📐 Optimisation multi-objectif
Recherche sur les approches évolutionnaires et métaheuristiques de l'optimisation multi-objectif, l'approximation du front de Pareto, les objectifs hétérogènes et l'apprentissage par renforcement multi-objectif.
L'optimisation multi-objectif (MOO) concerne l'optimisation simultanée de deux ou plusieurs objectifs contradictoires. Contrairement à l'optimisation à objectif unique, l'optimisation multi-objectif produit généralement un ensemble de solutions de compromis — le front de Pareto — plutôt qu'une seule solution optimale. Mes recherches sur la MOO ont porté sur le développement de nouveaux algorithmes et de problèmes de benchmark, avec un accent particulier sur les problèmes combinatoires, les objectifs hétérogènes et le lien entre la MOO et l'apprentissage par renforcement.
Fondements de l'optimisation multi-objectif
Optimalité de Pareto et analyse des compromis
Le concept d'optimalité de Pareto est au cœur de l'optimisation multi-objectif : une solution est Pareto-optimale si aucun objectif ne peut être amélioré sans détériorer au moins un autre objectif. L'ensemble de toutes les solutions Pareto-optimales constitue le front de Pareto. La recherche a examiné les propriétés des fronts de Pareto pour différentes classes de problèmes et les défis computationnels de leur approximation efficace.
Indicateurs de performance
Développement et évaluation d'indicateurs de performance pour les algorithmes d'optimisation multi-objectif, incluant l'indicateur d'hypervolume, la distance générationnelle inversée (IGD) et l'indicateur epsilon. Recherche sur les propriétés de ces indicateurs, leur sensibilité aux différents aspects de la qualité du front de Pareto et leur utilisation comme objectifs dans les algorithmes évolutionnaires basés sur des indicateurs.
Algorithmes évolutionnaires multi-objectifs (MOEA)
MOEA/D et MOEA basés sur la décomposition
Recherche sur les algorithmes évolutionnaires multi-objectifs basés sur la décomposition, particulièrement MOEA/D (Multi-objective Evolutionary Algorithm based on Decomposition). MOEA/D décompose le problème multi-objectif en un ensemble de sous-problèmes scalaires et les résout simultanément à l'aide d'une population d'agents. La recherche inclut l'analyse de la conception des vecteurs de poids, de la taille du voisinage et des stratégies de mise à jour.
NSGA-II et MOEA basés sur la dominance
Évaluation et développement d'algorithmes évolutionnaires multi-objectifs basés sur la dominance de Pareto, incluant NSGA-II et ses variantes. Analyse de l'influence de la distance de crowding, du maintien de la diversité et de la pression de sélection sur la performance des algorithmes sur des problèmes multi-objectifs de benchmark et du monde réel.
Estimation de distribution pour la MOO
Développement d'EDA multi-objectifs qui utilisent des modèles graphiques probabilistes pour capturer les dépendances entre les variables de décision et guider la recherche vers les régions prometteuses du front de Pareto. Application au problème du paysage NK multi-objectif et analyse des techniques d'apprentissage de réseaux bayésiens pour les EDA bayésiens multi-objectifs hybrides.
Problèmes bi-objectif avec objectifs hétérogènes
Optimisation combinatoire avec objectifs mixtes
Recherche sur les problèmes d'optimisation combinatoire bi-objectif où les objectifs sont de types différents — par exemple, un objectif continu et un objectif discret. Ces problèmes bi-objectif "hétérogènes" surviennent naturellement dans des applications du monde réel telles que la logistique (minimisation du coût et maximisation de la qualité), l'ordonnancement (minimisation du makespan et minimisation de la consommation d'énergie) et la conception technique.
Paysages NK avec objectifs hétérogènes
Développement du benchmark de paysages NK multi-objectifs avec objectifs hétérogènes — où différents objectifs ont différents nombres d'interactions épistatiques. Analyse de l'influence de l'hétérogénéité des structures de paysage des objectifs sur les propriétés du front de Pareto et sur la performance des algorithmes évolutionnaires multi-objectifs.
Cycle hamiltonien multi-objectif
Application d'algorithmes exacts de type branch-and-fix au problème du cycle hamiltonien multi-objectif. Développement de méthodes exactes capables de trouver toutes les solutions Pareto-optimales pour ce problème combinatoire NP-difficile, avec analyse des compromis entre la qualité de la solution et le coût computationnel.
La MOO pour l'apprentissage par renforcement
Benchmarking des MOEA pour le RL multi-objectif continu
Benchmarking systématique des algorithmes évolutionnaires multi-objectifs (MOEA) pour la résolution de problèmes d'apprentissage par renforcement (RL) multi-objectifs continus. L'étude compare NSGA-II, MOEA/D et d'autres MOEA de pointe sur une suite d'environnements de benchmark de RL multi-objectifs continus, en analysant leurs points forts et leurs faiblesses.
Problèmes multi-objectifs combinatoires
Problème du voleur voyageur (TTP) bi-objectif
Recherche sur les approches évolutionnaires du problème du voleur voyageur bi-objectif — un problème combinatoire complexe combinant le problème du voyageur de commerce avec un problème de sac à dos. Développement d'algorithmes avec des opérateurs adaptatifs qui ajustent leur comportement de recherche en fonction de l'état actuel de la population et de l'approximation du front de Pareto.
Back-Drive dans les algorithmes évolutionnaires multi-objectifs
Recherche sur le "back-drive" — un mécanisme qui réintroduit des informations provenant de solutions précédemment écartées dans la recherche évolutionnaire — et ses avantages pour les algorithmes évolutionnaires multi-objectifs. Analyse de la manière dont le back-drive peut améliorer le maintien de la diversité et la couverture du front de Pareto dans les problèmes d'optimisation multi-objectif difficiles.
Publications sélectionnées
- Karshenas H, Santana R, Bielza C and Larrañaga P (2014). Multiobjective Estimation of Distribution Algorithm Based on Joint Modeling of Objectives and Variables. IEEE TEVC.
- Karshenas H, Santana R, Bielza C and Larrañaga P (2012). Multi-objective optimization based on joint probabilistic modeling of objectives and variables. PPSN 2012.
- Karshenas H, Santana R, Bielza C and Larrañaga P (2011). Multi-objective optimization with joint probabilistic modeling of objectives and variables. EMO 2011.
- Martins MS, Delgado MR, Santana R, Lüders R, Gonçalves RA and Almeida CPd (2016). HMOBEDA: Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm. GECCO 2016.
- Martins MSR, Delgado M, Lüders R, Santana R, Gonçalves RA and de Almeida CP (2017). Probabilistic analysis of Pareto Front approximation for a hybrid multi-objective Bayesian estimation of distribution algorithm. LION 11.
- Martins MS, Delgado MR, Lüders R, Santana R, Gonçalves RA and Almeida CPd (2018). Hybrid multi-objective Bayesian estimation of distribution algorithm: a comparative analysis for the multi-objective knapsack problem. JORS.
- Martins MS, Delgado MR, Lüders R, Santana R, Gonçalves RA and Almeida CPd (2018). Exploring the probabilistic graphic model of a hybrid multi-objective Bayesian estimation of distribution algorithm. GECCO 2018.
- Martins MSR, El-Yafrani M, Santana R, Delgado M, Lueders R and Ahiod B (2018). On the performance of multi-objective estimation of distribution algorithms for combinatorial problems. CEC 2018.
- Martins MS et al. (2021). Analysis of Bayesian Network Learning Techniques for a Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm. CODA 2021.
- Murua M, Galar D and Santana R (2022). Solving the multi-objective Hamiltonian cycle problem using a Branch-and-Fix based algorithm. Journal of Computational Science.
- Murua M, Galar D and Santana R (2020). Adaptation of a Branching Algorithm to Solve the Multi-Objective Hamiltonian Cycle Problem. CEC 2020.
- Santana R and Shakya S (2020). Dynamic programming operators for bi-objective TTP problem. GECCO 2020.
- Cosson R, Santana R, Derbel B and Liefooghe A (2022). Multi-objective NK landscapes with heterogeneous objectives. GECCO 2022.
- Strickler A, Castro Jr O, Pozo A and Santana R (2016). Investigating selection strategies in multi-objective probabilistic model based algorithms. GECCO 2016.
- Zangari-de-Souza M, Santana R, Mendiburu A, Bengoetxea E and Pozo A (2015). MOEA/D-GM: Using probabilistic graphical models in MOEA/D for solving combinatorial optimization problems. CEC 2015.
- Zangari-de-Souza M, Mendiburu A, Santana R and Pozo A (2017). Multiobjective Decomposition-based Mallows Models Estimation of Distribution Algorithm. GECCO 2017.
- Zangari-de-Souza M, Mendiburu A, Santana R and Pozo A (2017). A decomposition-based binary ACO algorithm for the multiobjective UBQP. CEC 2017.
- Rodrigues EM, Santana R and Pozo A (2016). Transfer weight functions for injecting problem information in the multi-objective CMA-ES. GECCO 2016.
- Rodrigues EM, Santana R and Pozo A (2017). Combining CMA-ES and MOEA/DD for many-objective optimization. CEC 2017.
- Santana R, Bielza C, Lozano JA and Larrañaga P (2009). Mining probabilistic models learned by EDAs in the optimization of multi-objective problems. GECCO 2009.
- Lima RM et al. (2018). Evolutionary Multi-Objective System Design: Theory and Applications. CRC Press.
- Fritsche G, Strickler A, Pozo A and Santana R (2015). Capturing Relationships in Multi-Objective Optimization. Brazilian Conference on Intelligent Systems.