Un optimizador de equilibrio guiado por archivo basado en dominio epsilon para problemas de optimización multiobjetivo
Autores: Chalabi, Nour Elhouda; Attia, Abdelouahab; Bouziane, Abderraouf; Hassaballah, Mahmoud; Alanazi, Abed; Binbusayyis, Adel
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un optimizador de equilibrio guiado por archivo basado en dominio epsilon para problemas de optimización multiobjetivo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Problemas de optimización multiobjetivo
Algoritmo GMOEO
Optimizador de equilibrio
Conjunto de Pareto
Dominancia de Pareto
Soluciones no dominadas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En aplicaciones del mundo real, muchos problemas involucran dos o más objetivos conflictivos que necesitan ser optimizados al mismo tiempo. Estos se llaman problemas de optimización multiobjetivo (MOPs). Para resolver estos problemas, introdujimos un algoritmo optimizador de equilibrio multiobjetivo guiado (GMOEO) basado en el optimizador de equilibrio (EO), que se inspiró en modelos de balance de masa de volumen de control que utilizan partículas (soluciones) y sus respectivas concentraciones (posiciones) como agentes de búsqueda en el espacio de búsqueda. El algoritmo GMOEO implica la integración de un archivo externo que actúa como guía y almacena el conjunto de Pareto óptimo durante la exploración y explotación del espacio de búsqueda. La población candidata clave también actuó como guía y se empleó la dominancia de Pareto para obtener las soluciones no dominadas. El principio de dominancia-d se empleó para actualizar las soluciones del archivo, de modo que luego pudieran guiar a las partículas para garantizar una mejor exploración y diversidad durante el proceso de optimización. Además, utilizamos el método de ordenación rápida no dominada (FNS) y la distancia de agrupamiento para actualizar eficientemente la posición de las partículas con el fin de garantizar una convergencia rápida en la dirección del conjunto óptimo de Pareto y mantener la diversidad. El algoritmo GMOEO obtuvo un conjunto de soluciones que lograron el mejor compromiso entre los objetivos competidores. GMOEO fue probado y validado contra varios puntos de referencia, a saber, las funciones de prueba ZDT y DTLZ. Además, se realizó un estudio de referencia utilizando la dominancia de cono como estrategia de actualización para las soluciones del archivo. Además, se compararon varios algoritmos multiobjetivo conocidos, como la optimización multiobjetivo de enjambre de partículas (MOPSO) y la optimización multiobjetivo de lobo gris (MOGWO), con el algoritmo propuesto. Los resultados experimentales demostraron definitivamente que el algoritmo propuesto GMOEO es una herramienta poderosa para resolver MOPs.
Descripción
En aplicaciones del mundo real, muchos problemas involucran dos o más objetivos conflictivos que necesitan ser optimizados al mismo tiempo. Estos se llaman problemas de optimización multiobjetivo (MOPs). Para resolver estos problemas, introdujimos un algoritmo optimizador de equilibrio multiobjetivo guiado (GMOEO) basado en el optimizador de equilibrio (EO), que se inspiró en modelos de balance de masa de volumen de control que utilizan partículas (soluciones) y sus respectivas concentraciones (posiciones) como agentes de búsqueda en el espacio de búsqueda. El algoritmo GMOEO implica la integración de un archivo externo que actúa como guía y almacena el conjunto de Pareto óptimo durante la exploración y explotación del espacio de búsqueda. La población candidata clave también actuó como guía y se empleó la dominancia de Pareto para obtener las soluciones no dominadas. El principio de dominancia-d se empleó para actualizar las soluciones del archivo, de modo que luego pudieran guiar a las partículas para garantizar una mejor exploración y diversidad durante el proceso de optimización. Además, utilizamos el método de ordenación rápida no dominada (FNS) y la distancia de agrupamiento para actualizar eficientemente la posición de las partículas con el fin de garantizar una convergencia rápida en la dirección del conjunto óptimo de Pareto y mantener la diversidad. El algoritmo GMOEO obtuvo un conjunto de soluciones que lograron el mejor compromiso entre los objetivos competidores. GMOEO fue probado y validado contra varios puntos de referencia, a saber, las funciones de prueba ZDT y DTLZ. Además, se realizó un estudio de referencia utilizando la dominancia de cono como estrategia de actualización para las soluciones del archivo. Además, se compararon varios algoritmos multiobjetivo conocidos, como la optimización multiobjetivo de enjambre de partículas (MOPSO) y la optimización multiobjetivo de lobo gris (MOGWO), con el algoritmo propuesto. Los resultados experimentales demostraron definitivamente que el algoritmo propuesto GMOEO es una herramienta poderosa para resolver MOPs.