Resumen

En general, las proximidades a una cierta diversidad a lo largo del frente y el frente de Pareto tienen la misma importancia para resolver problemas de optimización multiobjetivo (MOPs). Sin embargo, la mayoría de los algoritmos evolutivos existentes dan prioridad a la proximidad sobre la diversidad. Para mejorar la diversidad y disminuir el tiempo de ejecución del algoritmo genético de clasificación no dominada II (NSGA-II), se presenta en este documento un algoritmo mejorado, que adopta un nuevo esquema de clasificación de vectores para reducir el tiempo total y utiliza el Algoritmo de Parte y Selección (PSA) para mantener la diversidad. En este algoritmo, se presenta una implementación más eficiente de la clasificación no dominada, es decir, el enfoque de grado de dominancia para la clasificación no dominada (DDA-NS). Además, se propone un mecanismo mejorado de preservación de la diversidad para seleccionar un conjunto bien diversificado de un conjunto arbitrario dado. Al incrustar PSA y DDA-NS en NSGA-II, denominado como DNSGA2-PSA, el tiempo total del algoritmo se reduce significativamente y se mejora la explotación de la diversidad. Los experimentos computacionales muestran que la combinación de ambos (DDA-NS, PSA) en NSGA-II es mejor que los casos de uso aislados, y DNSGA2-PSA sigue funcionando bien en casos de alta dimensionalidad.

• Materias:Robot humanoide Sistema de inferencia Fusión de filtro Navegación Programación
• Subjects:Humanoid robot Inference system Filter fusion Navigation Programming
• Palabras claves:Frente; Diversidad; Problemas de optimización multiobjetivo; Algoritmos evolutivos; Algoritmo genético de ordenación no dominante II; PSA
• Keywords:Front; Diversity; Multiobjective optimization problems; Evolutionary algorithms; Nondominated sorting genetic algorithm II; PSA