Otimização de Problemas Otimização de Problemas Otimização de Problemas Otimização de Problemas
de Múltiplos Objetivos de Múltiplos Objetivos de Múltiplos Objetivos de Múltiplos Objetivos
Problemas Multi-objetivos
Aplicações reais de otimização muitas vezes envolvem múltiplos critérios de avaliação:
múltiplos objetivos
Exemplos:
− Para um produto comercial, minimizar o custo e maximizar a qualidade
− Para um circuito elétrico, minimizar a área ocupada e a potência dissipada e maximizar o ganho
Problemas Multi-objetivos
Otimizar cada objetivo separadamente não produz bons resultados: a otimização de um único objetivo pode levar os demais objetivos a não serem satisfeitos
Técnicas tradicionais de otimização, como Simulated Annealing, Gradient Descent e Algoritmos Genéticos exigem uma avaliação global única
Como comparar soluções?
Solução 1
− Objetivo 1: 50% satisfeito
− Objetivo 2: 30% satisfeito
Solução 2
− Objetivo 1: 40% satisfeito
− Objetivo 2: 45% satisfeito
Qual a melhor?
Como comparar soluções?
Uma estratégia consiste em combinar as avaliações de cada objetivo para obter uma avaliação global para cada solução:
Aptidão = F ( f1 , f2 , … , fn )
Métodos de Avaliação
Agregação de Objetivos
Estratégia de Pareto
Minimização da Distância ao Objetivo
Minimização de Energia (ICA)
Agregação de Objetivos
onde wi representa o peso dado para cada objetivo
Ex: para pesos wi =1:
− Solução 1: 30+50 = 80
− Solução 2: 40+45 = 85
∑
== n
i
i i f w F
1
Consiste na soma ponderada dos objetivos
Agregação de Objetivos
Vantagens− Simplicidade de implementação
− Pode ser usada em técnicas tradicionais de otimização
Desvantagens− Fraca performance na prática: exige aplicação de conhecimentos específcos do problema para o ajuste ótimo dos pesos wi
− Requer que as avaliações sejam normalizadas para a soma de valores comparáveis entre si
Estratégia de Pareto
Compara soluções sem combinar as avaliações
Conceito de dominância:
Uma solução v domina outra solução u se:
− Para nenhum objetivo é verificado que a avaliação de v seja pior que a de u
− Para pelo menos um objetivo é verificado que a avaliação de v é superior a de u
− Supondo problema de minimização, temos:
(∀i) (vi≤ ui) Λ(∃i) (vi< ui)
Estratégia de Pareto
Exemplo: Produtor deseja minimizar custos de produção (f1) e distribuição (f2):
− Solução A: f1=2, f2=10
− Solução B: f1=4, f2=6
− Solução C: f1=8, f2=4
− Solução D: f1=9, f2=5
− Solução E: f1=7, f2=8
0 5 10 15
10
5
A- (2,10)
D-(9,5) C-(8,4) E-(7,8)
B-(4,6)
A, B e C são boas soluções (embora nenhuma seja melhor em ambos os critérios); A, B e C são não-dominadas porque não há soluções melhores em ambos os critérios.
D e E são dominadas por outras soluções: B<E e C<D.
Estratégia de Pareto
Define-se o conjunto Pareto-Ótimo como sendo o conjunto de todas as soluções que não são dominadas por nenhuma outra
Qualquer que seja o critério para a avaliação global, é garantido que a melhor solução faz parte desse conjunto
Estratégia de Pareto
Evolução é feita privilegiando os indiv íduos que não estão dominados por nenhum outro
Avaliação final de uma solução pode levar em consideração o número de indivíduos na população que ela domina
Estratégia de Pareto
Vantagens
− Não exige que as avaliações sejam normalizadas pois não combina avaliações de diferentes objetivos
Desvantagens
− Maior complexidade de implementação
− Necessita de um critério adicional para a escolha da solução ótima dentre as pertencentes ao conjunto Pareto-Ótimo
− Na prática, pode não orientar a evolução no sentido desejado, levando a resultados insatisfatórios para certos problemas (falta de equilíbrio entre os objetivos)
Minimização da Distância ao Objetivo
Avalia uma so lução, calculando a distância entre o vetor de medidas e as especificações do usuário para cada objetivo
Pressão por compromisso aumenta com p que faz crescer a penalidade a soluções com baixo desempenho em um objetivo:
− para p=1, distância Manhattan
− para p=2, distância Euclidiana
− para p=∞, MinMax: F = max(|useri - fi|) 1≤ i ≤n
1
|
|
1
1
≥
−
=
∑
= user f pF
p N
i
p i i
Minimização de Energia
Método adaptativo de agregação de objetivos
Atualiza os pesos dinamicamente ao longo do processo evolutivo
Estabelece pesos maiores para os objetivos que forem menos satisfeitos pela população como um todo
Tem como objetivo minimizar todos os pesos (medida de energia), o que
corresponderá à satisfação dos objetivos
Incorpora as especificações do usuário
Minimização de Energia
Cálculo da aptidão:
onde n é o número de objetivos,wi é o peso associado ao objetivo i e Fnormi é o vetor normalizado de aptidões dado pela equação:
onde o denominador representa a média das avaliações
∑
== n
i
i iFnorm w
F
1
i i
i f
Fnorm = f
Minimização de Energia
Atualização dos pesos:
− É baseada na equação de atualização de pesos
implementada no algoritmo de retropropagação de redes neurais
k1e k2são constantes de normalização
α é uma constante análoga ao termo de momento utilizado em redes neurais: introduz memória, aumentando a estabilidade do sistema
ei,té o erro percentual entre a especificação do usuário para o objetivo i e a aptidão média da população para o objetivo i no instante t
t i t
i t
i, 1 k1.
α
.ω
, k2.(1α
).e,ω
+ = + −Minimização de Energia
Cálculo do erro:
− diferença entre a especificação do usuário para o objetivo i e a avaliação média no tempo t
Cálculo da energia E do sistema:
− diminui a medida que a avaliação se aproxima da especificação
i t i i t
i user
f e, user − ,
=
∑
== n
i
wi
E
1 2
Minimização de Energia
∑
= == n
i
t e t
i t
w k e k S
S
1
, 3 ,
3 ,
Cálculo das constantes
−permite definir E, baseada na soma dos pesos, como medida de convergência do sistema
−sem considerar o primeiro termo da equação de
atualização de pesos, cada wi,té proporcional ao erro ei,t
−considerando o primeiro termo, a soma de pesos deve ser proporcional à soma dos erros em qualquer t
t i t
i t
i, 1 k1. . , k2.(1 ).e ,
O algoritmo é inicializado escolhendo-se valores aleatórios para os pesos Sw0 que determinam k3
Para a soma de pesos deve ser proporcional à soma dos erros em qualquer t devemos ter,
0 0 3
e w
S k = S
t w t
w S
S k
k = , ∴ = ,
Minimização de Energia
∑
== n
i i
w w
S
1 0 , 0
Minimização de Energia
Vantagens
− Simplicidade de implementação comparado aos métodos baseados em estratégias de Pareto
− Adapta a orientação da evolução aos problemas encontrados durante o processo
− Aplicação bem-sucedida a problemas de síntese de circuitos eletrônicos através de GA
Minimização de Energia
Desvantagens
− Tal como o método tradicional de agregação de objetivos, ainda exige que as avaliações sejam normalizadas para valores comparáveis entre si
− Pode provocar speciation, que corresponde ao surgimento, em meio à população, de diferentes grupos (espécies) especializados em satisfazer cada objetivo
− requer a especificação de um valor target para cada objetivo i (user specification)
Conclusões
Área ainda em estudo
Diferentes métodos se mostram mais
adequados em diferentes casos, sem que se tenha obtido um método ideal para problemas multi-objetivos