Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/3293
Título: Hiper-Heurística utilizando a técnica Upper Confidence Bound para otimização multiobjetivo baseada em decomposição
Título(s) alternativo(s): A hyper heuristic using the Upper Confidence Bound technique for multi-objective optimization based on decomposition
Autor(es): Prestes, Lucas
Orientador(es): Delgado, Myriam Regattieri De Biase da Silva
Palavras-chave: Programação heurística
Algorítmos
Processo decisório por critério múltiplo
Computação evolutiva
Método de decomposição
Otimização matemática
Alocação de recursos - Modelos matemáticos
Métodos de simulação
Engenharia elétrica
Heuristic programming
Algorithms
Multiple criteria decision making
Evolutionary computation
Decomposition method
Mathematical optimization
Resource allocation - Mathematical models
Simulation methods
Electric engineering
Data do documento: 13-Abr-2018
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: PRESTES, Lucas. Hiper-Heurística utilizando a técnica Upper Confidence Bound para otimização multiobjetivo baseada em decomposição. 2018. 85 f. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2018.
Resumo: Muitos problemas reais de otimização têm sido formulados com mais de um objetivo. Recentemente, vários algoritmos evolucionários multiobjetivo foram propostos e particularmente aqueles baseados em decomposição, como o MOEA/D-DRA (do inglês Multi-objective evolutionary algorithm based on decomposition with dynamic resource allocation), têm sido aplicados com sucesso na resolução desses problemas. Contudo, a literatura mostra que o desempenho dessa classe de algoritmos é profundamente afetado pela escolha de seus parâmetros. Métodos de configuração automática de parâmetros aparecem como uma alternativa pois têm apresentado bons resultados na literatura. Portanto, o propósito deste trabalho é aperfeiçoar, através de uma hiper-heurística para configuração automática de parâmetros, um algoritmo baseado em decomposição voltado para problemas multiobjetivo. O ajuste de parâmetros via hiper-heurística é realizado tanto em modo off-line quanto online. O irace é utilizado na etapa off-line e determina os parâmetros utilizados durante o warm-up do algoritmo, enquanto o Upper Confidence Bound (UCB) é utilizado na etapa online que ocorre após o warm-up. Na maioria dos trabalhos relacionados ao uso do UCB para melhorar o desempenho do MOEA/D e suas variantes, apenas a variante de mutação é ajustada, enquanto neste trabalho são ajustados além da variante de mutação, a taxa de cruzamento, o fator de mutação, a probabilidade de utilizar a vizinhança global ou local e o número máximo de atualizações na vizinhança. Buscando encontrar uma estrutura eficiente, os testes executados são divididos em estágios. A melhor variante é então comparada com métodos do estado-da-arte (NSGA-II, IBEA e MOEA/D-DRA). Os resultados indicam que a abordagem proposta é muito competitiva com a literatura. A análise estatística realizada mostra que o método proposto foi igual ou superior aos métodos do estado-da-arte em 38 de 51 instâncias dos benchmarks CEC2009, GLT, LZ, MOP, DTLZ e WFG.
Abstract: Many real optimization problems have been formulated with more than one objective. Recently, several multi-objective evolutionary algorithms were proposed and particularly those based on decomposition, such as the MOEA/D-DRA, have been successfully applied to solve these problems. However, the literature demonstrates that the performance of this class of algorithms is severely affected by its parameter settings. Automatic parameter configuration methods emerge as an alternative as they have presented good results in the literature. Therefore, based on a Hyper-Heuristic for automatic parameter configuration we aim at improving the performance of an algorithm based on decomposition developed to solve multi-objective problems. The Hyper-heuristic parameter setting is performed in both offline and online modes. The irace algorithm is used at the offline stage to set the parameters used during the algorithm warm-up while the Upper Confidence Bound (UCB) is used at the online stage which occurs after the warm-up. The majority of the works related to the use of UCB to improve the performance of the MOEA/D and its variants adjust only the mutation strategy, whereas the proposed approach adjusts, besides the mutation strategy, several other parameters like crossover rate, mutation factor, probability of choosing the global or local neighborhood and the maximum number of updates in the neighborhood. The experiments are divided into stages to find out an efficient structure. The best variant is then compared with state-of-the-art methods (NSGA-II, IBEA and MOEA / D-DRA). The results indicate that the proposed approach is very competitive with the literature. The performed statistical analysis shows that the proposed approach is equal or superior to the state-of-the-art methods in 38 of 51 instances of benchmarks CEC2009, GLT, LZ, MOP, DTLZ and WFG.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/3293
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CT_CPGEI_M_Prestes, Lucas_2018.pdf3,76 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.