Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo—Problemas de otimização de múltiplos objetivos são as soluções eficientes geradas pelo algoritmo e, iterativamente,
encontrados em diversos segmentos da engenharia, economia se escolhe a melhor solução [3].
ou logı́stica. O uso de técnicas clássicas, normalmente, exige Em [4] encontra-se outra abordagem para a solução do prob-
modelos matemáticos complexos e, alguns casos, difı́ceis de serem
solucionados. Nesse sentido, as meta-heurı́sticas são técnicas lema da mochila utilizando a meta-heurı́stica Greedy Random-
promissoras no que tange a solução dessa classe de problemas. ized Adaptive Search Procedure (GRASP). Neste algoritmo
Dentre as meta-heurı́sticas disponı́veis, os Algoritmos Evolutivos utiliza-se diferentes vetores de preferências em cada iteração,
Multiobjetivos (AEMO) se destacam pela sua versatilidade na encontrando, assim, soluções ótimas. Consequentemente, o
solução de problemas complexos e pela diversidade de métodos conjunto de soluções ótimas representa a fronteira de Pareto.
propostos na literatura. Neste trabalho, implementou-se o Non-
dominated Sorting Algorithm II (NSGA-II) para solucionar o Na classe dos algoritmos evolucionários, o Strength Pareto
Problema Multiobjetivo da Mochila. Com intuito de melhorar Evolutionary Algorithm (SPEA) foi aplicado na solução do
a performance do método, implementou-se o tratamento das problema da mochila [5].
restrições, reparo das soluções, estratégia de gerações de descen- Neste trabalho, pretende-se utilizar um Algoritmo Evolutivo
dentes e a verificação de convergência e adaptação de parâmetros Multiobjetivo (AEMO) para tratar o Problema Multiobje-
nos procedimentos computacionais que foram inseridos no algo-
ritmo original. Os resultados obtidos evidenciaram que o NSGA- tivo da Mochila.Esta abordagem tem a capacidade de obter
II além de ser bastante flexı́vel à adaptações é capaz de solucionar, soluções ótimas de Pareto com apenas uma execução [1], [6].
eficazmente, problemas complexos. O AEMO implementado é conhecido como Non-dominated
Keywords—Otimização Multiobjetivo, Algoritmo Evolutivo, Sorting Genetic Algorithm II (NSGA-II). Este algoritmo possui
NSGA-II, , Problema da Mochila, adaptação de parâmetros, vantagens tais como o elitismo, um algoritmo de ordenação
reparo das soluções.
não dominado rápido e também um operador de seleção capaz
de manter diversidade da população e a convergência para a
I. I NTRODUÇ ÃO
região factı́vel. [6].
O problema de otimização multiobjetivo consiste em obter, Neste relatório o problema multiobjetivo da mochila é
simultaneamente, a minimização e/ou maximização de um descrito na Seção II. O algoritmo NSGA-II é apresentado
conjunto de funções objetivo. Geralmente, tais funções obje- na seção III. Os procedimentos computacionais expostos na
tivos são conflitantes ou competem entre elas [1]. O problema Seção IV. A metodologia de simulação e os seus resultados
de otimização multiobjetivo gera um conjunto de soluções são apresentados na Seção V. E finalmente, as conclusões do
ótimas que são conhecidas como a fronteira de Pareto de trabalho na Seção VI.
soluções ótimas [2]. Cada solução da fronteira de Pareto
apresenta boa qualidade somente até que o tomador de decisão II. D ESCRIÇ ÃO DO P ROBLEMA
expressa uma preferência ou informação adicional [1]. A. Descrição do Problema e definições básicas
Uma abordagem comum nos métodos de otimização Dada a função vetorial f = (f1 , ..., fr ) definida em um
clássica para resolver problemas de otimização multiobjetivo é conjunto finito Ω, considere o problema de otimização com-
tratar o problema como um problema mono-objetivo, podendo binatória multiobjetivo:
haver ou não, a mediação de um tomador de decisão [1].
A desvantagem desse método é o tempo computacional e a max : f (x) = (f1 (x), ..., fr (x))
cooperação com o tomador de decisão. Além disso, o problema s.t.:
é complexo sob o ponto de vista da modelagem matemática x∈Ω
[3].
Nas últimas décadas, as meta-heurı́sticas têm demostrado A imagem da solução x ∈ Ω é o ponto z = f (x) no espaço
resultados bastante promissores, além de se adaptar a di- das funções objetivos. Um ponto z domina z0 se ∀j, zj =
versos problemas para aplicações particulares. Tal como, o fj (x) ≥ zj0 = fj (x0 ) e zj > zj0 por pelo menos um j. Uma
método proposto em [3], denominado de Pareto Simulated solução x domina x0 , denotado por x x0 , se a imagem de
Annealing, aplicado na solução do problema multiobjetivo da x domina a imagem de x0 . Uma solução x∗ ∈ Ω é dita não
mochila. Neste algoritmo o tomador de decisão explora entre dominada, se não houver x ∈ Ω de tal modo que x x∗ .
B. Problema Multiobjetivo da Mochila (PMOM) denotada por Rg , é formada pela união das populações de
O problema multiobjetivo da mochila é um problema rele- pais e descendentes. Esse é o passo inicial para formação
vante por ser capaz de retratar, idealmente, problemas reais. da nova população de pais. Na sequência, define-se as fron-
A sua descrição é bastante simples, porém, trata-se de um teiras de Rg aplicando o algoritmo de ordenação de não
problema de difı́cil resolução (pertence à classe de problemas dominância. Com isso, inicia-se um processo iterativo para
NP-Hard). inserir as soluções presentes nas primeiras fronteiras de Rg
O problema clássico consiste em um conjunto de itens cada em Pg+1 . Caso a inserção de uma das fronteiras faça com
qual associado à um valor de peso e lucro. Define-se também que |Pg+1 | > |Pg |, então ordena-se, em ordem decrescente, os
uma capacidade para mochila, torna-se essa a restrição do indivı́duos dessa fronteira tomando como critério o crowding
problema. A tarefa é encontrar um subconjunto de itens que distance e inserindo-os, até que |Pg+1 | = |Pg |. Esse processo
maximize o lucro total, de modo que a capacidade da mochila é ilustrado no diagrama da Figura 1.
não seja violada [7]. Após formar a população Pg+1 , gera-se novos descentes e
O problema clássico pode ser estendido ao caso de múltiplos o processo iterativo contı́nua até que um critério de parada
objetivos, permitindo um número arbitrário de funções ob- seja satisfeito.
jetivo. Formalmente, o Problema Multiobjetivo da Mochila
considerado aqui é composto por um conjunto de N itens.
Cada item i = 1, · · · , N tem um peso wi e p valores de
lucro vij , j = 1, · · · , p, em que p é o número de funções
objetivo. Definindo W como capacidade da mochila, o PMOM
é definido da seguinte forma:
N
X
max : vij xi , j = 1, · · · , p
i=1
s.t.: (1)
N
X
w i xi ≤ W
i=1
xi ∈ {0, 1} , i = 1, · · · , N Fig. 1. Processo de geração dos novos pais
TABELA II
D. Verificação de Convergência e Adaptação de Parâmetros PAR ÂMETROS COMUNS ÀS ESTRATEGIAS AVALIADAS .
1,100 TABELA IV
Estratégia 1 C ARACTER ÍSTICAS DA EXECUÇ ÃO SELECIONADA .
Estratégia 2
Caracterı́sticas da execução
1,000 Estratégia 3 Estratégia 2
Tempo gasto(s) 478.8
Gerações realizadas 784
900 IGD 669.2
40 30 40
Frequência
20
20 20
10
0 0 0
22 22.5 23 23.5 24 25 26 24 25 26
3 3 3
Classes (×10 ) Classes (×10 ) Classes (×10 )
(a) Histograma - f1 (b) Histograma - f2 (c) Histograma - f3
Fig. 5. Histograma dos máximos valores obtidos para as três funções objetivos.
1,400 ·104
2.6
1,200 2.5
1,000 2.4
Valores máximos
800 2.3
IGD
2.2
600 f1
2.1 f2
400 f3
2
200
1.9
0
0 100 200 300 400 500 600 700 1.8
100 200 300 400 500 600 700
Gerações Gerações
Fig. 6. IGD(FPg−1 g
1 , FP 1 ) ao longo das iterações. Fig. 7. Valores máximos obtidos ao longo das iterações.
É possı́vel notar que alguns pontos dos dois conjuntos são Os dados coletados de uma amostra de execução indicaram
coincidentes. que tanto os valores máximos das funções objetivos como
o IGD entre as fronteiras de Pareto obtidas em gerações
VI. C ONCLUS ÕES subsequentes são parâmetros capazes de indicar a convergência
Neste trabalho, utilizou-se o algoritmo evolutivo NSGA-II do processo. Na execução verificada, constatou-se que as
para solucionar o problema da mochila multiobjetivo. Devido soluções obtidas ficaram muitas próximas à fronteira de Pareto
a natureza do problema, foi necessário adotar procedimentos verdadeira.
especiais, como o reparo de soluções infactı́veis e a adaptação Conclui-se, portanto, que o NSGA-II é um AEMO capaz
dinâmica de parâmetros, para se obter resultados satisfatórios. de ser adaptado com facilidade. E uma vez implementados os
procedimentos adequados para o problema a ser solucionado,
Foram testadas três estratégias distintas, compostas por
torna-se um algoritmo muito eficiente na solução de problemas
diferentes operadores de recombinação. Verificou-se que a
multiobjetivos complexos.
estratégia utilizando o operador de recombinação transposi-
tion, denominada neste trabalho de Estratégia 3, apresentou R EFER ÊNCIAS
a maior probabilidade de gerar soluções próximas a fronteira
de Pareto verdadeira. Constatou-se, também, que a Estratégia [1] K. Deb, Multi-objective optimization using evolutionary algorithms.
John Wiley & Sons, 2001, vol. 16.
2 apresentou uma tendência intermediária em gerar boas [2] M. Ehrgott, Multicriteria optimization. Springer Science & Business
soluções e o melhor tempo computacional. Media, 2005, vol. 491.
·104
2.5
f3
2
2
2.1
1.9
2.2 2 1.95
2.3 2.1 2.05
C.P. Obtido 2.4 2.15
f2 2.2
C.P. Verdadeiro 2.5 2.25
2.3 f1
2.6 2.35
·104 ·104
Fig. 8. Comparação entre o conjunto de Pareto (C.P) verdadeiro e o conjunto de Pareto obtido ao final da execução.