Algoritmo Baseado em Enxame de Partículas para Otimização de Problemas com Muitos Objetivos

Abstract

Otimização de Muitos Objetivos consiste na otimização de problemas com muitos objetivos, isto é, problemas multiobjetivos com um elevado número de objetivos, geralmente mais de três. Atualmente, essa área é uma área ativa com respeito ao campo de algoritmos evolucionários. Em problemas como esses, algoritmos que utilizam a dominância de Pareto como critério de atribuição de aptidão tais como MOEAs e MOPSOs se tornam inefetivos, pois praticamente todas as soluções da população tendem a ser tornar não-dominadas, levando a perda da pressão de convergência para a Frente de Pareto. A ineficácia desses algoritmos levou os pesquisadores a proporem estratégias alternativas a dominância de Pareto para lidar com esses problemas, principalmente para os MOEAs. Contudo, pouco tem sido feito no sentido de tornar os MOPSOs efetivos em problemas com muitos objetivos. Na literatura, os MOPSOs propostos para lidar com esses problemas apresentam muitas dificuldades, tais como parâmetros difíceis de ajustar, necessidade de conhecimento sobre o problema, e a incapacidade de convergência em problemas com multimodalidade. Nesse trabalho, um novo algoritmo baseado em enxame de partículas para problemas com muitos objetivos foi proposto e foi denominado de MOPSO-GD. O MOPSO-GD caracteriza-se por esquemas melhorados para (i) a seleção dos líderes sociais, (ii) seleção dos líderes cognitivos e (iii) poda do arquivo externo. Todos esses esquemas são baseados em um método de alta granularidade denominado de Detrimento Global. O Detrimento Global foi usado como um método para promover a convergência e promover a habilidade do MOPSO-GD de lidar com um grande número de objetivos. Para validar o MOPSO-GD, ele foi avaliado usando quatro problemas de teste escaláveis bem conhecidos (DTLZ{1,3,4,6}) com 5, 10, 15, 20, 30 e 50 objetivos; e foi comparado com duas abordagens baseadas em enxame de partículas (MOPSO-CDR e SMPSO) e dois algoritmos evolucionários estado da arte para problemas com muitos objetivos (CEGA e MDFA). Os resultados mostraram que o MOPSO-GD obteve bom desempenho em termos de convergência, enquanto manteve os níveis de diversidade do CEGA e do MDFA.