A Comparative Analysis of MOEAs Considering Two Discrete Optimization Problems

Franca, Tiago P.; Lafetá, Thiago Fialho de Queiroz; Martins, Luiz G. A.; Oliveira, Gina M. B.

doi:10.1109/bracis.2017.76

Cited by 7 publications

(5 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…These algorithms are NSGA-III, SPEA2 (strength Pareto evolutionary algorithm 2) and MOEA/D (multi-objective evolutionary algorithm based on decomposition). More details about these algorithms are provided in [34].…”

Section: Simulation and Resultsmentioning

confidence: 99%

An intelligent energy management system for optimum design and real-time operation

Zedak¹,

Belfqih²,

Boukherouaa³

et al. 2023

IJPEDS

View full text Add to dashboard Cite

<span lang="EN-US">Planning and management of distribution networks has become a very difficult task, especially with the strong expansion of renewable energy sources (RES) which are intermittent in nature. Maintaining fluidity and reliability of real-time decisions while taking into consideration uncertainties related to production and increasing the profit of distribution network operators is the objective of the system proposed in this work. It is an intelligent energy management system dedicated to the management of grid-integrated RES and battery energy storage systems (BESS), composed of: i) a real-time control and data acquisition model, ii) a model for forecasting the intermittent parameters of RES based on neural networks, iii) a long-term planning model based on the optimal placement and size of RES and BESS, and iv) an hourly planning model for scheduling the energy distribution between energy sources. The non-dominated sorting genetic algorithm and the entropy-TOPSIS method (technique for order of preference by similarity to ideal solution) form the basic block of this model. To evaluate it, a modified IEEE 33 bus network was used for testing and the results, for short-term scheduling, proved that the system succeeds in maximizing profits and significantly minimizing CO<sub>2</sub> emissions, in addition to power losses and voltage drops.</span>

show abstract

Section: Simulation and Resultsmentioning

confidence: 99%

An intelligent energy management system for optimum design and real-time operation

Zedak¹,

Belfqih²,

Boukherouaa³

et al. 2023

IJPEDS

View full text Add to dashboard Cite

show abstract

“…Epitropakis et al adopted average percentage of fault detection (APFD) indicator to evaluate seven MOEAs [14]. Error rate (ER), generational distance (GD), and Pareto subset (PS) are used to evaluate five MOEAs [15].…”

Section: Previous Workmentioning

confidence: 99%

Evaluate the Effectiveness of Multiobjective Evolutionary Algorithms by Box Plots and Fuzzy TOPSIS

Yu¹,

Li²,

Cheng³

et al. 2019

IJCIS

View full text Add to dashboard Cite

A B S T R A C TNow, there are a lot of multiobjective evolutionary algorithms (MOEAs) available and these MOEAs argue that they are competitive. In fact, these results are generally unfair and unfaithful. In order to make fair comparison, comprehensive performance index system is established. The weights among the performance index system are solved by an adaptive differential evolution (ADE) algorithm. An approach is proposed to estimate MOEAs based on box plots and fuzzy TOPSIS. Box plots are employed to depict features of performance indicators and fuzzy TOPSIS is used to make evaluation. Experiments have been tested on IEEE CEC2009. The experiment results have revealed that the evaluation approach is effective, fair, and faithful when evaluating MOEAs. two indicators. Besides, it is known that we can't get any useful conclusions based on a single run. Generally speaking, statistical measurement is often used, such as mean values. However, the mean values can't give more information of indicators, such as the max value, min value, and distribution.

show abstract

“…Os dois primeiros (NSGA-II e SPEA2) são algoritmos bem conhecidos e largamente utilizados em problemas multiobjetivos. Apesar de sua eĄciência na resolução de problemas com até 3 objetivos, o desempenho desses AEMOs costuma cair consideravelmente com o aumento no número de objetivos (FRANÇA et al, 2017). Os demais algoritmos apresentados, são mais recentes e foram concebidos especiĄcamente para tratar de problemas many-objective, ou seja, que envolvam 4 ou mais objetivos.…”

Section: Algoritmos Bio-inspirados Multiobjetivosunclassified

“…Os experimentos apresentados nesta seção serviram como base para a elaboração de um artigo publicado no Brazilian Conference on Intelligent Systems (BRACIS) (FRANÇA et al, 2017). Na elaboração do artigo, o autor da presente dissertação implementou e efetuou os experimentos com o PMM, enquanto os experimentos com o PRM foram realizados por outro autor e também estudante de pós-graduação Thiago Fialho Lafetá, quem investigou o PRM em sua própria dissertação (LAFETÁ, 2016).…”

Section: Análise Comparativa Dos Algoritmos Evolutivosunclassified

“…É importante destacar que os conjuntos de soluções não dominadas (Pareto aproximado) adotados nesta etapa para o PRM são diferentes dos obtidos na primeira etapa para as mesmas redes (Tabela 2). Isso ocorreu porque, os conjuntos de Pareto originalmente utilizados (FRANÇA et al, 2017) foram complementados com novas soluções não dominadas encontradas em execuções preliminares dos algoritmos implementados (MACO/NDS e AEMMD). Observa-se que a cardinalidade dos conjuntos de Pareto encontrados para esta etapa de experimentos (Tabela 8) aumentou em relação aos conjuntos obtidos para a primeira etapa.…”

Section: Análise Comparativa Entre O Maco/nds E Os Aemos Many-objectiveunclassified

See 1 more Smart Citation

Estratégias bio-inspiradas aplicadas em problemas discretos com muitos objetivos

França¹

View full text Add to dashboard Cite

Agradeço principalmente à minha orientadora Gina Maira pela paciência e pelos ensinamentos durante esta trajetória. Agradeço ao meu co-orientador Luiz Gustavo pelas grandes ideias e correções de texto. Agradeço aos professores José Gustavo e Rita Maria pelas excelentes aulas durante o curso e à professora Márcia Aparecida, que além de ter ministrado suas reconhecidamente ótimas aulas de análise de algoritmos, sempre me incentivou a obter o título de mestre. Meus agradecimentos também se extendem aos meus pais: Wagner e Iara; meus irmãos: Vinícius, Bruno e Felipe; e aos meus grandes amigos: Lucas, Ana Carolyne, João Marcos, Mariana, Débora e Lívia que sempre me apoiaram e, direta ou indeiretamente, contribuiram muito para a realização deste trabalho. Agradeço também a Fundação de Amparo à Pesquisa de Minas Gerais (FAPEMIG) que providenciou o apoio Ąnanceiro para este trabalho. Resumo Problemas de otimização multiobjetivo são muito comuns no nosso dia-a-dia e surgem em diversas áreas do conhecimento. Neste trabalho, exploram-se e comparam-se várias estratégias de otimização multiobjetivo em dois problemas discretos bem conhecidos na computação: o problema da mochila e o problema do roteamento multicast. Dentre as estratégias para solucionar problemas multiobjetivos discretos, destacam-se os algoritmos genéticos (AGs) e os algoritmos baseados em colônias de formigas (ACOs). Ambas as abordagens são investigadas neste trabalho por meio de experimentos que avaliaram o desempenho de 10 algoritmos diferentes. Todos os algoritmos avaliados foram adaptados para os problemas propostos e, além disso, desenvolveu-se um novo algoritmo denominado Many-objective Ant Colony Optimization based on Non-Dominated Sets (MACO/NDS), o qual foi avaliado e comparado com todos os outros métodos aqui investigados, considerando-se diferentes métricas de desempenho. A partir dos resultados experimentais, foi possível comprovar a eĄciência e eĄcácia do método proposto. Em diversos cenários, ele foi capaz de encontrar conjuntos de soluções superiores aos produzidos pelos demais algoritmos e levou menos tempo para executar. Palavras-chave: algoritmos many-objectives; algoritmos genéticos; otimização por colônia de formigas; problema do roteamento multicast; problema da mochila multiobjetivo.

show abstract

A Comparative Analysis of MOEAs Considering Two Discrete Optimization Problems

Cited by 7 publications

References 23 publications

An intelligent energy management system for optimum design and real-time operation

An intelligent energy management system for optimum design and real-time operation

Evaluate the Effectiveness of Multiobjective Evolutionary Algorithms by Box Plots and Fuzzy TOPSIS

Estratégias bio-inspiradas aplicadas em problemas discretos com muitos objetivos

Contact Info

Product

Resources

About