Departamento de Computación

Los problemas de optimización multi-objetivo (MOPS por sus siglas en inglés) surgen comúnmente en aplicaciones de gestión e ingeniería. Un tipo más general de MOPs son los comúnmente llamados problemas de optimización multi-objetivo mixtos-enteros (MMOPs por sus siglas en inglés), en los cuales el espacio de búsqueda esta compuesto por variables reales y variable enteras. La investigación concerniente a la resolución de MMOPs es aun escasa a pesar de la frecuencia con la que estos aparecen en la practica. En este trabajo, proponemos un nuevo método de continuación orientado a la resolución tanto de MOPs como de MMOPs. Nuestra propuesta, llamada Enhanced Directed Search (EDS), es capaz de guiar la búsqueda en una dirección predefinida en el espacio objetivo. Más aun, permite la resolución de problemas con más de dos objetivos al mismo tiempo que hace uso de la información local disponible para incrementar su eficiencia. Para corroborar la eficiencia y eficacia del método se llevaron a cabo una serie de pruebas en funciones de "benchmark" y los resultados fueron comparados contra los obtenidos por el NSGA-II y el método DZZ, siendo este ultimo, el mas cercano competidor del método EDS. Los resultados obtenidos comprueban que el método EDS es tan eficaz como los métodos antes mencionado siendo a la vez más eficiente que cualquiera de ellos.

Abstract

Multi-objective optimization problems (MOPs) commonly arise in several real-life engineering and management applications. A more general kind of MOPs are the so called Mixed-Integer multi-objective optimization problems (MMOPs), where the search space is composed by real and integer variables. The research regarding MMOPs is still scarce despite the frequency in which they arise in practice. In this work we propose a continuation method that deals with continuous and mixed-integer problems as well. Our approach, called Enhanced Directed Search (EDS, is capable of steering the search along a predefined direction in objective space. Furthermore, it is capable of dealing with problems with more than two objectives, while making use of neighboring information to increase the efficiency of the method. We demonstrate, through the resolution of some benchmark test functions, that the EDS method is as reliable as the Direct Zig Zag (DZZ) and NSGA-II methods while being more efficient than both of them.