@MASTERSTHESIS{ 2023:1939729375,
 	title = {Adaptação do algoritmo genético NSGA-DO à problemas de otimização multiobjetivo estáticos e dinâmicos},
 	year = {2023},
 	url = "http://tede2.uefs.br:8080/handle/tede/1565",
 	abstract = "Algoritmos Evolutivos (AEs) são ´uteis na resolução de Problemas de Otimzação Multiobjetivo (MOOPs) por possibilitar encontrar distintas soluções com diferentes compensações para os objetivos. Uma classe de AEs são os Algoritmos Genéticos (AGs), que utilizam técnicas de busca e otimização paralela baseadas na seleção natural e reprodução genética. Um AG comumente aplicado na resolução de MOOPs, artificiais e do mundo real, ´e o NSGA-II, que, por vezes, ´e utilizado como base no desenvolvimento de outros algoritmos, como o NSGA-DO.
 O campo da Otimização Multiobjetivo (MOO) se apresenta consolidado, atualmente temos diferentes benchmarks, métricas de desempenho e AEs eficientes. Porém, sobre esse ´ultimo, o que se observa ´e que o desempenho dos algoritmos ´e proporcional a sua complexidade, o que induz pesquisadores de outros campos a continuar preferindo oNSGA-II. Ainda, o interesse pela Otimização Dinâmica Muitiobjetivos (DMOO), em que o ambiente se modifica ao longo do tempo, se intensificou somente nos ´ultimos anos e muitos são os desafios desse emergente campo de pesquisa. Sobre o NSGA-DO, o mesmo propõe modificações em parte do NSGA-II, e mesmo tendo mostrado desempenho superior em outros campos, o algoritmo não apresenta
 resultados satisfatórios quando aplicado a MOOPs contínuos. Nesse contexto, reconhecendo a simplicidade e potencial do recente algoritmo, assim como a necessidade
 de avan¸cos no campo da DMOO, o objetivo dessa pesquisa foi o desenvolvimento de
 melhorias ao NSGA-DO, assim como, a elucidação de questões importantes relacionadas ao campo da DMOO. A metodologia aqui adotada foi dividida em duas fases parcialmente intercaladas. Na primeira fase, classificada como uma pesquisa bibliográfica descritiva, estudos de revisão publicados no campo da DMOO foram identificados, descritos e analisados. Na segunda fase, classificada como uma pesquisa experimental explicativa, a
 estrat´egia evolutiva do NSGA-DO foi investigada e melhorias foram aplicadas.
 Como resultado da análise dos estudos pode-se perceber que os principais desafios
 do campo da DMOO giram em torno da detecção de mudanças e da resposta `as mudanças. Nesse processo, um DMOA (Algoritmo Multiobjetivo Dinâmico) enfrenta
 dificuldades relacionadas `a preservação da diversidade, convergência considerando o
 novo ambiente e recupera¸c˜ao de poss´ıveis solu¸c˜oes invi´aveis. Sobre a experimenta-
 ¸c˜ao, as modifica¸c˜oes aplicadas ao NSGA-DO resultaram em um novo AG, o Modiiii
 fied NSGA-DO (MNSGA-DO), que supera o NSGA-DO e at´e mesmo o NSGA-II
 em problemas com diferentes caracter´ısticas. Tamb´em, um variante dinˆamico do
 MNSGA-DO foi proposto, o Dynamic MNSGA-DO (D-MNSGA-DO), o qual obteve um desempenho satisfat´orio, conseguindo rastrear e responder `as mudan¸cas de
 ambiente.
 Com os resultados obtidos, pode-se concluir que o presente estudo alcan¸cou seus
 objetivos ao propor um novo AG de estrat´egia simples e apto a resolver MOOPS e
 DMOPs, assim como apresentou um compilado dos estudos de revisão publicados
 ao longo dos anos, estes no campo da DMOO.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {DEPARTAMENTO DE TECNOLOGIA}
}