32
de decisão não têm capacidade técnica suficiente para intervir de modo satisfatório no
processo.
O fluxo do trabalho desse método é: analista
→
decisor
→
solução ótima.
Geralmente, as técnicas para resolver esses métodos classificados por Cohon
(1978), transformam problemas de otimização multiobjetivo em problemas de objetivo
único (método de soma ponderada, métodos das restrições-ε, método da programação
de metas, entre outras). Μas, segundo Cheung (2004), há um interesse por parte dos
pesquisadores, Walski (2001), Francato (2002), Cheung et al. (2003), Formiga et al.
(2003), em identificar e considerar simultaneamente vários objetivos na análise e
solução desses problemas. Ainda segundo o autor, as motivações principais que levam
esses pesquisadores a analisar seus problemas sob a ótica da otimização multiobjetivo
são: a definição explícita de objetivos múltiplos ao invés de tratar o problema como
objetivo único, a geração de várias soluções simultaneamente com múltiplos valores
associados para cada solução, a avaliação de várias alternativas de projeto, operação
e/ou reabilitação e a seleção da alternativa preferida pelo decisor, com conhecimento da
compensação em relação a cada objetivo.
Houve então, a necessidade de desenvolver uma técnica que conseguisse
resolver o problema multiobjetivo de maneira que todos os objetivos fossem
considerados ao mesmo tempo. Essa viabilizacao só foi possível com a popularização
dos métodos evolucionários, por permitirem encontrar boas soluções sem que houvesse
um acréscimo exorbitante no tempo computacional.
A partir de 1993, diferentes algoritmos evolucionários foram sugeridos para
resolver problemas de otimização multiobjetivo. Fonseca e Fleming (1993) com o
Multi-Objective Genetic Algorithm (MOGA), Horn et al. (1994) com o Niched-Pareto
Genetic Algorithm (NPGA) e Srinivas e Deb (1994) com o Non-Dominated Sorting
Genetic Algorithm (NSGA), foram os precursores desta técnica, cujas características
básicas são: avaliação dos membros de uma população com base no conceito de
dominância Pareto e preservação da diversidade de soluções. Tais algoritmos
mostraram-se eficientes na obtenção de múltiplas soluções não dominadas, para vários
problemas de engenharia. No entanto, pesquisadores têm sugerido a introdução do
elitismo para melhorar as suas propriedades de convergência. Dentre os algoritmos
evolucionários multiobjetivo que consideram o elitismo, destacam-se os algoritmos
SPEA e SPEAII (Strength Pareto Evolutionary Algorithm - Zitzler e Thiele - 1998),
PAES (Pareto-Archived - Knowles e Corne,1999), AG elitista de Rudolph, 1999, PESA