Comparative analysis of many-objective genetic algorithms in discrete optimization problems

This research aims to show the performance of some genetic multi-goals algorithms, especially those known as many-objective, applied on a discrete problem, the knapsack problem. In addition, a study of the evolution of genetic algorithms, wich are a non-deterministic approach to solving problems, will be written. The study will go through multi-objectives algorithms, that solve 2 or 3 objective functions, and ending in the many-objectives, which are able to solve problems with various objective functions, ie starting on 4. It is established a comparitive performance analysis of the NSGA-II algorithms (Nondominated Sorting Genetic Algorithm II) and SPEA2 (Strength Pareto Evolutionary Algorithm 2), considered multi-objective, and the most recent ones, categorized as many-objectives like MOEA/D (Multi-objective Evolutionary Algorithm Based on Decomposition), AEMMT (Multiobjective Evolutionary Algorithm With Many Tables) and AEMMD (Multiobjective Evolutionary Algorithm with Multiple Dominances). The comparison will take, as criteria, the execution time and other performance metrics applied to four or more objective functions. This work, therefore, proves a greater effectiveness of the many-objective algorithms in detriment of multi-goals when applied to a higher amount of objective functions. It also shows that, as the complexity of the problem increases, the many-objectives algorithms perform better than SPEA2 and NSGA-II.Trabalho de Conclusão de Curso (Graduação)Esta investigação tem como objetivo mostrar o desempenho de alguns algoritmos genéticos multi-objetivos, em especial aqueles conhecidos como many-objective, em um problema discreto da computação, o problema da mochila. Além disso, será apresentado um estudo da evolução dos algoritmos genéticos que é uma abordagem não determinística para resolver problemas, passando pelos multi-objetivos, que resolvem problemas de 2 ou 3 funções objetivo, e finalizando nos many-objectives, que são capazes de resolver problemas com várias funções objetivo, ou seja, a partir de 4. É feita uma avaliação comparativa de desempenho dos algoritmos NSGA-II(Nondominated Sorting Genetic Algorithm II ) e SPEA2(Strength Pareto Evolutionary Algorithm 2 ), considerados multi-objetivos e dos mais recentes que são considerados many-objectives como o MOEA/D(Multi-objective Evolutionary Algorithm Based on Decomposition), AEMMT (Multiobjective Evolutionary Algorithm With Many Tables) e AEMMD(Algoritmo Evolutivo Multiobjetivo com Múltiplas Dominâncias). De acordo o tempo de execução e outras métricas de desempenho, será feita uma avaliação comparativa entre esses algoritmos para lidar com quatro ou mais critérios de otimização. Este trabalho, portanto comprova uma maior eficácia dos algoritmos many-objective em detrimento dos multi-objetivos para uma quantidade de objetivos mais elevada. Ele também mostra que, a medida que a complexidade do problema aumenta, os many-objectives apresentam um maior desempenho do que o SPEA2 e NSGA-II