Tamanho da fonte:
UMA ANÁLISE COMPARATIVA DO DESEMPENHO DO ALGORITMO GDE3 COM DIFERENTES ESTRATÉGIAS DE EVOLUÇÃO DIFERENCIAL EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO
Última alteração: 2021-09-30
Resumo
https://www.youtube.com/watch?v=_ZscyV2Md9o
A Evolução Diferencial (ED) é um algoritmo evolutivo proposto para resolver problemas de otimização global no espaço contínuo que apresenta conceitos simples e é de fácil implementação. Uma das principais aplicações da ED é a resolução de Problemas de Otimização Multiobjetivo (POM) e um dos algoritmos mais bem conhecidos na literatura baseado em ED para se resolver POM é o The third Evolution Step of Generalized Differential Evolution (GDE3). Uma das partes mais importantes do algoritmo da ED é a mutação. Originalmente, a mutação da ED seleciona 3 vetores aleatoriamente para gerar um vetor experimental. Outras variantes da mutação da ED já foram propostas na literatura, contribuindo para a melhoria da sua performance em alguns problemas. Esse trabalho experimentou o GDE3 com as 6 estratégias variantes de mutação da ED mais comumente utilizadas na literatura, visando identificar aquela onde ele tem melhor desempenho, uma vez que a performance da ED é influenciada por essas estratégias. Para os experimentos numéricos foram utilizados os problemas benchmark clássicos da literatura ZDTs, DTLZs e WFGs, além de uma análise estatística com os resultados obtidos nos indicadores de desempenho Hipervolume e Inverted Generational Distance Plus para validação. Em geral todas as variantes foram competitivas entre si e não foi identificada uma única que se destaca das demais em todos os problemas. Outra contribuição desse trabalho foi a criação de uma biblioteca open-source em Go, contendo a implementação do algoritmo analisado e as definições dos problemas, disponível no GitHub.
A Evolução Diferencial (ED) é um algoritmo evolutivo proposto para resolver problemas de otimização global no espaço contínuo que apresenta conceitos simples e é de fácil implementação. Uma das principais aplicações da ED é a resolução de Problemas de Otimização Multiobjetivo (POM) e um dos algoritmos mais bem conhecidos na literatura baseado em ED para se resolver POM é o The third Evolution Step of Generalized Differential Evolution (GDE3). Uma das partes mais importantes do algoritmo da ED é a mutação. Originalmente, a mutação da ED seleciona 3 vetores aleatoriamente para gerar um vetor experimental. Outras variantes da mutação da ED já foram propostas na literatura, contribuindo para a melhoria da sua performance em alguns problemas. Esse trabalho experimentou o GDE3 com as 6 estratégias variantes de mutação da ED mais comumente utilizadas na literatura, visando identificar aquela onde ele tem melhor desempenho, uma vez que a performance da ED é influenciada por essas estratégias. Para os experimentos numéricos foram utilizados os problemas benchmark clássicos da literatura ZDTs, DTLZs e WFGs, além de uma análise estatística com os resultados obtidos nos indicadores de desempenho Hipervolume e Inverted Generational Distance Plus para validação. Em geral todas as variantes foram competitivas entre si e não foi identificada uma única que se destaca das demais em todos os problemas. Outra contribuição desse trabalho foi a criação de uma biblioteca open-source em Go, contendo a implementação do algoritmo analisado e as definições dos problemas, disponível no GitHub.
Palavras-chave
Evolução diferencial. Gde3. Estratégias de mutação.