Multi-objective optimization with a Gaussian PSO algorithm

Particle Swarm Optimization es una heurística popular usada para resolver adecuada y efectivamente problemas mono-objetivo. En este artículo, presentamos una primera adaptación de esta heurística para tratar problemas multi-objetivo sin restricciones. La propuesta (llamada G-MOPSO) incorpora una actualización Gaussiana, dominancia Pareto, una política elitista, un archivo externo y un shake-mecanismo para mantener la diversidad. Para validar nuestro algoritmo, usamos cuatro funciones de prueba bien conocidas, con diferentes características. Los resultados preliminares son comparados con los valores obtenidos por un algoritmo evolutivo multi-objetivo representativo del estado del arte en el área: NSGA-II. También comparamos los resultados con los obtenidos por OMOPSO, un algoritmo multi-objetivo basado en la heurística PSO. La performance de nuestra propuesta es comparable con la de NSGA-II y supera a la de OMOPSO Particle Swarm Optimization is a popular heuristic used to solve suitably and effectively mono-objective problems. In this paper, we present an adaptation of this heuristic to treat unconstrained multi-objective problems. The proposed approach (called G-MOPSO) incorporates a Gaussian update of individuals, Pareto dominance, an elitist policy, and a shake-mechanism to maintain diversity. In order to validate our algorithm, we use four well-known test functions with different characteristics. Preliminary results are compared with respect to those obtained by a multi-objective evolutionary algorithm representative of the state-of-the-art: NSGA-II. We also compare the results with those obtained by OMOPSO, a multi-objective PSO based algorithm. The performance of our approach is comparable with the NSGA-II and outperforms the OMOPSO. Workshop de Agentes y Sistemas Inteligentes (WASI)