Resumen

Los algoritmos evolutivos multiobjetivo (MOEAs) han experimentado prosperidad en la resolución de problemas de optimización multiobjetivo (MaOPs) en las últimas tres décadas. Desafortunadamente, no hay un solo MOEA equipado con ajustes de parámetros dados, operador de variación de apareamiento y mecanismo de selección ambiental que sea adecuado para obtener un conjunto de soluciones con una excelente convergencia y diversidad para varios tipos de MaOPs. La realidad es que diferentes MOEAs muestran grandes diferencias en el manejo de ciertos tipos de MaOPs. Con el objetivo de estas características, este artículo propone un marco de trabajo de conjunto flexible, llamado ASES, que es altamente escalable para incorporar cualquier número de MOEAs para promover sus ventajas. Para aliviar el fenómeno no deseado de que algunas soluciones prometedoras sean descartadas durante el proceso evolutivo, se integra en este marco de trabajo de conjunto un gran archivo cuyo número de soluciones contenidas es mucho mayor que el tamaño de la población para registrar soluciones no domin

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Algoritmos evolutivos; Optimización multiobjetivo; Marco de conjunto; MaOPs; Convergencia; Diversidad
• Keywords:Evolutionary algorithms; Multiobjective optimization; Ensemble framework; MaOPs; Convergence; Diversity