Approximating pareto sets using neighborhood-based multi-objective metaheuristics

• Auteur / Autrice : Rong-Qiang Zeng
• Direction : Jin-Kao Hao
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2012
• Etablissement(s) : Angers
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Etudes et de Recherche en Informatique d'Angers

Mots clés

Mots clés contrôlés

Programmation quadratique

Métaheuristiques

Optimisation combinatoire

Mots clés libres

Recherche locale

Path relinking

Problème de flow shop

Problème d'assignement quadratique

Résumé

L'intérêt porté sur l'optimisation multi-objectif n'a cessé de croitre ces vingt dernières années. L'objectif est de trouver l'ensemble des solutions Pareto, qui correspondent aux meilleurs compromis possibles sur un ensemble d'objectifs que l'on cherche à optimiser. En général, il n'est pas possible de calculer cet ensemble de manière exacte, c'est pourquoi de nombreuses méthodes heuristiques multi-objectif ont été proposées afin de trouver des approximations de cet ensemble. Cette thèse s'intéresse au développement de métaheuristiques pour l'optimisation multi-objectif de problèmes difficiles. Pour résoudre ces problèmes multi-objectif, nous proposons dans un premier l'algorithme HBMOLS, qui est une recherche locale multi-objectif itérée, où la qualité des solutions évaluée est calculée en fonction du reste de la population, selon un indicateur de qualité que nous définissons. Cet indicateur de qualité permet d'établir l'opérateur de sélection de notre algorithme. Ensuite, nous nous intéressons aux méthodes de path-relinking, et de leur intégration dans l'algorithme de recherche locale itérée proposée antérieurement. Nous proposons différentes versions de l'algorithme MOPR, que nous intégrons dans HBMOLS. Enfin, ces versions sont évaluées et comparées sur les deux problèmes cités précèdemment. Afin d'évaluer la qualité de nos approches, nous nous proposons de les évaluer sur deux problèmes multi-objectif difficiles et différents : un problème d'ordonnancement de type flow-shop et un problème d'assignement quadratique.

Multi-objective optimization has received more and more attention in the late twenty years. The aim is to generate a Pareto optimal set, which keeps the best compromise among all the objectives. Since it is not possible to compute the Pareto optimal set in a reasonable time in most cases, many multi-objective metaheuristics have been established to approximate the Pareto optimal set. This thesis is devoted to developing metaheuristics to tackle multi-objective optimization problems in general. In order to solve these multi-objective optimization problems, we propose the Hypervolume-Based Multi-Objective Local Search algorithm (HBMOLS). This algorithm uses a hypervolume contribution indicator as the selection measure to compare and select solutions during the search process. Afterwards, we integrate path relinking techniques into the HBMOLS algorithm as a function which initializes new populations for HBMOLS. Then, we present and evaluate different versions of multi-objective hybrid path linking algorithm. To evaluate the efficiency and the generality of our approaches, we carry out experiments on a multi-objective flow shop problem and a multi-objective quadratic assignment problem.