Algoritmo Evolutivo de Muchos Objetivos: Reducción del Espacio Objetivo y Mejora de Diversidad

Los algoritmos evolutivos se han aplicado con éxito para explorar tanto frentes aproximados Pareto-óptimos convergentes como diversificados en problemas de optimización multiobjetivo, generalmente de dos o tres objetivos. Sin embargo, al resolver problemas con muchos objetivos, casi todos los algoritmos tienen un rendimiento deficiente debido a la pérdida de presión de selección en la evaluación de la aptitud. Un espacio objetivo extremadamente grande podría deteriorar inadvertidamente el efecto de un operador evolutivo. En este artículo, proponemos un nuevo enfoque para abordar directamente los desafíos de resolver problemas de optimización de muchos objetivos (MaOPs). Este diseño novedoso incluye dos etapas: primero, toda la población se acerca rápidamente a un pequeño número de puntos “objetivo” cercanos al verdadero frente de Pareto; luego, se aplica la estrategia de mejora de diversidad propuesta para facilitar que estos individuos se dispersen y distribuyan bien. Como estudio de caso, el algoritmo propuesto basado en este diseño se compara con cinco algoritmos de última generación. Los resultados experimentales muestran que el método propuesto exhibe un rendimiento mejorado tanto en convergencia como en diversidad para resolver MaOPs.