Otimização Multiobjetivo Usando Classificação Não Dominada em Algoritmos Genéticos

Ao tentar resolver problemas de otimização multiobjetivo, muitos métodos tradicionais escalarizam o vetor objetivo em um único objetivo. Nesses casos, a solução obtida é altamente sensível ao vetor de peso usado no processo de escalarização e demanda que o usuário tenha conhecimento sobre o problema subjacente. Além disso, ao resolver problemas multiobjetivos, os projetistas podem se interessar por um conjunto de pontos Pareto-otimais, em vez de um único ponto. Como os algoritmos genéticos (AGs) trabalham com uma população de pontos, parece natural usar AGs em problemas de otimização multiobjetivo para capturar um número de soluções simultaneamente. Embora um AG avaliado por vetor (VEGA) tenha sido implementado por Schaffer e tenha sido tentado resolver uma série de problemas multiobjetivos, o algoritmo parece ter um viés em relação a algumas regiões. Neste artigo, investigamos a noção de classificação não dominada de Goldberg em AGs juntamente com um método de nicho e especiação para encontrar múltiplos pontos Pareto-otimais simultaneamente. Os resultados de prova de princípio obtidos em três problemas usados por Schaffer e outros sugerem que o método proposto pode ser ampliado para problemas multiobjetivos de maior dimensão e mais difíceis. Um número de sugestões para extensão e aplicação do algoritmo também são discutidas.