| Résumé | Cet article présente une approche pour construire des représentations visuelles améliorées d'espaces objectifs de grande dimension à l'aide de la réalité virtuelle. Ces espaces découlent de la solution de problèmes d'optimisation multi-objectifs comportant plus de trois fonctions objectives qui mènent à des fronts de Pareto de grande dimension. Les représentations 3D de fronts de Pareto m-dimensionnels, ou leurs approximations, sont construites au moyen de mappages de structure de similarité entre les espaces objectifs originaux et l'espace 3D. Des formes alpha sont introduites pour la représentation et comparées à des approches antérieures basées sur des enveloppes convexes. En outre, les mappages réduisant une mesure de la quantité de perte de dissimilarité sont obtenus au moyen de la programmation génétique. Nous explorons cette approche, de façon préliminaire, à l'aide de fronts de Pareto de grande dimension obtenus théoriquement pour un problème test (DTLZ2), ainsi qu'à l'aide d'espaces objectifs obtenus pratiquement pour le problème d'empilement quadridimensionnel (ou knapsack problem) au moyen d'algorithmes évolutionnaires multi-objectifs, comme HLGA, NSGA et vEGA. La représentation améliorée rend de façon plus exacte la nature réelle des espaces objectifs m-dimensionnels, et la qualité des mappages obtenus par programmation génétique est équivalente à celle qui est calculée au moyen d'algorithmes d'optimisation classiques. |
|---|
