Um Algoritmo de Busca Tabu para a Otimiza ca o de Redes de Distribui ca o de G as

Daniel Almeida da Costa Pessanha

UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF CAMPOS DOS GOYTACAZES, RJ 28 JANEIRO - 2011

 terceira avaliac o da Trabalho relativo a a disciplina METAHEURISTICAS APLI` OTIMIZAC CADAS A AO 2010 o Curso de Engenharia de Produc a Centro de Ci encias e Tecnologia Universidade Estadual do Norte Fluminense UENF.

CAMPOS DOS GOYTACAZES - RJ 28 JANEIRO - 2011

ii

RESUMO proposto para a otimizac o de redes restriNeste artigo um algoritmo de busca tabu e a o de g tas de distribuic a as. O problema consiste em encontrar as menores combinac oes comercialmente de custo e di ametros, a partir de um conjunto discreto de condic oes dispon veis, para os tubos de uma determinada rede de g as, satisfazendo as restric oes de tubo citadas a ` cima. relacionadas aos requisitos de press ao m nima e condic oes um problema inteiro misto n Como este e ao linear, abordagens metaheur sticas parecem ser mais adequadas e prover melhores resultados do que os m etodos cl assicos de o. Neste trabalho, uma heur aplicada ao problema e os otimizac a stica de busca tabu e resultados do algoritmo proposto s ao comparados com os resultados de um algoritmo de algoritmos de busca tabu. Os resultados s gen etico e duas outras versoes ao muito ` qualidade das soluc e tempo computacional promissores, quanto a oes

iii

ABSTRACT

In this paper a tabu search algorithm is proposed for the optimization of constrained gas distribution networks. The problem consists in nding the least cost combination of diameters, from a discrete set of commercially available ones, for the pipes of a given gas network, satisfying the constraints related to minimum pressure requirements and upstream pipe conditions. Since this is a nonlinear mixed integer problem, metaheuristic approaches seem to be more suitable and to provide better results than classical optimization methods. In this work, a tabu search heuristics is applied to the problem and the results of the proposed algorithm are compared with the results of a genetic algorithm and two other versions of tabu search algorithms. The results are very promising, regarding both quality of solutions and computational time.

iv

Sum ario

Introdu ca o

Trabalhos Anteriores sobre Problemas Relacionados

Formula ca o do Modelo Matem atico

Algoritmos de Busca Tabu

Implementa ca o do Algoritmo 5.1 5.2 5.3 5.4 5.5 o Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Soluc a o Vizinha . . . . . . . . . . . . . . . . . . . . . . . . . Mudanc a de Gerac a o . . . . . . . . . . . . . . . . . . . . . . . . Procedimento de Diversicac a o . . . . . . . . . . . . . . . . . . Movimentos Tabu e Crit erio de Aspirac a Crit erios de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10 11 11 12 12 12 13

Experimentos Computacionais e Resultados

Conclusoes

18

Refer encias Bibliogr acas

19

Lista de Tabelas

6.1 6.2 6.3

o da qualidade das solucoes para 34 redes pequenas e m Comparac a edias o das solucoes dos 10 maiores problemas Comparac a o Tempos m edios de execuc a

. . . . . .

14 15 17

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

vi

Lista de Figuras

5.1

Pseudocodigo do algoritmo proposto . . . . . . . . . . . . . . . . . . . .

10

vii

Cap tulo1 o Introduc a

o de g Redes de distribuic a as s ao uma parte muito importante da infra-estrutura das cidades, servindo tanto casas como industrias e, normalmente, implicam em custos o. Por essas razoes, enormes para a sua implementac a muitas empresas que fornecem este tipo de servic o precisam utilizar ferramentas computacionais para determinar o o de um layout para a melhor projeto para essas redes. O projeto envolve a denic a rede e o dimensionamento dos canos. Para denir o layout, deve-se levar em conta uma s erie de fatores, tais como as ruas, a topologia, os riscos ambientais, a econo denido, ent mia e a seguranc a da rede. Uma vez que o layout e ao os tamanhos dos di ametros dos tubos previstos devem ser determinados. Os tubos s ao produzidos e comercializados apenas em um certo numero de materiais e em determinados di ametros xos. Seus custos por unidade de comprimento geralmente variam de acordo com o material de que s ao feitos e com os di ametros. Para di ametros maiores, tubos mais caros s ao esperados. A press ao tamb em cai ao longo dos tubos a uma taxa decrescente aos di ametros maiores para um uxo constante, isso signica que di ametros maiores implicam em redes mais con aveis, com melhor garantia de atendimento da demanda. previamente denido. Assim, o objetivo e Neste artigo, presume-se que um layout e de forma que eles sejam grandes o suciente selecionar os di ametros das tubulac oes para garantir que os requerimentos da demanda sejam atendidos e os custos gerais o adicional e que cada tubo, n de tubos sejam minimizados. Uma restric a ao incidente de origem, deve ter pelo menos um tubo de di em um no ametro igual ou maior a minimizar a soma dos custos montante. Dado um layout para a rede, o objetivo e rvore s das tubulac oes. Neste trabalho invariavelmente estruturas de a ao consideradas para o layout da rede e o termo cano (pipe) ser a utilizado para se referir a um arco de uma certa a rvore. Embora a hipotese rvore ter sido entre dois nos da estrutura em a o em lac feita, o m etodo proposto se aplica tamb em a redes de distribuic a o (loop). formulado como O doravante denominado problema de dimensionamento do tubo e

2 o de restric est um problema de otimizac a oes. Uma vez que as restric oes ao impl citas n o so pode ser detere observa-se equac oes ao-lineares, a viabilidade de uma soluc a o das equac de uxo da rede. Por tais motivos, investigac o minada pela resoluc a oes a anal tica e m etodos computacionais exatos n ao parecem promissores para solucionar o de metaheur a alternativa natural para liesse tipo de problema e a utilizac a sticas e dar com ele. o apresenta uma breve revis A proxima sec a ao de trabalhos anteriores sobre os proble` otimizac o de redes de distribuic o. A formulac o matem mas relacionados a a a a atica do o n problema de dimensionamento do tubo como um problema de otimizac a ao linear dada na sec o seguinte. A sec o 4 introduz alguns conceitos b inteiro misto e a a asicos de o algoritmos de busca tabu. Detalhes do algoritmo proposto s ao apresentados na sec a o 6 mostra os resultados computacionais obtidos pela nova abordagem e a 5. A sec a o resume as principais contribuic deste trabalho. ultima sec a oes

Cap tulo2 Trabalhos Anteriores sobre Problemas Relacionados

sobre um problema relacionado, Rothfarb et al. Em uma das primeiras investigac oes do projeto de redes de distribuic o de g [10] explorou, entre outras questoes a as em o dos subprodutos, o problema da selec o campos offshore para plantas de separac a a de di ametros. Seu objetivo era minimizar a soma dos investimentos e custos operacionais. Naquele documento, as redes consideradas foram aquelas que continham o menor numero de dutos que pudessem entregar o g as dos campos para as plantas de o ou, em outras palavras, redes com estruturas em a rvore. separac a Boyd et al. [1] desenvolveu um algoritmo gen etico para o problema de dimensio o e usando uma func o de penalizac o para levar a press namento da tubulac a a a ao ao de tubulac o a montante. As soluc foram m nimo e levar em conta as restric oes a oes encia de n inteiros, onde n e o numero representadas por uma sequ de segmentos de tubo (arcos) na rede, cada inteiro indicava o ndice do di ametro a ser escolhido para um o permite que todo o espac dado tubo. Esta representac a o de pesquisa seja codicado o de operadores gen o creep e o crossover e facilita a utilizac a eticos, como a mutac a o n uniforme, ambos utilizados no algoritmo gen etico. Uma populac a ao estruturada e permitiu aos autores relatar um resultado de 100 redes foi utilizada por 100 gerac oes 4% melhor para um exemplo real de 25 tubos quando comparado a uma heur stica simples e serve como id utilizada pela empresa British Gas. Essa ultima heur stica e eia base para outros m etodos propostos para resolver o problema. Consiste em adivinhar alguns tamanhos iniciais de tubos que levam a uma rede v alida e otimizar localmente o atual tentando, repetidamente, reduzir o di a soluc a ametro de um dos tubos at e que o possa gerar uma soluc o ainda vi nenhuma reduc a a avel. o de Restric por Algoritmos Gen O m etodo COMOGA (Otimizac a oes eticos Multi-Objetivos) [11] trata as restric oes, expl citas ou impl citas, do problema como um crit erio sepa o multi-objetivo do problema. O m rado em uma formulac a etodo tem a vantagem de diminuir o numero de par ametros livres a serem sintonizados, quando compa o tradicional da func o de penalizac o, e permanecer pouco rado com a formulac a a a

4 sens vel a estes. Isso consiste em reduzir o problema a um duplo crit erio unico, con em um unico densando todas as restric oes crit erio. Ao calcular um ranking de Pareto o da populac o (numero que o dominam) sobre o n para cada soluc a a de soluc oes vel o de todas as restric originais, o m de violac a oes etodo minimiza o custo e o grau de atrav inviabilidade de soluc oes es de um esquema reverse annealing (recozimento ino verso) que ajusta a probabilidade de selecionar e substituir indiv duos da populac a de acordo com um (custo) ou outro (viabilidade) crit erio. Os autores argumentam que muito o m etodo COMOGA necessita de, consideravelmente, menos experimentos e e o. menos sens vel aos par ametros envolvidos na sua concepc a No mesmo ano, Osiadacz e Goreki [8] apresentaram um estudo razoavelmente com o das redes de distribuic o de a gua e g pleto da otimizac a a as por meio de m etodos heur sticos, procedimentos exatos que consideram a disponibilidade de di ametros cont nuos, o discreta. Eles propoem o e m etodos de otimizac a resolver o problema com a utilizac a o quadr de um m etodo interativo, que minimize a cada passo uma aproximac a atica o Lagrangiana para aproximac linearizadas sequencialmente de um objeto da func a oes das restric oes. Ao nal, os di ametros s ao corrigidos para os tamanhos discretos dis pon veis mais proximos dos di ametros calculados. o, Boyd et al. [2] estudou o problema de minimizac o Em outra linha de investigac a a do custos de combust vel e gerou limites inferiores uteis para avaliar a qualidade fornecidas pelos algoritmos de otimizac o de tubulac das soluc oes a oes. Um estudo o e func o objetivo foi realizado, por do espac o de soluc a a em o problema espec co que eles lidaram estava mais preocupado em minimizar o combust vel nas estac oes de compress ao e, portanto, os limites inferiores desenvolvidos n ao se aplicam direta o. mente ao problema de dimensionamento da tubulac a o compostas basicamente por bombas e canos (uma vez que As redes de distribuic a o acessorios podem ser modelados apenas por seu di ametro) s ao consideradas na publicac a de Castillo e Gonz alez [3]. As vari aveis de decis ao s ao, ent ao, denidas como sendo ca racter sticas QH das bombas (taxas de press ao e uxo) e di ametros de tubos e acessorios, tomadas a partir de um conjunto comercial discreto de di ametros dispon veis. Uma o do problema e apresentada na qual a velocidade do uxo compreende a formulac a o mais importante e um algoritmo gen restric a etico com operadores de crossover es proposto. O algoritmo gen o de pecializados e etico tamb em faz uso de uma func a o para desfavorecer as soluc invi penalizac a oes aveis, somando-se o maior custo poss vel

5 s de cada elemento da rede em que as restric oes ao violadas. Eles aplicam o procedi mento a dois casos de teste teorico e a um real, decorrente das atividades de uma empresa de produtos l acteos. Os operadores gen eticos do problema espec co demonstram ser melhores na pr atica do que na teoria. Finalmente, Cunha e Ribeiro [6] propoem um algoritmo de busca tabu para encontrar o de a gua em loop. Mesmo lidando o projeto de menor custo para redes de distribuic a com um tipo diferente de uido a ser distribu do, a estrutura matem atica do problema id o de redes de distribuic o de g e entica ao problema de otimizac a a as, incluindo a o com as restric de tubulac o a montante e press mesma preocupac a oes a ao m nima do projeto. Al em de fornecer um vasto levantamento sobre as abordagens anteriores para o problema, o algoritmo sugerido parece ser simples e ecaz para resolver este pro o. Ele comec o vi blema de otimizac a a a partir de uma soluc a avel trivial onde todos os tubos s ao denidos para o maior di ametro dispon vel e em cada etapa sucessiva ele o atual diminui o di ametro de um dos tubos, enquanto mant em a viabilidade da soluc a o onde nerespeitando todas as restric oes. Quando o algoritmo encontra uma soluc a o adicional do di o ainda vi nhuma reduc a ametro conduz a uma soluc a avel, ele faz um o, aumentando o di movimento de diversicac a ametro de um dos tubos, selecionados de acordo com um dos seguintes crit erios: aumentado e o que apresenta o menor valor de um o o tubo cujo di ametro e o do numero par ametro determinado pela multiplicac a de mudanc as no di ametro do tubo durante o processo de busca pelo numero de vezes que foi atribu do ao tubo o aumento do di ametro; o que teve o tamanho mantido no mesmo di o o tubo escolhido e ametro pelo anteriores. per odo mais longo nas iterac oes diferentes do algoritmo, chamado TS1 e TS2, resEstes crit erios denem duas versoes o do tamanho do tubo, cujo di pectivamente. Em ambos os casos, a modicac a ametro foi alterado torna-se um movimento tabu e entra na lista tabu. Os autores experimentaram par ametros tabu diferentes, xos e vari aveis, e, comparando os resultados dos conhecidas de cinco casos de benchmark do seus algoritmos com as melhores soluc oes problema, eles demonstram a ec acia do m etodo proposto.

Cap tulo3 o do Modelo Matem Formulac a atico

o pode ser declarado como segue: para O problema do dimensionamento da tubulac a selecionar, a partir de um conjunto discreto de di ametros de tubos comercialmente o de di dispon veis, a combinac a ametros que d a a rede o menor custo capaz de fornecer de demanda com, pelo menos, condic m um conjunto de nos oes nimas de press ao e o as condic de tubulac o a montante. O modelo correspondente pode que satisfac a oes a ser escrito como: min sujeito a Pi PDi , i N {n0 } Dk DUk , k NP Dk D, k NP (3.2) (3.3) (3.4)

k NP

c ( Dk ) . L k

(3.1)

o conjunto de tubos, N e o conjunto de nos, com n0 representando a onde NP e o conjunto de di o di fonte de g as, D e ametros comerciais, Dk e ametro do tubo k, o comprimento do tubo k, c : D R+ e tomado como as vari aveis de decis ao, Lk e o do conjunto de di uma func a ametros para numeros reais positivos, que representa a press i para os o custo do tubo por unidade de comprimento, Pi e ao obtida no no a press i, e DUk e o di di ametros de tubos atribu dos, PDi e ao necess aria no no ametro do tubo a montante do tubo k. o objetivo (1) representa a minimizac o do custo total da rede de distribuic o A func a a a o de tubo que o compoem. de g as, expresso como a soma dos custos de cada sec a O uma func o dos di custo do tubo, por sua vez, e a ametros dos tubos (tomada como as o. vari aveis de decis ao) e o comprimento da sec a (2) representa os requisitos m O conjunto de restric oes nimos de press ao do projeto

7 Elas so podem ser vericadas pela resoluc o sucessiva das equac n em cada no. a oes ao o do tubo. lineares (5) para obter a queda de press ao desde a fonte para cada sec a
0.5

T Q = C b D2.5 e Pb

2 P2 P1 2 LGTa Za f

(3.5)

a taxa de vaz uma constante para os sistemas de convers onde Q e ao, C e ao de uni a press o di a a temperatura base, Pb e ao base, D e ametro do tubo, e e dades, a Tb e de entrada e sa o eci encia do tubo, P1 e P2 s ao as pressoes da, respectivamente, L e a gravidade espec a temperatura do g comprimento do tubo, G e ca do g as, Ta e as, Za o fator de compressibilidade do g o fator de atrito da tubulac o. e as e f e a (3) indica as condic do tubo a montante, o que signica O conjunto de restric oes oes que cada tubo deve ter um di ametro inferior ou igual ao di ametro do tubo a montante do seu. Uma vez que as redes que estamos considerando neste trabalho t em estrutu rvore, o tubo a montante pode ser facilmente determinado como o unico ras de a que de origem. Se as se conecta diretamente ao referido tubo e est a mais proximo do no o em loop forem consideradas, equac de uxo teriam que ser redes de distribuic a oes de uxo e os tubos a montante. Finalmente, resolvidas para determinar as direc oes em (4) limitam os di as restric oes ametros poss veis dos tubos para os comercialmente dispon veis.

Cap tulo4 Algoritmos de Busca Tabu

Dentre os v arios m etodos de metaheur sticas propostos nas ultimas d ecadas para a o de problemas complexos de otimizac o, a busca tabu se distingue como uma soluc a a o. Suas principais caracter heur stica de sucesso em muitos campos de aplicac a sticas se baseiam em analogias com o processo da memoria humana e s ao totalmente explicadas por Glover e Laguna [7]. uma busca iterativa na vizinhanc o atual em O m etodo de busca tabu propoe a da soluc a uma ordem que permite que os melhores movimentos sejam explorados e ao mesmo o de soluc j tempo, impede a repetic a oes a visitadas. Para atingir este objetivo uma es o para gerar soluc vizinhas (por trutura determinada de vizinhanc a e uma func a oes o da vizinhanc meio de movimentos estruturados) devem ser denidas. A explorac a a pode ser feita inteiramente ou restrita a um determinado numero de soluc oes. Outra parte da funcionalidade da busca tabu est a impedindo-a de visitar v arias ve o. Isto e feito pela denic o de alguns movimentos poss zes a mesma soluc a a veis para o status tabu, isso signica que eles n ao podem ser executados por certo numero de visitadas. Al iterac oes. Isto pode evitar o ciclismo em soluc oes em disso, o par ametro nas quais os elementos adicionados a de posse tabu dene o numero de iterac oes uma lista tabu mant em seu status tabu, tornando a busca mais ou menos restritiva. o da busca tabu pode ou n o. A implementac a ao fazer uso de um crit erio de aspirac a o Este crit erio permite que um movimento tabu seja feito em uma determinada iterac a o que satisfac o, por exemplo, se a nova se ele levar a uma soluc a a alguma condic a o e melhor do que qualquer outra soluc o encontrada anteriormente. soluc a a o m Eventualmente, a pesquisa ir a conduzir a uma soluc a nima local e nenhum movimento ser a capaz de trazer melhorias ao processo. Em tais casos, o algoritmo deve o que permitir o de regioes do utilizar um procedimento de diversicac a a a explorac a espac o de busca que n ao tenham sido consideradas ainda. A habilidade de determi inexploradas e apoiada pelo uso de estruturas de memoria nar as regioes de longo prazo, que mant em o registro das vizinhanc as j a visitadas. Finalmente, a busca e

9 evidente que esta conclu da quando alguns crit erios de parada s ao alcanc ados. E t ecnica metaheur stica incorpora estrat egias ecientes para evitar otimos locais, en o bastante simples e isso pode explicar, parcialmente, quanto mant em a implementac a a popularidade do m etodo.

Cap tulo5 o do Algoritmo Implementac a

o do problema de Neste trabalho, propomos um algoritmo de busca tabu para a soluc a o. A implementac o considera apenas as redes vi dimensionamento da tubulac a a aveis, que violem as restric do problema. o que signica que nunca ser ao geradas soluc oes oes o objetivo no sentido de que n o Ele simplica a func a ao h a necessidade de uma func a o. O objetivo e minimizar o custo total da tubulac o de uma rede de de penalizac a a o de g distribuic a as. o descreve as caracter o do algoEsta sec a sticas b asicas envolvidas na implementac a o inicial, a explorac o da vizinhanc ritmo proposto, tais como: a soluc a a a (incluindo a o vizinha, o procedimento de diversicac o, o crit o, mudanc a de gerac a a erio de aspirac a os movimentos tabu e o par ametro de posse tabu), e os crit erios de parada. Um pseu apresentado a seguir. docodigo do algoritmo descrito e Figura 5.1 Pseudocodigo do algoritmo proposto

11

o Inicial 5.1 Soluc a

atrav Uma vez que estamos preocupados em manter a viabilidade das soluc oes es de necess iniciais que todas as iterac oes, e ario considerar um m etodo para gerar soluc oes o das exig o a montante. Portanto, a garantam a satisfac a encias de press ao e tubulac a estrat egia adotada neste trabalho foi utilizar a rede mais segura poss vel (embora a o inicial. Esta rede e aquela onde o maior di mais cara) como soluc a ametro poss vel e atribu do a cada tubo. Essa estrat egia traz o benef cio adicional de ser capaz de deter o. Se a soluc o iniminar logo no in cio se o exemplo tem ou n ao ao menos uma soluc a a invi o para o problema. Uma soluc o inicial aleatoria cial proposta e avel, n ao h a soluc a a vi extren ao seria adequado porque a densidade de soluc oes aveis no espac o de busca e mamente baixa e isto poderia levar um grande esforc o computacional para encontrar uma delas aleatoriamente.

o Vizinha 5.2 Mudanc a de Gerac a

o atual, o moviPara detalhes de como o algoritmo explora a vizinhanc a da soluc a o vizinha subjacente e explicado. Em primeiro lugar, considere que mento de gerac a s as soluc oes ao representadas como uma lista de tubos e di ametros correspondentes, incidentes. O movimento b ordenados pela profundidade dos nos asico consiste em diminuir o di ametro do tubo para o menor valor poss vel mantendo a viabilidade da o. Ele e feito das folhas at rvore para favorecer o cumprimento das soluc a e a raiz da a a montante. O estilo de baixo para cima das reduc da tubulac o pode restric oes oes a o do di permitir que a diminuic a ametro do tubo permita aos seus tubos montantes re` complexidade das restric enduzirem seu di ametro tamb em. No entanto, devido a oes tem de ser recalculada para cada reduc o de di volvidas, a press ao em cada no a ametro para garantir que a rede ainda esteja atendendendo aos requisitos.

12

o 5.3 Procedimento de Diversicac a

o e encontrada e nela nenhuma reduc o de di o Quando uma soluc a a ametro da tubulac a poss e vel, atingiu-se um otimo local. Para prosseguir com a busca, o processo de o e aplicado. A soluc o vizinha e , ent diversicac a a ao, gerada aumentando os di ametros o. Um tubo aleatorio o maior dispon selecioda tubulac a (cujo di ametro n ao e vel) e aumentado para o proximo nado e seu di ametro e tamanho dispon vel. Este movio a ` s restric de press mento mant em sempre a rede v alida em relac a oes ao, mas pode o do montante. Isto e facilmente corrifazer com que o tubo selecionado viole a restric a gido, aumentando recursivamente o di ametro do tubo a montante dos tubos alterados quando necess ario.

o 5.4 Movimentos Tabu e Crit erio de Aspirac a

o e diminu Do mesmo modo, se o di ametro da tubulac a do ou aumentado, o ramo com o de seu o di ametro que foi mudado recebe o status de tabu. Ent ao, a modicac a proibida durante certo numero di ametro e de iterac oes. O par ametro de posse tabu e implementado para ser randomizado. Para todas as iterac oes, cada movimento tem uma probabilidade p de sair da lista tabu. Alguns experimentos foram realizados e um valor de p = 0, 05 mostrou-se ecaz para o problema estudado. Este valor foi utilizado em todos os testes que relatamos neste trabalho. Al em disso, um crit erio de o foi utilizado para permitir que um status tabu seja removido se o movimento aspirac a o. correspondente leva a uma nova melhor soluc a

5.5 Crit erios de Parada o m Dois crit erios de parada foram utilizados: a durac a axima e um numero m aximo sem melhorias na melhor soluc o. Seja n o numero de iterac oes a de tubos em um dado o do algoritmo de busca tabu exemplo. O tempo m aximo permitido para a execuc a sem em experimentos computacionais foi n segundos. O numero m aximo de iterac oes o foi 2n. Isso pode ser vericada na sec o seguinte atrav melhorias na melhor soluc a a es dos testes realizados que, em geral, o segundo crit erio foi o que interrompeu a busca.

Cap tulo6 Experimentos Computacionais e Resultados

o do algoritmo proposto, ele foi aplicado a 58 exemplos teoricos Para ns de validac a e, consequentemente, de com tamanhos variando de 51 a 1432 nos de 50 a 1431 sec oes o. Estes exemplos s tubulac a ao baseados em exemplos do TSPLIB - um banco de exemplos de problemas de caixeiro viajante [9] - e que foram gerados da seguinte forma. Pri rvore geradora de m meiro, a a nimos do gr aco completo obtidos a partir de exemplos xado como o no de origem. Ent do TSP foi calculada, o primeiro no ao, os valores de foram gerados aleatoriauxo em cada tubo e de press ao m nima exigida por cada no mente em um intervalo previamente denido. Finalmente, um conjunto de di ametros comerciais foi escolhido a partir dos dispon veis no mundo real [4] [5]. Cada exemo e referido com o mesmo nome do plo do problema de dimensionamento da tubulac a exemplo do TSP que o originou. do algoritmo de busca tabu extra As duas versoes dos de Cunha e Ribeiro [6] e o algoritmo gen etico multi-objetivo de Surry et al. [11] foram aplicadas ao problema mantendo todas as suas caracter sticas b asicas inalteradas. O algoritmo proposto e comparado a eles. O crit erio de parada para estes algoritmos foi denido para ser o mesmo que o do algoritmo proposto, um tempo m aximo de n segundos e um m aximo sem melhorias na melhor soluc o j o numero de 2n iterac oes a a encontrada, onde n e do exemplo. Para cada exemplo, 30 execuc independentes dos algoritmos de nos oes foram feitas em um computador Pentium IV de 2,8 GHz com 512MB de RAM, exceto por razoes expostas a para o algoritmo gen etico em exemplos com mais de 1000 nos, seguir. A Tabela 1 mostra os resultados obtidos com os algoritmos para os exemplos menores o encontrada por qualquer um dos algoritmos (menos de 1000 nos). A melhor soluc a testados para cada exemplo, juntamente com o m nimo e a diferenc a m edia, em percentagem, e o desvio padr ao da diferenc a para cada algoritmo s ao apresentados. 14 s exemplos pequenos e f aceis (at e 264 nos) ao omitidos uma vez que todos os m etodos alcanc aram os mesmos resultados. Apenas os resultados da TS1 [6] s ao mostrados

14 porque o desempenho da segunda vers ao foi inferior a ela. A TS2 foi capaz de encon o mais barata do que TS1 apenas para um exemplo e os seus tempos trar uma soluc a o foram iguais ou piores do que o tempo de funcionamento da TS1 em de execuc a o vi 55 dos exemplos. O algoritmo gen etico [11] n ao encontrou nenhuma soluc a avel para os exemplos pr299 ou u724. TS refere-se ao algoritmo proposto, enquanto TS-C e ` busca tabu comparada [6] e a um algoritmo gen GA-S referem-se a etico [11], respectivamente.

o da qualidade das solucoes para 34 redes pequenas e m Tabela 6.1 Comparac a edias Instance Best Sol. Proposed TS Min. Avg. SD Gap Gap Gap 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.15 0.15 0.00 0.00 0.00 0.00 0.00 0.09 0.15 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.43 0.11 0.00 0.02 0.11 0.00 0.00 0.01 0.00 0.00 0.00 Min. Gap 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 5.25 0.55 0.15 0.00 0.02 0.00 27.20 8.24 0.00 26.76 5.73 10.55 3.56 TS-C Avg. Gap 0.00 0.00 0.00 0.00 5.09 0.00 0.00 0.00 5.40 6.64 0.00 14.38 0.00 0.00 0.00 0.00 5.67 0.00 0.00 0.00 0.00 5.25 8.64 0.15 0.00 21.02 0.49 27.20 8.24 0.00 27.13 10.28 10.55 3.56 SD Gap 0.00 0.00 0.00 0.00 27.88 0.00 0.00 0.00 29.57 5.14 0.00 11.13 0.00 0.00 0.00 0.00 31.08 0.00 0.00 0.00 0.00 0.00 3.68 0.00 0.00 7.12 1.85 0.00 0.00 0.00 2.03 24.61 0.00 0.00 Min. Gap 3.50 2.65 1.23 5.05 0.34 8.06 0.79 5.05 5.62 12.73 2.02 9.14 8.05 5.49 5.29 4.47 7.83 3.98 14.71 0.31 0.32 7.09 0.00 5.46 59.34 35.98 60.83 42.62 6.45 48.40 67.83 38.98 GA-S Avg. Gap 4.56 4.43 2.52 5.98 0.94 11.06 1.54 7.54 9.10 18.45 2.92 12.51 12.21 8.54 8.42 8.25 23.82 4.83 25.60 0.48 0.50 19.90 1.47 7.83 59.34 35.98 60.83 42.62 8.21 48.40 67.83 38.98 SD Gap 0.58 0.95 1.45 0.74 0.23 2.36 1.07 1.58 1.50 3.73 0.64 3.09 3.20 2.37 3.13 2.40 11.55 0.49 6.73 0.23 0.11 13.04 5.03 1.66 0.00 0.00 0.00 0.00 0.46 0.00 0.00 0.00

pr76 kroA100 kroE100 lin105 pr107 pr124 bier127 pr136 prl144 kroA150 kroB150 prl152 u159 d198 kroA200 kroB200 ts225 tsp225 pr226 gil262 a280 pr299 lin318 rd400 417 pr439 pcb442 d493 u574 rat575 p654 d657 u724 rat783

913473.10 193351.60 197996.90 134466.50 392422.10 532125.00 975471.80 932218.70 539456.30 253311.10 234850.30 658830.80 391681.80 128528.90 274397.80 273240.10 1198600.00 36647.40 763475.40 21516.70 25080.50 479309.90 405353.80 140256.80 107799.80 1053042.50 504545.90 331245.30 348626.20 65209.40 361242.50 460791.80 414143.80 86522.50

claramente demonstrada na tabela acima. Nossa A ec acia do algoritmo proposto e o para todos, exceto um exemplo (rd400), para o busca tabu encontra a melhor soluc a

15 o encontrada foi de apenas 0,15% a mais que a soluc o do algoritmo qual a soluc a a o n gen etico. Al em disso, para os quatro exemplos em que a melhor soluc a ao foi en contrada em todas as execuc oes, a m edia da diferenc a n ao chegou a 0,5%. Por outro lado, o algoritmo de busca tabu de Cunha e Ribeiro [6] tamb em mostrou um desempe o conhecida em 8 casos nho consistente, mas n ao foi capaz de encontrar a melhor soluc a e sua diferenc a m edia foi pior do que a diferenc a m edia do algoritmo proposto para 15 superior a destes casos. Os resultados tamb em indicam que o desempenho da TS-C e GA-S, uma vez que em apenas 2 exemplos o primeiro apresentou uma diferenc a m edia o conhecida. pior do que o segundo e o GA-S encontrou apenas uma melhor soluc a Como o desempenho do GA-S deteriorou-se seriamente para os ultimos exemplos na Tabela 1, o algoritmo proposto foi comparado apenas ao TS-C nos exemplos maiores. A Tabela 2 mostra os resultados destes dois algoritmos apresentados para 10 exemplos evidente que a busca tabu no mesmo formato da Tabela 1. E com mais de 1000 nos proposta supera o m etodo de refer encia, uma vez que obt em os melhores m nimos e para todas as redes. Al vis m edias das soluc oes em disso, a robustez do algoritmo e vel o encontrada e , no m porque a diferenc a m edia da melhor congurac a aximo, 1,83% e o desvio padr ao excede 1,0% em apenas um caso. Pode ser visto que o TS-C falha na o de soluc competitivas para exemplos de grande porte, talvez por causa obtenc a oes o e dos crit da depend encia do seu tempo de execuc a erios de parada empregados.

o das solucoes dos 10 maiores problemas Tabela 6.2 Comparac a

Instance

Best Sol.

pr1002 u1060 vm1084 pcb1173 d1291 rl1304 rl1323 nrw1379 1400 ui432

2662871.80 2302421.10 2324953.00 591012.00 528294.10 2701706.20 3134737.40 561381.10 202637.50 1584001.50

Proposed TS TS-C Min. Avg. SD Min. Avg. Gap Gap Gap Gap Gap 0.00 1.15 0.80 10.17 12.68 0.00 1.55 0.94 11.65 19.75 0.00 1.09 0.84 11.31 12.53 0.00 1.28 0.73 30.06 41.68 0.00 0.69 0.73 78.77 84.34 0.00 1.83 0.75 47.15 58.57 0.00 1.15 0.70 6.53 6.53 0.00 0.25 0.28 70.30 71.09 0.00 1.70 1.07 87.48 87.54 0.00 0.32 0.20 113.51 114.24

SD Gap 11.96 22.03 6.71 20.27 11.24 16.07 0.00 0.46 0.04 0.42

apresentadas pelo algoritmo proposto nas tabelas A qualidade das boas soluc oes o e ratianteriores pode consistentemente apontar para sua utilidade. Esta observac a

16 o e dado para cada exemplo. Mais cada na Tabela 3, onde o tempo m edio de execuc a uma vez, o algoritmo proposto apresentou bons resultados, gastando em exemplos menores menos de um d ecimo do tempo gasto por TS-C e, signicativamente me relevante observar que o crit nos tempo nos demais casos. E erio de parada do tempo o n m aximo de execuc a ao era necess ario para o algoritmo proposto. No entanto, o TSC mostra resultados de baixa qualidade para os 12 maiores exemplos, provavelmente por causa do tempo de funcionamento m aximo permitido, que foi alcanc ado em todas desses exemplos. Os tempos m o do GA-S s as execuc oes edios de execuc a ao omitidos de todos porque este m etodo utilizou todo o tempo dispon vel para todas as execuc oes os exemplos. o otima conhecida para esses problemas, e muito Uma vez que uma soluc a global n ao e o mais adeimportante para avaliar diferentes m etodos heur sticos encontrar a soluc a quada. Atrav es da an alise realizada, o algoritmo de busca tabu proposto demonstra ser muito efetivo em resolver as diculdades do problema. Al em disso, os algoritmos comparados s ao de reconhecido valor para esta classe de problemas, ent ao a an alise de fato um m pode armar que este e etodo adequado para este tipo de problema. E razoavelmente esperado que uma abordagem da busca tabu apresente bons resulta o da rede de dos em outros problemas relacionados, como o problema de otimizac a o de a gua, estudado por Cunha e Ribeiro [6]. distribuic a

17
o Tabela 6.3 Tempos m edios de execuc a

Instance pr76 kroA100 kroE100 lin105 pr107 pr124 bier127 pr136 pr144 kroA150 kroB150 pr152 u159 d198 kroA200 kroB200 ts225 tsp225 pr226 gil262 a280 pr299 lin318 rd400 417 pr439 pcb442 d493 u574 rat575 p654 d657 u724 rat783 pr1002 u1060 vm1084 pcb1173 d1291 rl1304 rl1323 nrw1379 1400 u1432

Proposed TS 0.119 0.039 0.039 0.043 0.313 0.406 0.063 0.494 0.634 0.923 0.090 0.966 0.744 1.149 1.027 1.200 1.694 0.202 2.158 0.271 0.312 8.923 10.880 1.560 5.026 62.854 16.048 18.130 36.154 6.559 72.481 26.071 91.008 26.242 557.313 918.610 944.113 1032.390 456.914 1227.100 1291.161 1117.667 462.311 1251.755

TS-C 1.076 0.852 0.865 0.895 3.620 4.403 1.801 5.736 8.450 10.774 2.730 9.238 7.889 17.115 23.772 38.465 31.311 9.578 17.576 14.643 17.470 86.404 65.950 49.649 174.955 218.321 213.174 354.374 504.909 464.208 654.269 642.325 724.510 783.501 1002.387 1060.277 1084.526 1173.583 1292.244 1304.494 1323.406 1379.547 1401.127 1433.146

Cap tulo7 Conclusoes

o foi Um algoritmo de busca tabu para o problema de dimensionamento da tubulac a de alta qualiproposto. Seus recursos especializados permitiram encontrar soluc oes dade em reduzidos tempos computacionais. Isso demonstra a capacidade das me desse problema combinatorio. taheur sticas em lidar com as complexas restric oes No o e necess entanto, mais experimentac a aria para permitir que uma conclus ao deni o do m tiva seja desenhada. Em trabalhos futuros, uma adaptac a etodo de fus ao serial e paralelo [10] ser a investigado como parte dos algoritmos heur sticos. Outra linha de pesquisa ir a considerar redes com loop e adicionar novos dispositivos ao modelo de o, tais como bombas e compressores. distribuic a

Refer encias Bibliogr acas

[1] Boyd, I. D., Surry, P. D., Radcliffe, N. J. (1994): Constrained gas network pipe sizing with genetic algorithms. EPCC-TR94-11, University of Edinburgh. [2] Boyd, E. A., Scott, L. R., Wu, S. (1997): Evaluating the quality of pipeline optimization algorithms. http://www.psig.org/paper/1997/9709.pdf. [3] Castillo, L., Gonz alez, A. (1998): Distribution network optimization: nding the most economic solution by using genetic algorithms. European Journal of Operational Research, 108 (3), pp. 527-537. [4] Castro, M. P. (2004): Algoritmos evolucion arios para o problema de dimensionamento dos dutos de uma rede urbana de distribui ca o de g as natural. Dissertation (Master s degree in Systems and Computers). Universidade Federal do Rio Grande do Norte. [5] Costa, W. E. (2004): Um estudo algor tmico para o problema do dimensionamento de dutos em uma rede urbana de distribui ca o de g as natural. Dissertation (Master s degree in Systems and Computers). Universidade Federal do Rio Grande do Norte. [6] Cunha, M. C., Ribeiro, L. (2004): Tabu search algorithms for water network optimization. European Journal of Operational Research, 157 (3) pp. 746-758. [7] Glover, F., Laguna, M. (1997): Tabu search. Kluwer Academic Publishers. Dordrecht. [8] Osiadacz, A. J., Gorecki, M. (1995): Optimization of pipe sizes for distribution gas network design. http://www.psig.org/papers/1987/9511.pdf. [9] Reinelt, G. (1991): A traveling salesman problem library. ORSA Journal on Computing 3, pp. 376-384.

20 [10] Rothfarb, B., Frank, H., Rosenbaum, D., Steiglitz, K., Kleitman, D. (1970): Optimal design of offshore natural-gas pipeline systems. Operations Research, Vol. 6, 18, pp. 922-1020. [11] Surry, P. D., Radcliffe, N. J., Boyd, I. D. (1995): A multi-objective approach to constrained optimization of gas supply networks: the COMOGA method, in: Evolutionary Computing. AISB Workshop, T. Fogarty (Ed.), Springer-Verlag.