Deux stratégies d'assignation de fitness pour les Algorithmes Génétiques Multi-Objectifs

Wilmer Pereira (délégation LIP6, Paris)

Il s'agit de deux travaux sur la mise en place des fonctions objectifs ("fitness") dans le cadre des Algorithmes Génétiques Multi-Objectifs.
Notre intention est de les comparer avec SPEA2 ("Strength Pareto Evolutionary Algorithm") qui est une technique génétique multi-objectif, très répandue, et considérée comme la plus efficace parmi ce type d'algorithmes.

La première version, que nous appelons "Strength by Objective", affine le calcul de la fonction objectif en séparant l'apport de chaque
objectif pour le calcul de la "fitness". Cette stratégie s'est avérée plus fine pour la recherche des meilleures solutions. Effectivement,
en la comparant avec SPEA2, nous avons eu une amélioration vis-à-vis de certains critères classiques de comparaison, à savoir: l'aire et la
dominance.

La deuxième version, nommée Lobea ("Liberal Optimun Buyer's Evolutionary Algorithm"), s'encadre dans le modèle libéral économique
de l'offre et de la demande. Dans un premier temps, nous avons évalué trois fonctions objectifs possibles, que nous avons appelé : Héritage
de Capitaux (Lobea 1.0), Robin Hood (Lobea 2.0) et Echanges Groupé d'Objectifs (Lobea 3.0). La version la plus performante, Lobea 3.0,
a été comparé avec SPEA2 et, encore cette fois-ci, nous avons obtenu de bons résultats, situant notre algorithme, pour ce qui est
de la dominance, au-dessus de SPEA2.