Análisis geométrico de frentes de MOEA/D en el JOBPRP Biobjetivo: resultados preliminares
Palabras clave:
MOEA/D, JOBPRP biobjetivo , attainment empírico , spacing local , rodilla, hipervolumenResumen
Este artículo corto presenta una ampliación preliminar del estudio publicado por Miguel, Frutos, Méndez y González (2025) sobre MOEA/D aplicado al JOBPRP biobjetivo. A partir de una campaña comparativa ya ejecutada, se reexaminan los frentes finales de AASF, TCH, PBI y NSGA-II mediante cinco perspectivas geométricas complementarias: attainment empírico, partición regional del frente unión, spacing local, curvatura discreta con rodilla operativa y contribución puntual y regional al hipervolumen. El análisis se concentra en las instancias DS3– DS6, que son las más informativas para contrastar cobertura, regularidad local y estructura de compromiso. Los resultados preliminares sugieren un patrón estable: AASF tiende a quedar mejor posicionado cuando la comparación privilegia ocupación frecuente del espacio dominado y valor total de hipervolumen; TCH conserva la evidencia más favorable en DS4; y PBI sigue siendo competitivo cuando la lectura se desplaza hacia la uniformidad local del frente. Esta ampliación no sustituye los indicadores agregados del estudio de 2025, sino que añade una lectura geométrica útil para decidir qué métodos conviene estudiar luego en escenarios de elicitación interactiva de preferencias.
Descargas
Referencias
Beume, N., Naujoks, B., & Emmerich, M. (2007). SMS-EMOA: Multiobjective selection based on dominated hypervolume. European Journal of Operational Research, 181(3), 1653–1669. doi:10.1016/j.ejor.2006.08.008
Branke, J., Deb, K., Dierolf, H., & Osswald, M. (2004). Finding knees in multi-objective optimization. In Parallel Problem Solving from Nature - PPSN VIII (pp. 722–731). Springer. doi:10.1007/978-3-540-30217-9_73
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. doi:10.1109/4235.996017
Fonseca, C. M., Guerreiro, A. P., López-Ibáñez, M., & Paquete, L. (2011). On the computation of the empirical attainment function. In Evolutionary Multi-Criterion Optimization (pp. 106–120). Springer. doi:10.1007/978-3-642-19893-9_8
Miguel, F. M., Frutos, M., Méndez, M., & González, B. (2025). Método de descomposición para optimización multiobjetivo del procesamiento por lotes de pedidos. In Simposio de Informática Industrial e Investigación Operativa (SIIIO 2025)-JAIIO 54. URI: http://sedici.unlp.edu.ar/handle/10915/190909
Schott, J. R. (1995). Fault tolerant design using single and multicriteria genetic algorithm optimization (Doctoral dissertation, Massachusetts Institute of Technology).
Zhang, Q., & Li, H. (2007). MOEA/D: A multiobjective evolutionary algorithm based on decomposition. IEEE Transactions on Evolutionary Computation, 11(6), 712–731. doi:10.1109/TEVC.2007.892759
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Fabio M. Miguel, Mariano Frutos, Máximo Méndez, Begoña González, Florencia Jaureguiberry
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
