Hibridização de Meta-heurísticas para Problemas Multi e Many-objetivos em uma Arquitetura Multiagentes
Hibridização de meta-heurísticas. Otimização multi-objetivo. Inteligência de agentes. Sistemas multiagentes. Decomposição.
Algoritmos híbridos combinam as melhores características de meta-heurísticas individuais.Eles têm se mostrado eficazes em encontrar soluções de boa qualidade para problemasde otimização combinatória multi-objetivo. Arquiteturas fornecem funcionalidades e re-cursos genéricos para a implementação de novos algoritmos híbridos capazes de resolverproblemas de otimização arbitrários. Arquiteturas baseadas em conceitos de inteligência deagentes e sistemas multiagentes, como aprendizado e cooperação, oferecem vários benefíciospara a hibridização de metaheurísticas. No entanto, a literatura carece de estudos sobrearquiteturas que exploram totalmente tais conceitos para hibridização multi-objetivo. Estatese estuda uma arquitetura multiagente chamadaMO-MAHM, inspirada nos conceitos deOtimização por Nuvem de Partículas. Na arquiteturaMO-MAHM, partículas são agentesinteligentes que aprendem com suas experiências passadas e se movem no espaço de buscaprocurando por soluções de alta qualidade. A principal contribuição desta tese é estudaro potencial daMO-MAHMem hibridizar meta-heurísticas para resolver problemas comdois ou mais objetivos. Este trabalho investiga os benefícios de métodos de aprendizagemde máquina para suporte ao aprendizado dos agentes e propõe um novo operador develocidade para mover os agentes no espaço de busca. O operador de velocidade propostousa uma técnica de path-relinking e decompõem o espaço objetivo sem utilizar funções deagregação. Outra contribuição desta tese é uma extensa revisão das técnicas existentesde path-relinking multi-objetivo. Devido a uma carência com respeito a técnicas de path-relinking para múltiplos objetivos, esta tese apresenta um novo path-relinking baseado emdecomposição, chamadoMOPR/D. Experimentos abrangem três problemas de otimizaçãocombinatória de formulações distintas com até cinco funções objetivo: mochila bináriamulti-dimensional, alocação quadrática e árvore geradora.MO-MAHMé comparada comabordagens híbridas existentes, tais como algoritmos meméticos e hyper-heurísticas. Testesestatísticos mostram que a arquitetura apresenta resultados competitivos com respeito àqualidade dos conjuntos aproximativos e diversidade de soluções.