Optimisation multiobjectif utilisant le tri non dominé dans les algorithmes génétiques

Dans la résolution des problèmes d'optimisation multiobjectif, de nombreuses méthodes traditionnelles scalarisent le vecteur objectif en un objectif unique. Dans ces cas, la solution obtenue est très sensible au vecteur de poids utilisé dans le processus de scalarisation et nécessite que l'utilisateur connaisse bien le problème sous-jacent. De plus, dans la résolution des problèmes multiobjectifs, les concepteurs peuvent être intéressés par un ensemble de points de Pareto optimaux, plutôt qu'un seul point. Étant donné que les algorithmes génétiques (AG) travaillent avec une population de points, il semble naturel d'utiliser les AG dans les problèmes d'optimisation multiobjectif pour capturer simultanément plusieurs solutions. Bien qu'un algorithme génétique évaluant des vecteurs (VEGA) ait été mis en œuvre par Schaffer et utilisé pour résoudre plusieurs problèmes multiobjectifs, l'algorithme semble présenter un biais envers certaines régions. Dans cet article, nous étudions la notion de tri non dominé de Goldberg dans les AG, associée à une méthode de niche et de spéciation, pour trouver simultanément plusieurs points Pareto-optimaux. Les résultats de preuve de principe obtenus sur trois problèmes utilisés par Schaffer et d'autres suggèrent que la méthode proposée peut être étendue à des problèmes multiobjectifs de plus grande dimension et plus complexes. Plusieurs suggestions pour l'extension et l'application de l'algorithme sont également discutées.