Revista Română de Informatică și Automatică – ICI București
Art. 04 – Vol. 25 – Nr. 2 – 2015
Iulia Cristina Rădulescu
iulia.radulescu1702@yahoo.com
Universitatea POLITEHNICA din Bucureşti – Facultatea de Automatică şi Calculatoare
Rezumat: Cele mai multe probleme de optimizare care apar în practică au un caracter multi-obiectiv deoarece în cadrul lor este necesar să fie optimizate simultan mai multe funcţii obiectiv. În acest articol se realizează o analiză a modului de rezolvare a problemelor de optimizare multi-obiectiv, cu accent pe rezolvarea bazată pe algoritmi evolutivi. Se prezintă o clasificare a tehnicilor de optimizare în enumerative, deterministe şi stocastice. Din cadrul tehnicilor de optimizare stocastice sunt detaliaţi algoritmii de calcul evolutiv (Evolutionary Algorithms – EA). Aceşti algoritmi sunt folosiţi cu succes pentru rezolvarea problemelor de optimizare multi-obiectiv. Se prezintă concepte de bază utilizate în cadrul algoritmilor evolutivi şi se trec în revistă mai mulţi algoritmi evolutivi pentru rezolvarea problemelor de optimizare multi-obiectiv. În final, se rezolvă patru probleme de optimizare multi-obiectiv, cu ajutorul unui cunoscut algoritm evolutiv: algoritmul genetic cu sortare ne-dominată (Non-Dominated Sorting in Genetic Algorithms – NSGA-II). Programul Matlab ce implementează algoritmul NSGA-II calculează frontiera Pareto a celor patru probleme considerate.
Cuvinte cheie: Multi-objective optimization, Evolutionary Algorithms, Non-Dominated Sorting Genetic Algorithms, Pareto frontier.