Busca Local para Otimização Multiobjetivo José Elias C. Arroyo Depto de Ciência da Computação, UCAM-Campos, 28040-320, Campos, RJ E-mail: [email protected] Vinícius A. Armentano Depto de Engenharia de Sistemas, FEEC- UNICAMP Caixa Postal 6101, 13083-970, Campinas, SP E-mail: [email protected]. Este trabalho propõe um método de busca local (BLM) para gerar um conjunto de soluções não dominadas de um problema de otimização multiobjetivo. Este tipo de problema consiste em minimizar ou maximizar simultaneamente várias funções objetivos. Dado um vetor de r funções objetivos (f1,..., fr), uma solução x domina y se fi (x) ≤ fi (y), ∀ i = 1,...,r e fi (x) < fi (y) para pelo menos um i. Uma solução x* é eficiente (ou Parto-ótima) se não existe uma solução x tal que x domine x*. Em otimização multiobjetivo, geralmente, não existe uma única solução que otimize todos os objetivos. A solução do problema é dada pelo conjunto de soluções eficientes e a escolha da solução de melhor compromisso depende das preferências dadas aos objetivos. O método proposto é baseado fortemente no conceito de dominância de Pareto e ele realiza uma busca em paralelo explorando várias regiões do espaço de soluções. A busca parte de um conjunto inicial S de soluções, e a partir de cada solução x deste conjunto gera-se uma vizinhança N(x). Constrói-se então um próximo conjunto S’ das soluções vizinhas não dominadas y∈ ∪ N (x ) . Caso também é testada em 360 instâncias de grande porte (n = 20, 50, 80 e m =5, 10, 20). Os resultados são comparados com os resultados obtidos pelo algoritmo genético com busca local (AGBL) proposto em [2]. AGBL implementa uma busca local baseada na minimização da combinação linear ponderada dos objetivos: f = w1f1 +...+ wrfr, onde Σi wi = 1. Para as 360 instâncias testadas, os métodos BLM e AGBL obtiveram, respectivamente, 8116 e 5892 soluções não dominadas. Testes computacionais foram executados em uma estação de trabalho SUN Ultra 60. Na Tabela 1, apresenta-se a média dos tempos computacionais gastos pelos métodos. Vale ressaltar que, a busca local BLM explora 6 soluções em paralelo e, para cada solução gerase a vizinhança completa baseado na inserção de tarefas. BLM AGBL n=20 0,533 9,79 n =50 50,33 182,93 n = 80 385,56 733,42 Tabela 1: Tempos computacionais (em segundos). Os resultados obtidos mostram que o método BLM é capaz de gerar, rapidamente, varias soluções dominantes, x∈S e apresenta um desempenho superior que o algoritmo S’ ≠ ∅, o processo se repete a partir deste novo AGBL. conjunto. Quando o conjunto S’ contém um número grande de soluções, é aplicado um procedimento de redução proposto em [4]. Usando esta técnica Referências selecionam-se soluções representativas para serem [1] H. Ishibuchi and T. Murata, A multi-objective geneexploradas. tic local search algorithm and its application to flowA busca local BLM é aplicada ao problema de shop scheduling. IEEE Trans. on Systems, Man and programação de tarefas flowshop minimizando dois Cybernetics-part C: 28 (1998) 392-403. objetivos: tempo de finalização da programação e o atraso total em relação às datas de entrega das [2] C.J. Liao, W.C. Yu and C.B. Joe CB, Bicriterion tarefas. Para o caso de m = 2 máquinas e n = 10, 15, scheduling in the two-machine flowshop. J Opl Res 20 tarefas, a busca local é comparada com o algoSoc 48 (1997) 929-935. ritmo Branch-and-Bound (B&B) [3]. De um total de [3] J.N. Morse, Reducing the size of the nondo-minated 474 soluções eficientes obtidas pelo algoritmo set: pruning by clustering. Comput Opns Res, 7 B&B, 357 (75,32%) soluções eficientes foram (1980) 55-66. obtidas pelo método BLM. A busca local BLM 529