Tamanho da fonte: 

Muitos problemas do mundo real podem ser modelados matematicamente como Problemas de Otimização Multiobjetivo (POM), isto é, um problema onde mais de uma função objetivo deve ser otimizada simultaneamente. Por quase sempre envolver objetivos conflitantes, é muito comum resolver um POM através de Algoritmo Evolutivo Multiobjetivo (MOEA, do inglês Multi-objective Evolutionary Algorithm), já que eles são capazes de encontrar um conjunto de soluções não dominadas entre si (conhecido como Frente de Pareto) em uma única execução. Dentre os diversos MOEAs já propostos na literatura, aqueles que hibridizam diferentes técnicas de otimização têm ganhado destaque pois tendem a aproveitar as boas características de cada uma. Um dos MOEAs mais populares da literatura é o Non-dominated Sorting Genetic Algorithm II, cuja versão NSGA-III é a mais recente e projetada para Many-Objective Optimization Problems (MaOPs), que são POMs com mais de 3 funções objetivos. Esse trabalho teve por objetivo analisar o desempenho do NSGA-III hibridizado com a Evolução Diferencial e com os algoritmos Seno Cosseno e Aritmético (designado aqui por NSGA-III-HIB) em POMs e MaOPs com aplicações do mundo real. Uma análise estatística com os resultados obtidos pelo NSGA-III-HIB e o NSGA-III originalmente proposto foi realizada nos indicadores de desempenho IGD+ e Hypervolume. O teste de hipóteses não-paramétrico de Wilcoxon foi usado nos experimentos computacionais para verificar a existência de diferenças estatisticamente significativas entre as amostras dos resultados obtidos pelas execuções dos algoritmos avaliados. Os resultados mostraram que o NSGA-III-HIB apresentou melhor desempenho global em relação ao NSGA-III. Uma análise dos resultados é apresentada, bem como sugestões de trabalhos futuros.

Otimização Multiobjetivo. Algoritmos Evolutivos. Problemas do Mundo Real.