Os Efeitos do Uso de Mapas Caóticos na Melhoria do Desempenho de Algoritmos Evolutivos Multiobjetivo

Mapas caóticos desempenham um papel importante na melhoria de algoritmos evolutivos (EAs) para evitar os ótimos locais e acelerar a convergência. No entanto, diferentes mapas caóticos em diferentes fases têm efeitos diferentes sobre os EAs. Este artigo foca na exploração dos efeitos dos mapas caóticos e fornece orientações abrangentes para melhorar algoritmos evolutivos multiobjetivo (MOEAs) através de uma série de experimentos. O algoritmo NSGA‐II, um representante dos MOEAs que utiliza a ordenação não dominada e estratégia elitista, é tomado como a estrutura para estudar o efeito dos mapas caóticos. Dez mapas caóticos são aplicados nos MOEAs em três fases, ou seja, população inicial, crossover e operador de mutação. Os problemas multiobjetivo (MOPs) adotados são os problemas da série ZDT para mostrar a generalidade. Como a escala de algumas sequências geradas por mapas caóticos é alterada para se adaptar aos MOPs, a correção da transformação de escala das sequências caóticas é comprovada medindo o maior expoente de Lyapunov. A métrica de convergência γ e a métrica de diversidade Δ são escolhidas para avaliar o desempenho dos novos algoritmos com caos. Os resultados dos experimentos demonstram que os mapas caóticos podem melhorar o desempenho dos MOEAs, especialmente na resolução de problemas com frente de Pareto convexa e em pedaços. Além disso, o mapa de gato apresenta o melhor desempenho na resolução de problemas com ótimos locais.