Resumen

Los algoritmos evolutivos han demostrado ser enfoques eficaces en la búsqueda de soluciones óptimas de problemas de optimización multiobjetivo con un número de objetivos igual o inferior a tres. Sin embargo, el rendimiento de la búsqueda degenera en optimizaciones con objetivos de alta dimensión. En este trabajo proponemos un algoritmo para optimización multiobjetivo con optimización por enjambre de partículas como técnica metaheurística subyacente. En el algoritmo propuesto, los objetivos se descomponen y reconstruyen utilizando una estrategia de desacoplamiento discreto, y los procedimientos de subgrupo se integran en una estrategia de coevolución unificada. El algoritmo propuesto consta de procesos evolutivos internos y externos, junto con el factor adaptativo μ , para mantener la convergencia y la diversidad. Al mismo tiempo, se introducen una estrategia de reconstrucción de repositorios diseñada y técnicas mejoradas de selección de líderes de MOPSO. Los resultados experimentales comparativos demuestran que el UMOPSO-D propuesto supera a los otros seis algoritmos, incluidos cuatro algoritmos de uso común y dos algoritmos de nueva propuesta basados en la descomposición, especialmente en objetivos de alta dimensión.

• Materias:Matemáticas Análisis Matemático Algebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:Algoritmos evolutivos; problemas de optimización multiobjetivo; optimización por enjambre de partículas; optimización multiobjetivo; técnica metaheurística; convergencia y diversidad.
• Keywords:Evolutionary algorithms; multiobjective optimization problems; particle swarm optimization; many-objective optimization; metaheuristic technique; convergence and diversity