RT Dissertation/Thesis
T1 New Insights to Approximate the Pareto Optimal Front in Evolutionary Multiobjective Optimization. An Application to Students’ Satisfaction
A1 González-Gallardo, Sandra
K1 Análisis de datos - Tesis doctorales
K1 Modelos econométricos - Tesis doctorales
K1 Programación no lineal - Tesis doctorales
AB La tesis presentada se basa en el desarrollo de nuevos algoritmos evolutivos para resolver problemas de optimización multiobjetivo, especialmente problemas con más de tres funciones objetivos, y en la modelización y resolución de un problema de economía de la educación. Dicha tesis está realizada en la modalidad de compendio de artículos y se compone de tres de los mismos. Los dos primeros relacionados con el desarrollo de un nuevo algoritmo evolutivo. En ellos, partiendo del algoritmo Global Weighting Achievement Scalarizing FucntionGenetic Algorithm (GWASF-GA) (Saborido, Ruiz, and Luque, 2017), se plantea y desarrolla un nuevo algoritmo centrado en la adaptación de los vectores de pesos durante el proceso de ejecución, que ofrece muy buenos resultados en comparación con algoritmos muy conocidos y muy contrastados dentro del campo de los algoritmos evolutivos. El tercer artículo se centra en la modelización y resolución de un problema multiobjetivo obtenido a partir del análisis econométrico de datos referidos al rendimiento académico y satisfacción de los estudiantes andaluces con diferentes aspectos del proceso enseñanza-aprendizaje en los colegios de secundaria. Con los resultados obtenidos y teniendo en cuenta los algoritmos considerados, aunque los frentes óptimos de Pareto aproximados por A-GWASF-GA no sean los mejores en todos los casos (especialmente para los problemas con tres funciones objetivo), podemos asegurar que el nuevo algoritmo algoritmo evolutivo aquí propuesto (A-GWASF-GA) muestra resultados muy prometedores en problemas con más de tres funciones objetivo. De estaforma, A-GWASF-GA se autodefine como un algoritmo para trabajar con problemas manyobjective (con más de tres objetivos).
PB UMA Editorial
YR 2021
FD 2021-01-05
LK https://hdl.handle.net/10630/20942
UL https://hdl.handle.net/10630/20942
LA eng
NO Los resultados de la segunda parte demuestran el buen comportamiento de la combinación de técnicaseconométricas y multiobjetivo, especialmente cuando utilizamos algoritmos evolutivos, para la resolución de problemas socio-económicos con la finalidad de encontrar la compensación (trade-offs) entre los objetivos estudiados y así poder sugerir mejoras, en este caso, en economía de la educación.
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 3 mar 2026