Una metodología eficiente para manejo de restricciones en algoritmos evolutivos multi-objetivo

Authors

  • Mauricio Granada-Echeverri Universidad Tecnológica de Pereira
  • Jesús María López-Lezama Universidad de Antioquia
  • Ruben Romero Feis-Unesp-Ilha Solteira-Brasil

Keywords:

Algoritmos evolutivos, algoritmos multi-objetivo, optimización restricta

Abstract


Este artículo presenta un nuevo enfoque para resolver problemas de optimización restrictos (POR) basado en la filosofía de programación lexicografita de objetivos. En este caso se utiliza una metodología de dos fases usando una estrategia multi-objetivo. En la primera fase se concentra el esfuerzo en encontrar por lo menos una solución factible, descartando completamente la función objetivo. En la segunda fase se aborda el problema como bi-objetivo, convirtiendo el problema de optimización restricta a un problema de optimización irrestricto de dos objetivos. Los dos objetivos resultantes son la función objetivo original y el grado de violación de las restricciones. En la primera fase se propone una metodología basada en el endurecimiento progresivo de restricciones blandas para encontrar soluciones factibles. El desempeño de la metodología propuesta es validado a través de 11 casos de prueba bastante conocidos en la literatura especializada.
|Abstract
= 24 veces | PDF (ESPAÑOL (ESPAÑA))
= 13 veces|

Downloads

Download data is not yet available.

References

D. Powell, M. Skolnick. “Using genetic algorithms in engineering design optimization with nonlinear constraints”. Proceedings of the 5th International conference on Genetic Algorithms. Urbana- Champaign. 1993. pp. 424-431.

J. Kim, H. Myung. “Evolutionary programming techniques for constraint optimization problems”. IEEE Transactions on Evolutionary Computation. Vol 1. 1997. pp. 129-140.

K. Deb. “An efficient constraint handling method for genetic algorithms”. Computational Methods Applied on Mechanical Engineering. Vol. 186. 2000. pp. 311- 338.

A. Kurri, J. Gutierrez. “Penalty function methods for constrained optimization with genetic algorithms: A statistical analysis”. Proceedings of the 2nd Mexican international conference on artificial intelligence. Mérida Mx. 2002. pp. 108-117.

Z. Michalewicz, M. Schoemauer. “Evolutionary algorithms for constrained parameter optimization problems”. Evolutionary Computation. Vol. 4. 1996. pp. 1-32.

C. Zixing, W. Yong. “A multi-objective optimization-based evolutionary algorithm for constrained optimization”. IEEE Trans. Evolutionary Computation. Vol. 10. 2006. pp. 659-675.

K. Deb. Multi-Objective Optimization using Evolutionary Algorithms. Department of mechanical Engineering. Indian Institute of technology, Kanpur, India. 2ª ed. John Wiley and Sons. New York. 2004. pp. 408-424.

S. Koziel, Z. Michalewicz. “Evolutionary algorithms, homomorphous mappings and constrained parameter optimization”. Evolutionary Computation. Vol. 7. 1999. pp. 19-44.

K. Deb, A. Pratap, S. Agarwal, T. Meyarivan. “A fast and elitist multi-objective genetic algorithm: NSGA-II”. IEEE Transactions on Evolutionary Computation. Vol. 6. 2002. pp. 182-197.

C. A. Peñuela, M. Granada. “Optimización multiobjetivo usando un algoritmo genético y un operador elitista basado en un ordenamiento no-dominado (NSGA-II)”. Revista Scientia et Technica. Vol 35. 2007. pp. 175-170.

S. Venkatraman, G. Yen. “A generic framework for constrained optimization using genetic algorithms”. IEEE Transactions on Evolutionary Computation. Vol. 9. 2005. pp. 424-432.

Published

2013-07-18

How to Cite

Granada-Echeverri, M., López-Lezama, J. M., & Romero, R. (2013). Una metodología eficiente para manejo de restricciones en algoritmos evolutivos multi-objetivo. Revista Facultad De Ingeniería Universidad De Antioquia, (49), 141–150. Retrieved from https://revistas.udea.edu.co/index.php/ingenieria/article/view/15968

Most read articles by the same author(s)