Incorporación de preferencias en metaheurísticas basadas en inteligencia de enjambre para optimización con muchas funciones objetivo

Abstract

Muchos problemas del mundo real requieren resolver problemas de optimización multiobjetivo (MOP). Resolver estos problemas requiere identificar un conjunto de soluciones en el llamado Frente Pareto, que satisfaga la condición de compromiso de no mejorar un objetivo sin empeorar otro. El tomador de decisiones debe seleccionar el mejor compromiso entre las fronteras de Pareto generadas. Sin embargo, el ser humano solo puede procesar un número limitado de opciones. La cantidad de soluciones es enorme; decidir puede llevar días, semanas o meses; por lo tanto, las organizaciones suelen improvisar esta tarea. Además, esta tarea se vuelve compleja cuando aumenta el número de objetivos. Aquí, proponemos un algoritmo de optimización de colonias de hormigas (ACO) con clasificación superior (Electre III) para abordar los problemas de optimización para carteras de proyectos multiobjetivo. Está validado a través de los equipos de prueba DTLZ y WFG. Estos conjuntos de pruebas se utilizan ampliamente para problemas multiobjetivo, que son escalables a cualquier número de objetivos. ACO descarta las peores opciones para preservar las soluciones que satisfacen preferencias específicas, articuladas en términos de Electre III, que son reglas que nos permiten comparar soluciones de las que se descartan aquellas que no cumplen estas preferencias. Una relación significativa es la preferencia estricta asociada con condiciones en las que el tomador de decisiones tiene razones claras y bien definidas que justifican la elección de una alternativa sobre otra. Otro es la indiferencia, que, desde la perspectiva del decisor, las opciones x y y tienen un alto grado de equivalencia, por lo que no pueden pretender que se prefiera una sobre la otra. También tenemos una preferencia débil; esta relación puede considerarse como el primer camino “debilitado” de la preferencia estricta. Una vez aplicado el algoritmo de outranking, podemos observar que el conjunto de soluciones se reduce significativamente, quedando un número reducido de opciones para que el DM pueda apoyarse en este tipo de decisiones.