RESUMO
Os algoritmos de otimização multi-objectivo tiveram um relativo crescimento nos últimos anos. Diante disso, é necessária alguma maneira de comparar os resultados por eles gerados. Neste sentido, medidas de desempenho são importantes. Em geral, são consideradas algumas propriedades desses algoritmos tais como capacidade, convergência, diversidade ou convergência-diversidade. Algumas dessas medidas são conhecidas da comunidade acadêmica como generational distance (GD), inverted generational distance (IGD), hypervolume (HV), Spread (∆), Averaged Hausdorff distance (∆p ), R2-indicator dentre outros. Aqui, nós focamos em propor um novo indicador para medir a convergência baseada na formula tradicional da entropia de Shannon. As principais características da nossa proposta são: 1) Não depende de saber o conjunto Pareto Exato e 2) Médio custo computacional quando comparado com o Hypervolume.
Palavras-chave:
Entropia de Shannon; Medidas de desempenho; Algoritmos de otimização multi-objectivo
