Multiobjective genetic algorithms applied to solve optimization problems

Dias, A.H.F.; Vasconcelos, J.A.

doi:10.1109/20.996290

Cited by 139 publications

(59 citation statements)

References 7 publications

(12 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Por ello, este trabajo propone utilizar un algoritmo Epsilon MOEA[11] [19] con el fin de optimizar ambos objetivos simultáneamente. Cabe destacar que la tecnología mencionada permite trabajar con una gran cantidad de parámetros y deja la posibilidad de agregar nuevos objetivos a optimizar en el futuro.…”

Section: Estructura De Gdarimunclassified

Un nuevo enfoque para asignación óptima de múltiples recursos

Cancelo¹,

Cababie²,

Barrera³

et al. 2009

Ciencia Y Tecnología

View full text Add to dashboard Cite

The problem in the optimal room's assignment has been developed and researched with lot of different techniques, tools and technologies. This job shows the design of a solution based on Artificial Intelligence, specifically using Multi-objective Genetic Algorithms that optimizes the classrooms and teachers assignment simultaneously. This implementation has been built optimizing more than one objective, letting both of them competing to establish a general equilibrium and get to a feasible solution quickly and efficiently. This development shows the parameters involved in the problem, the structure of the gene set, the architecture chosen for implementation and the definition of the fitness function. This job is based on a functional prototype. Under the terms of the particular problem has been necessary to redesign the operations of traditional genetic algorithms, to define weights for the objectives and restrictions of the case. From this analysis emerge the hypercube and distance concepts to ensure comparability, and close relationship of the solutions. This system meets the feature known for Genetic Algorithms: solves one problem but it is especially applicable to similar problems with entirely different scenarios. Keywords: Genetic algorithms, Epsilon MOEA, Resource management, Optimization, Spaces, classrooms, Assignment. ResumenEl problema de la asignación óptima de aulas ha sido desarrollado e investigado con varias técnicas, herramientas y tecnologías. Este trabajo muestra el diseño de una solución basada en inteligencia artificial, más específicamente utilizando algoritmos genéticos multi-objetivo que realizan la asignación de aulas y docentes en forma conjunta. La implementación consiste en optimizar más de un objetivo, permitiendo que ambos compitan para establecer un equilibrio general y llegar a un conjunto de soluciones factibles en forma ágil, eficaz y eficiente. A lo largo de este desarrollo, se detallan los parámetros que intervienen en el problema, la estructura definida del gen, la arquitectura elegida para la aplicación y la definición de la función de optimización. Es de destacar que este trabajo se basa en un prototipo funcional. A su vez, cabe aclarar que de acuerdo a las condiciones del problema en particular ha sido necesario rediseñar las operaciones de algoritmos genéticos tradicionales, definir ponderaciones para los objetivos y restricciones del caso. De este análisis surgen conceptos como distancia e híper-cubo para establecer la comparabilidad, relación y cercanía de las soluciones. Éste sistema cumple con la característica conocida de los Algoritmos Genéticos: resuelve un problema en especial pero es aplicable a problemas del mismo tipo con escenarios totalmente distintos.

show abstract

Section: Estructura De Gdarimunclassified

Un nuevo enfoque para asignación óptima de múltiples recursos

Cancelo¹,

Cababie²,

Barrera³

et al. 2009

Ciencia Y Tecnología

View full text Add to dashboard Cite

show abstract

“…Dias & Vasconcelos (2002) compared the NSGA with four others multiobjective evolutionary algorithms using two test problems. The NSGA performed better than the others did, showing that it can be successfully used to find multiple Paretooptimal solutions.…”

Section: Nondominated Sorting Genetic Algorithmmentioning

confidence: 99%

Multicriteria Optimal Humanoid Robot Motion Generation

Capi¹,

Nasu²,

Yamano³

et al. 2007

Humanoid Robots: New Developments

View full text Add to dashboard Cite

“…These two goals cause enormous search space in MOPs and let deterministic algorithms feel difficult to obtain the Pareto-optimal solutions. Therefore, satisfying these two goals simultaneously is a principal challenge for any algorithm to deal with MOPs (Dias & Vasconcelos, 2002). In recent years, several evolutionary algorithms (EAs) have been proposed to solve MOPs.…”

Section: Introductionmentioning

confidence: 99%