Many-objective optimization with particle swarm optimization algorithm

Autor: Freire, Hélio Alves
Přispěvatelé: Oliveira, José Paulo Barroso de Moura, Pires, Eduardo José Solteiro, Bessa, Maximino Esteves Correia
Jazyk: angličtina
Rok vydání: 2017
Předmět:
Zdroj: Repositório Científico de Acesso Aberto de Portugal
Repositório Científico de Acesso Aberto de Portugal (RCAAP)
instacron:RCAAP
Popis: Tese de Doutoramento em Engenharia Eletrotécnica e de Computadores Muitos dos problemas de optimização envolvem diversos objectivos sujeitos a algumas restrições e que devem ser considerados simultaneamente. Ao contrário dos problemas uni-objectivo em que se procura a solução óptima global, a resolução dos problemas com múltiplos objectivos dão origem a um conjunto de soluções, chamado frente de Pareto. Nas últimas duas décadas os algoritmos evolutivos conjuntamente com o princípio da dominância de Pareto têm demonstrado uma grande capacidade para obter um conjunto de soluções próximas da frente óptima de Pareto. Esta situação tem-se verificado principalmente para problemas com dois ou três objectivos. Nos últimos anos tem-se levado os algoritmos evolutivos a resolver problemas com mais de três objectivos, denominados many-objective. Os algoritmos evolutivos e métodos baseados no princípio da dominância de Pareto desenvolvidos para resolver problemas com dois ou três objectivos, têm-se mostrado desadequados para problemas many-objective. Uma das questões centrais com os problemas de optimização many-objective usando a dominância de Pareto é que praticamente toda a população se torna não-dominada numa etapa em que a população ainda se encontra muito longe da frente óptima de Pareto. A selecção das “boas" soluções para recombinação com a restante população torna-se praticamente aleatória, tornando difícil a convergência da população para a frente óptima de Pareto. O princípio básico desenvolvido nesta tese de doutoramento é colocar algumas soluções próximas da frente óptima de Pareto na população, denominadas corner solutions, dos algoritmos evolutivos multi-objectivo. Para encontrar as corner solutions foi desenvolvido o algoritmo Corner MOPSO que aproveita os bons resultados demonstrados pelos algoritmos evolutivos e pelo princípio da dominância de Pareto para problemas com dois objectivos. Neste algoritmo faz-se uma transformação de um problema many-objective em diversos problemas bi-objective. Foram usados três algoritmos evolutivos, de paradigmas diferentes, um algoritmo genético, o NSGA-II, um particle swarm, o SMPSO e um algoritmo differential evolution, o GDE3, onde são introduzidos as corner solutions. O algoritmo é testado para a família de problemas benchmark DTLZ, mais propriamente os problemas DTLZ1, DTLZ2, DTLZ3, DTLZ4 e DTLZ5, com o número de objectivos, para cada um dos problemas, variando entre 4 e 10. Os métodos desenvolvidos são aplicados para projectar estruturas de controlo com controlador PID, considerando uma perspectiva many-objective. O objectivo é ajustar os parâmetros do controlador PID para diferentes sistemas. Many optimization problems involve several objectives subject to certain restrictions that should be considered simultaneously. Unlike single-objective problems which seek for the global optimal solution, problems with multiple objectives give rise to a set of solutions called Pareto front. In the last two decades, evolutionary algorithms in conjunction with Pareto dominance principles have demonstrated a large capacity to find a set of solutions at or nearby the optimal Pareto front. This method has been explored essentially in problems with two or three objectives. In recent years, evolutionary algorithms have been applied to solve problems with more than three criteria, called many-objective problems. Evolutionary algorithms and methods based on the Pareto dominance principle, developed to solve problems with two or three objectives, have proven unsuitable for many-objective problems. One of the main issues with many-objective optimization problems, using the Pareto dominance concept, is that entire population becomes practically nondominated in a stage in which the population is still far from the optimal Pareto front. The selection of “good" solutions for recombination with the remaining population becomes virtually random, making it difficult the population convergence to the optimal Pareto front. The main principle developed in this doctoral thesis is to seed the multi-objective algorithm population with some near optimal solutions, called corner solutions. To find the corner solutions a Corner MOPSO algorithm was developed that takes advantage of the good results demonstrated by evolutionary algorithms and the principle of Pareto dominance for problems with two objectives. This algorithm does a transformation from a many-objective problema into several bi-objective problems. Three evolutionary algorithms were used from different paradigms, a genetic algorithm, NSGA-II, a particle swarm, SMPSO, and a differential evolution algorithm, GDE3, where the corner solutions are introduced. The algorithm is tested for the family DTLZ benchmark problems, more specifically the DTLZ1, DTLZ2, DTLZ3, DTLZ4, and DTLZ5 problems with the number of targets for each of problems ranging between 4 and 10. The developed method are applied to design control structures with PID controller, considering a many-objective perspective. The aim is to tune the PID controller parameters for different systems. FCT - Funda ção para a Ciência e a Tecnologia (QREN - POPH - Tipologia 4.1 - Forma ção Avan çada comparticipada pelo Fundo Social Europeu e por fundos do MCTES)
Databáze: OpenAIRE
Externí odkaz: