Doctoral Thesis

The majority of the most effective and efficient algorithms for multi-objective optimization are based on Evolutionary Computation. However, choosing the most appropriate algorithm to solve a certain problem is not trivial and often requires a time-consuming trial process. As an emerging area of research, hyper-heuristics investigates various techniques to detect the best low-level heuristic while the optimization problem is being solved. On the other hand, agents are autonomous component responsible for watching an environment and perform some actions according to their perceptions. In this context, agent-based techniques seem suitable for the design of hyper-heuristics. There are several hyper-heuristics proposed for controlling lowlevel heuristics, but only a few of them are focused on selecting multi-objective optimization algorithms (MOEA). This work presents an agent-based hyper-heuristic for choosing the best multi-objective evolutionary algorithm. Based on Social Choice Theory, the proposed framework performs a cooperative voting procedure, considering a set of quality indicator voters, to define which algorithm should generate more offspring along to the execution. Comparative performance analysis was performed across several benchmark functions and real-world problems. Results showed the proposed approach was very competitive both against the best MOEA for each given problem and against state-of-art hyper-heuristics.

A maioria dos algoritmos mais eficazes e eficientes para otimização multi-objetivo são baseados em Computação Evolucionária. Entretanto, o ato de escolher o algoritmo mais apropriado para solucionar um dado problema não é trivial, e sempre requer diversas execuções, o que custa tempo. Hiper-heurísticas de seleção fazem parte de uma área de pesquisa emergente que investiga diversas técnicas para detectar a melhor heurística-de-baixo-nível enquanto o problema de otimização é resolvido. Por outro lado, agentes são componentes autônomos responsáveis por monitorar um ambiente e executar algumas ações de acordo com suas percepções. Neste contexto, técnicas baseadas em agentes mostram-se adequadas para o projeto de hiper-heurísticas. Existem diversas hiper-heurísticas propostas para controlar heurísticas-de-baixo-nível, mas apenas poucas são focadas em selecionar algoritmos evolucionários multi-objetivo. Este trabalho apresenta uma hiper-heurística baseada em agentes focada em escolher o melhor algoritmo evolucionário multi-objetivo. Baseado na Teoria da Escolha Social, o arcabouço proposto executa um procedimento de votação cooperativo, considerando um conjunto de eleitores, que votam baseados em um indicador de qualidade, para definir qual algoritmo deve gerar mais soluções ao longo da execução. Análises comparativas de desempenho foram realizadas empregando diversos problemas de otimização do mundo-real. Resultados mostraram que a abordagem proposta foi muito competitiva tanto quando comparada ao melhor algoritmo para cada problema como também quando comparada a outras hiper-heurísticas do estado-da-arte.