Multi- and many-objective optimization some advances towards theoretical aspects in performance quality indicators and evolutionary frameworks

Página do item simplificado
dc.contributor.advisorMartins, Flávio Vinicius Cruzeiro
dc.contributor.advisor-coWanner, Elizabeth Fialho
dc.contributor.advisor-coDeb, Kalyanmoy
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/2243256075052322
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3199420233273400
dc.contributor.authorLopes, Cláudio Lúcio do Val
dc.contributor.authorLatteshttp://lattes.cnpq.br/9356922762318218
dc.contributor.refereeMartins, Flávio Vinicius Cruzeiro
dc.contributor.refereeWanner, Elizabeth Fialho
dc.contributor.refereeDeb, Kalyanmoy
dc.contributor.refereeTakahashi, Ricardo Hiroshi Caldeira
dc.contributor.refereeFonseca, Carlos Manuel Mira de
dc.contributor.refereeSá, Elisângela Martins de
dc.contributor.refereeLisboa, Adriano Chaves
dc.date.accessioned2025-04-08T22:35:43Z
dc.date.available2025-04-08T22:35:43Z
dc.date.issued2022-11-30
dc.descriptionCorpo do texto em inglês
dc.description.abstractA otimização com muitos objetivos (MaO) refere-se a problemas com quatro ou mais objetivos, os quais introduzem desafios complexos, incluindo a ineficácia da dominância de Pareto, dificuldades no cálculo de indicadores de qualidade, visualização de conjuntos de soluções e equilíbrio entre convergência e diversidade. Um dos principais problemas nesse contexto é a comparação e avaliação de conjuntos de soluções gerados por algoritmos de otimização, já que tais conjuntos frequentemente contêm soluções incomparáveis. A seleção adequada de indicadores de qualidade é crucial para caracterizar a frente de Pareto de maneira precisa. Nesta tese, abordamos inicialmente o indicador Dominance Move (DoM), propondo novos métodos para seu cálculo, incluindo modelos de programação inteira mista (MIP) e uma abordagem aproximada baseada em aprendizado de máquina. O DoM demonstrou ser uma ferramenta eficaz para medir e comparar soluções em problemas MaO. Em seguida, apresentamos uma estrutura multiestágio que emprega algoritmos evolutivos baseados em vetores de referência para gerar conjuntos de soluções bem distribuídas e convergentes. Essa abordagem visa corrigir progressivamente deficiências em estágios anteriores, assegurando a obtenção de soluções Pareto-ótimas representativas. Os resultados desta pesquisa incluem a análise sistemática de métodos existentes e extensões inovadoras, tanto em indicadores de qualidade quanto em técnicas para equilibrar convergência e diversidade em algoritmos evolutivos.
dc.description.abstractotherMany-Objective Optimization (MaO) refers to optimization problems having four or more objectives, the increase in objective dimensionality brings some complex issues, such as the ineffectiveness of the Pareto dominance relation, quality indicators calculation, solution sets visualization, balancing convergence and diversity, and others. A key issue in many- and multi-objective optimization is comparing and assessing solution sets obtained by optimization algorithms. This is not a simple task; the outcome of many-objective optimization algorithms is typically a set of incomparable solutions. Using a quality indicator to reflect the inner Pareto front characteristics requires careful design/selection of such indicators. In the first part of this thesis, we deal with the Dominance move (DoM) quality indicator. We propose novel approaches to calculate DoM using mixed-integer programming (MIP) models and an approximate method using machine learning techniques. In general, our attempts uses the dominance move quality indicator as a suitable way to measure, compare, and assess many-objective problems. Another challenge in MaO is to provide a true representative set with the desired number of Pareto-optimal solutions in a reliably well-distributed set. In the second part of this work, we propose a multi-stage framework involving reference-vector-based evolutionary multi- and many-objective algorithms that attempt to rectify previous stages’ shortcomings by careful executions of subsequent stages so that a prescribed number of well-distributed and well-converged solutions are achieved. The results presented in this thesis come from the attempts to address challenges in evolutionary many- and multi-objective optimization. This research has analyzed and systematically evaluated existing methods. It has also extended them in innovative directions related to quality indicators and improvements concerning the multi-stage approach in balance convergence and diversity in evolutionary algorithms.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1151
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacional
dc.subjectOtimização matemática
dc.subjectAlgoritmos
dc.subjectComputação evolutiva
dc.subjectProcesso decisório por critério múltiplo
dc.titleMulti- and many-objective optimization some advances towards theoretical aspects in performance quality indicators and evolutionary frameworks
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Multi- and many-objective optimization some advances towards theoretical.pdf
Tamanho:
5.78 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Doutorado em Modelagem Matemática e Computacional