Resumen

Los algoritmos evolutivos multiobjetivo han incorporado modelos sustitutos con el fin de reducir el número de evaluaciones necesarias para aproximar el frente de Pareto de los problemas de optimización multiobjetivo computacionalmente costosos. Actualmente, pocos trabajos han revisado el estado del arte en este tema. Sin embargo, las revisiones existentes se han centrado en la clasificación de los algoritmos de optimización multiobjetivo evolutivos con respecto al tipo de modelo sustitutivo subyacente. En este trabajo, nos centramos en clasificar los algoritmos evolutivos multiobjetivo con respecto a su integración con los modelos sustitutos. Esta interacción nos ha llevado a clasificar enfoques similares e identificar las ventajas y desventajas de cada clase.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:algoritmo evolutivo multiobjetivo, modelo sustituto, algoritmo de optimización multiobjetivo, problema de optimización multiobjetivo, modelo sustituto incorporado, respeto, frente de pareto, evaluación requerida, enfoque similar, arte
• Keywords:multiobjective evolutionary algorithm, surrogate model, multiobjective optimization algorithm, multiobjective optimization problem, incorporated surrogate model, respect, pareto front, required evaluation, similar approach, art