Optimización Multiobjetivo Constrainada: Construcción de Problemas de Prueba y Evaluaciones de Rendimiento

La optimización multiobjetivo sujeta a restricciones abunda en aplicaciones prácticas y está ganando atención creciente en la comunidad de computación evolutiva. Los problemas de prueba artificiales son críticos para el progreso en esta área de investigación. Sin embargo, muchos de ellos carecen de características importantes, como escalabilidad y dependencias variables, que pueden ser esenciales para la evaluación de algoritmos evolutivos modernos. Este artículo propone primero un nuevo marco para la construcción de problemas de prueba restringidos. Este marco divide un vector de decisión en variables de posición y distancia y obliga a que sus valores óptimos se sitúen en una hipersuperficie no lineal de tal manera que se puedan introducir interdependencias entre las variables de posición y entre las de distancia individualmente. En este marco, se diseñan dos tipos de restricciones para introducir la dureza de convergencia y la dureza de diversidad, respectivamente. El primer tipo introduce barreras no factibles al acercarse a los óptimos, y al mismo tiempo, hace que las variables de posición y distancia se interrelacionen entre sí. El segundo tipo restringe las regiones óptimas factibles de tal manera que se pueden obtener diferentes formas de frentes de Pareto. Basado en este marco, construimos 16 problemas de prueba escalables y restringidos que abarcan una variedad de dificultades. Luego, en la segunda parte de este artículo, evaluamos el rendimiento de algunos de los mejores enfoques tecnológicos propuestos para los problemas de prueba, mostrando que son bastante desafiantes y hay margen para una mayor mejora de los algoritmos existentes. Finalmente, discutimos en detalle la fuente de las dificultades presentadas en estos nuevos problemas.