Algoritmos evolutivos para otimizao multi-objetivo

Waldo Cancino Ticona

ICMC-USP

Roteiro

Introduo e Motivao Otimizao Multi-Objetivo (MOO) Tcnicas Matemticas para MOO Algoritmos Evolutivos para Otimizao MultiObjetivo

Motivao

Vrios problemas de engenharia e outras reas possuem mltiplos objetivos a serem atingidos. Esses problemas so conhecidos como:

problemas de Otimizao Multi-Objetivo (MOO), Problemas de toma de deciso multi-critrio (MCDM)

Otimizao multi-objetivo
Problemas de otimizao multi-objetivo (MOOP)
Funes objetivo

restries

4 4

Otimizao Multi-Objetivo

Um MOOP pode ser definido como um problema de procurar um vetor de variveis de deciso que satisfaz certas restries e otimiza um vetor cujos elementos so funes objetivos Tais funes fornecem uma descrio matemtica de critrios de performance que usualmente so conflitantes

Motivao

Problemas MOO possuem caractersticas que merecem um tratamento especial:

Espao de busca maior A noo de soluo tima ampliada para vrios objetivos. Usualmente os diferentes objetivos so de natureza conflitante

Otimizao Multi-Objetivo
f3 x1

f2 x2 f1

espao de variveis

espao de objetivos

Otimizao Multi-Objetivo

Exemplo...

Otimizao multi-objetivo

Nos MOOPs emprega-se a relao de dominncia ( ) de Pareto para comparar solues Dominncia de Pareto: uma soluo x1, domina a uma soluo x2, si

x1 pelo menos igual a x2, em todos os objetivos x1 superior x2 em pelo menos um objetivo, Conjunto Pareto-timo Fronteira de Pareto

Objetivos conflitantes:

9 9

Otimizao Multi-Objetivo

Solues conflitantes

Alternativa 4 -> maior custo, maior conforto Alternativa 3 -> menor custo Alternativa 5 melhor que 1 e 2 Alternativa 3 melhor que 2

10

Otimizao Multi-Objetivo

Relaes de dominncia 5 1 2 3 2

11

Otimizao Multi-Objetivo

Conjunto Pareto timo

O conjunto de solues no dominadas formam o conjunto Pareto-timo Conjunto Pareto-timo {3,4,5}

12

Otimizao Multi-Objetivo
Fronteira de Pareto (espao de objetivos) So os vetores das funes objetivo F(x) tal que x pertence ao conjunto Pareto-timo

Fronteira de Pareto

13

Otimizao Multi-Objetivo

Encontrar o conjunto f2 de solues Paretotimo (ou uma aproximao) Garantir a diversidade das solues encontradas.

n co

rg e

cia n

Fronteira de Pareto

di ve rsi

da de

f1

14

Otimizao Multi-Objetivo

Diferencias de MOOPs:
Garantir convergncia e diversidade das solues. Espao multi-dimensional de variveis e objetivos

15

Otimizao Multi-Objetivo

Classificao de tcnicas para MOOPs

A priori:

Metas desejadas Prioridade dos objetivos Decidir Buscar Ex : Critrio Global, Programao de Metas, Min-Max, Programao lexicogrfica

16

Otimizao Multi-Objetivo

Classificao de tcnicas para MOOPs

A posteriori

No precisa conhecimentos prvios Buscar Decidir Tcnicas: somatrio de pesos, -restries

17

Otimizao Multi-Objetivo

Somatrio de Pesos

Cada objetivo ponderado por um peso

18

Otimizao Multi-Objetivo

Vantagens as tcnicas clssicas

So empregadas satisfatoriamente na resoluo de problemas prticos Possuem provas matemticas que garantem a convergncia ao conjunto Pareto-timo.

19

Otimizao Multi-Objetivo

Crticas as tcnicas clssicas

Em cada execuo de tais tcnicas apenas uma soluo da fronteira pode ser obtida. Alguns mtodos requerem de conhecimentos explcitos do problema Os espaos de objetivo no convexos, multimodais e descontnuos podem ser problemticos.

20

Computao evolutiva
Conjunto de algoritmos (AEs) que simulam mecanismos de evoluo e seleo natural Varias abordagens:

Estratgias Evolutivas (EEs) Programao Evolutiva (PEs) Algoritmos Genticos (AGs)

21 21

Algoritmos genticos

Problemas de engenharia, inteligncia computacional, bioinformtica Conceitos importantes

Indivduos (cromossomos) Populao Aptido Operadores genticos: seleo, recombinao, mutao Elitismo Critrio de parada

22 22

MOEAs

Tarefas realizadas pelos EAs

Iniciar populao Avaliar aptido Seleo Recombinao Mutao

1. 2. 3. 4. 5.

23

MOEAs

Tarefas realizadas pelos MOEAs

Iniciar populao Avaliar vetor de funes objetivo Transformar vetor valor de aptido Seleo Recombinao Mutao

1. 3. 4. 5.

2a

24

MOEAs

25

Algoritmos Evolutivos MOO

Vrios autores destacam o emprego de AEs em MOOP pelos seguintes fatos:

Permitem encontrar o conjunto de solues Pareto-timas apenas em uma execuo do AE. Os AEs so menos susceptveis as caractersticas da fronteira de Pareto (no convexa, descontnua) Podem trabalhar em espaos de busca que so intratveis pelas tcnicas clssicas

26

NSGA-II

Non-dominated Sorting Genetic Algorithm Usa ordenao por ranking elitista por dominancia de Pareto Emprega seleo por torneio

Garante a diversidade das solues na fronteira de Pareto crowding distance

27

NSGA-II

Ordenao por dominncia 4 3 2 1

Solues so em subconjuntos de fronteiras

f2
1 2 2 1
Frente de Pareto

F3 F2 F1
f1

28

NSGA-II
ranking por dominncia crowding distance

F1 Pt Qt
Rt

F2 F3
rejeitadas

Pt+1

Qt+1

29

NSGA-II

Vantagens

Garante diversidade de solues Limita o nmero de solues encontradas Nas ultimas iteraes a convergncia das solues pode ser afetada

Desvantagens

30

MOEAs

Dificuldades para convergir ao conjunto Paretotimo

Fronteiras sub-timas Convexidade no convexidade Fronteira descontinua Distribuio no uniforme de solues

31

MOEAs

Problema fronteira de Pareto descontinua

32

MOEAs

33

MOEAs

Problema fronteira de Pareto com distribuio no uniforme

34

MOEAs

35

MOEAs

Como avaliar desempenho?

Mtricas de convergncia e diversidade soluo ideal

36

MOEAs

Mtricas de convergncia e diversidade

boa convergncia

boa distribuio

37

MOEAs

Mtricas de convergncia e diversidade

A melhor do que B qual o melhor?

38

MOEAs

Mtrica de cobertura (coverage metric)

C(A,B) = 1 todas as solues de B so dominadas pelas solues de A C(A,B) = 0 nenhuma soluo de B dominada pelas solues de A preciso calcular C(A,B) e C(B,A)

39

MOEAs

Spread

Avalia a distribuio das solues

dem distncia entre as solues extremas de P* e Q na m-sima funo objetivo di distncia entre duas solues vizinhas

40

MOEAs
soluo extrema f1 (Q) soluo extrema f1 (P*)

di distncia sol. vizinhas de distncia sol extremas

f2

soluo extrema f2 (Q)

f1

soluo extrema f2 (P*)

41

MOEAs

Outras mtricas

Generational distance Espalhamento mximo Hiper volumem

Recomenda-se trabalhar com um conjunto de mtricas

42

MOEAs

Amostragem da fronteira de Pareto Problemas quando se tem muitos objetivos, usualmente mais de 5 Processo de toma de decises no precisa de uma grande amostragem da fronteira de Pareto Apenas as regies promissoras so amostradas

43

MOEAs

O NSGA-II e outros MOEAs podem ser modificados para focar a busca em certas regies da fronteira de Pareto. Emprega-se para isso, pontos de referncia Vantagens

Permite concentrar a busca em certas regies na Fronteira de Pareto uma soluo com maior escalabilidade quando se possuem muitos objetivos

44

MOEAs
solues encontradas

ponto de referencia

45

Areas de pesquisa MOEA

Visualizao de solues no dominadas Mtricas de desempenho Formulao de problemas de teste Comparao de modelos de MOEAs Incorporao de preferncias Estudos tericos Esquemas de paralelizao Estruturas de dados para comparao de dominncia

46

Aplicaes

Engenharia: hidrulica, eltrica, telecomunicaes, controle, transportes, aeronutica Cientficas: geografia, qumica, fsica, medicina, ecologia, computao Industrial: design e manufatora, scheduling, gerenciamento, empacotamento

47

Recursos Internet

Repositrio do prof. Coello

http://www.lania.mx/~ccoello/EMOO http://jeo.org/emo/ GALIB MOMHLIB++ MOEALIB

Software relacionado

48

Perguntas ?

49