Jornal Internacional de Swarm Intelligence e Computação Evolutiva

Abstrato

Otimização multiobjetivo de enxame de partículas com pesquisa gradiente descendente

Li Ma e Babak Forouraghi*

A otimização por enxame de partículas (PSO) tem-se mostrado um método fiável para lidar com muitos tipos de problemas de otimização. Especificamente, ao resolver problemas de otimização PSO multiobjetivo (MOPSO), deve ser dada uma atenção cuidadosa à seleção dos parâmetros e à estratégia de implementação, de forma a melhorar o desempenho do otimizador. Este artigo propõe um novo MOPSO com capacidade de busca local melhorada. É introduzida uma nova abordagem de partilha sem parâmetros para estimar a densidade da vizinhança das partículas no espaço de pesquisa. Inicialmente, o método proposto determina com precisão o fator de aglomeração das soluções; em fases posteriores, orienta eficazmente todo o enxame para convergir estreitamente para a verdadeira frente de Pareto. Além disso, o algoritmo utiliza o método de busca local de gradiente descendente para explorar melhor a região ótima de Pareto. O desempenho do algoritmo em diversas funções de teste e num problema de projeto de engenharia é reportado e comparado com outras abordagens. Os resultados obtidos demonstram que o algoritmo proposto é capaz de pesquisar eficazmente ao longo da frente Pareto-óptima e identificar as soluções de trade-off.