Non-dominated Sorting Algorithm II (NSGA-II)
aplicado na solução do Problema Multiobjetivo da
Mochila
João Paulo M. Tavares, Luis Gustavo C. Bautista, Elham Mahdavi, Mateus Franco Girardi
Universidade Estadual de São Paulo ”Júlio de Mesquita Filho” - FEIS/DEE
Resumo—Problemas de otimização de múltiplos objetivos são
encontrados em diversos segmentos da engenharia, economia
ou logı́stica. O uso de técnicas clássicas, normalmente, exige
modelos matemáticos complexos e, alguns casos, difı́ceis de serem
solucionados. Nesse sentido, as meta-heurı́sticas são técnicas
promissoras no que tange a solução dessa classe de problemas.
Dentre as meta-heurı́sticas disponı́veis, os Algoritmos Evolutivos
Multiobjetivos (AEMO) se destacam pela sua versatilidade na
solução de problemas complexos e pela diversidade de métodos
propostos na literatura. Neste trabalho, implementou-se o Non-
dominated Sorting Algorithm II (NSGA-II) para solucionar o
Problema Multiobjetivo da Mochila. Com intuito de melhorar
a performance do método, implementou-se o tratamento das
restrições, reparo das soluções, estratégia de gerações de descen-
dentes e a verificação de convergência e adaptação de parâmetros
nos procedimentos computacionais que foram inseridos no algo-
ritmo original. Os resultados obtidos evidenciaram que o NSGA-
II além de ser bastante flexı́vel à adaptações é capaz de solucionar,
eficazmente, problemas complexos.
Keywords—Otimização Multiobjetivo, Algoritmo Evolutivo,
NSGA-II, , Problema da Mochila, adaptação de parâmetros,
reparo das soluções.
I. I NTRODUÇ ÃO
O problema de otimização multiobjetivo consiste em obter,
simultaneamente, a minimização e/ou maximização de um
conjunto de funções objetivo. Geralmente, tais funções obje-
tivos são conflitantes ou competem entre elas [1]. O problema
de otimização multiobjetivo gera um conjunto de soluções
ótimas que são conhecidas como a fronteira de Pareto de
soluções ótimas [2]. Cada solução da fronteira de Pareto
apresenta boa qualidade somente até que o tomador de decisão
expressa uma preferência ou informação adicional [1].
Uma abordagem comum nos métodos de otimização
clássica para resolver problemas de otimização multiobjetivo é
tratar o problema como um problema mono-objetivo, podendo
haver ou não, a mediação de um tomador de decisão [1].
A desvantagem desse método é o tempo computacional e a
cooperação com o tomador de decisão. Além disso, o problema
é complexo sob o ponto de vista da modelagem matemática
[3].
Nas últimas décadas, as meta-heurı́sticas têm demostrado
resultados bastante promissores, além de se adaptar a di-
versos problemas para aplicações particulares. Tal como, o
método proposto em [3], denominado de Pareto Simulated
Annealing, aplicado na solução do problema multiobjetivo da
mochila. Neste algoritmo o tomador de decisão explora entre
as soluções eficientes geradas pelo algoritmo e, iterativamente,
se escolhe a melhor solução [3].
Em [4] encontra-se outra abordagem para a solução do prob-
lema da mochila utilizando a meta-heurı́stica Greedy Random-
ized Adaptive Search Procedure (GRASP). Neste algoritmo
utiliza-se diferentes vetores de preferências em cada iteração,
encontrando, assim, soluções ótimas. Consequentemente, o
conjunto de soluções ótimas representa a fronteira de Pareto.
Na classe dos algoritmos evolucionários, o Strength Pareto
Evolutionary Algorithm (SPEA) foi aplicado na solução do
problema da mochila [5].
Neste trabalho, pretende-se utilizar um Algoritmo Evolutivo
Multiobjetivo (AEMO) para tratar o Problema Multiobje-
tivo da Mochila.Esta abordagem tem a capacidade de obter
soluções ótimas de Pareto com apenas uma execução [1], [6].
O AEMO implementado é conhecido como Non-dominated
Sorting Genetic Algorithm II (NSGA-II). Este algoritmo possui
vantagens tais como o elitismo, um algoritmo de ordenação
não dominado rápido e também um operador de seleção capaz
de manter diversidade da população e a convergência para a
região factı́vel. [6].
Neste relatório o problema multiobjetivo da mochila é
descrito na Seção II. O algoritmo NSGA-II é apresentado
na seção III. Os procedimentos computacionais expostos na
Seção IV. A metodologia de simulação e os seus resultados
são apresentados na Seção V. E finalmente, as conclusões do
trabalho na Seção VI.
II. D ESCRIÇ ÃO DO P ROBLEMA
A. Descrição do Problema e definições básicas
Dada a função vetorial f = (f1 , ..., fr ) definida em um
conjunto finito Ω, considere o problema de otimização com-
binatória multiobjetivo:
max : f (x) = (f1 (x), ..., fr (x))
s.t.:
x∈Ω
A imagem da solução x ∈ Ω é o ponto z = f (x) no espaço
das funções objetivos. Um ponto z domina z0 se ∀j, zj =
fj (x) ≥ zj0 = fj (x0 ) e zj > zj0 por pelo menos um j. Uma
solução x domina x0 , denotado por x  x0 , se a imagem de
x domina a imagem de x0 . Uma solução x∗ ∈ Ω é dita não
dominada, se não houver x ∈ Ω de tal modo que x  x∗ .
B. Problema Multiobjetivo da Mochila (PMOM)
O problema multiobjetivo da mochila é um problema rele-
vante por ser capaz de retratar, idealmente, problemas reais.
A sua descrição é bastante simples, porém, trata-se de um
problema de difı́cil resolução (pertence à classe de problemas
NP-Hard).
O problema clássico consiste em um conjunto de itens cada
qual associado à um valor de peso e lucro. Define-se também
uma capacidade para mochila, torna-se essa a restrição do
problema. A tarefa é encontrar um subconjunto de itens que
maximize o lucro total, de modo que a capacidade da mochila
não seja violada [7].
O problema clássico pode ser estendido ao caso de múltiplos
objetivos, permitindo um número arbitrário de funções ob-
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
Em que xi é a variável de decisão binária que indica se o item
i está inserido na mochila (1) ou não (0). Para este trabalho,
a capacidade da mochila é calculada como:
& N
X
' para representar os cromossomos ou indivı́duos. Cada item
W = 0.5 · wi
i=1
III. Non-dominated Sorting Algorithm (NSGA-II)
O problema definido pela Equação 1 foi solucionado uti-
lizando o AEMO proposto em [6]. Projetado para tratar
problemas multiobjetivos, destaca-se por ser um algoritmo
elitista, com tendência de preservar as soluções ótimas e
factı́veis do problema. Além disso, trata-se de um algoritmo
de fácil implementação computacional, sendo esse um aspecto
que influenciou a escolha.
No Algoritmo 1 são apresentados os passos gerais do
NSGA-II. O processo inicia-se pela geração aleatória da
população de pais. Na sequência, é feita a ordenação por não
dominância e o cálculo do crowding distance, cujos detalhes
são encontrados em [6]. Essas duas etapas são cruciais na
geração de novos descendentes, já que o NSGA-II utiliza um
esquema de seleção denominado de crowded-comparison op-
erator, que necessita de parâmetros como fronte e o crowding
distance de cada solução para realizar a comparação de dois
indivı́duos.
Formada a população descendentes Qg por meio da
aplicação dos operadores genéticos, uma nova população,
denotada por Rg , é formada pela união das populações de
pais e descendentes. Esse é o passo inicial para formação
da nova população de pais. Na sequência, define-se as fron-
teiras de Rg aplicando o algoritmo de ordenação de não
dominância. Com isso, inicia-se um processo iterativo para
inserir as soluções presentes nas primeiras fronteiras de Rg
em Pg+1 . Caso a inserção de uma das fronteiras faça com
que |Pg+1 | > |Pg |, então ordena-se, em ordem decrescente, os
indivı́duos dessa fronteira tomando como critério o crowding
distance e inserindo-os, até que |Pg+1 | = |Pg |. Esse processo
é ilustrado no diagrama da Figura 1.
Após formar a população Pg+1 , gera-se novos descentes e
o processo iterativo contı́nua até que um critério de parada
seja satisfeito.
Fig. 1. Processo de geração dos novos pais
A. Cromossomo
Este trabalho utiliza uma codificação binária convencional
é representado por uma variável binária xi . Se xi = 1, isso
indica que o item está inserido na mochila. Caso contrário,
isto é, xi = 0, o item i está fora da mochila. Os cromossomos
estão associados ao seu vetor de funções objetivo e à um valor
de restrição. Neste trabalho, o valor das restrições é calculado
por:
XN
G(x) = wi xi − W
i=1
De acordo a definição do problema pela Equação 1, se
G(x) ≤ 0 então x é factı́vel.
B. Operadores genéticos
Na geração de novos indivı́duos são empregados dois op-
eradores genéticos distintos: a recombinação, que gera de-
scendentes por meio da combinação dos pais; e a mutação,
que altera o cromossomo de um indivı́duo gerando uma nova
solução.
1) Recombinação: Neste trabalho foram utilizados três
operadores distintos de recombinação, que são: k-points; uni-
forme; e transposition. A descrição detalhada dos operadores
k-points e uniforme é encontrada em [8]. O operador transpo-
sition é descrito em [9].
Algoritmo 1 NSGA-II A. Tratamento das restrições
1: g ← 0
Para tratar problemas restritos, em [6] é proposto um
2: Pg ← população aleatória inicial
conceito denominado de dominância restrita. Trata-se de uma
3: FAST N ON D OMINATED S ORTING (Pg )
modificação do conceito convencional de dominância, em que
4: C ROWDING D ISTANCE(Pg )
dado duas soluções x e y, diz-se que x domina y se pelo
5: Qg ← O FFSPRING G ENERATOR (Pg )
menos uma das condições é satisfeita:
6: while condição de parada não satisfeita do;
1) x é factı́vel e y infactı́vel;
7: Rg ← Pg ∪ Qg
2) x e y são infactı́veis, mas o grau de violação das
8: FR ← FAST N ON D OMINATED S ORTING(Rg )
restrições associado à x é menor;
9: Pg+1 ← ∅
3) x e y são factı́veis e x domina (no conceito conven-
10: k←1
cional) y.
11: while |Pg+1 | < |Pg | do
12: if |Pg+1 ∪ FRk | 6 |Pg | then Este conceito é incorporado no algoritmo de ordenação por
13: Pg+1 = Pg+1 ∪ FRk não-dominância. Desse modo, as soluções factı́veis possuem
14: else maior probabilidade de sucesso e, portanto, o processo con-
15: C ROWDING D ISTANCE(FRk ) verge para a região factı́vel.
16: Ordenar FRk (ordem decrescente) usando o crowd- B. Reparo das soluções
ing distance como referência A natureza combinatorial do problema da mochila faz com
17: Insira as primeiras |Pg | − |Pg+1 | soluções de FRk que muitas soluções geradas ao longo das iterações sejam
em Pg+1 infactı́veis. Devido ao uso do dominância restrita, as soluções
18: end if infactı́veis possuem pouca probabilidade de sobreviveram ao
19: k++ longo das gerações. Desse modo, notou-se em testes prelim-
20: end while inares que o algoritmo apresentava uma convergência pre-
21: FAST N ON D OMINATED S ORTING(Pg+1 ) coce, ficando restrito em ótimos locais distantes dos pontos
22: C ROWDING D ISTANCE(Pg+1 ) da fronteira de Pareto. Visando melhorar a diversidade e,
23: Qg ← O FFSPRING G ENERATOR(Pg+1 ) consequentemente, superar essa barreira implementou-se além
24: Pg ← Pg+1 dos operadores convencionais um técnica de reparo conhecida
25: g ←g+1 na literatura como greedy repair [5].
26: end while
Na técnica implementada, dado uma combinação infactı́vel
x, inicialmente, ordena-se os itens inseridos na mochila uti-
lizando dois critérios:
2) Mutação: O operador de mutação implementado aqui é 1) Em ordem crescente, o valor máximo da razão entre os
denominado por k-flip. A etapa inicial deste operador consiste ganhos e pesos. Isto é, para cada item i, i = 1, · · · , N :
na escolha da posição aleatória T , assim, k genes seguintes  
são invertidos. Este processo é ilustrado na Figura 2. p vij
qi = max
j=1 wi
2) Em ordem decrescente, o peso do item.
Após a ordenação, remove-se os primeiros itens até que a
solução x torne-se factı́vel. Com isso, tende-se a remover os
itens com um valor de ganho baixo e que são pesados.
C. Estratégia de Geração de Descendentes
O NSGA-II possibilita implementar estratégias de geração
de descendentes personalizadas. Isso permite definir es-
tratégias otimizadas para um determinado problema, incremen-
tando o desempenho final do método.
Baseado neste princı́pio, utilizou-se o Algoritmo 2 para
Fig. 2. Processo de mutação k-flip.
gerar a população de descentes. O processo iterativo inicia-
se pela definição dos pais utilizando o operador seleção do
NSGA-II. Desse modo, estabelecido o parâmetro th, denom-
IV. P ROCEDIMENTOS C OMPUTACIONAIS inado de limiar de mutação, escolhe-se aleatoriamente o tipo
de operador que irá gerar os novos descendentes: mutação; ou
Para se obter soluções factı́veis e de boa qualidade foi recombinação. Na etapa seguinte avalia-se a possibilidade de
necessário integrar mecanismos especı́ficos ao algoritmo do executar a reparação dos descentes gerados com base na taxa
NSGA-II. Nesta seção, pretende-se detalhar esses procedimen- de reparo, denotado por thGR . Esse processo contı́nua até que
tos, justificando o seu uso. o número de indivı́duos satisfaça |Q| ≥ |P|.
Algoritmo 2 Offspring Generator
Entrada: P, th, thGR
1: Q ← ∅
2: while |Q| < |P| do
3: [P1 , P2 ] ← Selecione dois pais de P utilizando o
operador de seleção crowded-comparison operator
4: k ← R ANDOM(0, 1)
5: if k ≤ th then
6: [O1 , O2 ] ← M UTAÇ ÃO(P1 , P2 )
7: else
8: [O1 , O2 ] ← R ECOMBINAÇ ÃO(P1 , P2 )
9: end if
10: k1 ← R ANDOM(0, 1)
11: k2 ← R ANDOM(0, 1)
12: if k1 ≤ thGR then
13: O1 ← G REEDY R EPAIR(O1 )
14: end if
15: if k2 ≤ thGR then
16: O2 ← G REEDY R EPAIR(O2 )
Fig. 3. Esquema de verificação de convergência e adaptação de parâmetros.
17: end if
18: Q ← Q ∪ {O1 , O2 }
19: end while Para evitar que o processo se interrompa devido à uma con-
vergência precoce, altera-se o tamanho da população e o limiar
de mutação, linearmente, até valores máximos estabelecidos.
Na etapa de recombinação, foram utilizados três operadores Isso é feito enquanto não há variação dos valores máximos
distintos, conforme citado anteriormente. A combinação for- de cada função objetivo. Uma vez que há alguma melhoria,
mada por cada operador de recombinação, o operador de restaura-se esses parâmetros aos seus valores iniciais.
mutação (k-flip) e a técnica de reparo (greedy repair) é referida
nos resultados como Estratégia. V. R ESULTADOS DE SIMULAÇ ÃO
Devido as diversas possibilidades combinação entre os Visando verificar a eficiência dos métodos implementados,
operadores, limitou-se variar apenas os tipos de operadores de foram executadas uma série de simulações computacionais.
recombinação. Na Tabela I é realizada uma associação entre Tais simulações foram executadas em PC dotado de um
as estratégias e os respectivos de operadores recombinação. processador i5-7200U de 2.5GHz e memória RAM 8Gb. A
implementação computacional foi feita utilizando o MatLab.
TABELA I O parâmetros comuns, utilizados em todas estratégias são
E STRAT ÉGIAS UTILIZADAS . apresentados na Tabela II. Como parâmetros adicionais para
Estratégia Op. de Recombinação a Estratégia 1, definiu-se o número de pontos de corte em
1 k-points NCP = 3 [8]; para terceira estratégia, o tamanho da sequencia
2 uniform
3 transposition
flanking foi estabelecida em kF LS = 4 [9].

TABELA II
D. Verificação de Convergência e Adaptação de Parâmetros PAR ÂMETROS COMUNS ÀS ESTRATEGIAS AVALIADAS .

Buscando melhorar a qualidade das soluções propostas e Parâmetros comuns

valor máximo de th
otimizar o tempo computacional, foi realizada uma adaptação limiar de mutação (th) 0.05
(thmax )
0.75
no processo iterativo principal do NSGA-II. Para isso, as eta- taxa de reparo (thGR ) 0.15
tamanho da população
25
pas do Algoritmo 1 foram rearranjadas conforme o fluxograma (psz )
tamanho máximo de psz número máximo de
da Figura 3. max 100 1250
(psz ) gerações (gmax )
O processo consiste em verificar a convergência do algo- número máximo de tamanho do número de
gerações na convergência 125 bits alternados na 2
ritmo avaliando, a cada iteração, se houve alguma melhoria (tmax ) mutação (kmut )
nos valores máximos de cada função objetivo. Caso haja
melhorias, as etapas comuns do NSGA-II são executadas Para realizar uma avaliação estatı́stica adequada das es-
normalmente. No entanto, uma vez constatado que não houve tratégias implementadas, para cada estratégia, foram realizadas
melhoria dos valores máximos, inicia-se um contador auxiliar 100 execuções. Em cada execução calculou-se os valores do
que é incrementado até que seja detectada alguma variação. Inverted Generational Distance (IGD), que consiste em um
Um vez que este contador atinja um número máximo de indicador capaz determinar a distância média mı́nima entre
gerações, denotado por tmax , o processo é interrompido. o conjunto de pontos ótimos de Pareto e o conjunto de
Pareto obtido [10]. Os pontos ótimos de Pareto foram obtidos
utilizando o Método da Ponderação, que foi solucionado
utilizando o AMPL-CPLEX.
Além do IGD, em cada execução foi verificado os valores
máximos obtidos de cada função objetivo. Esse parâmetro
fornece uma boa ideia de quanto as soluções obtidas estão
próximas e dispersas em relação a fronteira de Pareto ver-
dadeira.
A. Avaliação da performance das estratégias
Para avaliar a performance das estratégias realizou-se uma
avaliação estatı́stica das informações coletadas ao longo das
execuções. No gráfico da Figura 4 é apresentada a média
acumulada do IGD ao longo das execução para cada estratégia.
É possı́vel perceber que os valores ficam estáveis após, aprox-
imadamente, 60 execuções. Isso indica, que as informações
estatı́sticas coletadas usando essa quantidade de execuções
(amostras) é capaz de representar de modo adequado o com-
portamento das estratégias.
1,300
Média Acumulada - IGD
Na Figura 5 são apresentados os histogramas dos máximos
valores encontrados para cada função objetivo. Nota-se que
dentre as três estratégias, a Estratégia 3 é a que apresenta
maior probabilidade de fornecer valores máximos para as três
funções objetivos. O que é coerente com o resultado do IGD
médio.
Verifica-se por meio dos dados avaliados que a Estratégia 3
possui a maior capacidade em gerar soluções mais próximas a
fronteira de Pareto. Essa verificação é coerente com resultados
encontrados em [11]. Observa-se também que a Estratégia
2 possui um desempenho intermediário na qualidade das
soluções geradas, porém possuindo o melhor tempo computa-
cional médio.
B. Amostra de execução
Para observar os resultados de uma execução escolheu-se
uma amostra gerada ao longo do processo de avaliação. O
critério de escolha foi selecionar a execução que apresentasse
o menor valor de IGD.
Na Tabela IV são apresentadas algumas informações sobre
a execução selecionada. Diferente do esperado, a execução
selecionada foi gerada pela Estratégia 2, o que é um evento
possı́vel por conta da natureza estocástica dos métodos. O
número de gerações do processo foi 784 e tempo com-

1,200 putacional despendido foi de 478.8 segundos. O IGD dessa

execução foi 669.2.

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

Na Figura 6 é apresentada a curva obtida ao calcular o IGD

20 40 60 80 100 das fronteiras de Pareto obtidas em iterações subsequentes,
Núm. Execuções sendo denotado por IGD(FPg−1 g
1 , FP 1 ). Desse modo, calcula-
se, basicamente, a distância média mı́nima entre as fronteiras
Fig. 4. Média acumulada do IGD. de Pareto obtidas entre duas iterações subsequentes, possi-
bilitando, consequentemente, avaliar a convergência de uma
Na Tabela III são apresentados os valores médios e os
execução.
desvios padrões para o IGD e o tempo de execução. A
No gráfico da Figura 6 é possı́vel perceber que IGD as-
Estratégia 3, assim como observado na Figura 4, apresenta
sume valores significativos nas primeiras iterações, indicando
o menor valor médio de IGD. Isso indica que a Estratégia
que as fronteiras de Pareto obtidas entre as duas iterações
3 apresenta uma maior tendência em gerar soluções mais
subsequentes estão distantes. No entanto, após 100 iterações
próximas ao conjunto verdadeiro de Pareto, já que o valor
os valores são menores, indicando que as fronteiras de Pareto
das distâncias médias mı́nimas (IGD) é baixo. Em relação ao
obtidas ao longo dessas iterações são similares.
tempo computacional, a Estratégia 2 é mais eficaz entre as três
A convergência da execução selecionada por ser observada
estratégias.
também no gráfico da Figura 7. Neste gráfico, são apresentados
os valores máximos, para cada função objetivo, obtidos ao
TABELA III
M ÉDIA E DESVIO PADR ÃO DAS M ÉTRICAS DE PERFORMANCE .
longo das iterações. Assim como no gráfico da Figura 6,
observa-se que as variações significativas ocorrem nas 100
IGD Tempo (s)
Estratégia
Média SD Média SD
primeiras iterações.
1 1315.6 288.4 422.6 156.3 Na Figura 8 são apresentados os pontos do conjunto ótimo
2 1146.5 272.1 379.9 129.3 de Pareto, determinados com o AMPL-CPLEX, e pontos que
3 910.7 126.4 492.8 172.4 compõem o conjunto obtido de Pareto ao fim da execução.
 Estrat. 1 Estrat. 2 Estrat. 3

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
coincidentes.
VI. C ONCLUS ÕES
Neste trabalho, utilizou-se o algoritmo evolutivo NSGA-II
para solucionar o problema da mochila multiobjetivo. Devido
a natureza do problema, foi necessário adotar procedimentos
especiais, como o reparo de soluções infactı́veis e a adaptação
dinâmica de parâmetros, para se obter resultados satisfatórios.
Foram testadas três estratégias distintas, compostas por
diferentes operadores de recombinação. Verificou-se que a
estratégia utilizando o operador de recombinação transposi-
tion, denominada neste trabalho de Estratégia 3, apresentou
a maior probabilidade de gerar soluções próximas a fronteira
de Pareto verdadeira. Constatou-se, também, que a Estratégia
2 apresentou uma tendência intermediária em gerar boas
soluções e o melhor tempo computacional.
Os dados coletados de uma amostra de execução indicaram
que tanto os valores máximos das funções objetivos como
o IGD entre as fronteiras de Pareto obtidas em gerações
subsequentes são parâmetros capazes de indicar a convergência
do processo. Na execução verificada, constatou-se que as
soluções obtidas ficaram muitas próximas à fronteira de Pareto
verdadeira.
Conclui-se, portanto, que o NSGA-II é um AEMO capaz
de ser adaptado com facilidade. E uma vez implementados os
procedimentos adequados para o problema a ser solucionado,
torna-se um algoritmo muito eficiente na solução de problemas
multiobjetivos complexos.
R EFER ÊNCIAS
[1] K. Deb, Multi-objective optimization using evolutionary algorithms.
John Wiley & Sons, 2001, vol. 16.
[2] M. Ehrgott, Multicriteria optimization. Springer Science & Business
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.

[3] P. Czyzżak and A. Jaszkiewicz, “Pareto simulated annealing—a meta-

heuristic technique for multiple-objective combinatorial optimization,”
Journal of Multi-Criteria Decision Analysis, vol. 7, no. 1, pp. 34–47,
1998.
[4] D. S. Vianna and J. E. C. Arroyo, “A grasp algorithm for the multi-
objective knapsack problem,” in XXIV International Conference of the
Chilean Computer Science Society, Nov 2004, pp. 69–75.
[5] E. Zitzler and L. Thiele, “Multiobjective evolutionary algorithms: a com-
parative case study and the strength pareto approach,” IEEE Transactions
on Evolutionary Computation, vol. 3, no. 4, pp. 257–271, Nov 1999.
[6] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A fast and elitist
multiobjective genetic algorithm: Nsga-ii,” IEEE Transactions on Evo-
lutionary Computation, vol. 6, no. 2, pp. 182–197, Apr 2002.
[7] S. Martello and P. Toth, “Knapsack problems: Algorithms and computer
implementations,” Chichester, U.K.: Wiley, 1990.
[8] A. Umbarkar and P. Sheth, “Crossover operators in genetic algorithms:
A review.” ICTACT journal on soft computing, vol. 6, no. 1, 2015.
[9] A. Simões and E. Costa, “Transposition: A biological-inspired mech-
anism to use with genetic algorithms,” in Artificial Neural Nets and
Genetic Algorithms. Vienna: Springer Vienna, 1999, pp. 178–186.
[10] C. A. C. Coello and M. R. Sierra, “A study of the parallelization of
a coevolutionary multi-objective evolutionary algorithm,” in Mexican
International Conference on Artificial Intelligence. Springer, 2004,
pp. 688–697.
[11] A. Simoes and E. Costa, “An evolutionary approach to the zero/one
knapsack problem: Testing ideas from biology,” in Artificial Neural Nets
and Genetic Algorithms. Springer, 2001, pp. 236–239.