Angelo Aliano FIlho, UTFPR
Helenice de Oliveira Florentino, IB/UNESP
Ementa
1) Introdução a otimização multiobjetivo: Conceitos básicos: Problema Multiobjetivo, Espaço decisão, Vetor decisão, Espaço objetivo, Dominância, Soluções eficientes (Pareto-ótima), Conjunto Pareto-ótimo, Fronteira de Pareto-ótimo, outras.
2) Algoritmo Genético (AG (ou GA Genetic Algorithm)) – Conceitos básicos: Definição de AG, representação das soluções, operadores genéticos, aplicações.
3) Métodos de Resolução de problemas Multiobjetivo: Métodos Exatos: Soma Ponderada; e-restrito; normas ponderadas; Benson; Tchebycheff ponerado; Tchebycheff sem poderação; NISE
4) Métodos Aproximativos: AGs Multi-objetivos: MOGA (Multi-objective GA), NPGA (Niched Pareto GA), NSGA (Non-dominated Sorting GA), SPEA2 (Strength Pareto Evolutionary Algorithm); Métricas de Performance (convergência e diversidade).
Bibliografia Clássica
Coello Coello C.A. (2001) A Short Tutorial on Evolutionary Multiobjective Optimization. In: Zitzler E., Thiele L., Deb K., Coello Coello C.A., Corne D. (eds) Evolutionary Multi-Criterion Optimization. EMO 2001. Lecture Notes in Computer Science, vol 1993. Springer, Berlin, Heidelberg
Coello Coello C.A., Lamont G.B., Van Veldhuizen D.A. (2007). Evolutionary algorithms for solving multi-objective problems.
Deb Kalyanmoy. 2001. Multi-Objective Optimization Using Evolutionary Algorithms. John Wiley & Sons, Inc., New York, NY, USA.
Goldberg, D. E., 2002. Genetic Algorithms and Evolutionary Computation. Academic Publishers, Norwell.
Os códigos dos métodos apresentados no minicurso podem ser baixados aqui.
Slides
