. Diabat, S. Mirjalili, M. A. Elaziz e A. H. Gandomi. “The arithmetic optimization algorithm”. Em: Computer methods in applied mechanics and engineering 376 (2021), p. 113609.
J. P. G. Carvalho, A. C. C. Lemonge, P. H. Hallak e D. E. C. Vargas. “A differential evolution to find the best material groupings in truss optimization”. Em: EngOpt 2018 Proceedings of the 6th International Conference on Engineering Optimization. Springer. 2019, pp. 102–114. doi: https://doi.org/10.1007/978-3-319-97773-7_10.
K. Deb e H. Jain. “An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part I: solving problems with box constraints”. Em: IEEE transactions on evolutionary computation 18.4 (2013), pp. 577–601.
K. Deb, A. Pratap, S. Agarwal e T. Meyarivan. “A fast and elitist multiobjective genetic algorithm: NSGA-II”. Em: IEEE transactions on evolutionary computation 6.2 (2002), pp. 182–197.
C. M. Floriano. 3MO-AHP: uma abordagem de redução de inconsistência através de medidas de qualidade mono, multi ou muitos objetivos. Exame de Qualificação (Doutorado), Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense. 2023.
A. B. Gabis, Y. Meraihi, S. Mirjalili e A. Ramdane-Cherif. “A comprehensive survey of sine cosine algorithm: variants and applications”. Em: Artificial Intelligence Review 54.7 (2021), pp. 5469–5540.
H. Ishibuchi, H. Masuda e Y. Nojima. “Sensitivity of performance evaluation results by inverted generational distance to reference points”. Em: Proceedings of the 2016 IEEE Congress on Evolutionary Computation (CEC). 2016, pp. 1107–1114.
J. N. Kuk. “Uso de Análise de Superfície de Aptidão, Seleção Adaptativa de Operadores e Aprendizado de Máquina na Solução de Problemas Multi e com Muitos Objetivos”. Tese de doutorado. Programa de Pós-Graduação em Informática, Universidade Federal do Paraná, 2022.
A. Kumar, G. Wu, M. Z. Ali, Q. Luo, R. Mallipeddi, P. N. Suganthan e S. Das. “A benchmark-suite of real-world constrained multi-objective optimization problems and some baseline results”. Em: Swarm and Evolutionary Computation 67 (2021), p. 100961.
J. Liang, X. Ban, K. Yu, B. Qu, K. Qiao, C. Yue, K. Chen e K. C. Tan. “A Survey on Evolutionary Constrained Multiobjective Optimization”. Em: IEEE Transactions on Evolutionary Computation 27.2 (2023), pp. 201–221.
A. O. Martins, M. C. C. Peito, D. E. C. Vargas e E. F. Wanner. “Development of a Bio-inspired Hybrid Decomposition Algorithm Based on Whale and Differential Evolution Strategies for Multiobjective Optimization”. Em: VETOR-Revista de Ciências Exatas e Engenharias 33.1 (2023), pp. 13–24. doi: https://doi.org/10.14295/vetor.v33i1.15567.
S. Mirjalili. “SCA: a sine cosine algorithm for solving optimization problems”. Em: Knowledge-based systems 96 (2016), pp. 120–133.
V. Palakonda, J. Kang e H. Jung. “Benchmarking Real-World Many-Objective Problems: A Problem Suite with Baseline Results”. Em: IEEE Access (2024).
M. C. C. Peito, D. E. C. Vargas e E. F. Wanner. “Comparando Algoritmos Evolutivos Baseados em Decomposição para Problemas de Otimização Multiobjetivo e com Muitos Objetivos”. Em: VETOR-Revista de Ciências Exatas e Engenharias 33.2 (2023), pp. 41–51. doi: https://doi.org/10.14295/vetor.v33i2.16444.
D. Rodrigues. “Single, multi-and many-objective meta-heuristic algorithms applied to pattern recognition”. Tese de doutorado. Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de São Carlos - UFSCar, 2019.
S. Sharma e V. Kumar. “A comprehensive review on multi-objective optimization techniques: Past, present and future”. Em: Archives of Computational Methods in Engineering 29.7 (2022), pp. 5605–5633.
R. Storn e K. V. Price. “Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces”. Em: Journal of Global Optimization 11 (1997), pp. 341–359.
Y. Tian, R. Cheng, X. Zhang e Y. Jin. “PlatEMO: A MATLAB platform for evolutionary multi-objective optimization [educational forum]”. Em: IEEE Computational Intelligence Magazine 12.4 (2017), pp. 73–87.
Y. Tian, H. Wang, X. Zhang e Y. Jin. “Effectiveness and efficiency of non-dominated sorting for evolutionary multi-and many-objective optimization”. Em: Complex & Intelligent Systems 3 (2017), pp. 247–263.
D. E. C. Vargas, A. C. C. Lemonge, H. J. C. Barbosa e H. S. Bernardino. “Differential evolution with the adaptive penalty method for constrained multiobjective optimization”. Em: 2013 IEEE Congress on Evolutionary Computation. IEEE. 2013, pp. 1342–1349. doi: https://doi.org/10.1109/CEC.2013.6557720.
