O artigo apresenta estratégias de fortalecimento para algoritmos evolutivos multiobjetivo para lidar com a otimização de portfólio em grande escala sob restrições de cardinalidade, onde métodos exatos se tornam ineficientes devido à complexidade NP-dura.
- Introduz uma representação única de soluções, um operador novelo e novos mecanismos de reparo para lidar com os limites inferior e superior sobre o número de ativos.
- Implementa estratégias de acasalamento personalizadas dentro de algoritmos evolutivos multiobjetivo bem conhecidos.
- Testa a abordagem proposta em comparação com algoritmos tradicionais usando índices de mercado bem conhecidos como benchmarks.
Os resultados indicam que a estratégia proposta fornece aproximações melhores e converge mais rápido sem perda de desempenho à medida que o número de ativos aumenta.