1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Tamaulipas
4. Instituto Tecnológico de Ciudad Madero
5. Tesis
6. Tesis de Maestría
7. Maestría en Ciencias de la Computación

Title:	CLASIFICACIÓN MULTICRITERIO BASADA EN OUTRANKING PARA INCORPORAR PREFERENCIAS EN OPTIMIZACIÓN MULTIOBJETIVO EVOLUTIVA CON PRESENCIA DE CONOCIMIENTO IMPERFECTO
Authors:	Castellanos Alvarez, Alejandro
Issue Date:	2021-11-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Ciudad Madero
Description:	La mayoría de los problemas del mundo real son complejos (pertenecen a la clase NP-Duro) y requieren la optimización simultanea de múltiples funciones objetivo que pueden estar en conflicto entre sí. El entorno de estos problemas generalmente involucra información imprecisa derivada de mediciones inexactas o de la variabilidad en juicios y creencias de los tomadores de decisiones, lo que puede conducir a soluciones insatisfactorias. El conocimiento imperfecto puede estar presente en funciones objetivo, restricciones o preferencias de los tomadores de decisiones.En este trabajo se aborda el problema de incorporación de preferencias en optimización multiobje- tivo continua bajo condiciones de incertidumbre. Se propone un método para incorporar preferencias en algoritmos evolutivos multiobjetivo (MOEAs). El método propuesto utiliza clasificación ordinal multicriterio basada en outranking para guiar la búsqueda hacia la región de interés del tomador de decisiones, que es la zona más acorde con sus preferencias. Los parámetros del modelo de preferencias outranking incorporan un mecanismo capaz de afrontar la incertidumbre con números de intervalos; permitiendo que las preferencias sean expresadas con imprecisión.De manera general, el método de incorporación de preferencias segmenta a un grupo de individuos en categorías ordenadas por nivel de satisfacción para incrementar la capacidad de un MOEA de discriminar entre buenas y malas soluciones. El proceso de ordenamiento de soluciones de cada tipo de MOEA requiere un tratamiento específico para acoplar el clasificador. Hasta nuestro conocimiento, este es el primer trabajo que integra el clasificador ordinal multicriterio INTERCLASS-NC en un MOEA.De manera general, el método de incorporación de preferencias segmenta a un grupo de individuos en categorías ordenadas por nivel de satisfacción para incrementar la capacidad de un MOEA de discriminar entre buenas y malas soluciones. El proceso de ordenamiento de soluciones de cada tipo de MOEA requiere un tratamiento específico para acoplar el clasificador. Hasta nuestro conocimiento, este es el primer trabajo que integra el clasificador ordinal multicriterio INTERCLASS-NC en un MOEA.Los experimentos contrastaron los algoritmos propuestos contra sus versiones que no consideran preferencias; los algoritmos resolvieron instancias de tres, cinco y diez objetivos de la familia de problemas DTLZ. En todos los casos, los resultados obtenidos mostraron una mejor aproximación a la región de interés para un tomador de decisiones cuando se consideran sus preferencias. Además, se comparó la efectividad de los algoritmos propuestos que integran preferencias contra un algoritmo del estado del arte basado en MOEA/D y guiado por preferencias, para la familia de problemas DTLZ con tres, cinco y diez objetivos. Las variantes de NSGA-III-P y MOGWO-P mostraros los mejores resultados en los indicadores de desempeño evaluados, encontrando más soluciones altamente satisfactorias para el tomador de decisiones.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ciencias de la Computación

This item is protected by original copyright View License

This item is licensed under a Creative Commons License