Optimización Multiobjetivo Dinámica Evolutiva: Comparaciones de Algoritmos y Referencias

La optimización multiobjetivo dinámica (OMD) ha recibido un creciente interés de investigación en los últimos años, ya que muchos problemas de optimización del mundo real parecen no solo tener múltiples objetivos que entran en conflicto entre sí, sino también cambiar con el tiempo. Las características variables en el tiempo de estos problemas de OMD (POMD) plantean nuevos desafíos a los algoritmos evolutivos. Considerando la importancia de un conjunto representativo y diverso de funciones de referencia para OMD, en este artículo proponemos un nuevo generador de referencias que es capaz de ajustar una serie de características desafiantes, incluyendo frentes de Pareto óptimos mixtos (convexidad-concavidad), vinculaciones variables no monótonas y que varían con el tiempo, tipos de cambios mixtos, y aleatoriedad en el tipo de cambio, que rara vez o nunca han sido considerados o probados en la literatura. Se produce un conjunto de pruebas de diez instancias con diferentes características dinámicas a partir del generador en este artículo. Además, se proponen algunas nuevas medidas de rendimiento para evaluar algoritmos para POMD con diferentes características. Se investigan seis algoritmos evolutivos multiobjetivo representativos de la literatura en función del conjunto de pruebas de OMD propuesto y las medidas de rendimiento. Los resultados experimentales facilitan una mejor comprensión de las fortalezas y debilidades de estos algoritmos comparados para POMD.