Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Evolucion Diferencial
Luis Vicente Santana QuinteroAsesor: Dr. Carlos A. Coello Coello
Centro de Investigacion y de Estudios Avanzados del IPNSeccion de Computacion
21 de Julio de 2006
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Evolucion Diferencial
Evolucion Diferencial
La Evolucion Diferencial es una rama de la computacion evolutivadesarrollada por Rainer Storn y Kenneth Price en 1995 paraoptimizacion en espacios continuos.Principales Caracterısticas
Se seleccionan 3 individuos como padres.
Se compara el hijo con el padre, y si es mejor, lo sustituye.
Unicamente se maneja la cruza, y no tiene mutacion.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Evolucion Diferencial
Evolucion Diferencial
La Evolucion Diferencial es una rama de la computacion evolutivadesarrollada por Rainer Storn y Kenneth Price en 1995 paraoptimizacion en espacios continuos.Principales Caracterısticas
Se seleccionan 3 individuos como padres.
Se compara el hijo con el padre, y si es mejor, lo sustituye.
Unicamente se maneja la cruza, y no tiene mutacion.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Evolucion Diferencial
Evolucion Diferencial
La Evolucion Diferencial es una rama de la computacion evolutivadesarrollada por Rainer Storn y Kenneth Price en 1995 paraoptimizacion en espacios continuos.Principales Caracterısticas
Se seleccionan 3 individuos como padres.
Se compara el hijo con el padre, y si es mejor, lo sustituye.
Unicamente se maneja la cruza, y no tiene mutacion.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Evolucion Diferencial
Desarrollada por Rainer Storn y Kenneth Price en 1995.
Las variables se representan mediante numeros reales.
El hijo compite con el padre principal, y el mejor pasa a lasiguiente generacion.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Esquemas en Evolucion Diferencial
La ED maneja dos variantes, estas son:
ED1
Para cada vector ~xi,G ; i = 0, 1, 2, . . . , N − 1., unvector de prueba ~v se genera de acuerdo a:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )ED2
Para cada vector ~xi,G ; i = 0, 1, 2, . . . , N − 1., unvector de prueba ~v se genera de acuerdo a:
~v = ~xi,G + λ · (~xmejor,G − ~xi,G ) + F · (~xr2,G − ~xr3,G )
con r1, r2, r3 ∈ [0, N − 1], enteros y diferentes,y F > 0.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Esquemas en Evolucion Diferencial
La ED maneja dos variantes, estas son:
ED1
Para cada vector ~xi,G ; i = 0, 1, 2, . . . , N − 1., unvector de prueba ~v se genera de acuerdo a:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )ED2
Para cada vector ~xi,G ; i = 0, 1, 2, . . . , N − 1., unvector de prueba ~v se genera de acuerdo a:
~v = ~xi,G + λ · (~xmejor,G − ~xi,G ) + F · (~xr2,G − ~xr3,G )introduciendo una variable de control adicional λ
con r1, r2, r3 ∈ [0, N − 1], enteros y diferentes,y F > 0.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Estrategias de la EDED/x/y/z
x representa el vector a perturbary numero de vectores considerados para perturbar x.z exponencial o binomial. Es el tipo de cruza a ser
seleccionada.
ED/mejor/1/exp
mejor se elige al mejor vector de cada generacion para serperturbado.
1 se eligen 3 vectores, y la diferencia de 2 de ellosse suma al tercero.
exp la primera vez en la que un numero aleatorio (0, 1)supera el valor de CRUZA, se suspende el cicloy las variables restantes quedan intactas.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Estrategias de la EDED/x/y/z
x representa el vector a perturbary numero de vectores considerados para perturbar x.z exponencial o binomial. Es el tipo de cruza a ser
seleccionada.
ED/aleatorio/1/exp
aleatorio se elige a un vector aleatorio de cada generacionpara ser perturbado.
1 se eligen 3 vectores, y la diferencia de 2 de ellosse suma al tercero.
exp la primera vez en la que un numero aleatorio (0, 1)supera el valor de CRUZA, se suspende el cicloy las variables restantes quedan intactas.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Estrategias de la EDED/x/y/z
x representa el vector a perturbary numero de vectores considerados para perturbar x.z exponencial o binomial. Es el tipo de cruza a ser
seleccionada.
ED/mejor/2/bin
mejor se elige al mejor vector de cada generacion para serperturbado.
2 se eligen 5 vectores, la diferencia de cada par de losprimeros 4 se suma al quinto.
bin se hace un flip (CRUZA) para saber si se copiala variable del hijo o del padre. Se hace siemprepara todas las variables del vector
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Estrategias de la EDED/x/y/z
x representa el vector a perturbary numero de vectores considerados para perturbar x.z exponencial o binomial. Es el tipo de cruza a ser
seleccionada.
ED/aleatorio/2/bin
aleatorio se elige a un vector aleatorio de cada generacionpara ser perturbado.
2 se eligen 5 vectores, la diferencia de cada par de losprimeros 4 se suma al quinto.
bin se hace un flip (CRUZA) para saber si se copiala variable del hijo o del padre. Se hace siemprepara todas las variables del vector
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmo de ED mono-objetivo
Diferentes Estrategias de la EDED/x/y/z
x representa el vector a perturbary numero de vectores considerados para perturbar x.z exponencial o binomial. Es el tipo de cruza a ser
seleccionada.
ED/aleatorio/1/bin
aleatorio se elige a un vector aleatorio de cada generacionpara ser perturbado.
1 se eligen 3 vectores, y la diferencia de 2 de ellosse suma al tercero.
bin se hace un flip (CRUZA) para saber si se copiala variable del hijo o del padre. Se hace siemprepara todas las variables del vector
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Seleccion y Cruza
Generacion de un nuevo individuo
Esquema: ED 1 yEstrategia:ED/aleatorio/1/bin
Para cada vector:
~xi,G ; i = 0, 1, 2, . . . , N − 1.,
un vector de prueba ~v se genera:
~v = ~xr1,G + F · (~xr2,G − ~xr3,G )
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Motivacion para Extenderlo a Multiobjetivo
Motivacion
Se ha demostrado que la Evolucion Diferencial suele convergermuy rapido al optimo (o a su vecindad) en problemas con unasola funcion objetivo.
Ademas, el desempeno de este algoritmo depende del controlde pocos parametros, lo cual facilita su uso.
Posee una gran capacidad de exploracion, evitando queobtenga optimos locales.
Objetivo
Utilizar la Evolucion Diferencial, junto con tecnicas yaprobadas para la preservacion de buenas soluciones ydesarrollar un nuevo algoritmo evolutivo para resolverproblemas de optimizacion multiobjetivo.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Planteamiento del Problema
Problema Multiobjetivo
Se busca encontrar un vector de variables de decision quesatisfagan las restricciones del problema y que ademas optimicesimultaneamente todas las funciones objetivo, sabiendo deantemano que estas funciones se encuentran en conflicto unas conotras y el mejorar una funcion significa empeorar el desempeno delas otras.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Planteamiento del Problema
Problema Multiobjetivo
El problema de optimizacion multiobjetivo se define como:
optimizar ~f (~x) = [f1(~x), f2(~x), f3(~x), . . . , fk(~x)]T (1)
sujeto a m restricciones de desigualdad:
gi (~x) ≤ 0 i = 1, 2 . . . , m (2)
y p restricciones de igualdad:
hj(~x) = 0 j = 1, 2 . . . , p (3)
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Planteamiento del Problema
Figura: Conjunto de optimos de Pareto (izq) y Frente de Pareto (der).
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Problemas Multiobjetivo sin Restricciones
Kursawe [MOP1]
Este problema fue propuesto por Kursawe en 1991.Minimizar:
~f (~x) = (f1(~x), f2(~x))
donde:
f1(~x) =n−1∑i=1
(−10e(−0,2)
√x2i +x2
i+1
)f2(~x) =
n∑i=1
(|xi |a + 5 sin(xbi ))
con: a = 0.8; b = 3; n = 3 y: −5 ≤ x1, x2, x3 ≤ 5
frente de Pareto es desconectado,conjunto de optimos de Pareto es desconectado.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Problemas Multiobjetivo sin Restricciones
Kursawe [MOP1]
Figura: Conjunto de optimos de Pareto.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Problemas Multiobjetivo sin Restricciones
Kursawe [MOP1]
Figura: Conjunto de optimos de Pareto. Figura: Frente de Pareto.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Problemas Multiobjetivo con Restricciones
Kita [MOP2]
Este problema fue propuesto por Kita en 1996.Maximizar: ~f (x) = (f1(x , y), f2(x , y))
donde:
f1(x , y) = −x2 + y ,
f2(x , y) =1
2x + y + 1
sujeto a:
0 ≥ 1
6x + y − 13
2,
0 ≥ 1
2x + y − 15
2,
0 ≥ 5x + y − 30
0 ≤ x , y ≤ 7
frente de Pareto desconectado y concavo,
conjunto de optimos de Pareto desconectado y esta en lafrontera entre la zona factible.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Problemas Multiobjetivo con Restricciones
Kita [MOP2]
Figura: Conjunto de optimos de Pareto.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Problemas Multiobjetivo con Restricciones
Kita [MOP2]
Figura: Conjunto de optimos de Pareto. Figura: Frente de Pareto.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
NSGA-II
NSGA-II
El Non-Dominated Sorting Genetic Algorithm - II (NSGA - II) fuepropuesto por Deb et al. en 2000.
Esta es una nueva version del NSGA mas eficiente(computacionalmente hablando)
Utiliza una jerarquizacion de Pareto.
Realiza una comparacion entre padres e hijos
Agrega un operador de agrupamiento que ayuda a mantenerla diversidad sin requerir de parametros adicionales.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
PAES
PAES
La Pareto Archieved Evolution Strategy (PAES) fue propuesta porKnowles y Corne en 2000. PAES consiste de una estrategiaevolutiva de dos miembros (en la que un padre genera un solo hijo)
Utiliza un archivo externo
Utiliza una malla logica autoadaptativa para retener lassoluciones
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmos Multiobjetivo que utiliza la ED
PDE
Desarrollado por Abbass y Sarker en 2002
La poblacion inicial se genera con N (0.5, 0.15)
El parametro F = N(0, 1)
La reproduccion se realiza solo entre no dominados
El hijo se coloca en la poblacion solo si domina a su padre
En caso de que la poblacion sobrepase el lımite, se utiliza unadistancia vecinal para eliminar a los individuos
D(x) =(min‖x − x i‖+ min‖x − x j‖)
2
donde x 6= x i 6= x j .
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Algoritmos Multiobjetivo que utiliza la ED
PDEA
Desarrollado por Madavan en 2002
Utiliza las caracterısticas de NSGA-II y es auto-adaptativo
VEDE
Desarrollado por Parsopoulus en 2004
Utiliza las caracterısticas de VEGA y utiliza el paralelismo para evaluar lasdiferentes funciones objetivo
MODE, NSDE y DEMO
Desarrollado por Xue en 2003 (MODE), Iorio en 2004 (NSDE) y Robic en 2005(DEMO)
Utilizan las caracterısticas de NSGA-II, basados en Pareto y usan el operador deagrupacion (crowding). Pero difieren en la seleccion
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Medidas de Desempeno para Evaluar AlgoritmosMultiobjetivo
Para realizar una evaluacion cuantitativa de los resultadosobtenidos por los diferentes algoritmos, se han ideado metricas lascuales nos ayudan a determinar la eficiencia con la que se resuelvenlos problemas multiobjetivo. Los aspectos que suelen ser medidospor las metricas son:
la cercanıa de los individuos no dominados generados conrespecto al verdadero frente,
ası como la distribucion de los individuos no dominados a lolargo del frente.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Medidas de Desempeno para Evaluar AlgoritmosMultiobjetivo
Para realizar una evaluacion cuantitativa de los resultadosobtenidos por los diferentes algoritmos, se han ideado metricas lascuales nos ayudan a determinar la eficiencia con la que se resuelvenlos problemas multiobjetivo. Los aspectos que suelen ser medidospor las metricas son:
la cercanıa de los individuos no dominados generados conrespecto al verdadero frente,
ası como la distribucion de los individuos no dominados a lolargo del frente.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Medidas de Desempeno para Evaluar AlgoritmosMultiobjetivo
Para realizar una evaluacion cuantitativa de los resultadosobtenidos por los diferentes algoritmos, se han ideado metricas lascuales nos ayudan a determinar la eficiencia con la que se resuelvenlos problemas multiobjetivo. Los aspectos que suelen ser medidospor las metricas son:
la cercanıa de los individuos no dominados generados conrespecto al verdadero frente,
ası como la distribucion de los individuos no dominados a lolargo del frente.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Metricas Unarias
TE
Indica el porcentaje de individuos que estan sobre el verdaderofrente de Pareto. Matematicamente se representa como:
TE ,
∑ni=1 ei
n
donde
n es el numero de soluciones generadas por el algoritmo
ei es:
0 = si el vector i, ∀ i = (1, . . . , n) esta en el frentede Pareto Verdadero
1 = de otra forma
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Metricas Unarias
DG
Indica que tan lejos se encuentran las soluciones generadas por elalgoritmo del verdadero frente de Pareto. Matematicamente serepresenta como:
DG =
(∑ni=1 dp
i
) 1p
n
donde
n es el numero de soluciones generadas por el algoritmo,
p = 2,
di es la distancia euclidiana entre cada vector y el individuomas cercano al verdadero frente de Pareto
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Metricas Unarias
D
Indica que tan bien distribuidos se encuentran los individuos nodominados generados por el algoritmo. Matematicamente serepresenta como:
D =
√√√√ 1
n − 1
n∑i=1
(d − di
)2
donde
n es el numero de soluciones generadas por el algoritmo.
di = minj(|f i1 (~x)− f j
1 (~x)|+ |f i2 (~x)− f j
2 (~x)|), i , j = 1, . . . , n
d = la media de todas las di ’s
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Metricas Binarias
C
Indica si dos conjuntos de vectores de solucion estan juntos o no, osi alguno de ellos domina en su mayorıa al otro o viceversa. Sedefine de la siguiente manera:
C (X ′,X ′′) =|{a′′ ∈ X ′′;∃a′ ∈ X ′ : a � a′′}|
|X ′′|
donde
X ′,X ′′ ⊆ X ′ son dos conjuntos de vectores de solucion.
Observese que esta no es una metrica de distancia para saberque tan cerca estan los conjuntos unos del otro
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Objetivos Particulares
Desarrollar un algoritmo que resuelva problemas multiobjetivo yque ademas sea competitivo, cuidando los siguientes aspectos:
Controlar la alta velocidad de convergencia que tiene la ED.
Cuidar la alta capacidad de exploracion que tiene la ED, ybuscar una mejor explotacion de soluciones.
Realizar un buen manejo de restricciones.
Escoger un buen metodo para la retencion de soluciones.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Algoritmo Generico
1 Generar una poblacion inicial de tamano P
2 Evaluar la aptitud de la poblacion inicial
3 Repetir
4 Repetir
5 Seleccionar 3 padres
6 Realizar la cruza utilizando la ED
7 Evaluar la aptitud del hijo generado
8 Si el hijo es mejor que el padre, lo reemplaza
9 hasta que se genera la siguiente poblacion
10 Marcar a los individuos no dominados de la poblacion
11 Agregar los no dominados al archivo externo
12 mientras no se cumpla la condicion de finalizacion
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Seleccion
Existen dos tipos de seleccion, al igual que un parametro deseleccion elitismo = [0.2, 1] (elegido por el usuario)
Seleccion Aleatoria: si gen < (elitismo ∗ Gmax )Se eligen 3 padres de la poblacion primaria,
de forma aleatoria, siempre y cuando ninguno de lospadres sean iguales
Seleccion ElitistaSe eligen 3 padres de la poblacion secundaria,
de forma aleatoria, siempre y cuando ninguno de lospadres sean iguales y cumplan con un factor de cercanıa.
fcercania =
qPFUNi=0 (Xi,max−Xi,min)2
2FUN
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Seleccion
Existen dos tipos de seleccion, al igual que un parametro deseleccion elitismo = [0.2, 1] (elegido por el usuario)
Seleccion AleatoriaSe eligen 3 padres de la poblacion primaria,
de forma aleatoria, siempre y cuando ninguno de lospadres sean iguales
Seleccion Elitista: si gen ≥ (elitismo ∗ Gmax )Se eligen 3 padres de la poblacion secundaria,
de forma aleatoria, siempre y cuando ninguno de lospadres sean iguales y cumplan con un factor de cercanıa.
fcercania =
qPFUNi=0 (Xi,max−Xi,min)2
2FUN
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Seleccion
Existen dos tipos de seleccion, al igual que un parametro deseleccion elitismo = [0.2, 1] (elegido por el usuario)
Seleccion AleatoriaSe eligen 3 padres de la poblacion primaria,
de forma aleatoria, siempre y cuando ninguno de lospadres sean iguales
Seleccion Elitista: si gen ≥ (elitismo ∗ Gmax )Se eligen 3 padres de la poblacion secundaria,
de forma aleatoria, siempre y cuando ninguno de lospadres sean iguales y cumplan con un factor de cercanıa.
fcercania =
qPFUNi=0 (Xi,max−Xi,min)2
2FUN
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Mutacion
La mutacion ayuda a la exploracion de los algoritmos.
Ayuda alcanzar regiones del frente que la cruza no lograbaencontrar,
Se utiliza una mutacion uniforme.donde: pm = 1
nvar
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Hijo vs Padre problemas sin restricciones
Se realiza una comparacion de dominancia de Pareto entre padre ehijo:
si el padre domina al hijo se elige al padre
si el hijo domina al padre se elige al hijo
si son no dominados entre ellos se realiza un volado(0.5) parasaber quien pasa a la siguiente generacion.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Hijo vs Padre problemas con restricciones
Las restricciones se normalizan [0, 1], y se ve lo siguiente:
si el padre es no factible y el hijo es no factible se elige alindividuo que este mas cerca de la zona factible.
si el padre es factible y el hijo es no factible se elige al hijo si ysolo si esta cerca de la zona factible (0.1) y gana elvolado (0.5), de lo contrario elijo al padre.
si el padre es no factible y el hijo es factible se elige al padre si ysolo si esta cerca de la zona factible (0.1) y gana elvolado (0.5), de lo contrario elijo al hijo.
si el padre es factible y el hijo es factible se verifica dominancia dePareto y se elige tal y como se tratara de unproblema sin restricciones.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE y ε-MyDE
Mecanismo de aceptacion en el archivo externo
El archivo externo nos ayuda a mantener a las mejores solucionesque se generan a lo largo del proceso evolutivo.Existen dos versiones del algoritmo
MyDE en la que se maneja una malla autoadaptativa
ε-MyDE se basa en el concepto de dominancia-ε
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE
Insertar un individuo en el archivo externo
Requiere de un parametro malla el cual define el numero de hiper-cuadrados en losque se divide el frente de Pareto.
si la rejilla esta vacıa siempre se acepta al nuevo individuo
si el nuevo individuo domina al menos a un individuo de la rejilla el nuevo individuose acepta y se retiran a todos aquellos individuos que seandominados por el nuevo individuo.
si el nuevo individuo es dominado por un individuo de la rejilla se rechaza al nuevoindividuo.
si el nuevo individuo es no dominado con los que estan en la rejilla se acepta estenuevo individuo si y solo si la rejilla no esta llena. Si esta llena,entonces se elimina un individuo del hiper-cuadrado mas poblado.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE
Eliminar un individuo en el archivo externo
Cuando se cumple el caso 4 antes indicado, al insertar un nuevoindividuo, se elimina otro dentro de la rejilla.
Se elimina al individuo que este dentro del hiper-cuadrado conmayor numero de elementos, y ademas el que tenga ladistancia vecinal mas pequena.
D(x) =(min‖x − x i‖+ min‖x − x j‖)
2
donde x 6= x i 6= x j .
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE
Actualizacion de la malla autoadaptativa
El mecanismo se activa si:
Se llena la rejilla
Un individuo cae en una zona nocubierta
Y el calculo del tamano delhiper-cuadrado: tamanoi =
Xi,max−Xi,min
mallaCada vez que se actualiza la rejilla, serecalculan los hiper-cuadrados asignadosa todos los individuos dentro de larejilla.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
MyDE
Actualizacion de la malla autoadaptativa
El mecanismo se activa si:
Se llena la rejilla
Un individuo cae en una zona nocubierta
Y el calculo del tamano delhiper-cuadrado: tamanoi =
Xi,max−Xi,min
mallaCada vez que se actualiza la rejilla, serecalculan los hiper-cuadrados asignadosa todos los individuos dentro de larejilla.
Figura: Asignacion dehiper-cuadrados.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Concepto de dominancia-ε
Propuesto por Laumanns en 2002.
Figura: Dominancia de Pareto
Dominancia de Pareto:
Si ~f , ~g ∈ <m, entonces ~f se dice que domina a ~g
denotado como ~f ≺ ~g , si y solo si:1. ∀i ∈ {1, . . . , m} : fi ≤ gi
2. ∃j ∈ {1, . . . , m} : fj < gj
Dominancia-ε:
Si ~f , ~g ∈ <m, entonces ~f se dice queε-domina a ~g para algun ε > 0, denotado
como ~f ≺ε ~g , si y solo1. ∀i ∈ {1, . . . , m} : (1− ε) · fi ≤ gi
Puede verse que esta es una forma relajada dedominancia que amplıa la zona de dominancia.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Concepto de dominancia-ε
Propuesto por Laumanns en 2002.
Figura: Dominancia-ε
Dominancia de Pareto:
Si ~f , ~g ∈ <m, entonces ~f se dice que domina a ~g
denotado como ~f ≺ ~g , si y solo si:1. ∀i ∈ {1, . . . , m} : fi ≤ gi
2. ∃j ∈ {1, . . . , m} : fj < gj
Dominancia-ε:
Si ~f , ~g ∈ <m, entonces ~f se dice queε-domina a ~g para algun ε > 0, denotado
como ~f ≺ε ~g , si y solo1. ∀i ∈ {1, . . . , m} : (1− ε) · fi ≤ gi
Puede verse que esta es una forma relajada dedominancia que amplıa la zona de dominancia.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Arreglo de identificacion B
A cada solucion dentro del archivo externo se le asigna un arreglode identificacion (B = (B1,B2, . . . ,BFUN)T ) como sigue:
Bj(f ) =
{(b(fj − f min
j )/εjc), para minimizar fj ;
(d(fj − f minj )/εje), para maximizar fj .
donde: f minj es el valor mınimo posible del j-esimo objetivo y εj es
el valor de ε para el j-esimo objetivo.Este arreglo de identificacion divide todo el espacio de lasfunciones objetivo en hiper-cajas, cada una de las cuales tiene untamano εj en el j-esimo objetivo
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Insertar un individuo en el archivo externo
c1 .- nuevo individuo a ingresara .- miembro del archivo externo
Figura: ε-MyDE. Caso 1
Caso 1:Si el Ba de cualquier individuo del archivo
externo domina al nuevo individuo ci
Entonces el nuevo individuo se rechazaCaso 2:
Caso 3:Caso 4:
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Insertar un individuo en el archivo externo
c1 .- nuevo individuo a ingresara .- miembro del archivo externo
Figura: ε-MyDE. Caso 2
Caso 1:Caso 2:
Si el nuevo individuo ci domina a cualquier Ba
del archivo externo, este miembro es eliminado yel nuevo individuo es aceptado.
Caso 3:Caso 4:
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Insertar un individuo en el archivo externo
c1 .- nuevo individuo a ingresara .- miembro del archivo externo
Figura: ε-MyDE. Caso 3
Caso 1:Caso 2:
Entonces significa que el nuevo individuo es nodominado con respecto a los del archivo externo.
Caso 3:Si el nuevo individuo ci comparte el vector B con
algun individuo del archivo externo, se comparan conla dominancia de Pareto, y si ambos son no dominadosentonces se elige al que este mas cerca del vector B.Solo reemplaza al individuo en el archivo externoCaso 4:
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Insertar un individuo en el archivo externo
c1 .- nuevo individuo a ingresara .- miembro del archivo externo
Figura: ε-MyDE. Caso 4
Caso 1:Caso 2:
Entonces significa que el nuevo individuo es nodominado con respecto a los del archivo externo.Caso 3:Caso 4:
El nuevo individuo ci no comparte el vector Bcon algun individuo del archivo externo.Siempre se acepta el nuevo individuo
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Calculo del vector ~ε
Generar N soluciones dentro de los lımites de las variables,Determinar los maximos y mınimos valores para las funcionesobjetivo, Xmax
i y Xmini en base a las soluciones generadas,
Calcular el vector ~ε:
εi =(Xmax
i − Xmini )
l
donde:i ∈ (1, . . . ,FUN)
l =
{256, si son dos funciones objetivo;64, si son tres funciones objetivo.
Cada 5 o 15 generaciones se verifica el numero de solucionesen el archivo externo, y se actualiza el del vector ~ε en caso deser necesario.Resulta difıcil encontrar una relacion precisa entre el valor delvector ~ε y el numero de soluciones requeridas, pues estedepende de la forma del frente de Pareto.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Comparacion entre MyDE y ε-MyDE
En MyDe se permite que varios individuos compartan elmismo hipercuadrado, en ε-MyDE no.
En MyDE se tiene que actualizar el tamano de la mallacontinuamente, en ε-MyDE se realiza un pre-calculo.
En MyDE se tiene un mecanismo para eliminar soluciones, enε-MyDE solo se permite la insercion.
En MyDE se cubren casi todos los frentes, pero ε-MyDEretiene las soluciones que se generan sobre el verdadero frente.
La distribucion de soluciones puede degradarse cuando seutiliza ε-MyDE, especialmente en zonas muy horizontales y/overticales.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Objetivos Particulares
Desarrollar un algoritmo que resuelva problemas multiobjetivo yque ademas sea competitivo, cuidando los siguientes aspectos:
Controlar la alta velocidad de convergencia que tiene la ED.
Utilizando una mutacion uniforme.
Cuidar la alta capacidad de exploracion que tiene la ED, ybuscar una mejor explotacion de soluciones.
Utilizando una seleccion elitista.
Realizar un buen manejo de restricciones.
Permitiendo a individuos no factibles pero que esten cerca dela zona factible trascender a la siguiente generacion.
Escoger un buen metodo para la retencion de soluciones.
Usando la malla autoadaptativa y dominancia - ε
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Objetivos Particulares
Desarrollar un algoritmo que resuelva problemas multiobjetivo yque ademas sea competitivo, cuidando los siguientes aspectos:
Controlar la alta velocidad de convergencia que tiene la ED.
Utilizando una mutacion uniforme.
Cuidar la alta capacidad de exploracion que tiene la ED, ybuscar una mejor explotacion de soluciones.
Utilizando una seleccion elitista.
Realizar un buen manejo de restricciones.
Permitiendo a individuos no factibles pero que esten cerca dela zona factible trascender a la siguiente generacion.
Escoger un buen metodo para la retencion de soluciones.
Usando la malla autoadaptativa y dominancia - ε
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Objetivos Particulares
Desarrollar un algoritmo que resuelva problemas multiobjetivo yque ademas sea competitivo, cuidando los siguientes aspectos:
Controlar la alta velocidad de convergencia que tiene la ED.
Utilizando una mutacion uniforme.
Cuidar la alta capacidad de exploracion que tiene la ED, ybuscar una mejor explotacion de soluciones.
Utilizando una seleccion elitista.
Realizar un buen manejo de restricciones.
Permitiendo a individuos no factibles pero que esten cerca dela zona factible trascender a la siguiente generacion.
Escoger un buen metodo para la retencion de soluciones.
Usando la malla autoadaptativa y dominancia - ε
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ε-MyDE
Objetivos Particulares
Desarrollar un algoritmo que resuelva problemas multiobjetivo yque ademas sea competitivo, cuidando los siguientes aspectos:
Controlar la alta velocidad de convergencia que tiene la ED.
Utilizando una mutacion uniforme.
Cuidar la alta capacidad de exploracion que tiene la ED, ybuscar una mejor explotacion de soluciones.
Utilizando una seleccion elitista.
Realizar un buen manejo de restricciones.
Permitiendo a individuos no factibles pero que esten cerca dela zona factible trascender a la siguiente generacion.
Escoger un buen metodo para la retencion de soluciones.
Usando la malla autoadaptativa y dominancia - ε
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas sin Restricciones - KURSAWE
Parametros
Parametro MyDE NSGA-II PAES e-MyDE PDEP 100 100 100 100 100
NP 100 100 100 100 (auto) 100Gmax 50 50 50 50 50
Pc 0.95 0.8 nd 0.95 ndPm 1/N 1/N 0.05 1/N nd
F 0.5 nd nd 0.5 N(0, 1)elitismo 0.2 nd nd 0.2 nd
malla (20d ) nd (2d+8) nd nddonde: N = numero de variables
d = numero de funcionesnd = no requiere parametro
Tabla: Parametros utilizados en los diversos algoritmos para realizar laspruebas y comparaciones.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas sin Restricciones - KURSAWE
Figura: MyDE y ε-MyDE
Figura: NSGA-II - Kursawe
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas sin Restricciones - KURSAWE
Figura: MyDE y ε-MyDE
Figura: PAES - Kursawe
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas sin Restricciones - KURSAWE
Figura: MyDE y ε-MyDE
Figura: PDE - Kursawe
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas sin Restricciones - KURSAWE
Resultados de las Metricas
Metrica - Algoritmo media mejor peor desv. EstandarTE MyDE 0.272 0.17 0.39 0.0589915
NSGA-II 0.4575 0.31 0.64 0.0907208PAES 0.449 0.27 0.64 0.1026439
ε-MyDE 0.15792013 0.0654206 0.23301 0.04288708PDE 0.5085 0.25 0.64 0.0958219
DG MyDE 0.00397841 0.00324389 0.00636706 0.00084727NSGA-II 0.00416653 0.00308047 0.0061631 0.00086198
PAES 0.00434111 0.00208384 0.00802109 0.00172447ε-MyDE 0.00327069 0.00288871 0.00374484 0.00025872
PDE 0.00467552 0.00366814 0.00667008 0.000966D MyDE 0.09773811 0.0640408 0.114672 0.01709315
NSGA-II 0.06180859 0.047978 0.11722 0.01663756PAES 0.1709759 0.088026 0.258871 0.0403215
ε-MyDE 0.09448982 0.0548549 0.109133 0.01243547PDE 0.10522477 0.0687954 0.145438 0.0224935
C MyDE NSGA-II PAES ε-MyDE PDE Dominan
MyDE 0.765842 0.694059 0.388327 0.765842 0.6535175NSGA-II 0.395545 0.559901 0.234375 0.633663 0.455871PAES 0.434653 0.663861 0.267004 0.679703 0.51130525
ε-MyDE 0.661881 0.824752 0.759901 0.825743 0.76806925PDE 0.420297 0.676733 0.595545 0.238511 0.4827715
Son Dominados 0.478094 0.732797 0.6523515 0.28205425 0.72623775
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas con Restricciones - KITA
Parametros
Parametro MyDE NSGA-II PAES e-MyDE PDEP 100 100 100 100 100
NP 100 100 100 100 (auto) 100Gmax 250 250 250 250 250
Pc 0.95 0.8 nd 0.95 ndPm 1/N 1/N 0.05 1/N nd
F 0.5 nd nd 0.5 N(0, 1)elitismo 0.7 nd nd 0.7 nd
malla 20d nd 2d+8 nd nddonde: N = numero de variables
d = numero de funcionesnd = no requiere parametro
Tabla: Parametros utilizados en los diversos algoritmos para realizar laspruebas y comparaciones.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas con Restricciones - KITA
Figura: MyDE y ε-MyDE
Figura: NSGA-II - Kita
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas con Restricciones - KITA
Figura: MyDE y ε-MyDE
Figura: PAES - Kita
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas con Restricciones - KITA
Figura: MyDE y ε-MyDE
Figura: PDE - Kita
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Resultados a los Problemas con Restricciones - KITA
Resultados de las Metricas
Metrica - Algoritmo media mejor peor desv. EstandarTE MyDE 0.633 0.44 0.88 0.10120849
NSGA-II 0.316 0.19 0.53 0.09394287PAES 0.745 0.53 1 0.14099272
e-MyDE 0.01640604 0 0.0550459 0.01635306PDE 0.8395 0.35 1 0.21211901
DG MyDE 0.01691935 0.00269066 0.133402 0.03088439NSGA-II 0.01470336 0.00136745 0.0902511 0.02729836
PAES 0.06363661 0.00172828 0.384466 0.09234686e-MyDE 0.00491203 0.0014577 0.0464165 0.0097998
PDE 0.00576845 0.0003873 0.032941 0.00769517D MyDE 0.16569178 0.0461003 1.29876 0.29770626
NSGA-II 0.0925237 0.00705687 0.56773 0.1688492PAES 0.25630758 0.0352046 3.11293 0.67529755
e-MyDE 0.07363313 0.0394301 0.492726 0.09905315PDE 0.01728939 3.6065E-05 0.2736 0.06115304
C MyDE NSGA-II PAES ε-MyDE PDE Dominan
MyDE 0.444554 0.8 0.0304183 0.897634 0.54315158NSGA-II 0.799801 0.766832 0.0427757 0.666667 0.56901893PAES 0.690512 0.346535 0.34173 0.83179 0.55264175
ε-MyDE 0.948833 0.806436 0.926238 0.928498 0.90250125PDE 0.109786 0.0965347 0.431188 0.00522814 0.16068421
Son Dominados 0.637233 0.42351493 0.7310645 0.10503804 0.83114725
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
Conclusiones
Conclusiones
Se obtuvo un algoritmo competitivo que manejala ED.Se resolvieron problemas multiobjetivo conrestricciones utilizando la ED.El algoritmo propuesto tiene una alta velocidadde convergencia.
Trabajo Futuro
Encontrar otra forma de calcular el vector ~ε.Lograr una auto-adaptacion de parametros.Proponer un nuevo algoritmo que utilice otroesquema de la ED.
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial
Introduccion ED Problema Multiobjetivo Algoritmos Metricas Propuesta Resultados Conclusiones
ED con Restricciones
Evolucion Diferencial con Restricciones
Luis Vicente Santana Quintero Centro de Investigacion y de Estudios Avanzados del IPN
Evolucion Diferencial