Modelo de optimización multiobjetivo para el algoritmo evolutivo HAEA (Hybrid Adaptive Evolutionary Algorithm)
Cargando...
Archivos
Autores
Director
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
This work introduces a new distributed multi-objective evolutionary algorithm which is an extension of the proposed Hybrid Adaptive Evolutionary Algorithm (HAEA). This new algorithm, called NSHAEA, defines a fitness function based on Pareto dominance. Like HAEA, a set of genetic operators can be used to change individuals, but only one can be used in an iteration. A new replacement method is used when the same fitness value are the same in a several number of individuals. This method uses a niching technique, which was proposed to solve multiobjective optimization problems with NSGA II and is based on the Crowding Distance technique. For the distributed part, a master-slave model is used and implemented on CPU, GPU and in a cloud service. Finally the proposed algorithm is tested using benchmark functions and the performance is compared with some others muti-objective algorithms. This comparison shows a competitive new multi-objective algorithm.
Este trabajo presenta un nuevo algoritmo distribuido de optimización multiobjetivo, el cual es una extensión del algoritmo HAEA (Hybrid Adaptive Evolutionary Algorithm). Este nuevo algoritmo, llamado NSHAEA, define una función de ajuste basada en la dominancia de Pareto. Al igual que HAEA, un conjunto de operadores genéticos es usado para crear una nueva población de individuos, pero sólo uno puede ser aplicado en cada iteración. Un nuevo método de reemplazo es propuesto con el fin de diferenciar los individuos que tengan el mismo valor en su función de ajuste. Este método de reemplazo usa una técnica de nichos que fue propuesta para resolver problemas multiobjetivos con el algoritmo NSGA II y que está basada en una distancia de apiñamiento (Crowding distance en inglés). En la parte distribuida, un modelo maestro-esclavo es implementado en CPU, GPU y en un servicio en la nube. Finalmente el algoritmo propuesto es probado utilizando funciones de prueba y su comportamiento es comparado con otros algoritmos multiobjetivo. Esta comparación muestra un nuevo algoritmo multiobjetivo competitivo.
Este trabajo presenta un nuevo algoritmo distribuido de optimización multiobjetivo, el cual es una extensión del algoritmo HAEA (Hybrid Adaptive Evolutionary Algorithm). Este nuevo algoritmo, llamado NSHAEA, define una función de ajuste basada en la dominancia de Pareto. Al igual que HAEA, un conjunto de operadores genéticos es usado para crear una nueva población de individuos, pero sólo uno puede ser aplicado en cada iteración. Un nuevo método de reemplazo es propuesto con el fin de diferenciar los individuos que tengan el mismo valor en su función de ajuste. Este método de reemplazo usa una técnica de nichos que fue propuesta para resolver problemas multiobjetivos con el algoritmo NSGA II y que está basada en una distancia de apiñamiento (Crowding distance en inglés). En la parte distribuida, un modelo maestro-esclavo es implementado en CPU, GPU y en un servicio en la nube. Finalmente el algoritmo propuesto es probado utilizando funciones de prueba y su comportamiento es comparado con otros algoritmos multiobjetivo. Esta comparación muestra un nuevo algoritmo multiobjetivo competitivo.
Abstract
Palabras clave propuestas
Multiobjective optimization; Optimización multiobjetivo; Evolutionary algorithms; Algoritmos evolutivos; Soluciones óptimas de Pareto; Pareto-optimal solutions; Genetic operators; Operadores genéticos; HAEA; Operator rates; NSGA II; HAEA; NSGA II; Paralelización; Paradigma maestro-esclavo; Parallelization; Master-slave paradigm
Descripción
Palabras clave
Citación
Castro, J. (2020). Modelo de optimización multiobjetivo para el algoritmo evolutivo HAEA (Hybrid Adaptive Evolutionary Algorithm) (Tesis de maestría). Universidad Nacional de Colombia, Bogotá, Colombia