Optimizador multi-objetivo basado en colonias de hormigas para espacios de búsqueda continuos

Autor: Jesús Guillermo Falcón Cardona
Coautor(es): Dr. Carlos Artemio Coello Coello
En los ámbitos ingenieril, cientı́fico e industrial existen problemas que requieren de la optimización simultánea de varios objetivos que se encuentran normalmente en conflicto entre sı́. Éstos son los llamados problemas de optimización multi-objetivo (POMs). Debido al conflicto entre los objetivos, existen varias soluciones que satis- facen un POM en lugar de tener una única solución global como en el caso de un problema de optimización mono-objetivo. Estas soluciones conforman el denominado "conjunto óptimo de Pareto", mientras que su imagen es denominada "frente óptimo de Pareto". Las técnicas de programación matemática surgieron como un medio de solución de POMs. Sin embargo, bajo ciertas circunstancias, éstas presentan varios inconvenientes que deterioran su desempeño. En consecuencia, el uso de algoritmos evolutivos y otras metaheurı́sticas bioinspiradas para resolver POMs ha aumentado de manera signifi- cativa en los últimos 20 años. Esto ha dado pie al surgimiento de una gran variedad de algoritmos evolutivos multi-objetivo (AEMOs) en la literatura especializada. Por otra parte, la optimización mediante colonias de hormigas (ACO, por sus si- glas en inglés) es una metaheurı́stica inspirada por el comportamiento social de las hormigas en su búsqueda de alimento. Las ideas principales de ACO son la auto- organización y la comunicación indirecta basada en modificaciones al ambiente em- pleando una sustancia denominada feromona. A través de la feromona, una hormiga puede sesgar probabilı́sticamente las decisiones de otras hormigas. ACO fue diseñado inicialmente para resolver problemas de optimización combinatoria (como el proble- ma del viajero) debido a que se descubrió que los trazos de feromona convergı́an al camino más corto entre el nido y la fuente de alimento. Posteriormente, ACO fue extendido para la resolución de problemas de optimización continua dando buenos resultados y siendo ACO R una de las mejores propuestas de este tipo disponible en la actualidad. Sin embargo, el diseño de algoritmos de optimización multi-objetivo basados en ACO ha sido muy poco explorada en la literatura especializada. En esta tesis se propone un nuevo algoritmo de optimización multi-objetivo basa- do en ACO para la resolución de POMs en espacios de búsqueda continuos. La pro- puesta emplea ACO R como su motor de búsqueda y es denominada indicator-based Multi-Objective Ant Colony Optimization Algorithm for Continuous Search Spaces (iMOACO_R ). Este algoritmo también es capaz de resolver POMs de alta dimensiona- lidad debido al uso de un esquema de selección basado en el indicador de desempeño R2. El enfoque propuesto es comparado con respecto a AEMOs representativos del estado del arte (NSGA-III, MOEA/D, SMS-EMOA y MOACO_R ) empleado proble- mas de prueba e indicadores de desempeño estándar de la literatura especializada. Los resultados experimentales indican que iMOACO_R es competitivo con respecto a NSGA-III y MOEA/D y supera a SMS-EMOA y MOACO_R en la mayorı́a de los problemas de prueba adoptados. Además, iMOACO_R presenta un mejor desempeño conforme la dimensionalidad de los problemas de prueba aumenta. De esta forma, iMOACO_R parece ser un buen punto de partida para obtener un optimizador muti- objetivo basado en ACO altamente competitivo.