Prediction based algorithms for dynamic multi-objective and many-objective optimization problems

Abstract

Farklı bir çok alandaki araştırmacılar uzun bir süredir Dinamik Çok Amaçlı Eniyileme Problemlerine (DÇAEP) yoğun ilgi göstermektedirler. Bir veya birden fazla amaç fonksiyonunda, kısıtlarda ve/ veya problem parametrelerinde zamana bağlı değişimler, DÇAEP'lerdeki dinamik karakteristiği göstermektedir. DÇAEP'lerin çözümüne yönelik olarak önerilen algoritmalar arasındaki ayırt edici faktör, ortamda tespit edilen değişikliklere yanıt vermek için kullanılan mekanizmada yatmaktadır. Değişiklik şiddetinin incelenmesi, DÇAEP'lerin dinamik özelliklerini belirleme açısından kritik bir yaklaşımdır. Bu tezde, çevresel değişiklikleri adreslemek için değişiklik derecesini kullanan tahmin tabanlı bir strateji sunulmaktadır. Bir değişiklik tespit edildiğinde, değişikliğin şiddeti hesaplanır ve hesaplanan değişikliğin derecesine dayalı olarak uygun bir tepki mekanizması uygulanır. Bu tepki süreci, toplanan verileri kullanarak bireylerin yeni ortamdaki başlangıç pozisyonlarını, eski ve yeni Pareto optimal cephelerin merkezi arasındaki adım büyüklüğünü dikkate alarak tahmin etmeyi içerebilir. Yüksek değerde değişiklik şiddeti ile karşılaşıldığı durumlarda, popülasyonu kümelendirerek ve her küme temsilcisinin adım büyüklüğünü rehber olarak kullanarak yeni konumlar tahmin edilir. Bu çalışmaya ek olarak, tez kapsamında Dinamik Birçok Amaçlı Eniyileme Problemleri (DBAEP) için yeni bir tahmin tabanlı strateji önerilmektedir. DBAEP'lerın karmaşıklığı, sadece problemin dinamik karakteristiğinden değil, aynı zamanda çok fazla sayıda hedefin dahil olmasından kaynaklanmaktadır. Empirik çalışmamızda, algoritmaların performansı çeşitli referanslardan seçilen test problemleri ve bir dizi ölçüt kullanılarak değerlendirilmiştir. Algoritmalarımız, değerlendirilen çoğu test örneğinde karşılaştırılan diğer algoritmaları geride bırakmayı başarmaktadır.

Researchers from various fields have been showing intense interest in Dynamic Multi-Objective Optimization Problems (DMOPs) for a while. These problems exhibit dynamic behavior, characterized by changes in one or more objective functions, constraints, and/ or problem parameters over time. The distinguishing factor among proposed algorithms for DMOPs lies in the mechanism employed to respond to the detected changes. Evaluating the severity of change is a crucial strategy to reveal the dynamic characteristics inherited in DMOPs. In this thesis, a prediction-based strategy, utilizing the severity of changes, is introduced to address environmental changes. When a change is detected, the severity of the change is calculated, and an appropriate reaction mechanism is applied based on the calculated value. This reaction process may involve utilizing the collected data to predict the initial positions of individuals in the new environment, considering the step size between the centroid of the old and the new Pareto optimal fronts. In cases of high change severity, new locations are predicted by clustering the population and using the step size of each cluster's representative. Additionally, as part of the thesis, a novel prediction-based strategy is proposed for Dynamic Many-Objective Optimization Problems (DMaOPs), where the complexity of DMaOPs arises not only from problem dynamism but also from the involvement of a large number of objectives. The proposed algorithm constructs a Vector Autoregressive (VAR) model, capturing mutual relationships among decision variables, and enabling an accurate prediction of the initial positions for the evolving solutions in dynamic environments. In our empirical study, the performance of the algorithms is evaluated using selected test problems from various benchmarks with a set of metrics, where our algorithms outperform the compared algorithms in most of the test instances considered.