Investigações sobre Técnicas de Arquivamento para Otimizadores ...
Transcript of Investigações sobre Técnicas de Arquivamento para Otimizadores ...
Universidade Federal do Rio Grande do NorteCentro de Ciências Exatas e da Terra
Programa de Pós-graduação em Sistemas eComputação
Investigações sobre Técnicas de Arquivamento
para Otimizadores Multiobjetivo
Hudson Geovane de Medeiros
Natal-RN
2016
Hudson Geovane de Medeiros
Investigações sobre Técnicas de Arquivamento paraOtimizadores Multiobjetivo
Dissertação apresentada ao Programa dePós-graduação em Sistemas e Computaçãodo Centro de Ciências Exatas e da Terrada Universidade Federal do Rio Grande doNorte como requisito parcial para a obtençãodo grau de Mestre em Sistemas e Computa-ção.
Orientadora
Profa. Dra. Elizabeth Ferreira Gouvêa Goldbarg
Universidade Federal do Rio Grande do Norte – UFRNPrograma de Pós-graduação em Sistemas e Computação
Natal-RN
2016
Medeiros, Hudson Geovane de. Investigações sobre técnicas de arquivamento paraotimizadores multiobjetivo / Hudson Geovane de Medeiros. -Natal, 2016. 203f: il.
Orientadora: Profa. Dra. Elizabeth Ferreira Gouvêa Goldbarg.
Dissertação (Mestrado) - Universidade Federal do Rio Grandedo Norte. Centro de Ciências Exatas e da Terra. Programa de Pós-graduação em Sistemas e Computação.
1. Algoritmos evolucionários. 2. Otimização multiobjetivo.3. Técnicas de arquivamento. I. Goldbarg, Elizabeth FerreiraGouvêa. II. Título.
Catalogação da Publicação na FonteUniversidade Federal do Rio Grande do Norte - UFRN
Sistema de Bibliotecas - SISBI
Agradecimentos
Agradeço aos professores D.Sc. Marco Cesar Goldbarg, D.Sc. Silvia Maria Diniz Mon-
teiro e D.Sc. Aurora Trindad Ramirez Pozo pela aceitação do convite de participação nas
bancas de qualificação e defesa de dissertação, além da contribuição com ideias durante a
realização deste trabalho.
Agradeço, por fim, sinceramente e especialmente à minha orientadora, professora D.Sc.
Elizabeth Ferreira Gouvêa Goldbarg, pelo apoio e trabalho despendido durante toda a
realização desta pesquisa, e pela disponibilidade quase onitemporal que me foi oferecida
de sua parte.
Investigações sobre Técnicas de Arquivamento paraOtimizadores Multiobjetivo
Autor: Hudson Geovane de Medeiros
Orientadora: Profa. Dra. Elizabeth Ferreira Gouvêa Goldbarg
Resumo
Problemas multiobjetivo possuem, em geral, diversas soluções ótimas, as quais compõem
o conjunto Pareto ótimo. Uma classe de algoritmos heurísticos para tais problemas, aqui
chamados de otimizadores, produz aproximações deste conjunto. O conjunto de aproxima-
ção mantido pelo otimizador pode ser ilimitado ou limitado. A vantagem de utilizar um
arquivo ilimitado é a garantia de que todas as soluções não-dominadas geradas durante o
processo serão mantidas. Entretanto, devido ao grande número de soluções que podem ser
geradas, a manutenção do arquivo com a comparação frequente entre todas as soluções
demanda, muitas vezes, um alto custo computacional. A alternativa é usar um arquivo
limitado. O problema que surge neste caso é a necessidade de descartar soluções quando
novas não-dominadas são geradas e o arquivo já se encontra totalmente preenchido. Al-
gumas técnicas foram propostas para lidar com este problema, no entanto investigações
mostraram que nenhuma delas é completamente capaz de prevenir a deterioração dos ar-
quivos. Este trabalho investiga uma técnica para ser usada em conjunto com as propostas
previamente na literatura para lidar com arquivos limitados. A técnica consiste em manter
soluções descartadas em um arquivo secundário e reciclar periodicamente tais soluções.
São apresentados três métodos para a reciclagem. Para verificar as propostas são capazes
de melhorar o conteúdo dos arquivos durante a otimização, elas foram implementadas
em conjunto com outras da literatura. Um experimento computacional com os algoritmos
NSGA-II, SPEA2, PAES, MOEA/D e NSGA-III, aplicados a diversas classes de proble-
mas é apresentado. O potencial e as dificuldades das técnicas propostas são avaliados com
base em testes estatísticos.
Palavras-chave: Otimização multiobjetivo, Técnicas de arquivamento, Algoritmos evolu-
cionários
Investigations into Archiving Techniques forMulti-objective Optimizers
Author: Hudson Geovane de Medeiros
Advisor: Prof. Dr. Elizabeth Ferreira Gouvêa Goldbarg
Abstract
Multi-objective problems may have many optimal solutions, which together form the
Pareto optimal set. A class of heuristic algorithms for those problems, in this work called
optimizers, produces approximations of this optimal set. The approximation set kept by
the optmizer may be limited or unlimited. The benefit of using an unlimited archive
is to guarantee that all the nondominated solutions generated in the process will be
saved. However, due to the large number of solutions that can be generated, to keep an
archive and compare frequently new solutions to the stored ones may demand a high
computational cost. The alternative is to use a limited archive. The problem that emerges
from this situation is the need of discarding nondominated solutions when the archive is
full. Some techniques were proposed to handle this problem, but investigations show that
none of them can surely prevent the deterioration of the archives. This work investigates a
technique to be used together with the previously proposed ideas in the literature to deal
with limited archives. The technique consists on keeping discarded solutions in a secondary
archive, and periodically recycle these solutions, bringing them back to the optimization.
Three methods of recycling are presented. In order to verify if these ideas are capable
to improve the archive content during the optimization, they were implemented together
with other techniques from the literature. An computational experiment with NSGA-II,
SPEA2, PAES, MOEA/D and NSGA-III algorithms, applied to many classes of problems
is presented. The potential and the difficulties of the proposed techniques are evaluated
based on statistical tests.
Keywords : Multi-objective Optimization, Archiving techniques, Evolutionary algorithms
Lista de figuras
1 Representação do ponto ideal em 2D. . . . . . . . . . . . . . . . . . . . p. 37
2 Distance Archiver C-deteriora. . . . . . . . . . . . . . . . . . . . . . . . p. 38
3 Representação do ARA em 2D. . . . . . . . . . . . . . . . . . . . . . . p. 39
4 Resultados de hipervolume para a instância 2000-3D . . . . . . . . . . p. 46
5 Resultados de hipervolume para a instância seq1to2-2d-2000 . . . . . . p. 46
6 Representação dos pontos de referência do NSGA-III(DEB; JAIN, 2014). p. 58
7 Fronteira de Pareto do problema ZTD1. . . . . . . . . . . . . . . . . . p. 68
8 Fronteira de Pareto do problema ZTD2. . . . . . . . . . . . . . . . . . p. 68
9 Fronteira de Pareto do problema ZTD3. . . . . . . . . . . . . . . . . . p. 69
10 Fronteira de Pareto do problema ZTD4. . . . . . . . . . . . . . . . . . p. 70
11 Fronteira de Pareto do problema DTLZ1 . . . . . . . . . . . . . . . . . p. 72
12 Fronteira de Pareto do problema DTLZ2 . . . . . . . . . . . . . . . . . p. 73
13 Resultados – NSGAII – DTLZ2 . . . . . . . . . . . . . . . . . . . . . . p. 82
14 Resultados de hipervolume – NSGA-II – PQA . . . . . . . . . . . . . . p. 86
15 Resultados de hipervolume – SPEA2 – PQA . . . . . . . . . . . . . . . p. 93
16 Resultados de ε-aditivo – SPEA2 – PQA . . . . . . . . . . . . . . . . . p. 93
17 Resultados – SPEA2 – WFG6 . . . . . . . . . . . . . . . . . . . . . . . p. 96
18 Resultados – SPEA2 – WFG4–5 . . . . . . . . . . . . . . . . . . . . . . p. 114
19 Resultados do NSGA-II para o Problema da Mochila. . . . . . . . . . . p. 124
Lista de tabelas
1 Arquivadores e suas propriedades . . . . . . . . . . . . . . . . . . . . . p. 41
2 Número de pontos ótimos salvos por cada arquivador nas instâncias. . . p. 43
3 Cardinalidade da saída do ARA . . . . . . . . . . . . . . . . . . . . . . p. 44
4 Ordenação de acordo com o hipervolume obtidos pelos arquivadores . . p. 44
5 Resultados do hipervolume dos Arquivadores . . . . . . . . . . . . . . . p. 45
6 Resultados do ε-aditivo dos arquivadores . . . . . . . . . . . . . . . . . p. 47
7 Tempo gasto (em segundos) por cada arquivador . . . . . . . . . . . . . p. 47
8 Problemas WFG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 63
9 Problemas aplicados aos otimizadores . . . . . . . . . . . . . . . . . . . p. 76
10 Resultados de hipervolume médio na última iteração – NSGA-II – Pro-
blema da Mochila . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 79
11 Tempo médio gasto pelos métodos no Problema da Mochila. . . . . . . p. 81
12 Resultados de ε-aditivo para o NSGA-II – DTLZ . . . . . . . . . . . . . p. 81
13 Resultados de hipervolume para o NSGA-II – DTLZ . . . . . . . . . . p. 82
14 Média de tempos (em segundos) gasto por cada variante do NSGA-II –
DTLZ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 83
15 Hipervolumes médios – NSGA-II – PQA . . . . . . . . . . . . . . . . . p. 83
16 ε-aditivo médio – NSGA-II – PQA . . . . . . . . . . . . . . . . . . . . p. 84
17 Tempo de execução médio (em milisegundos) – NSGAII – PQA . . . . p. 86
18 Hipervolume médio – NSGA-II – Problemas WFG . . . . . . . . . . . . p. 87
19 ε-adtivo médio – NSGA-II – Problemas WFG . . . . . . . . . . . . . . p. 87
20 Tempo de execução médio (em milisegundos) – NSGAII – Problemas WFG p. 88
21 Hipervolume médio – NSGA-II – Problemas LZ09 . . . . . . . . . . . . p. 88
22 ε-adtivo médio – NSGA-II – Problemas LZ09 . . . . . . . . . . . . . . . p. 89
23 Tempo de execução médio (em milisegundos) – NSGAII – Problemas LZ09 p. 89
24 Hipervolume médio – NSGA-II – Problemas Contínuos . . . . . . . . . p. 89
25 ε-aditivo médio – NSGA-II – Problemas Contínuos . . . . . . . . . . . p. 90
26 Tempo de execução médio (em milisegundos) – NSGAII – Problemas
Contínuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 90
27 Hipervolume médio – SPEA2 – PQA . . . . . . . . . . . . . . . . . . . p. 91
28 ε-aditivo médio – SPEA2 – PQA . . . . . . . . . . . . . . . . . . . . . p. 91
29 Tempo de execução médio (em milisegundos) – SPEA2 – PQA . . . . . p. 94
30 Hipervolume médio – SPEA2 – Problemas WFG . . . . . . . . . . . . . p. 94
31 ε-aditivo médio – SPEA2 – Problemas WFG . . . . . . . . . . . . . . . p. 95
32 Tempo de execução médio (em milisegundos) – SPEA2 – Problemas WFG p. 96
33 Hipervolume médio – SPEA2 – Problemas LZ09 . . . . . . . . . . . . . p. 97
34 ε-aditivo médio – SPEA2 – Problemas LZ09 . . . . . . . . . . . . . . . p. 97
35 Tempo de execução médio (em milisegundos) – SPEA2 – Problemas LZ09 p. 98
36 Hipervolume médio – SPEA2 – Problemas Contínuos . . . . . . . . . . p. 98
37 ε-aditivo médio – SPEA2 – Problemas Contínuos . . . . . . . . . . . . p. 99
38 Tempo de execução médio (em milisegundos) – SPEA2 – Problemas Con-
tínuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 99
39 Hipervolume médio – PAES – PQA . . . . . . . . . . . . . . . . . . . . p. 100
40 ε-aditivo médio – PAES – PQA . . . . . . . . . . . . . . . . . . . . . . p. 100
41 Tempo de execução médio (em milisegundos) – PAES – PQA . . . . . . p. 101
42 Hipervolume médio – PAES – Problemas WFG . . . . . . . . . . . . . p. 101
43 ε-aditivo médio – PAES – Problemas WFG . . . . . . . . . . . . . . . . p. 102
44 Tempo de execução médio (em milisegundos) – PAES – Problemas WFG p. 103
45 Hipervolume médio – PAES – Problemas LZ09 . . . . . . . . . . . . . . p. 103
46 ε-aditivo médio – PAES – Problemas LZ09 . . . . . . . . . . . . . . . . p. 104
47 Tempo de execução médio (em milisegundos) – PAES – Problemas LZ09 p. 104
48 Hipervolume médio – PAES – Problemas Contínuos . . . . . . . . . . . p. 104
49 ε-aditivo médio – PAES – Problemas Contínuos . . . . . . . . . . . . . p. 105
50 Tempo de execução médio (em milisegundos) – PAES – Problemas LZ09 p. 105
51 Resultados de hipervolume obtidos pelo MOEA/D – ZDT. . . . . . . . p. 107
52 Resultados de ε-aditivo obtidos pelo MOEA/D – ZDT. . . . . . . . . . p. 107
53 Tempo médio (em segundos) gasto por cada variante – MOEA/D – Pro-
blemas ZDT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 107
54 Hipervolume médio do MOEA/D aos problemas DTLZ. . . . . . . . . . p. 108
55 ε-aditivo médio do MOEA/D aos problemas DTLZ. . . . . . . . . . . . p. 108
56 Tempo médio (em segundos) gasto por cada variante – MOEA/D – Pro-
blemas DTLZ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 109
57 Resultados de hipervolumes do NSGA-III aos problemas ZDT . . . . . p. 109
58 Resultados de ε-aditivo do NSGA-III aos problemas ZDT . . . . . . . . p. 110
59 Tempo médio (em segundos) gasto por cada variante – NSGA-III – Pro-
blemas ZDT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 110
60 Resultados de hipervolumes do NSGA-III aos problemas DTLZ . . . . p. 111
61 Resultados de ε-aditivo do NSGA-III aos problemas DTLZ . . . . . . . p. 111
62 Tempo médio (em segundos) gasto por cada variante – NSGA-III – Pro-
blemas DTLZ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 111
63 Hipervolumes obtidos pelo NSGA-III no Problema do Caixeiro Viajante p. 112
64 Tempo médio (em segundos) gasto por cada variante – NSGA-III – Pro-
blema do Caixeiro Viajante . . . . . . . . . . . . . . . . . . . . . . . . p. 112
65 Hipervolume NSGA-II – Problema da Mochila 100–2 . . . . . . . . . . p. 125
66 Hipervolume NSGA-II – Problema da Mochila 100–3 . . . . . . . . . . p. 125
67 Hipervolume NSGA-II – Problema da Mochila 100–4 . . . . . . . . . . p. 125
68 Hipervolume NSGA-II – Problema da Mochila 250–2 . . . . . . . . . . p. 126
69 Hipervolume NSGA-II – Problema da Mochila 250–3 . . . . . . . . . . p. 126
70 Hipervolume NSGA-II – Problema da Mochila 250–4 (∗1015) . . . . . . p. 126
71 Hipervolume NSGA-II – Problema da Mochila 500–2 . . . . . . . . . . p. 126
72 Hipervolume NSGA-II – Problema da Mochila 500–3 . . . . . . . . . . p. 126
73 Hipervolume NSGA-II – Problema da Mochila 500–4 (∗1016) . . . . . . p. 126
74 Hipervolume NSGA-II – Problema da Mochila 750–2 . . . . . . . . . . p. 127
75 Hipervolume NSGA-II – Problema da Mochila 750–3 . . . . . . . . . . p. 127
76 Hipervolume NSGA-II – Problema da Mochila 750–4 (∗1017) . . . . . . p. 127
77 Resultados de hipervolume – NSGA-II para o problema DTLZ1–2D. . . p. 128
78 Resultados de hipervolume – NSGA-II para o problema DTLZ1–3D. . . p. 128
79 Resultados de hipervolume – NSGA-II para o problema DTLZ1–4D. . . p. 128
80 Resultados de ε-aditivo – NSGA-II para o problema DTLZ1–2D. . . . . p. 129
81 Resultados de ε-aditivo – NSGA-II para o problema DTLZ1–3D. . . . . p. 129
82 Resultados de hipervolume – NSGA-II para o problema DTLZ2–2D. . . p. 129
83 Resultados de hipervolume – NSGA-II para o problema DTLZ2–3D. . . p. 129
84 Resultados de hipervolume – NSGA-II para o problema DTLZ2–3D. . . p. 129
85 Resultados de ε-aditivo – NSGA-II para o problema DTLZ2–2D. . . . . p. 130
86 Resultados de ε-aditivo – NSGA-II para o problema DTLZ2–3D. . . . . p. 130
87 Hipervolumes – NSGAII – PQA10-2 Semente 123 . . . . . . . . . . . . p. 131
88 Hipervolumes – NSGAII – PQA10-2 Semente 215 . . . . . . . . . . . . p. 131
89 Hipervolumes – NSGAII – PQA10-3 Semente 155 . . . . . . . . . . . . p. 131
90 Hipervolumes – NSGAII – PQA10-3 Semente 256 . . . . . . . . . . . . p. 132
91 Hipervolumes – NSGAII – PQA20-2 Semente 88 . . . . . . . . . . . . . p. 132
92 Hipervolumes – NSGAII – PQA20-2 Semente 124 . . . . . . . . . . . . p. 132
93 Hipervolumes – NSGAII – PQA20-3 Semente 588 . . . . . . . . . . . . p. 132
94 Hipervolumes – NSGAII – PQA20-3 Semente 3438 . . . . . . . . . . . . p. 133
95 Hipervolumes – NSGAII – PQA20-4 Semente 2377 . . . . . . . . . . . . p. 133
96 Hipervolumes – NSGAII – PQA20-4 Semente 9813 . . . . . . . . . . . . p. 133
97 ε-aditivo – NSGAII – PQA10-2 Semente 123 . . . . . . . . . . . . . . . p. 134
98 ε-aditivo – NSGAII – PQA10-2 Semente 215 . . . . . . . . . . . . . . . p. 134
99 ε-aditivo – NSGAII – PQA10-3 Semente 155 . . . . . . . . . . . . . . . p. 134
100 ε-aditivo – NSGAII – PQA10-3 Semente 256 . . . . . . . . . . . . . . . p. 135
101 ε-aditivo – NSGAII – PQA20-2 Semente 88 . . . . . . . . . . . . . . . . p. 135
102 ε-aditivo – NSGAII – PQA20-2 Semente 124 . . . . . . . . . . . . . . . p. 135
103 ε-aditivo – NSGAII – PQA20-3 Semente 588 . . . . . . . . . . . . . . . p. 135
104 ε-aditivo – NSGAII – PQA20-3 Semente 3438 . . . . . . . . . . . . . . p. 136
105 ε-aditivo – NSGAII – PQA20-4 Semente 2377 . . . . . . . . . . . . . . p. 136
106 ε-aditivo – NSGAII – PQA20-4 Semente 9813 . . . . . . . . . . . . . . p. 136
107 Hipervolumes – NSGAII – WFG1 . . . . . . . . . . . . . . . . . . . . p. 137
108 Hipervolumes – NSGAII – WFG2 . . . . . . . . . . . . . . . . . . . . p. 137
109 Hipervolumes – NSGAII – WFG3 . . . . . . . . . . . . . . . . . . . . p. 137
110 Hipervolumes – NSGAII – WFG4 . . . . . . . . . . . . . . . . . . . . p. 138
111 Hipervolumes – NSGAII – WFG5 . . . . . . . . . . . . . . . . . . . . p. 138
112 Hipervolumes – NSGAII – WFG6 . . . . . . . . . . . . . . . . . . . . p. 138
113 Hipervolumes – NSGAII – WFG7 . . . . . . . . . . . . . . . . . . . . p. 138
114 Hipervolumes – NSGAII – WFG8 . . . . . . . . . . . . . . . . . . . . p. 139
115 Hipervolumes – NSGAII – WFG9 . . . . . . . . . . . . . . . . . . . . p. 139
116 ε-aditivo – NSGAII – WFG1 . . . . . . . . . . . . . . . . . . . . . . . p. 140
117 ε-aditivo – NSGAII – WFG2 . . . . . . . . . . . . . . . . . . . . . . . p. 140
118 ε-aditivo – NSGAII – WFG3 . . . . . . . . . . . . . . . . . . . . . . . p. 140
119 ε-aditivo – NSGAII – WFG4 . . . . . . . . . . . . . . . . . . . . . . . p. 141
120 ε-aditivo – NSGAII – WFG5 . . . . . . . . . . . . . . . . . . . . . . . p. 141
121 ε-aditivo – NSGAII – WFG6 . . . . . . . . . . . . . . . . . . . . . . . p. 141
122 ε-aditivo – NSGAII – WFG7 . . . . . . . . . . . . . . . . . . . . . . . p. 141
123 ε-aditivo – NSGAII – WFG8 . . . . . . . . . . . . . . . . . . . . . . . p. 142
124 ε-aditivo – NSGAII – WFG9 . . . . . . . . . . . . . . . . . . . . . . . p. 142
125 Hipervolumes – NSGAII – LZ09F1 . . . . . . . . . . . . . . . . . . . . p. 143
126 Hipervolumes – NSGAII – LZ09F2 . . . . . . . . . . . . . . . . . . . . p. 143
127 Hipervolumes – NSGAII – LZ09F3 . . . . . . . . . . . . . . . . . . . . p. 143
128 Hipervolumes – NSGAII – LZ09F4 . . . . . . . . . . . . . . . . . . . . p. 144
129 Hipervolumes – NSGAII – LZ09F5 . . . . . . . . . . . . . . . . . . . . p. 144
130 Hipervolumes – NSGAII – LZ09F6 . . . . . . . . . . . . . . . . . . . . p. 144
131 Hipervolumes – NSGAII – LZ09F7 . . . . . . . . . . . . . . . . . . . . p. 144
132 Hipervolumes – NSGAII – LZ09F8 . . . . . . . . . . . . . . . . . . . . p. 145
133 Hipervolumes – NSGAII – LZ09F9 . . . . . . . . . . . . . . . . . . . . p. 145
134 ε-aditivo – NSGAII – LZ09F1 . . . . . . . . . . . . . . . . . . . . . . . p. 146
135 ε-aditivo – NSGAII – LZ09F2 . . . . . . . . . . . . . . . . . . . . . . . p. 146
136 ε-aditivo – NSGAII – LZ09F3 . . . . . . . . . . . . . . . . . . . . . . . p. 146
137 ε-aditivo – NSGAII – LZ09F4 . . . . . . . . . . . . . . . . . . . . . . . p. 147
138 ε-aditivo – NSGAII – LZ09F5 . . . . . . . . . . . . . . . . . . . . . . . p. 147
139 ε-aditivo – NSGAII – LZ09F6 . . . . . . . . . . . . . . . . . . . . . . . p. 147
140 ε-aditivo – NSGAII – LZ09F7 . . . . . . . . . . . . . . . . . . . . . . . p. 147
141 ε-aditivo – NSGAII – LZ09F8 . . . . . . . . . . . . . . . . . . . . . . . p. 148
142 ε-aditivo – NSGAII – LZ09F9 . . . . . . . . . . . . . . . . . . . . . . . p. 148
143 Hipervolumes – NSGAII – Kursawe . . . . . . . . . . . . . . . . . . . p. 149
144 Hipervolumes – NSGAII – Fonseca . . . . . . . . . . . . . . . . . . . . p. 149
145 Hipervolumes – NSGAII – Viennet2 . . . . . . . . . . . . . . . . . . . p. 149
146 Hipervolumes – NSGAII – Viennet3 . . . . . . . . . . . . . . . . . . . p. 150
147 ε-aditivo – NSGAII – Kursawe . . . . . . . . . . . . . . . . . . . . . . p. 150
148 ε-aditivo – NSGAII – Fonseca . . . . . . . . . . . . . . . . . . . . . . . p. 151
149 ε-aditivo – NSGAII – Viennet2 . . . . . . . . . . . . . . . . . . . . . . p. 151
150 ε-aditivo – NSGAII – Viennet3 . . . . . . . . . . . . . . . . . . . . . . p. 151
151 Hipervolumes – SPEA2 – PQA10-2 Semente 123 . . . . . . . . . . . . . p. 151
152 Hipervolumes – SPEA2 – PQA10-2 Semente 215 . . . . . . . . . . . . . p. 152
153 Hipervolumes – SPEA2 – PQA10-3 Semente 155 . . . . . . . . . . . . . p. 152
154 Hipervolumes – SPEA2 – PQA10-3 Semente 256 . . . . . . . . . . . . . p. 152
155 Hipervolumes – SPEA2 – PQA20-2 Semente 88 . . . . . . . . . . . . . p. 152
156 Hipervolumes – SPEA2 – PQA20-2 Semente 124 . . . . . . . . . . . . . p. 153
157 Hipervolumes – SPEA2 – PQA20-3 Semente 588 . . . . . . . . . . . . . p. 153
158 Hipervolumes – SPEA2 – PQA20-3 Semente 3438 . . . . . . . . . . . . p. 153
159 Hipervolumes – SPEA2 – PQA20-4 Semente 2377 . . . . . . . . . . . . p. 153
160 Hipervolumes – SPEA2 – PQA20-4 Semente 9813 . . . . . . . . . . . . p. 154
161 ε-aditivo – SPEA2 – PQA10-2 Semente 123 . . . . . . . . . . . . . . . p. 155
162 ε-aditivo – SPEA2 – PQA10-2 Semente 215 . . . . . . . . . . . . . . . p. 155
163 ε-aditivo – SPEA2 – PQA10-3 Semente 155 . . . . . . . . . . . . . . . p. 155
164 ε-aditivo – SPEA2 – PQA10-3 Semente 256 . . . . . . . . . . . . . . . p. 156
165 ε-aditivo – SPEA2 – PQA20-2 Semente 88 . . . . . . . . . . . . . . . . p. 156
166 ε-aditivo – SPEA2 – PQA20-2 Semente 124 . . . . . . . . . . . . . . . p. 156
167 ε-aditivo – SPEA2 – PQA20-3 Semente 588 . . . . . . . . . . . . . . . p. 156
168 ε-aditivo – SPEA2 – PQA20-3 Semente 3438 . . . . . . . . . . . . . . . p. 157
169 ε-aditivo – SPEA2 – PQA20-4 Semente 2377 . . . . . . . . . . . . . . . p. 157
170 ε-aditivo – SPEA2 – PQA20-4 Semente 9813 . . . . . . . . . . . . . . . p. 157
171 Hipervolumes – SPEA2 – WFG1 . . . . . . . . . . . . . . . . . . . . . p. 158
172 Hipervolumes – SPEA2 – WFG2 . . . . . . . . . . . . . . . . . . . . . p. 158
173 Hipervolumes – SPEA2 – WFG3 . . . . . . . . . . . . . . . . . . . . . p. 158
174 Hipervolumes – SPEA2 – WFG4 . . . . . . . . . . . . . . . . . . . . . p. 159
175 Hipervolumes – SPEA2 – WFG5 . . . . . . . . . . . . . . . . . . . . . p. 159
176 Hipervolumes – SPEA2 – WFG6 . . . . . . . . . . . . . . . . . . . . . p. 159
177 Hipervolumes – SPEA2 – WFG7 . . . . . . . . . . . . . . . . . . . . . p. 159
178 Hipervolumes – SPEA2 – WFG8 . . . . . . . . . . . . . . . . . . . . . p. 160
179 Hipervolumes – SPEA2 – WFG9 . . . . . . . . . . . . . . . . . . . . . p. 160
180 ε-aditivo – SPEA2 – WFG1 . . . . . . . . . . . . . . . . . . . . . . . . p. 161
181 ε-aditivo – SPEA2 – WFG2 . . . . . . . . . . . . . . . . . . . . . . . . p. 161
182 ε-aditivo – SPEA2 – WFG3 . . . . . . . . . . . . . . . . . . . . . . . . p. 161
183 ε-aditivo – SPEA2 – WFG4 . . . . . . . . . . . . . . . . . . . . . . . . p. 162
184 ε-aditivo – SPEA2 – WFG5 . . . . . . . . . . . . . . . . . . . . . . . . p. 162
185 ε-aditivo – SPEA2 – WFG6 . . . . . . . . . . . . . . . . . . . . . . . . p. 162
186 ε-aditivo – SPEA2 – WFG7 . . . . . . . . . . . . . . . . . . . . . . . . p. 162
187 ε-aditivo – SPEA2 – WFG8 . . . . . . . . . . . . . . . . . . . . . . . . p. 163
188 ε-aditivo – SPEA2 – WFG9 . . . . . . . . . . . . . . . . . . . . . . . . p. 163
189 Hipervolumes – SPEA2 – LZ09F1 . . . . . . . . . . . . . . . . . . . . p. 163
190 Hipervolumes – SPEA2 – LZ09F2 . . . . . . . . . . . . . . . . . . . . p. 163
191 Hipervolumes – SPEA2 – LZ09F3 . . . . . . . . . . . . . . . . . . . . p. 164
192 Hipervolumes – SPEA2 – LZ09F4 . . . . . . . . . . . . . . . . . . . . p. 164
193 Hipervolumes – SPEA2 – LZ09F5 . . . . . . . . . . . . . . . . . . . . p. 164
194 Hipervolumes – SPEA2 – LZ09F6 . . . . . . . . . . . . . . . . . . . . p. 164
195 Hipervolumes – SPEA2 – LZ09F7 . . . . . . . . . . . . . . . . . . . . p. 165
196 Hipervolumes – SPEA2 – LZ09F8 . . . . . . . . . . . . . . . . . . . . p. 165
197 Hipervolumes – SPEA2 – LZ09F9 . . . . . . . . . . . . . . . . . . . . p. 165
198 ε-aditivo – SPEA2 – LZ09F1 . . . . . . . . . . . . . . . . . . . . . . . p. 166
199 ε-aditivo – SPEA2 – LZ09F2 . . . . . . . . . . . . . . . . . . . . . . . p. 166
200 ε-aditivo – SPEA2 – LZ09F3 . . . . . . . . . . . . . . . . . . . . . . . p. 166
201 ε-aditivo – SPEA2 – LZ09F4 . . . . . . . . . . . . . . . . . . . . . . . p. 167
202 ε-aditivo – SPEA2 – LZ09F5 . . . . . . . . . . . . . . . . . . . . . . . p. 167
203 ε-aditivo – SPEA2 – LZ09F6 . . . . . . . . . . . . . . . . . . . . . . . p. 167
204 ε-aditivo – SPEA2 – LZ09F7 . . . . . . . . . . . . . . . . . . . . . . . p. 167
205 ε-aditivo – SPEA2 – LZ09F8 . . . . . . . . . . . . . . . . . . . . . . . p. 168
206 ε-aditivo – SPEA2 – LZ09F9 . . . . . . . . . . . . . . . . . . . . . . . p. 168
207 Hipervolumes – SPEA2 – Kursawe . . . . . . . . . . . . . . . . . . . . p. 169
208 Hipervolumes – SPEA2 – Fonseca . . . . . . . . . . . . . . . . . . . . p. 169
209 Hipervolumes – SPEA2 – Viennet2 . . . . . . . . . . . . . . . . . . . . p. 169
210 Hipervolumes – SPEA2 – Viennet3 . . . . . . . . . . . . . . . . . . . . p. 170
211 ε-aditivo – SPEA2 – Kursawe . . . . . . . . . . . . . . . . . . . . . . . p. 170
212 ε-aditivo – SPEA2 – Fonseca . . . . . . . . . . . . . . . . . . . . . . . p. 171
213 ε-aditivo – SPEA2 – Viennet2 . . . . . . . . . . . . . . . . . . . . . . . p. 171
214 ε-aditivo – SPEA2 – Viennet3 . . . . . . . . . . . . . . . . . . . . . . . p. 171
215 Hipervolumes – PAES – PQA10-2 Semente 123 . . . . . . . . . . . . . p. 171
216 Hipervolumes – PAES – PQA10-2 Semente 215 . . . . . . . . . . . . . p. 172
217 Hipervolumes – PAES – PQA10-3 Semente 155 . . . . . . . . . . . . . p. 172
218 Hipervolumes – PAES – PQA10-3 Semente 256 . . . . . . . . . . . . . p. 172
219 Hipervolumes – PAES – PQA20-2 Semente 88 . . . . . . . . . . . . . . p. 172
220 Hipervolumes – PAES – PQA20-2 Semente 124 . . . . . . . . . . . . . p. 173
221 Hipervolumes – PAES – PQA20-3 Semente 588 . . . . . . . . . . . . . p. 173
222 Hipervolumes – PAES – PQA20-3 Semente 3438 . . . . . . . . . . . . . p. 173
223 Hipervolumes – PAES – PQA20-4 Semente 2377 . . . . . . . . . . . . . p. 173
224 Hipervolumes – PAES – PQA20-4 Semente 9813 . . . . . . . . . . . . . p. 174
225 ε-aditivo – PAES – PQA10-2 Semente 123 . . . . . . . . . . . . . . . . p. 175
226 ε-aditivo – PAES – PQA10-2 Semente 215 . . . . . . . . . . . . . . . . p. 175
227 ε-aditivo – PAES – PQA10-3 Semente 155 . . . . . . . . . . . . . . . . p. 175
228 ε-aditivo – PAES – PQA10-3 Semente 256 . . . . . . . . . . . . . . . . p. 176
229 ε-aditivo – PAES – PQA20-2 Semente 88 . . . . . . . . . . . . . . . . . p. 176
230 ε-aditivo – PAES – PQA20-2 Semente 124 . . . . . . . . . . . . . . . . p. 176
231 ε-aditivo – PAES – PQA20-3 Semente 588 . . . . . . . . . . . . . . . . p. 176
232 ε-aditivo – PAES – PQA20-3 Semente 3438 . . . . . . . . . . . . . . . . p. 177
233 ε-aditivo – PAES – PQA20-4 Semente 2377 . . . . . . . . . . . . . . . . p. 177
234 ε-aditivo – PAES – PQA20-4 Semente 9813 . . . . . . . . . . . . . . . . p. 177
235 Hipervolumes – PAES – WFG1 . . . . . . . . . . . . . . . . . . . . . . p. 178
236 Hipervolumes – PAES – WFG2 . . . . . . . . . . . . . . . . . . . . . . p. 178
237 Hipervolumes – PAES – WFG3 . . . . . . . . . . . . . . . . . . . . . . p. 178
238 Hipervolumes – PAES – WFG4 . . . . . . . . . . . . . . . . . . . . . . p. 179
239 Hipervolumes – PAES – WFG5 . . . . . . . . . . . . . . . . . . . . . . p. 179
240 Hipervolumes – PAES – WFG6 . . . . . . . . . . . . . . . . . . . . . . p. 179
241 Hipervolumes – PAES – WFG7 . . . . . . . . . . . . . . . . . . . . . . p. 179
242 Hipervolumes – PAES – WFG8 . . . . . . . . . . . . . . . . . . . . . . p. 180
243 Hipervolumes – PAES – WFG9 . . . . . . . . . . . . . . . . . . . . . . p. 180
244 ε-aditivo – PAES – WFG1 . . . . . . . . . . . . . . . . . . . . . . . . . p. 181
245 ε-aditivo – PAES – WFG2 . . . . . . . . . . . . . . . . . . . . . . . . . p. 181
246 ε-aditivo – PAES – WFG3 . . . . . . . . . . . . . . . . . . . . . . . . . p. 181
247 ε-aditivo – PAES – WFG4 . . . . . . . . . . . . . . . . . . . . . . . . . p. 182
248 ε-aditivo – PAES – WFG5 . . . . . . . . . . . . . . . . . . . . . . . . . p. 182
249 ε-aditivo – PAES – WFG6 . . . . . . . . . . . . . . . . . . . . . . . . . p. 182
250 ε-aditivo – PAES – WFG7 . . . . . . . . . . . . . . . . . . . . . . . . . p. 182
251 ε-aditivo – PAES – WFG8 . . . . . . . . . . . . . . . . . . . . . . . . . p. 183
252 ε-aditivo – PAES – WFG9 . . . . . . . . . . . . . . . . . . . . . . . . . p. 183
253 Hipervolumes – PAES – LZ09F1 . . . . . . . . . . . . . . . . . . . . . p. 184
254 Hipervolumes – PAES – LZ09F2 . . . . . . . . . . . . . . . . . . . . . p. 184
255 Hipervolumes – PAES – LZ09F3 . . . . . . . . . . . . . . . . . . . . . p. 184
256 Hipervolumes – PAES – LZ09F4 . . . . . . . . . . . . . . . . . . . . . p. 185
257 Hipervolumes – PAES – LZ09F5 . . . . . . . . . . . . . . . . . . . . . p. 185
258 Hipervolumes – PAES – LZ09F6 . . . . . . . . . . . . . . . . . . . . . p. 185
259 Hipervolumes – PAES – LZ09F7 . . . . . . . . . . . . . . . . . . . . . p. 185
260 Hipervolumes – PAES – LZ09F8 . . . . . . . . . . . . . . . . . . . . . p. 186
261 Hipervolumes – PAES – LZ09F9 . . . . . . . . . . . . . . . . . . . . . p. 186
262 ε-aditivo – PAES – LZ09F1 . . . . . . . . . . . . . . . . . . . . . . . . p. 187
263 ε-aditivo – PAES – LZ09F2 . . . . . . . . . . . . . . . . . . . . . . . . p. 187
264 ε-aditivo – PAES – LZ09F3 . . . . . . . . . . . . . . . . . . . . . . . . p. 187
265 ε-aditivo – PAES – LZ09F4 . . . . . . . . . . . . . . . . . . . . . . . . p. 188
266 ε-aditivo – PAES – LZ09F5 . . . . . . . . . . . . . . . . . . . . . . . . p. 188
267 ε-aditivo – PAES – LZ09F6 . . . . . . . . . . . . . . . . . . . . . . . . p. 188
268 ε-aditivo – PAES – LZ09F7 . . . . . . . . . . . . . . . . . . . . . . . . p. 188
269 ε-aditivo – PAES – LZ09F8 . . . . . . . . . . . . . . . . . . . . . . . . p. 189
270 ε-aditivo – PAES – LZ09F9 . . . . . . . . . . . . . . . . . . . . . . . . p. 189
271 Hipervolumes – PAES – Kursawe . . . . . . . . . . . . . . . . . . . . . p. 190
272 Hipervolumes – PAES – Fonseca . . . . . . . . . . . . . . . . . . . . . p. 190
273 Hipervolumes – PAES – Viennet2 . . . . . . . . . . . . . . . . . . . . . p. 190
274 Hipervolumes – PAES – Viennet3 . . . . . . . . . . . . . . . . . . . . . p. 191
275 ε-aditivo – PAES – Kursawe . . . . . . . . . . . . . . . . . . . . . . . . p. 191
276 ε-aditivo – PAES – Fonseca . . . . . . . . . . . . . . . . . . . . . . . . p. 192
277 ε-aditivo – PAES – Viennet2 . . . . . . . . . . . . . . . . . . . . . . . p. 192
278 ε-aditivo – PAES – Viennet3 . . . . . . . . . . . . . . . . . . . . . . . p. 192
279 Hipervolumes – MOEA/D – ZDT1. . . . . . . . . . . . . . . . . . . . . p. 192
280 Hipervolumes – MOEA/D – ZDT2. . . . . . . . . . . . . . . . . . . . . p. 193
281 Hipervolumes – MOEA/D – ZDT3. . . . . . . . . . . . . . . . . . . . . p. 193
282 Hipervolumes – MOEA/D – ZDT4. . . . . . . . . . . . . . . . . . . . . p. 193
283 Indicador ε-aditivo – MOEA/D – ZDT1. . . . . . . . . . . . . . . . . . p. 193
284 Indicador ε-aditivo – MOEA/D – ZDT2. . . . . . . . . . . . . . . . . . p. 194
285 Indicador ε-aditivo – MOEA/D – ZDT3. . . . . . . . . . . . . . . . . . p. 194
286 Indicador ε-aditivo – MOEA/D – ZDT4. . . . . . . . . . . . . . . . . . p. 194
287 Hipervolumes – MOEA/D – DTLZ1. . . . . . . . . . . . . . . . . . . . p. 195
288 Hipervolumes – MOEA/D – DTLZ2. . . . . . . . . . . . . . . . . . . . p. 195
289 Hipervolumes – MOEA/D – DTLZ3. . . . . . . . . . . . . . . . . . . . p. 195
290 Hipervolumes – MOEA/D – DTLZ4. . . . . . . . . . . . . . . . . . . . p. 196
291 Indicador ε-aditivo – MOEA/D – DTLZ1. . . . . . . . . . . . . . . . . p. 196
292 Indicador ε-aditivo – MOEA/D – DTLZ2. . . . . . . . . . . . . . . . . p. 196
293 Indicador ε-aditivo – MOEA/D – DTLZ3. . . . . . . . . . . . . . . . . p. 196
294 Indicador ε-aditivo – MOEA/D – DTLZ4. . . . . . . . . . . . . . . . . p. 197
295 Hipervolumes – NSGA-III – ZDT1. . . . . . . . . . . . . . . . . . . . . p. 198
296 Hipervolumes – NSGA-III – ZDT2. . . . . . . . . . . . . . . . . . . . . p. 198
297 Hipervolumes – NSGA-III – ZDT3. . . . . . . . . . . . . . . . . . . . . p. 198
298 Hipervolumes – NSGA-III – ZDT4. . . . . . . . . . . . . . . . . . . . . p. 199
299 Indicador ε-aditivo – NSGA-III – ZDT1. . . . . . . . . . . . . . . . . . p. 199
300 Indicador ε-aditivo – NSGA-III – ZDT2. . . . . . . . . . . . . . . . . . p. 200
301 Indicador ε-aditivo – NSGA-III – ZDT3. . . . . . . . . . . . . . . . . . p. 200
302 Indicador ε-aditivo – NSGA-III – ZDT4. . . . . . . . . . . . . . . . . . p. 200
303 Hipervolumes – NSGA-III – DTLZ1. . . . . . . . . . . . . . . . . . . . p. 200
304 Hipervolumes – NSGA-III – DTLZ2. . . . . . . . . . . . . . . . . . . . p. 201
305 Hipervolumes – NSGA-III – DTLZ3. . . . . . . . . . . . . . . . . . . . p. 201
306 Hipervolumes – NSGA-III – DTLZ4. . . . . . . . . . . . . . . . . . . . p. 201
307 Indicador ε-aditivo – NSGA-III – DTLZ1. . . . . . . . . . . . . . . . . p. 201
308 Indicador ε-aditivo – NSGA-III – DTLZ2. . . . . . . . . . . . . . . . . p. 202
309 Indicador ε-aditivo – NSGA-III – DTLZ3. . . . . . . . . . . . . . . . . p. 202
310 Indicador ε-aditivo – NSGA-III – DTLZ4. . . . . . . . . . . . . . . . . p. 202
311 Hipervolumes – NSGA-III – TSP100. . . . . . . . . . . . . . . . . . . . p. 202
312 Hipervolumes – NSGA-III – TSP150. . . . . . . . . . . . . . . . . . . . p. 203
Lista de algoritmos
1 Arquivador Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 33
2 Reciclagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49
3 Atribuição de Distância de Aglomeração . . . . . . . . . . . . . . . . . p. 50
4 Nondominated Sorting . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 53
5 PAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 54
6 SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 55
7 MOEA/D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 56
Sumário
1 Introdução p. 24
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 24
1.2 Proposta e Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
1.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 26
1.4 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27
1.5 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . p. 28
2 Referencial Teórico p. 29
2.1 Problemas Multiobjetivo . . . . . . . . . . . . . . . . . . . . . . . . . . p. 29
2.2 Indicadores de Qualidade . . . . . . . . . . . . . . . . . . . . . . . . . . p. 31
2.3 Arquivadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32
3 Investigações Sobre os Arquivadores p. 40
3.1 Resultados Teóricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 40
3.2 Experimentos sobre os Arquivadores . . . . . . . . . . . . . . . . . . . p. 41
3.2.1 Descrição das Instâncias Estáticas . . . . . . . . . . . . . . . . . p. 41
3.2.2 Resultados Experimentais . . . . . . . . . . . . . . . . . . . . . p. 42
4 Reciclagem de Soluções p. 48
4.1 Técnicas de Reciclagem . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49
4.2 Otimizadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 50
4.2.1 NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 51
4.2.2 PAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 52
4.2.3 SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 54
4.2.4 MOEA/D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 55
4.2.4.1 Evolução Diferencial . . . . . . . . . . . . . . . . . . . p. 56
4.2.5 NSGA-III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
4.3 Problemas de Otimização . . . . . . . . . . . . . . . . . . . . . . . . . p. 59
4.3.1 Problema da mochila . . . . . . . . . . . . . . . . . . . . . . . . p. 59
4.3.2 Problema do Caixeiro Viajante . . . . . . . . . . . . . . . . . . p. 60
4.3.3 Problema Quadrático de Alocação (PQA) . . . . . . . . . . . . p. 61
4.3.4 Problemas WFG . . . . . . . . . . . . . . . . . . . . . . . . . . p. 62
4.3.5 Problemas LZ09 . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 63
4.3.6 Problemas ZDT . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 66
4.3.7 Problemas DTLZ . . . . . . . . . . . . . . . . . . . . . . . . . . p. 70
4.3.8 Outros Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . p. 74
5 Resultados Experimentais Sobre os Otimizadores p. 76
5.1 Metodologia de Comparação . . . . . . . . . . . . . . . . . . . . . . . . p. 77
5.2 Resultados NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 78
5.2.1 NSGA-II Aplicado ao Problema da Mochila . . . . . . . . . . . p. 78
5.2.2 NSGA-II Aplicado aos problemas DTLZ . . . . . . . . . . . . . p. 80
5.2.3 NSGA-II Aplicado ao PQA . . . . . . . . . . . . . . . . . . . . p. 83
5.2.4 NSGA-II Aplicado aos Problemas WFG . . . . . . . . . . . . . p. 86
5.2.5 NSGA-II Aplicado aos problemas LZ09 . . . . . . . . . . . . . . p. 88
5.2.6 NSGA-II – Resultados Fonseca, Kursawe e Viennet . . . . . . . p. 89
5.3 Resultados SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 91
5.3.1 SPEA2 Aplicado ao PQA . . . . . . . . . . . . . . . . . . . . . p. 91
5.3.2 SPEA2 Aplicado aos Problemas WFG . . . . . . . . . . . . . . p. 94
5.3.3 SPEA2 Aplicado aos Problemas LZ09 . . . . . . . . . . . . . . . p. 96
5.3.4 SPEA2 – Resultados Fonseca, Kursawe e Viennet . . . . . . . . p. 97
5.4 Resultados PAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 99
5.4.1 PAES Aplicado ao PQA . . . . . . . . . . . . . . . . . . . . . . p. 99
5.4.2 PAES Aplicado aos Problemas WFG . . . . . . . . . . . . . . . p. 100
5.4.3 PAES Aplicado aos Problemas LZ09 . . . . . . . . . . . . . . . p. 103
5.4.4 PAES – Resultados Fonseca, Kursawe e Viennet . . . . . . . . . p. 103
5.5 Comparações entre NSGA-II, SPEA2 e PAES . . . . . . . . . . . . . . p. 105
5.6 Resultados MOEA/D . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 106
5.6.1 MOEA/D Aplicado aos Problemas ZDT . . . . . . . . . . . . . p. 106
5.6.2 MOEA/D Aplicado aos Problemas DTLZ . . . . . . . . . . . . p. 108
5.7 Resultados NSGA-III . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 109
5.7.1 NSGA-III Aplicado aos Problemas ZDT . . . . . . . . . . . . . p. 109
5.7.2 NSGA-III Aplicado aos Problemas DTLZ . . . . . . . . . . . . . p. 110
5.7.3 NSGA-III Aplicado ao Problema do Caixeiro Viajante . . . . . p. 111
6 Considerações finais p. 113
Referências p. 116
Apêndice A -- Geração de instâncias p. 120
Apêndice B -- Tabelas e Gráficos de Resultados p. 123
B.1 Resultados NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 123
B.1.1 Problema da Mochila . . . . . . . . . . . . . . . . . . . . . . . . p. 123
B.1.2 Problemas DTLZ . . . . . . . . . . . . . . . . . . . . . . . . . . p. 128
B.1.3 Problema Quadrático de Alocação . . . . . . . . . . . . . . . . . p. 131
B.1.4 Problemas WFG . . . . . . . . . . . . . . . . . . . . . . . . . . p. 137
B.1.5 Problemas LZ09 . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 143
B.1.6 Problemas Kursawe, Fonseca e Viennet . . . . . . . . . . . . . . p. 149
B.2 Resultados SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 149
B.2.1 Problema Quadrático de Alocação . . . . . . . . . . . . . . . . . p. 150
B.2.2 Problemas WFG . . . . . . . . . . . . . . . . . . . . . . . . . . p. 158
B.2.3 Problemas LZ09 . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 161
B.2.4 Problemas Kursawe, Fonseca e Viennet . . . . . . . . . . . . . . p. 169
B.3 Resultados PAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 169
B.3.1 Problema Quadrático de Alocação . . . . . . . . . . . . . . . . . p. 170
B.3.2 Problemas WFG . . . . . . . . . . . . . . . . . . . . . . . . . . p. 178
B.3.3 Problemas LZ09 . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 184
B.3.4 Problemas Kursawe, Fonseca e Viennet . . . . . . . . . . . . . . p. 190
B.4 Resultados MOEA/D . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 190
B.4.1 Problemas ZDT . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 191
B.4.2 Problemas DTLZ . . . . . . . . . . . . . . . . . . . . . . . . . . p. 195
B.5 NSGA-III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 198
B.5.1 Problemas ZDT . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 198
B.5.2 Problemas DTLZ . . . . . . . . . . . . . . . . . . . . . . . . . . p. 199
B.5.3 Problema do Caixeiro Viajante . . . . . . . . . . . . . . . . . . p. 199
24
1 Introdução
Este capítulo apresenta ideias iniciais sobre o trabalho, como a motivação e seus
objetivos, além da metodologia e contribuições. Está organizado em 5 seções. A primeira
apresenta a motivação da realização da presente pesquisa. Na segunda seção estão descritas
as propostas e os objetivos., seguidos da metodologia e contribuições do trabalho. Por fim,
a Seção 1.5 dispõe sobre a organização geral deste documento.
1.1 Motivação
A ciência da computação vem há muito tempo trabalhando na resolução problemas de
otimização, que são aqueles nos quais se quer achar a melhor solução dentre as possíveis
soluções de um problema. Nestes problemas, que, no que diz respeito às variáveis, podem
ser contínuos ou discretos, podem haver métodos simples de comparação entre as soluções,
como por exemplo o problema de achar o caminho mais curto entre duas cidades: a melhor
solução será simplesmente a que tiver a menor distância. No entanto, nos problemas
enfrentados no mundo real, geralmente existem vários objetivos a serem atingidos, o que
torna a tomada de decisão mais complexa, uma vez que uma solução pode ser melhor
para alguns objetivos e não para outros. Baseada neste contexto, surge a otimização
multiobjetivo.
A otimização multiobjetivo é o campo de estudo que busca solucionar problemas com
mais de uma função objetivo, otimizando-as simultaneamente. Ela se aplica a diversos
problemas reais, como distribuição de produtos através de oleodutos de petróleo, desenho
de redes de telecomunicações, gestão de combustível nuclear, entre outros (HUBAND et
al., 2006). Dado que soluções podem ser melhores em uns objetivos e piores em outros
– chamadas soluções incomparáveis, o que ocorre naturalmente é que não exista apenas
uma solução que seja ótima em todos os objetivos, mas um conjunto de soluções ótimas.
Na maioria das vezes, problemas multiobjetivo são mais complexos que os com apenas
25
um objetivo. Enquanto vários problemas com um único objetivo são resolvidos em tempo
polinomial, suas versões multiobjetivo pertencem à classe NP-difícil, como é o caso do
problema da árvore geradora mínima(EHRGOTT, 2000). Sendo assim, muitos destes pro-
blemas são atacados com algoritmos heurísticos(CHRISTENSEN, 2007), com a intenção de
chegar a uma aproximação das soluções ótimas em tempo hábil. A literatura, portanto,
propõe técnicas meta-heurísticas para tais problemas, a fim de encontrar boas aproxima-
ções dos conjuntos de soluções ótimas. O conjunto de soluções gerado por um método
heurístico é chamado de conjunto de aproximação.
O conjunto de aproximação utilizado pelos algoritmos pode ter tamanho limitado ou
ser ilimitado. Com a utilização de um arquivo ilimitado, serão salvas todas as soluções
não-dominadas (incomparáveis) geradas no processo de otimização. Apesar de isto ser uma
boa característica, pode demandar muito tempo, pois a cada nova solução gerada, deverá
ser feita a comparação entre ela e as soluções já contidas no arquivo. Como o arquivo
pode conter muitas soluções, isto pode ser computacionalmente custoso. Sendo assim,
geralmente utiliza-se um arquivo de tamanho limitado. Naturalmente esta abordagem
também gera um problema, que é a possibilidade de descarte de soluções que até então
são não-dominadas, pois caso o arquivo já esteja cheio, algumas soluções terão de ser
descartadas. É, portanto, necessária uma técnica de arquivamento, a fim de selecionar
quais soluções serão descartadas e quais serão mantidas neste arquivo limitado. Diversas
técnicas foram propostas na literatura e algumas delas analisadas em (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011). Tal análise apontou um problema presente na maioria dos
destas técnicas de arquivamento, também chamadas de arquivadores: a deterioração. Este
fenômeno ocorre quando, ao longo do processo de otimização, o conjunto de aproximação
mantém alguma(s) solução(ões) pior(es) que uma(outras) anteriormente descartada(s),
podendo manter um conjunto inteiro pior que um conjunto de uma iteração anterior (as
definições mais precisas de pior – ou melhor – são dadas no Capítulo 2), ou seja, o conjunto
de aproximação foi deteriorado. A partir do conhecimento deste problema comum que este
trabalho surge, interessado em analisar novos arquivadores descritos na literatura e propor
uma ideia a ser experimentada com o intuito de amenizar o problema da deterioração.
1.2 Proposta e Objetivos
O trabalho realizado por (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011) analisou al-
guns arquivadores e concluiu que a grande maioria deles poderia deteriorar. Os que eram
monótonos, isto é, não deterioravam, eram estruturados de forma diferente, e apresenta-
26
vam outros problemas talvez piores, como manter poucas características de diversificação,
não salvar muitas soluções, dentre outros problemas. O presente trabalho propões a ideia
da reciclagem de soluções descartadas a fim de minorar o problema da deterioração. São
propostas e avaliadas três técnicas de reciclagem. Além disto, arquivadores não investiga-
dos em(LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011) são avaliados em aspectos teóricos
e experimentais.
De forma mais específica, os objetivos deste trabalho são:
• Analisar os novos arquivadores da literatura de forma teórica, para verificar suas
propriedades, checando assim suas qualidades e fragilidades de um ponto de vista
matemático, dando suporte a futuros estudos acerca do tema.
• Realizar experimentos sobre estes arquivadores, simulando um algoritmo de otimi-
zação, para compará-los entre si com métodos baseados em indicadores de qualidade
e tempo de execução.
• Propor a utilização da reciclagem de soluções com a investigação de três técnicas
introduzidas neste trabalho.
• Realizar experimentos com algoritmos e problemas da literatura a fim de verificar
se a proposta de reciclagem é capaz de aumentar a qualidade dos conjuntos de
aproximação mantidos por algoritmos.
1.3 Metodologia
Primeiramente, as técnicas de arquivamento foram analisadas teoricamente, verificando-
se suas propriedades. Em seguida, foram feitos experimentos para compará-las em termos
de indicadores de qualidade e tempos de execução.
As análises teóricas realizadas neste trabalho são bastante parecidas com as feitas em
(LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011). Foram verificadas 6 propriedades deseja-
das aos arquivadores, dizendo respeito à deterioração de soluções, de conjuntos, garantia
de otimalidade de suas soluções, entre outras. Para a comparação experimental, base-
ada em indicadores de qualidade propostos na literatura, os arquivadores foram subme-
tidos a conjuntos sequenciais de pontos, para simular uma otimização real. Dessa forma,
analisa-se quais soluções são salvas por cada arquivador e qual a qualidade do conjunto
mantido. Quatro novos arquivadores estudados neste trabalho foram implementados para
27
estes experimentos, e os outros foram analisados e disponibilizados por (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011).
Baseando-se nesta análise inicial, emerge a proposta principal deste trabalho: a re-
ciclagem de soluções. O objetivo é tentar evitar o problema de deterioração utilizando
um arquivador secundário, que salva as soluções que seriam descartadas, para periodi-
camente reconduzi-las ao arquivador principal, caso sua reintrodução produza melhorias.
Este trabalho trata este arquivador secundário como cesta de reciclagem. Muitas formas
podem ser pensadas para a aplicação da proposta de reciclagem, e este trabalho propõe
três formas, que serão descritas posteriormente.
Foram propostas três técnicas de reciclagem para uso conjunto com otimizadores
e arquivadores existentes na literatura. Foram utilizadas implementações de algoritmos
disponíveis nas plataformas PISA(BLEULER et al., 2003) (NSGA-II) e jMetal (DURILLO;
NEBRO, 2011) (PAES, SPEA2, MOEA/D e NSGA-III). Os testes computacionais foram
realizados com 5 otimizadores e suas respectivas técnicas de arquivamento. Foram feitos
testes com problemas discretos e contínuos utilizados como benchmark em diversas pro-
postas algorítmicas da literatura. A qualidade dos conjuntos de aproximação foi medida
periodicamente, analisando-se o conjunto de aproximação não apenas ao final da execução
do algoritmo, mas por todo processo de otimização.
1.4 Contribuições
A principal contribuição deste trabalho está na investigação de técnicas para reutilizar
soluções descartadas por arquivadores presentes em algoritmos da literatura.
A pesquisa realizada neste trabalho teve dois vieses: teórico e experimental. Os pri-
meiros resultados obtidos, de caráter teórico e matemático, foram publicados no Brazilian
Conference on Intelligent Systems (BRACIS), em 2014. O trabalho (MEDEIROS; GOLD-
BARG; GOLDBARG, 2014) publicou as análises teóricas de arquivadores, estendendo o
trabalho inicial realizado por (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011). Além disso,
(MEDEIROS; GOLDBARG; GOLDBARG, 2014) também apresenta os resultados experimen-
tais obtidos pelos arquivadores, que foram submetidos a testes com instâncias estáticas,
simulando um processo de otimização, com o propósito de medir a qualidade do conjunto
mantido pelos novos arquivadores em termos de indicadores de qualidade, e compará-los
com os outros arquivadores. Ademais, o trabalho publicado no BRACIS introduziu a ideia
da cesta de reciclagem, verificando, ao final das simulações com os conjuntos estáticos, o
28
tempo gasto pelo cálculo das soluções ótimas do conjunto de entrada – considerando o
conjunto do arquivador e as soluções descartadas.
Considerando o viés experimental, este trabalho analisa de forma empírica um pro-
blema enfrentado pelas mais variadas formas de seleção dentre os otimizadores: a deterio-
ração de soluções dentro conjunto de aproximação. A contribuição a respeito dos experi-
mentos concerne à técnica de reciclagem, indicando quando ela pode ser bem empregada
para melhorar a saída dos algoritmos de otimização.
1.5 Organização do Trabalho
Esta dissertação está dividida em oito capítulos, além de conter dois apêndices. Este,
o primeiro, trata de esclarecimentos introdutórios sobre a proposta deste trabalho, bem
como seus objetivos e contribuições para a literatura. Em seguida, o Capítulo 2 apresenta
uma base teórica que deve ser compreendida para um melhor entendimento do que foi
realizado na presente pesquisa, conceituando os principais aspectos referentes à otimi-
zação multiobjetivo e aos arquivadores estudados. O Capítulo 3 discute inicialmente os
resultados teóricos obtidos na pesquisa acerca das propriedades dos arquivadores, e então
reporta os resultados experimentais dos testes realizados com instâncias estáticas, apli-
cada aos arquivadores para verificar a qualidade dos conjuntos mantidos por cada técnica
de arquivamento.
No Capítulo 4, é introduzida de forma mais específica a proposta principal deste tra-
balho: a reciclagem periódica de soluções. Nele são descritas as técnicas utilizadas nos
otimizadores, que também são apresentados de forma mais precisa. Além disso, os proble-
mas aos quais os algoritmos foram aplicados também são definidos no referido capítulo.
Por fim, o Capítulo 5 apresenta a metodologia de comparação entre as técnicas de
reciclagem e os resultados obtidos pelos diversos algoritmos para os problemas definidos
no Capítulo 4. O Capítulo 6 faz as considerações finais e indica os trabalhos futuros que
poderão ser realizados no que diz respeito à continuação este trabalho. Após as Referên-
cias, que são apresentadas em seguida, os dois apêndices mostram, respectivamente, (A)
o código utilizado para a geração das instâncias estáticas que foram utilizadas nos experi-
mentos descritos no Capítulo 3, e (B) os resultados completos obtidos pelos otimizadores,
mostrando para cada técnica de reciclagem os indicadores medidos periodicamente.
29
2 Referencial Teórico
Este capítulo apresenta conceitos e definições em problemas multiobjetivo. Está di-
vidido em 3 seções. De início, são definidos os problemas multiobjetivo e os conceitos
necessários a sua compreensão, como ordens de relação entre soluções e conjuntos de
aproximação. Em seguida são apresentados definições sobre indicadores de qualidade, que
são formas de medição e comparação da qualidade da saída dos algoritmos. Por fim,
são apresentados e analisados métodos de arquivamento de soluções, que são utilizados
durante o processo de otimização.
2.1 Problemas Multiobjetivo
Um problema multiobjetivo geral é definido por
maxx∈Xf(x) = (f1(x), . . . , fd(x)) (2.1)
onde X ⊆ Rn é o conjunto de soluções viáveis, f : Rn → Rd é a função que terá como
imagem a representação do vetor objetivo de cada solução, isto é, f(x) é um vetor que
contém os valores de cada objetivo da solução x para o problema multiobjetivo em ques-
tão. A expressão 2.1 representa um problema de maximização, no entanto, os problemas
multiobjetivo podem ser definidos para minimização ou ainda com alguns objetivos a
serem maximizados e outros minimizados.
Comparar soluções em problemas mono-objetivo é uma tarefa simples, bastando en-
contrar uma solução cujo valor seja um máximo (ou mínimo) da função objetivo. Em
problemas multiobjetivo, em geral, isto não ocorre. Com efeito, é possível que para deter-
minada instância de um problema multiobjetivo exista uma solução que seja melhor que
todas as outras, mas este é um cenário bastante específico. Em geral, existe um conjunto
de soluções ótimas, chamado conjunto Pareto ótimo ou conjunto eficiente. Decidir qual
das soluções ótimas é a melhor para uma determinada aplicação nem sempre é tarefa fácil
e existem diversas abordagens para lidar com este problema. Um resumo de tais aborda-
30
gens é apresentado por (DEB, 2001). Esta dissertação adota a abordagem da dominância
de Pareto a qual procura exibir o conjunto Pareto ótimo, um subconjunto dele ou uma
aproximação. Algumas definições e conceitos básicos são dados a seguir.
Definição 1 Sejam y = f(x), y′ = f(x′) vetores objetivo de duas soluções distintas, diz-se
que y domina y′ (analogamente, x domina x′), denotado por y ≺ y′, se e somente se
∀i ∈ 1, . . . , d, fi(x) ≥ fi(x′), e ∃k, 1 ≤ k ≤ d, fk(x) > fk(x
′).
Definição 2 Sejam y = f(x), y′ = f(x′) vetores objetivo de duas soluções distintas, diz-
se que y é incomparável a y′ (x é incomparável a x′), denotado por y||y′, se e somente
se
not (y ≺ y′ or y′ ≺ y)
Definição 3 Uma solução x∗ é dita ótima se e somente se 6 ∃x tal que f(x) ≺ f(x∗). O
conjunto ótimo de Pareto, denotado por X∗, é o conjunto que contém todas as soluções
ótimas possíveis.
Definição 4 Seja X∗ ⊆ X o conjunto ótimo de Pareto, então a imagem de X∗ no espaço
objetivo é chamada de Pareto Front (fronteira de Pareto) e denotada por Y ∗.
Definição 5 Um conjunto de soluções mutuamente incomparáveis é chamado de conjunto
não-dominado. Seja X ′ ⊆ X um conjunto de soluções, X ′ é um conjunto não-dominado
se e somente se ∀x′, x′′ ∈ X ′, x′||x′′.
Definição 6 Sejam A e B dois conjuntos não-dominados, tal que A 6= B. Se todo b ∈ Bfor dominado por pelo menos um ponto a ∈ A, então diz-se que A é um conjunto melhor
que B, denotado por ACB.
Definição 7 Um conjunto de aproximação é qualquer P ⊆ Y . Seja |P | = N , P é dito
um conjunto de aproximação ótimo de tamanho N de Y ∗ se não houver conjunto P ′ ⊆ Y ,
tal que |P ′| ≤ N e P ′ C P .
O operador C compara dois conjuntos de forma que A é dito melhor que B se, e
somente se toda a área do espaço objetivo dominada por B seja dominada também por A.
31
No entanto, ela é bem limitada e não é suficiente para comparar quaisquer dois conjuntos
não-dominados durante o processo de otimização, pois provavelmente ambos os conjuntos
terão áreas de dominância exclusivas, isto é, que não são dominadas pelo outro conjunto.
Sejam A e B dois conjuntos não-dominados e distintos tais que A ⊂ X∗ e B ⊂ X∗.
Trivialmente sabe-se que nem A é melhor que B e nem B é melhor que A (Definição 6).
Se, no processo de otimização, o algoritmo tiver de optar por um só destes conjuntos, o
operador C não traria conhecimento suficiente para uma boa tomada de decisão, uma vez
que nem A C B nem B C A. Sendo assim, percebe-se que são necessárias outras formas
de comparação entre conjuntos de soluções não-dominadas. A Seção 2.2 apresenta alguns
indicadores de qualidade de conjuntos.
2.2 Indicadores de Qualidade
Pensando em comparar algoritmos de otimização multiobjetivo, muitos métodos de
avaliação foram propostos para indicar a qualidade da saída desses algoritmos. Seja A
um conjunto de soluções; então um indicador de qualidade unário é definido com uma
função que mapeia de A até um número real, isto é, f : Λ → R é um operador unário,
considerando Λ o conjunto das partes de X (X é o conjunto de soluções válidas). É
também necessário definir uma função de interpretação, tal que dados os valores de algum
indicador para dois conjuntos A e B, seja possível entender a diferença de qualidade
entre os dois conjuntos, no que diz respeito ao atributo de investigação do indicador.
Conclui-se que um método de comparação deve ter um indicador de qualidade e uma
função de interpretação. Duas importantes propriedades destes métodos de comparação,
compatibilidade e completude, são investigadas em (ZITZLER et al., 2003).
Seja Υ o conjunto de todos os conjuntos não-dominados de Y , um operador binário
e assumindo um indicador de qualidade I que deva ser minimizado. Um método de com-
paração é dito -compatível se para quaisquer A,B ∈ Υ, A B or B A. Além disso, um
método de comparação baseado em I é dito -completo se A B implicar em uma melhor
performance do indicador de A com relação a B, ou seja, A B → I(A) < I(B)(ZITZLER
et al., 2003). Dois indicadores de especial interesse para este trabalho são: hipervolume e
ε-aditivo.
Indicador de Hipervolume O indicador de hipervolume (anteriormente conhecido
na literatura como métrica S) é um dos indicadores de qualidade mais utilizados para
a avaliação de conjuntos de aproximação, i.e., subconjuntos de Y. HY P (A) é definido
32
pela integral de Lebesgue da união de todas regiões dominadas por A, limitadas por
um ponto b ∈ Rd que é dominado por todos os pontos de Y ∗ (ZITZLER; THIELE, 1999).
Obviamente o indicador precisa ser maximizado, indicando assim uma maior cobertura
do espaço objetivo. Um método de comparação baseado em HY P () é C-completo e (¬C)-
compatível (ZITZLER et al., 2003). Isso ocorre pois se ACB, então há uma região no espaço
objetivo dominada por A que não é dominada por B, com o mesmo não ocorrendo de B
para A. Por outro lado, se HY P (A) < HY P (B), então é possível concluir que ¬(ACB).
Indicador ε-aditivo Existem duas versão do indicador ε, propostos tanto na versão
binária quanto unária. Neste trabalho a versão unária e aditiva foi considerada. Seja
z = f(x), z′ = f(x′) dois pontos d-dimensionais. z′ é dito ε-dominado por z se, e somente
se ∀i ∈ 1, . . . , d, fi(z) ≤ fi(z′) + ε. O indicador ε aditivo unário é definido como segue:
seja A um conjunto de aproximação, εadd(A) representa o valor mínimo possível de
epsilon tal que todo ponto em Y ∗ (caso o conjunto Y ∗ não seja conhecido, geralmente
utiliza-se o indicador com um conjunto de referência) seja ε-dominado por algum elemento
de A. Claramente o indicador tem que ser minimizado, diminuindo assim a distância entre
o conjunto avaliado e o conjunto de referência. Um método de comparação baseado no
operador εadd() é (¬C)-compatível.
Estes dois indicadores seguem princípios diferentes. Enquanto o hipervolume mensura
o espaço dominado (limitado por um ponto) pelos pontos do conjunto avaliado, o indicador
ε calcula a proximidade do conjunto com a fronteira de Pareto. Por causa disto, se os
indicadores se contradizem para um mesmo conjunto, isto é, HY P (A) > HY B(B) e
εadd(A) > εadd(B), conclui-se que A e B são incomparáveis(KNOWLES; THIELE; ZITZLER,
2006).
2.3 Arquivadores
Problemas multiobjetivo geralmente possuem um grande número de soluções ótimas,
e a tomada de decisão quando em problemas reais pode ser complexa. Com efeito, é inviá-
vel que todas as soluções não-dominadas encontradas sejam apresentadas como saída do
algoritmo. Além disso, durante o próprio processo de otimização, é impraticável comparar
cada nova solução gerada com todas as soluções não-dominadas geradas até então (para
saber se ela é ótima até então), pois o número de soluções não-dominadas pode ser bas-
tante alto, o que faria com o que o algoritmo perdesse muito tempo comparando soluções
já geradas, em vez de gerar novas soluções e assim continuar a execução da busca. O que
33
geralmente ocorre, portanto, é o armazenamento de apenas um subconjunto de tamanho
restrito das soluções não-dominadas encontradas, de forma que se busque representar da
maneira mais satisfatória possível o conjunto ótimo de Pareto. Sendo assim, cria-se um
repositório – que pode ser alheio ao processo de busca – para armazenar as soluções não-
dominadas geradas. A literatura chama este repositório de arquivador externo (external
archive) (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011).
Durante a execução do algoritmo há um grande número de soluções sendo geradas
e avaliadas. Como o arquivador geralmente possui tamanho limitado, muitas dessas so-
luções são descartadas, ainda que não sejam consideradas dominadas (ver Definição 1)
por nenhuma outra solução gerada até então. O propósito do arquivador é manter um
bom conjunto (bem avaliados pelos indicadores de qualidade) de forma rápida, para que
o algoritmo não gaste muito tempo comparando soluções.
O Algoritmo 1 ilustra como os arquivadores trabalham no processo de otimização,
mantendo um conjunto At−1 e realizando eventuais mudanças de acordo com a qualidade
das novas soluções que vão sendo inseridas. Se o arquivador recebe uma solução y ∈ Y para
ser inserida e ela já é dominada por outra dentro de At−1, então ela será descartada (Linhas
1 e 2). Caso contrário, se y dominar alguma solução (ou várias) do conjunto armazenado,
então todas estas soluções dominadas serão removidas e y será mantida no arquivador
(Linhas 3 e 4, primeira condição do if). Por fim, se a solução a ser inserida é incomparável
com relação às outras do arquivador, ela deve ser mantida. No entanto, se o arquivador
já estiver em sua capacidade máxima, então uma função filter() é chamada, responsável
por remover uma solução de At−1 ∪ y. A decisão de qual solução será removida, isto é,
a implementação da função filter(), é o que torna cada arquivador diferente dos outros.
Algoritmo 1 Arquivador GeralEntrada: At−1, y1: se ∃x ∈ At−1, x ≺ y então2: At ← At−13: senão se ∃x ∈ At−1, y ≺ x or |At−1| < N então4: At ← nds(At−1 ∪ y)5: senão6: At ← filter(At−1 ∪ y)7: fim seSaída: At
Como é possível observar no Algoritmo 1, os arquivadores geralmente funcionam de
forma sequencial, recebendo uma solução por vez se atualizando se necessário. Existem
algumas propriedades que são desejáveis nos arquivadores para garantia de convergência e
34
qualidade. Lopéz-Ibáñez et al. analisaram alguns arquivadores em (LÓPEZ-IBÁÑEZ; KNO-
WLES; LAUMANNS, 2011), e este trabalho analisou outros 4 novos propostos na literatura.
As propriedades analisadas são as seguintes:
Propriedade 1 Diversificar. Um arquivador é dito preservar eficiência se quando atua-
lizando At para At+1, |At| = N , apenas pontos na região dominada de At são aceitos para
At+1. Se um arquivador não tem essa propriedade, ele possui a propriedade de diversifi-
cação.
Propriedade 2 Monotonicidade. Um arquviador é dito monótono se não houver a possi-
bilidade de uma solução em At dominar qualquer solução de Au, se u > t. ∀x ∈ Au,∀x′ ∈At, x ≺ x′ ⇒ u > t.
Propriedade 3 C-Monotonicidade. Um arquivador é dito C-monótono se, e somente se
∀At, Au ⊂ Λ, At CAu ⇒ t > u. Esta propriedade é similar à monotonicidade, no entanto
com a relação C entre conjuntos, e não soluções. Obviamente se um arquivador não é
C-monótono, ele não é monótono.
Propriedade 4 ⊆ Y ∗. Um arquivador tem essa propriedade se ele só contiver soluções
ótimas da sequência de entrada processada, i.e., ∀t, At ⊆ Y t∗.
Propriedade 5 Limite-Estável. Seja P um conjunto de soluções, tal que |P | ∈ Z, e X
seja um arquivador. Se ocorrer indefinidamente a inserção de pontos de P em X e isto
fizer com que X convirja para um conjunto estável Xt em tempo finito, então X tem esta
propriedade (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011).
Propriedade 6 Limite-Ótimo. Seja P um conjunto de soluções, tal que |P | ∈ Z, e X
seja um arquivador. Se ocorrer indefinidamente a inserção de pontos de P em X e isto
fizer com que X convirja para um conjunto de aproximação ótimo de tamanho |P | (verDefinição 7) em tempo finito, então X tem a propriedade Limite-Ótimo (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011).
Os arquivadores estudados neste trabalho tem características específicas de objetivo
e complexidade de tempo. Eles são descritos a seguir.
Unbounded Archiver: Este arquivador tem tamanho ilimitado, e portanto, não tem
uma função filter() associada, uma vez que N =∞. Consequentemente, a condição do If
35
da Linha 3 do Algoritmo 1 será sempre verdadeira, pois |At−1| < N . Trivialmente nota-se
que ele sempre terá como saída o Pareto Front, pois poderá manter todas as soluções
não-dominadas da entrada.
Dominating Archiver: Este, quando cheio (assim a função filter() será chamada),
só aceitará novas soluções em seu conteúdo se, e somente se o novo ponto a ser inserido
dominar algum ponto de At−1. Então a instrução At ← filter(At−1 ∪ y) terá o mesmo
efeito de At ← At−1, pois o arquivador não manterá uma nova solução não-dominada,
se estiver cheio. Este arquivador é um exemplo claro de uma técnica que não diversifica
(Propriedade 1).
NSGA-II: O NSGA-II possui uma técnica de arquivamento baseada em dois princí-
pios: a dominância de Pareto e um atributo chamado crowding distance. A função filter()
define, portanto, uma relação de ordem ≺n (DEB et al., 2002a). Se duas soluções são incom-
paráveis, conforme a dominância de Pareto, então o algoritmo preservará a que possuir
maior crowding distance, que por sua vez é uma forma de medir a proximidade entre
as soluções, de forma que as soluções mais afastadas (em locais do espaço objetivo me-
nos povoados) terão prioridade em permanecer no arquivador. Este trabalho utiliza uma
implentação do arquivador do NSGA-II disponível em (LÓPEZ-IBÁÑEZ; KNOWLES; LAU-
MANNS, 2011). NSGA-II não garante sua convergência para um conjunto de aproximação
ótimo; além disso, ele deteriora e C-deteriora (não é monótono nem C-monótono).
SPEA2: Tentando eliminar algumas fraquezas do primeiro SPEA, Zitzler, Laumanns
e Thiele (2001) propuseram o SPEA2 (ZITZLER; LAUMANNS; THIELE, 2002). (LÓPEZ-
IBÁÑEZ; KNOWLES; LAUMANNS, 2011) também disponibiliza uma implementação do ar-
quivador baseado no SPEA2, que utiliza estimativa de densidade baseada no k-Nearest
Neighbor. A função filter() primeiramente calcula a distância entre cada par de pontos
no arquivador. Então, o ponto com a menor distância para outro ponto qualquer será
removido, visando assim uma melhor distribuição, assim como no NSGA-II. Em caso de
empates, verifica-se a segunda menor distância e assim sucessivamente. Embora o SPEA2
seja um algoritmo evolucionário multiobjetivo elitista, ele pode manter soluções domi-
nadas quando o conjunto de soluções incomparáveis não ultrapassar o tamanho total do
arquivador, i.e., o arquivador prefere salvar uma solução dominada ao invés de descartá-la.
Além disso, o arquivador pode C-deteriorar.
Adaptive Grid Archiver: Este arquivador divide o espaço objetivo em grades, afim
de garantir diversidade de suas soluções. Cada grade pode conter várias soluções dentro
de si. A função filter() remove aleatoriamente uma solução da grade com mais soluções,
36
desde que não seja a solução com melhor valor para algum objetivo, ou seja, não esteja
nas extremidades do espaço objetivo (KNOWLES; CORNE, 2003). Ele não é monótono nem
C-monótono.
Hypervolume Archiver: Também conhecido como AA, este arquivador é um algo-
ritmo guloso com a intenção de maximizar o hipervolume de seu conjunto. Foi proposto
em (KNOWLES, 2002), e tem como função filter() a remoção da solução que menos está
contribuindo para o hipervolume, i.e., filter(A) em caso de |A| = N + 1 retorna o sub-
conjunto de A que tem maior hipervolume possível com tamanho N. Esta técnica não
garante que o hipervolume será máximo no final de toda a sequência de entrada, con-
forme mostrado por (BRINGMANN; FRIEDRICH, 2009), e pode ainda retornar um conjunto
com hipervolume muito menor que o conjunto ótimo de tamanho N. Apesar disso, o AA
apresentou os melhores resultados para o indicador de hipervolume em (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011).
Considerando que o indicador de hipervolume não pode diminuir com uma nova itera-
ção do AA, e um método de comparação baseado em HYP() é C-completo, então pode-se
concluir que o AA é C-monótono. No entanto ele pode manter uma solução que é do-
minada por outra que foi descartada anteriormente, i.e, ele pode deteriorar. Apesar dos
melhores resultados apresentados em (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011), um
problema crítico do AA é calcular o hipervolume de todos os subconjuntos de tamanho
N, uma vez que HYP() tem custo computacional exponencial no número de dimensões do
problema.
Multi-level Grid Archiving: O MGA foi proposto por (LAUMANNS; ZENKLUSEN,
2011) e divide o espaço objetivo em caixas de diferentes níveis hierárquicos. filter()
precisa encontrar o menor nível b onde pelo menos uma solução das caixas de nível b
é dominada. Então, se o ponto a ser inserido é um dos pontos dominados neste nível,
ele será descartado. Caso contrário, uma solução dominada aleatória será descartada. O
MGA pode deteriorar, mas como mostrado em (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS,
2011), ele é C-monótono.
Estes 7 primeiros arquivadores foram analisados em (LÓPEZ-IBÁÑEZ; KNOWLES; LAU-
MANNS, 2011). Agora serão apresentados novos arquivadores propostos na literatura com
sua respectivas análises teóricas. Ao final desta seção será apresentado a Tabela 1 ilus-
trando quais propriedades cada arquivador possui.
Ideal Archiver: Este arquivador foi proposto por Britto e Pozo (2012). Sua função
filter() primeiro calcula os melhores valores, entre todas as suas soluções, para cada obje-
37
tivo, e une essa informação para gerar um ponto ideal, tal que Ideali = minX∈At−1∪yXi,
considerando um problema de minimização. Em seguida, o ponto no arquivador que esti-
ver mais distante do ponto ideal será removido. A Figura 1 mostra como o Ideal Archiver
funciona para N = 4. O ponto não-dominado mais distante do ideal (em vermelho) será
removido, então o arquivador manterá apenas 4 elementos. A ideia da técnica é direcionar
a busca para apenas uma região do espaço objetivo.
0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.2
0.4
0.6
0.8
Objetivo 1
Objetivo2
IncomparáveisPonto IdealDominados
Figura 1: Representação do ponto ideal em 2D.
Distributed Archiver: Este arquivador também utiliza o ponto ideal para na sua
função filter(), no entanto sua convergência não é direcionada a apenas um ponto, mas
para D + 1 pontos – o ponto ideal e um ponto de referência para cada dimensão do
problema. Os pontos de referência serão os pontos mais extremos de cada objetivo, defi-
nindo D+ 1 regiões (uma para o ponto ideal e outras D para cada objetivo). Cada região
poderá guardar (N + 1)/(D + 1) pontos, i.e., número de pontos dividido pelo número
de regiões, buscando homogeneizar a cardinalidade de cada região. Após o cálculo dos
pontos de referência, cada região será preenchida com o ponto mais próximo a seu ponto
de referência, até que os conjuntos estejam cheios. A solução restante ao final do processo
será descartada e At será definido como a união de todas as regiões de referência (POZO;
BRITTO, 2012).
Distance to Reference Points Archiver: Também proposto em (POZO; BRITTO,
2012), funciona de maneira similar ao Distributed Archiver, calculando os mesmos pontos
de referência. Entretanto, ele não limita o tamanho de cada região em (N + 1)/(D +
1). Para cada ponto em At−1 ∪ y, a menor distância para cada ponto de referência é
calculada. Então, será descartada a solução com a maior menor distância, isto é, o ponto
38
com a maior distância para qualquer um dos pontos de referência. Os experimentos com
núvens de partículas em (POZO; BRITTO, 2012) utilizam distância euclidiana e distância
de Tchebycheff; neste trabalho, a implementação utilizou distância euclidiana.
A Figura 2 ilustra um simples exemplo me que o Distance Archiver C-deteriora, para
N = 3. Quando o ponto D é adicionado, o arquivador remove B pois a distância entre B e
A é maior que a distância entre C e D. Então o arquivador recebe um novo ponto E que é
dominado por B, removendo D, pois a distância entre C e D é maior que a distância entre
A e E. A saída final do arquivador após as 5 inserções é A, C e E, que é um conjunto pior
(ver Definição 6) que o conteúdo do arquivo antes da inserção de D.
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
A
C
B
D
Objetivo 1
Objetivo2
(a) Distance archiver depois da adição de 4 pon-tos
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
A
C
B
D
E
Objetivo 1
Objetivo2
(b) Distance archiver depois da adição de 5 pon-tos
Figura 2: Distance Archiver C-deteriora.
Adaptive Rectangle Archiver: ARA foi proposto por (JIN; WONG, 2010). Ele não
segue o padrão do Algoritmo 1, e não tem tamanho limitado em N . A proposta é baseada
em dois passos: definir uma região crucial adaptativamente e dividi-la em retângulos, tais
que cada retângulo contém apenas um ponto. A região crucial é o retângulo definido por
dois vetores: amin, que é o mesmo ponto ideal vistos nos arquivadores anteriores (supondo
um problema de minimização), e amax que é o inverso do ponto ideal, isto é, é o vetor que
contém os piores valores de objetivos encontrados até então. ARA utiliza o conceito de
E-dominância para decidir para qual retângulo cada ponto será direcionado, que é bem
parecido com a ε-dominância, mas E ∈ Rd, enquanto ε ∈ R. Quanto menor o valor de
Ei, mais precisa será a divisão do espaço objetivo na i-ésima dimensão. Além disso, o
arquivador sempre mantém todos melhores pontos para cada objetivo, isto é, mantém os
mesmos pontos de referência que o Distributed Archiver e o Distance Archiver. A Figura
3 ilustra a região crucial do arquivador e seu funcionamento em geral. O ARA, como
39
tem uma estrutura diferente, não possuindo um tamanho limitado N , possui todas as
propriedades apresentadas neste trabalho (ver Propriedades de 1 a 6), entretanto possui
outros problemas que serão apresentados no Capítulo 3.
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
Objetivo 1
Objetivo2
Figura 3: Representação do ARA em 2D.
A Tabela 1, a ser apresentada no Capítulo 3, faz um resumo das propriedades que
cada arquivador possui. Baseado na informação de que 8 (oito) dos 11 (onze) arquivadores
estudados neste trabalho não são monótonos, e que apenas 2 (dois) possuem a propriedade
⊆ Y ∗, surge a principal motivação do trabalho. É notável que a maioria dos arquivadores
podem descartar soluções que são melhores (dominantes) que as mantidas em At. Para
evitar que estas boas soluções sejam perdidas, surge a proposta deste trabalho: reciclar
soluções e trazê-las de volta aos arquivadores. O Capítulo 3 abordará a ideia e apontará
os primeiros resultados obtidos com a reciclagem, nos arquivadores e em algoritmos de
otimização multiobjetivo reais.
40
3 Investigações Sobre osArquivadores
Os algoritmos para problemas multiobjetivo são, em geral, baseados em meta-heurísticas
e é comum que durante suas execuções muitas soluções sejam geradas, assim como nos
problemas com apenas uma função objetivo. Ocorre que ao longo do processo de otimiza-
ção, pode ser que um número muito alto de soluções sejam descartadas, seja pelo fato de
elas já serem dominadas por outras melhores, ou ainda pelo tamanho limitado do arquivo.
Este último caso é o que motiva este trabalho. A Seção 2.3 mostra que os arquivadores,
em sua maioria, não são monótonos. Isto indica que soluções descartadas podem ser ainda
melhores que as mantidas até o final do processo de arquivamento. Este trabalho, por-
tanto, propõe uma análise sobre estas soluções descartadas, verificando a hipótese de que
a utilização de um arquivo de reciclagem externo pode melhorar o desempenho dos al-
goritmos com custo adicional desprezível. As soluções excluídas do arquivo primário são
guardadas em um arquivo secundário e, eventualmente, são feitas modificações no arquivo
primário utilizando as soluções do arquivo secundário. Pretende-se, com isso, melhorar a
qualidade do otimizador e evitar, ainda que parcialmente, os fenômenos de deterioração.
Este capítulo é subdividido entre resultados teóricos, primeiramente, e em resultados
experimentais sobre os arquivadores.
3.1 Resultados Teóricos
A princípio, este trabalho propõe uma análise dos arquivadores com a técnica de
reciclagem, antes ainda dos testes em otimizadores reais. Após a análise teórica específica
dos arquivadores não abordados por (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011) – na
Seção 2.3, a Tabela 1 faz um resumo dos arquivadores da literatura e suas propriedades,
conforme descritos na Seção 2.3.
41
Tabela 1: Arquivadores e suas propriedades
Archiver Diversifica Mon. C−Mon. ⊆ Y ∗ L-Estável L-ÓtimoUnbounded 3 3 3 3 3 3
Dominating 7 3 3 7 3 3
NSGA-II 3 7 7 7 7 7
SPEA2 3 7 7 7 7 7
AGA 3 7 7 7 7 7
AA 3 7 3 7 3 3
MGA 3 7 3 7 3 3
Ideal 3 7 3 7 3 3
Distributed 3 7 7 7 7 7
Distance 3 7 7 7 7 7
ARA 3 3 3 3 3 3
3.2 Experimentos sobre os Arquivadores
Esta seção descreve os experimentos estáticos, isto é, com instâncias de pontos pre-
viamente definidos e inseridos sequencialmente nos arquivadores, a fim de verificar quais
soluções destas instâncias seriam mantidas. É dividida em duas subseções. A Seção 3.2.1
descreve as instâncias utilizadas nos experimentos estáticos e a Seção 3.2.2 descreve os
experimentos e apresenta os resultados iniciais e teóricos da pesquisa realizada neste tra-
balho.
3.2.1 Descrição das Instâncias Estáticas
Um total de 7 instâncias foram utilizadas nesta fase do trabalho. São elas: smallPF-
2d-10000, smallPF-3d-10000, 2000-3d, 10000-4d, clustered-2d-900, 1000-clustered-3D e
1to2-2d-2000. Cada uma destas instâncias é uma sequência de vetores objetivo, a fim de
simular um otimizador real. Algumas delas foram disponibilizadas em (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011). Além disso, outras instâncias foram geradas para melhor
confiabilidade dos testes, devido ao fato de que poucas instâncias em (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011) eram de uso geral, isto é, elas eram específicas para mostrar
fraquezas de alguns dos arquivadores analisados. Portanto, seria razoável gerar novas
instâncias. Ademais, não havia, até então, instâncias com mais de 3 objetivos. As novas
instâncias foram geradas com pontos aleatórios, cujos valores de cada objetivo variavam
entre 0 e 1, de forma que se obtivesse o número desejado de soluções não-dominadas na
fronteira de Pareto; e do mesmo modo, o número total de soluções foi escolhido na criação
das instâncias. O Apêndice A mostra o código utilizado para gerar novas instâncias.
42
As instâncias smallPF-2d-10000 e smallPF-3d-10000 (LÓPEZ-IBÁÑEZ; KNOWLES; LAU-
MANNS, 2011) contêm 10.000 pontos em duas e três dimensões, respectivamente. A fron-
teira de Pareto da primeira possui 970 pontos, e a segunda 1.335 pontos. Elas foram
geradas a partir de um otimizador multiobjetivo solucionando um problema real. A ins-
tância 1to2-2d-2000 é uma sequência de 2.000 pontos incomparáveis, que formam um
segmento de reta de (1, 2) até (2, 1), com o primeiro objetivo crescendo enquanto o
segundo decresce, disponibilizada também em (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS,
2011).
As instâncias 2000-3d e 10000-4d foram geradas a partir do algoritmo apresentado no
Apêndice A. O algoritmo gera pontos aleatórios com valores objetivo entre 0 e 1, de forma
a gerar um conjunto de N pontos, cuja fronteira de Pareto é composta por M pontos,
sendo N e M parâmetros do algoritmo, M ≤ N .
Por sua vez, as instâncias 1000-clustered-3D e clustered-2d-900 são instâncias com
pontos agrupados em algumas regiões. Na primeira, gerada durante a realização deste
trabalho, existem mil pontos com 3 dimensões agrupados muito próximos a cada uma das
3 regiões, formando 3 aglomerados de vetores. Esta instância foi gerada para a verificação
de um problema específico do Adaptive Rectangle Archiver, que mantinha poucos ponto
em seu conteúdo, a depender do posicionamento deles. A segunda – disponibilizada em
(LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011) – é composta por pontos de duas dimensões
agrupados em dois blocos de pontos, formando assim dois aglomerados.
O teste foi feito com 4 (quatro) instâncias. Três delas são bi-objetivo e foram utilizadas
também em (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011). Uma nova instância com 3
(três) objetivos foi criada para este experimento, em que 1.000 pontos são agrupados em
três regiões, de forma que os pontos em cada região são bastante próximos, sendo as 3
regiões afastadas umas das outras.
3.2.2 Resultados Experimentais
Os experimentos realizados em (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011) foram
repetidos com as mesmas instâncias de entrada (disponibilizadas pelos autores) nos novos
arquivadores da literatura.
Cada arquivador foi testado com o arquivo de entrada da seguinte maneira: inicializava-
se o arquivador vazio e os pontos do arquivo de entrada eram inseridos no arquivador
simulando a geração de soluções em um processo de otimização. O conteúdo dos arquiva-
43
Tabela 2: Número de pontos ótimos salvos por cada arquivador nas instâncias.
Arquivador seq-smallPF-2d seq-smallPF-3d 2000-3d 10000-4d clustered-2d-900Unbounded 970 1335 500 1000 300Dominating 100 100 100 100 100NSGA-II 94 99 97 27 100SPEA2 94 99 99 80 100AGA 91 95 100 95 100AA 99 100 100 100 100MGA 100 100 100 100 100Ideal 100 100 100 98 100Distributed 100 100 100 77 100Distance 100 100 100 86 100ARA 8 47 39 131 2
dores, durante e ao final das inserções, foram analisados de acordo com as propriedades
descritas na Seção 2.3 e publicados em (MEDEIROS; GOLDBARG; GOLDBARG, 2014). Além
disso, verificou-se o número de soluções ótimas (contidas na fronteira de Pareto) salvas
por cada arquivador, bem como os indicadores de hipervolume e ε-aditivo para a saída
dos experimentos.
A Tabela 2 ilustra o número de pontos ótimos salvos por cada arquivador em cada
experimento. Em todos os testes o limite de tamanho do arquivador foi N = 100, com
exceção dos realizados no ARA, que não possui limite devido a sua diferença de estrutura.
Neste aspecto, os melhores arquivadores foram Dominating e MGA, que mantiveram todo
seu conteúdo com soluções ótimas. AA e Ideal tiveram desempenho quase tão bom quanto
aqueles dois, não conseguindo manter todo os seus conteúdos com soluções ótimas em
apenas uma instância. O NSGA-II, por sua vez, mostrou sua fragilidade na instância de 4
dimensões, mantendo apenas 27 pontos ótimos após a inserção dos 10.000 pontos, dentre
os quais 1.000 estão contidos na fronteira de Pareto.
Antes da medição dos indicadores, os experimentos mostraram que o ARA tendia a
manter poucas soluções em seu conteúdo quando comparado com as outras técnicas. A
Tabela 3 mostra o número de pontos da saída do arquivador ARA nas quatro instâncias.
As três primeiras colunas mostram, respectivamente, o nome da instância, o número de
pontos da fronteira de Pareto e o número de pontos que o ARA manteve em seu conteúdo.
O valor de E foi definido Ei = π/100,∀i = 1, . . . , d. Os resultados na Tabela 3 indicam
que ARA não conseguiu manter muitas soluções quando testado em duas dimensões; além
disso, a técnica não funcionou muito bem com pontos agrupados, ainda que tivessem
dimensão superior.
44
Tabela 3: Cardinalidade da saída do ARA
Arquivo Tamanho da fronteira de Pareto Tamanho da saída do ARAsmallPF-2d-10000 970 8
1to2-2d-2000 2.000 2clustered-2d-900 300 21000-clustered-3D 93 3
No que diz respeito aos indicadores de qualidade, este trabalho verificou a qualidade
da saída dos arquivadores para as instâncias descritas na Seção 3.2.1. Os indicadores ε-
aditivo e hipervolume foram usados para comparar a qualidade dos conjuntos gerados por
cada técnica de arquivamento. As Tabelas 5 e 6 mostram os resultados para hipervolume
e ε-aditivo, respectivamente. O indicador de hipervolume, quando maximizado, indica
melhor performance; o ε-aditivo, por sua vez, deve ser minimizado.
Tabela 4: Ordenação de acordo com o hipervolume obtidos pelos arquivadores
Archiver smallPF-2d-10000
smallPF-3d-10000
2000-3d 10000-4d
clustered-2d-900
1to2-2d-2000
AA 1 1 1 1 1 2SPEA2 1 2 4 8 2 5NSGA-II 1 3 6 10 3 1AGA 4 5 5 6 5 4MGA 8 7 3 3 4 3Dominating 4 6 7 5 6 9ARA 9 4 9 4 10 8Ideal 10 8 2 2 7 9Distributed 6 9 8 7 8 6Distance 7 10 10 9 9 6
Realizando uma média entre os rankings obtidos por cada arquivador para cada ins-
tância, observa-se a seguinte ordem de classificação para o indicador de hipervolume: AA
em 1o lugar, como esperado, seguido por SPEA2, NSGA-II, AGA, MGA, Dominating,
ARA, Ideal, Distributed e Distance, respectivamente. A Tabela 5 – ordenada de acordo
com esta classificação – mostra a razão entre o hipervolume do conjunto de saída do ar-
quivador e o hipervolume da fronteira de Pareto, limitados pelo mesmo ponto. Como os
pontos gerados pelo programa descrito no Apêndice A tinham objetivos com valor máximo
de 1, 0, o ponto de referência para cálculo de hipervolume foi configurado em 1d. Nasinstâncias disponibilizadas por (LÓPEZ-IBÁÑEZ; KNOWLES; LAUMANNS, 2011), os valores
objetivo estavam no intervalo (1, 2), o ponto referência foi configurado em 2d.
Embora (BRINGMANN; FRIEDRICH, 2009) tenham mostrado que a técnica gulosa de
maximizar o hipervolume não garanta o conjunto ótimo na saída, AA obteve os melhores
45
Tabela 5: Resultados do hipervolume dos Arquivadores
Archiver smallPF-2d-10000
smallPF-3d-10000
2000-3d 10000-4d
clustered-2d-900
1to2-2d-2000
** Unbounded 100 100 100 100 100 1001o AA 99,9999 99,9996 99,9891 99,9271 99,9709 99,79712o SPEA2 99,9999 99,9975 99,8985 94,0359 99,9691 89,70093o NSGA-II 99,9999 99,9973 99,4440 77,1787 99,9498 99,85374o AGA 99,9995 99,9925 99,4557 97,7063 99,4372 99,38345o MGA 99,9761 99,8557 99,9515 99,3936 99,9018 99,38946o Dominating 99,9995 99,9916 99,4129 99,0409 99,4105 59,94177o ARA 99,972 99,9931 97,7947 99,1825 4,6216 85,72048o Ideal 98,9771 98,8014 99,9723 99,7916 93,0781 59,94179o Distributed 99,9917 99,9734 99,2007 95,8763 85,1245 87,086510 Distance 99,9790 99,9243 90,2875 89,5815 34,6739 87,0865
resultados para este indicador, com mais de 99,9% do hipervolume máximo em quase todos
os experimentos. Além da primeira instância, em que AA, NSGA-II e SPEA2 empataram
com os melhores resultados, apenas na instância 1to2-2d-2000 o NSGA-II foi o vencedor. A
maioria dos arquivadores teve dificuldades com esta instância. O Dominating, obviamente,
mantém os 100 primeiros vetores até o final da execução, o que resulta em um conjunto
de saída com baixa qualidade para ambos os indicadores.
Como o AA testa em cada inserção o melhor hipervolume possível, é natural que
ele vença para este indicador. Os arquivadores propostos por (POZO; BRITTO, 2012) não
obtiveram bons resultados para este indicador, ficando, em geral, nas últimas posições
do ranking; nota-se que a proposta de concentrar os pontos em regiões, de fato, não gera
uma boa distribuição dos pontos no espaço objetivo, para estes experimentos.
As Figuras 4 e 5 mostram, respectivamente para alguns arquivadores, o desempenho
no indicador de hipervolume ao longo das iterações para as instâncias 2000-3D e seq1to2-
2d-2000. Para a instância de três dimensões, quatro dos cinco arquivadores mostrados na
figura obtém resultados parecidos, com Ideal Archiver e AA vencendo os outros três. No
entanto, para a instância seq1to2-2d-2000, apenas NSGA-II e AA conseguiram manter
um conjunto de qualidade, no que diz respeito ao indicador de hipervolume.
Para o indicador ε, MGA e AA tiveram os melhores resultados. Em geral, os 4 (quatro)
novos arquivadores da literatura analisados neste trabalho não obtiveram bons resultados
para este indicador como mostrado na Tabela 6.
Para o indicador ε-aditivo, a média dos rankings foi liderado pelo MGA, seguido de
AA, NSGA-II, SPEA2, AGA, Ideal, Dominating, ARA, Distributed e Distance. O hiper-
46
500 1,000 1,500 2,0000.84
0.86
0.88
0.9
0.92
0.94
Iteração
Hipervo
lume
Hipervolumes – Instância 2000-3D
AANSGA-II
DistributedIdealARA
Figura 4: Resultados de hipervolume para a instância 2000-3D
500 1,000 1,500 2,000
0.8
1
1.2
1.4
1.6
1.8
Iteração
Hipervo
lume
Hipervolumes – Instância seq1to2-2d-2000
AANSGA-II
DistributedIdealARA
Figura 5: Resultados de hipervolume para a instância seq1to2-2d-2000
47
Tabela 6: Resultados do ε-aditivo dos arquivadores
Archiver smallPF-2d-10000
smallPF-3d-10000
2000-3d 10000-4d
clustered-2d-900
1to2-2d-2000
1o MGA 0,00006 0,00044 0,00657 0,05254 0,00185 0,015512o AA 0,00006 0,00231 0,01046 0,03860 0,00167 0,160083o NSGA-II 0,00006 0,00092 0,04992 0,25348 0,00175 0,007004o SPEA2 0,00007 0,00066 0,03336 0,21603 0,00203 0,424215o AGA 0,00045 0,00205 0,05764 0,12181 0,00509 0,102056o Ideal 0,00260 0,00229 0,01848 0,05824 0,24360 0,950487o Dominating 0,00045 0,00261 0,05764 0,11693 0,00509 0,950488o ARA 0,00083 0,00080 0,07370 0,08025 0,49623 0,499759o Distributed 0,00226 0,00246 0,04289 0,12826 0,12276 0,4752410o Distance 0,00567 0,00655 0,09694 0,12826 0,41199 0,47524
volume Archiver (AA) também obteve bom desempenho neste indicador, o que mostra
que apesar de ter alta complexidade de tempo, ele mantém um bom conjunto, conside-
rando estes dois indicadores. Apesar de o MGA ter vencido, em média, no ε-aditivo para
as instâncias testadas, ele foi apenas o 5o colocado no indicador anterior.
O Distance Archiver apresentou os piores resultados em ambos os indicadores. A es-
tratégia pode C-deteriorar facilmente, como mostrado em (MEDEIROS; GOLDBARG; GOLD-
BARG, 2014).
Tabela 7: Tempo gasto (em segundos) por cada arquivador
Entrada Dom. NSGA-II
SPEA2 AGA AA MGA Ideal Dist. Distr. ARA
seq-1to2-2d-2000
0.01 2.82 2.54 0.08 5.60 1.66 0.21 0.36 8.08 0.12
seq-clustered-2d-900
0.00 0.90 1.11 0.02 2.58 0.58 0.08 0.12 2.57 0.02
10000-4D 0.03 17.60 14.65 0.15 77.60 1.78 0.74 1.05 7.33 141.332000-3D 0.00 3.11 2.71 0.03 6.13 0.58 0.12 0.18 1.95 3.75smallPF-3d-10000
0.04 15.09 14.88 0.14 32.51 3.74 0.76 1.06 11.79 30.51
smallPF-2d-10000
0.03 13.00 12.93 0.11 21.97 3.39 0.66 0.83 12.91 1.30
A Tabela 7 mostra o tempo gasto por cada arquivador para processar as entradas
testadas. Além das testadas nos indicadores, outros novos arquivos foram testados neste
experimento. O ARA e o AA foram os arquivadores que necessitaram de maior tempo de
processamento, principalmente na instância com 4 objetivos, o que indica que se fossem
utilizados em problemas reais, haveria um tempo gasto excessivo apenas para tratar do
armazenamento de soluções.
48
4 Reciclagem de Soluções
Baseado nos estudos apresentados nas Seções 2.3 e 3.2, este trabalho propõe uma
investigação mais aprofundada sobre o quanto as soluções que seriam descartadas podem
ajudar durante o processo de otimização. A proposta consiste em duas etapas. Primeira-
mente, uma cesta de reciclagem é criada para salvar as soluções que seriam descartadas
pelo algoritmo de otimização. Como mostram os resultados da Seção 3.2, o tempo de
processamento de tal operação não é significativo – trivialmente é sabido que a operação
de inserção de uma nova solução em uma lista tem custo constante. Por fim, são feitas
verificações sobre o conteúdo desta cesta de reciclagem e eventual e periodicamente traz-se
boas soluções para o conteúdo atual da população, com o intuito de aumentar a quali-
dade do conjunto de soluções durante todo o processo de otimização, obtendo assim uma
melhor aproximação da fronteira de Pareto.
Durante o processo de otimização, portanto, haverá basicamente dois conjuntos sendo
modificados: a população ou um arquivo externo, que é o conjunto de aproximação do
otimizador em questão, denotado por P ; e a cesta de reciclagem, que guarda todas as
soluções que são geradas pelo otimizador e seriam descartadas (não iriam para a popula-
ção), denotada por Bin. É importante ressaltar que nenhuma verificação extra a respeito
da dominância entre as soluções será feita, além das já eventualmente realizadas nos oti-
mizadores, para que não se gaste tempo de processamento verificando a qualidade das
soluções neste momento, isto é, a lixeira receberá também soluções dominadas. Partindo
desta abordagem geral, é possível que algumas das soluções da cesta de reciclagem sejam
não-dominadas ou ainda dominantes, com relação às da população do algoritmo de otimi-
zação, considerando que a maioria dos arquivadores utilizados deterioram, C-deterioram
e/ou não têm a propriedade ⊆ Y ∗.
Propõe-se, portanto, que soluções da cesta de reciclagem substituam algumas soluções
da população, periodicamente. O passo deve ser selecionar N soluções dentre P ∪ Binpara serem mantidas em P na iteração seguinte. Existem muitas formas de selecionar
estas N soluções, como achar o subconjunto de tamanho N com hipervolume ótimo, se-
49
Algoritmo 2 ReciclagemEntrada: Pi, Bin1: iteracoes← 02: enquanto Condição de parada faça3: Pi+1 ← processamento(Pi)4: Bin← Bin ∪ (Pi − Pi+1)5: se iteracoes é múltiplo de Q então6: Bin← nds(Bin)7: Pi+1 ← reciclagem(Pi, Bin)8: fim se9: iteracoes← iteracoes+ 1
10: fim enquantoSaída: Pi+1, Bin
lecionar aleatoriamente N soluções, criar ordens de relação entre as soluções e selecionar
as N melhores, entre outras. Neste trabalho foram utilizadas três formas de realização da
reciclagem descrita acima. Sâo eles: seleção aleatória, seleção por distância de aglomera-
ção (crowding distance) e verificação de deterioração. Com isso, tem-se quatro cenários
possíveis, um para cada método de reciclagem e a aplicação do algoritmo sem reciclagem.
Este capítulo divide-se da seguinte maneira: inicialmente, a Seção 4.1 explica cada método
de reciclagem isoladamente; então a Seção 4.2 aborda os otimizadores nos quais a técnica
da lixeira foi implementada; e finalmente, a Seção 4.3 apresenta os problemas submetidos
aos algoritmos.
4.1 Técnicas de Reciclagem
Conforme dito no caput deste capítulo, foram propostas três formas de reciclagem
neste trabalho: seleção aleatória, denotada por random; seleção por distância de aglome-
ração, denotada por crowdd e verificação de deterioração, denotada por verif. O algoritmo
sem aplicação da reciclagem é denotado por clean. O Algoritmo 2 ilustra como funciona a
reciclagem proposta neste trabalho. A função processamento(.) representa a geração de
novas soluções de cada algoritmo – por exemplo, a reprodução e aplicação de operado-
res em algoritmos genéticos, ou mesmo a movimentação de partículas na meta-heurística
de nuvem de partículas. A Linha 4 representa o armazenamento de soluções que seriam
descartadas, isto é, soluções que pertenciam a Pi e não estão presentes em Pi+1.
Por sua vez, as linhas 5 e 6 representam a reciclagem. Periodicamente (a cada Q ite-
rações) calcula-se o conjunto de soluções incomparáveis em Bin e então utiliza-se alguma
das técnicas de reciclagem apresentadas a seguir para cálculo de Pi+1.
50
Seleção aleatória: este método seleciona um conjunto aleatório de soluções pertencen-
tes a Pi ∪Bin, a fim de verificar se a reciclagem, ainda que aleatória, tem benefícios para
a otimização.
Seleção por distância de aglomeração: seleciona o conjunto com as |P | melhores solu-
ções de acordo com o indicador de distância de aglomeração. Esta métrica foi proposta
inicialmente juntamente com o algoritmo NSGA-II (ver Seção 4.2.1), a fim de aumentar
a diversidade das soluções selecionadas, atribuindo valores menores a soluções em regiões
mais povoadas(DEB et al., 2002a). O Algoritmo 3 ilustra a atribuição de distância de aglo-
meração para as soluções de um conjunto L. Percorrendo a lista de soluções ordenada
por cada objetivo, as soluções tem sua distância de aglomeração incrementada de acordo
com as distâncias às soluções imediatamente superior e inferior. Sendo assim, o algoritmo
prioriza as soluções com maior distância de aglomeração.
Algoritmo 3 Atribuição de Distância de AglomeraçãoEntrada: L1: l← |L|2: para cada solução L(i) faça3: L(i).distance← 04: fim para5: para cada objetivo m faça6: Ordenar L de acordo com o objetivo m7: L(1)← L(l)←∞8: para i← 2 to (l − 1) faça9: L(i).distance← L(i).distance+ (L(i+ 1).m+ L(i− 1).m)
10: fim para11: fim paraSaída: L
Verificação de deterioração: neste método, a partir dos dois conjuntos P e Bin,
verifica-se para toda solução Pi ∈ P se é dominada por qualquer solução em Bin, isto
é, ∃Pi ∈ P, ∃Binj ∈ Bin|Binj ≺ Pi. Em caso positivo, substitui-se a solução dominada
pelo elemento Binj. Em situações com mais de uma solução dominante em Bin, Pi será
substituído por qualquer uma das dominantes, com mesma chance de seleção para todas.
4.2 Otimizadores
Os algoritmos de otimização utilizados neste trabalho – chamados de otimizadores –
foram testados em problemas clássicos da literatura, que serão apresentados e definidos
na Seção 4.3. Foram eles o NSGA-II(DEB et al., 2002a), PAES(KNOWLES; CORNE, 2000),
51
SPEA2(ZITZLER; LAUMANNS; THIELE, 2002), MOEA/D(ZHANG; LI, 2007), e NSGA-III(DEB;
JAIN, 2014). O primeiro foi disponibilizado nos frameworks PISA(BLEULER et al., 2003)
e jMetal(DURILLO; NEBRO, 2011), e os outros no framework jMetal(DURILLO; NEBRO,
2011). O NSGA-II disponibilizado no PISA foi utilizado neste trabalho a fim de facilitar
a realização de testes com o Problema da Mochila, não disponível no jMetal. Todos os
otimizadores possuem suas variações de acordo com método de reciclagem empregado,
além da versão sem reciclagem, totalizando 4 algoritmos diferentes por otimizador (clean,
crowdd, random e verif).
Os testes foram feitos de forma a comparar os 4 métodos de cada algoritmo entre si,
a fim de verificar se a utilização da reciclagem, em alguns de seus métodos, beneficia a
performance do algoritmo. Periodicamente foi analisada a população contida no algoritmo,
com o intuito de medir os indicadores destes conjuntos não só no final da execução, mas
também durante o processo de otimização. Para aumentar a confiabilidade dos testes,
todas as versões dos algoritmos foram executadas 30 vezes para cada configuração de
problema. Os geradores de números aleatórios das implementações foram configurados
com as mesmas sementes, de forma que a geração de população inicial era a mesma para
todas as variações dos otimizadores, isolando ainda mais a comparação entre os métodos
de componentes aleatórios.
Esta seção apresenta os otimizadores que foram utilizados neste trabalho: NSGA-II,
SPEA2, PAES, MOEA/D e NSGA-III. Além disso, a Seção 4.2.4.1 apresenta o operador
de mutação utilizado no MOEA/D, chamado de Evolução Diferencial.
4.2.1 NSGA-II
O NSGA-II – Non-dominating Sorting Genetic Algorithm – foi proposto em (DEB et
al., 2002a) para aprimorar o NSGA proposto anteriormente. O NSGA-II é um algoritmo
genético para problemas multiobjetivo baseado na divisão de sua população em fronteiras,
de acordo com a dominância de Pareto (ver Definição 1). É um dos algoritmos mais
estudados na literatura sobre otimização multiobjetivo.
Primeiramente, o algoritmo cria uma população P1 inicial de indivíduos, preenchendo
a população e avaliando os vetores objetivo de cada solução. Então, a cada nova iteração,
ocorre a aplicação de operadores genéticos às soluções, a fim de criar uma nova geração. A
partir disto, o NSGA-II dispõe de dois conjuntos, a população Pi e a nova geração Q. As-
sim, divide-se o conjunto Pi∪Q em k fronteiras (conjuntos não dominados), de forma que
todos os elementos da fronteira Fk+1 são dominados por alguma solução da fronteira Fk.
52
Então são selecionadas as melhores |Pi| soluções para se manterem na população Pi+1, de
acordo com a classificação de fronteiras. A população é preenchida com as primeiras fron-
teiras (que são dominantes), até que não haja mais espaço em Pi+1. Na última fronteira a
ser inserida, caso ela tenha cardinalidade maior que o espaço livre na população, apenas
algumas soluções serão selecionadas – as soluções com melhores distância de aglomeração
– pela falta de espaço. Desta forma, cria-se uma relação de ordem <n para classificar as
soluções do conjunto Pi ∪Q, priorizando primeiramente as soluções das fronteiras inferio-
res, e em casos de empate, selecionando as soluções com maior distância de aglomeração,
a fim de garantir a diversidade no processo de otimização. O cálculo de distância de aglo-
meração, para a última fronteira selecionada no NSGA-II, é descrita no Algoritmo 3. É
importante salientar que o NSGA-II associa o valor infinito às distâncias de aglomeração
das soluções das extremidades do espaço objetivo, isto é, as melhores soluções para cada
objetivo serão preservadas.
Pode ocorrer que já a primeira fronteira seja maior que o tamanho limite da população.
Caso isso ocorra, o processo de seleção por distância de aglomeração ocorrerá já para o
conjunto de soluções não dominadas do conjunto Pi ∪Q.
O Algoritmo 4 ilustra a divisão de fronteiras realizada pelo NSGA-II a partir de um
conjunto de soluções P . O processo de divisão das soluções em fronteiras inicia-se com
dois passos: primeiro calcula-se, para cada solução i, o número de soluções que dominam
i e um conjunto Si de soluções que são dominadas por i. A primeira fronteira (F1) será
preenchida com os elementos que não são dominados por nenhuma outra solução. Após
isto, o processo se repete com as soluções restantes até que todos as soluções estejam em
alguma fronteira.
Neste trabalho foi inicialmente utilizada a versão do NSGA-II disponibilizada em
(BLEULER et al., 2003), quando testado para o Problema da Mochila, DTLZ1 e DTLZ2.
Para os demais problemas, foi utilizada a implementação de (DURILLO; NEBRO, 2011).
4.2.2 PAES
O PAES (Pareto Archived Evolution Strategy) é um otimizador baseado em busca
local e evolução(KNOWLES; CORNE, 1999), e foi utilizado neste trabalho devido ao uso de
um método de arquivamento analisado no Capítulo 2. Ele foi proposto com duas ideias
principais. A primeira era criar um algoritmo estritamente confinado a busca local, reali-
zando sua busca de forma gradativa partindo de uma solução para uma vizinha próxima.
Este comportamento difere bastante da grande maioria dos otimizadores multiobjetivo,
53
Algoritmo 4 Nondominated SortingEntrada: P1: para cada p ∈ P faça2: para cada q ∈ P faça3: se (p ≺ q) então4: Sp ← Sp ∪ q5: senão se (q ≺ p) então6: np ← np + 17: fim se8: fim para9: se np = 0 então
10: F1 = F1 ∪ p11: fim se12: i← 113: enquanto Fi 6= ∅ faça14: H ← ∅15: para each p ∈ Fi faça16: para each q ∈ Sp faça17: nq ← nq − 118: se nq = 0 então19: H ← H ∪ q20: fim se21: fim para22: i← i+ 123: Fi ← H24: fim para25: fim enquanto26: fim paraSaída: F
que, em geral, mantém uma população de soluções e aplicam operadores de mutação e
reprodução para modificá-las. A segunda ideia é propor um otimizador de Pareto (assim
chamado pelo autor), que trata soluções incomparáveis (ver Definição 3) de forma a terem
o mesmo valor. Para tanto, o algoritmo mantém um arquivador externo que guarda um
conjunto não-dominado de soluções de tamanho limitado, salvando assim parte das solu-
ções não-dominadas geradas até então. Obviamente, e como descrito anteriormente neste
trabalho, este comportamento pode descartar soluções não-dominadas, considerando o
tamanho limitado do arquivador.
Considerando o até então exposto, o PAES pode ser visualizado com três principais
componentes: (1) gerador de soluções a partir da busca local, que deverá realizar a mutação
na solução guia, gerando uma solução vizinha, chamada solução candidata; (2) seletor de
soluções, que definirá qual das duas soluções (a atual ou a solução modificada) deverá
54
Algoritmo 5 PAES1: Gerar solução inicial G2: Avaliar e adicionar G ao arquivador3: enquanto Condição de parada faça4: Busca Local: gerar nova solução G′ a partir de G5: Avaliar a solução candidata G′6: se não (G ≺ G′) então7: Atualizar arquivador com G′
8: G← Seleção entre G e G′ para a nova solução guia9: fim se
10: fim enquanto
guiar o algoritmo na próxima iteração; e por fim, (3) o arquivador que deverá guardar um
conjunto não-dominado de soluções. O Algoritmo 5 ilustra o esquema geral de aplicação
do PAES. Neste trabalho o arquivador utilizado foi o Adaptive Grid Archive (AGA),
conforme proposto pelo autor em (KNOWLES; CORNE, 1999). Neste trabalho o PAES foi
implementado e disponibilizado por (DURILLO; NEBRO, 2011), ressalvadas as modificações
necessárias para a reciclagem, que neste caso foi feita diretamente no arquivador.
A condição de parada é geralmente baseada no número de avaliações, isto é, número
de soluções geradas – que de fato serão avaliadas. Para melhor comparação com os outros
algoritmos deste trabalho, a cadaN avaliações, sendoN o tamanho do arquivador, contou-
se uma iteração.
4.2.3 SPEA2
O SPEA2 (Strength Pareto Evolutionary Algorithm), outro otimizador cujo método
de seleção de soluções fora analisado teoricamente e experimentalmente neste trabalho (ver
Seção 2.3), foi proposto em (ZITZLER; LAUMANNS; THIELE, 2002) a fim de aumentar a
qualidade do SPEA, algoritmo evolucionário proposto anteriormente, corrigindo algumas
de suas fraquezas.
O SPEA2 mantém uma população regular e um arquivador externo, e a cada iteração
calcula um indicador de aptidão de cada solução armazenada, seja ela da população ou do
arquivador externo. A função F (i), para cada indivíduo i, é a soma de dois indicadores:
razão entre o número de soluções dominadas por i e o tamanho da população e uma
estimativa de densidade baseada na proximidade entre as soluções, a fim de garantir
maior diversidade. Além disso, uma mudança trazida pelo SPEA2 é a garantia de que as
soluções das extremidades, para cada dimensão no espaço objetivo, serão necessariamente
55
Algoritmo 6 SPEA21: t← 02: Gerar população inicial Pt3: Avaliar e adicionar P0 ao arquivador A4: enquanto Condição de parada faça5: Calcular o valor F (i) para as soluções em Pt e A6: Copiar as soluções não-dominadas em Pt para A e realizar a seleção das N soluções
a ficarem no arquivador7: Aplicar reprodução e mutação na população Pt, gerando Pt+1
8: fim enquantoSaída: A
mantidas, assim como no NSGA-II.
O Algoritmo 6 mostra os passos utilizados no SPEA2.
4.2.4 MOEA/D
O MOEA/D é um algoritmo evolucionário baseado em decomposição – Multiobjective
Evolutionary Algorithm based on Decomposition(ZHANG; LI, 2007) – que trata cada uma
de suas decomposições como um subproblema em separado, tratando cada subproblema
como um problema mono-objetivo. Ademais, o MOEA/D traz o conceito de vizinhança
entre subproblemas. As decomposições são escalarizações (vetores) a serem aplicadas aos
vetores objetivo das soluções geradas. Sendo assim, cada problema tem K problemas
vizinhos, que são as decomposições (vetores) mais próximas (de acordo com a distância
Euclidiana) de cada problema.
Existem algumas formas de decompor um problema multiobjetivo, e duas delas são
propostas em (ZHANG; LI, 2007). A primeira, e bastante intuitiva, é a abordagem com
soma ponderada dos objetivos. Seja W = (W0,W1, . . . ,Wd) um vetor de coeficientes –
que representa um subproblema, tais qued∑
n=1
Wn = 1, cada subproblema i será definido
como
maxx∈X g(x|W ) =d∑q=1
Wqfq(x)
Outra forma de decomposição analisada nos experimentos realizados em (ZHANG; LI,
2007) – denotada por abordagem Tchebycheff – leva em consideração um ponto de referên-
cia ideal, assim como utilizado pelo arquivador Ideal Archiver (ver Seção 2.3), atualizado
a cada nova geração de solução e representado por z∗. Considerando um problema de ma-
ximização, como na Equação 2.1, z∗i = maximofi(x), para x ∈ X; obviamente, como
56
o conjunto ótimo X é desconhecido, utilizam-se as soluções encontradas até então para
o cálculo de z∗. Nesta proposta, a otimização é baseada na minimização da diferença
máxima entre os componentes de f(x) e z∗. De forma que o subproblema i é definido
como
minx∈X g(x|W, z∗) = maximoWq|fq(x)− z∗q |, para 1 ≤ q ≤ q
O algoritmo necessita que as decomposições sejam fornecidas como parâmetro, de
forma que o tamanho da população do algoritmo é igual ao número de decomposições. Ade-
mais, o MOEA/D mantém um arquivador externo para salvar as soluções não-dominadas
encontradas durante a otimização.
Neste trabalho foi utilizada a implementação disponibilizada por (DURILLO; NEBRO,
2011), utilizando a abordagem Tchebycheff. O Algoritmo 7 ilustra o procedimento utili-
zado pelo MOEA/D.
Algoritmo 7 MOEA/DEntrada: W,K1: EP ← ∅2: Computar as distâncias euclidianas entre cada par de vetores em W, gerando para
cada Wi um conjunto B(i) com os K pesos mais próximos3: Gerar população inicial P4: enquanto Condição de parada faça5: para i de 1 até N faça6: Reprodução: selecione duas soluções vizinhas, a, b ∈ B(i) e gere uma nova
solução y a partir delas7: Atualizar z∗8: Se y aplicada à decomposição i é melhor que Pi, então substitua Pi por y9: Para cada solução vizinha a Pi, verifique se y é dominante (considerando a
decomposição vizinha). Em caso positivo, substitua a solução vizinha por y10: Atualize o arquivador externo EP com y11: fim para12: fim enquantoSaída: EP
A seção seguinte apresenta operador de reprodução utilizado neste, chamado de evo-
lução diferencial, proposto a ser utilizado no MOEA/D por (LI; ZHANG, 2009).
4.2.4.1 Evolução Diferencial
A evolução diferencial é um método simples para criação de soluções em algoritmos
evolucionários. Foi proposta inicialmente em (STORN; PRICE, 1997). O método adiciona
57
diferenças ponderadas a soluções anteriormente geradas. No caso deste trabalho, foi utili-
zado como operador de reprodução no MOEA/D. Assim, o algoritmo é referenciado como
MOEA/D-DE.
Considere uma solução de um problema S = S1, S2, . . . , Sm, sendo m o número de
variáveis de decisão, e cada Si ∈ R, ∀i = 1, 2, . . . ,m. O operador cria, a partir de três
soluções x, a e b uma nova solução y, definida como:
yk =
xk + F · (ak − bk) com probabilidade φ
xk com probabilidade 1− φ
A probabilidade φ indica a chance de que o componente yk deve ser alterado, isto é,
não terá valor xk. F indica um fator de diferença, que serve para controlar os saltos dados
por cada componente xk, para a composição da solução y. Estes valores são parâmetros do
algoritmo. O método apresentado em (LI; ZHANG, 2009) apresentou melhores resultados
que o NSGA-II, considerando que o NSGA também utilizou evolução diferencial como
operador de reprodução.
4.2.5 NSGA-III
Considerando as limitações apresentadas pelo NSGA-II para problemas com mais de
três objetivos, (DEB; JAIN, 2014) propõem um novo mecanismo para garantir a diversidade
da população durante o processo de otimização. Chamado de NSGA-III, o algoritmo é
bastante similar ao NSGA-II (ver Seção 4.2.1), com alterações apenas na manutenção de
diversidade, que anteriormente era perseguida através da distância de aglomeração, que
pode não obter valores satisfatórios para mais de 3 dimensões, como será mostrado na
seção de resultados.
Existem dificuldades enfrentadas pelos algoritmos de otimização em problemas com
muitos objetivos. Por exemplo, o número de soluções não-dominadas cresce exponencial-
mente junto ao número de objetivos(GARZA-FABRE; PULIDO; COELLO, 2009), o que torna
difícil selecionar um conjunto limitado de soluções dentre um número bastante alto, con-
servando uma boa representatividade. Além disso, a própria medição de diversidade –
e outras métricas – se torna computacionalmente custosa nestes problemas(DEB; JAIN,
2014), a visualização das fronteiras se torna inviável, entre outros problemas.
Os primeiros passos do NSGA-III são idênticos aos do NSGA-II. Inicialmente, a cada
58
Figura 6: Representação dos pontos de referência do NSGA-III(DEB; JAIN, 2014).
iteração, gera-se uma nova população a partir de operadores genéticos, e o algoritmo de
ordenação baseada em dominância (Nondominated Sorting – ver Algoritmo 4) é utilizado
para a divisão em fronteiras. Após as fronteiras dominantes serem selecionadas para a
população, a última fronteira Fk a ser inserida (caso o espaço na população seja menor
que |Fk|) deve ter apenas alguns elementos escolhidos.
Nesta seleção é que o NSGA-III diferencia-se de sua versão anterior. Para tanto, o
NSGA-III baseia-se em pontos de referência para definir quais soluções serão selecionadas.
Estes pontos podem ser definidos por algum mecanismo específico ou pelo próprio usuário.
A estrutura utilizada em (DEB; JAIN, 2014) foram pontos posicionados em um hiperplano
normalizado (formado pelos vetores da base canônica no espaço objetivo em questão, de
acordo com o número de objetivos). Por exemplo, em caso de três objetivos, o plano
utilizado seria o triângulo formado pelos pontos (0,0,1), (0,1,0) e (1,0,0).
Os pontos de referência serão inseridos inicialmente pelo método proposto em (DAS;
DENNIS, 1998), gerando um vetor w de pontos, espaçados igualmente sobre o plano descrito
anteriormente. O número inicial de pontos de referência é definido por C(M + p − 1, p),
sendo M o número de objetivos e p o número de divisões a cada objetivo. A Figura 6
ilustra a criação de pontos de referência do NSGA-III para 3 objetivos, sendo 4 divisões
por objetivo. Um total de 15 – C(6, 4) – pontos serão criados, portanto.
Para a seleção das soluções que irão compor a próxima geração, primeiramente o
NSGA-III associa cada solução a um ponto de referência de acordo com a distância per-
pendicular de cada ponto para as linhas de referência, isto é, são traçadas retas da origem
até os pontos de referência, e cada solução será associada à linha (e consequentemente ao
ponto) de referência mais próxima.
Então, o NSGA-III itera sobre cada ponto de referência, da seguinte forma: se o ponto
59
Rj não tem algum membro associado a ele ainda, podem haver dois cenários: primeiro, há
uma ou mais soluções associadas a este ponto de referência em Fk, e neste caso selecione
a mais próxima, de acordo com a distância perpendicular; segundo, não há soluções asso-
ciadas a este ponto em Fk, então este ponto de referência deve ser descartado. Se Rj já
tiver alguma solução associada, então selecione aleatoriamente alguma solução (se houver)
associada a Rj para compor a próxima geração, i.e., Pi+1. Repita este procedimento até
preencher a população Pi+1.
4.3 Problemas de Otimização
Este trabalho utilizou vários problemas clássicos da literatura acerca da otimização
multiobjetivo para a realização dos testes. Esta seção apresenta os problemas nos quais
os otimizadores descritos anteriormente foram testados.
4.3.1 Problema da mochila
O problema da mochila é um problema com bastante discussão na literatura(LU; YU,
2013; LUST; TEGHEM, 2010a; BAZGAN; HUGOT; VANDERPOOTEN, 2009; ZHANG; LI, 2007).
Ele foi proposto inicialmente para um único objetivo. Com a temática de problemas multi-
objetivo sendo abordada com maior frequência, tendo em vista a evolução dos algoritmos
de otimização, teve sua versão proposta para vários objetivos. Existem várias definições
diferentes do problema da mochila, variando as restrições, lucros, e outros componentes.
O problema é definido a seguir, em sua versão clássica e em sua versão multiobjetivo, que
foi utilizada neste trabalho.
Seja L = l1, l2, . . . , lk uma lista de k itens com respectivos pesos e lucros, e W ∈ Na capacidade total da mochila. Os valores wi e pi correspondem ao peso e ao lucro do
i-ésimo item, respectivamente. O problema da mochila mono-objetivo é definido como:
Max(k∑i=0
xi ∗ pi), de forma quek∑i=0
xi ∗ wi ≤ W
Algumas versões do problema permitem a utilização de um item mais de uma vez,
no entanto este trabalho utiliza a versão 0-1 do problema da mochila. Sendo assim, uma
solução viável é uma lista X = x1, x2, . . . , xk, sendo xi ∈ 0, 1, representando os itens
que foram ou não incluídos, tal que a capacidade W não seja ultrapassada.
60
Da mesma forma que na versão clássica do problema da mochila, uma solução para
o problema N-dimensional multiobjetivo é definida como uma lista de valores 0, 1 querepresentam os itens que foram incluídos na mochila. No entanto, existem N mochilas, e
uma solução pode ser viável para uma mochila, mas não para outras. Além disso, maximi-
zar o lucro de uma mochila não implica na maximização dos lucros das outras mochilas.
Sendo assim, o objetivo é maximizar o lucro de todas as mochilas simultaneamente.
Seja S = L1, L2, . . . , LN uma lista de N mochilas. Para cada mochila Lj, 1 ≤ j ≤ N ,
os itens podem ter diferentes pesos e lucros. Dessa forma, o peso do item i na mochila Ljé representado por wij, e o seu respectivo lucro na mochila Lj é denotado por pij.
O problema da mochila multiobjetivo e N-dimensional é definido como:
max f(x) = (k∑i=1
xi ∗ pi1,k∑i=1
xi ∗ pi2, . . . ,k∑i=1
xi ∗ piN), de forma que,
∀j ∈ N, 1 ≤ j ≤ N,k∑i=1
xi ∗ wij ≤ Wj
4.3.2 Problema do Caixeiro Viajante
O problema do caixeiro viajante é um dos problemas mais estudados na área de
otimização(LUST; TEGHEM, 2010b). Ainda em sua versão mono-objetivo, o problema é NP-
difícil. A versão multiobjetivo é também bastante estudada, e é utilizada neste trabalho,
portanto, para que se realizem testes do método de reciclagem também em problemas
discretos. O versão clássica do problema, com apenas um objetivo, é definida a seguir:
Dadas N cidades C = c1, c2, . . . , cn, e uma matriz pij que representa as distâncias
entre as cidades, em que pij representa a distância entre a cidade ci e a cidade cj. Encontre
a permutação γ de S = 1, 2, . . . , n que represente um caminho que passe por cada cidade
apenas uma vez e volte para a cidade de origem, de forma que f(γ) seja mínimo.
f(γ) = pγnγ1 +n−1∑i=1
pγiγi+1
A função multiobjetivo difere desta anterior apenas no cálculo das distâncias, de forma
que pij torna-se pdij, ou seja, um vetor de distâncias – ou pesos, para uma representação
mais genérica – sendo cada um destes pesos referentes a um objetivo. Dessa forma, o
problema consiste em minimizar f(γ) = (f1(γ), f2(γ), . . . , fd(γ)), em que:
61
fd(γ) = pdγnγ1 +n−1∑i=1
pdγiγi+1
4.3.3 Problema Quadrático de Alocação (PQA)
O Problema Quadrático de Alocação é também um dos mais estudados na área de
otimização combinatória, e como o Problema do Caixeiro Viajante, teve sua versão mul-
tiobjetivo proposta. O problema com apenas um objetivo consiste em alocar um conjunto
de artefatos (facilidades) em um conjunto de localidades, sendo o custo uma função que
leva em conta distância e fluxo entre as facilidades, além do custo necessário a alocar-se
uma facilidade em um determinado local(BURKARD et al., 1998). Sendo assim, o problema
é de minimização, no qual este custo deve ser o menor possível. Pode ser definido:
Seja n o número de facilidades e localidades:
minimizeC(φ) =n∑i=1
n∑j=1
aijbφiφj
Em que φ representa uma permutação de 1, 2, . . . , n, aij é a distância entre a localidade
i e a localidade j, e bij representa o fluxo entre a facilidade i para a facilidade j. Por fim, φirepresenta o local da facilidade i na permutação φ. Assim como no problema do Caixeiro
Viajante, a solução para este problema é uma permutação de inteiros.
A versão multiobjetivo é definida de forma análoga, assim como o Problema da Mo-
chila Multiobjetivo, e é definida a seguir:
minimize C(φ) = C1(φ), C2(φ), . . . , Cm(φ)
em queCk(φ) =n∑i=1
n∑j=1
aijbkφiφj
Para toda a realização deste trabalho, foram geradas 10 instâncias deste problema, a
serem testadas nos otimizadores. O trabalho de (KNOWLES; CORNE, 2003) disponibiliza
um gerador de instâncias para este problema. Este gerador foi utilizado neste trabalho,
com tamanho, número de objetivos e semente para o gerador de números pseudo-aleatórios
controlados. As respectivas configurações das instâncias são:
62
• Tamanho: 10, Objetivos: 2, Semente: 123.
• Tamanho: 10, Objetivos: 2, Semente: 215.
• Tamanho: 10, Objetivos: 3, Semente: 155.
• Tamanho: 10, Objetivos: 3, Semente: 256.
• Tamanho: 20, Objetivos: 2, Semente: 88.
• Tamanho: 20, Objetivos: 2, Semente: 124.
• Tamanho: 20, Objetivos: 3, Semente: 588.
• Tamanho: 20, Objetivos: 3, Semente: 3438.
• Tamanho: 20, Objetivos: 4, Semente: 2377.
• Tamanho: 20, Objetivos: 4, Semente: 9813.
4.3.4 Problemas WFG
Os problemas WFG (Walking Fish Group) foram propostos em (HUBAND et al., 2005)
a fim de criar um toolkit para geração de problemas com várias características diferentes,
sendo essas características controláveis. O trabalho de HUBAND et al. (2005) propõe 9 pro-
blemas baseados neste toolkit, chamados WFG1-9. O kit de ferramentas define problemas
em termos de um vetor de parâmetros x. O vetor x é derivado, utilizando vetores de
transição, até o vetor z. Cada vetor de transição aplicado a x definirá uma nova carac-
terística ao problema, como não-separabilidade ou enviesamento a alguma região. Além
disso, é possível também controlar o formato da fronteira de Pareto, podendo ela ser li-
near, convexa, côncava, convexa/côncava e desconectado. O esquema geral dos problemas
é definido como:
Dados z = (z1, . . . , zk, zk+1, . . . , zn)
min fm=1:M(x) = xM + Smhm(x1, . . . , xM−1)
em que x = x1, . . . , xM
Sendo Mo número de objetivos e x o vetor ao qual serão aplicados as transformações
a partir de vetores de transição. Sm são constantes de escalabilidade e h1:M são as funções
63
Tabela 8: Problemas WFG
Problema Separabilidade GeometriaWFG1 Separável Convexo, Côncavo/ConvexoWFG2 Não-separável Convexo, DesconectadoWFG3 Não-separável LinearWFG4 Não-separável CôncavoWFG5 Separável CôncavoWFG6 Separável CôncavoWFG7 Não-separável CôncavoWFG8 Não-separável CôncavoWFG9 Não-separável Côncavo
que definem a forma da fronteira de Pareto no espaço objetivo. A Tabela 8 apresenta as
características dos problemas WFG. Outras características mais precisas são mostradas
em (HUBAND et al., 2005).
Os problemas WFG foram testados em 3 otimizadores neste trabalho, cujas formas
de arquivamento foram analisadas neste trabalho: NSGA-II, PAES e SPEA2. Para todos
os testes, os problemas foram configurados com 3 objetivos.
4.3.5 Problemas LZ09
Os problemas chamados LZ09 são propostos em (LI; ZHANG, 2009). Inicialmente fo-
ram definidos para testes com variações do MOEA/D, como a utilizada neste trabalho
(MOEA/D-DE), e do NSGA-II. As m funções objetivo para os problemas são definidas
como:
minimizar
f1(x) = α1(xI) + β1(xII − g(xI))
f2(x) = α2(xI) + β2(xII − g(xI))
...
fm(x) = αm(xI) + βm(xII − g(xI))
Em que:
• x = (x1, x2, . . . , xn) ∈ Ω, xI = (x1, . . . , xm−1) e xII = (xm, . . . , xn).
• αi(i = 1, . . . ,m) é uma função de∏m−1
i=1 [ai, bi]→ R
64
• βi(i = 1, . . . ,m) é uma função de Rn−m+1 → R+
• g é uma função de∏m−1
i=1 [ai, bi]→∏n
i=m+1[ai, bi]
O espaço de decisão é definido como Ω =n∏i=1
[ai, bi] ⊂ Rn. Cada um dos 9 problemas
propostos são descritos a seguir.
LZ09F1
f1 = x1 +2
|J1|∑j∈J1
(xj − x0.5(1+
3(j−2)n−2
)
1 )2
f2 = 1−√x1 +
2
|J2|∑j∈J2
(xj − x0.5(1+
3(j−2)n−2
)
1 )2
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
LZ09F2
f1 = x1 +2
|J1|∑j∈J1
(xj − sin(6πx1 +jπ
n))2
f2 = 1−√x1 +
2
|J2|∑j∈J2
(xj − sin(6πx1 +jπ
n))2
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
LZ09F3
f1 = x1 +2
|J1|∑j∈J1
(xj − 0.8x1cos(6πx1 +jπ
n))2
f2 = 1−√x1 +
2
|J2|∑j∈J2
(xj − 0.8x1sin(6πx1 +jπ
n))2
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
65
LZ09F4
f1 = x1 +2
|J1|∑j∈J1
(xj − 0.8x1cos(6πx1 + jπ
n
3))2
f2 = 1−√x1 +
2
|J2|∑j∈J2
(xj − 0.8x1cos(6πx1 +jπ
n))2
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
LZ09F5
f1 = x1 +2
|J1|∑j∈J1
xj − [0.3x21cos(24πx1 +4jπ
n) + 0.6x1]cos(6πx1 +
jπ
n)2
f2 = 1−√x1 +
2
|J2|∑j∈J2
xj − [0.3x21cos(24πx1 +4jπ
n) + 0.6x1]sin(6πx1 +
jπ
n)2
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
LZ09F6
f1 = cos(0.5x1π)cos(0.5x2π) +2
|J1|∑j∈J1
(xj − 2x2sin(2πx1 +jπ
n))2
f2 = cos(0.5x1π)sin(0.5x2π) +2
|J2|∑j∈J2
(xj − 2x2sin(2πx1 +jπ
n))2
f3 = sin(0.5x1π) +2
|J3|∑j∈J3
(xj − 2x2sin(2πx1 +jπ
n))2
em que J1 = j|3 ≤ J ≤ n, j − 1 é múltiplo de 3.
J2 = j|3 ≤ J ≤ n, j − 2 é múltiplo de 3.
J3 = j|3 ≤ J ≤ n, j é múltiplo de 3.
66
LZ09F7
f1 = x1 +2
|J1|∑j∈J1
(4y2j − cos(8yjπ) + 1.0)
f2 = 1−√x1 +
2
|J2|(4y2j − cos(8yjπ) + 1.0)
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
LZ09F8
f1 = x1 +2
|J1|(4∑j∈J1
y2j − 2∏j∈J1
cos(20yjπ√
j) + 2)
f2 = 1−√x1 +
2
|J2|(4∑j∈J2
y2j − 2∏j∈J2
cos(20yjπ√
j) + 2)
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
LZ09F9
f1 = x1 +2
|J1|∑j∈J1
(xj − sin(6πx1 +jπ
n))2
f2 = 1− x21 +2
|J2|∑
j ∈ J2(xj − sin(6πx1 +jπ
n))2
em que J1 = j|j é ímpar e 2 ≤ j ≤ n e J2 = j|j é par e 2 ≤ j ≤ n
4.3.6 Problemas ZDT
O trabalho publicado por (DEB, 1999) apresentou algumas características que geravam
problemas aos algoritmos evolucionários multiobjetivo (MOEAs), divididos em dois sub-
grupos: problemas relacionados à convergência à fronteira ótima de Pareto, e relacionados
a manutenção da diversidade entre as soluções. Baseando-se nesta análise, (ZITZLER; DEB;
THIELE, 2000) propuseram 6 problemas, a fim de realizar uma comparação entre alguns
dos algoritmos evolucionários multiobjetivo desenvolvidos até então, no que diz respeito
aos problemas apresentados em (DEB, 1999). Cada problema obedece à mesma estrutura
67
definida a seguir:
min T (x) = (f1(x1), f2(X))
sujeito à f2(x) = g(x2, . . . , xm)h(f1(x1), g(x2, . . . , xm))
em que X = (x1, . . . , xM)
Cada uma das 6 funções propostas são diferentes na definição destas três funções,
podendo ter cada uma um número de variáveis próprio. Neste trabalho foram utilizados
os 4 primeiros problemas definidos por (ZITZLER; DEB; THIELE, 2000), disponibilizados
por (DURILLO; NEBRO, 2011).
Problema ZDT1
Este problema traz uma fronteira ótima de Pareto convexa. Esta característica, assim
como fronteiras não-convexas ou discretas, pode gerar dificuldades aos MOEAs no que
diz respeito a manutenção de uma boa distribuição da fronteira de Pareto(DEB, 1999). O
Problema ZDT1 tem suas três funções definidas como:
f1(x1) = x1
g(x2, . . . , xm) = 1 + 9 ·m∑i=2
xi/(m− 1)
h(f1, g) = 1−√f1/g
em que m = 30 e xi ∈ [0, 1].
A fronteira ótima de Pareto deste problema é formada com g(X) = 1, e é ilustrada na
Figura 7.
Problema ZDT2
O Problema ZDT2 apresenta uma fronteira ótima de Pareto não-convexa. É definido
como:
68
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
x1
x2
ZDT1
Figura 7: Fronteira de Pareto do problema ZTD1.
f1(x1) = x1
g(x2, . . . , xm) = 1 + 9 ·m∑i=2
xi/(m− 1)
h(f1, g) = 1− (f1/g)2
em que m = 30 e xi ∈ [0, 1].
A fronteira ótima de Pareto deste problema é formada com g(X) = 1, e é ilustrada na
Figura 8.
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
x1
x2
ZDT2
Figura 8: Fronteira de Pareto do problema ZTD2.
69
Problema ZDT3
Este problema é bastante diferente dos anteriores, pois apresenta partes convexas não
contínuas em sua fronteira ótima de Pareto, ilustrada na Figura 9. Ele é definido como:
f1(x1) = x1
g(x2, . . . , xm) = 1 + 9 ·m∑i=2
xi/(m− 1)
h(f1, g) = 1− sqrtf1/g − (f1/g)sin(10πf1)
em que m = 30 e xi ∈ [0, 1].
A introdução da função sin(.) em h(.) causa descontinuidade no espaço objetivo,
apesar de o domínio das variáveis de decisão ser contínuo.
0 0.2 0.4 0.6 0.8
−0.5
0
0.5
1
x1
x2
ZDT3
Figura 9: Fronteira de Pareto do problema ZTD3.
Problema ZDT4
O Problema ZDT4 apresenta uma grande quantidade ótimos locais, num total de 219
fronteiras. É definido como:
70
f1(x1) = x1
g(x2, . . . , xm) = 1 + 10(m− 1) +m∑i=2
(x2i − 10cos(4πxi))
h(f1, g) = 1−√f1/g
Neste problema m = 10 e x1 ∈ [0, 1] e x2, . . . , xm ∈ [−5, 5]. A fronteira ótima de
Pareto é formada com g(X) = 1, e é ilustrada na Figura 10. A melhor fronteira ótima
local é formada com g(X) = 1.25.
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
x1
x2
ZDT4
Figura 10: Fronteira de Pareto do problema ZTD4.
4.3.7 Problemas DTLZ
Após a resolução por parte dos otimizadores da literatura de problemas com dois
objetivos, (DEB et al., 2002b) propuseram um conjunto de problemas contínuos a fim de
aumentar a dificuldade a serem enfrentadas pelos algoritmos de otimização. Os traba-
lhos de Schaffer (1984) e Kursawe (1991) propuseram problemas multiobjetivo que foram
bastante utilizados ao longo da evolução dos otimizadores multiobjetivo, no entanto, tais
problemas não eram escaláveis para mais de dois objetivos(DEB et al., 2002b), assim como
os problemas propostos em (ZITZLER; DEB; THIELE, 2000) descritos na seção anterior.
A proposta de (DEB et al., 2002b) era apresentar problemas escaláveis tanto no número
de variáveis de decisão, quanto no número de objetivos, que oferecessem dificuldades aos
71
otimizadores. Além disso, outras características eram desejadas para a definição dos pro-
blemas: casos de teste de fácil construção e fronteira ótima de Pareto compreensiva e
conhecida.
Esta seção descreve os quatro primeiros problemas deste conjunto, que foram utiliza-
dos neste trabalho. O NSGA-II foi testado com variação de número de objetivos, enquanto
o MOEA/D e o NSGA-III trabalharam apenas nas versões tridimensionais.
Problema DTLZ1
O problema DTLZ1, escalável para M objetivos, é definido como:
min f1(x) =1
2x1x2 . . . xM−1(1 + g(xM))
min f2(x) =1
2x1x2 . . . (1− xM−1)(1 + g(xM))
...
min fM−1(x) =1
2x1(1− x2)(1 + g(xM))
min fM(x) =1
2(1− x1)(1 + g(xM)),
Sujeito a 0 ≤ xi ≤ 1, ∀i = 1, 2, . . . , n.
A função g(xM) é definida como:
g(xM) = 100
(|xM |+
∑xi∈XM
(xi − 0, 5)2 − cos(20π(xi − 0, 5))
)
As soluções ótimas deste problema correspondem a x∗i = 0, 5, e os valores objetivo
estão no hiperplano linear∑M
m=1 f∗m = 0.5. A Figura 11 ilustra a fronteira ótima de Pareto
deste problema.
Problema DTLZ2
Este problema é o segundo proposto em (DEB et al., 2002b) e possui fronteira ótima
de Pareto esférica. É definido como:
72
0
0.20.4
0
0.20.4
0
0.2
0.4
DTLZ1
Figura 11: Fronteira de Pareto do problema DTLZ1
min f1(x) = (1 + g(xM))cos(x1π/2) . . . cos(xM−1π/2)
min f1(x) = (1 + g(xM))cos(x1π/2) . . . sin(xM−1π/2)
...
min fM(x) = (1 + g(xM))sin(x1π/2)
Sujeito a 0 ≤ xi ≤ 1, ∀i = 1, 2, . . . , n.
Neste problema a função g(xM) é definida como:
g(xM) =∑
xi∈XM
(xi − 0.5)2
As soluções ótimas deste problema correspondem a x∗i = 0, 5 e sua fronteira ótima de
Pareto é definida com os valores objetivo correspondentes a∑M
m=1(f∗m)2 = 1. A Figura 12
ilustra a fronteira de Pareto esférica do problema.
Problema DTLZ3
Este problema é a união entre a definição do Problema DTLZ2 e a função g(xM) dada
para o Problema DTLZ1. Isto introduz muitas fronteiras ótimas locais, segundo (DEB et
73
0
0.5
1
0
0.5
1
0
0.5
1
DTLZ2
Figura 12: Fronteira de Pareto do problema DTLZ2
al., 2002b). O trabalho sugere a experimentação de algoritmos aplicados a este problema
com um número maior de objetivos.
min f1(x) = (1 + g(xM))cos(x1π/2) . . . cos(xM−1π/2)
min f1(x) = (1 + g(xM))cos(x1π/2) . . . sin(xM−1π/2)
...
min fM(x) = (1 + g(xM))sin(x1π/2)
Sujeito a 0 ≤ xi ≤ 1, ∀i = 1, 2, . . . , n.
A função g(xM) é definida como:
g(xM) = 100
(|xM |+
∑xi∈XM
(xi − 0, 5)2 − cos(20π(xi − 0, 5))
)
Problema DTLZ4
Este problema é definido como o Problema DTLZ2, apenas com o mapeamento de
cada xi → xαi . Sendo assim, as soluções serão modificadas para xαi antes da avaliação do
vetor objetivo. Neste trabalho, como sugerido em (DEB et al., 2002b), o valor de α = 100.
Obviamente a fronteira ótima de Pareto é idêntica à do Problema DTLZ2, havendo a
mudança apenas no conjunto de soluções ótimas, e não no espaço objetivo.
74
4.3.8 Outros Problemas
Além dos problemas já descritos nas seções anteriores, este trabalho realizou testes
com outros problemas contínuos. São eles Viennet2, Viennet3, Kursawe e Fonseca, também
com boa utilização na literatura. São descritos a seguir.
Viennet2
O problema Viennet2 possui apenas a variável bi-dimensional x = (x1, x2), proposto
em (VIENNET; FONTEIX; MARC, 1996). É definido como segue:
minimize f(x) = (f1(x), f2(x), f3(x)),
em quef1(x) =(x1 − 2)2
2+
(x1 + 1)2
13+ 3
f2(x) =(x1 + 2x2 − 1)(x1 + x2 − 3)
36+
(−x1 + x2 + 2)(−x1 + x2 + 2)
8− 17
f3(x) =(x1 + 2x2 − 1)2
175+
(2x2 − x1)2
17− 13
Viennet3
O problema Viennet3 também é a minimização de uma função de x = (x1, x2). É
definido como segue:
minimize f(x) = (f1(x), f2(x), f3(x)),
em quef1(x) = 0.5(x21 + x22) + sin(x21 + x22)
f2(x) =(3x1 − 2x2 + 4)2
8+
(x1 − x2 + 1)2
27+ 15
f3(x) =1
x21 + x22 + 1− 1.1exp(−(x21 + x22))
Kursawe
Proposto em (KURSAWE, 1991), é definido como:
75
minimize f(x) = (f1(x), f2(x)),
em quef1(x) =2∑i=1
[−10exp(−0.2√x2i + x2i+1)]
f2(x) =3∑i=1
[|xi|0.8 + 5sin(x3i )]
Considerando o vetor x = (x1, x2, x3).
Fonseca
Proposto em (FONSECA; FLEMING, 1995), é definido como:
minimize f(x) = (f1(x), f2(x)),
em quef1(x) = 1− exp(−n∑i=1
(xi −1√n
)2)
f2(x) = 1− exp(−n∑i=1
(xi +1√n
)2)
76
5 Resultados Experimentais Sobre osOtimizadores
Após descritos os algoritmos de otimização e os problemas aos quais eles serão aplica-
dos, este capítulo apresenta os resultados acerca dos experimentos realizados nos otimiza-
dores, a fim de comparar as técnicas propostas (crowdd, random e verif) e os otimizadores
sem modificações (clean). A Tabela 9 enumera quais problemas foram testados em quais
otimizadores. O NSGA-II, comparado aos otimizadores SPEA2 e PAES, foi testado tam-
bém ao Problema da Mochila e aos problemas DTLZ1 e DTLZ2, ainda na plataforma
PISA, e foram os primeiros testes realizados neste trabalho. SPEA2 e PAES não foram
testados nestes três problemas.
Os MOEA/D e NSGA-III foram testados em problemas diferentes, cujos resultados
estão aqui reportados como experimentos suplementares, considerando que a análise teó-
rica dos métodos de arquivamento destes otimizadores não foi feita no presente trabalho,
diferentemente dos métodos de seleção utilizados pelos algoritmos NSGA-II, SPEA2 e
PAES.
Tabela 9: Problemas aplicados aos otimizadores
Otimizador Problemas AplicadosNSGA-II Problema da Mochila, Problema Quadrático de Alocação, DTLZ1,
DTLZ2, Problemas WFG, Problemas LZ09, Kursawe, FonsecaSPEA2 Problema Quadrático de Alocação, Problemas WFG, Problemas
LZ09, Kursawe, FonsecaPAES Problema Quadrático de Alocação, Problemas WFG, Problemas
LZ09, Kursawe, FonsecaMOEA/D Problemas DTLZ, Probemas ZDTNSGA-III Problema do Caixeiro Viajante, Problemas DTLZ, Probemas ZDT
A seguir, é descrita a metodologia utilizada nos experimentos envolvendo os otimi-
zadores, e em seguida são apresentados obtidos por cada otimizador, nos problemas aos
quais foram submetidos.
77
5.1 Metodologia de Comparação
Considerando que o objetivo deste trabalho é verificar se o método de reciclagem pode
melhorar a performance dos algoritmos analisados na Seção 4.2, bem como melhorar a
qualidade da população durante o processo de otimização através do resgate de soluções
anteriormente descartadas, as principais comparações realizadas neste trabalho são fei-
tas entre as variantes (clean, crowdd, random e verif) dos algoritmos. Posteriormente é
feita uma comparação entre cada algoritmo com relação aos outros – quando possível,
obviamente, uma vez que alguns problemas não foram testados para todos os algoritmos.
Com efeito, as variantes propostas na Seção 4.1, e também os otimizadores NSGA-
II, SPEA2, PAES, MOEA/D e NSGA-III apresentam estruturas diferentes, e portanto,
comportamentos diferentes ao longo do processo de otimização. Considerando os dois
indicadores de qualidade descritos na Seção 2.2, o método de comparação empregado neste
trabalho é a verificação periódica dos valores dos indicadores (hipervolume e ε-aditivo)
para a população de cada uma dessas variantes dos algoritmos, considerando uma mesma
população inicial para elas, garantida através da configuração dos geradores aleatórios.
Neste capítulo são apresentados apenas os resultados finais dos experimentos, isto é,
considerando apenas a última iteração. Eventualmente são mostrados gráficos descrevendo
todo o processo de otimização (todas as iterações), no entanto os resultados completos
dos experimentos estão reportados no Apêndice B.
Todos os testes foram executados em uma máquina com processador Intel Core i7-
3632QM de 2,2GHz, utilizando sistema operacional Ubuntu 14.04 LTS 64Bits. Os testes
do NSGA-II na plataforma PISA foram implementados em C++, conforme a plataforma
PISA(BLEULER et al., 2003), utilizando o compilador g++. Os realizados com SPEA2,
NSGA-II (jMetal), PAES, NSGA-III e MOEA/D foram implementados em Java, con-
forme plataforma jMetal(DURILLO; NEBRO, 2011). Cada experimento foi composto por 30
execuções independentes, considerando os geradores de números aleatórios com 30 semen-
tes diferentes, de forma que todos os experimentos utilizaram as mesmas 30 sementes.
Os experimentos do NSGA-II aplicados ao DTLZ1 e DTLZ2, a condição de parada
foi de 100 iterações; para o Problema da Mochila, foram realizadas 400 iterações. Para
todas os demais experimentos, que são da plataforma jMetal, a condição de parada foi
configurada em 350 iterações. A reciclagem foi aplicada aos otimizadores a cada 50 ite-
rações, com exceção dos experimentos realizados com NSGA-II e os problemas DTLZ1 e
DTLZ2, em que a reciclagem foi feita a cada 10 iterações, devido ao tamanho mais curto
78
do experimento.
Para uma comparação estatística dos resultados, foi empregado neste trabalho o teste
Kruskal-Wallis. O Kruskal-Wallis é um teste estatístico não paramétrico utilizado para
comparar um conjunto de amostras, a fim de testar a hipótese nula de que todas as
amostras vem da mesma distribuição(KRUSKAL; WALLIS, 1952). Neste trabalho ele foi
utilizado na comparação de indicadores obtidos nos diversos experimentos realizados,
para verificar diferença estatística entre os resultados. Em todos os testes deste trabalho,
o nível de significância foi definido α = 0, 05. O teste retorna um p-valor, que, se menor
que 0,05, indica que um algoritmo obteve vantagem significativa com relação a outro.
5.2 Resultados NSGA-II
O NSGA-II foi aplicado inicialmente ao problema da mochila multi-dimensional (ver
Seção 4.3.1), e aos problemas DTLZ1 e DTLZ2 (Seção 4.3.7). Estes foram os testes inici-
ais deste trabalho, utilizando a plataforma PISA(BLEULER et al., 2003). Posteriormente, o
NSGA-II foi testado, já na plataforma jMetal, nos problemas WFG, LZ09, Viennet, Kur-
sawe, Fonseca e Problema Quadrático de Alocação. Os resultados são descritos a seguir.
5.2.1 NSGA-II Aplicado ao Problema da Mochila
Foi utilizada a implementação do problema da mochila que é disponibilizada na pla-
taforma PISA (BLEULER et al., 2003). Nela são parametrizados o número de objetivos,
bem como o tamanho N de itens possíveis da mochila. Foram realizados testes em doze
instâncias diferentes, sendo o número de itens variando em N = 100, 250, 500, 750 e o
número de objetivos d variando entre 2, 3 ou 4. O gerador aleatório recebeu uma semente
diferente para cada execução, sendo a semente seed = 10 ∗ N + d. Sendo assim, para a
configuração de 100 itens e 2 objetivos, a instância foi gerada, com a semente 1002, para
três objetivos com a semente 1003 e assim por diante. Neste trabalho as instâncias são
denotadas por N–d.
Como o Problema da Mochila é de maximização, foi utilizado o ponto de referência
r = 0d para o cálculo de hipervolume. O tamanho da população foi fixado em 50 soluções,
e 400 iterações foi a condição de parada do NSGA-II. O Apêndice B mostra os resultados
dos hipervolumes para cada variante, além de gráficos relacionando o hipervolume médio
ao número de iterações, isto é, uma média do hipervolume que cada variante do algoritmo
obteve nas 30 execuções independentes, ao longo do processo de otimização. A medição de
79
hipervolume foi feita a cada 10 iterações, no entanto as tabelas apresentadas no Apêndice
B mostram apenas a média a cada 100 iterações, por questões de espaço. Neste problema
o indicador de ε-aditivo não foi analisado devido a fronteira de Pareto ser desconhecida.
A Tabela 10 apresenta um resumo dos resultados obtidos pelos métodos de reciclagem
aplicados ao NSGA-II, além da abordagem sem reciclagem. Nela é mostrada a média de
hipervolume considerando as 30 execuções independentes. As maiores médias por instân-
cias estão em negrito. A seguir é apresentado o resultado do teste estatístico para cada
instância.
Tabela 10: Resultados de hipervolume médio na última iteração – NSGA-II – Problemada Mochila
Instância clean crowdd random verif100—2 (∗107) 1,5037955 1,5024254 1,4930155 1,5044042100—3 (∗1010) 5,5054256 5,5396776 5,4141263 5,5205768100—4 (∗1014) 1,7818888 1,7988075 1,7388849 1,8209058250—2 (∗107) 9,5578701 9,5363703 9,5236807 9,5418561250—3 (∗1011) 7,1559707 7,1378142 7,0266447 7,1835474250—4 (∗1015) 5,95334 5,95839 5,67756 6,04333500—2 (∗108) 3,862920 3,8569635 3,8518983 3,86173473500—3 (∗1012) 5,7936850 5,7908601 5,7033112 5,80862272500—4 (∗1016) 8,424246 8,350747 8,174051 8,470749750—2 (∗108) 7,7488426 7,7581056 7,7380407 7,75571941750—3 (∗1013) 1,7729698 1,7707991 1,7651023 1,77857132750—4 (∗1017) 3,9577930 3,9220475 3,9090764 3,9798421
100–2: Nesta instância os métodos clean, crowdd e verif não tiveram diferença esta-
tisticamente significativa entre si para o hipervolume, e o método random foi superado
pelos métodos clean e verif. O p-valor é de 0,0097.
100–3: Como na instância anterior, os métodos clean, crowdd e verif não demons-
traram diferença significativa, e o método random foi inferior estatisticamente aos três
outros métodos. O p-valor foi de 1, 219 ∗ 10−8.
100–4: Nesta instância o método verif superou os outros três métodos de forma
estatisticamente significativa. Ademais, os métodos clean e crowdd, estatisticamente em-
patados, superaram o método random. O p-valor foi de 4, 525 ∗ 10−12.
250–2: Nesta instância os 4 métodos não demonstraram diferença significativa.
250–3: Como na instância 100–3, os métodos clean, crowdd e verif não demonstraram
diferença significativa, e os três venceram o método aleatório. p-valor igual a 9, 088∗10−8.
80
250–4: Nesta instância o método random foi superado pelos outros três, que não
obtiveram diferença significativa entre si. p-valor igual a 2, 676 ∗ 10−12.
500–2: Não houve diferença significativa nesta instância.
500–3: Nesta instância o método random foi superado pelos outros três, que também
não obtiveram diferença significativa entre si. p-valor igual a 2, 71 ∗ 10−6.
500–4: Como na primeira instância, os métodos clean, crowdd e verif não tiveram
diferença estatisticamente significativa entre si, e o método random foi superado pelos
métodos clean e verif. O p-valor é de 1, 410 ∗ 10−5.
750–2: Sem diferenças estatísticas para esta instância.
750–3: Sem diferenças estatísticas para esta instância.
750–4: Nesta instância o método random foi superado pelos outros três, que não
obtiveram diferença significativa entre si. p-valor igual a 0, 0116.
Os métodos de reciclagem, apesar de vencerem na média de hipervolume na maioria
das instâncias, apenas obtiveram diferença estatisticamente significativa em uma instân-
cia. Isto provavelmente ocorre devido ao bom desempenho do NSGA-II para o problema
da mochila, levando em consideração a curva de hipervolume por iteração, que aumenta
ao longo do processo de otimização. Este comportamento indica que a deterioração foi
pequena, e que o método de seleção por distância de aglomeração utilizado no NSGA-II
foi suficiente para manter uma boa distribuição da população.
A Tabela 11 mostra o tempo médio, em segundos, gasto por cada método para o
problema em questão, indicando que os métodos de reciclagem gastaram, geralmente,
pouco mais que o dobro de tempo do método clean. Para este problema não parece
razoável utilizar a técnica de reciclagem, uma vez que o NSGA-II clean já faz uma boa
otimização, avaliando o indicador de hipervolume.
Com relação aos tempos de processamento, o teste estatístico aponta para diferença
significativa entre o método clean e os outros três. A diferença entre os métodos com
reciclagem não foram consideradas estatisticamente significativas pelo teste.
5.2.2 NSGA-II Aplicado aos problemas DTLZ
Assim como o Problema da Mochila, os problemas DTLZ foram implementados tam-
bém na plataforma PISA (BLEULER et al., 2003). Os problemas eram configuráveis em
81
Tabela 11: Tempo médio gasto pelos métodos no Problema da Mochila.
Problema clean crowdd random verif100—2 0,64380 1,35880 1,33059 1,33677100—3 0,70338 1,69172 1,64814 1,66734100—4 0,79279 1,90094 1,95984 1,97812250—2 0,65803 1,45518 1,44079 1,44339250—3 0,73756 1,72804 1,73286 1,76644250—4 0,82050 2,32422 2,23231 2,29547500—2 0,65966 1,47059 1,44106 1,44667500—3 0,73533 1,72592 1,71061 1,73602500—4 0,80523 1,79785 2,02629 2,10542750—2 0,66443 1,47344 1,47243 1,46380750—3 0,73103 1,66245 1,61639 1,62544750—4 0,80960 1,62207 1,92690 2,02565
termos de número de objetivo e número de variáveis de decisão. Neste trabalho foram
utilizados os problemas DTLZ1 e DTLZ2, para 2, 3 e 4 objetivos. A condição de parada
do NSGA-II foi de 100 iterações e a reciclagem foi aplicada a cada 10 iterações. Os resul-
tados completos de indicadores por iteração estão reportados no Apêndice B. A Tabela 12
mostra a média dos resultados de indicador ε-aditivo (medidos na última iteração) para
as instâncias de 2 e 3 dimensões, cuja fronteira de Pareto é conhecida. A Tabela 13 mostra
a média de hipervolume destes experimentos.
Tabela 12: Resultados de ε-aditivo para o NSGA-II – DTLZ
Problema clean crowdd random verifDTLZ1 – 2D 16,0135 18,3251 23,3859 14,5794DTLZ1 – 3D 13,0724 12,6211 15,6844 10,4197DTLZ2 – 2D 0,0520128 0,0941651 0,147957 0,046772DTLZ2 – 3D 0,386454 0,408227 0,29023 0,287604
Para o indicador de ε-aditivo, o método verif obteve os melhores resultados em todas
as instâncias cujo indicador foi calculado. O teste Kruskal-Wallis mostrou que o método foi
estatisticamente superior aos outros no DTLZ2 para 3 objetivos. Nas outras configurações
o teste apontou para diferença significativa entre verif e clean com relação aos outros dois
métodos crowdd e random.
Neste indicador o teste estatístico mostrou vantagem em 5 das 6 configurações para o
método verif com relação aos outros três. Na configuração DTLZ1 – 2D os métodos verif e
clean não demonstraram diferença significativa segundo o Kruskal-Wallis, mas venceram
os outros dois. Nas configurações DTLZ1 – 3D e 4D o método verif foi superior aos outros
três, e o método random ainda foi considerado inferior aos dois métodos clean e crowdd.
82
Tabela 13: Resultados de hipervolume para o NSGA-II – DTLZ
Problema clean crowdd random verifDTLZ1 – 2D 999597 999388 999227 999635DTLZ1 – 3D 999992280 999990834 999462555 999995667DTLZ1 – 4D 999999253467 999998129447 999995722720 999999945338DTLZ2 – 2D 5,41671 5,38656 5,22956 5,42392DTLZ2 – 3D 25,6556 25,7029 25,8596 26,0759DTLZ2 – 4D 70,7362 74,2019 78,8616 79,228
20 40 60 80 100
25.2
25.4
25.6
25.8
26
Iteração
Hipervo
lume
Instância DTLZ23
CleanCrowdRandomVerif
20 40 60 80 10070
72
74
76
78
80
Iteração
Hipervo
lume
Instância DTLZ24
CleanCrowdRandomVerif
Figura 13: Resultados – NSGAII – DTLZ2
No problema DTLZ2 o método verif foi melhor em todas as configurações, e o NSGA-
II demonstrou um grande problema de deterioração. A Figura 13 mostra o desempenho
de hipervolume ao longo das iterações para os 4 métodos. O NSGA-II (clean) não obteve
bons resultados para este indicador, e o método verif foi melhor que os outros três se-
gundo o teste estatístico. O método crowdd, que utiliza sua seleção baseado na distância
de aglomeração, teve resultados parecidos com o NSGA-II clean, cuja diferença não foi
estatisticamente verificada. O método random também foi melhor que os métodos clean
e crowdd. O hipervolume para este problema indica que a seleção de soluções realizada
pelo algoritmo pode ser muito importante para o seu desempenho geral, uma vez que as
soluções iniciais dos métodos foram as mesmas e os métodos verif e random não sofreram
com a deterioração de sua população assim como os outros dois métodos.
A Tabela 14 mostra o tempo médio gasto por cada método aplicado a cada configu-
ração dos problemas DTLZ1 e DTLZ2. O método clean foi obviamente o mais rápido,
considerando que os outros três realizavam a reciclagem. Há claramente um custo maior
para os problemas com mais objetivos, e este fato ocorre porque o cálculo das soluções não
dominadas realizado antes da reciclagem custa tempo proporcional ao número de objeti-
83
vos. Apesar de que para os problemas DTLZ aplicados ao NSGA-II o tempo da reciclagem
aumentou em mais de 50% o tempo do método clean, nas instâncias DTLZ2 – 2D e 3D o
método verif obteve, na iteração 20, um hipervolume maior que o clean obteve após nas
suas 100 iterações, o que indica que ainda com o tempo reduzido, o método verif teria
sido superior. A técnica de reciclagem mostrou que pode ser eficaz em evitar deterioração
do conjunto de soluções, em especial quando o algoritmo tem dificuldades em manter um
bom conjunto de aproximação.
Tabela 14: Média de tempos (em segundos) gasto por cada variante do NSGA-II – DTLZ.
Problema clean crowdd random verifDTLZ1 – 2D 0,126882 0,153979 0,147421 0,152212DTLZ1 – 3D 0,128286 0,16053 0,169053 0,167454DTLZ1 – 4D 0,135525 0,211397 0,201497 0,209347DTLZ2 – 2D 0,122746 0,170341 0,163929 0,17095DTLZ2 – 3D 0,132745 0,239896 0,250335 0,24985DTLZ2 – 4D 0,140883 0,335316 0,328463 0,334641
Assim como no problema da mochila, o método clean foi mais rápido que os outros
três, com base no teste estatístico Kruskal-Wallis. Entre si, os métodos de reciclagem não
apresentaram diferença significativa.
5.2.3 NSGA-II Aplicado ao PQA
Ao todo, como descrito na Seção 4.3.3, foram geradas dez instâncias do problema.
Os resultados de hipervolume e ε-aditivo médios são apresentados nas Tabelas 15 e 16, e
descritos a seguir.
Tabela 15: Hipervolumes médios – NSGA-II – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 (1010) 1,83636 1,8274 1,83387 1,82984PQA 10-2 Semente 215 (1010) 1,36394 1,36794 1,36728 1,37367PQA 10-3 Semente 155 (1015) 1,34969 1,31179 1,3199 1,3668PQA 10-3 Semente 256 (1014) 8,13509 7,86628 7,94865 8,36112PQA 20-2 Semente 88 (1011) 1,1984 1,18163 1,19524 1,19181PQA 20-2 Semente 124 (1010) 8,48804 8,54851 8,63327 8,48789PQA 20-3 Semente 588 (1016) 2,83399 2,82592 2,7673 2,86621PQA 20-3 Semente 3438 (1016) 3,65508 3,65893 3,61402 3,78195PQA 20-4 Semente 2377 (1021) 3,96036 3,85571 4,13538 4,59737PQA 20-4 Semente 9813 (1021) 2,28422 2,30008 2,43585 2,6408
84
Tabela 16: ε-aditivo médio – NSGA-II – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 5151,33 5394,4 5167,53 5490,2PQA 10-2 Semente 215 6771,8 6662,87 6493,33 6478,4PQA 10-3 Semente 155 11288,5 18100,3 12081,6 9692,53PQA 10-3 Semente 256 12059,9 17693,1 11425,1 9221,53PQA 20-2 Semente 88 31100,1 33921,3 31593,7 31900PQA 20-2 Semente 124 33768,6 34749,2 30044,2 35621,9PQA 20-3 Semente 588 47350,6 51118,5 46037,6 41298,3PQA 20-3 Semente 3438 51649,3 56612,9 49817 43262,6PQA 20-4 Semente 2377 79495,6 87129,7 66367,7 63318,1PQA 20-4 Semente 9813 66746,3 72271,3 57619,1 55261,7
Instância 10-2 Semente 123: Para esta instância, não foi verificada diferença entre
nenhum dos métodos testados, segundo o teste estatístico, para nenhum dos indicadores
verificados.
Instância 10-2 Semente 215: Nesta instância, também para dois objetivos, os
testes estatísticos não indicaram diferença significativa entre os métodos, para ambos os
indicadores.
Instância 10-3 Semente 155: Nesta instância os métodos clean e verif foram supe-
riores aos outros, random e crowdd, no entanto, o teste não indica diferença significativa
entre os métodos vencedores.
Instância 10-3 Semente 256: Nesta instância o método verif foi considerado pelo
teste Kruskal-Wallis superior aos outros três em ambos os indicadores. Para o hipervolume,
os métodos random e crowdd foram considerados empatados (sem diferença estatística),
e para o ε-aditivo, os métodos clean e random empataram. Para esta instância as outras
comparações foram todas consideradas significativas. Conclui-se que o método verif foi
superior, seguido de clean, random e crowdd.
Instância 20-2 Semente 88: Para esta instância, não foi verificada diferença entre
nenhum dos métodos testados, segundo o teste estatístico. para nenhum dos indicadores
verificados.
Instância 20-2 Semente 124: Nesta instância os métodos também empataram.
Apenas o método random venceu estatisticamente o verif para o indicador de ε-aditivo.
Instância 20-3 Semente 588: O NSGA-II mostrou melhor desempenho com o mé-
todo verif para o indicador ε-aditivo, com relação aos outros métodos. Para o indicador
de hipervolume, apesar de o verif também ter obtido melhor desempenho médio, o teste
85
estatístico não verificou diferença significativa.
Instância 20-3 Semente 3438: Nesta instância, o método verif também venceu nos
dois indicadores com diferença significativa. Os outros métodos, quando comparados, não
apresentaram diferença significativa.
Instância 20-4 Semente 2377: Os métodos verif e random também apresentaram
desempenho superior nesta instância, vencendo os outros dois métodos em ambos os in-
dicadores. Para o indicador de hipervolume, no entanto, o verif foi ainda melhor que o
método random, de acordo com o teste Kruskal-Wallis. O método crowdd foi considera-
velmente ineficaz no indicador ε-aditivo.
Instância 20-4 Semente 9813: Assim como na instância imediatamente anterior,
os métodos random e verif foram melhores que os outros dois, crowdd e clean. Além
disso o método verif venceu o random para o indicador de hipervolume com diferença
significativa. Novamente o método crowdd não foi eficaz para o indicador ε-aditivo.
Baseado no exposto nesta seção, os métodos de reciclagem apresentaram desempenho
superior em 5 das 10 instâncias utilizadas, conforme o teste Kruskal-Wallis. Nas instâncias
em que a reciclagem não foi eficaz, no entanto, o método clean não obteve diferença
significativa sobre os métodos que utilizam reciclagem. Outro ponto importante a ser
notado é com relação ao tamanho das instâncias. A medida em que as instâncias crescem,
os métodos de reciclagem random e verif passam a ser mais efetivos, de acordo com
os indicadores. Os gráficos mostrados na Figura 14 ilustram esse fato. Para a instância
menor, tamanho 10 com 2 objetivos, os hipervolumes permanecem parecidos durante todo
o processo de otimização; já para a instância com N = 20 e 4 objetivos, os método random
e verif se sobressaem durante a otimização, considerando o indicador de hipervolume.
O verif, no entanto, obteve resultado bastante superior aos outros métodos, para este
indicador. O método crowdd não foi eficaz para o indicador de ε-aditivo.
Os tempos de execução de todos as variantes do NSGA-II estão descritos na Tabela
17. O método clean foi de duas a quatro vezes mais rápido que os métodos com reciclagem,
de acordo com o tamanho das instâncias. O teste de Kruskal-Wallis não indicou diferença
significativa entre os métodos com reciclagem, e obviamente verificou que o método sem
reciclagem é significativamente mais rápido.
86
50 100 150 200 250 300 350
1.32
1.34
1.36
·1010
Iteração
Hipervo
lume
Instância 10-2 Semente 215
CleanCrowdRandomVerif
50 100 150 200 250 300 350
3.5
4
4.5
·1021
Iteração
Hipervo
lume
Instância 20-4 Semente 2377
CleanCrowdRandomVerif
Figura 14: Resultados de hipervolume – NSGA-II – PQA
Tabela 17: Tempo de execução médio (em milisegundos) – NSGAII – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 532,20 1382,93 1316,10 1232,70PQA 10-2 Semente 215 514,83 1551,23 1634,70 1659,40PQA 10-3 Semente 155 522,20 1686,93 2213,07 2142,93PQA 10-3 Semente 256 531,67 1672,73 2262,17 2341,83PQA 20-2 Semente 88 548,93 1743,50 1730,63 1746,53PQA 20-2 Semente 124 570,93 1866,17 1744,63 1756,37PQA 20-3 Semente 588 597,20 1894,33 2113,87 2155,77PQA 20-3 Semente 3438 579,37 1800,27 1971,43 2044,97PQA 20-4 Semente 2377 636,67 2081,07 2194,33 2229,37PQA 20-4 Semente 9813 622,87 2002,10 2157,63 2195,80
5.2.4 NSGA-II Aplicado aos Problemas WFG
Considerando os 9 problemas propostos em (HUBAND et al., 2005), os resultados médios
obtidos pelas variantes do NSGA-II estão expostos nas Tabelas 18 e 19. Os resultados dos
testes estatísticos são descritos a seguir, para cada problema.
WFG1: Neste problema apenas o método random foi considerado pior que os ou-
tros para o indicador de hipervolume. As outras comparações não mostraram diferenças
significativas.
WFG2: Para o WFG2, o método verif superou estatisticamente os métodos random
e crowdd para o indicador de hipervolume. Apesar de obter resultado parecido, o mé-
todo clean não foi considerado melhor que os outros, no entanto não obteve diferença
significativa com relação ao verif.
WFG3: Métodos clean e verif foram superiores aos outros dois e não apresentaram
87
Tabela 18: Hipervolume médio – NSGA-II – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 953,868 964,785 924,646 954,041WFG2 993,311 990,569 993,182 994,505WFG3 914,689 906,513 895,842 916,233WFG4 967,403 966,957 916,704 968,759WFG5 951,744 951,078 923,705 952,23WFG6 960,211 958,573 910,086 961,008WFG7 967,314 967,207 937,514 968,947WFG8 924,822 925,512 849,575 930,046WFG9 956,12 956,973 916,937 958,426
Tabela 19: ε-adtivo médio – NSGA-II – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 0,633568 0,87443 0,74408 0,633421WFG2 0,448614 0,796774 0,376111 0,384335WFG3 0,307676 0,748593 0,386407 0,266694WFG4 0,556845 0,674162 1,13612 0,486716WFG5 0,575137 0,669175 0,822482 0,558334WFG6 0,557538 0,663632 1,09092 0,54855WFG7 0,575516 0,633096 0,860819 0,521042WFG8 0,834687 0,929142 1,5933 0,779511WFG9 0,582878 0,703154 0,886194 0,524031
diferença significativa.
WFG4: Nesta instância o método verif superou os outros três para o indicador de
hipervolume, e no indicador ε-aditivo verif e clean foram superiores.
WFG5 a WFG9: Para estes problemas, assim como para o WFG3, os métodos clean
e verif foram superiores aos outros dois métodos, que não obtiveram diferença significativa
entre si.
Para esta classe de problemas a reciclagem não se mostrou eficaz. Apesar de os méto-
dos de reciclagem terem obtidos resultados superiores em todos os testes, a diferença não
foi significativa, segundo o teste Kruskal-Wallis.
Os resultados de tempo para esta classe de problemas são expostos na Tabela 20. Ape-
sar de o tempo do método clean permanecer quase constante, considerando o crescimento
das instâncias, os métodos com reciclagem gastaram muito mais tempo, chegando a de-
morar quase 10 vezes mais que o NSGA-II clean para as instâncias maiores, o que indica
que a utilização da lixeira não é razoável para esta classe de problemas, uma vez que o
ganho de performance não é significativo, segundo os indicadores de qualidade medidos.
88
Tabela 20: Tempo de execução médio (em milisegundos) – NSGAII – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 573,63 1801,57 1835,53 1780,67WFG2 531,37 2227,33 2266,57 2233,73WFG3 522,50 3571,43 3853,77 3892,17WFG4 518,17 2915,70 2747,53 2947,40WFG5 535,03 4022,07 3889,10 4269,20WFG6 512,90 2718,50 2698,83 2815,03WFG7 544,10 3216,07 3189,03 3289,83WFG8 522,33 2164,80 2165,77 2178,20WFG9 586,67 4296,93 4414,73 4686,67
5.2.5 NSGA-II Aplicado aos problemas LZ09
Também são 9 os problemas propostos por (LI; ZHANG, 2009). Os resultados do NSGA-
II estão descritos a seguir, ilustrados nas Tabelas 21 e 22 os resultados de hipervolume e
ε-aditivo, respectivamente. As tabelas mostram apenas o valor dos indicadores na última
iteração.
Tabela 21: Hipervolume médio – NSGA-II – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 3,63573 3,62422 3,61839 3,64383LZ09F2 3,20746 3,21493 3,17162 3,20868LZ09F3 3,42461 3,41566 3,34749 3,42789LZ09F4 3,42675 3,39448 3,39189 3,42884LZ09F5 3,49136 3,47601 3,4494 3,49722LZ09F6 999,953 999,419 999,99 999,998LZ09F7 2,79434 2,79032 2,78125 2,79392LZ09F8 2,84406 2,84093 2,84325 2,84389LZ09F9 2,84832 2,85266 2,80811 2,84663
Para o problema LZ09F1, o método verif venceu os 3 métodos de forma significativa,
considerando as 30 execuções. Para os outros problemas, de LZ09F2 a LZ09F9, não houve
diferença significativa entre os métodos. Os tempos de execução são descritos na Tabela
23. Assim como nos Problemas WFG, o tempo gasto pelos métodos com reciclagem foi
maior, no entanto não houve melhora significativa nos resultados obtidos pelo otimizador
com a reciclagem.
89
Tabela 22: ε-adtivo médio – NSGA-II – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 0,0367758 0,0770809 0,0529393 0,0305161LZ09F2 0,274892 0,271015 0,28426 0,27183LZ09F3 0,199068 0,202156 0,241933 0,195277LZ09F4 0,17206 0,185771 0,194521 0,171539LZ09F5 0,146767 0,147556 0,175496 0,141728LZ09F6 0,000996995 0,00102413 0,000332111 0,000153917LZ09F7 0,445361 0,446684 0,45253 0,445373LZ09F8 0,425654 0,428149 0,426516 0,425634LZ09F9 0,319522 0,322412 0,329373 0,322067
Tabela 23: Tempo de execução médio (em milisegundos) – NSGAII – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 557,30 2000,00 1954,07 2025,57LZ09F2 684,50 2182,23 2177,87 2168,90LZ09F3 686,30 1752,87 1809,23 1775,83LZ09F4 679,07 1785,83 1703,30 1761,43LZ09F5 698,90 1800,10 1728,80 1774,53LZ09F6 604,77 2115,27 2186,90 2207,50LZ09F7 558,13 3726,63 3758,47 3790,00LZ09F8 543,57 3611,60 3660,50 3667,37LZ09F9 694,67 2285,47 2231,07 2313,37
5.2.6 NSGA-II – Resultados Fonseca, Kursawe e Viennet
Esta seção apresenta os resultados obtidos pelo NSGA-II aos problemas Viennet2,
Viennet3, Fonseca e Kursawe. A Tabela 24 apresenta os resultados de hipervolume na
ultima iteração para estes problemas, e a Tabela 25 apresenta os resultados de ε-aditivo.
Os resultados dos testes estatísticos são descritos em seguida.
Tabela 24: Hipervolume médio – NSGA-II – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 260,619 260,188 256,793 260,775Fonseca 3,32426 3,31783 3,28866 3,32963Viennet2 20753,8 20745,7 20751,2 20753,9Viennet3 1995,25 1994,37 1993,12 1995,57
Kursawe: Para o problema Kursawe o método verif venceu os outros três de forma
significativa para o indicador de hipervolume. Todas as comparações neste experimento
apresentaram diferenças significativas, segundo o teste Kruskal-Wallis, com exceção da
comparação dos resultados de ε-aditivo entre verif e clean.
90
Tabela 25: ε-aditivo médio – NSGA-II – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 0,161845 0,317776 0,952184 0,139222Fonseca 0,147762 0,167044 0,149664 0,143423Viennet2 0,0538337 0,268328 0,0308649 0,0493624Viennet3 32 32 32 32
Fonseca: Assim como no Kursawe, no Problema Fonseca o método verif foi signifi-
cativamente superior aos outros métodos para o indicador de hipervolume, apesar de não
tê-lo sido para o indicador ε quando comparado ao método clean.
Viennet2: Para este problema os resultados são inconclusivos, uma vez que o resul-
tado do teste Kruskal-Wallis indica superioridade ao verif sobre o método random para
o indicador de hipervolume, e indica o inverso para o indicador ε-aditivo. Ambos vencem
os outros dois métodos nos indicadores em que foram vencedores.
Viennet3: Para este teste os resultados de ε-aditivo são inconclusivos, não havendo
diferença significativa entre os métodos. Para o indicador de hipervolume, entrentanto,
todas as diferenças foram consideradas significativas, classificando o verif como melhor
método, seguido de clean, crowdd e random.
Para estes problemas as técnicas de reciclagem foram consideradas superiores, prin-
cipalmente para o indicador de hipervolume. Considerando todos os resultados expostos
sobre o NSGA-II, nota-se que o a reciclagem consegue na maioria dos casos melhorar o
resultado final da otimização, em comparação ao método clean – sem reciclagem. Ape-
sar disso, a melhora pode ser pequena e muitas vezes não chega a ser estatisticamente
significativa, considerando o teste Kruskal-Wallis com valor α = 0, 05.
Tabela 26: Tempo de execução médio (em milisegundos) – NSGAII – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 477,50 2473,10 2493,63 2536,00Fonseca 444,30 2145,63 2129,33 2263,63Viennet2 481,83 3798,70 3959,43 3918,40Viennet3 465,40 2996,60 3103,63 3100,47
Os tempos médios das 30 execuções, para estes problemas, são mostrados na Tabela
26. Os métodos com reciclagem gastaram de 5 a 8 vezes mais tempo que o método clean.
91
5.3 Resultados SPEA2
Esta seção apresenta os resultados das variantes do SPEA2 para os problemas testados.
São eles: Problema Quadrático de Alocação, Problemas WFG, Problemas LZ09, Kursawe,
Fonseca, Viennet2 e Viennet3.
5.3.1 SPEA2 Aplicado ao PQA
As Tabelas 27 e 28 mostram os resultados numéricos dos indicadores obtidos por
cada variante do SPEA2, considerando apenas a última iteração (350). Os resultados
estatísticos são descritos em seguida.
Tabela 27: Hipervolume médio – SPEA2 – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 (1010) 1,74469 1,80704 1,81276 1,8183PQA 10-2 Semente 215 (1010) 1,29454 1,35946 1,34471 1,31716PQA 10-3 Semente 155 (1015) 1,25835 1,33838 1,33881 1,31628PQA 10-3 Semente 256 (1014) 7,61828 8,18577 8,04068 7,98109PQA 20-2 Semente 88 (1011) 1,11498 1,14672 1,15564 1,13237PQA 20-2 Semente 124 (1010) 7,98485 8,18862 8,18468 7,99293PQA 20-3 Semente 588 (1016) 2,71534 2,88383 2,80918 2,79266PQA 20-3 Semente 3438 (1016) 3,57138 3,79706 3,6369 3,5999PQA 20-4 Semente 2377 (1021) 4,173 4,90183 4,85409 4,89247PQA 20-4 Semente 9813 (1021) 2,54914 2,93808 2,84527 2,83294
Tabela 28: ε-aditivo médio – SPEA2 – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 9510,93 6543,67 6280,8 6507PQA 10-2 Semente 215 11730,6 7445,53 8124,13 9835,8PQA 10-3 Semente 155 14338,3 12856,8 10413,9 11511,2PQA 10-3 Semente 256 13467,1 14499,3 9777,73 10581,3PQA 20-2 Semente 88 41303,7 35669,2 32507,6 38506,1PQA 20-2 Semente 124 36905,3 32151,1 32531,6 37596,5PQA 20-3 Semente 588 44102,1 40382,4 38666,1 37509,3PQA 20-3 Semente 3438 49241,5 44202,3 43244,9 46486,2PQA 20-4 Semente 2377 71857,6 72323,1 59437,5 59753,5PQA 20-4 Semente 9813 61982,9 57163,7 50447,6 51178,7
Instância 10-2 Semente 123: Nesta instância os três métodos de reciclagem foram
superiores ao SPEA2 puro, de acordo com o teste Kruskal-Wallis, para ambos os indica-
dores. Os métodos verif, crowdd e random não demonstraram diferença significativa entre
si.
92
Instância 10-2 Semente 215: Para esta instância os métodos crowdd e random
foram superiores aos outros dois para os dois indicadores analisados.
Instância 10-3 Semente 155: Para o indicador de hipervolume, os método random
e crowdd foram superiores aos outros dois de forma significativa. O método clean foi
superado pelos outros três métodos para o indicador de hipervolume. Para o indicador
ε-aditivo, os métodos random e verif venceram o método sem reciclagem.
Instância 10-3 Semente 256: Assim como nas duas instâncias anteriores, os méto-
dos verif e random venceram os outros dois métodos em ambos os indicadores. O método
sem reciclagem (clean) foi superado pelos três métodos com reciclagem.
Instância 20-2 Semente 88: Nesta instância o método random venceu o método
clean nos dois indicadores. Para as outras comparações, não houve diferença significativa.
Instância 20-2 Semente 124: Nesta instância não houve diferença significativa
entre nenhuma comparação, para ambos os indicadores.
Instância 20-3 Semente 588: O método verif venceu o método clean para o in-
dicador de ε-aditivo, e para o indicador de hipervolume o método clean foi vencido pelo
método crowdd.
Instância 20-3 Semente 3438: Nesta instância o método clean foi superado pelos
métodos crowdd e random. Com relação ao método verif, não houve diferneça estatśitica
significativa.
Instância 20-4 Semente 2377: Nesta instância os métodos random e verif foram
bons em ambos os indicadores, e venceram o método clean. O método crowdd, apesar de
ter vencido para o indicador de hipervolume, não obteve bom resultado para o ε-aditivo.
Instância 20-4 Semente 9813: Assim como na instância anterior, o método clean foi
batido pelos métodos random e verif em ambos os indicadores, segundo o teste estatístico.
Com relação ao método crowdd, o SPEA2 puro perdeu significativamente para o indicador
de hipervolume, no entanto não houve diferença significativa entre crowdd e clean para o
indicador ε-aditivo.
Para este problema, a reciclagem conseguiu beneficiar o SPEA2 em todas as instâncias.
Os métodos de reciclagem venceram significativamente o método clean, o que mostra que
a seleção do SPEA2 pode ser prejudicial ao longo da otimização. Os gráficos na Figura
15 ilustram, para duas instâncias, o crescimento do hipervolume ao longo do processo de
otimização. Os gráficos mostram um crescimento bem maior dos métodos que utilizam
93
50 100 150 200 250 300 350
1.7
1.75
1.8
·1010
Iteração
Hipervo
lume
Instância 10-2 Semente 215
50 100 150 200 250 300 350
3
3.5
4
4.5
5·1021
Iteração
Hipervo
lume
Instância 20-4 Semente 2377
CleanCrowdRandomVerif
Figura 15: Resultados de hipervolume – SPEA2 – PQA
50 100 150 200 250 300 3500.6
0.7
0.8
0.9
1
1.1·104
Iteração
ε-ad
itivo
Instância 10-2 Semente 215
50 100 150 200 250 300 350
6
7
8
9
·104
Iteração
ε-ad
itivo
Instância 20-4 Semente 2377
CleanCrowdRandomVerif
Figura 16: Resultados de ε-aditivo – SPEA2 – PQA
reciclagem, com relação ao método clean, para o indicador de hipervolume. O gráfico que
representa a aproximação da fronteira de Pareto, analisando o ε-aditivo, está ilustrado
na Figura 16. Também a melhora deste indicador é mais rápida, pelas iterações, para os
métodos verif e random – lembrando, é claro, que o indicador deve ser minimizado. Para
este indicador, nota-se que o método crowdd não foi eficaz nas instâncias de 4 objetivos
– como por exemplo na 20-4 Semente 2377, ilustrada no gráfico à direita. Os resultados
completos, inclusive para as outras instâncias, estão reportados no Apêndice B.
Assim como para o NSGA-II, o SPEA2 clean foi mais rápido que os outros métodos,
de acordo o teste estatístico. No entanto, a razão entre os métodos com reciclagem e o
método clean chegou apenas a valores proximos de 2. Os resultados médios são mostrados
na Tabela 29.
94
Tabela 29: Tempo de execução médio (em milisegundos) – SPEA2 – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 3341,90 4896,30 4367,27 4548,33PQA 10-2 Semente 215 2352,83 4173,10 3700,37 3938,67PQA 10-3 Semente 155 1675,37 4601,17 4329,73 4596,63PQA 10-3 Semente 256 1722,20 4735,53 4479,70 4675,47PQA 20-2 Semente 88 2178,30 3968,50 3743,10 3843,10PQA 20-2 Semente 124 2199,43 3971,53 3754,13 3896,60PQA 20-3 Semente 588 1752,63 3974,87 3972,67 4106,33PQA 20-3 Semente 3438 1758,90 3862,03 3843,00 3815,63PQA 20-4 Semente 2377 2070,67 4158,03 4140,50 4156,50PQA 20-4 Semente 9813 2057,20 4163,83 4159,37 4193,57
5.3.2 SPEA2 Aplicado aos Problemas WFG
Os resultados obtidos pelas variantes do SPEA2 para os problemas do Walking Fish
Group estão descritos nas Tabelas 30 e 31, mostrando hipervolume e ε-aditivo médios da
última iteração. Os resultados dos testes estatísticos são descritos a seguir.
WFG1: Para o Problema WFG1 o teste estatístico não indicou diferença estatística
entre as variantes, uma vez que para ambos os indicadores os métodos apresentaram
performances bastantes parecidas.
WFG2: Para este problema os métodos verif foi superior aos outros métodos, random
foi ainda significativamente superior aos outros dois. A reciclagem se mostrou eficaz.
WFG3: Neste problema o método clean foi vencido no indicador de hipervolume
pelo método crowdd. Para o indicador ε-aditivo, no entanto, o método sem reciclagem foi
pior significativamente, tornando assim os resultados inconclusivos para este problema. O
método random não foi bem para este problema.
Tabela 30: Hipervolume médio – SPEA2 – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 853,06 853,463 863,825 868,595WFG2 981,612 985,328 988,231 990,668WFG3 867,809 899,741 845,197 879,511WFG4 925,714 960,088 924,089 949,725WFG5 911,745 945,298 914,075 928,235WFG6 922,719 956,273 918,251 944,559WFG7 922,731 959,954 921,183 949,146WFG8 856,362 911,514 846,537 894,463WFG9 910,797 953,01 914,669 936,998
95
Tabela 31: ε-aditivo médio – SPEA2 – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 1,0048 0,983784 0,944012 0,924175WFG2 0,555229 1,10204 0,354176 0,438221WFG3 0,47206 0,781991 0,787464 0,375879WFG4 0,882549 0,686722 0,942858 0,82839WFG5 0,885968 0,669608 0,911124 0,789248WFG6 0,923918 0,626156 1,08084 0,801307WFG7 0,784309 0,668859 0,897749 0,723678WFG8 1,26951 1,02222 1,50359 1,02836WFG9 0,782643 0,699363 0,959799 0,716571
WFG4–WF9: Nos demais problemas WFG, o método crowdd foi superior aos outros
três, segundo o Kruskal-Wallis, para ambos os indicadores. O método random não obteve
bons resultados, obtendo baixa performance nestes problemas. O método de seleção por
distância de aglomeração beneficiou significativamente o SPEA2 nestes problemas.
O SPEA2 foi bastante beneficiado com os métodos de reciclagem, em especial com o
método crowdd, que venceu na grande maioria dos problemas. A Figura 17 mostra o com-
portamento dos dois indicadores para os métodos clean e crowdd para o Problema WFG6.
Nota-se no primeiro gráfico (à esquerda) que já na Iteração 50, após a primeira reciclagem,
o método crowdd já possui hipervolume maior que o máximo obtido pelo método clean.
O mesmo acontece com o indicador ε-aditivo; logo após a primeira reciclagem, o método
crowdd já possui indicador com resultado melhor que o método clean conseguiu alcançar
nas 350 iterações. Outro fato notável é que apesar de já obter resultado bastante superior
em ambos os indicadores, ele continua a melhorar, ao longo da otimização, enquanto o
SPEA2 sem reciclagem oscila e não consegue concretizar a melhora em sua população. Isto
acontece também para vários outros problemas da classe WFG; os resultados completos
estão no Apêndice B.
Os tempos de execução para os Problemas WFG são mostrados na Tabela 32. Os
métodos com reciclagem gastaram de 2 a 3 vezes o tempo gasto pelo método clean, no
entanto, ainda que o tempo dos métodos de reciclagem fossem restringidos, provavelmente
eles venceriam ainda o método clean, pois como mostrado na Figura 17, já no início da
execução o método de reciclagem crowdd era superior ao máximo atingido pelo SPEA2
puro ao final das 350 iterações. Este caso ilustra uma grande utilidade da reciclagem, que
mesmo com tempo reduzido, teria vencido do SPEA2 clean.
96
50 100 150 200 250 300 350
920
940
960
Iteração
Hipervo
lume
WFG6 – Hipervolume
50 100 150 200 250 300 3500.6
0.7
0.8
0.9
1
Iteração
ε-ad
itivo
WFG6 – ε-aditivo
CleanCrowd
Figura 17: Resultados – SPEA2 – WFG6
Tabela 32: Tempo de execução médio (em milisegundos) – SPEA2 – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 1807,40 3483,53 3517,07 3600,10WFG2 1735,03 3728,63 3703,47 3782,70WFG3 2030,37 6700,70 6574,37 6715,47WFG4 1945,37 4440,60 4371,70 4407,07WFG5 1958,90 5360,40 5275,83 5472,40WFG6 1849,50 4226,57 4162,90 4217,57WFG7 2088,13 4921,60 4838,43 4921,87WFG8 1739,80 3854,27 3821,00 3848,30WFG9 2198,47 6032,07 6045,77 6090,27
5.3.3 SPEA2 Aplicado aos Problemas LZ09
Os resultados obtido pelo SPEA2 e suas variantes com reciclagem, para os problemas
LZ09, estão descritos nas Tabelas 33 e 34, mostrando hipervolume e ε-aditivo médios da
última iteração, respectivamente. Os resultados dos testes estatísticos são descritos em
seguida.
LZ09F1: No primeiro problema proposto por (LI; ZHANG, 2009), o método clean foi
significativamente pior que o método crowdd para o indicador hipervolume, no entanto,
o método com reciclagem não conseguiu ser melhor no indicador ε-aditivo. Para este
indicador, os métodos random e verif foram melhores que o clean, segundo o Kruskal-
Wallis.
LZ09F2: Neste problema nenhuma comparação entre os métodos foi considerada
significativa, de acordo com o teste estatístico.
LZ09F3, LZ09F4 e LZ09F5: Para estes problemas o método crowdd foi estatisti-
97
Tabela 33: Hipervolume médio – SPEA2 – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 99,2061 99,5047 99,1123 99,3535LZ09F2 97,2625 97,6131 97,5439 97,3097LZ09F3 97,7656 98,2842 97,7189 97,9534LZ09F4 97,6005 97,8985 97,736 97,7395LZ09F5 97,9612 98,5858 97,862 98,2604LZ09F6 999,995 999,999 1000 1000LZ09F7 94,1597 94,5788 94,4809 94,5006LZ09F8 94,8236 94,9789 94,9806 94,7764LZ09F9 96,4388 97,2137 96,7206 96,6492
Tabela 34: ε-aditivo médio – SPEA2 – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 0,100112 0,117745 0,0808811 0,0650279LZ09F2 0,274833 0,257801 0,259847 0,268722LZ09F3 0,219375 0,173938 0,225459 0,200243LZ09F4 0,209485 0,1861 0,199921 0,200121LZ09F5 0,199788 0,150737 0,215423 0,181602LZ09F6 0,000006 0,000017 0,0000001 0,0000005LZ09F7 0,452394 0,415298 0,418887 0,417109LZ09F8 0,408703 0,389452 0,394504 0,393809LZ09F9 0,343883 0,294172 0,320257 0,309259
camente superior aos outros métodos para ambos os indicadores.
LZ09F6–LZ09F9: Para os demais problemas não foi verificada diferença significativa
entre nenhum dos métodos, para os dois indicadores de qualidade analisados.
Para esta classe de problemas, o SPEA2 não foi tão beneficiado quanto para os outros
já descritos neste trabalho. No entanto, a reciclagem venceu em todos os problemas, com
diferença significativa verificada em 3 casos. Os tempos são expostos na Tabela 35; os
métodos com reciclagem gastarem em média 3x mais tempo que o método clean.
5.3.4 SPEA2 – Resultados Fonseca, Kursawe e Viennet
Para os demais problemas aplicados ao SPEA2, os resultados médios dos indicadores
são mostrados nas Tabelas 36 e 37 – hipervolume e ε-aditivo, respectivamente. Em seguida
são descritos os resultados estatísticos comparando a última iteração de cada execução.
Kursawe: Para o hipervolume, o método crowdd venceu todos os outros três, de
acordo com o Kruskal-Wallis. Para o indicador ε não houve diferença verificada entre
98
Tabela 35: Tempo de execução médio (em milisegundos) – SPEA2 – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 1324,87 2995,00 2988,60 3052,37LZ09F2 1374,43 3264,17 3243,77 3274,97LZ09F3 1505,10 2907,43 2902,97 2911,03LZ09F4 1503,90 2892,70 2883,07 2907,50LZ09F5 1533,63 2902,37 2910,80 2932,60LZ09F6 1519,90 3328,87 3321,20 3374,33LZ09F7 1126,00 3454,30 3468,63 3488,40LZ09F8 1066,20 3365,83 3387,27 3362,73LZ09F9 1352,23 3286,13 3275,87 3316,37
Tabela 36: Hipervolume médio – SPEA2 – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 248,552 258,453 255,369 254,244Fonseca 3,17498 3,3152 3,26554 3,23237Viennet2 20749 20744,8 20747 20751,2Viennet3 1985,26 1991,4 1983,28 1993,43
crowdd, random e clean. Apenas o método random foi considerado inferior para os dois
indicadores de qualidade.
Fonseca: No problema porposto por (FONSECA; FLEMING, 1995), o SPEA2 clean foi
vencido pelo método verif nos dois indicadores de qualidade, e pelo método crowdd no
indicador de hipervolume, de acordo com o teste estatístico empregado. Neste problema o
SPEA2 foi beneficiado com a reciclagem, uma vez que o método clean perdeu para todos
os outros três, no resultado médio.
Viennet2: Para o problema Viennet2 os métodos random e verif foram superiores
aos outros métodos no indicador ε-aditivo. Para o indicador de hipervolume a diferença
estatística não foi verificada, comparando-se ao SPEA2 sem reciclagem.
Viennet3: O método verif venceu neste problema para ambos os indicadores, segundo
o Kruskal-Wallis. Apenas não foi verificada diferença estatística entre ele e o método
crowdd para o indicador de hipervolume; entretanto ele venceu nas outras comparações.
Os tempos de execução para estes problemas são mostrados na Tabela 38. Assim
como para os outros problemas, o SPEA2 clean foi 3 vezes mais rápido, em média, que os
métodos com reciclagem.
Após expostos os resultados obtidos pelo SPEA2 e suas variantes com a cesta de
reciclagem, nota-se que o SPEA2 foi consideravelmente beneficiado pela técnica proposta
99
Tabela 37: ε-aditivo médio – SPEA2 – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 0,791572 0,646481 0,977512 0,629646Fonseca 0,171065 0,16359 0,154772 0,14844Viennet2 0,0461868 0,267684 0,0306878 0,0320874Viennet3 0,294052 0,216161 0,3063 0,116665
Tabela 38: Tempo de execução médio (em milisegundos) – SPEA2 – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 1310,00 3482,43 3494,43 3633,90Fonseca 1294,00 3154,77 3155,03 3275,23Viennet2 1715,80 5954,50 5865,10 6185,33Viennet3 1658,73 5142,87 5091,83 5241,63
neste trabalho, ora por um método, ora por outro. Além disto, em alguns casos a melhora
progressiva da população (de acordo com os indicadores de qualidade) só se deu nas
variantes que usavam reciclagem, como demonstrado na Seção 5.3.2 para os Problemas
WFG.
5.4 Resultados PAES
Assim como NSGAII e SPEA2, o algortitmo PAES foi submetido aos problemas PQA,
WFG, LZ09, Fonseca, Kursawe e Viennet. Esta seção apresenta os resultados dos expe-
rimentos. Há uma diferença significativa entre os dois primeiros algoritmos e o PAES,
uma vez que este utiliza apenas uma solução guia de cada vez para gerar novas soluções
(obviamente que esta solução muda durante o processo de otimização, ver Seção 4.2.2).
5.4.1 PAES Aplicado ao PQA
Os resultados obtidos pelo PAES e suas variantes para o Problema Quadrático de
Alocação são expostos nas Tabelas 39 e 40, mostrando o resultado médio dos indicadores
de hipervolume e ε-aditivo, respectivamente, considerando a última iteração. O teste esta-
tístico de Kruskal-Wallis não apontou diferença significativa em nenhum dos experimentos
para este problema. A lixeira aplicada ao arquivador externo do PAES não foi eficaz em
melhorar a otimização. O fato deve ocorrer provavelmente devido à pouca interferência
da reciclagem durante o processo de otimização, uma vez que apenas uma solução está
guiando o processo de geração de novas soluções, ou seja, a alteração do arquivador com
a reciclagem não muda o processo de otimização.
100
Tabela 39: Hipervolume médio – PAES – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 (1010) 1,58963 1,5836 1,59743 1,57584PQA 10-2 Semente 215 (1010) 1,08595 1,07178 1,06463 1,10488PQA 10-3 Semente 155 (1014) 8,88805 8,75908 8,99594 8,55214PQA 10-3 Semente 256 (1014) 5,00828 5,12661 4,97536 5,11779PQA 20-2 Semente 88 (1010) 9,39553 9,48768 9,43592 9,53621PQA 20-2 Semente 124 (1010) 6,61319 6,61171 6,59787 6,50167PQA 20-3 Semente 588 (1016) 1,74769 1,76949 1,76209 1,77873PQA 20-3 Semente 3438 (1016) 2,40451 2,41409 2,34888 2,38629PQA 20-4 Semente 2377 (1021) 2,35966 2,46574 2,31998 2,42296PQA 20-4 Semente 9813 (1021) 1,25005 1,29455 1,29929 1,33896
Tabela 40: ε-aditivo médio – PAES – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 15837,3 16118,5 14570,1 15644,1PQA 10-2 Semente 215 23312,1 22446,7 23850,8 21151,8PQA 10-3 Semente 155 28098 29921,8 29173 29287,1PQA 10-3 Semente 256 27030,3 27341,1 27673,5 26929,9PQA 20-2 Semente 88 70855,5 70879,5 71132 67988,8PQA 20-2 Semente 124 67072,2 66399,7 66907,1 67038,9PQA 20-3 Semente 588 91103,4 88748,9 88154,5 88995,4PQA 20-3 Semente 3438 94409,2 93484,3 95768 95850PQA 20-4 Semente 2377 115836 116246 117632 117043PQA 20-4 Semente 9813 98099,8 96848,3 98453,7 100008
Os tempos de execução das variantes do PAES para o PQA foram bastante parecidos,
com os métodos de reciclagem gastando pouco mais 20% do tempo gasto pelo método clean
como tempo extra. Isto pode ter ocorrido devido ao problema na própria otimização, uma
vez que os resultados de performance obtidos por este algoritmo não foram tão bons.
Dessa forma, poucas soluções não-dominadas foram geradas, o que facilita o cálculo do
conjunto não-dominado da lixeira. Os resultados de tempo estão na Tabela 41.
5.4.2 PAES Aplicado aos Problemas WFG
Os resultados dos indicadores obtidos pelas variantes do PAES para os problemas
do Walking Fish Group estão descritos nas Tabelas 42 e 31, mostrando hipervolume e
ε-aditivo médios da última iteração, respectivamente. Os resultados dos testes estatísticos
são descritos em seguida.
WFG1: Para o primeiro problema, o teste estatístico não verificou diferença signifi-
101
Tabela 41: Tempo de execução médio (em milisegundos) – PAES – PQA
Instância Clean Crowdd Random VerifPQA 10-2 Semente 123 436,03 519,13 486,07 457,93PQA 10-2 Semente 215 428,00 495,77 470,43 471,30PQA 10-3 Semente 155 689,67 854,63 841,30 827,40PQA 10-3 Semente 256 773,20 900,70 831,90 807,77PQA 20-2 Semente 88 538,23 620,57 589,83 593,63PQA 20-2 Semente 124 550,57 622,43 604,47 607,83PQA 20-3 Semente 588 732,13 843,40 796,00 782,67PQA 20-3 Semente 3438 708,13 856,03 831,83 849,40PQA 20-4 Semente 2377 11503,57 12346,27 16170,00 13846,90PQA 20-4 Semente 9813 11201,53 13332,10 13340,83 12721,80
Tabela 42: Hipervolume médio – PAES – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 629,88 630,092 625,02 630,566WFG2 735,42 849,774 758,513 738,965WFG3 791,626 819,725 761,01 788,592WFG4 506,399 796,665 577,803 511,116WFG5 522,556 776,084 556,425 499,91WFG6 566,449 735,283 618,584 571,412WFG7 589,52 683,072 603,185 591,512WFG8 557,994 668,687 595,4 578,576WFG9 558,707 687,052 549,851 516,175
cativa entre os métodos em nenhum dos indicadores.
WFG2: Para o WFG2, o método crowdd venceu os outros três métodos em ambos
os indicadores de forma significativa. O teste Kruskal-Wallis não verificou diferenças entre
os três métodos clean, random e verif.
WFG3: Neste problema o método crowdd venceu os métodos random e verif, mas
não foi superior ao método clean em nenhum dos indicadores.
WFG4: Para o WFG4, o método crowdd venceu os outros três métodos nos dois
indicadores de qualidade. O método random, por sua vez, foi superior aos métodos clean
e verif.
WFG5: O teste Kruskal-Wallis indicou que o método crowdd foi superior aos outros
três métodos nos dois indicadores. Para o hipervolume, não houve diferença entre o método
clean, random e verif. No entanto, para o indicador ε-aditivo o método random também
superou o clean, que foi também considerado melhor que o verif.
WFG6: Novamente o método crowdd foi superior aos outros três. Random também
102
Tabela 43: ε-aditivo médio – PAES – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 2,54926 2,54754 2,60709 2,54327WFG2 2,23672 1,30744 1,94403 2,20727WFG3 1,03585 0,908995 1,18302 1,04612WFG4 4,59605 2,65322 3,5397 4,4847WFG5 4,15718 2,30499 3,30511 4,43227WFG6 2,75244 2,26415 2,54346 2,65042WFG7 3,18833 2,87328 3,29151 3,19799WFG8 2,81268 2,6185 2,73232 2,76478WFG9 4,25136 3,0746 3,99042 4,54813
foi superior ao método clean em ambos os indicadores.
WFG7: Neste indicador o teste estatístico não verificou diferença entre os métodos
para o indicador ε-aditivo. Para o hipervolume, o crowdd foi novamente superior aos
outros métodos.
WFG8: Como no problemaWFG7, o crowdd venceu para o indicador de hipervolume.
Para ε-aditivo, o Kruskal-Wallis não apontou diferença significativa entre as variantes do
PAES.
WFG9: Neste problema o crowdd venceu os outros três métodos para ambos os
indicadores. Não houve diferença significativa entre clean, random e verif.
Nesta classe de problemas, a reciclagem feita diretamente no arquivador do PAES
foi bastante eficaz, principalmente com o método crowdd, que faz a seleção utilizando a
distância de aglomeração, métrica que foi bastante eficaz, considerando que os problemas
WFG foram configurados com 3 objetivos. Diferentemente do que ocorreu nos experi-
mentos com Problema Quadrático de Alocação, o PAES foi bastante beneficiado com a
reciclagem nesta classe de problemas.
Com relação aos tempos de execução, o PAES mostrou comportamento diferente entre
os problemas. Para alguns, gastou menos de 2 vezes o tempo gasto pelo método clean.
Para outros, gastou quase 20 vezes mais tempo, como foi o caso do WFG5. No entanto,
assim como ocorreu no SPEA2, muitas vezes já imediatamente após a primeira reciclagem,
o método crowdd obteve indicadores superiores ao PAES clean após as 350 iterações.
103
Tabela 44: Tempo de execução médio (em milisegundos) – PAES – Problemas WFG
Instância Clean Crowdd Random VerifWFG1 1216,67 2023,30 2007,03 1985,93WFG2 1265,60 2378,13 2278,63 2463,83WFG3 1348,50 12591,80 12316,77 13595,73WFG4 1830,53 6393,73 6350,43 6374,27WFG5 2323,17 37296,90 36987,83 36911,23WFG6 1730,43 5181,37 5012,87 5203,60WFG7 2132,97 6153,97 5973,10 6075,70WFG8 1557,23 2633,63 2525,90 2608,27WFG9 2513,07 17189,97 16273,33 16271,30
5.4.3 PAES Aplicado aos Problemas LZ09
Os resultados para os problemas da classe LZ09 estão expostos nas Tabelas 45 e
46. Não houve diferença estatística entre os métodos nestes problemas, segundo o teste
Kruskal-Wallis. A técnica de reciclagem não foi eficaz para estes experimentos. Os tempos
de execução das técnicas de reciclagem são bem parecidos com o tempo gasto pelo método
clean. Estão ilustrados na Tabela 47.
Tabela 45: Hipervolume médio – PAES – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 94,564 94,5624 93,9262 94,5587LZ09F2 91,8046 91,8048 91,7414 91,8131LZ09F3 92,5365 92,5374 92,2471 92,4919LZ09F4 92,3754 92,376 91,839 92,4982LZ09F5 92,8591 92,8598 92,677 92,8815LZ09F6 894,607 896,786 892,375 895,552LZ09F7 91,5913 91,5914 91,5914 91,5888LZ09F8 91,7149 91,7149 91,7149 91,7149LZ09F9 89,0057 89,0061 89,0058 89,0111
5.4.4 PAES – Resultados Fonseca, Kursawe e Viennet
Para os problemas Kursawe, Fonseca, Viennet2 e Viennet3, também aplicados ao
PAES, os resultados médios dos indicadores são mostrados nas Tabelas 48 e 49 – hiper-
volume e ε-aditivo, respectivamente. Para estes experimentos, o teste estatístico apontou
a ineficácia do método random para os problemas Fonseca e Kursawe, e dos métodos
random e crowdd para o problema Viennet2. Apenas para o problema Viennet3 que a
reciclagem melhorou o indicador de hipervolume de forma significativa, com o método
104
Tabela 46: ε-aditivo médio – PAES – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 0,388594 0,387999 0,425736 0,389925LZ09F2 0,681775 0,681775 0,688432 0,680918LZ09F3 0,595173 0,595173 0,62095 0,596124LZ09F4 0,607167 0,607071 0,665432 0,593682LZ09F5 0,572047 0,572047 0,585425 0,56438LZ09F6 0,184945 0,184189 0,20355 0,18781LZ09F7 0,621073 0,62107 0,62107 0,645782LZ09F8 0,529849 0,529848 0,529848 0,529851LZ09F9 0,684191 0,684166 0,68417 0,685831
Tabela 47: Tempo de execução médio (em milisegundos) – PAES – Problemas LZ09
Instância Clean Crowdd Random VerifLZ09F1 546,27 881,67 846,70 880,10LZ09F2 666,87 750,30 757,50 763,77LZ09F3 670,87 760,60 746,90 759,93LZ09F4 676,67 768,80 760,60 775,57LZ09F5 729,63 816,00 812,70 816,97LZ09F6 736,50 997,23 950,07 939,03LZ09F7 521,83 574,57 553,17 567,60LZ09F8 522,27 573,37 577,37 569,93LZ09F9 672,10 770,60 755,47 769,53
crowdd; no entanto, ele foi inferior para o outro indicador de qualidade. Nestes problemas
a reciclagem não foi eficaz em melhorar a performance da otimização. Os tempos de exe-
cução para estes problemas estão descritos na Tabela 50. Para os problemas Kursawe e
Viennet o tempo gasto pelos métodos de reciclagem foram 4 vezes maiores que o método
clean; para os problemas Viennet este tempo chegou a mais de 10 vezes, comparado ao
PAES clean.
Tabela 48: Hipervolume médio – PAES – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 249,252 249,561 238,566 250,203Fonseca 3,13613 3,12681 2,65419 3,13244Viennet2 20750,9 20746,3 20684,2 20751,8Viennet3 1907,14 1939,14 1804,74 1920,55
No experimentos realizados no PAES, apenas sua aplicação aos Problemas WFG foi
notavelmente melhorada com os métodos de reciclagem. A característica específica do
PAES, de gerar soluções a partir apenas de uma guia, pode atrapalhar um benefício que
foi trazido ao SPEA2 e ao NSGA-II, que é a possibilidade de atualização da população com
105
Tabela 49: ε-aditivo médio – PAES – Problemas Contínuos
Instância Clean Crowdd Random VerifKursawe 1,2911 1,32761 2,66125 1,33473Fonseca 0,190232 0,259431 0,459223 0,194804Viennet2 0,0316469 0,235361 0,0757388 0,0305676Viennet3 32,1681 32,0121 32,3566 32,0808
Tabela 50: Tempo de execução médio (em milisegundos) – PAES – Problemas LZ09
Instância Clean Crowdd Random VerifKursawe 447,70 1668,27 1616,63 1736,73Fonseca 467,03 2292,87 2218,73 2237,63Viennet2 1092,43 23388,87 23110,23 23221,33Viennet3 1772,80 16581,13 16414,13 18899,37
as soluções recicladas, que servirão para geração de outras novas soluções. Com isso, as
soluções recicladas podem tanto dominar as soluções descartadas (uma vez que as seleções
de SPEA2 e NSGA-II podem deteriorar), quanto melhorar a diversidade da população.
5.5 Comparações entre NSGA-II, SPEA2 e PAES
Esta seção tem por objetivo realizar uma breve comparação entre os algoritmos NSGA-
II, SPEA2 e PAES, para os problemas nos quais ambos foram testados. São eles Problema
Quadrático de Alocação, Problemas WFG, LZ09, Kursawe, Fonseca e Viennet.
Problema Quadrático de Alocação: Para este problema, o PAES obteve resulta-
dos inferiores aos outros dois algoritmos, NSGA-II e SPEA2, para ambos os indicadores.
A reciclagem não foi eficaz para este otimizador neste problema, então para todas as va-
riantes o PAES não obteve resultados competitivos. No que diz respeito aos outros dois
otimizadores, o SPEA2–crowdd obteve melhores resultados nas 4 últimas instâncias, que
são maiores. Para as 6 menores o NSGA-II se mostrou superior. Isto provavelmente ocorre
devido ao benefício obtido pelo SPEA2 com o método crowdd, que foi mais contundente
para as instâncias maiores, o que mostra uma boa sinergia entre a seleção do SPEA2 e a
reciclagem com distância de aglomeração.
Problemas WFG: Apesar de o NSGA-II ter se mostrado superior em todos os
problemas WFG, com relação ao SPEA2, quando os métodos clean são comparados iso-
ladamente, nota-se que a diferença entre os dois otimizadores diminui consideravelmente.
No problema WFG4, por exemplo, o NSGA-II–clean obteve hiperovlume 4,5% superior ao
SPEA2; mas se comparados os melhores resultados de cada algoritmo, o NSGA-II–verif
106
foi menos de 1% superior ao SPEA2–crowdd. Isto é, os dois otimizadores com recicla-
gem tem desempenho bastante parecido. O PAES, apesar de ter sido bastante beneficiado
com as técnicas de reciclagem, não foi competitivo quando comparado aos outros dois
otimizadores.
Problemas LZ09, Kursawe, Fonseca e Viennet: Para estes problemas, o benefício
da reciclagem obtido pelo SPEA2, assim como para os problemas WFG, fez com que ele se
tornasse competitivo com relação ao NSGA-II. O NSGA-II foi superior ao SPEA2 quando
comparados os métodos clean, na maioria dos problemas. No entanto, esta diferença se
torna mínima quando comparados os métodos com reciclagem, sendo eles NSGA-II–verif
e SPEA2–crowdd (os melhores resultados de ambos).
Considerando que grande parte dos problemas tem mais de 2 objetivos, e que o SPEA2
foi bastante beneficiado com a reciclagem por distância de aglomeração, é provável que
existam formas reciclagem mais eficientes para problemas com mais objetivos, isto é, a
utilização de outras métricas pode melhorar o desempenho das técnicas de reciclagem, uma
vez que a reciclagem por distância de aglomeração não é tão eficiente para problemas com
muitos objetivos, como demonstrado no Capítulo 3, na análise estática e experimental dos
arquivadores.
5.6 Resultados MOEA/D
Esta seção mostra os resultados obtidos pelo MOEA/D. Ele foi aplicado aos proble-
mas ZDT1–4 e DTLZ1–4. As implementações destes problemas são disponibilizadas na
plataforma jMetal(DURILLO; NEBRO, 2011). Este otimizador não teve seu método de se-
leção de soluções analisado por este trabalho, considerando as propriedades descritas na
Seção 2.3, sendo a análise feita sobre ele puramente experimental, cujos resultados são
descritos a seguir.
5.6.1 MOEA/D Aplicado aos Problemas ZDT
Nesta seção são apresentados os resultados obtidos pelo MOEA/D e suas variantes
para os problemas ZDT. Os problemas são todos bi-objetivo e foram configurado com 30
variáveis de decisão os ZDT1, ZDT2 e ZDT3. O ZDT4 utiliza 10 variáveis por padrão (ver
Seção 4.3.6). A população do MOEA/D foi estabelecida em 50 soluções. As Tabelas 51
e 52 mostram os resultados dos indicadores de hipervolume e ε-aditivo, respectivamente,
obtidos pelas variantes do MOEA/D na última iteração.
107
Tabela 51: Resultados de hipervolume obtidos pelo MOEA/D – ZDT.
Problema clean crowdd random verifZDT1 15,58820 15,57400 15,57270 15,5743ZDT2 15,22490 15,23870 15,22050 15,2263ZDT3 17,87820 17,88050 17,84450 17,908ZDT4 999805 999860 999850 999861
Tabela 52: Resultados de ε-aditivo obtidos pelo MOEA/D – ZDT.
Problema clean crowdd random verifZDT1 0,027666 0,028818 0,029102 0,029868ZDT2 0,029731 0,026262 0,031721 0,030230ZDT3 0,157505 0,159214 0,165954 0,14240ZDT4 0,202974 0,143012 0,164315 0,147402
Os resultados completos, por iteração, estão disponibilizados no Apêndice B. Os re-
sultados estatísticos não mostraram diferença entre nenhuma das variantes do MOEA/D,
considerando os dois indicadores. Isto pode ter ocorrido devido a um problema verificado
para este algoritmo. Os métodos crowdd e random alteram praticamente toda a popula-
ção do algoritmo, resgatando muitas soluções da cesta de reciclagem. No entanto, não foi
feita nenhuma verificação a respeito dos pesos atribuídos a cada solução, ou seja, as solu-
ções resgatadas entraram na população relacionadas a pesos aleatórios, que poderiam não
representar seus valores objetivos, o que causaria um certo problema na distribuição de
soluções e na própria otimização, uma vez que boas soluções com respeito ao subproblema
Wi podem não ser tão boas assim, se atribuídas ao peso Wj. Sobre o método verif, apesar
de ele trocar apenas as soluções deterioradas da população, não obteve diferença signifi-
cativa, o que pode indicar que houve pouca deterioração do MOEA/D para os problemas
testados.
A Tabela 53 mostra os tempos médios obtidos por cada variante para os problemas
ZDT. Apesar de que os métodos que utilizavam reciclagem não obtiveram grandes resul-
tados, eles gastaram mais tempo que o método clean. Isto ocorre devido ao cálculo das
soluções não dominadas feito a cada reciclagem.
Tabela 53: Tempo médio (em segundos) gasto por cada variante – MOEA/D – ProblemasZDT.
Iteração clean crowdd random verifZDT1 0,434133 1,80267 1,769 1,65477ZDT2 0,4535 3,46267 3,3867 3,40387ZDT3 0,439967 2,0187 1,9734 1,9735ZDT4 0,3838 2,81657 2,7812 2,81337
108
5.6.2 MOEA/D Aplicado aos Problemas DTLZ
O MOEA/D também foi aplicado aos problemas DTLZ, definidos na Seção 4.3.7.
Como os problemas eram de 3 dimensões, foi atribuído valor N = 100 para a população
do algoritmo. A condição de parada foi a mesma que a configurada aos problemas ZDT,
350 iterações, com reciclagem a cada 50. O problema DTLZ1 utilizou 7 variáveis de
decisão, e os problemas DTLZ2, DTLZ3 e DTLZ4 utilizaram 12 variáveis, como sugerido
no trabalho original (DEB et al., 2002b). Os resultados dos indicadores são apresentados
nas Tabelas 54 e 55.
Tabela 54: Hipervolume médio do MOEA/D aos problemas DTLZ.
Problema clean crowdd random verifDLTZ1 125000 125000 125000 125000DLTZ2 7,36539 7,3646 7,36446 7,36509DLTZ3 998349 999376 999501 996729DLTZ4 124,358 124,355 124,358 124,353
Tabela 55: ε-aditivo médio do MOEA/D aos problemas DTLZ.
Problema clean crowdd random verifDLTZ1 0,0596362 0,0936607 0,0669991 0,0601152DLTZ2 0,156386 0,152408 0,152599 0,159819DLTZ3 2,67445 1,95809 1,79679 3,1012DLTZ4 0,149136 0,150967 0,144658 0,160338
Segundo o teste Kruskal-Wallis, não houve diferença significativa entre as variantes
do algoritmo, assim como para os problemas ZDT. Aplicada ao MOEA/D, a técnica de
reciclagem obteve maus resultados, não conseguindo melhorar o conjunto de aproximação
durante o processo de otimização. Assim como descrito na seção anterior, o preenchimento
aleatório de pesos para as soluções recicladas pode atrapalhar a qualidade da otimização.
Para um melhoria deste problema, deveria-se verificar as soluções mais próximas aos pesos
e determinar que elas fossem atribuídas a eles, a fim de maior compatibilidade entre vetor
objetivo de soluções e pesos a elas atribuídos. No entanto, ainda com a deterioração
verificada e corrigida, com pouca alteração da população, no método verif, o MOEA/D
não obteve melhores resultados. Os resultados completos são apresentados no Apêndice
B.
Os tempos de execução são apresentados na Tabela 56. Para as implementações do
MOEA/D, em geral, os algoritmos com reciclagem foram mais custosos que os apresen-
tados pela reciclagem no NSGA-II, chegando o método verif a consumir até 50 vezes o
tempo do método sem reciclagem para o problema DTLZ3.
109
Tabela 56: Tempo médio (em segundos) gasto por cada variante – MOEA/D – ProblemasDTLZ.
Problema clean crowdd random verifDTLZ1 0,466967 35,3995 35,0745 39,6976DTLZ2 0,5245 11,6053 11,9395 10,7222DTLZ3 0,551267 33,568 31,9705 34,9335DTLZ4 0,556 11,2004 10,9427 9,87783
5.7 Resultados NSGA-III
Esta seção apresenta os resultados obtidos pelo NSGA-III, já descrito anteriormente.
O algoritmo foi aplicado aos mesmos problemas que o MOEA/D, ZDT1–4 e DTLZ1–4,
que são problemas de domínio contínuo. Além disso, um experimento foi realizado para o
Problema do Caixeiro Viajante multiobjetivo. As seções a seguir mostram os resultados
de cada classe de problemas separadamente.
5.7.1 NSGA-III Aplicado aos Problemas ZDT
Nesta seção são apresentados os resultados obtidos pelo NSGA-III para os proble-
mas ZDT. Os problemas são bi-objetivo e foram configurado assim como no MOEA/D,
mostrado na seção anterior, com 30 variáveis de decisão em ZDT1, ZDT2 e ZDT3; e 10
variáveis para o ZDT4. As Tabelas 57 e 58 mostram os resultados dos indicadores de
hipervolume e ε-aditivo, respectivamente, obtidos pelas variantes do NSGA-III na última
iteração. As tabelas apresentam, para cada problema, o valor do indicador médio obtido
pela população do algoritmo na última iteração, isto é, uma média entre as 30 execuções
independentes.
Tabela 57: Resultados de hipervolumes do NSGA-III aos problemas ZDT
Problema clean crowdd random verifZDT1 15,6527 15,2683 15305 15,6529ZDT2 15,315 14,9858 14,9814 15,316ZDT3 18,1469 17,7092 17,4743 18,2155ZDT4 999912 999635 999550 999904
Os testes estatísticos mostraram diferença significativa entre os métodos verif e clean
com relação aos outros, random e crowdd, que foram piores. Isto provavelmente ocorre
devido a um problema bastante parecido com o notado no MOEA/D, em que as soluções
poderiam ser vinculadas a pesos incompatíveis com seus valores objetivo. No entanto, no
NSGA-III o problema pode ser ainda mais grave, uma vez que ocorre eventualmente a
110
Tabela 58: Resultados de ε-aditivo do NSGA-III aos problemas ZDT
Problema clean crowdd random verifZDT1 0,0167604 0,12353 0,117171 0,0166829ZDT2 0,0138964 0,132624 0,133264 0,0134192ZDT3 0,0790757 0,259088 0,290788 0,053228ZDT4 0,0950907 0,379784 0,458173 0,0996154
remoção de pontos de referência, durante a execução do algoritmo. Dessa forma, pontos
reciclados poderiam ser mais compatíveis com pontos de referência já removidos. Conside-
rando que também não foi feita verificação sobre os pontos de referência no momento da
reciclagem, os métodos crowdd e random – que alteram boa parte da população – podem
trazer à população soluções que não se adequam a nenhum ponto de referência atual, o
que poderia ainda remover estes pontos de referência posteriormente, gerando assim mais
problemas para o algoritmo.
A Tabela 59 apresenta os resultados de tempo para os problemas ZDT. O método
clean foi em média 3 vezes mais rápido que os métodos que utilizam a reciclagem, o que
indica inviabilidade da aplicação destes métodos de reciclagem para o NSGA-III, uma vez
que os resultados dos indicadores não foram melhorados.
Tabela 59: Tempo médio (em segundos) gasto por cada variante – NSGA-III – ProblemasZDT.
Problema clean crowdd random verifZDT1 1,40583 3,00863 2,98133 3,2434ZDT2 1,36907 5,3314 5,26193 5,25233ZDT3 1,39273 2,77297 2,71767 2,9823ZDT4 1,20847 4,94167 4,95967 5,06287
5.7.2 NSGA-III Aplicado aos Problemas DTLZ
O NSGA-III foi aplicado também aos problemas DTLZ, e esta seção apresenta os
resultados obtidos por este algoritmo. Os problemas foram configurados assim como defi-
nido na seção anterior: o problema DTLZ1 utilizou 7 variáveis de decisão, e os problemas
DTLZ2, DTLZ3 e DTLZ4 utilizaram 12 variáveis. As Tabelas 60 e 61 mostram os resul-
tados de hipervolume e ε-aditivo, respectivamente, obtidos pelas variantes do NSGA-III
na última iteração.
Assim como nos problemas ZDT, os testes estatístico não mostraram diferença entre
os métodos clean e verif, e considerou que os métodos random e crowdd são inferiores
111
Tabela 60: Resultados de hipervolumes do NSGA-III aos problemas DTLZ
Problema clean crowdd random verifDTLZ1 106 999909 999832 106
DTLZ2 7,40146 7,06331 7,12664 7,40134DTLZ3 (∗108) 1,25 1,24963 1,24981 1,25
DTLZ4 8,609 7,006 5,414 8,606
Tabela 61: Resultados de ε-aditivo do NSGA-III aos problemas DTLZ
Problema clean crowdd random verifDTLZ1 0,0542311 0,0542311 0,128195 0,061099DTLZ2 0,0948553 0,251078 0,226335 0,0940402DTLZ3 2,64797 4,02967 4,67786 2,55171DTLZ4 0,417241 0,578694 0,574189 0,422111
aos outros dois. Provavelmente o problema apresentado pela reciclagem descrito na seção
anterior atrapalhou significativamente os métodos crowdd e random. Ademais, o método
verif não conseguiu aprimorar a otimização de forma significativa. Possivelmente, no que
diz respeito a cesta de reciclagem, seja necessário a criação de um método específico para
cada algoritmo, a fim de driblar estes problemas pontuais de cada abordagem e trazer
benefícios para o processo de otimização, como visto no NSGA-II. Ainda que os métodos
de reciclagem tenham gasto cerca de 3 vezes mais tempo, não obtiveram bons resultados.
A Tabela 62 apresenta completamente os tempos médios de cada variante.
Tabela 62: Tempo médio (em segundos) gasto por cada variante – NSGA-III – ProblemasDTLZ.
Problema clean crowdd random verifDTLZ1 2,5177 6,18693 6,75913 7,6498DTLZ2 2,993 7,07587 7,12043 8,5493DTLZ3 2,40167 5,28247 5,24537 5,06447DTLZ4 2,70973 6,1985 6,27097 7,81877
5.7.3 NSGA-III Aplicado ao Problema do Caixeiro Viajante
Para o problema do caixeiro viajante, foram testadas duas instâncias com dois ob-
jetivos, uma com 100 cidades (TSP100) e outra com 150 cidades (TSP150). A condição
de parada do NSGA-III foi 350 iterações, e a reciclagem foi feita a cada 50 iterações.
A Tabela 63 apresenta os resultados médios de hipervolume obtidos por cada variante,
considerando as 30 execuções independentes.
O teste estatístico de Kruskal-Wallis, assim como para os outros testes do NSGA-III,
112
Tabela 63: Hipervolumes obtidos pelo NSGA-III no Problema do Caixeiro Viajante
Instância clean crowdd random verifTSP100 (∗109) 4,47537 4,05775 4,01645 4,53166TSP150 (∗109) 4,11752 3,83291 3,77398 4,06406
apontou os métodos verif e clean como superiores aos outros dois métodos. A razão para
tanto, conforme explicado anteriormente, provavelmente tem relação com a atribuição
das soluções aos pontos de referência durante a realização da reciclagem. A Tabela 64
mostra os tempos medios de execução das variantes de reciclagem e do método clean,
para este problema. O cálculo das soluções não dominadas a cada reciclagem fez com que
os métodos de reciclagem gastassem pouco mais de 3 vezes o tempo do método clean.
Tabela 64: Tempo médio (em segundos) gasto por cada variante – NSGA-III – Problemado Caixeiro Viajante
Instância clean crowdd random verifTSP100 1,09117 3,46803 3,4715 3,54443TSP150 1,13243 4,01917 4,00447 2,8214
113
6 Considerações finais
Neste trabalho foi apresentada uma investigação sobre diversas técnicas de arquiva-
mento utilizadas em algoritmos multiobjetivo. Considerando que esta análise, inicialmente
teórica, verificou que grande parte das técnicas de arquivamento podem sofrer com o fenô-
meno da deterioração, propôs-se também a criação de um mecanismo que tentasse evitar
a deterioração e melhorar a qualidade dos conjuntos de aproximação mantidos pelos oti-
mizadores.
Os experimentos realizados neste trabalho mostraram que a deterioração dos otimi-
zadores pode variar bastante de acordo com o otimizador empregado e o problema a ser
resolvido. NSGA-II e PAES obtiveram resultados completamente diferentes para os Pro-
blemas WFG, por exemplo. Enquanto o NSGA-II não obteve muito benefício nesta classe
de problemas, o PAES só conseguiu uma otimização razoável com o emprego do método
de reciclagem baseado em distância de aglomeração. Tal fato pode ter ocorrido devido
à proximidade das soluções encontradas pelo NSGA-II ao conjunto ótimo, o que indica
uma deterioração irrelevante e uma boa otimização, já que a fronteira ótima de Pareto
está muito próxima. No entanto, o método SPEA2 também esteve bastante próximo da
fronteira ótima de Pareto e foi beneficiado pela reciclagem crowdd.
Um fato notável sobre os resultados obtidos para os problemas WFG, comparando
NSGA-II e SPEA2, é que enquanto o NSGA-II foi beneficiado pelo método verif, que
verifica as deteriorações periodicamente, o SPEA2 teve como principal contribuinte o mé-
todo crowdd, que redistribui periodicamente a população não-dominada gerada até então
de acordo com a distância de aglomeração. Isto pode indicar problemas específicos de
cada arquivador. O NSGA-II, que pode manter soluções bastante piores que as geradas
anteriormente e deteriorar ao longo do tempo, como já demonstrado em (LÓPEZ-IBÁÑEZ;
KNOWLES; LAUMANNS, 2011), e o SPEA2 com um grave problema na manutenção de uma
população elitista e bem diversificada. Além disso, estes fatos evidenciam que compor-
tamentos específicos de cada algoritmo podem interferir no desempenho dos métodos de
reciclagem, como o método crowdd, que não foi tão benéfico no NSGA-II, uma vez que
114
50 100 150 200 250 300 350
920
930
940
950
960
Iteração
Hipervo
lume
WFG4
50 100 150 200 250 300 350
910
920
930
940
Iteração
Hipervo
lume
WFG5
CleanCrowdRandomVerif
Figura 18: Resultados – SPEA2 – WFG4–5
o próprio algoritmo já utiliza a métrica de distância de aglomeração em seu método de
seleção.
O SPEA2 provavelmente foi o otimizador mais beneficiado pelas técnicas de recicla-
gem, dos algoritmos analisados neste trabalho. Teve seu desempenho muitas vezes de-
pendente da reciclagem de soluções. A Figura 18 dois destes casos. Enquanto o método
clean não consegue otimizar de forma contundente, após a primeira reciclagem o método
crowdd já é superior aos outros métodos a partir da primeira reciclagem, na iteração 50.
O mesmo acontece com o PAES, também para os problemas WFG, e ao NSGA-II para
os problemas DTLZ1 e DTLZ2.
O PAES, entretanto, apesar de utilizar um arquivador que pode deteriorar, como mos-
trado na Seção 2.3, não foi tão beneficiado com os métodos de reciclagem. Provavelmente
isto ocorreu devido ao paradigma diferente de otimização, em que esta se dá a partir de
apenas uma solução guia por vez, não havendo o conceito de população a se reproduzir,
como nos outros dois algoritmos evolucionários SPEA2 e NSGA-II.
Com relação aos dois últimos algoritmos expostos neste trabalho, a reciclagem não
conseguiu ser significativamente beneficente. Os resultados obtidos pelas variantes do mé-
todo de reciclagem nos algoritmos MOEA/D e NSGA-III, apesar de gastarem mais tempo
de execução, não conseguiram melhorar a qualidade da saída dos algoritmos. Isto pode
ter ocorrido devido aos problemas já citados com relação aos pesos atribuídos a soluções
recicladas, no caso do MOEA/D, e aos pontos de referência do NSGA-III.
Outro ponto considerável é o fato de que já na análise teórica a seleção por distância
de aglomeração não mostrava bons resultados quando as instâncias tinham mais de dois
objetivos, o que indica uma fragilidade da seleção realizada pelo NSGA-II e pelo método
115
crowdd. Considera-se, portanto, de bastante importância a busca por outros métodos
baseados na ideia de reciclagem que possam ser mais generalistas quanto ao número de
dimensões do espaço objetivo, a fim de melhorar o desempenho dos métodos de reciclagem.
O trabalho de (KöPPEN; YOSHIDA, 2007) sugere métricas diferentes a serem utilizadas
como seleção para o algoritmo NSGA-II, com o propósito de melhorar a performance do
otimizador para problemas com mais objetivos. Tais métricas podem ser importantes em
análises futuras.
Sendo assim, propõe-se como trabalhos futuros a esta pesquisa, dentre outros que
eventualmente surgirão, os seguintes pontos:
• Realizar análises em problemas mais complexos da literatura, tais que os algoritmos
tenham dificuldades em realizar a otimização. Com isso será razoável verificar se al-
goritmos mais simples, unidos a boas técnicas de seleção, podem superar algoritmos
mais custosos propostos na literatura.
• Propor novas técnicas de reciclagem, baseando-se em métricas mais eficientes. A
referência (KöPPEN; YOSHIDA, 2007) já mostrou que o NSGA-II pode melhorar sig-
nificativamente substituindo a seleção por distância de aglomeração por outras mé-
tricas.
• Otimizar o tempo gasto para o cálculo das não dominadas, ou ainda realizar uma
pré-seleção rápida sobre as soluções com o intuito de diminuir a quantidade de
soluções na cesta de reciclagem.
• Propor métodos específicos de reciclagem para cada algoritmo. Os problemas en-
frentados pela reciclagem no NSGA-III seriam solucionados caso houvesse uma es-
tratégia específica para a coordenação entre pontos de referência e pontos reciclados.
O mesmo ocorreria, provavelmente, caso os pesos do MOEA/D fossem atribuídos às
soluções recicladas de forma mais compatível.
Sobre os ganhos que podem ser trazidos aos otimizadores com a reciclagem, nota-se
que os otimizadores podem ser beneficiados com o resgate de soluções para o processo de
otimização. No presente trabalho, apenas soluções não-dominadas foram trazidas de volta
às populações dos algoritmos. No entanto, é possível que soluções consideradas dominadas
possam também ter características importantes para a geração de boas novas soluções.
Esta hipótese deve também ser analisada de forma mais profunda, considerando a grande
complexidade dos problemas multiobjetivo, através de novos experimentos.
116
Referências
BAZGAN, C.; HUGOT, H.; VANDERPOOTEN, D. Solving efficiently the 0-1multi-objective knapsack problem. Comput. Oper. Res., Elsevier Science Ltd.,Oxford, UK, UK, v. 36, n. 1, p. 260–279, jan. 2009. ISSN 0305-0548. Disponível em:<http://dx.doi.org/10.1016/j.cor.2007.09.009>.
BLEULER, S. et al. PISA — a platform and programming language independentinterface for search algorithms. In: FONSECA, C. M. et al. (Ed.). EvolutionaryMulti-Criterion Optimization (EMO 2003). Berlin: Springer, 2003. (Lecture Notes inComputer Science), p. 494 – 508.
BRINGMANN, K.; FRIEDRICH, T. Don’t be greedy when calculating hypervolumecontributions. In: Proceedings of the Tenth ACM SIGEVO Workshop on Foundations ofGenetic Algorithms. [S.l.: s.n.], 2009. p. 103–112.
BURKARD, R. E. et al. The Quadratic Assignment Problem. 1998.
CHRISTENSEN, T. V. Heuristic Algorithms for NP-Complete Problems. RichardPetersens Plads, Building 321, DK-2800 Kgs. Lyngby: Informatics and MathematicalModelling, Technical University of Denmark, DTU, 2007. Supervised by Assoc. Prof. PaulFischer, IMM, DTU. Disponível em: <http://www2.imm.dtu.dk/pubdb/p.php?5335>.
DAS, I.; DENNIS, J. E. Normal-boundary intersection: A new method for generatingthe pareto surface in nonlinear multicriteria optimization problems. SIAM J.on Optimization, Society for Industrial and Applied Mathematics, Philadelphia,PA, USA, v. 8, n. 3, p. 631–657, mar. 1998. ISSN 1052-6234. Disponível em:<http://dx.doi.org/10.1137/S1052623496307510>.
DEB, K. Multi-objective genetic algorithms: Problem difficulties and construction of testproblems. Evolutionary Computation, v. 7, p. 205–230, 1999.
DEB, K. Multi-Objective Optimization Using Evolutionary Algorithms. New York, NY,USA: John Wiley & Sons, Inc., 2001. ISBN 047187339X.
DEB, K.; JAIN, H. An evolutionary many-objective optimization algorithm usingreference-point-based nondominated sorting approach, part i: Solving problems with boxconstraints. IEEE Transactions on Evolutionary Computation, v. 18, p. 577 – 601, 2014.
DEB, K. et al. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEETransactions on Evolutionary Computation, IEEE Press, v. 6, n. 2, 2002.
DEB, K. et al. Scalable multi-objective optimization test problems. In: Congress onEvolutionary Computation (CEC 2002). [S.l.]: IEEE Press, 2002. p. 825–830.
117
DURILLO, J. J.; NEBRO, A. J. jmetal: A java framework for multi-objective optimiza-tion. Advances in Engineering Software, v. 42, p. 760–771, 2011. ISSN 0965-9978. Dispo-nível em: <http://www.sciencedirect.com/science/article/pii/S0965997811001219>.
EHRGOTT, M. Approximation algorithms for combinatorial multicriteria optimizationproblems. International Transactions in Operational Research, v. 7, n. 1, p. 5–31, 2000.
FONSECA, C. M.; FLEMING, P. J. An overview of evolutionary algorithms in multiob-jective optimization. Evol. Comput., MIT Press, Cambridge, MA, USA, v. 3, n. 1, p. 1–16,mar. 1995. ISSN 1063-6560. Disponível em: <http://dx.doi.org/10.1162/evco.1995.3.1.1>.
GARZA-FABRE, M.; PULIDO, G.; COELLO, C. Ranking methods for many-objectiveoptimization. In: AGUIRRE, A.; BORJA, R.; GARCIá, C. (Ed.). MICAI 2009:Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2009, (Lecture Notesin Computer Science, v. 5845). p. 633–645. ISBN 978-3-642-05257-6. Disponível em:<http://dx.doi.org/10.1007/978-3-642-05258-356>.
HUBAND, S. et al. A scalable multi-objective test problem toolkit. In: COELLO, C.C.; AGUIRRE, A. H.; ZITZLER, E. (Ed.). Evolutionary Multi-Criterion Optimization.Springer Berlin Heidelberg, 2005, (Lecture Notes in Computer Science, v. 3410). p.280–295. ISBN 978-3-540-24983-2. Disponível em: <http://dx.doi.org/10.1007/978-3-540-31880-420>.
HUBAND, S. et al. A review of multiobjective test problems and a scalable test problemtoolkit. Trans. Evol. Comp, IEEE Press, Piscataway, NJ, USA, v. 10, n. 5, p. 477–506, out.2006. ISSN 1089-778X. Disponível em: <http://dx.doi.org/10.1109/TEVC.2005.861417>.
JIN, H.; WONG, M.-L. Adaptive, convergent, and diversified archiving strategy formultiobjective evolutionary algorithms. Expert Systems With Applications, v. 37, n. 12,p. 8462–8470, December 2010.
KNOWLES, J.; CORNE, D. The Pareto archived evolution strategy: a new baselinealgorithm for Pareto multiobjective optimisation. In: Evolutionary Computation,1999. CEC 99. Proceedings of the 1999 Congress on. [s.n.], 1999. v. 1. Disponível em:<http://dx.doi.org/10.1109/CEC.1999.781913>.
KNOWLES, J.; CORNE, D. Instance generators and test suites for the multiobjectivequadratic assignment problem. In: FONSECA, C. et al. (Ed.). Evolutionary Multi-Criterion Optimization, Second International Conference, EMO 2003, Faro, Portugal,April 2003, Proceedings. [S.l.]: Springer, 2003. (LNCS, 2632), p. 295–310.
KNOWLES, J.; THIELE, L.; ZITZLER, E. A Tutorial on the Performance Assessmentof Stochastic Multiobjective Optimizers. [S.l.], fev. 2006. Revised version.
KNOWLES, J. D. Local-Search and Hybrid Evolutionary Algorithms for ParetoOptimization. Tese (Doutorado) — University of Reading, UK, 2002.
KNOWLES, J. D.; CORNE, D. W. Approximating the nondominated front usingthe pareto archived evolution strategy. Evol. Comput., MIT Press, Cambridge,MA, USA, v. 8, n. 2, p. 149–172, jun. 2000. ISSN 1063-6560. Disponível em:<http://dx.doi.org/10.1162/106365600568167>.
118
KNOWLES, J. D.; CORNE, D. W. Properties of an adaptive archiving algorithm forstoring nondominated vectors. In: IEEE Transactions on Evolutionary Computation.[S.l.]: IEEE Press, 2003. p. 100–116.
KöPPEN, M.; YOSHIDA, K. Substitute distance assignments in nsga-ii for handlingmany-objective optimization problems. In: Proceedings of the 4th InternationalConference on Evolutionary Multi-criterion Optimization. Berlin, Heidelberg:Springer-Verlag, 2007. (EMO’07), p. 727–741. ISBN 978-3-540-70927-5. Disponível em:<http://dl.acm.org/citation.cfm?id=1762545.1762607>.
KRUSKAL, W.; WALLIS, W. Use of ranks in one-criterion variance analysis. Journal ofthe American Statistical Association, p. 583–621, 1952.
KURSAWE, F. A variant of evolution strategies for vector optimization. In: ParallelProblem Solving from Nature. 1st Workshop, PPSN I, volume 496 of Lecture Notes inComputer Science. [S.l.]: Springer-Verlag, 1991. p. 193–197.
LAUMANNS, M.; ZENKLUSEN, R. Stochastic convergence of random search methodsto fixed size pareto front approximations. European Journal of Operational Research,v. 213, p. 414–442, 2011.
LI, H.; ZHANG, Q. Multiobjective optimization problems with complicated pareto sets,MOEA/D and NSGA-II. IEEE Trans. Evolutionary Computation, v. 13, n. 2, p. 284–302,2009. Disponível em: <http://dx.doi.org/10.1109/TEVC.2008.925798>.
LÓPEZ-IBÁÑEZ, M.; KNOWLES, J. D.; LAUMANNS, M. On sequential onlinearchiving of objective vectors. In: Evolutionary Multi-criterion Optimization (EMO2011), Lecture Notes in Computer Science. [S.l.]: Springer, 2011. p. 1–13.
LU, T.-C.; YU, G.-R. An adaptive population multi-objective quantum-inspired evoluti-onary algorithm for multi-objective 0/1 knapsack problems. Information Sciences, maio2013. ISSN 00200255. Disponível em: <http://dx.doi.org/10.1016/j.ins.2013.04.018>.
LUST, T.; TEGHEM, J. The multiobjective multidimensional knapsack problem:a survey and a new approach. CoRR, abs/1007.4063, 2010. Disponível em:<http://dblp.uni-trier.de/db/journals/corr/corr1007.htmlabs-1007-4063>.
LUST, T.; TEGHEM, J. The multiobjective traveling salesman problem: A surveyand a new approach. In: COELLO, C. A. C.; DHAENENS, C.; JOURDAN, L. (Ed.).Advances in Multi-Objective Nature Inspired Computing. Springer, 2010, (Studies inComputational Intelligence, v. 272). p. 119–141. ISBN 978-3-642-11217-1. Disponível em:<http://dblp.uni-trier.de/db/series/sci/sci272.htmlLustT10>.
MEDEIROS, H. G. de; GOLDBARG, E. F. G.; GOLDBARG, M. C. Analyzing limitedsize archivers of multi-objective optimizers. In: Brazilian Conference on IntelligentSystems (BRACIS 2014). [S.l.]: IEEE, 2014. p. 85–90.
POZO, A.; BRITTO, A. B. de. Using archiving methods to control convergence anddiversity for many-objective problems in particle swarm optimization. In: WCCI 2012IEEE World Congress on Computational Intelligence. [S.l.: s.n.], 2012. p. 1–8.
119
SCHAFFER, J. D. Some Experiments in Machine Learning Using Vector EvaluatedGenetic Algorithms (Artificial Intelligence, Optimization, Adaptation, PatternRecognition). Tese (Doutorado), Nashville, TN, USA, 1984. AAI8522492.
STORN, R.; PRICE, K. Differential evolution – a simple and efficient heuristic forglobal optimization over continuous spaces. J. of Global Optimization, Kluwer AcademicPublishers, Hingham, MA, USA, v. 11, n. 4, p. 341–359, dez. 1997. ISSN 0925-5001.Disponível em: <http://dx.doi.org/10.1023/A:1008202821328>.
VIENNET, R.; FONTEIX, C.; MARC, I. Multicriteria optimization using agenetic algorithm for determining a Pareto set. International Journal of SystemsScience, Taylor & Francis, v. 27, n. 2, p. 255–260, fev. 1996. Disponível em:<http://dx.doi.org/10.1080/00207729608929211>.
ZHANG, Q.; LI, H. A multi-objective evolutionary algorithm based on decomposition.IEEE Transactions on Evolutionary Computation, Accepted, v. 2007, 2007.
ZITZLER, E.; DEB, K.; THIELE, L. Comparison of Multiobjective EvolutionaryAlgorithms: Empirical Results. Evolutionary Computation, v. 8, n. 2, p. 173–195, 2000.
ZITZLER, E.; LAUMANNS, M.; THIELE, L. SPEA2: Improving the strength paretoevolutionary algorithm. Evolutionary Methods for Design, Optimisation and Control, p.95–100, 2002.
ZITZLER, E.; THIELE, L. A comparative case study and the strength pareto approach.IEEE Transactions on Evolutionary Computation, IEEE Press, v. 3, n. 4, p. 257–271,1999.
ZITZLER, E. et al. Performance assessment of multiobjective optimizers: an analysisand review. IEEE Transactions on Evolutionary Computation, IEEE Press, v. 7, n. 2, p.117–132, 2003.
120
APÊNDICE A -- Geração de instâncias
#inc lude <iostream>
#inc lude <ctime>
#inc lude <c s td l i b >
#inc lude " So lu t i on . h"
#inc lude <algorithm>
#inc lude <vector>
#inc lude <cs t r i ng >
#inc lude <cmath>
us ing std : : c in ;
us ing std : : cout ;
us ing std : : endl ;
us ing std : : vec to r ;
double rand0to1 ( )
re turn ( ( double ) rand ( ) / ( double )RAND_MAX) ;
//Use :
// . / generate <number_of_solutions> <dimension> <output f i l e > [− t ra sh <n_of_dominated_solutions >]
i n t main ( i n t argc , char ∗∗ argv )
srand ( time ( 0 ) ) ;
i f ( argc < 4)
cout << "Use : . / generate <number_of_solutions> <dimension>"
cout << " <output f i l e > [− t ra sh <number_of_dominated_solutions >]" << endl ;
e x i t ( 0 ) ;
unsigned i n t number_of_solutions = a t o i ( argv [ 1 ] ) , dimension = a t o i ( argv [ 2 ] ) ;
FILE ∗ f i l e = fopen ( argv [ 3 ] , "w" ) ;
i n t number_of_dominated_solutions = 0 ;
i f ( argc > 4)
i f ( ! strcmp ( argv [4 ] ,"− t ra sh ") ) number_of_dominated_solutions = a t o i ( argv [ 5 ] ) ;
So lu t i on : : I n i t i a l i s e ( dimension ) ;
vector<Solut ion> s o l u t i o n s ;
s o l u t i o n s . r e s e r v e ( number_of_solutions ) ;
121
whi le ( s o l u t i o n s . s i z e ( ) != number_of_solutions )
vector<double> o ;
f o r ( i n t i = 0 ; i < dimension ; i++)
o . push_back ( rand0to1 ( ) ) ;
So lu t i on to_add ;
to_add . s e tOb j e c t i v e s ( o ) ;
s o l u t i o n s . push_back ( to_add ) ;
vector<unsigned int> dominated ;
i n t count = 0 ;
f o r ( vector<Solut ion >: : i t e r a t o r i t = s o l u t i o n s . begin ( ) ; i t != s o l u t i o n s . end ( ) ; i t++)
bool isdominated = f a l s e ;
f o r ( i n t i = 0 ; i < s o l u t i o n s . s i z e ( ) && ! isdominated ; i++)
i f ( i t−>dominance ( s o l u t i o n s [ i ] ) == IS_DOMINATED_BY)
dominated . push_back ( count ) ; i sdominated = true ;
count++;
f o r ( i n t i = 0 ; i < dominated . s i z e ( ) ; i++)
bool isdominated_or_domines = true ;
So lu t i on to_replace ;
whi l e ( isdominated_or_domines )
vector<double> o ;
f o r ( i n t j = 0 ; j < dimension ; j++)
o . push_back ( rand0to1 ( ) ) ;
to_replace . s e tOb j e c t i v e s ( o ) ;
isdominated_or_domines = f a l s e ;
f o r ( i n t k = 0 ; k < s o l u t i o n s . s i z e ( ) && ! isdominated_or_domines ; k++)
i f ( to_replace . dominance ( s o l u t i o n s [ k ] ) != NONDOMINATED)
isdominated_or_domines = true ;
s o l u t i o n s [ dominated [ i ] ] = to_replace ;
cout << "Replac ing " << dominated [ i ] << endl ;
// ! Adding dominated s o l u t i o n s
f o r ( i n t i = 0 ; i < number_of_dominated_solutions ; i++)
vector<double> o ;
r e c : ;
o . c l e a r ( ) ;
f o r ( i n t i = 0 ; i < dimension ; i++)
o . push_back ( rand0to1 ( ) ) ;
So lu t i on to_add ;
to_add . s e tOb j e c t i v e s ( o ) ;
122
bool added = f a l s e ;
f o r ( i n t k = 0 ; k < s o l u t i o n s . s i z e ( ) ; k++)
i f ( to_add . dominance ( s o l u t i o n s [ k ] ) == IS_DOMINATED_BY)
s o l u t i o n s . push_back ( to_add ) ; added = true ; break ;
i f ( ! added ) goto rec ;
random_shuff le ( s o l u t i o n s . begin ( ) , s o l u t i o n s . end ( ) ) ;
f o r ( i n t i = 0 ; i < s o l u t i o n s . s i z e ( ) ; i++)
f o r ( i n t j = 0 ; j < dimension ; j++)
f p r i n t f ( f i l e ,"% f " , s o l u t i o n s [ i ] . o [ j ] ) ;
i f ( j != dimension−1) f p r i n t f ( f i l e , " " ) ;
f p r i n t f ( f i l e , "\ n " ) ;
123
APÊNDICE B -- Tabelas e Gráficos deResultados
Este apêndice se propõe a mostrar os resultados completos obtidos pelos algoritmos
em todos os experimentos realizados neste trabalho, por meio de gráficos e tabelas.
B.1 Resultados NSGA-II
Nesta seção são mostrados os resultados do NSGA-II, aplicado inicialmente ao Pro-
blema da Mochila, Problemas DTLZ1 e DTLZ2, e em seguida ao Problema Quadrático
de Alocação, Problemas WFG, Problemas LZ09, Kursawe, Viennet2 e Viennet3.
B.1.1 Problema da Mochila
As Tabelas 65 a 76 mostram os resultados de hipervolume ao longo das iterações
obtidos por cada variante do algoritmo NSGA-II aplicado ao Problema da Mochila. É
apresentado o hipervolume médio, considerando que foram feitas 30 execuções para cada
configuração variante × instância. A descrição das instâncias é dada na Seção 5.2.1. A
Figura 19 ilustra estas tabelas em um gráfico que relaciona hipervolume e iterações.
124
0 100 200 300 4001.2
1.3
1.4
1.5
·107
Iteração
Hyp
ervo
lume
Instância 100–2
CleanRandomCrowdVerif
(a) Instância 100–2
0 100 200 300 400
4
4.5
5
5.5
·1010
IteraçãoHyp
ervo
lume
Instância 100–3
CleanRandomCrowdVerif
(b) Instância 100–3
0 100 200 300 400
1.2
1.4
1.6
1.8
·1014
Iteração
Hyp
ervo
lume
Instância 100–4
CleanRandomCrowdVerif
(c) Instância 100–4
0 100 200 300 400
7
8
9
·107
Iteração
Hyp
ervo
lume
Instância 250–2
CleanRandomCrowdVerif
(d) Instância 250–2
0 100 200 300 400
5
6
7
·1011
Iteração
Hyp
ervo
lume
Instância 250–3
CleanRandomCrowdVerif
(e) Instância 250–3
0 100 200 300 400
3.5
4
4.5
5
5.5
6
·1015
IteraçãoHyp
ervo
lume
Instância 250–4
CleanRandomCrowdVerif
(f) Instância 250–4
0 100 200 300 400
3
3.5
·108
Iteração
Hyp
ervo
lume
Instância 500–2
CleanRandomCrowdVerif
(g) Instância 500–2
0 100 200 300 4003.5
4
4.5
5
5.5
6·1012
Iteração
Hyp
ervo
lume
Instância 500–3
CleanRandomCrowdVerif
(h) Instância 500–3
0 100 200 300 400
5
6
7
8
·1016
Iteração
Hyp
ervo
lume
Instância 500–4
CleanRandomCrowdVerif
(i) Instância 500–4
0 100 200 300 4005
6
7
8·108
Iteração
Hyp
ervo
lume
Instância 750–2
CleanRandomCrowdVerif
(j) Instância 750–2
0 100 200 300 400
1.2
1.4
1.6
1.8
·1013
Iteração
Hyp
ervo
lume
Instância 750–3
CleanRandomCrowdVerif
(k) Instância 750–3
0 100 200 300 400
2.5
3
3.5
4
·1017
Iteração
Hyp
ervo
lume
Instância 750–4
CleanRandomCrowdVerif
(l) Instância 750–4
Figura 19: Resultados do NSGA-II para o Problema da Mochila.
125
Tabela 65: Hipervolume NSGA-II – Problema da Mochila 100–2
Iteração clean crowdd random verif100 14566107 14556754 14486742 14574377200 14819487 14840487 14730963 14817661300 14960571 14967756 14841861 14947576400 15037955 15024254 14930155 15044042
Tabela 66: Hipervolume NSGA-II – Problema da Mochila 100–3
Iteração clean crowdd random verif100 51816286571 51701611450 51045279606 51846358386200 53593426928 53613642951 52779919084 53673135777300 54476124206 54760078625 53717940328 54663032612400 55054256604 55396776689 54141263464 55205768410
Tabela 67: Hipervolume NSGA-II – Problema da Mochila 100–4
Iteração clean crowdd random verif100 163836160346414 162853874613885 158722354198091 164028246755118200 172202448314797 172637224597789 167546686305866 174255630086306300 176214972478156 177300132576003 171395635421570 179025118310262400 178188889905270 179880757283362 173888490888413 182090585216737
126
Tabela 68: Hipervolume NSGA-II – Problema da Mochila 250–2
Iteração clean crowdd random verif100 90442278 90188215 90385855 90378364200 93788898 93497982 93403515 93723102300 94890679 94687257 94597904 94833500400 95578701 95363703 95236807 95418561
Tabela 69: Hipervolume NSGA-II – Problema da Mochila 250–3
Iteração clean crowdd random verif100 632932366236 633692067365 629931219597 635117342212200 680489801572 678793526719 670327755958 681962752703300 701055100525 701674075320 692459701523 705473135702400 715597078096 713781423056 702664471445 718354748583
Tabela 70: Hipervolume NSGA-II – Problema da Mochila 250–4 (∗1015)
Iteração clean crowdd random verif100 5,00010 4,95530 4,86567 4,98655200 5,49932 5,49629 5,32551 5,50684300 5,77650 5,77892 5,56024 5,83048400 5,95334 5,95839 5,67756 6,04333
Tabela 71: Hipervolume NSGA-II – Problema da Mochila 500–2
Iteração clean crowdd random verif100 344036165 343982753 343311629 344190105200 371541511 371519826 371063708 372690855300 381173226 380765814 380027286 381429981400 386292092 385696350 385189838 386173473
Tabela 72: Hipervolume NSGA-II – Problema da Mochila 500–3
Iteração clean crowdd random verif100 4915129784984 4892004605203 4867124477392 4921130850874200 5365341754808 5364412343189 5309831584913 5365003736773300 5612085259458 5621265127738 5550666082408 5642587275765400 5793685097514 5790860194248 5703311296120 5808622729435
Tabela 73: Hipervolume NSGA-II – Problema da Mochila 500–4 (∗1016)
Iteração clean crowdd random verif100 6,808150 6,766387 6,699898 6,834691200 7,608194 7,588367 7,443245 7,625199300 8,082048 8,046600 7,894689 8,097846400 8,424246 8,350747 8,174051 8,470749
127
Tabela 74: Hipervolume NSGA-II – Problema da Mochila 750–2
Iteração clean crowdd random verif100 658717003 657486176 654571330 656966354200 726421402 727051186 724397634 727133218300 757829007 759258479 757632090 758209768400 774884269 775810569 773804078 775571941
Tabela 75: Hipervolume NSGA-II – Problema da Mochila 750–3
Iteração clean crowdd random verif100 14437913466499 14416106480930 14344473456892 14468299972814200 16104495753852 16029041722685 16004085468085 16145321037148300 17102438085528 17062316010078 17043489846848 17145806491087400 17729698157891 17707991126255 17651023832111 17785713279584
Tabela 76: Hipervolume NSGA-II – Problema da Mochila 750–4 (∗1017)
Iteração clean crowdd random verif100 3,2134368 3,1916621 3,1823251 3,2141559200 3,5618029 3,5307931 3,5220452 3,5613618300 3,7896687 3,7573604 3,7349818 3,7984867400 3,9577930 3,9220475 3,9090764 3,9798421
128
B.1.2 Problemas DTLZ
Nesta seção são mostrados os resultados completos obtidos pelos métodos de recicla-
gem no NSGA-II para os problemas DTLZ1 e DTLZ2. As discussões sobre estes resultados
estão na Seção 5.2.2.
B.1.2.1 DTLZ1
Esta seção apresenta a média dos indicadores verificados para o problema DTLZ1, As
Tabelas 77 a 79 mostram os resultados de hipervolume por iteração, e as Tabelas 80 e 81
mostra os resultados de ε-aditivo para 2 e 3 dimensões.
Tabela 77: Resultados de hipervolume – NSGA-II para o problema DTLZ1–2D.
Iteração clean crowdd random verif20 999098 998893 998626 99909440 999432 999278 998920 99940960 999508 999347 999136 99954180 999571 999376 999148 999616100 999597 999388 999227 999635
Tabela 78: Resultados de hipervolume – NSGA-II para o problema DTLZ1–3D.
Iteração clean crowdd random verif20 999984079 999955341 999896159 99998739840 999988841 999971470 999972127 99999195660 999991270 999984734 999952244 99999383980 999992006 999987221 999928755 999994816100 999992280 999990834 999462555 999995667
Tabela 79: Resultados de hipervolume – NSGA-II para o problema DTLZ1–4D.
Iteração clean crowdd random verif20 999998360503 999990365307 999980691392 99999834498840 999998943631 999998025481 999996408261 99999987997760 999999308895 999997576865 999999080690 99999989897280 999999424364 999997667582 999999404100 999999938042100 999999253467 999998129447 999995722720 999999945338
B.1.2.2 DTLZ2
Esta seção apresenta a média dos indicadores verificados para o problema DTLZ2, As
Tabelas 82 a 84 mostram os resultados de hipervolume por iteração, e as Tabelas 85 e 86
mostra os resultados de ε-aditivo para 2 e 3 dimensões.
129
Tabela 80: Resultados de ε-aditivo – NSGA-II para o problema DTLZ1–2D.
Iteração clean crowdd random verif20 21,8742 25,4614 28,4171 23,057440 18,386 20,1816 26,7752 19,113460 17,2966 19,4503 23,1917 16,669480 16,2902 19,3203 23,8517 14,8464100 16,0135 18,3251 23,3859 14,5794
Tabela 81: Resultados de ε-aditivo – NSGA-II para o problema DTLZ1–3D.
Iteração clean crowdd random verif20 14,5771 14,9554 14,7445 13,807440 14,2892 13,6036 14,1045 12,220160 12,8274 14,0816 13,1497 11,913580 13,0876 13,4154 14,5444 11,4831100 13,0724 12,6211 15,6844 10,4197
Tabela 82: Resultados de hipervolume – NSGA-II para o problema DTLZ2–2D.
Iteração clean crowdd random verif20 5,36702 5,34625 5,2481 5,3694740 5,40471 5,36817 5,23978 5,4072760 5,41184 5,38089 5,24873 5,4164680 5,41411 5,39507 5,21501 5,42139100 5,41671 5,38656 5,22956 5,42392
Tabela 83: Resultados de hipervolume – NSGA-II para o problema DTLZ2–3D.
Iteração clean crowdd random verif20 25,6581 25,559 25,6335 25,793540 25,6594 25,6589 25,8463 25,937560 25,6321 25,6623 25,8986 26,014480 25,6278 25,7388 25,8607 26,0293100 25,6556 25,7029 25,8596 26,0759
Tabela 84: Resultados de hipervolume – NSGA-II para o problema DTLZ2–3D.
Iteração clean crowdd random verif20 76,3613 76,5091 77,6166 78,268140 75,1571 76,0601 78,2784 78,769360 73,47 75,0409 78,5559 79,040580 71,9132 74,92 78,7052 79,1644100 70,7362 74,2019 78,8616 79,228
130
Tabela 85: Resultados de ε-aditivo – NSGA-II para o problema DTLZ2–2D.
Iteração clean crowdd random verif20 0,0838854 0,102558 0,1725 0,082036440 0,056533 0,0992225 0,151606 0,054352560 0,0556095 0,0946639 0,139743 0,050628880 0,0551787 0,0885547 0,144443 0,0465791100 0,0520128 0,0941651 0,147957 0,046772
Tabela 86: Resultados de ε-aditivo – NSGA-II para o problema DTLZ2–3D.
Iteração clean crowdd random verif20 0,377217 0,420123 0,388384 0,35306940 0,382586 0,395089 0,325606 0,32604360 0,377323 0,412412 0,324878 0,31014180 0,391586 0,393481 0,293156 0,301231100 0,386454 0,408227 0,29023 0,287604
131
B.1.3 Problema Quadrático de Alocação
Esta seção mostra os resultados completos para o Problema Quadrático de Alocação,
obtidos pelo NSGA-II. As Tabelas de 87 a 96 mostram o valor de hipervolume ao longo
das iterações, e as Tabelas de 97 a 106 mostram o valor do indicador ε-aditivo.
Tabela 87: Hipervolumes – NSGAII – PQA10-2 Semente 123
Iteração Clean Crowdd Random Verif50 (1010) 1,76806 1,78527 1,78053 1,77751100 (1010) 1,80917 1,80504 1,81538 1,80925150 (1010) 1,82728 1,81789 1,82536 1,81502200 (1010) 1,83095 1,82332 1,82799 1,82049250 (1010) 1,83343 1,82502 1,82996 1,82332300 (1010) 1,83483 1,82749 1,83215 1,82677350 (1010) 1,83636 1,8274 1,83387 1,82984
Tabela 88: Hipervolumes – NSGAII – PQA10-2 Semente 215
Iteração Clean Crowdd Random Verif50 (1010) 1,31449 1,32254 1,31877 1,3334100 (1010) 1,34079 1,34226 1,34411 1,35251150 (1010) 1,34908 1,35079 1,35476 1,35785200 (1010) 1,35305 1,3618 1,3567 1,36219250 (1010) 1,35877 1,3646 1,35899 1,36649300 (1010) 1,36217 1,36528 1,36352 1,36923350 (1010) 1,36394 1,36794 1,36728 1,37367
Tabela 89: Hipervolumes – NSGAII – PQA10-3 Semente 155
Iteração Clean Crowdd Random Verif50 (1015) 1,25954 1,269 1,24795 1,28199100 (1015) 1,30956 1,29986 1,29025 1,31707150 (1015) 1,32529 1,31114 1,29793 1,33468200 (1015) 1,33632 1,31464 1,3082 1,3501250 (1015) 1,34058 1,31349 1,31272 1,36036300 (1015) 1,34358 1,31305 1,3194 1,36379350 (1015) 1,34969 1,31179 1,3199 1,3668
132
Tabela 90: Hipervolumes – NSGAII – PQA10-3 Semente 256
Iteração Clean Crowdd Random Verif50 (1014) 7,6775 7,5669 7,53623 7,77643100 (1014) 7,91466 7,8106 7,74029 8,07342150 (1014) 7,99052 7,86957 7,82563 8,19229200 (1014) 8,0498 7,88122 7,86838 8,29749250 (1014) 8,07181 7,91072 7,87981 8,32736300 (1014) 8,08248 7,87157 7,91889 8,34668350 (1014) 8,13509 7,86628 7,94865 8,36112
Tabela 91: Hipervolumes – NSGAII – PQA20-2 Semente 88
Iteração Clean Crowdd Random Verif50 (1011) 1,02108 1,01424 1,02159 1,02321100 (1011) 1,09858 1,08867 1,09959 1,1036150 (1011) 1,14226 1,12812 1,13028 1,13843200 (1011) 1,15857 1,14985 1,15946 1,15658250 (1011) 1,17418 1,16358 1,17434 1,17207300 (1011) 1,18696 1,17119 1,18154 1,18354350 (1011) 1,1984 1,18163 1,19524 1,19181
Tabela 92: Hipervolumes – NSGAII – PQA20-2 Semente 124
Iteração Clean Crowdd Random Verif50 (1010) 7,0513 7,10773 7,15871 7,18039100 (1010) 7,71649 7,7576 7,82745 7,74186150 (1010) 8,00524 8,06037 8,10204 8,08445200 (1010) 8,16251 8,23908 8,29112 8,20938250 (1010) 8,32567 8,39435 8,41258 8,30297300 (1010) 8,40703 8,46636 8,54773 8,40333350 (1010) 8,48804 8,54851 8,63327 8,48789
Tabela 93: Hipervolumes – NSGAII – PQA20-3 Semente 588
Iteração Clean Crowdd Random Verif50 (1016) 2,2043 2,20363 2,2219 2,23748100 (1016) 2,49444 2,47871 2,47328 2,51646150 (1016) 2,60415 2,59725 2,58247 2,63488200 (1016) 2,67713 2,67478 2,66867 2,71925250 (1016) 2,74226 2,73604 2,69749 2,76101300 (1016) 2,79377 2,78333 2,74386 2,81274350 (1016) 2,83399 2,82592 2,7673 2,86621
133
Tabela 94: Hipervolumes – NSGAII – PQA20-3 Semente 3438
Iteração Clean Crowdd Random Verif50 (1016) 2,94808 2,94895 2,95717 3,01238100 (1016) 3,27161 3,22862 3,28441 3,2907150 (1016) 3,42603 3,40437 3,38132 3,46763200 (1016) 3,50871 3,49864 3,4682 3,5752250 (1016) 3,5819 3,56678 3,52854 3,65949300 (1016) 3,62733 3,62387 3,5561 3,7253350 (1016) 3,65508 3,65893 3,61402 3,78195
Tabela 95: Hipervolumes – NSGAII – PQA20-4 Semente 2377
Iteração Clean Crowdd Random Verif50 (1021) 3,23 3,15689 3,21901 3,39157100 (1021) 3,49175 3,51468 3,57293 3,86772150 (1021) 3,70214 3,66374 3,75918 4,09965200 (1021) 3,79641 3,72774 3,87752 4,25661250 (1021) 3,86401 3,799 3,98474 4,37425300 (1021) 3,94987 3,81841 4,12126 4,50959350 (1021) 3,96036 3,85571 4,13538 4,59737
Tabela 96: Hipervolumes – NSGAII – PQA20-4 Semente 9813
Iteração Clean Crowdd Random Verif50 (1021) 1,78608 1,76914 1,75408 1,83251100 (1021) 2,04569 2,01807 1,99809 2,11146150 (1021) 2,13757 2,11703 2,15528 2,29008200 (1021) 2,19185 2,20006 2,25324 2,4071250 (1021) 2,21696 2,24912 2,32313 2,49734300 (1021) 2,26179 2,28072 2,38606 2,5926350 (1021) 2,28422 2,30008 2,43585 2,6408
134
Tabela 97: ε-aditivo – NSGAII – PQA10-2 Semente 123
Iteração Clean Crowdd Random Verif50 7511,8 7516,47 7286 7253,4100 6255,73 6537,53 6103,53 6228,47150 5574,8 5873,27 5593,2 5832,6200 5221,53 5641,73 5378,8 5576,67250 5168,07 5454 5352,2 5509,93300 5151,33 5376,4 5267,93 5509,93350 5151,33 5394,4 5167,53 5490,2
Tabela 98: ε-aditivo – NSGAII – PQA10-2 Semente 215
Iteração Clean Crowdd Random Verif50 10087,5 9852,93 9839,27 9309,13100 8567,33 8766,27 8614,8 8298,4150 7930,2 8013,47 7868,27 7860200 7690,13 7364,67 7583 7545,8250 7119,27 6968,33 7329,87 7294,8300 6956,33 6922,4 7007,6 6862,8350 6771,8 6662,87 6493,33 6478,4
Tabela 99: ε-aditivo – NSGAII – PQA10-3 Semente 155
Iteração Clean Crowdd Random Verif50 13302,7 13987,4 13651,1 12328,9100 11436,3 14738,8 12497,3 11513,8150 11518,3 15356,9 11817,6 10886,7200 10909 15550,1 11430,5 10129,9250 11211,9 15544,3 11810,1 10082,9300 11219,3 16363,1 11906,1 9759,4350 11288,5 18100,3 12081,6 9692,53
135
Tabela 100: ε-aditivo – NSGAII – PQA10-3 Semente 256
Iteração Clean Crowdd Random Verif50 11970,5 14293,6 12012,4 10896,5100 11270,3 14838,8 11846,8 10000150 12016,2 15767,7 11436,3 9469,8200 11742,1 15772,7 11542,9 9588,13250 12515,5 16243,8 11037,3 9543,53300 12352,7 16957,1 11542,2 9105,07350 12059,9 17693,1 11425,1 9221,53
Tabela 101: ε-aditivo – NSGAII – PQA20-2 Semente 88
Iteração Clean Crowdd Random Verif50 59188,8 61910,8 58601,3 57957,6100 47056,4 48011 45977,3 46745,8150 39419,8 42044,9 41889,1 41784,9200 37305,3 38948,9 36166,2 38395,1250 34632,9 36315,4 33757,2 35455,5300 32690,3 35348,8 33006 33258,1350 31100,1 33921,3 31593,7 31900
Tabela 102: ε-aditivo – NSGAII – PQA20-2 Semente 124
Iteração Clean Crowdd Random Verif50 62387,2 60108,7 59650,6 58999,9100 49449,7 48528,7 45972,1 48478,1150 43121,5 42939,3 40712,5 42636,1200 39821,9 39989,7 36206,6 40452,3250 37083,3 36452,5 33614,2 39201,8300 35710,6 35661,1 31326,9 37502,9350 33768,6 34749,2 30044,2 35621,9
Tabela 103: ε-aditivo – NSGAII – PQA20-3 Semente 588
Iteração Clean Crowdd Random Verif50 65563,3 67111,5 66522,4 64889,3100 54022,4 56955,1 56655,2 54113150 51237,1 53690,2 52887,9 49243,3200 49407,4 53700,2 49324,7 45695,5250 48179,3 52878,5 48824,9 44815,1300 46748,9 53016,1 48653 43076,3350 47350,6 51118,5 46037,6 41298,3
136
Tabela 104: ε-aditivo – NSGAII – PQA20-3 Semente 3438
Iteração Clean Crowdd Random Verif50 67237,9 68191,9 67849,1 65711,2100 55929,9 60092 58880 56916,4150 52835,7 58285 55014,7 51634,9200 51833 58922,9 52576,7 47906,5250 51328,1 56121,7 50552,3 45666,7300 51646,2 56705,4 50251,4 43917,4350 51649,3 56612,9 49817 43262,6
Tabela 105: ε-aditivo – NSGAII – PQA20-4 Semente 2377
Iteração Clean Crowdd Random Verif50 80743,5 84863,5 81901,1 77857,9100 79840,8 82713,3 74586,3 70338,1150 77750,1 83661,6 71938,2 68170,7200 79335 86433,2 70861,9 65962,9250 76538,4 85615,7 67852,1 65059,5300 79923 85988,2 67232,6 63881,3350 79495,6 87129,7 66367,7 63318,1
Tabela 106: ε-aditivo – NSGAII – PQA20-4 Semente 9813
Iteração Clean Crowdd Random Verif50 72309,2 75093,3 74073,1 70683,6100 66848,7 70311 67527,9 63966,1150 66287,9 72281,1 63369,5 61892,6200 66811,1 71110,3 60722,3 58293,7250 67019,7 71207,8 59256,3 57676,8300 66429,7 72888,7 60927,9 56418,2350 66746,3 72271,3 57619,1 55261,7
137
B.1.4 Problemas WFG
Esta seção apresenta os resultados obtidos pelo NSGAII para os problemas WFG. As
Tabelas 107 a 115 mostram os hipervolumes a cada 50 iterações, e as Tabelas 116 a 124
mostram o indicador ε-aditivo.
Tabela 107: Hipervolumes – NSGAII – WFG1
Iteração Clean Crowdd Random Verif50 721,178 720,921 715,529 721,267100 764,071 770,305 760,416 772,513150 813,409 815,808 794,918 817,08200 850,578 856,727 835,764 853,872250 892,255 895,021 871,913 889,6300 924,478 933,579 894,784 923,871350 953,868 964,785 924,646 954,041
Tabela 108: Hipervolumes – NSGAII – WFG2
Iteração Clean Crowdd Random Verif50 980,525 978,681 978,335 981,197100 987,487 989,888 986,648 992,7150 992,587 990,289 991,489 993,608200 992,998 990,814 992,308 993,958250 993,192 990,755 992,772 994,239300 993,151 990,748 993,069 994,416350 993,311 990,569 993,182 994,505
Tabela 109: Hipervolumes – NSGAII – WFG3
Iteração Clean Crowdd Random Verif50 906,961 898,941 894,753 907,394100 911,979 903,697 893,052 913,132150 913,856 905,184 896,715 914,669200 914,635 905,696 898,964 915,447250 914,801 905,92 894,217 915,949300 914,904 906,625 889,681 915,959350 914,689 906,513 895,842 916,233
138
Tabela 110: Hipervolumes – NSGAII – WFG4
Iteração Clean Crowdd Random Verif50 955,897 957,01 919,524 957,433100 964,049 963,414 924,579 965,014150 965,493 964,902 922,447 967,042200 966,507 966,02 925,067 967,365250 966,943 966,331 921,967 968,218300 967,091 966,757 928,162 968,596350 967,403 966,957 916,704 968,759
Tabela 111: Hipervolumes – NSGAII – WFG5
Iteração Clean Crowdd Random Verif50 941,673 940,509 918,929 942,343100 947,368 945,499 916,035 947,97150 949,18 948,588 917,689 949,551200 950,185 949,287 916,717 950,765250 950,976 950,018 916,619 951,067300 951,144 950,817 926,028 951,745350 951,744 951,078 923,705 952,23
Tabela 112: Hipervolumes – NSGAII – WFG6
Iteração Clean Crowdd Random Verif50 944,61 943,053 919,962 945,836100 953,701 951,687 916,582 954,568150 955,416 955,031 924,631 957,124200 957,12 956,033 916,874 958,407250 958,204 957,258 921,895 959,404300 959,172 958,021 919,82 960,218350 960,211 958,573 910,086 961,008
Tabela 113: Hipervolumes – NSGAII – WFG7
Iteração Clean Crowdd Random Verif50 957,668 956,635 929,173 959,123100 964,305 963,84 933,146 965,754150 966,041 966,041 934,759 967,504200 966,989 966,77 929,287 968,097250 967,042 966,989 928,664 968,469300 967,186 967,088 933,898 968,867350 967,314 967,207 937,514 968,947
139
Tabela 114: Hipervolumes – NSGAII – WFG8
Iteração Clean Crowdd Random Verif50 900,531 899,226 853,966 902,766100 915,142 915,217 849,496 917,977150 919,096 919,508 861,889 922,714200 921,47 922,083 854,552 926,606250 922,671 923,878 842,364 929,041300 923,775 925,007 856,169 929,549350 924,822 925,512 849,575 930,046
Tabela 115: Hipervolumes – NSGAII – WFG9
Iteração Clean Crowdd Random Verif50 945,862 945,524 919,535 947,884100 950,727 951,489 924,254 952,065150 953,239 954,157 918,348 954,81200 952,889 954,775 910,252 956,071250 954,684 955,728 918,117 956,842300 954,764 956,585 913,661 958,123350 956,12 956,973 916,937 958,426
140
Tabela 116: ε-aditivo – NSGAII – WFG1
Iteração Clean Crowdd Random Verif50 1,61913 1,61934 1,65017 1,61848100 1,35898 1,35686 1,39919 1,31058150 1,15624 1,19261 1,19615 1,13223200 1,02031 1,17148 1,07117 0,984142250 0,849071 1,04622 0,926172 0,86221300 0,732142 1,00986 0,841289 0,732698350 0,633568 0,87443 0,74408 0,633421
Tabela 117: ε-aditivo – NSGAII – WFG2
Iteração Clean Crowdd Random Verif50 0,48837 0,71268 0,47526 0,458394100 0,500285 0,680898 0,439179 0,411207150 0,44109 0,74056 0,400221 0,405919200 0,438431 0,737251 0,381561 0,380871250 0,445152 0,772687 0,386208 0,415859300 0,472893 0,78874 0,407504 0,382199350 0,448614 0,796774 0,376111 0,384335
Tabela 118: ε-aditivo – NSGAII – WFG3
Iteração Clean Crowdd Random Verif50 0,326155 0,755852 0,318874 0,307261100 0,330588 0,751481 0,386626 0,302156150 0,293585 0,757836 0,359495 0,296053200 0,285592 0,756197 0,341375 0,277967250 0,28137 0,754916 0,402496 0,261391300 0,282227 0,739885 0,450136 0,258729350 0,307676 0,748593 0,386407 0,266694
141
Tabela 119: ε-aditivo – NSGAII – WFG4
Iteração Clean Crowdd Random Verif50 0,646371 0,65552 1,16667 0,611371100 0,556827 0,663496 0,990431 0,540804150 0,56853 0,672321 1,15681 0,523901200 0,546106 0,675882 1,05196 0,521216250 0,546409 0,680842 1,17039 0,512597300 0,551544 0,663003 1,10891 0,493684350 0,556845 0,674162 1,13612 0,486716
Tabela 120: ε-aditivo – NSGAII – WFG5
Iteração Clean Crowdd Random Verif50 0,618216 0,710435 0,920785 0,615017100 0,59641 0,665216 0,94527 0,574661150 0,602874 0,666834 0,929164 0,601401200 0,589331 0,667828 0,997005 0,57912250 0,579016 0,652754 0,994573 0,595065300 0,605351 0,657829 0,761234 0,563246350 0,575137 0,669175 0,822482 0,558334
Tabela 121: ε-aditivo – NSGAII – WFG6
Iteração Clean Crowdd Random Verif50 0,63542 0,721298 0,982021 0,617271100 0,602287 0,638687 1,11641 0,582531150 0,589313 0,660555 0,949853 0,571193200 0,610469 0,726428 1,09364 0,557932250 0,593401 0,692055 1,04071 0,539481300 0,580264 0,678573 1,08168 0,55329350 0,557538 0,663632 1,09092 0,54855
Tabela 122: ε-aditivo – NSGAII – WFG7
Iteração Clean Crowdd Random Verif50 0,602873 0,677615 0,900503 0,581537100 0,570972 0,67574 0,858513 0,540942150 0,555979 0,607386 0,881127 0,517171200 0,564229 0,632367 0,961134 0,523654250 0,563762 0,649632 0,914535 0,532973300 0,576211 0,63329 0,934261 0,509607350 0,575516 0,633096 0,860819 0,521042
142
Tabela 123: ε-aditivo – NSGAII – WFG8
Iteração Clean Crowdd Random Verif50 0,938077 0,980011 1,45457 0,891588100 0,861105 0,937233 1,58917 0,831179150 0,85928 0,915484 1,43917 0,803578200 0,872511 0,925306 1,60728 0,767227250 0,84189 0,917192 1,76024 0,777446300 0,848856 0,929088 1,65901 0,782539350 0,834687 0,929142 1,5933 0,779511
Tabela 124: ε-aditivo – NSGAII – WFG9
Iteração Clean Crowdd Random Verif50 0,622911 0,6661 0,931159 0,602997100 0,579128 0,664962 0,940803 0,561734150 0,580497 0,636032 0,949406 0,531841200 0,57088 0,652802 1,0045 0,531157250 0,580504 0,674718 0,927638 0,543398300 0,571788 0,654307 0,867898 0,528341350 0,582878 0,703154 0,886194 0,524031
143
B.1.5 Problemas LZ09
Esta seção apresenta os resultados obtidos pelo NSGAII para os Problemas LZ09. As
Tabelas 125 a 133 mostram os hipervolumes a cada 50 iterações, e as Tabelas 134 a 142
mostram o indicador ε-aditivo.
Tabela 125: Hipervolumes – NSGAII – LZ09F1
Iteração Clean Crowdd Random Verif50 3,45855 3,44312 3,44398 3,45875100 3,5446 3,52083 3,52501 3,55028150 3,59258 3,56602 3,57486 3,59765200 3,61476 3,59462 3,59274 3,62665250 3,62859 3,60787 3,61009 3,6377300 3,63392 3,617 3,61476 3,64185350 3,63573 3,62422 3,61839 3,64383
Tabela 126: Hipervolumes – NSGAII – LZ09F2
Iteração Clean Crowdd Random Verif50 2,96388 2,96332 2,96247 2,96388100 3,15281 3,15106 3,15768 3,15281150 3,18331 3,18823 3,18515 3,18324200 3,19189 3,20048 3,17718 3,19184250 3,19827 3,20636 3,19062 3,19715300 3,20339 3,21162 3,16959 3,20402350 3,20746 3,21493 3,17162 3,20868
Tabela 127: Hipervolumes – NSGAII – LZ09F3
Iteração Clean Crowdd Random Verif50 3,19555 3,19262 3,18688 3,19556100 3,32975 3,30778 3,2939 3,32976150 3,37245 3,35812 3,32395 3,36996200 3,39231 3,385 3,34798 3,39285250 3,40789 3,40102 3,3562 3,40961300 3,41764 3,40804 3,34855 3,42021350 3,42461 3,41566 3,34749 3,42789
144
Tabela 128: Hipervolumes – NSGAII – LZ09F4
Iteração Clean Crowdd Random Verif50 3,20793 3,20225 3,19794 3,20794100 3,32426 3,3164 3,30977 3,32799150 3,36429 3,35011 3,34245 3,36625200 3,38449 3,37029 3,35996 3,39743250 3,4066 3,38214 3,37423 3,41087300 3,41928 3,38932 3,38943 3,42108350 3,42675 3,39448 3,39189 3,42884
Tabela 129: Hipervolumes – NSGAII – LZ09F5
Iteração Clean Crowdd Random Verif50 3,29022 3,28448 3,27992 3,29026100 3,41169 3,40287 3,39223 3,41194150 3,44863 3,44118 3,41895 3,45231200 3,46844 3,4574 3,44627 3,47171250 3,47893 3,46619 3,42613 3,48441300 3,48644 3,46826 3,42331 3,49129350 3,49136 3,47601 3,4494 3,49722
Tabela 130: Hipervolumes – NSGAII – LZ09F6
Iteração Clean Crowdd Random Verif50 997,316 996,722 997,411 997,515100 998,945 998,495 998,894 999,158150 999,619 998,12 999,603 999,963200 999,905 999,318 999,955 999,982250 999,952 999,464 999,976 999,995300 999,957 999,611 999,986 999,998350 999,953 999,419 999,99 999,998
Tabela 131: Hipervolumes – NSGAII – LZ09F7
Iteração Clean Crowdd Random Verif50 2,37903 2,37815 2,37515 2,37903100 2,67226 2,67824 2,66122 2,67226150 2,75285 2,75552 2,74002 2,75765200 2,77535 2,77644 2,77708 2,77929250 2,7874 2,78246 2,78361 2,78681300 2,7906 2,78717 2,7877 2,79044350 2,79434 2,79032 2,78125 2,79392
145
Tabela 132: Hipervolumes – NSGAII – LZ09F8
Iteração Clean Crowdd Random Verif50 2,21473 2,21051 2,21152 2,21473100 2,58432 2,56101 2,56376 2,58432150 2,70967 2,7285 2,70247 2,70862200 2,78613 2,78165 2,76863 2,78599250 2,82387 2,81305 2,80605 2,82387300 2,83666 2,83024 2,82947 2,83655350 2,84406 2,84093 2,84325 2,84389
Tabela 133: Hipervolumes – NSGAII – LZ09F9
Iteração Clean Crowdd Random Verif50 2,55913 2,55871 2,55739 2,55913100 2,76779 2,77408 2,77002 2,76779150 2,81509 2,81822 2,81334 2,81516200 2,83058 2,83634 2,82589 2,83059250 2,83954 2,84404 2,83739 2,83848300 2,84516 2,84976 2,81195 2,8434350 2,84832 2,85266 2,80811 2,84663
146
Tabela 134: ε-aditivo – NSGAII – LZ09F1
Iteração Clean Crowdd Random Verif50 0,136372 0,140619 0,143006 0,136372100 0,0900726 0,126848 0,108065 0,0881943150 0,0603278 0,112126 0,0780737 0,0579919200 0,0478924 0,0998237 0,0705584 0,041397250 0,0402807 0,0924273 0,0590966 0,0341221300 0,0369466 0,0892964 0,0591558 0,0312838350 0,0367758 0,0770809 0,0529393 0,0305161
Tabela 135: ε-aditivo – NSGAII – LZ09F2
Iteração Clean Crowdd Random Verif50 0,344183 0,344183 0,345016 0,344183100 0,291704 0,290925 0,289401 0,291704150 0,282834 0,279649 0,280609 0,282857200 0,279819 0,275069 0,28517 0,2798250 0,277941 0,274119 0,280876 0,278015300 0,276452 0,272411 0,284796 0,272733350 0,274892 0,271015 0,28426 0,27183
Tabela 136: ε-aditivo – NSGAII – LZ09F3
Iteração Clean Crowdd Random Verif50 0,269977 0,269977 0,272238 0,269977100 0,236352 0,242102 0,256824 0,236165150 0,222629 0,224139 0,251294 0,223803200 0,214608 0,214928 0,237106 0,214308250 0,207649 0,208259 0,234556 0,203723300 0,202395 0,205492 0,241482 0,19883350 0,199068 0,202156 0,241933 0,195277
147
Tabela 137: ε-aditivo – NSGAII – LZ09F4
Iteração Clean Crowdd Random Verif50 0,239152 0,239152 0,242297 0,239152100 0,209366 0,209702 0,217739 0,208224150 0,197604 0,194277 0,208727 0,194849200 0,188724 0,186307 0,201885 0,184134250 0,179127 0,185353 0,196277 0,179372300 0,174842 0,184369 0,192664 0,174545350 0,17206 0,185771 0,194521 0,171539
Tabela 138: ε-aditivo – NSGAII – LZ09F5
Iteração Clean Crowdd Random Verif50 0,214091 0,214385 0,219042 0,214091100 0,180016 0,175984 0,187536 0,17837150 0,166332 0,159761 0,184703 0,162566200 0,158655 0,156566 0,171349 0,155832250 0,153926 0,15565 0,187739 0,147794300 0,149808 0,15629 0,185549 0,1444350 0,146767 0,147556 0,175496 0,141728
Tabela 139: ε-aditivo – NSGAII – LZ09F6
Iteração Clean Crowdd Random Verif50 0,0257344 0,0355344 0,0224566 0,025195100 0,00773212 0,00661994 0,0106077 0,00588274150 0,00616686 0,00478442 0,00216755 0,00215578200 0,00316735 0,00300188 0,00141773 0,00164005250 0,00377889 0,00566575 0,000693134 0,00079546300 0,00328805 0,00123371 0,000422214 0,000320699350 0,000996995 0,00102413 0,000332111 0,000153917
Tabela 140: ε-aditivo – NSGAII – LZ09F7
Iteração Clean Crowdd Random Verif50 0,551004 0,551004 0,552587 0,551004100 0,466385 0,473347 0,480379 0,466385150 0,450225 0,451961 0,463267 0,450224200 0,446699 0,447892 0,448579 0,446708250 0,446051 0,447477 0,448016 0,445996300 0,445684 0,44708 0,447619 0,445658350 0,445361 0,446684 0,45253 0,445373
148
Tabela 141: ε-aditivo – NSGAII – LZ09F8
Iteração Clean Crowdd Random Verif50 0,637727 0,637727 0,637731 0,637727100 0,528471 0,540354 0,540256 0,528471150 0,486898 0,471066 0,487855 0,487523200 0,451434 0,455927 0,460947 0,451441250 0,433407 0,441875 0,446242 0,433391300 0,428816 0,432142 0,43284 0,428801350 0,425654 0,428149 0,426516 0,425634
Tabela 142: ε-aditivo – NSGAII – LZ09F9
Iteração Clean Crowdd Random Verif50 0,40739 0,40739 0,407402 0,40739100 0,346271 0,345467 0,346903 0,346271150 0,332698 0,329893 0,331461 0,332691200 0,326903 0,32474 0,328648 0,326929250 0,322507 0,323684 0,321887 0,32405300 0,320549 0,322998 0,330458 0,322755350 0,319522 0,322412 0,329373 0,322067
149
B.1.6 Problemas Kursawe, Fonseca e Viennet
Esta seção mostra os resultados obtidos pelo NSGA-II para os problemas Kursawe,
Fonseca, Viennet2 e Viennet3. Os hipervolumes são mostrados nas Tabelas de 143 a 146
e os indicadores de ε-aditivo nas Tabelas de 147 a 150.
Tabela 143: Hipervolumes – NSGAII – Kursawe
Iteração Clean Crowdd Random Verif50 259,642 258,459 256,206 259,708100 260,446 259,658 257,461 260,516150 260,533 259,938 256,753 260,697200 260,6 260,083 256,434 260,743250 260,617 260,146 257,591 260,756300 260,609 260,179 257,149 260,776350 260,619 260,188 256,793 260,775
Tabela 144: Hipervolumes – NSGAII – Fonseca
Iteração Clean Crowdd Random Verif50 3,31917 3,30952 3,28614 3,32181100 3,32276 3,31737 3,29727 3,32754150 3,32338 3,31851 3,27861 3,32855200 3,32424 3,31888 3,28611 3,32909250 3,32405 3,31831 3,29577 3,32927300 3,32395 3,31859 3,28662 3,32928350 3,32426 3,31783 3,28866 3,32963
Tabela 145: Hipervolumes – NSGAII – Viennet2
Iteração Clean Crowdd Random Verif50 20753,7 20748 20751,2 20753,8100 20753,8 20747,9 20752,2 20753,9150 20753,8 20746,6 20751,9 20753,9200 20753,8 20745,7 20751,4 20753,9250 20753,8 20745,9 20751,8 20753,9300 20753,8 20746,2 20752,1 20753,9350 20753,8 20745,7 20751,2 20753,9
B.2 Resultados SPEA2
Esta seção apresenta os resultados completos do SPEA2, aplicado ao Problema Qua-
drático de Alocação, Problemas WFG, Problemas LZ09, Kursawe, Fonseca e Viennet.
150
Tabela 146: Hipervolumes – NSGAII – Viennet3
Iteração Clean Crowdd Random Verif50 1995,05 1993,66 1993,94 1995,36100 1995,18 1994,32 1993,8 1995,48150 1995,25 1994,53 1993,61 1995,55200 1995,24 1994,51 1993,77 1995,57250 1995,21 1993,11 1993,77 1995,59300 1995,23 1993,32 1993,23 1995,56350 1995,25 1994,37 1993,12 1995,57
Tabela 147: ε-aditivo – NSGAII – Kursawe
Iteração Clean Crowdd Random Verif50 0,155795 0,516821 0,837452 0,148091100 0,153484 0,412263 0,82048 0,140776150 0,157732 0,381396 0,862818 0,13829200 0,158672 0,342752 0,910004 0,140903250 0,152387 0,325182 0,915298 0,142796300 0,151431 0,317002 0,961256 0,135791350 0,161845 0,317776 0,952184 0,139222
B.2.1 Problema Quadrático de Alocação
Esta seção mostra os resultados completos para o Problema Quadrático de Alocação,
obtidos pelo SPEA2. As Tabelas de 151 a 160 mostram o valor de hipervolume ao longo
das iterações, e as Tabelas de 161 a 170 mostram o valor do indicador ε-aditivo.
151
Tabela 148: ε-aditivo – NSGAII – Fonseca
Iteração Clean Crowdd Random Verif50 0,147892 0,165874 0,156051 0,146083100 0,144181 0,163937 0,155175 0,142879150 0,147531 0,159665 0,155735 0,143981200 0,145636 0,163901 0,155546 0,144165250 0,146204 0,164671 0,154592 0,142263300 0,146122 0,163495 0,156205 0,142882350 0,147762 0,167044 0,149664 0,143423
Tabela 149: ε-aditivo – NSGAII – Viennet2
Iteração Clean Crowdd Random Verif50 0,0510035 0,239437 0,0300819 0,0466624100 0,0489606 0,240465 0,029271 0,0457296150 0,0499974 0,260835 0,0289094 0,046452200 0,049432 0,268246 0,0285464 0,0468512250 0,0485528 0,267656 0,0293925 0,0453774300 0,0539261 0,262586 0,027475 0,0417471350 0,0538337 0,268328 0,0308649 0,0493624
Tabela 150: ε-aditivo – NSGAII – Viennet3
Iteração Clean Crowdd Random Verif50 32,0003 32,0003 32,0011 32,0003100 32 32,0001 32,0003 32,0001150 32 32,0001 32,0003 32200 32 32 32,0001 32250 32 32 32,0002 32300 32 32 32,0001 32350 32 32 32,0001 32
Tabela 151: Hipervolumes – SPEA2 – PQA10-2 Semente 123
Iteração Clean Crowdd Random Verif50 (1010) 1,69849 1,76352 1,74876 1,74689100 (1010) 1,71997 1,77891 1,77158 1,76022150 (1010) 1,72409 1,79145 1,78591 1,77701200 (1010) 1,73933 1,79462 1,79126 1,79451250 (1010) 1,72764 1,80022 1,80024 1,80337300 (1010) 1,7425 1,80306 1,80268 1,79707350 (1010) 1,74469 1,80704 1,81276 1,8183
152
Tabela 152: Hipervolumes – SPEA2 – PQA10-2 Semente 215
Iteração Clean Crowdd Random Verif50 (1010) 1,23903 1,31175 1,27885 1,26087100 (1010) 1,25888 1,33564 1,30897 1,29329150 (1010) 1,25103 1,34453 1,32677 1,29283200 (1010) 1,27763 1,34985 1,33247 1,30099250 (1010) 1,27986 1,35286 1,3376 1,30884300 (1010) 1,28601 1,35395 1,34141 1,30827350 (1010) 1,29454 1,35946 1,34471 1,31716
Tabela 153: Hipervolumes – SPEA2 – PQA10-3 Semente 155
Iteração Clean Crowdd Random Verif50 (1015) 1,17199 1,24992 1,22697 1,22808100 (1015) 1,20618 1,29589 1,27557 1,27615150 (1015) 1,24094 1,31085 1,29701 1,29178200 (1015) 1,2422 1,31432 1,31807 1,29642250 (1015) 1,25864 1,32238 1,32579 1,30015300 (1015) 1,24517 1,3289 1,32582 1,30663350 (1015) 1,25835 1,33838 1,33881 1,31628
Tabela 154: Hipervolumes – SPEA2 – PQA10-3 Semente 256
Iteração Clean Crowdd Random Verif50 (1014) 7,16427 7,59641 7,43583 7,36857100 (1014) 7,4566 7,95104 7,74615 7,68197150 (1014) 7,58501 8,00784 7,90287 7,84975200 (1014) 7,55483 8,10426 7,97547 7,89398250 (1014) 7,47616 8,14096 8,02809 7,9397300 (1014) 7,4815 8,18844 8,05966 8,011350 (1014) 7,61828 8,18577 8,04068 7,98109
Tabela 155: Hipervolumes – SPEA2 – PQA20-2 Semente 88
Iteração Clean Crowdd Random Verif50 (1010) 9,55038 9,83319 9,84634 9,83461100 (1011) 1,0233 1,05211 1,05301 1,03439150 (1011) 1,06459 1,08928 1,09318 1,07613200 (1011) 1,08895 1,11194 1,11578 1,10459250 (1011) 1,09028 1,12518 1,13583 1,11423300 (1011) 1,11691 1,13387 1,14939 1,12673350 (1011) 1,11498 1,14672 1,15564 1,13237
153
Tabela 156: Hipervolumes – SPEA2 – PQA20-2 Semente 124
Iteração Clean Crowdd Random Verif50 (1010) 6,65269 6,88526 6,75142 6,70083100 (1010) 7,1649 7,47431 7,31293 7,23861150 (1010) 7,44668 7,69552 7,61594 7,4745200 (1010) 7,59994 7,85531 7,77336 7,70551250 (1010) 7,74658 7,99636 7,92147 7,85955300 (1010) 7,86359 8,104 8,0289 7,93983350 (1010) 7,98485 8,18862 8,18468 7,99293
Tabela 157: Hipervolumes – SPEA2 – PQA20-3 Semente 588
Iteração Clean Crowdd Random Verif50 (1016) 2,06372 2,20812 2,16766 2,12274100 (1016) 2,38171 2,51981 2,46931 2,42437150 (1016) 2,52286 2,64012 2,58631 2,58817200 (1016) 2,60176 2,73195 2,67581 2,64832250 (1016) 2,64523 2,81077 2,71715 2,73473300 (1016) 2,68747 2,85076 2,77625 2,77767350 (1016) 2,71534 2,88383 2,80918 2,79266
Tabela 158: Hipervolumes – SPEA2 – PQA20-3 Semente 3438
Iteração Clean Crowdd Random Verif50 (1016) 2,74052 2,95217 2,84754 2,83473100 (1016) 3,15645 3,34505 3,25236 3,16146150 (1016) 3,28172 3,53489 3,37612 3,32828200 (1016) 3,39835 3,6256 3,48767 3,45963250 (1016) 3,43347 3,70072 3,54818 3,52317300 (1016) 3,4772 3,73864 3,58463 3,58424350 (1016) 3,57138 3,79706 3,6369 3,5999
Tabela 159: Hipervolumes – SPEA2 – PQA20-4 Semente 2377
Iteração Clean Crowdd Random Verif50 (1021) 2,96522 3,49347 3,32361 3,23019100 (1021) 3,38824 4,06983 3,9368 3,83613150 (1021) 3,62987 4,44441 4,30542 4,18448200 (1021) 3,74588 4,62041 4,51026 4,49329250 (1021) 3,97042 4,77478 4,66498 4,67646300 (1021) 4,0825 4,85914 4,76714 4,81926350 (1021) 4,173 4,90183 4,85409 4,89247
154
Tabela 160: Hipervolumes – SPEA2 – PQA20-4 Semente 9813
Iteração Clean Crowdd Random Verif50 (1021) 1,63453 1,9163 1,7797 1,82984100 (1021) 1,96064 2,31692 2,23983 2,18113150 (1021) 2,20969 2,57794 2,4937 2,46892200 (1021) 2,3567 2,71235 2,62559 2,58576250 (1021) 2,42264 2,82065 2,74381 2,68825300 (1021) 2,4533 2,89447 2,78731 2,7648350 (1021) 2,54914 2,93808 2,84527 2,83294
155
Tabela 161: ε-aditivo – SPEA2 – PQA10-2 Semente 123
Iteração Clean Crowdd Random Verif50 10695,3 7897,93 8935,2 8890,87100 9698,4 7422,6 8137,8 8346,2150 9753,4 7113,33 7459,2 7715,8200 9377,93 6999,27 7157,93 6933,47250 9773,6 6861 6803,07 6929,67300 9246,53 6617,2 6747,93 7186,4350 9510,93 6543,67 6280,8 6507
Tabela 162: ε-aditivo – SPEA2 – PQA10-2 Semente 215
Iteração Clean Crowdd Random Verif50 14732,9 10007 12342,3 13412,2100 13694,9 8818,67 10501,6 10868,1150 14404,5 8486,2 8996,27 10664,1200 12852,5 8046,47 8902 10442,7250 12982,4 7865,13 8745 10572,5300 12654,6 7773,2 8444,87 9563,4350 11730,6 7445,53 8124,13 9835,8
Tabela 163: ε-aditivo – SPEA2 – PQA10-3 Semente 155
Iteração Clean Crowdd Random Verif50 16078,1 14161,1 15201,2 14534,6100 16037,8 13113,7 13169,9 12924,7150 14602,5 13584,5 12306,3 11777,6200 14686,7 13464,6 11337,1 12157,9250 13700,3 13567,9 11036,1 11625,9300 14911,4 13681,6 11308,6 11496,1350 14338,3 12856,8 10413,9 11511,2
156
Tabela 164: ε-aditivo – SPEA2 – PQA10-3 Semente 256
Iteração Clean Crowdd Random Verif50 14377,2 13470,3 12346,3 12752,5100 13805,7 12933,9 11074,6 11483,5150 13189,7 13264,3 10349,8 10157,9200 14208,8 13333,3 10056,1 10366,9250 14386,3 13173,1 10544,7 10142,7300 14146,1 13388,5 10173,1 9606,8350 13467,1 14499,3 9777,73 10581,3
Tabela 165: ε-aditivo – SPEA2 – PQA20-2 Semente 88
Iteração Clean Crowdd Random Verif50 65555,8 57791,2 59034,4 61115,7100 55259,9 48498,7 49329,3 53731,3150 48746,5 44133,9 43759,3 45449,5200 44731,7 40666,5 39963,1 40750,8250 46374,9 38720,9 36421,7 39372,8300 41793,9 37614,5 34467,9 37130350 41303,7 35669,2 32507,6 38506,1
Tabela 166: ε-aditivo – SPEA2 – PQA20-2 Semente 124
Iteração Clean Crowdd Random Verif50 63623,4 55152,1 59332,9 64537,7100 53789,4 45311,7 50488,1 52498,1150 48109,3 40902,8 43312,4 47734,1200 46565,3 38079,3 41352,1 43542,2250 42751,7 34927,7 38851,6 40542,3300 40732,6 33182 35411,7 38021,7350 36905,3 32151,1 32531,6 37596,5
Tabela 167: ε-aditivo – SPEA2 – PQA20-3 Semente 588
Iteração Clean Crowdd Random Verif50 68998,7 60795,4 63400,9 65266,8100 54613,6 48348,7 49186,7 52768,4150 49574,5 44223,1 45402,8 45698,4200 47184,1 42043,7 42294,4 42399,6250 47079,9 40075,3 40763,3 39102,3300 43233,9 39639 40044,1 38401,4350 44102,1 40382,4 38666,1 37509,3
157
Tabela 168: ε-aditivo – SPEA2 – PQA20-3 Semente 3438
Iteração Clean Crowdd Random Verif50 75124,2 67040,7 70688,8 70234,5100 60909,1 54131,6 57187,2 59675,7150 54847,1 48687,1 51742,3 53617,7200 51294 44891,4 47616,1 50804,3250 49653,7 44602,6 46683,4 47581,5300 49873,1 45430,9 44323,6 46376350 49241,5 44202,3 43244,9 46486,2
Tabela 169: ε-aditivo – SPEA2 – PQA20-4 Semente 2377
Iteração Clean Crowdd Random Verif50 89979,5 77139,3 79284,7 83075,4100 81789,7 72482,6 70966,5 75640,8150 80111,1 68047,7 65516,2 67609,9200 76565,3 69084,4 62572,9 63477,7250 75334,1 67614,1 62475,8 62690,7300 71436,8 69287 61044,9 60763,4350 71857,6 72323,1 59437,5 59753,5
Tabela 170: ε-aditivo – SPEA2 – PQA20-4 Semente 9813
Iteração Clean Crowdd Random Verif50 80786,1 70938,3 73352,3 73761,6100 72876,4 61546,3 61262,7 64195,3150 66334,3 57485,5 57027,3 58026,5200 63051 57939 54701,9 53095,7250 63017 58391 51753,3 53348,6300 61339,3 56988,7 50584,1 53406,9350 61982,9 57163,7 50447,6 51178,7
158
B.2.2 Problemas WFG
Esta seção apresenta os resultados obtidos pelo SPEA2 para os problemas WFG. As
Tabelas 171 a 179 mostram os hipervolumes a cada 50 iterações, e as Tabelas 180 a 188
mostram o indicador ε-aditivo.
Tabela 171: Hipervolumes – SPEA2 – WFG1
Iteração Clean Crowdd Random Verif50 694.062 699.956 692.393 696.526100 744.728 746.071 744.245 745.576150 783.783 771.963 774.738 787.928200 811.817 798.181 804.712 809.576250 829.63 822.934 827.906 831.864300 843.431 842.45 853.103 850.585350 853.06 853.463 863.825 868.595
Tabela 172: Hipervolumes – SPEA2 – WFG2
Iteração Clean Crowdd Random Verif50 976.049 982.193 977.899 980.716100 980.253 985.725 984.829 987.288150 981.814 986.517 985.843 988.127200 982.887 986.526 987.005 988.755250 982.45 986.727 988.2 989.365300 980.893 986.04 987.734 989.773350 981.612 985.328 988.231 990.668
Tabela 173: Hipervolumes – SPEA2 – WFG3
Iteração Clean Crowdd Random Verif50 863.051 887.08 858.816 872.323100 869.365 894.14 855.851 878.794150 873.306 895.889 848.517 877.468200 871.936 897.245 858.872 875.574250 868.004 898 837.235 880.664300 868.335 899.16 837.681 880.555350 867.809 899.741 845.197 879.511
159
Tabela 174: Hipervolumes – SPEA2 – WFG4
Iteração Clean Crowdd Random Verif50 919.39 946.673 914.871 935.383100 922.032 953.345 924.687 942.049150 922.979 956.78 916.318 942.384200 926.366 957.65 914.993 948.173250 922.551 958.32 917.415 943.249300 926.323 960.132 915.253 949.631350 925.714 960.088 924.089 949.725
Tabela 175: Hipervolumes – SPEA2 – WFG5
Iteração Clean Crowdd Random Verif50 906.565 930.306 906.127 916.89100 911.109 936.448 908.659 924.066150 912.718 940.496 911.244 926.878200 917.191 942.624 912.898 923.714250 914.106 942.973 914.356 930.737300 912.413 944.849 910.616 926.69350 911.745 945.298 914.075 928.235
Tabela 176: Hipervolumes – SPEA2 – WFG6
Iteração Clean Crowdd Random Verif50 905.883 929.496 903.434 921.747100 915.974 940.801 911.429 931.374150 919.44 944.027 915.201 935.516200 920.472 949.853 917.476 937.497250 927.327 952.083 915.751 945.856300 923.489 954.006 918.482 943.121350 922.719 956.273 918.251 944.559
Tabela 177: Hipervolumes – SPEA2 – WFG7
Iteração Clean Crowdd Random Verif50 918.381 943.954 920.035 933.437100 925.604 952.245 918.959 943.187150 922.214 954.996 923.496 946.222200 925.1 958.043 918.999 950.233250 922.98 957.904 921.834 948.781300 921.096 959.479 919.358 949.09350 922.731 959.954 921.183 949.146
160
Tabela 178: Hipervolumes – SPEA2 – WFG8
Iteração Clean Crowdd Random Verif50 833.967 878.65 834.531 869.037100 844.582 892.924 840.783 881.789150 851.663 899.875 844.99 887.534200 851.748 903.914 850.27 889.331250 853.358 908.529 844.351 894.505300 851.53 908.798 842.529 897.371350 856.362 911.514 846.537 894.463
Tabela 179: Hipervolumes – SPEA2 – WFG9
Iteração Clean Crowdd Random Verif50 909.439 943.463 909.797 925.451100 915.977 948.558 915.439 933.079150 910.948 950.453 916.013 930.677200 909.015 951.217 914.236 934.119250 913.671 951.661 917.8 932.792300 909.415 952.217 913.075 934.812350 910.797 953.01 914.669 936.998
161
Tabela 180: ε-aditivo – SPEA2 – WFG1
Iteração Clean Crowdd Random Verif50 1,80674 1,77074 1,80407 1,80004100 1,52595 1,50058 1,524 1,47892150 1,29898 1,3378 1,32606 1,27715200 1,17778 1,23 1,19633 1,17091250 1,08067 1,11214 1,07591 1,08343300 1,00736 1,04652 1,00465 0,98542350 1,0048 0,983784 0,944012 0,924175
Tabela 181: ε-aditivo – SPEA2 – WFG2
Iteração Clean Crowdd Random Verif50 0,494233 0,655525 0,428787 0,444285100 0,489847 0,828784 0,373297 0,45321150 0,493617 0,88057 0,39973 0,408141200 0,509603 0,953953 0,390183 0,418101250 0,517093 0,998666 0,351381 0,391029300 0,518574 1,0403 0,376693 0,398829350 0,555229 1,10204 0,354176 0,438221
Tabela 182: ε-aditivo – SPEA2 – WFG3
Iteração Clean Crowdd Random Verif50 0,501059 0,706447 0,538785 0,422513100 0,445031 0,759322 0,63203 0,358968150 0,477366 0,775692 0,709075 0,434226200 0,428235 0,776888 0,656313 0,409256250 0,453064 0,790186 0,791715 0,355054300 0,441597 0,780296 0,868429 0,355357350 0,47206 0,781991 0,787464 0,375879
B.2.3 Problemas LZ09
Esta seção apresenta os resultados obtidos pelo SPEA2 para os problemas LZ09. As
Tabelas 189 a 197 mostram os hipervolumes a cada 50 iterações, e as Tabelas 198 a 206
mostram o indicador ε-aditivo.
162
Tabela 183: ε-aditivo – SPEA2 – WFG4
Iteração Clean Crowdd Random Verif50 0,914355 0,635958 1,03626 0,805936100 0,884319 0,616406 0,976318 0,814612150 0,952184 0,624865 1,08019 0,835579200 0,916571 0,67448 1,11898 0,744763250 0,932465 0,679606 1,10013 0,835651300 0,887962 0,668389 1,12317 0,81698350 0,882549 0,686722 0,942858 0,82839
Tabela 184: ε-aditivo – SPEA2 – WFG5
Iteração Clean Crowdd Random Verif50 0,846391 0,685517 0,930584 0,804608100 0,882288 0,653851 0,942643 0,802822150 0,922361 0,642423 0,929903 0,826895200 0,799698 0,669495 0,873502 0,825292250 0,889996 0,696487 0,914424 0,750451300 0,882759 0,649127 0,965971 0,784653350 0,885968 0,669608 0,911124 0,789248
Tabela 185: ε-aditivo – SPEA2 – WFG6
Iteração Clean Crowdd Random Verif50 0,982122 0,714466 1,04741 0,873842100 0,899381 0,676439 0,98668 0,80345150 0,883859 0,665846 0,996067 0,778733200 0,840853 0,678864 1,03378 0,808063250 0,817155 0,666574 1,00405 0,722677300 0,888671 0,660779 0,991913 0,849557350 0,923918 0,626156 1,08084 0,801307
Tabela 186: ε-aditivo – SPEA2 – WFG7
Iteração Clean Crowdd Random Verif50 0,797055 0,664742 0,875559 0,749714100 0,770755 0,645191 0,929601 0,721328150 0,874825 0,666911 0,833299 0,792807200 0,800576 0,658708 0,932123 0,669799250 0,878215 0,674262 0,905826 0,740085300 0,794712 0,646169 0,993995 0,697419350 0,784309 0,668859 0,897749 0,723678
163
Tabela 187: ε-aditivo – SPEA2 – WFG8
Iteração Clean Crowdd Random Verif50 1,45486 1,01538 1,56086 1,05246100 1,37565 0,949123 1,47899 1,01841150 1,25882 0,943723 1,53416 0,972207200 1,22905 1,01512 1,37756 1,02209250 1,21509 0,99021 1,56061 0,928486300 1,22025 1,05789 1,57002 0,963953350 1,26951 1,02222 1,50359 1,02836
Tabela 188: ε-aditivo – SPEA2 – WFG9
Iteração Clean Crowdd Random Verif50 0,91068 0,628022 1,03795 0,825559100 0,809593 0,62281 0,888165 0,750757150 0,807857 0,650374 0,894343 0,767444200 0,863853 0,664008 0,871912 0,755474250 0,795528 0,67605 0,899049 0,715148300 0,840666 0,669043 0,908346 0,747449350 0,782643 0,699363 0,959799 0,716571
Tabela 189: Hipervolumes – SPEA2 – LZ09F1
Iteração Clean Crowdd Random Verif50 97,865 98,2109 98,024 98,037100 98,308 98,5665 98,3944 98,5382150 98,6117 98,9048 98,5873 98,7371200 98,6642 99,1021 98,783 98,9464250 98,9057 99,2581 98,9122 99,0698300 99,1096 99,369 99,0564 99,1945350 99,2061 99,5047 99,1123 99,3535
Tabela 190: Hipervolumes – SPEA2 – LZ09F2
Iteração Clean Crowdd Random Verif50 95,7838 95,9334 95,9171 95,9304100 97,0098 97,1291 97,129 97,0733150 97,2782 97,4623 97,4156 97,4284200 97,3252 97,5532 97,5082 97,5232250 97,3976 97,5878 97,467 97,5637300 97,1164 97,6012 97,4215 97,4687350 97,2625 97,6131 97,5439 97,3097
164
Tabela 191: Hipervolumes – SPEA2 – LZ09F3
Iteração Clean Crowdd Random Verif50 96,7097 97,205 97,0698 97,039100 97,4526 97,8683 97,7007 97,7283150 97,6414 98,0211 97,7648 97,8234200 97,713 98,1249 97,8568 97,9122250 97,6597 98,1855 97,7999 97,923300 97,8532 98,25 97,6813 98,055350 97,7656 98,2842 97,7189 97,9534
Tabela 192: Hipervolumes – SPEA2 – LZ09F4
Iteração Clean Crowdd Random Verif50 96,7418 96,9152 96,874 96,8696100 97,3154 97,4764 97,3789 97,406150 97,4745 97,684 97,5979 97,5567200 97,5816 97,7877 97,6764 97,6639250 97,5537 97,838 97,703 97,7321300 97,6496 97,87 97,7352 97,7658350 97,6005 97,8985 97,736 97,7395
Tabela 193: Hipervolumes – SPEA2 – LZ09F5
Iteração Clean Crowdd Random Verif50 97,405 97,6649 97,5801 97,5792100 97,8871 98,2047 97,9146 98,1102150 98,0369 98,3756 98,0622 98,2783200 98,1457 98,461 98,0946 98,1934250 98,1554 98,5207 98,1823 98,3097300 98,1707 98,5627 98,0204 98,3643350 97,9612 98,5858 97,862 98,2604
Tabela 194: Hipervolumes – SPEA2 – LZ09F6
Iteração Clean Crowdd Random Verif50 997,38 998,058 997,606 998,019100 999,865 999,844 999,911 999,91150 999,985 999,981 999,983 999,989200 999,99 999,996 999,997 999,998250 999,998 999,997 999,999 999,999300 999,998 999,996 1000 1000350 999,995 999,999 1000 1000
165
Tabela 195: Hipervolumes – SPEA2 – LZ09F7
Iteração Clean Crowdd Random Verif50 90,8358 91,2513 91,2319 91,2819100 93,3714 93,3879 93,576 93,4063150 93,9736 94,2474 94,1507 94,1521200 94,2081 94,4262 94,3616 94,3054250 94,2629 94,517 94,4252 94,4787300 94,3713 94,5669 94,4315 94,4933350 94,1597 94,5788 94,4809 94,5006
Tabela 196: Hipervolumes – SPEA2 – LZ09F8
Iteração Clean Crowdd Random Verif50 91,0839 91,7354 91,6287 91,7747100 93,5126 93,818 93,7605 93,7428150 94,1826 94,3379 94,4581 94,4037200 94,2998 94,6564 94,7749 94,6672250 94,6778 94,8284 94,874 94,7822300 94,7414 94,9188 94,9009 94,8222350 94,8236 94,9789 94,9806 94,7764
Tabela 197: Hipervolumes – SPEA2 – LZ09F9
Iteração Clean Crowdd Random Verif50 94,8537 95,0731 95,0313 95,0789100 96,3478 96,4406 96,3351 96,435150 96,6491 96,9318 96,7657 96,8615200 96,5987 97,1179 96,9797 96,858250 96,3098 97,1738 96,5258 96,8897300 96,5881 97,1957 96,8861 96,7961350 96,4388 97,2137 96,7206 96,6492
166
Tabela 198: ε-aditivo – SPEA2 – LZ09F1
Iteração Clean Crowdd Random Verif50 0,180041 0,154445 0,160948 0,156954100 0,145848 0,127567 0,136092 0,121098150 0,130703 0,114368 0,118788 0,100846200 0,120449 0,108893 0,109702 0,0804268250 0,0965414 0,0940178 0,0950173 0,075297300 0,0888174 0,118734 0,0804062 0,0713442350 0,100112 0,117745 0,0808811 0,0650279
Tabela 199: ε-aditivo – SPEA2 – LZ09F2
Iteração Clean Crowdd Random Verif50 0,387121 0,36904 0,371219 0,369294100 0,299322 0,293176 0,29451 0,292998150 0,28817 0,270893 0,267357 0,274224200 0,275335 0,264062 0,261266 0,267024250 0,262543 0,260078 0,260648 0,266071300 0,273932 0,258376 0,256452 0,264291350 0,274833 0,257801 0,259847 0,268722
Tabela 200: ε-aditivo – SPEA2 – LZ09F3
Iteração Clean Crowdd Random Verif50 0,272042 0,239307 0,247652 0,247277100 0,245428 0,208884 0,21854 0,215736150 0,226866 0,200914 0,219005 0,21157200 0,215696 0,19161 0,213424 0,205661250 0,225176 0,18501 0,220395 0,204061300 0,213224 0,180882 0,232017 0,196259350 0,219375 0,173938 0,225459 0,200243
167
Tabela 201: ε-aditivo – SPEA2 – LZ09F4
Iteração Clean Crowdd Random Verif50 0,25052 0,235285 0,240281 0,240245100 0,224041 0,212929 0,218792 0,21556150 0,219228 0,202148 0,207356 0,21157200 0,20907 0,193722 0,203086 0,204506250 0,2124 0,191903 0,200545 0,199823300 0,203282 0,188405 0,199145 0,197344350 0,209485 0,1861 0,199921 0,200121
Tabela 202: ε-aditivo – SPEA2 – LZ09F5
Iteração Clean Crowdd Random Verif50 0,230795 0,211341 0,221499 0,215406100 0,217966 0,18644 0,208131 0,192323150 0,20166 0,170248 0,202793 0,181081200 0,194824 0,162716 0,197016 0,187569250 0,193753 0,157284 0,19225 0,174338300 0,185659 0,154417 0,20338 0,173627350 0,199788 0,150737 0,215423 0,181602
Tabela 203: ε-aditivo – SPEA2 – LZ09F6
Iteração Clean Crowdd Random Verif50 0,0177079 0,0173232 0,0166696 0,012887100 0,00164251 0,000957931 0,00102033 0,000582599150 0,000160681 0,000175335 0,000129074 0,0001307200 2,98926e-05 0,000241999 2,98072e-05 1,99583e-05250 1,68665e-05 8,89445e-05 1,8459e-06 3,68645e-06300 7,75195e-06 4,4423e-05 3,88425e-07 1,81601e-06350 6,38784e-06 1,71839e-05 1,83958e-07 5,89261e-07
Tabela 204: ε-aditivo – SPEA2 – LZ09F7
Iteração Clean Crowdd Random Verif50 0,707448 0,645263 0,636499 0,631851100 0,524874 0,518719 0,481275 0,486274150 0,458931 0,451989 0,448223 0,440518200 0,430378 0,433901 0,428721 0,434691250 0,440436 0,422226 0,424361 0,418441300 0,437063 0,417172 0,426522 0,417345350 0,452394 0,415298 0,418887 0,417109
168
Tabela 205: ε-aditivo – SPEA2 – LZ09F8
Iteração Clean Crowdd Random Verif50 0,783172 0,691921 0,704181 0,680763100 0,54369 0,505842 0,51871 0,492342150 0,497062 0,447746 0,45347 0,434044200 0,454348 0,417044 0,415425 0,402963250 0,428379 0,398012 0,411502 0,392262300 0,43074 0,391321 0,402055 0,389898350 0,408703 0,389452 0,394504 0,393809
Tabela 206: ε-aditivo – SPEA2 – LZ09F9
Iteração Clean Crowdd Random Verif50 0,42693 0,418881 0,421098 0,418164100 0,345938 0,340348 0,336659 0,341908150 0,316766 0,311946 0,308247 0,30987200 0,323494 0,302523 0,301376 0,301433250 0,336976 0,298954 0,337902 0,303586300 0,319061 0,296367 0,302707 0,300688350 0,343883 0,294172 0,320257 0,309259
169
B.2.4 Problemas Kursawe, Fonseca e Viennet
Esta seção mostra os resultados obtidos pelo SPEA2 para os problemas Kursawe,
Fonseca, Viennet2 e Viennet3. Os hipervolumes são mostrados nas Tabelas de 207 a 210
e os indicadores de ε-aditivo nas Tabelas de 211 a 214.
Tabela 207: Hipervolumes – SPEA2 – Kursawe
Iteração Clean Crowdd Random Verif50 247,003 256,945 253,26 252,313100 248,607 257,552 254,801 252,946150 246,681 257,745 255,942 254,506200 246,981 257,971 254,488 252,874250 249,552 258,3 254,953 253,179300 246,849 258,425 254,358 254350 248,552 258,453 255,369 254,244
Tabela 208: Hipervolumes – SPEA2 – Fonseca
Iteração Clean Crowdd Random Verif50 3,12335 3,29447 3,25049 3,22137100 3,15132 3,30744 3,27244 3,20725150 3,14855 3,31112 3,26712 3,24403200 3,14372 3,31373 3,27232 3,22389250 3,14785 3,31556 3,2774 3,22328300 3,1463 3,31563 3,26686 3,22852350 3,17498 3,3152 3,26554 3,23237
Tabela 209: Hipervolumes – SPEA2 – Viennet2
Iteração Clean Crowdd Random Verif50 20748,6 20748,9 20749,1 20751,1100 20747,5 20747,6 20745,5 20750,6150 20748,3 20746,3 20748,5 20750,1200 20747,6 20745,5 20746,1 20751250 20748,2 20745,5 20748,6 20751,3300 20748,9 20745,4 20748 20749,9350 20749 20744,8 20747 20751,2
B.3 Resultados PAES
Nesta seção são mostrados os resultados do PAES, aplicado ao Problema Quadrático
de Alocação, Problemas WFG, Problemas LZ09, Kursawe, Viennet2 e Viennet3.
170
Tabela 210: Hipervolumes – SPEA2 – Viennet3
Iteração Clean Crowdd Random Verif50 1986,96 1992,37 1988,61 1993,06100 1984,47 1992,05 1986,69 1992,7150 1983,87 1991,91 1987,46 1993,62200 1985,03 1991,13 1983,2 1992,62250 1984,96 1991,29 1982,17 1993,38300 1984,48 1991,71 1980,43 1993,06350 1985,26 1991,4 1983,28 1993,43
Tabela 211: ε-aditivo – SPEA2 – Kursawe
Iteração Clean Crowdd Random Verif50 1,03638 0,628315 0,967252 0,768177100 0,807316 0,681169 1,02658 0,605234150 0,902399 0,689961 0,900503 0,619545200 1,05242 0,69447 0,922618 0,845502250 0,954615 0,646784 0,947171 0,618977300 0,959294 0,634682 0,971205 0,575535350 0,791572 0,646481 0,977512 0,629646
B.3.1 Problema Quadrático de Alocação
Esta seção mostra os resultados completos para o Problema Quadrático de Alocação,
obtidos pelo SPEA2. As Tabelas de 215 a 224 mostram o valor de hipervolume ao longo
das iterações, e as Tabelas de 225 a 234 mostram o valor do indicador ε-aditivo.
171
Tabela 212: ε-aditivo – SPEA2 – Fonseca
Iteração Clean Crowdd Random Verif50 0,180289 0,166658 0,152665 0,153616100 0,176816 0,164601 0,153751 0,152402150 0,176677 0,168448 0,15129 0,147298200 0,178175 0,166961 0,153988 0,156532250 0,178414 0,166104 0,153323 0,151906300 0,184952 0,163783 0,155497 0,150616350 0,171065 0,16359 0,154772 0,14844
Tabela 213: ε-aditivo – SPEA2 – Viennet2
Iteração Clean Crowdd Random Verif50 0,050894 0,218906 0,0316083 0,0291355100 0,0456881 0,241521 0,0309467 0,033374150 0,0466939 0,250304 0,0309035 0,0313387200 0,0441042 0,264596 0,0311728 0,0307946250 0,0433809 0,258055 0,0316389 0,0325613300 0,0488099 0,260131 0,0299491 0,0345353350 0,0461868 0,267684 0,0306878 0,0320874
Tabela 214: ε-aditivo – SPEA2 – Viennet3
Iteração Clean Crowdd Random Verif50 0,244018 0,181279 0,219947 0,111158100 0,27504 0,190314 0,223358 0,129848150 0,27822 0,210315 0,248612 0,120693200 0,29887 0,215057 0,309353 0,12391250 0,309485 0,216674 0,33524 0,112995300 0,294818 0,208709 0,31855 0,131074350 0,294052 0,216161 0,3063 0,116665
Tabela 215: Hipervolumes – PAES – PQA10-2 Semente 123
Iteração Clean Crowdd Random Verif50 (1010) 1,58963 1,5836 1,59743 1,57584100 (1010) 1,58963 1,5836 1,59743 1,57584150 (1010) 1,58963 1,5836 1,59743 1,57584200 (1010) 1,58963 1,5836 1,59743 1,57584250 (1010) 1,58963 1,5836 1,59743 1,57584300 (1010) 1,58963 1,5836 1,59743 1,57584350 (1010) 1,58963 1,5836 1,59743 1,57584
172
Tabela 216: Hipervolumes – PAES – PQA10-2 Semente 215
Iteração Clean Crowdd Random Verif50 (1010) 1,08595 1,07178 1,06463 1,10488100 (1010) 1,08595 1,07178 1,06463 1,10488150 (1010) 1,08595 1,07178 1,06463 1,10488200 (1010) 1,08595 1,07178 1,06463 1,10488250 (1010) 1,08595 1,07178 1,06463 1,10488300 (1010) 1,08595 1,07178 1,06463 1,10488350 (1010) 1,08595 1,07178 1,06463 1,10488
Tabela 217: Hipervolumes – PAES – PQA10-3 Semente 155
Iteração Clean Crowdd Random Verif50 (1014) 8,88805 8,75909 8,99588 8,55214100 (1014) 8,88805 8,75908 9,00244 8,55214150 (1014) 8,88805 8,75906 9,00029 8,55214200 (1014) 8,88805 8,75906 9,00244 8,55214250 (1014) 8,88805 8,75906 9,00225 8,55214300 (1014) 8,88805 8,75906 8,99982 8,55214350 (1014) 8,88805 8,75908 8,99594 8,55214
Tabela 218: Hipervolumes – PAES – PQA10-3 Semente 256
Iteração Clean Crowdd Random Verif50 (1014) 5,00818 5,12661 4,9707 5,11779100 (1014) 5,00828 5,12661 4,97698 5,11779150 (1014) 5,00828 5,12661 4,97622 5,11779200 (1014) 5,00828 5,12661 4,97946 5,11779250 (1014) 5,00828 5,12661 4,97343 5,11779300 (1014) 5,00828 5,12661 4,97566 5,11779350 (1014) 5,00828 5,12661 4,97536 5,11779
Tabela 219: Hipervolumes – PAES – PQA20-2 Semente 88
Iteração Clean Crowdd Random Verif50 (1010) 9,00403 9,23816 9,23757 9,28632100 (1010) 9,36829 9,44085 9,42604 9,51247150 (1010) 9,39554 9,45917 9,4347 9,52235200 (1010) 9,39554 9,48489 9,43592 9,5353250 (1010) 9,39553 9,48765 9,43591 9,5353300 (1010) 9,39553 9,48768 9,43591 9,53621350 (1010) 9,39553 9,48768 9,43592 9,53621
173
Tabela 220: Hipervolumes – PAES – PQA20-2 Semente 124
Iteração Clean Crowdd Random Verif50 (1010) 6,36903 6,33239 6,31707 6,35272100 (1010) 6,59382 6,55495 6,57945 6,46976150 (1010) 6,6116 6,60736 6,59718 6,49665200 (1010) 6,61319 6,61171 6,59788 6,50167250 (1010) 6,61319 6,61171 6,59788 6,50167300 (1010) 6,61319 6,61171 6,59788 6,50167350 (1010) 6,61319 6,61171 6,59787 6,50167
Tabela 221: Hipervolumes – PAES – PQA20-3 Semente 588
Iteração Clean Crowdd Random Verif50 (1016) 1,6602 1,67903 1,72036 1,68392100 (1016) 1,74366 1,73604 1,7627 1,75457150 (1016) 1,74769 1,76458 1,7613 1,7764200 (1016) 1,74769 1,76953 1,7644 1,7787250 (1016) 1,74769 1,76929 1,76329 1,77873300 (1016) 1,74769 1,76944 1,76197 1,77873350 (1016) 1,74769 1,76949 1,76209 1,77873
Tabela 222: Hipervolumes – PAES – PQA20-3 Semente 3438
Iteração Clean Crowdd Random Verif50 (1016) 2,27958 2,28928 2,29733 2,28841100 (1016) 2,36212 2,38856 2,34996 2,37425150 (1016) 2,40371 2,40811 2,34937 2,38599200 (1016) 2,40451 2,41402 2,35359 2,38629250 (1016) 2,40451 2,41409 2,34992 2,38629300 (1016) 2,40451 2,41418 2,34895 2,38629350 (1016) 2,40451 2,41409 2,34888 2,38629
Tabela 223: Hipervolumes – PAES – PQA20-4 Semente 2377
Iteração Clean Crowdd Random Verif50 (1021) 2,23702 2,38562 2,1783 2,31494100 (1021) 2,34666 2,45879 2,26877 2,41638150 (1021) 2,35118 2,4644 2,33912 2,42346200 (1021) 2,3471 2,46463 2,31531 2,4196250 (1021) 2,35359 2,46505 2,32031 2,4367300 (1021) 2,36021 2,46546 2,32577 2,42785350 (1021) 2,35966 2,46574 2,31998 2,42296
174
Tabela 224: Hipervolumes – PAES – PQA20-4 Semente 9813
Iteração Clean Crowdd Random Verif50 (1021) 1,1878 1,23351 1,23291 1,27601100 (1021) 1,24936 1,28835 1,27987 1,33224150 (1021) 1,25183 1,29401 1,29026 1,34021200 (1021) 1,25107 1,29403 1,29562 1,33745250 (1021) 1,25624 1,29474 1,30776 1,34009300 (1021) 1,25166 1,29457 1,29873 1,33878350 (1021) 1,25005 1,29455 1,29929 1,33896
175
Tabela 225: ε-aditivo – PAES – PQA10-2 Semente 123
Iteração Clean Crowdd Random Verif50 15837,3 16118,5 14570,1 15644,1100 15837,3 16118,5 14570,1 15644,1150 15837,3 16118,5 14570,1 15644,1200 15837,3 16118,5 14570,1 15644,1250 15837,3 16118,5 14570,1 15644,1300 15837,3 16118,5 14570,1 15644,1350 15837,3 16118,5 14570,1 15644,1
Tabela 226: ε-aditivo – PAES – PQA10-2 Semente 215
Iteração Clean Crowdd Random Verif50 23312,1 22446,7 23850,8 21151,8100 23312,1 22446,7 23850,8 21151,8150 23312,1 22446,7 23850,8 21151,8200 23312,1 22446,7 23850,8 21151,8250 23312,1 22446,7 23850,8 21151,8300 23312,1 22446,7 23850,8 21151,8350 23312,1 22446,7 23850,8 21151,8
Tabela 227: ε-aditivo – PAES – PQA10-3 Semente 155
Iteração Clean Crowdd Random Verif50 28098 29921,8 29173 29287,1100 28098 29921,8 29173 29287,1150 28098 29921,8 29173 29287,1200 28098 29921,8 29173 29287,1250 28098 29921,8 29173 29287,1300 28098 29921,8 29230,5 29287,1350 28098 29921,8 29173 29287,1
176
Tabela 228: ε-aditivo – PAES – PQA10-3 Semente 256
Iteração Clean Crowdd Random Verif50 27030,3 27341,1 27659,9 26929,9100 27030,3 27341,1 27659,9 26929,9150 27030,3 27341,1 27756,7 26929,9200 27030,3 27341,1 27659,9 26929,9250 27030,3 27341,1 27746,9 26929,9300 27030,3 27341,1 27673,5 26929,9350 27030,3 27341,1 27673,5 26929,9
Tabela 229: ε-aditivo – PAES – PQA20-2 Semente 88
Iteração Clean Crowdd Random Verif50 76650 74539,1 75478 70838,8100 71535,8 71671,2 71266 68086,5150 70855,5 71341,8 71132 68047,5200 70855,5 70879,5 71132 68013,5250 70855,5 70879,5 71132 68013,5300 70855,5 70879,5 71132 67988,8350 70855,5 70879,5 71132 67988,8
Tabela 230: ε-aditivo – PAES – PQA20-2 Semente 124
Iteração Clean Crowdd Random Verif50 71816,1 71373,8 72543,9 69896100 67252,5 67520,1 67382,9 67584,2150 67072,2 66481,4 66948 67261,4200 67072,2 66399,7 66907,1 67038,9250 67072,2 66399,7 66907,1 67038,9300 67072,2 66399,7 66907,1 67038,9350 67072,2 66399,7 66907,1 67038,9
Tabela 231: ε-aditivo – PAES – PQA20-3 Semente 588
Iteração Clean Crowdd Random Verif50 94741,7 94648,9 89566,1 94047100 91314,6 91080,7 88018,6 90517150 91103,4 89112,4 87991,5 89228,7200 91103,4 88748,9 87976,8 88995,4250 91103,4 88748,9 87980,9 88995,4300 91103,4 88748,9 88295,3 88995,4350 91103,4 88748,9 88154,5 88995,4
177
Tabela 232: ε-aditivo – PAES – PQA20-3 Semente 3438
Iteração Clean Crowdd Random Verif50 100108 97750,5 97491,4 99473100 96994,9 95123,1 95585 96254,3150 94490,4 93516,5 96110,7 95850200 94409,2 93484,3 95516,5 95850250 94409,2 93484,3 95758 95850300 94409,2 93484,3 96009,6 95850350 94409,2 93484,3 95768 95850
Tabela 233: ε-aditivo – PAES – PQA20-4 Semente 2377
Iteração Clean Crowdd Random Verif50 117662 118914 119927 119024100 115756 116398 117716 116675150 115847 116246 115809 117746200 115909 116246 117905 117111250 116355 116246 116663 116304300 116022 116246 117268 116519350 115836 116246 117632 117043
Tabela 234: ε-aditivo – PAES – PQA20-4 Semente 9813
Iteração Clean Crowdd Random Verif50 99325,4 98855,1 99958,7 102183100 97857,2 96848,3 99257,9 100242150 97971,3 96848,3 99200,1 100083200 97713,3 96848,3 98573,4 100269250 97793,3 96848,3 97314,7 100293300 97736,5 96848,3 97710,3 100432350 98099,8 96848,3 98453,7 100008
178
B.3.2 Problemas WFG
Esta seção apresenta os resultados obtidos pelo SPEA2 para os problemas WFG. As
Tabelas 235 a 243 mostram os hipervolumes a cada 50 iterações, e as Tabelas 244 a 252
mostram o indicador ε-aditivo.
Tabela 235: Hipervolumes – PAES – WFG1
Iteração Clean Crowdd Random Verif50 619,957 619,966 618,865 619,958100 624,815 624,841 621,303 624,821150 626,884 626,916 622,102 627,009200 627,997 628,135 622,322 628,218250 628,753 628,961 623,756 629,262300 629,471 629,658 623,721 630,108350 629,88 630,092 625,02 630,566
Tabela 236: Hipervolumes – PAES – WFG2
Iteração Clean Crowdd Random Verif50 772,876 820,966 770,374 772,995100 739,585 839,166 777,511 739,915150 733,72 843,795 762,642 739,675200 731,952 847,045 743,806 741,619250 728,74 847,991 746,227 738,605300 730,684 849,221 754,316 734,814350 735,42 849,774 758,513 738,965
Tabela 237: Hipervolumes – PAES – WFG3
Iteração Clean Crowdd Random Verif50 766,134 790,021 766,059 767,119100 777,928 809,692 767,546 778,867150 787,842 813,551 760,903 780,929200 786,025 815,713 757,37 787,405250 783,163 816,5 762,616 786,456300 787,165 817,871 757,271 788,871350 791,626 819,725 761,01 788,592
179
Tabela 238: Hipervolumes – PAES – WFG4
Iteração Clean Crowdd Random Verif50 506,359 730,873 601,585 507,762100 503,097 757,12 599,204 507,749150 499,598 768,425 585,189 507,974200 515,12 779,836 599,775 489,27250 520,334 785,852 591,615 509,963300 510,734 792,993 604,517 511,972350 506,399 796,665 577,803 511,116
Tabela 239: Hipervolumes – PAES – WFG5
Iteração Clean Crowdd Random Verif50 520,697 704,569 538,327 522,742100 515 733,455 552,8 518,444150 523,778 741,328 560,392 516,785200 507,507 748,157 563,425 518,973250 501,475 761,087 549,238 514,164300 507,99 772,567 530,587 511,263350 522,556 776,084 556,425 499,91
Tabela 240: Hipervolumes – PAES – WFG6
Iteração Clean Crowdd Random Verif50 573,987 697,957 626,208 577,181100 572,541 712,472 619,651 573,766150 570,394 720,842 626,072 570,863200 571,318 725,973 619,407 581,675250 576,113 729,22 617,755 582,47300 564,351 733,603 615,29 571,173350 566,449 735,283 618,584 571,412
Tabela 241: Hipervolumes – PAES – WFG7
Iteração Clean Crowdd Random Verif50 568,543 632,459 588,145 575,286100 576,488 648,737 608,214 586,096150 584,745 660,878 592,755 571,74200 570,847 666,33 599,215 588,102250 570,973 673,017 599,596 576,35300 581,593 678,807 608,574 581,377350 589,52 683,072 603,185 591,512
180
Tabela 242: Hipervolumes – PAES – WFG8
Iteração Clean Crowdd Random Verif50 554,086 632,081 584,875 558,36100 550,78 646,645 598,276 560,523150 550,384 652,945 592,418 567,145200 548,087 657,008 586,535 576,804250 549,642 661,893 584,328 572,331300 556,15 663,71 597,501 562,075350 557,994 668,687 595,4 578,576
Tabela 243: Hipervolumes – PAES – WFG9
Iteração Clean Crowdd Random Verif50 516,017 617,027 521,529 518,936100 538,9 652,363 546,199 519,468150 545,049 663,156 527,133 532,376200 542,339 667,326 554,826 536,837250 528,3 678,269 534,401 523,554300 524,098 683,767 535,174 516,33350 558,707 687,052 549,851 516,175
181
Tabela 244: ε-aditivo – PAES – WFG1
Iteração Clean Crowdd Random Verif50 2,62012 2,6201 2,63288 2,62012100 2,58568 2,58566 2,62754 2,58591150 2,56958 2,56958 2,62652 2,5689200 2,55993 2,55876 2,62737 2,55903250 2,5551 2,55335 2,61423 2,55023300 2,5522 2,55097 2,62093 2,54612350 2,54926 2,54754 2,60709 2,54327
Tabela 245: ε-aditivo – PAES – WFG2
Iteração Clean Crowdd Random Verif50 1,90479 1,46858 1,84539 1,904100 2,16716 1,36122 1,82881 2,16649150 2,25632 1,34956 2,00792 2,15359200 2,28183 1,32132 2,05919 2,22941250 2,28878 1,31304 2,07474 2,19813300 2,27 1,31333 1,93507 2,26701350 2,23672 1,30744 1,94403 2,20727
Tabela 246: ε-aditivo – PAES – WFG3
Iteração Clean Crowdd Random Verif50 1,17105 1,0824 1,1433 1,16396100 1,11318 0,984539 1,14931 1,10439150 1,04584 0,959857 1,2048 1,06128200 1,05154 0,933738 1,18275 1,00148250 1,05605 0,928566 1,18622 1,04479300 1,04278 0,920319 1,17017 1,04185350 1,03585 0,908995 1,18302 1,04612
182
Tabela 247: ε-aditivo – PAES – WFG4
Iteração Clean Crowdd Random Verif50 4,51809 2,85585 3,22852 4,50422100 4,63844 2,7834 3,30848 4,55362150 4,63741 2,76115 3,44339 4,59193200 4,46605 2,70293 3,37002 4,7623250 4,38528 2,69694 3,52476 4,54192300 4,5552 2,66697 3,37466 4,45292350 4,59605 2,65322 3,5397 4,4847
Tabela 248: ε-aditivo – PAES – WFG5
Iteração Clean Crowdd Random Verif50 4,1149 2,48822 3,52976 4,10505100 4,23607 2,40345 3,33093 4,21136150 4,17315 2,34193 3,31923 4,16571200 4,26446 2,32544 3,21833 4,18909250 4,36962 2,32169 3,3396 4,22116300 4,26778 2,30711 3,53264 4,25186350 4,15718 2,30499 3,30511 4,43227
Tabela 249: ε-aditivo – PAES – WFG6
Iteração Clean Crowdd Random Verif50 2,63071 2,39574 2,53804 2,61277100 2,68297 2,37894 2,56866 2,63593150 2,65105 2,35956 2,57172 2,6694200 2,68052 2,32902 2,56436 2,68198250 2,65849 2,30266 2,58254 2,6506300 2,68108 2,25822 2,57389 2,68121350 2,75244 2,26415 2,54346 2,65042
Tabela 250: ε-aditivo – PAES – WFG7
Iteração Clean Crowdd Random Verif50 3,20698 3,10388 3,27473 3,19682100 3,18176 2,99483 3,19987 3,16838150 3,20851 2,97914 3,26687 3,35365200 3,26299 2,96334 3,31632 3,23101250 3,27551 2,91992 3,30955 3,30266300 3,18878 2,88488 3,23855 3,30565350 3,18833 2,87328 3,29151 3,19799
183
Tabela 251: ε-aditivo – PAES – WFG8
Iteração Clean Crowdd Random Verif50 2,82457 2,71398 2,79738 2,81985100 2,85941 2,68687 2,77695 2,8102150 2,86215 2,6772 2,75451 2,79782200 2,86015 2,64494 2,77962 2,75051250 2,81744 2,63891 2,7652 2,77526300 2,8245 2,60695 2,7655 2,7941350 2,81268 2,6185 2,73232 2,76478
Tabela 252: ε-aditivo – PAES – WFG9
Iteração Clean Crowdd Random Verif50 4,57897 3,43679 4,24447 4,56596100 4,33564 3,23334 4,00902 4,51051150 4,33922 3,23043 4,24359 4,46229200 4,34174 3,22318 3,93679 4,36618250 4,49182 3,12376 4,18592 4,50051300 4,47639 3,07706 4,23885 4,53509350 4,25136 3,0746 3,99042 4,54813
184
B.3.3 Problemas LZ09
Esta seção apresenta os resultados obtidos pelo PAES para os problemas LZ09. As
Tabelas 253 a 261 mostram os hipervolumes a cada 50 iterações, e as Tabelas 262 a 270
mostram o indicador ε-aditivo.
Tabela 253: Hipervolumes – PAES – LZ09F1
Iteração Clean Crowdd Random Verif50 94,3702 94,3664 94,1901 94,3712100 94,4466 94,4491 94,1488 94,4341150 94,4813 94,4806 94,0467 94,493200 94,4941 94,4974 94,0679 94,5049250 94,5336 94,5334 93,9488 94,5146300 94,5522 94,5535 93,9565 94,5233350 94,564 94,5624 93,9262 94,5587
Tabela 254: Hipervolumes – PAES – LZ09F2
Iteração Clean Crowdd Random Verif50 91,3808 91,3808 91,3808 91,3808100 91,3848 91,3848 91,3848 91,3848150 91,5831 91,5833 91,5833 91,5832200 91,6497 91,6498 91,6498 91,6582250 91,7413 91,7414 91,7413 91,7498300 91,7413 91,7414 91,7414 91,7498350 91,8046 91,8048 91,7414 91,8131
Tabela 255: Hipervolumes – PAES – LZ09F3
Iteração Clean Crowdd Random Verif50 91,5937 91,5937 91,5746 91,5937100 91,6522 91,6525 91,6339 91,6523150 91,9345 91,9349 91,8993 91,9026200 92,1296 92,1298 92,0985 92,0787250 92,2688 92,2691 92,1589 92,1416300 92,3326 92,3333 92,1984 92,2632350 92,5365 92,5374 92,2471 92,4919
185
Tabela 256: Hipervolumes – PAES – LZ09F4
Iteração Clean Crowdd Random Verif50 91,5804 91,5804 91,5798 91,5804100 91,6315 91,6316 91,6032 91,6315150 91,8876 91,8877 91,7992 91,8876200 92,0498 92,0501 91,8954 92,0618250 92,1464 92,1466 92,0084 92,1152300 92,2069 92,2075 91,9548 92,3238350 92,3754 92,376 91,839 92,4982
Tabela 257: Hipervolumes – PAES – LZ09F5
Iteração Clean Crowdd Random Verif50 91,5996 91,5998 91,5996 91,5998100 91,7217 91,7222 91,722 91,6698150 92,1376 92,1383 92,1082 92,0159200 92,416 92,4165 92,3158 92,2648250 92,5521 92,5526 92,4314 92,4783300 92,6455 92,6466 92,5112 92,6118350 92,8591 92,8598 92,677 92,8815
Tabela 258: Hipervolumes – PAES – LZ09F6
Iteração Clean Crowdd Random Verif50 894,122 894,515 893,309 894,123100 894,306 895,268 892,798 894,127150 894,494 895,67 892,929 894,583200 894,413 895,9 893,224 894,996250 894,143 896,025 892,356 894,913300 894,217 896,301 893,377 894,673350 894,607 896,786 892,375 895,552
Tabela 259: Hipervolumes – PAES – LZ09F7
Iteração Clean Crowdd Random Verif50 91,5645 91,5642 91,5639 91,5645100 91,5849 91,5851 91,5851 91,585150 91,5859 91,586 91,586 91,586200 91,5866 91,5866 91,5866 91,5866250 91,5867 91,5867 91,5867 91,5868300 91,5868 91,5868 91,5868 91,5868350 91,5913 91,5914 91,5914 91,5888
186
Tabela 260: Hipervolumes – PAES – LZ09F8
Iteração Clean Crowdd Random Verif50 91,5849 91,5849 91,5821 91,5849100 91,6437 91,6438 91,6437 91,6437150 91,6769 91,6769 91,6769 91,6769200 91,6969 91,6969 91,6969 91,6969250 91,7217 91,7217 91,7217 91,7217300 91,7371 91,7372 91,7372 91,7371350 91,7149 91,7149 91,7149 91,7149
Tabela 261: Hipervolumes – PAES – LZ09F9
Iteração Clean Crowdd Random Verif50 88,3776 88,3776 88,3769 88,3776100 88,382 88,3821 88,382 88,3821150 88,6405 88,6413 88,5474 88,6405200 88,817 88,8172 88,8172 88,817250 88,9451 88,9456 88,9454 88,9451300 88,9453 88,9457 88,9457 88,9902350 89,0057 89,0061 89,0058 89,0111
187
Tabela 262: ε-aditivo – PAES – LZ09F1
Iteração Clean Crowdd Random Verif50 0,400891 0,400891 0,410331 0,400891100 0,396418 0,395873 0,414956 0,396671150 0,394957 0,394281 0,416842 0,392823200 0,393639 0,392775 0,425402 0,392369250 0,390495 0,389762 0,425693 0,391778300 0,389119 0,388321 0,425907 0,391926350 0,388594 0,387999 0,425736 0,389925
Tabela 263: ε-aditivo – PAES – LZ09F2
Iteração Clean Crowdd Random Verif50 0,722947 0,722947 0,722947 0,722947100 0,722664 0,722664 0,722666 0,722664150 0,702003 0,702003 0,702003 0,702003200 0,697967 0,697967 0,697967 0,69711250 0,688433 0,688433 0,688433 0,687576300 0,688432 0,688432 0,688432 0,687575350 0,681775 0,681775 0,688432 0,680918
Tabela 264: ε-aditivo – PAES – LZ09F3
Iteração Clean Crowdd Random Verif50 0,685686 0,685686 0,687651 0,685686100 0,679579 0,679579 0,68152 0,679579150 0,653698 0,653698 0,657447 0,653361200 0,636456 0,636456 0,636485 0,634865250 0,6234 0,6234 0,630172 0,629805300 0,616658 0,616658 0,629282 0,617026350 0,595173 0,595173 0,62095 0,596124
188
Tabela 265: ε-aditivo – PAES – LZ09F4
Iteração Clean Crowdd Random Verif50 0,693302 0,693302 0,693304 0,693302100 0,68772 0,68772 0,690753 0,68772150 0,660261 0,660195 0,669595 0,660261200 0,642418 0,642332 0,658897 0,641157250 0,631861 0,631824 0,64688 0,63517300 0,625167 0,625075 0,652523 0,612372350 0,607167 0,607071 0,665432 0,593682
Tabela 266: ε-aditivo – PAES – LZ09F5
Iteração Clean Crowdd Random Verif50 0,694331 0,694331 0,694333 0,694331100 0,681552 0,681552 0,681566 0,687084150 0,642254 0,642254 0,645381 0,65059200 0,616948 0,616948 0,627422 0,624492250 0,60421 0,60421 0,616836 0,603656300 0,594378 0,594378 0,606998 0,589704350 0,572047 0,572047 0,585425 0,56438
Tabela 267: ε-aditivo – PAES – LZ09F6
Iteração Clean Crowdd Random Verif50 0,197157 0,197157 0,202306 0,197157100 0,194447 0,193675 0,202168 0,19377150 0,192109 0,191228 0,205315 0,191016200 0,190662 0,189834 0,203043 0,189935250 0,189874 0,18932 0,204534 0,188914300 0,187638 0,187027 0,201348 0,187204350 0,184945 0,184189 0,20355 0,18781
Tabela 268: ε-aditivo – PAES – LZ09F7
Iteração Clean Crowdd Random Verif50 0,67085 0,67085 0,67085 0,67085100 0,670456 0,670447 0,670447 0,670447150 0,670398 0,670395 0,670395 0,670393200 0,670362 0,670359 0,670359 0,67036250 0,670355 0,670351 0,670351 0,670351300 0,670351 0,670348 0,670348 0,670348350 0,621073 0,62107 0,62107 0,645782
189
Tabela 269: ε-aditivo – PAES – LZ09F8
Iteração Clean Crowdd Random Verif50 0,574527 0,574505 0,574513 0,574513100 0,571813 0,571807 0,571807 0,571815150 0,570107 0,5701 0,5701 0,5701200 0,568838 0,568837 0,568837 0,568839250 0,566412 0,566405 0,56641 0,566414300 0,564794 0,564789 0,564789 0,564794350 0,529849 0,529848 0,529848 0,529851
Tabela 270: ε-aditivo – PAES – LZ09F9
Iteração Clean Crowdd Random Verif50 0,728061 0,728061 0,728077 0,728061100 0,727743 0,727743 0,72775 0,727741150 0,715885 0,715818 0,72601 0,715885200 0,703066 0,703059 0,703061 0,703065250 0,690852 0,690824 0,690829 0,690852300 0,690851 0,690823 0,690829 0,685855350 0,684191 0,684166 0,68417 0,685831
190
B.3.4 Problemas Kursawe, Fonseca e Viennet
Esta seção mostra os resultados obtidos pelo PAES para os problemas Kursawe, Fon-
seca, Viennet2 e Viennet3. Os hipervolumes são mostrados nas Tabelas de 271 a 274 e os
indicadores de ε-aditivo nas Tabelas de 275 a 278.
Tabela 271: Hipervolumes – PAES – Kursawe
Iteração Clean Crowdd Random Verif50 236,121 236,661 230,401 236,137100 242,496 242,788 235,831 241,453150 245,099 245,127 234,925 243,739200 245,959 245,785 233,914 245,618250 247,435 247,405 235,379 247,012300 248,192 248,675 238,438 247,981350 249,252 249,561 238,566 250,203
Tabela 272: Hipervolumes – PAES – Fonseca
Iteração Clean Crowdd Random Verif50 2,95295 2,94119 2,79142 2,95391100 3,02609 3,01233 2,71361 3,0254150 3,07711 3,06907 2,6827 3,07584200 3,11282 3,09867 2,64896 3,08605250 3,12059 3,10328 2,68811 3,11957300 3,13746 3,12425 2,63046 3,12348350 3,13613 3,12681 2,65419 3,13244
Tabela 273: Hipervolumes – PAES – Viennet2
Iteração Clean Crowdd Random Verif50 20743,8 20744,6 20713,4 20744,3100 20748,1 20747,3 20698,5 20748,5150 20749,3 20747,3 20696,5 20749,2200 20748,9 20747,5 20683,4 20751250 20750,7 20747,1 20688,9 20750,7300 20750,3 20746,6 20694,8 20751,6350 20750,9 20746,3 20684,2 20751,8
B.4 Resultados MOEA/D
Nesta seção são apresentados os resultados obtidos pelo MOEA/D aos problemas ZDT
e DTLZ, respectivamente.
191
Tabela 274: Hipervolumes – PAES – Viennet3
Iteração Clean Crowdd Random Verif50 1777,6 1730,44 1759,21 1727,48100 1854,56 1863,59 1812,5 1817,46150 1897,37 1931,25 1804,49 1915200 1928,34 1933,74 1831,63 1917,83250 1918,68 1933,53 1833,47 1923,8300 1915,69 1935,18 1824,63 1927,44350 1907,14 1939,14 1804,74 1920,55
Tabela 275: ε-aditivo – PAES – Kursawe
Iteração Clean Crowdd Random Verif50 2,26499 2,27255 2,81807 2,26499100 1,85325 1,86498 2,6017 1,88348150 1,67008 1,68717 2,69123 1,72605200 1,63495 1,67178 2,77686 1,61008250 1,47742 1,5262 2,65777 1,51671300 1,31367 1,35641 2,66002 1,45977350 1,2911 1,32761 2,66125 1,33473
B.4.1 Problemas ZDT
Esta seção apresenta os resultados do MOEA/D para os problemas ZDT. As Tabelas
279 a 282 mostram os resultados de hipervolume, e as Tabelas de 283 a 286 mostram os
resultados de ε-aditivo.
192
Tabela 276: ε-aditivo – PAES – Fonseca
Iteração Clean Crowdd Random Verif50 0,300163 0,333758 0,400165 0,299987100 0,248343 0,294887 0,442951 0,250789150 0,218853 0,268193 0,48027 0,227128200 0,204174 0,263662 0,489606 0,219567250 0,200837 0,265699 0,466715 0,202853300 0,191138 0,258305 0,491186 0,201350 0,190232 0,259431 0,459223 0,194804
Tabela 277: ε-aditivo – PAES – Viennet2
Iteração Clean Crowdd Random Verif50 0,0300836 0,122874 0,0516051 0,0295013100 0,0306442 0,170919 0,0574614 0,0280822150 0,0318897 0,191919 0,0662315 0,0302697200 0,0309928 0,202004 0,0705416 0,0300017250 0,031601 0,216545 0,063826 0,0307837300 0,0311489 0,225571 0,0608252 0,0314378350 0,0316469 0,235361 0,0757388 0,0305676
Tabela 278: ε-aditivo – PAES – Viennet3
Iteração Clean Crowdd Random Verif50 32,9439 32,8193 33,8525 32,8472100 32,4717 32,4184 33,2281 32,5462150 32,5154 32,4162 32,9548 32,4645200 32,4142 32,2651 32,7274 32,3153250 32,092 32,032 32,2828 32,0813300 32,0879 32,0142 32,2376 32,0691350 32,1681 32,0121 32,3566 32,0808
Tabela 279: Hipervolumes – MOEA/D – ZDT1.
Iteração clean crowdd random verif50 9,99767 9,99767 9,99767 9,99767100 12,5801 12,7731 12,5936 12,8332150 14,2625 14,3213 14,1748 14,2973200 15,0971 15,0776 15,0676 15,1294250 15,4257 15,4049 15,3972 15,4288300 15,5381 15,5255 15,5228 15,5252350 15,5882 15,574 15,5727 15,5743
193
Tabela 280: Hipervolumes – MOEA/D – ZDT2.
Iteração clean crowdd random verif50 5,6143 5,6143 5,6143 5,6143100 9,6268 9,85301 9,8719 9,72527150 12,2508 12,3666 12,1314 12,1718200 14,1125 14,3306 13,9959 13,9213250 14,9143 15,0486 15,0013 14,9394300 15,1617 15,1767 15,1399 15,161350 15,2249 15,2387 15,2205 15,2263
Tabela 281: Hipervolumes – MOEA/D – ZDT3.
Iteração clean crowdd random verif50 10,7407 10,7407 10,7407 10,7407100 13,2973 13,2923 13,3464 13,2667150 15,0823 15,0917 14,9957 15,1757200 16,3023 16,3342 16,1851 16,3296250 17,1173 17,0972 16,994 17,1934300 17,5834 17,5525 17,5578 17,6369350 17,8782 17,8805 17,8445 17,908
Tabela 282: Hipervolumes – MOEA/D – ZDT4.
Iteração clean crowdd random verif50 990552 990552 990552 990552100 996379 996961 996924 996552150 998304 998451 998409 998265200 999011 999136 999128 999106250 999457 999547 999489 999476300 999702 999741 999719 999724350 999805 999860 999850 999861
Tabela 283: Indicador ε-aditivo – MOEA/D – ZDT1.
Iteração clean crowdd random verif50 1,36896 1,36896 1,36896 1,36896100 0,759876 0,702378 0,745464 0,681027150 0,347285 0,321138 0,367351 0,329569200 0,143473 0,144939 0,148077 0,132363250 0,0612572 0,0684432 0,0702386 0,0609934300 0,0375943 0,0397432 0,0394934 0,0401176350 0,0276663 0,0288183 0,0291016 0,0298687
194
Tabela 284: Indicador ε-aditivo – MOEA/D – ZDT2.
Iteração clean crowdd random verif50 2,59259 2,59259 2,59259 2,59259100 1,59158 1,53135 1,52974 1,56403150 0,90609 0,871136 0,941418 0,923915200 0,363068 0,295762 0,397909 0,417867250 0,122661 0,0792994 0,0955507 0,112866300 0,048314 0,0430941 0,0543625 0,0477958350 0,0297305 0,026262 0,0317207 0,0302301
Tabela 285: Indicador ε-aditivo – MOEA/D – ZDT3.
Iteração clean crowdd random verif50 1,86014 1,86014 1,86014 1,86014100 1,2086 1,21361 1,20721 1,23179150 0,771777 0,773004 0,796906 0,759986200 0,475879 0,469359 0,50776 0,487271250 0,286954 0,291669 0,318531 0,281283300 0,204629 0,212396 0,208545 0,187867350 0,157505 0,159214 0,165954 0,1424
Tabela 286: Indicador ε-aditivo – MOEA/D – ZDT4.
Iteração clean crowdd random verif50 9,4073 9,4073 9,4073 9,4073100 3,59702 3,02301 3,05589 3,43169150 1,6893 1,54379 1,58748 1,73283200 0,988429 0,863581 0,87677 0,892845250 0,546422 0,45903 0,519591 0,532842300 0,306766 0,259118 0,296816 0,279832350 0,202974 0,143012 0,164315 0,147402
195
B.4.2 Problemas DTLZ
Esta seção apresenta os resultados de hipervolume e ε-aditivo para os problemas
DTLZ, obtidos pelas variantes do MOEA/D. As Tabelas de 287 a 290 apresentam os
hipervolumes por iteração (verificado a cada 50 iterações), e as Tabelas de 291 a 294
mostram os valores do indicador ε-aditivo.
Tabela 287: Hipervolumes – MOEA/D – DTLZ1.
Iteração clean crowdd random verif50 123668 123668 123668 123668100 124938 124881 124867 124933150 124997 124996 124990 124998200 124999 124991 124978 125000250 125000 125000 124999 125000300 125000 124996 124996 125000350 125000 125000 125000 125000
Tabela 288: Hipervolumes – MOEA/D – DTLZ2.
Iteração clean crowdd random verif50 7,34045 7,34045 7,34045 7,34045100 7,3579 7,0792 7,07243 7,35816150 7,36176 7,36083 7,3612 7,3622200 7,36273 7,11217 7,15431 7,36337250 7,36434 7,36332 7,36349 7,36455300 7,365 7,13755 7,16903 7,36484350 7,36539 7,3646 7,36446 7,36509
Tabela 289: Hipervolumes – MOEA/D – DTLZ3.
Iteração clean crowdd random verif50 755361 755361 755361 755361100 916863 903613 903772 916613150 960871 958608 959190 963294200 982049 980917 983029 980937250 991893 992093 993404 990408300 995947 995689 997415 994283350 998349 999376 999501 996729
196
Tabela 290: Hipervolumes – MOEA/D – DTLZ4.
Iteração clean crowdd random verif50 124,311 124,311 124,311 124,311100 124,341 123,328 123,384 123,384150 124,349 124,348 124,24 124,24200 124,352 123,013 123,815 123,815250 124,355 124,355 124,356 124,356300 124,355 123,691 123,735 123,735350 124,358 124,355 124,358 124,358
Tabela 291: Indicador ε-aditivo – MOEA/D – DTLZ1.
Iteração clean crowdd random verif50 2,13469 2,13469 2,13469 2,13469100 0,633819 0,675633 0,720598 0,642513150 0,299512 0,298772 0,305666 0,275498200 0,155266 0,341508 0,288059 0,15323250 0,0879373 0,168887 0,134869 0,0942506300 0,0667875 0,236661 0,201239 0,0731350 0,0596362 0,0936607 0,0669991 0,0601152
Tabela 292: Indicador ε-aditivo – MOEA/D – DTLZ2.
Iteração clean crowdd random verif50 0,156591 0,156591 0,156591 0,156591100 0,153516 0,277428 0,279728 0,153491150 0,152437 0,153002 0,150826 0,155055200 0,15442 0,255588 0,239188 0,155297250 0,153946 0,151705 0,149896 0,155624300 0,156189 0,257709 0,247837 0,157324350 0,156386 0,152408 0,152599 0,159819
Tabela 293: Indicador ε-aditivo – MOEA/D – DTLZ3.
Iteração clean crowdd random verif50 22,9513 22,9513 22,9513 22,9513100 15,0067 15,8378 15,8378 15,0483150 9,90206 9,58459 9,48641 10,0608200 7,25021 7,25306 6,89075 7,24861250 5,49873 5,11995 4,78227 5,41646300 3,98751 2,91645 2,91894 4,11408350 2,67445 1,95809 1,79679 3,1012
197
Tabela 294: Indicador ε-aditivo – MOEA/D – DTLZ4.
Iteração clean crowdd random verif50 0,195175 0,195175 0,195175 0,195175100 0,169171 0,330857 0,361167 0,168547150 0,157467 0,158378 0,169969 0,158516200 0,155881 0,356336 0,326407 0,158418250 0,153296 0,15232 0,149223 0,159228300 0,153283 0,304695 0,327826 0,158103350 0,149136 0,150967 0,144658 0,160338
198
B.5 NSGA-III
Nesta seção são apresentados os resultados obtidos pelo NSGA-III aos problemas
ZDT, DTLZ, e Caixeiro Viajante Multiobjetivo, respectivamente.
B.5.1 Problemas ZDT
Esta seção apresenta os resultados do NSGA-III para os problemas ZDT. As Tabelas
295 a 298 mostram os resultados de hipervolume, e as Tabelas de 299 a 302 mostram os
resultados de ε-aditivo.
Tabela 295: Hipervolumes – NSGA-III – ZDT1.
Iteração clean crowdd random verif50 13,7658 13,7038 13,7038 13,7658100 15,0613 14,9718 14,9891 15,0613150 15,4686 15,2153 15,2448 15,4766200 15,6003 15,2773 15,2747 15,5997250 15,6369 15,3506 15,2201 15,6345300 15,6489 15,2922 15,3103 15,6470350 15,6527 15,2683 15,3050 15,6529
Tabela 296: Hipervolumes – NSGA-III – ZDT2.
Iteração clean crowdd random verif50 9.74269 9.75379 9.75379 9.74269100 12.2645 12.1823 12.2585 12.2645150 13.286 13.1291 13.252 13.286200 14.2667 13.8929 14.0726 14.2504250 15.0779 14.6503 14.7627 15.022300 15.3011 14.9475 14.9678 15.2957350 15.315 14.9858 14.9814 15.316
Tabela 297: Hipervolumes – NSGA-III – ZDT3.
Iteração clean crowdd random verif50 16.2964 16.481 16.481 16.2964100 17.6321 17.5661 17.6741 17.6199150 18.0078 17.7421 17.8355 18.0038200 18.0991 17.6593 17.7297 18.1257250 18.1287 17.8018 17.6861 18.1942300 18.1418 17.7492 17.8729 18.2099350 18.1469 17.7092 17.4743 18.2155
199
Tabela 298: Hipervolumes – NSGA-III – ZDT4.
Iteração clean crowdd random verif50 992655 993385 993385 992655100 997541 997948 998046 997541150 998988 999090 999191 998988200 999498 999500 999503 999498250 999708 999591 999524 999704300 999836 999613 999568 999834350 999912 999635 999550 999904
Tabela 299: Indicador ε-aditivo – NSGA-III – ZDT1.
Iteração clean crowdd random verif50 0.472097 0.501648 0.501648 0.472097100 0.162839 0.194156 0.182588 0.162839150 0.0605923 0.127414 0.124397 0.0573083200 0.0261782 0.12834 0.123363 0.0278852250 0.0176135 0.107527 0.131768 0.0188021300 0.0167839 0.122359 0.112114 0.0172018350 0.0167604 0.12353 0.117171 0.0166829
B.5.2 Problemas DTLZ
Esta seção apresenta os resultados do NSGA-III para os problemas ZDT. As Tabelas
303 a 306 mostram os resultados de hipervolume, e as Tabelas de 307 a 310 mostram os
resultados de ε-aditivo.
B.5.3 Problema do Caixeiro Viajante
Esta seção apresenta os resultados do NSGA-III para o Problema do Caixeiro Via-
jante. Como a fronteira ótima de Pareto não é conhecida para as duas instâncias utilizadas,
apenas o indicador de hipervolume foi verificado. A Tabela 311 mostra os resultados para
a instância com 100 cidades, e a Tabela 312 para a instância com 150 cidades.
200
Tabela 300: Indicador ε-aditivo – NSGA-III – ZDT2.
Iteração clean crowdd random verif50 1.54115 1.54715 1.54715 1.54115100 0.893631 0.924498 0.901439 0.893631150 0.620652 0.644292 0.619793 0.620652200 0.333463 0.39452 0.313628 0.337967250 0.0842995 0.199061 0.154843 0.101174300 0.0175264 0.143813 0.124838 0.0177127350 0.0138964 0.132624 0.133264 0.0134192
Tabela 301: Indicador ε-aditivo – NSGA-III – ZDT3.
Iteração clean crowdd random verif50 0.504012 0.456187 0.456187 0.504012100 0.217865 0.229884 0.226167 0.22143150 0.121143 0.224731 0.196626 0.13366200 0.0921457 0.263485 0.221896 0.0994141250 0.083352 0.211899 0.247257 0.0635856300 0.0794203 0.219772 0.204465 0.0535821350 0.0790757 0.259088 0.290788 0.053228
Tabela 302: Indicador ε-aditivo – NSGA-III – ZDT4.
Iteração clean crowdd random verif50 7.34475 6.6144 6.6144 7.34475100 2.45903 2.05231 1.954 2.45903150 1.01241 0.907618 0.808941 1.01241200 0.50181 0.499374 0.494905 0.50181250 0.292188 0.415252 0.481838 0.296087300 0.166188 0.393811 0.437568 0.17142350 0.0950907 0.379784 0.458173 0.0996154
Tabela 303: Hipervolumes – NSGA-III – DTLZ1.
Iteração clean crowdd random verif50 999938 999145 999145 999938100 999996 999783 999210 999997150 999999 999713 998882 999999200 1000000 999865 999866 1000000250 1000000 999764 999762 1000000300 1000000 999850 999850 1000000350 1000000 999909 999832 1000000
201
Tabela 304: Hipervolumes – NSGA-III – DTLZ2.
Iteração clean crowdd random verif50 7.35264 7.12694 7.12694 7.35264100 7.38882 7.16556 7.13563 7.38862150 7.39659 7.11749 7.09266 7.39628200 7.39936 7.139 7.12173 7.39918250 7.40046 7.15085 7.13277 7.4005300 7.40125 7.08058 7.12743 7.40115350 7.40146 7.06331 7.12664 7.40134
Tabela 305: Hipervolumes – NSGA-III – DTLZ3.
Iteração clean crowdd random verif50 124590000 124486000 124486000 124590000100 124969000 124544000 124447000 124969000150 124994000 124878000 124575000 124994000200 124999000 124806000 124690000 124999000250 125000000 124922000 124589000 125000000300 125000000 124980000 124967000 125000000350 125000000 124963000 124981000 125000000
Tabela 306: Hipervolumes – NSGA-III – DTLZ4.
Iteração clean crowdd random verif50 118.438 115.871 115.871 118.438100 118.597 115.244 115.686 118.488150 118.605 115.003 115.727 118.497200 118.606 115.554 116.177 118.606250 118.61 115.362 115.135 118.607300 118.608 115.552 115.158 118.609350 118.609 117.006 115.414 118.606
Tabela 307: Indicador ε-aditivo – NSGA-III – DTLZ1.
Iteração clean crowdd random verif50 2.58096 2.58096 2.96333 2.58096100 0.764434 0.764434 0.992422 0.786693150 0.29625 0.29625 0.597389 0.29706200 0.13847 0.13847 0.299843 0.154906250 0.100635 0.100635 0.222006 0.0870444300 0.0688757 0.0688757 0.155827 0.0685511350 0.0542311 0.0542311 0.128195 0.061099
202
Tabela 308: Indicador ε-aditivo – NSGA-III – DTLZ2.
Iteração clean crowdd random verif50 0.119561 0.228915 0.228915 0.119561100 0.100495 0.2075 0.238778 0.100748150 0.0963268 0.226399 0.270126 0.0962498200 0.0955448 0.231339 0.231788 0.0951854250 0.0956498 0.22744 0.218128 0.0954841300 0.0944878 0.249984 0.250262 0.0943493350 0.0948553 0.251078 0.226335 0.0940402
Tabela 309: Indicador ε-aditivo – NSGA-III – DTLZ3.
Iteração clean crowdd random verif50 57.6638 56.2905 56.2905 57.6638100 25.2425 28.2893 28.1061 24.9835150 14.8099 17.2873 18.7361 14.2378200 9.10731 11.6127 12.9486 9.26388250 6.06882 8.63288 9.29197 6.10224300 4.12058 5.46529 6.45729 4.09188350 2.64797 4.02967 4.67786 2.55171
Tabela 310: Indicador ε-aditivo – NSGA-III – DTLZ4.
Iteração clean crowdd random verif50 0.44673 0.568275 0.568275 0.44673100 0.419126 0.584756 0.576786 0.438148150 0.419218 0.574475 0.576759 0.437097200 0.421017 0.576272 0.583604 0.422685250 0.42054 0.581698 0.574998 0.418823300 0.420378 0.593155 0.587738 0.415167350 0.417241 0.578694 0.574189 0.422111
Tabela 311: Hipervolumes – NSGA-III – TSP100.
Iteração clean (∗109) crowdd (∗109) random (∗109) verif (∗109)50 1,04282 1,16574 1,14359 1,15129100 2,10369 2,16781 2,11485 2,20935150 2,86694 2,79007 2,7204 2,92963200 3,41434 3,21233 3,15384 3,451250 3,81311 3,5661 3,47175 3,88289300 4,16603 3,7991 3,74668 4,20625350 4,47537 4,05775 4,01645 4,53166
203
Tabela 312: Hipervolumes – NSGA-III – TSP150.
Iteração clean crowdd random verif50 1,935∗108 1,7747∗108 1,98689∗108 2,47608∗108
100 9,97885∗108 1,08597∗109 9,99751∗108 1,07918∗109
150 1,75983∗109 1,95005∗109 1,78885∗109 1,81203∗109
200 2,54241∗109 2,52945∗109 2,42002∗109 2,53162∗109
250 3,09854∗109 3,10149∗109 2,96836∗109 3,19425∗109
300 3,63944∗109 3,60081∗109 3,43198∗109 3,71576∗109
350 4,11752∗109 3,83291∗109 3,77398∗109 4,06406∗109