Metodología para la optimización de múltiples objetivos basada en ag y uso de preferencias

Abstract

En este trabajo se considera la solución de problemas multiobjetivo a través de algoritmos genéticos, el cual consiste en hacer búsquedas aleatorias en el espacio de búsqueda señalado por las restricciones, obteniendo soluciones cada vez más eficientes. Para lograrlo, se proponen dos nuevas metodologías, la primera (AGEM) que considera el elitismo como un concepto interesante para no perder los buenos resultados que se hayan logrado y obtener una frontera de Pareto cercana a la real y la segunda (AGEM-P) que considera las preferencias del decisor de una forma interactiva, tal que el decisor puede dirigir la búsqueda del algoritmo hacia la zona de su interés. AGEM obtienen mejores soluciones en el problema de la mochila comparándola con algoritmos como el SPEA2 y NSGAII y AGEM-P le permite al decisor obtener solo una porción de la frontera de Pareto conforme a sus preferencias adquiriendo conocimiento del problema, tal que para él le será mucho más fácil decidir entre este pequeño grupo de alternativas. Además de ello, para el caso de la mochila, AGEM-P le ofrece al decisor alternativas de solución que no considera un algoritmo sin preferencias y mucho más cercanas a la frontera de Pareto real, ya que al restringir la zona de búsqueda con las preferencias, aprovecha el costo computacional en buscar soluciones más eficientes en vez de buscar en zonas que ya no son de interés para el decisor. / Abstract: In this work the solution of multi-objective problems through genetic algorithms is considered, which consists of making random searches in the space of search pointed out by the constraints, getting increasingly efficient solutions. To achieve this, two new methodologies are proposed, the first one (AGEM) considers the elitism as an interesting concept to keep the good results that were achieved and to obtain a Pareto frontier close to the real one and the second (AGEM-P) that considers the preferences of the decision maker in an interactive manner, such that, the decision maker can guide the search of algorithms to the area of his interest. AGEM obtains better solutions in the knapsack problem when it is compared with algorithms such as SPEA2 and NSGAII and AGEM-P allows the decision maker to obtain only a portion of the Pareto frontier according to their preferences and acquire knowledge of the problem such that the decision maker will be much easier to decide between this small group of alternatives. Furthermore, in the case of the knapsack, AGEM-P provides alternatives of solution to the decision maker that an algorithm without preferences doesn’t consider and those are much closer to the real Pareto frontier, because by restricting the search area with the preferences, take advantage of the computational cost to search more efficient solutions rather than look for areas that are no longer relevant for the decision-maker.