ALGORITMOS GENÉTICOS

DE OPTIMIZACIÓN
MULTIOBJETIVO
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

 Rosenberg R.S., Simulation of Genetic Populations with Biochemical

Properties. Ph. D. Thesis. University of Michigan, 1967.

Usar un AG para encontrar la química de un conjunto de organismos

unicelulares con múltiples propiedades

¿Cómo adaptar el Algoritmo Genético Simple si ahora se tiene más de

una función objetivo?

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
MOEA MultiObjective Evolutionary Algorithm
1984

Difieren del Algoritmo Genético Simple en:

• Cómo se asigna el fitness

• Cómo funcionan los operadores de
selección

• El primer MOEA fue propuesto por Schaffer

VECTOR EVALUATED GENETIC ALGORITHM
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
Pseudo- código General de los MOEAS
ALGORITMOS GENETICOS DE OPTIMIZACION
MULTIOBJETIVO

OPERADOR DE DIVERSIDAD
Aplica una técnica para evitar la convergencia a un sector del
frente de Pareto.

 Fitness sharing (dividir por nichos)

• Aplicado en el espacio de variables o en el espacio de
funciones.
• Depende fuertemente de la función de distancia utilizada.
• Se ideó para la optimización de funciones multimodales
(varios óptimos Locales).
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

 Fitness sharing (dividir por nichos)

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

 Fitness sharing (dividir por nichos)

• Permite la formación de subpoblaciones, permitiendo

buscar, en paralelo, varios picos de la función.

• En la evaluación de cada individuo, se penalizan

individuos muy parecidos mediante una función de
nicho sh (sharing)
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
OPERADOR DE DIVERSIDAD

 Restricción al cruzamiento
- Impide el cruzamiento de individuos muy similares (cuya distancia sea menor
que un valor σMATING).

 Crowding
- No tiene dependencia paramétrica.

 Otros mecanismos
 Difusión en paralelo.
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
ASIGNACION DEL FITNESS
Establece la regla que indica si un individuo es mejor que otro, dando
mayor probabilidad a los mejores individuos de ser seleccionados
como padres. Depende de los valores de las funciones objetivo y de
la métrica utilizada para evaluar la diversidad.

En cada población, a cada individuo se le asigna un orden según su

dominación sobre los otros individuos de la población:

1. La aptitud de cada cadena está asociada a su orden:

f (x) depende de nx

2. La aptitud de cada cadena está asociada al número de individuos

que domina f (x) depende de #x
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
NON –PARETO BASED
• Proponen mecanismos de asignación de fitness relativamente
sencillos, que no reflejan la independencia entre los objetivos del
problema y en general no garantizan una correcta resolución del
MOP.
• En la práctica, solo son adecuados para problemas con no más de 3
funciones objetivo.
• Transforman múltiples objetivos en un solo objetivo.

PARETO BASED
• Utilizan explícitamente la dominancia de Pareto en el
procedimiento de asignación de fitness.
• Suelen utilizar mecanismos para la preservación de la diversidad.
• Buscan un conjunto de soluciones del Frente Óptimo de Pareto.
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
El PRIMER MOGA (Multiobjective Genetic Algorithm)

SCHAFFER, J.D. (1984). Some experiments in machine learning using vector

evaluated genetic algorithm (artificial intelligence, optimization, adaptation,
pattern recognition). 166p. Tesis (Doctorado), Vanderbilt University, Nashville,
Estados Unidos de América, 1984.

Vector Evaluated Genetic Algorithm (VEGA)

• La idea consiste en incorporar una estrategia de selección
especial, que considera los objetivos múltiples en un AE
simple.

• Para un problema con m objetivos se generan m

subpoblaciones de tamaño #poblacion/m.
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

• Vector Evaluated Genetic Algorithm (VEGA)

• Los individuos son seleccionados de acuerdo con

cada uno de los objetivos.

• Permite el cruce entre individuos de cualquier sub

grupo de manera que existan soluciones intermedias

• El mecanismo de selección utilizado se basa en usar

soluciones localmente dominadas en cada
generación.

• No utiliza dominancia de Pareto.

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

Aciertos del VEGA

• Novedoso, primera aproximación
• Fácil de implementar, solo debe cambiarse el
operador de selección

¿En qué falló el VEGA?

• Debido a la forma proporcional en que se asigna el

FITNESS, las respuestas encontradas son una
combinación lineal de los objetivos. Los pesos
dependen de la distribución de la población en cada
iteración.
• Se concentra en tan solo unas soluciones del FOP
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

MOEAS DE PRIMERA GENERACIÓN

La primera generación de propuestas de MOEAs

transcurrió en el período 1994-1999, luego de la
sugerencia de Goldberg de aplicar dominancia de Pareto
al mecanismo de selección del VEGA.

Características:
• La utilización de dominancia de Pareto.
• El empleo de nichos y sharing para proveer diversidad.
• En general no utilizaban elitismo.
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

MOEAS DE PRIMERA GENERACIÓN

Tres algoritmos representativos son:

• NSGA – Non-dominated Sorting Genetic Algorithm

• NPGA – Niched Pareto Genetic Algorithm

• MOGA – Multiobjective Genetic Algorithm

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

NSGA
Non Dominated
Sorting Genetic
Algorithm
Shrnivas y Deb (1994)
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
NSGA
Non Dominated Sorting Genetic
Algorithm
Shrnivas y Deb (1994)
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

NPGA – Niched Pareto Genetic Algorithm

Horn - 1993

Utilizar selección mediante torneo basada en la

dominancia de Pareto con respecto a un subconjunto
de la población.

En caso de empates se decide por fitness sharing, tanto

en el espacio de las funciones objetivo como en el de
las variables de decisión.
 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
MOGA Multi-Objective Genetic Algorithm
Fonseca y Fleming – 1993

• Implementa una variante de la jerarquización de Pareto

propuesta por Goldberg.

• Utiliza rangos de dominancia para asignar el fitness:

• pit = cantidad de individuos que dominan al individuo i en la
generación t.

• rango(i, t) = pit + 1

• Los individuos no dominados tendrán un rango de 1.

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO

MOGA Multi-Objective Genetic Algorithm

Fonseca y Fleming – 1993

• Los individuos dominados son penalizados de acuerdo

a la densidad de las regiones que lo dominan.

• Utiliza nichos. Se propone una metodología para el

cálculo de σSHARING.

• Utiliza restricciones al cruzamiento.

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
MOEAs DE PRIMERA GENERACION

Retos:

• Mejorar la eficiencia computacional

• Aplicar nuevos métodos de preservación de la

diversidad

• Establecer funciones de prueba

• Establecer métricas de desempeño

• Ampliar la fundamentación teórica

 ALGORITMOS GENÉTICOS DE
OPTIMIZACIÓN MULTIOBJETIVO
MOEAs DE SEGUNDA GENERACION

• Desde 1999 hasta hoy.

• Incorporación de elitismo.

• Avances en fundamentación teórica.

• Múltiples propuestas de problemas de prueba.

• Múltiples propuestas de métricas de desempeño.

Algoritmos representativos:
NSGA-II, SPEA 2
 REFERENCIAS

Jaramillo P. Optimización multiobjetivo con Algoritmos Genéticos.

Universidad Nacional de Colombia – Sede Medellín.
Disponible en internet.

Centro de cálculo, Instituto de educación. Algoritmos evolutivos.

Universidad de la República, Uruguay.
Disponible en internet.

DEB, K. (1999). Evolutionary algorithms for multi-criterion

optimization in engineering design. In: PROCEEDINGS OF
EVOLUTIONARY ALGORITHMS IN ENGINEERING AND
COMPUTER SCIENCE (EUROGEN-99). Jyväskylä, Finlandia, 29
de maio - 03 de junho de 1999, p.135-161.