Aplicacin de NSGA-II y SPEA-II para la optimizacin multiobjetivo de redes multicast*

Carolina Alvarado**, Ivn Herazo **, Carlos Ardila***, Yezid Donoso****

Departamento de Ingeniera de Sistemas y Computacin, Universidad del Norte, Barranquilla (Colombia)

Resumen
En este artculo se aplican los algoritmos evolutivos para optimizacin multiobjetivo, Non-dominated Sorting Genetic Algorithm (NSGA-II) y Strength Pareto Evolutionary Algorithm (SPEA-II). Para esto se toma como referencia un problema de optimizacin en una red de datos multicast, el cual tiene como funciones objetivo el nmero de saltos y el retardo en la transmisin. El rendimiento de los algoritmos se compara en tres topologas de red de tamaos diferentes. Adems, el modelo es resuelto para dos de las topologas utilizando la herramienta GAMS, y los resultados se comparan con las soluciones obtenidas mediante los algoritmos propuestos. Los resultados del problema muestran el rendimiento de los algoritmos en la solucin del mismo. Palabras claves: Optimizacin multiobjetivo, algoritmos evolutivos, multicast.
Fecha de recepcin: 6 de diciembre de 2004 Fecha de aceptacin: 25 de mayo de 2005

Abstract
In this paper, an analysis of evolutionary algorithms for multi objective optimization, Non-dominated Sorting Genetic Algorithm (NSGA-II) and Strength Pareto Evolutionary Algorithm (SPEA-II) is presented. For this analysis, is taken as reference an optimization problem in a multicast data network, which has as objective functions the hop count and transmission delay. The algorithms performance is compared in tree different networks. Moreover, the model for two of this topologies using GAMS tool is resolved and results are compared with the NSGA-II and SPEA-II algorithms proposed. Problem results show the algorithms performance in their solution. Key words: Multiobjective optimization, evolutionary algorithms, multicast.

* Este artculo forma parte de los resultados de la investigacin Aplicacin de Ingeniera de Trco en Redes Multicast. ** Ingenieros de sistemas, Universidad del Norte. calvarado@unimail.uninorte.edu.co y iherazo@unimail.uninorte.edu.co *** Ingeniero de sistemas, Universidad del Norte. Especialista en Matemticas. Estudiante maestra en Ingeniera Industrial, Universidad del Norte. cardila@uninorte.edu.co **** Ingeniero de sistemas, Universidad del Norte. Magster en Ingeniera de Sistemas y Computacin, Universidad de los Andes. Ph.D. en Redes Telemticas, Universidad de Girona (Espaa). Profesor del Departamento de Ingeniera de Sistemas, Universidad del Norte. Direccin postal: A.A. 1569, Barranquilla, Colombia. ydonoso@uninorte.edu.co INGENIERA & DESARROLLO
Nmero 17 Enero-Junio, 2005 ISSN: 0122-3461

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

1. INTRODUCCIN Las nuevas aplicaciones que estn surgiendo en Internet han generado un aumento en la necesidad de transmitir informacin desde un mismo origen a mltiples destinos (multicast) y adems, que en esta transmisin se garanticen ciertos parmetros de Calidad del Servicio (QoS, por sus siglas en ingls), como pueden ser, entre otros, el retardo mximo de los paquetes, el costo y el nmero de paquetes que pueden ser descartados sin afectar la calidad en la transmisin de la informacin. Por su parte, los Algoritmos Evolutivos Multiobjetivo (MOEAs) combinan tcnicas de computacin evolutiva con la teora de optimizacin multiobjetivo, y por lo tanto brindan la posibilidad de realizar bsquedas en espacios ilimitados y complejos. Igualmente, permiten mantener toda una poblacin de soluciones ptimas, por lo que se han planteado como una buena herramienta algortmica para resolver diversos problemas de optimizacin de objetivos mltiples. Algunos de los algoritmos evolutivos ms conocidos son NSGA, SPEA, NSGA-II, SPEA-II y PAES-II, entre otros. En este artculo se aplican NSGA-II y SPEA-II en la minimizacin del nmero de saltos y el retardo de transmisin en una red multicast. El objetivo principal es analizar la ecacia y la eciencia de estos dos algoritmos en la solucin del problema propuesto. Para determinar la ecacia de los algoritmos en la solucin del problema, tambin se resuelve el modelo mediante el uso del mtodo de la suma ponderada para dos topologas pequeas. Las soluciones obtenidas con este mtodo son comparadas con las de los algoritmos propuestos, con el n de determinar qu tan buena es la aproximacin de stos a las soluciones reales, y cul de ellos se aproxima mejor al conjunto de soluciones ptimas. Finalmente, se compara el rendimiento de los algoritmos para una topologa grande, la cual no se resuelve analticamente debido a la gran complejidad que esto implica. El trabajo est organizado de la siguiente manera: En la seccin 2 se presentan algunos trabajos relacionados. En la seccin 3 se expone la teora bsica relacionada con la optimizacin mltiobjetivo. En la seccin 4 se explica la formulacin matemtica del modelo de optimizacin propuesto para minimizar el nmero de saltos y el retardo cuando se transmite trco multicast. En la seccin 5 se describen los algoritmos evolutivos utilizados para resolver el problema previamente planteado. En la seccin 6 se presentan los resultados de los experimentos realizados, y en la seccin 7 las conclusiones.

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

29

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

2. TRABAJOS RELACIONADOS CON LA OPTIMIZACIN MULTICAST A continuacin se describen varios algoritmos de optimizacin multicast. Al nal se muestra una tabla comparativa para stos, haciendo nfasis en los objetivos considerados, sus restricciones y los algoritmos genticos aplicados. En [2], Banerjee y Das, al igual que Roys y Das en [18], proponen el protocolo de enrutamiento mvil para multitransmisin basado en calidad de servicio (QM2RP). Como su nombre lo indica, QM2RP fue pensado para redes multicast mviles con QoS. Los parmetros de calidad de servicio analizados aqu son los siguientes: retardo extremo a extremo, requerimiento de ancho de banda y utilizacin de ancho de banda residual. Debido a que el algoritmo fue ideado para trabajar sobre redes mviles, los autores lo disearon tratando de determinar las rutas para multitransmisin mediante el cumplimiento estocstico (probabilstico) de los parmetros objetivos. El algoritmo utiliza la aproximacin de dominancia Pareto en los algoritmos genticos (AGs) para solucionar el problema multiobjetivo. Un algoritmo similar puede encontrarse en [4], el cual diere de QM2RP en la adicin de una restriccin en la variacin del retardo y en la forma como calcula el nivel de aptitud. En [14], Inagaki et al. proponen un algoritmo heurstico para encontrar varios rboles multicast similares. Este algoritmo encuentra varios caminos para un ujo desde un origen hasta un solo destino y no tiene una medida concreta para seleccionar esas rutas. En [15], Leung et al. presentan un algoritmo para encontrar rboles para transmisin de ujo multicast. Sin embargo, este algoritmo no tiene en cuenta restricciones. El algoritmo se basa en (a) la transformacin de la red subyacente a su forma completa de distancia, soportada en el peso de los enlaces, y (b) la representacin de rboles multicast como una lista de nodos. Por lo tanto, todos los cromosomas son vlidos y, en consecuencia, las operaciones de cruce y mutacin son ms simples. Sin embargo, algunas veces ciertos enlaces que no existen en la topologa original deben ser computados como el costo mnimo para un camino entre los vrtices que no estn conectados, por lo tanto el algoritmo debe utilizar mtricas sencillas con pesos escalares. En [21], Sun propone un algoritmo para encontrar rboles multicast mediante la minimizacin de una funcin de costo, tomando el retardo como restriccin. Los cromosomas se representan como una cadena binaria de nodos de Steiner.

30

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

i.e: los nodos que no son ni el origen ni del conjunto de destinos. Similar a [15], la funcin de costo es una sola medida escalar del objetivo deseado. En [16], Li muestra una perspectiva diferente con relacin a la representacin del cromosoma. Aqu, los rboles no son codicados ni decodicados. Esto provoca que los procesos de cruzamiento y mutacin trabajen sobre las ramas del rbol mismo. La funcin objetivo tambin se mide como un solo valor escalar. En [22], un Algoritmo Gentico (AG) es propuesto con los siguientes objetivos: disponibilidad de ancho de banda, retardo, tasa de prdida y atenuacin extremo a extremo. Este algoritmo tambin fusiona todas las mediciones en un nico objetivo escalar. Diversos trabajos evalan el rendimiento de algunos de estos algoritmos evolutivos utilizando mtricas de ecacia. En [19], utilizando como referencia 6 funciones test, se presenta una evaluacin de NSGA-II, SPEA-II y PESA-II sobre la inuencia de los parmetros Pcruce, Pmutacin y la relacin entre el tamao de la poblacin y el tamao de la poblacin lite. En [12] se analiza el rendimiento de NSGA-II, SPEA-II y NSGA-II con elitismo controlado en diseo de sistemas de seguridad. Las tcnicas algortmico-genticas utilizadas en cada uno de los artculos mencionados previamente pueden ser resumidas en la tabla 1: Tabla 1 Trabajos relacionados y tcnicas algortmico-genticas utilizadas
Codicacion/Decodicacion [2] [18] [4] [14] [15] [21] [16] [22] Conjunto de nodos usados* Representacin centinela Representacin centinela Codicacion de predecesores Conjunto de nodos usados* Conjunto de nodos usados* Vector caracterstico Conjunto de nodos usados* Cruzamiento De un punto De un punto De un punto De varios puntos De un punto Operaciones And/Or De rbol Operaciones And/Or Mutacin Cambio aleatorio comn N/A Cambio aleatorio comn N/A Cambio aleatorio comn N/A Tree mutation N/A Nivel de aptitud Funcin de costo/Suma con pesos (MOGA)/Dominancia Pareto (MOGA)/Dominancia Pareto Funcin de costo Funcin de costo/Suma con pesos Funcin de costo/Suma con pesos Funcin de costo/Suma con pesos Funcin de costo/Suma con pesos

* Estas tcnicas de conjuntos de nodos usados no son las mismas, porque son especcas del problema tratado.

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

31

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

En [8], [9], [10] y [11], Donoso et al. proponen un modelo de optimizacin para minimizar la mxima utilizacin de los enlaces, el retardo, el nmero de saltos y el ancho de banda consumido en una red multicast, igualmente proponen una heurstica para resolver el modelo propuesto. Las caractersticas de optimizacin de los algoritmos descritos arriba pueden ser resumidos en la tabla 2. Tabla 2 Trabajos relacionados y caractersticas de los modelos de optimizacin considerados
OBJETIVOS MLU HC [14], [15], [16]* [2] [18] [4] [21]* [22] [8], [9], [10], [11] DL BC LR JIT RESTRICCIONES DL BC MSF FLUJO CAMINOS / ARBOLES DIVISIN

Multicast X X X X X X X X X X X X
MLU HC DL BC JIT : : : : :

Solo un rbol Solo un rbol Solo un rbol Solo un rbol Solo un rbol Solo un rbol Mtliples rboles

No No No No No No S

Multicast X X X X X X X X Multicast Multicast Multicast Unicast Multicast

* Estos algoritmos minimizan (o maximizan) una funcin de costo. Por lo tanto, estos podran trabajar con casi todos los objetivos.

Mximo uso del enlace Conteo de saltos Retardo total Ancho de banda total consumido Atenuacin de extremo a extremo

LR: Tasa de prdida. MSF: Mximo nmero de subujos. Manejo de la fraccin de ujo por cada nodo egreso a lo largo de un enlace en el modelo de optimizacin.

3. OPTIMIZACIN MULTIOBJETIVO Un problema de optimizacin multiobjetivo (MOP) es aquel que incluye un conjunto de n variables de decisin, un conjunto de k funciones objetivo, y un conjunto de m restricciones de desigualdad y p restricciones de igualdad, en donde las funciones objetivo y las restricciones son funciones de las n variables de decisin. En su forma general, un MOP puede ser expresado matemticamente como [7]:

32

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

Optimizar Sujeto a donde

y = f(x) = {f1(x), f2(x),..., fk(x)} g(x) = {g1(x), g2(x),..., gm(x)} 0 h(x) = {h1(x), h2(x),..., hp(x)} = 0 x = {x1, x2,..., xn} X y = {y1, y2,..., yn} Y

(3.1)

x representa el vector de decisin, X denota el espacio de decisin, y representa el vector objetivo y el espacio objetivo es denotado por Y. Al conjunto de todos los vectores de decisin x que satisfacen las m + p restricciones se le conoce como Conjunto de Soluciones Factibles y se denota por Xf . Su imagen se conoce como Regin Factible del Espacio Objetivo y se denota por Yf [3]. Cada vector de decisin es de la forma x = (x1, x2,..., xn) y su correspondiente vector objetivo es de la forma y = (f1(x), f2(x),..., fn(x)). Por lo tanto, el problema consiste en encontrar la x que proporcione el mejor valor para f(x). Sin embargo, en optimizacin multiobjetivo la mejor solucin generalmente no es nica, sino que existe un conjunto de mejores soluciones conocidas como soluciones no dominadas. Por lo tanto, es necesario denir el concepto de ptimo en el contexto de la optimizacin de mltiples objetivos. Una solucin x Xf es Pareto ptima si y solo si es no dominada, es decir, si no existe ninguna otra solucin x Xf que la domine. Se dice que una solucin x Xf domina a otra solucin x Xf si se cumple que [19]

i {1,2,...,k}, f i ( x ) f i ( x ) j {1,2,...,k} | f j ( x ) < f j ( x )

Para denotar que x domina a x, se escribe x f x.

(3.2)

El conjunto de todas las soluciones Pareto ptimas es denominado Conjunto Pareto ptimo y matemticamente puede ser denido como [1]

P* = { x X f | x X f para el cual xf x}

(3.3)

La imagen del conjunto Pareto ptimo se conoce como frente Pareto ptimo, PF*. 4. OPTIMIZACIN MULTIOBJETIVO EN REDES MULTICAST Sea G = (N, E) el grafo que modela una red, donde N es el conjunto de nodos. El nmero de nodos de la red es | N |.

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

33

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

E es el conjunto de enlaces. Sea s N el nodo fuente (ingreso), T el conjunto de nodos egreso y t T un nodo egreso. El enlace del nodo i al nodo j se representa como (i, j), donde (i,
t indica si el enlace (i, j) es o no usado por el rbol j) E. La variable binaria X ij multicast que va desde el nodo ingreso s hasta el conjunto de nodos egreso T. El valor 1 indica que el enlace es usado, y el valor 0 indica lo contrario. Finalmente, el retardo de propagacin del enlace (i, j) es denotado como vij.

El objetivo de nuestro problema es encontrar un rbol multicast que minimice el retardo en la transmisin (delay) y el nmero de saltos (hop count). Esto quiere decir que el problema consiste en la minimizacin de 2 funciones objetivo (k = 2), las cuales sern sujetas a las 3 restricciones (m = 3) de conservacin de ujo. En este caso, cada vector de decisin es de la forma x = (x1, x2,, x|T|) X, donde cada xt representa la ruta hacia el nodo egreso t. El problema de minimizar el retardo y el nmero de saltos de un nodo ingreso s a los nodos egresos que pertenecen al conjunto T, se formula matemticamente de la siguiente manera: Minimizar Sujeto a
w1
t vij X ij + w2 t T (i , j ) E t T

(i , j ) E

t X ij

(4.1) (4.2) (4.3) (4.4) (4.5)

(i , j ) E

t Xt Xij ji = 1,

( j ,i ) E

t T, i = s

(i , j ) E

t X tji = 1, Xij

( j ,i ) E

i, t T

(i , j ) E

t X tji = 0 , t T , i s, i T Xij

( j ,i ) E

donde

t X ij , [0,1]

En 4.1, el trmino vij Xijt representa el retardo total de propagacin sobre t T (i , j ) E los enlaces. Sin embargo, esto puede dar como resultado rboles multitodos cast con retardos muy pequeos pero con rutas hacia los destinos demasiado largas. Por este motivo, se incluye en el modelo una funcin de minimizacin t del nmero de saltos, representada en 4.1 por el trmino Xij .
t T

(i , j ) E

34

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

La restriccin 4.2 asegura que el ujo total que sale del nodo ingreso hacia el conjunto de nodos egresos t T sea uno. La restriccin 4.3, por su parte, asegura que el ujo total que emerge de un nodo egreso t T debe ser 1. La restriccin 4.4 asegura que para cualquier nodo intermedio la cantidad total de ujo entrante sea igual a la cantidad total de ujo saliente del nodo. Estas restricciones, que se conocen como restricciones de conservacin de ujo, aseguran que las rutas hacia cada uno de los nodos egresos se conformen correctamente.
t La expresin 4.5 indica que el valor de X ij debe ser 0 o 1, dado que no se est haciendo divisin de un ujo de trco en varios subujos.

5. APLICACIN DE LOS ALGORITMOS EVOLUTIVOS EN EL PROBLEMA MULTIOBJETIVO En esta seccin se proponen dos algoritmos evolutivos (NSGA-II, SPEA-II) utilizados en la resolucin del problema multiobjetivo presentado anteriormente. Ambos algoritmos reciben como parmetros la topologa de la red G(N, E), el nodo ingreso s y el conjunto de nodos egreso T. Antes de presentar los algoritmos describimos la forma como se representan los individuos, la inicializacin de la poblacin y los parmetros generales que consideraremos en estos algoritmos evolutivos. Representacin de un individuo. Como queremos encontrar los rboles con valores mnimos de retardo y saltos, es necesario denir cmo vamos a representar cada individuo (rbol multicast) de la poblacin. En este caso se ha considerado un vector de enteros en el que se enumeran cada uno de los nodos que forman un camino desde el nodo origen hasta uno de los nodos destino. La aparicin de un -1 en el vector indica que se ha llegado al nal de un camino. La gura 1 representa la red NSF y la solucin correspondiente a un ujo que tiene como origen s = N0 y como conjunto de nodos destino T = {7, 11}. El vector de enteros de la gura 2 representa el rbol multicast. Inicializacin de la poblacin. Para inicializar la poblacin es necesario realizar una bsqueda previa de todas las rutas desde el origen hasta cada uno de los nodos destino que pertenecen al conjunto T. Esta bsqueda se realiza utilizando una tcnica de bsqueda exhaustiva, conocida como Backtracking, que consiste en recorrer las aristas de cada uno de los nodos de la topologa hasta encontrar todos los caminos a travs del nodo. Luego, se construye el

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

35

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

individuo seleccionando aleatoriamente una ruta para cada uno de los nodos destino. Si el individuo construido ya forma parte de la poblacin inicial, se descarta y se construye uno nuevo. El proceso se repite hasta que la poblacin sea de tamao N.
N8

N1
N7
N13

N2

N9
N6

N0

N5

N4

N12

N3
N10

N11

Figura 1. Red NSF 0 2 7 -1 0 3 10 11 -1 Figura 2. Representacin de una solucin x Parmetros generales de los algoritmos evolutivos. En general, los parmetros utilizados por NSGA-II y SPEA-II son los siguientes: Tamao de la poblacin, Tamao de la poblacin lite, Nmero mximo de generaciones (gmax), Nmero mximo de generaciones de convergencia (gconv), Probabilidad de Cruce (Pcruce) y Probabilidad de Mutacin (Pmutacin) Existen diferentes tcnicas para resolver los problemas multiobjetivo; en concreto, en este artculo vamos a utilizar NSGA-II y SPEA-II. NSGA-II. Propuesto por Deb, Agrawal, Pratap y Meyarivan en el 2000 [5], con el n de incorporar elitismo y reducir la complejidad del procedimiento de ordenamiento rpido por no dominancia de su antecesor. Realiza una clasicacin de la poblacin por frentes. Los individuos que pertenecen al primer frente son los no dominados; los que pertenecen al segundo frente son los no dominados en ausencia de los del frente anterior, y as sucesivamente. A cada individuo se le asigna un rango equivalente a su nivel de no dominancia. Los mejores individuos son aquellos que tienen rangos menores. Tambin incorpora el clculo de una distancia de crowding, como el operador utilizado para mantener la diversidad de la poblacin, con el n de evitar el uso del share en la comparticin de aptitud (tness sharing) de su antecesor. La seleccin es

36

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

realizada mediante torneo binario, utilizando como criterio de comparacin el operador fn . Segn este criterio, el torneo lo gana el individuo con menor rango. Si el rango es el mismo, el torneo lo gana aquel individuo que tenga menor distancia crowding.

El pseudocdigo 1 muestra el NSGA-II propuesto en este artculo en su forma general.

Tabla 3 Pseudocdigo del NSGA-II
Algoritmo NSGA-II (G(N,E), s, T) Inicio Para (cada t T) haga Mientras Que (exista un ruta del nodo s a nodo t) haga Conjunto_Rutas Ruta desde s hasta t; Fin Mientras Que Fin Para Generar aleatoriamente P0 Hacer ordenamiento rpido no dominado de P0 Aplicar los operadores de seleccin, cruce y mutacin para generar una poblacin hija Q0 Hacer t 1 Hacer Rt Mientras Que t < gmax y Cont_Convergencia < gconv Hacer Rt Pt Qt Calcular el nmero de saltos y el retardo de los miembros Rt F OrdenamientoRpidoNoDominado (R) Mientras Que ( | Pt+1 | < N ) hacer CalcularDistanciaCrowding ( Fi ) Pt+1 Pt+1 Fi Fin Mientras Que Ordenar Pt+1 en forma descendente, utilizando el operador f n Escoger los N primeros elementos de Pt+1. Generar Qt+1, aplicando los operadores de seleccin cruce y mutacin sobre Pt+1. Hacer t t + 1 Fin Mientras Que Fin

En el algoritmo propuesto, los procedimientos de ordenamiento rpido por no dominancia y clculo de distancia crowding y el operador fn se implementaron de acuerdo a como se describe en [5]. SPEA-II. Desarrollado por Zitzler, Laumanns y Thiele en el 2000 [23] con el n de superar debilidades detectadas en el esquema de asignacin de adaptacin

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

37

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

del SPEA [24]. En este algoritmo, la funcin de asignacin de aptitud se mejora teniendo en cuenta para cada individuo el nmero de individuos a los que domina y el nmero de individuos por los que es dominado [7]. Este esquema tambin aade una estimacin de densidad poblacional. El tamao -NEmax- de la poblacin externa PE (utilizada para elitismo) es jo, a diferencia del SPEA, en el cual el tamao de PE es variable pero acotado. PE est conformada slo por individuos no dominados siempre y cuando el nmero de stos sea mayor o igual que NEmax. En el caso en que el nmero de individuos no dominados sea menor que NEmax se incluyen individuos dominados dentro de PE hasta que el tamao de PE sea igual a NEmax. La tcnica de agrupamiento (clustering), encargada de mantener la diversidad de la poblacin en SPEA, es sustituida por un mtodo de truncamiento, el cual evita eliminar las soluciones extremas del conjunto de soluciones no dominadas. La seleccin se realiza mediante torneo binario, tomando como criterio de comparacin el tness de cada uno de los individuos. SPEA-II asume minimizacin de tness, por lo tanto gana el torneo aquel individuo que tenga un menor valor de tness. Los procedimientos de asignacin de tness, seleccin ambiental y truncamiento se implementaron de la forma descrita en [23]. El pseudocdigo 2 muestra el SPEA-II en su forma general. Tabla 4 Pseudocdigo del SPEA-II
Algoritmo SPEA-II (G(N,E), s, T) Inicio Para (cada t T) haga Mientras Que (exista un ruta del nodo s a nodo t) haga Rutas Ruta desde s hasta t Fin Mientras Que Fin Para Generar aleatoriamente P0 Hacer PE Hacer t 0 Mientras Que t < gmax y Cont_Convergencia < gconv Calcular el nmero de saltos y el retardo de los miembros de Pt y PEt Calcular el tness de cada uno de los individuos en Pt y PEt Realizar un proceso de seleccin ambiental para conformar la nueva poblacin externa PEt+1 Aplicar el operador de seleccin por torneo binario con reemplazo sobre PEt+1. Aplicar los operadores de cruce y mutacin sobre la poblacin seleccionada. Asignar la nueva generacin a Pt+1. Hacer t t +1 Fin Mientras Que Fin

38

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

6. EXPERIMENTACIN Y RESULTADOS 6.1 Diseo del experimento Como ya hemos mencionado previamente, los algoritmos evolutivos seleccionados para resolver el problema propuesto son NSGA-II y SPEA-II. Para obtener unos resultados ables se realizaron 30 ejecuciones sucesivas de cada uno de ellos en tres topologas de red diferentes: NSF. Topologa de red de la National Science Foundation. Est conformada por 14 nodos y 40 enlaces T25. Topologa generada aleatoriamente. Consta de 25 nodos y 150 enlaces T100. Topologa generada aleatoriamente. Consta de 100 nodos y 1000 enlaces. El nmero de nodos destino variaba entre 2 y 10. Para cada conjunto de nodos destino se calcul el tiempo promedio de ejecucin del algoritmo, as como los valores mximo, mnimo y promedio de del retardo y el nmero de saltos. Para ambos algoritmos, el tamao de la poblacin es de 50, el tamao de la poblacin lite es 25, el nmero mximo de generaciones (gmax) es 50, el nmero de generaciones de convergencia (gconv ) es 5, Pcruce es 0.8 y Pmutacin es 0.1. En ambos casos se implement el mismo criterio de convergencia: el algoritmo se detiene si se superan ms del 10% del mximo de generaciones sin que aparezcan nuevos individuos en la poblacin lite. Todas las ejecuciones se realizaron en un computador personal con un procesador AMD Athlon 1Ghz, con 256 Mb de memoria RAM. Para poder determinar la exactitud de los algoritmos evolutivos (AEs) propuestos, el modelo multiobjetivo presentado en la seccin 4 se resolvi utilizando el solver SNOPT de GAMS [12]. 6.2 Anlisis de resultados La grca de las guras 3a y 3b muestran los valores mnimos de la funcin nmero de saltos dados por el modelo analtico, as como los obtenidos mediante los algoritmos evolutivos para diferentes conjuntos de nodos destino, para NSF y T25. Es claro que para NSF estos valores son ms exactos que para

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

39

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

T25, especialmente para conjuntos T de cardinalidad mayor que 5; esto se debe a que a medida que el tamao de la topologa y el nmero de nodos destino aumentan, el espacio de bsqueda se hace ms grande y, por lo tanto, la aproximacin al conjunto de soluciones reales disminuye. Sin embargo, los valores obtenidos mediante los algoritmos evolutivos para T25 son muy cercanos a los valores analticos, lo cual indica que los AEs resultan bastante exactos a la hora de encontrar el mnimo nmero de saltos en NSF y T25. Viendo que en las topologas pequeas (NSF y T25) los resultados obtenidos mediante los algoritmos evolutivos se aproximan muy bien a los valores dados por el modelo analtico, pasamos a experimentar los algoritmos en una topologa ms grande (T100), con la certeza de que si bien es muy probable que los valores obtenidos no sean exactos, s estarn muy cercanos a los reales. La gura 3c muestra los valores obtenidos mediante NSGA-II y SPEA-II para la funcin nmero de saltos. Este resultado nos conrma nuevamente que ambos algoritmos se comportan de una manera similar frente al modelo propuesto, independientemente de la topologa sobre la cual se est trabajando.
GAMS
30 25 20 15 10

NSGA2

SPEA2

Nmero de Saltos 5
0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 3a. Mnimo N de saltos NSF

GAMS
30 25 20 15 10

NSGA2

SPEA2

Nmero de Saltos 5
0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 3b. Mnimo N de saltos T25

40

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

NSGA2 35 30 25 20 15 10 5

SPEA2

Nmero de Saltos 0
0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 3c. Mnimo N de saltos T100 Las guras 4a y 4b, al igual que en el caso del mnimo nmero de saltos, muestra que los valores mnimos del retardo en la transmisin se empiezan a distorsionar a partir de 9 y 6 nodos destino para NSF y T25 respectivamente, lo cual nos conrma que la aproximacin disminuye un poco cuando el tamao de la topologa y el nmero de nodos destino aumenta, sin dejar de ser muy buena debido a la cercana de los valores experimentales con los valores obtenidos analticamente. Por lo tanto, respecto al mnimo retardo en la transmisin tambin podemos decir que la aproximacin de los algoritmos evolutivos a los valores reales es bastante exacta. En el caso de T100, la gura 4c muestra que los resultados obtenidos para la funcin retardo en la transmisin por NSGA-II y SPEA-II son muy similares, por lo tanto, en este caso tampoco podemos armar que un algoritmo se comporte mejor que otro. La exactitud de los resultados obtenidos para NSF y T25 nos aseguran que los resultados obtenidos en T100 para el retardo son, al igual que para la funcin nmero de saltos, una buena aproximacin a los valores obtenidos mediante la solucin analtica.
GAMS
350 300 250 200 150 100 50 0 0 1 2 3 4 5 6 7 8 9 10 11

NSGA2

SPEA2

Retardo

Nmero de Destinos

Figura 4a. Retardo Mnimo

NSF

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

41

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

GAMS
200 180 160 140 120 100

NSGA2

SPEA2

Retardo 60
40 20 0 0 1 2 3 4 5 6 7 8 9 10 11

80

Nmero de Destinos

Figura 4b. Retardo Mnimo T25

NSGA2
300 250 200 150

SPEA2

Retardo
100 50 0 0 1 2 3

Nmero de Destinos

10

11

Figura 4c. Retardo Mnimo T100

GAMS 40 35 30 25 20 15 10

NSGA2

SPEA2

Nmero de Saltos 5
0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 5a. Mximo nmero de saltos

GAMS 40 35 30 25 20 15 10
NSGA2
SPEA2

NSF

Nmero de Saltos 5
0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 5b. Mximo nmero de saltos T25

42

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

GAMS

NSGA2

SPEA2

30 25 20 15 10 5 0 Nmero de Saltos 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 5c. Mximo nmero saltos T100

GAMS
NSGA2
SPEA2

450 400 350 300 250 200 150 Retardo 100 50

0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 6a. Retardo Mximo NSF

GAMS
400 350 300 250 200

NSGA2

SPEA2

Retardo 150
100 50 0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 6b. Retardo Mximo T25

GAMS
400 350 300 250 200

NSGA2

SPEA2

Retardo 150
100 50 0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 6c. Retardo Mximo T100

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

43

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

Como se aprecia en las guras 5a, 5b, 6a y 6b, los valores mximos obtenidos en NSF y T25 para cada una de las funciones mediante los algoritmos evolutivos, se empiezan a distorsionar ms rpido que los valores mnimos. Sin embargo, estos valores siguen siendo bastante cercanos a los analticos, y por lo tanto, en este caso tambin podemos decir que la capacidad de los algoritmos para generar valores mximos de ambas funciones es muy buena. En 5c y 6c se observa que nuevamente NSGA-II y SPEA-II se comportaron de manera muy similar en la generacin de valores mximos de ambas funciones objetivo.
GAMS 35 30 25 20 15 10
NSGA2
SPEA2

Nmero de Saltos 5
0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 7a. Nmero de saltos promedio NSF

GAMS 25 20 15 10 5 Nmero de Saltos 0 0 1 2 3 4 5 6 7 8 9 10 11
NSGA2
SPEA2

Nmero de Destinos

Figura 7b. Nmero de saltos promedio T25

NSGA2 40,0 35,0 30,0 25,0 20,0 15,0 10,0

SPEA2

Nmero de Saltos 5,0

0,0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 7c. Nmero de saltos promedio T100

44

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

GAMS
400 350 300 250 200

NSGA2

SPEA2

Retardo
100 50 0 0 1 2 3 4 5 6 7 8 9 10 11

150

Nmero de Destinos

Figura 8a. Retardo promedio NSF

GAMS
300 250 200 150

NSGA2

SPEA2

Retardo 100
50 0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 8b. Retardo promedio T25

NSGA2 400 350 300 250 200 150 Retardo 100 50 0 0 1 2 3 4 5 6 7 8 9 10 11

SPEA2

Nmero de Destinos

Figura 8c. Retardo promedio T100 En las guras 7a, 7b, 8a y 8b se aprecian los valores promedio analticos para el nmero de saltos y el retardo en la transmisin, as como los valores promedio obtenidos con los algoritmos evolutivos. Resulta evidente que los valores experimentales son bastante cercanos a los analticos, lo cual conrma una vez ms que los algoritmos experimentados estn en capacidad de aproximarse muy bien a los valores de las funciones que estn optimizando, obtenidos analticamente. Por su parte, las guras 7c y 8c muestran que los valores promedio de las funciones objetivo obtenidos experimentalmente con NSGA-II y SPEA-II, al igual que los valores mximos y mnimos de las mismas, son muy cercanos entre s, lo cual reeja una vez ms que ambos algoritmos son igualmente ecaces en la generacin de soluciones ptimas.

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

45

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

NSGA2 3 2,5 2 1,5 1 0,5 0 -0,5 0 1 2 3 4

SPEA2

GAMS

10

11

Nmero de Destinos

Figura 9a. Desv. estndar nmero de saltos NSF

NSGA2 2,5 2 1,5 1 0,5 Estndar Desv. 0 0 1 2 3 4 5 6 7 8 9 10 11
SPEA2
GAMS

Nmero de Destinos

Figura 9b. Desv. estndar nmero de saltos T25

NSGA2 2,5 2 1,5 1 0,5 Estndar Desv. 0 0 1 2 3 4 5 6 7 8 9 10 11
SPEA2
GAMS

Nmero de Destinos

Figura 9c. Desv. estndar nmero de saltos T100

NSGA-II 2,5 2,0 1,5 1,0

SPEA-II

Desv. Estndar
0,5 0,0 0 2 4 6 8 10 12

Nmero de Destinos

Figura 10a. Desv. estndar retardo NSF

46

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

NSGA2 50 45 40 35 30 25 20 15 10 Desv. Estndar 5 0 0 1 2 3 4 5

SPEA2

GAMS

10

11

Nmero de Destinos

Figura 10b. Desv. estndar retardo T25

NSGA-II 60 50 40 30 20
SPEA-II

Desv. Estndar 10
0 0 2 4 6 8 10 12

Nmero de Destinos

Figura 10c. Desv. estndar retardo T100

GAMS 40000 35000 30000 25000 20000 15000 10000 Tiempo (mseg) 5000 0 0 1 2 3 4

NSGA-II

SPEA-II

10

11

Nmero de Destinos

Figura 11a. Tiempo promedio NSF

GAMS
NSGA2
SPEA

45000 40000 35000 30000 25000 20000 15000

Tiempo Promedio
5000 0
0 1 2 3 4 5 6 7 8 9 10 11

10000

Nmero de Destinos

Figura 11b. Tiempo promedio T25

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

47

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

NSGA-II 50000 45000 40000 35000 30000 25000 20000

SPEA-II

TIEMPO 15000
10000 5000 0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 11c. Tiempo promedio T100 Las grcas de las guras 11a, 11b y 11c muestran el comportamiento de los tiempos de respuesta promedio de cada uno de los algoritmos frente a las tres topologas diferentes. Como era de esperarse, estos tiempos se incrementan a medida que los algoritmos se aplican a topologas con mayor nmero de nodos. Por lo tanto, lo interesante de las grcas es la gran diferencia presentada por los tiempos empleados por SPEA-II frente a los de NSGA-II. En las tres guras se aprecia claramente que mientras para GAMS y SPEA-II emplean tiempos promedio muy inferiores a los 5.000 milisegundos, los tiempos empleados por NSGA-II estn por encima de los 10.000 milisegundos en NSF, 15.000 milisegundos en T25 y 25.000 milisegundos en T100. Lo anterior nos permite armar que SPEA-II es mucho ms eciente en la solucin del problema que su oponente independientemente del tamao de la topologa sobre la que se est trabajando.

NSGA-II 50000 45000 40000 35000 30000 25000 20000

SPEA-II

TIEMPO 15000
10000 5000 0 0 1 2 3 4 5 6 7 8 9 10 11

Nmero de Destinos

Figura 12a. T25 - 3 destinos

48

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

Frente Pareto Real 80 75 70 65

NSGA-II

SPEA-II

Retardo 60
55 50 5 6

Nmero de Saltos

Figura 12b. T25 - 5 destinos

Frente Pareto Real
NSGA-II
SPEA-II

230 215 200 185 170 Retardo 155 140 16 17

Nmero de Saltos

18

19

20

21

22

Figura 12c. T25 - 7 destinos

Frente Pareto Real
140

NSGA-II

SPEA-II

135

130

125

Retardo
115

120

110

105 11 12 13 14 Nmero de Saltos 15 16

Figura 12d. T25 - 10 destinos

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

49

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

Las guras 12 a, 12b, 12c y 12d muestran 4 frentes de Pareto ptimo para conjuntos de 3, 5, 7 y 10 nodos destino en T25. El conjunto de soluciones Pareto ptimas para NSGA-II y SPEA-II se conform mediante la unin de las mejores soluciones obtenidas durante las 30 ejecuciones de los algoritmos. Como se aprecia en 12a y 12b, la aproximacin de los algoritmos al frente de Pareto ptimo analtico para conjuntos de 3 y 5 nodos destino es exacta; en el caso de las guras 12c y 12d se puede observar que las soluciones si bien no son exactas, s estn bastante prximas al frente Pareto analtico. CONCLUSIONES En este artculo se ha presentado la tcnica de optimizacin de objetivos mltiples conocida como algoritmos evolutivos multiobjetivo (MOEAs), mediante la aplicacin de dos de los algoritmos evolutivos ms conocidos, NSGA-II y SPEA-II. El problema multiobjetivo escogido como referencia para determinar la ecacia y la eciencia de los algoritmos, consiste en encontrar un rbol multicast que minimice el nmero de saltos y el retardo en la transmisin, para 3 topologas de red de tamaos diferentes. Para comparar resultados y determinar la exactitud de los algoritmos evolutivos, se resolvi el modelo multiobjetivo utilizando el solver SNOPT de GAMS sobre dos de las topologas de red (NSF, T25). De acuerdo a los resultados obtenidos para las topologas NSF y T25, se pudo comprobar que ambos algoritmos tienen capacidades similares para encontrar soluciones cercanas al conjunto de soluciones Pareto ptimas obtenidas analticamente, dado que dado que si bien es cierto que para algunos conjuntos de destinos el desempeo de uno es mejor que el del otro, la diferencia entre las soluciones obtenidas por cada uno de ellos y su convergencia hacia el frente de Pareto no es tan signicativa como para inclinar la balanza a favor de uno u otro algoritmo. La topologa T100 no pudo ser comparada con una solucin analtica debido a la complejidad que implica el modelado de la misma. Sin embargo, los resultados obtenidos para NSF y T25 nos permiten decir que si bien stos no sern exactos, s estarn bastante cercanos a los analticos. Los resultados obtenidos para T100 muestran un comportamiento similar de las funciones retardo y nmero de saltos en ambos algoritmos.

50

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

En este trabajo se comprob que SPEA-II result ser mucho ms eciente en trminos del tiempo de convergencia hacia las soluciones no dominadas, independientemente del tamao de la topologa y del nmero de nodos que se estuviera optimizando. Mediante una prueba Z de diferencia de medias muestrales se conrm, con un nivel de conanza del 95%, que, independientemente del tamao de la topologa y del nmero de nodos destino, SPEA-II result ser mucho ms eciente que NSGA-II. Mediante los experimentos realizados tambin se comprob que la convergencia de las soluciones obtenidas por los algoritmos evolutivos hacia la frontera de Pareto analtica disminuye a medida que el conjunto de nodos destinos aumenta. Esto se debe a que el nmero de posibles combinaciones de rutas se incrementa a medida que aumenta el nmero de destinos, y por lo tanto el espacio de bsqueda se hace ms grande. Adems, estadsticamente se comprob, mediante una prueba Z de diferencia de medias muestrales, con un nivel de conanza del 95%, que en promedio la convergencia de las soluciones obtenidas es la misma para ambos algoritmos, independientemente del tamao de la topologa. El problema de decidir cul de los dos algoritmos resulta mejor para resolver el problema multiobjetivo propuesto es en s mismo un problema de optimizacin de objetivos mltiples, dado que mejorar un determinado aspecto como la ecacia de los algoritmos, es decir, la exactitud de las soluciones halladas por stos, puede llevar a desmejorar otro aspecto tambin muy importante como es la eciencia. Sin embargo, en este estudio se ha demostrado que SPEA-II result ser igual de eficaz que NSGA-II pero mucho ms eficiente que este ltimo, por lo tanto SPEA-II resulta mejor en la solucin del problema propuesto, dado que en trminos de dominancia de Pareto iguala a NSGA-II en un objetivo (exactitud de las soluciones) y lo mejora en el otro (eciencia); en otras palabras, SPEA-II domina a NSGA-II. Referencias
[1] ALMEIDA, C.; AMARILLA, N.; BARN, B. (marzo, 2003). Optimizacin Multiobjetivo en la planicacin de Centrales Telefnicas. Universidad Nacional de Asuncin, Campus Universitario de San Lorenzo Paraguay. [2] BANERJEE, N; DAS, S.K. (2001). Fast Determination of QoS Multicast Routes in Wireless Networks using Genetic Algorithm. Communications. ICC 2001. [3] BARN, B.; DUARTE, S. (2000). Multiobjective Network Design Optimization using Parallel Evolutionary Algorithms. Centro Nacional de Computacin, Universidad Nacional de Asuncin.

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

51

Carolina Alvarado, Ivn Herazo, Carlos Ardila, Yezid Donoso

[4] CUI, X ; LIN, C ; WEI , Y. A Multiobjective Model for Qos Multicast Routing Based on Genetic Algorithm. ICCNMC03 [5] DEB K.; AGRAWAL, S.; PRATAP, A.; MEYARIVAN, T. (2000). A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II. In KanGAL Report N 200001. Indian Institute of Technology, Kanpur, India. [6] DEB, K. (2001). Multiobjective Optimization Using Genetic Algorithms. John Wiley & Sons, Chichester, UK. [7] DIAS, A.; DE VASCONCELOS J. (March, 2002). Multiobjective Genetic Algorithms Applied to Solve Optimization Problems. IEE Transactions on Magnetics, Vol. 38, N 2. [8] DONOSO, Y; FABREGAT, R; FBREGA, L. Multi-Objective scheme over multi-tree routing in multicast MPLS networks. ACM/IFIP LANC03. [9] DONOSO, Y; FABREGAT, R; MARZO, J.L. Multi-Objective Optimization Model and Heuristic Algorithm for Multipath Routing of Dynamic Multicast Groups IEEE ISCC04 [10] DONOSO, Y; FABREGAT, R; MARZO, J.L. Multi-objective optimization algorithm for multicast routing with trafc engineering. IEEE ICN04. [11] FABREGAT, R; DONOSO Y; MARZO, J.L; ARIZA, A. A Multi-Objective Multipath Routing Algorithm for Multicast Flows. SPECTS04. [12] GALVN, B.; GREINER, D.; WINTER, G. (2003). Una comparativa de Algoritmos Evolutivos Multicriterio en Diseo de Sistemas de Seguridad. Segundo Congreso Espaol de Metaheursticas, Algoritmos Evolutivos y Bioinspirados. MAEB03, Gijn. [13] GAMS. Solver for large mathematical programming problems. http://www.gams. com. [14] INAGAKI, J; HASEYAMA, M; KITAJIMA , H. (1999). A Genetic Algorithm for Determining Multiple Routes and its Applications. Circuits and Systems. ISCAS 99. [15] LEUNG, Y ; LI, G ; XU, Z.B. (November, 1998). A Genetic Algorithm for the Multiple Destination Routing Problems. IEEE Transactions on Evolutionary Computation, Vol. 2, N 4. [16] LI, Y; BOUCHEBABA, Y. (1999). A new genetic algorithm for the optimal communication spanning tree problem. In C. Fonlupt, J.-K. Hao, E. Lutton, E. Ronald, and M. Schoenauer, editors, Proceedings of Articial Evolution: Fifth European Conference, volume 1829 of LNCS, p. 162-173. Springer. [17] MILLER, K. (1999). Multicast Networking and Applications. Ed. Addison Wesley Longman, Inc. [18] ROY, A; DAS, S.K. (May, 2004). QM2RP: A QoS-based Mobile Multicast Routing Protocol using Multi-Objective Genetic Algorithm. The Journal of Mobile Communication, Computation and Information, Wireless Networks, Kluwer. [19] SALAZAR, D. (November, 2003). Evaluacin de mtodos evolutivos de optimizacin multiobjetivo de 2 generacin. Universidad Central de Venezuela. [20] SRINIVAS, N; DEB, K. Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms. IEEE Journal of Evolutionary Computation, Vol. 2, N 3, p. 221-248. [21] SUN, Q. (1999). A genetic algorithm for delay-constrained minimum-cost multicasting.Technical Report, IBR, TU Braunschweig, Butenweg, 74/75, 38106, Braunschweig, Germany.

52

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

APLICACIN DE NSGA-II Y SPEA-II PARA LA OPTIMIZACIN MULTIOBJETIVO DE REDES MULTICAST

[22] XIANG, F; JUNZHOU, L; JIEYI, W; GUANQUN, G. (May, 1999). QoS routing based on genetic algorithm. Computer Comunications 22. pp. 1293-1399. Elsevier. [23] ZITZLER, E.; LAUMANNS, M.; THIELE, L. (2000). SPEA2: Improving the Strength Pareto Evolutionary Algorithm. Computer Engineering and Networks Laboratory (TIK). Department of Electrical Engineering Swiss Federal Institute of Technology (ETH) Zurich. [24] ZITZLER, E. & THIELE , L. (1999). Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto Approach. IEEE Transactions on Evolutionary Computation 3(4), 257271.

Ingeniera & Desarrollo. Universidad del Norte. 17: 28-53, 2005

53