2-1-41,49,79-Definições AG

OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS
VIA ALGORITMOS GENTICOS
Rodrigo Evangelista de Castro

TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS
PROGRAMAS
DE
PS-GRADUAO
DE
ENGENHARIA
DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS

REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE
DOUTOR EM CINCIAS EM ENGENHARIA CIVIL.
Aprovada por:
_____________________________________________
Prof. Alvaro Luiz Gayoso de Azeredo Coutinho, D.Sc.
_____________________________________________
Prof. Helio Jos Corra Barbosa, D.Sc.
_____________________________________________
Prof. Ronaldo Carvalho Battista, Ph.D.
_____________________________________________
Prof. Nelson Francisco Favilla Ebecken, D.Sc.
_____________________________________________
Prof. Elson Magalhes Toledo, D.Sc.
_____________________________________________
Prof. Afonso Celso de Castro Lemonge, D.Sc.
RIO DE JANEIRO, R.J. BRASIL

AGOSTO DE 2001
CASTRO, RODRIGO EVANGELISTA DE

Otimizao de Estruturas com Multi-objetivos
Via Algoritmos Genticos [Rio de Janeiro] 2001
XX, 206 p. 29,7 cm (COPPE/UFRJ, D.Sc.,
Engenharia Civil, 2001)
Tese Universidade Federal do Rio de
Janeiro, COPPE
1. Otimizao Multi-objetivos
2. Algoritmos Genticos
3. Otimizao Estrutural
I. COPPE/UFRJ
II. Ttulo ( srie )
ii
Aos meus queridos pais,

Sebastio Leme e Carmen Lucia,
em gratido por tamanho e contnuo apoio no dia-a-dia
do meu viver e no conquistar de novos horizontes ...
iii
Agradecimentos
Desejo expressar minha sincera e profunda gratido para as seguintes pessoas e

instituies que contriburam para a realizao deste trabalho:
Professores Helio J. C. Barbosa e Alvaro L. G. A. Coutinho por suas

valiosas orientaes, pela dedicao e incentivos permanentes, tanto
no mbito profissional como pessoal.
Professor Luis Paulo S. Barra pelos dois anos de orientao

acadmica em nvel de iniciao cientfica junto ao Departamento de
Estruturas da Universidade Federal de Juiz de Fora.
Professores, funcionrios e amigos da UFJF, COPPE/UFRJ e LNCC,

pelo apoio oferecido e convvio gratificante.
CNPq, COPPE/UFRJ e LNCC, que em conjunto possibilitaram a

realizao deste trabalho.
Todos os meus familiares e amigos pessoais.
Companheiros de turma de mestrado e doutorado pela sincera e

duradoura amizade estabelecida.
iv
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos

necessrios para a obteno do grau de Doutor em Cincias (D.Sc.)
OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS

VIA ALGORITMOS GENTICOS
Agosto/2001
Orientadores: Alvaro Luiz Gayoso de Azeredo Coutinho

Helio Jos Corra Barbosa
Programa: Engenharia Civil
Este trabalho apresenta uma reviso geral sobre a tcnica dos algoritmos
genticos fundamentos, operadores, parmetros de configurao, vantagens e
desvantagens e de sua aplicao aos problemas de otimizao multi-objetivos.
desenvolvido um algoritmo gentico para otimizao de problemas multiobjetivos cuja finalidade evoluir um conjunto uniformemente distribudo de
solues para determinar o conjunto timo de Pareto do problema tratado.
As principais caractersticas do algoritmo proposto so: (i) ordenamento da
populao de acordo com propriedades de dominncia, (ii) utilizao de
operadores multi-objetivos adequadamente desenvolvidos: excluso, adio e
operador de otimizao individual, (iii) definio de um filtro para reter as
solues de Pareto, (iv) elitismo deste filtro dentro das populaes e (v) mtodo
de penalizao por camadas.
Para ilustrar o desempenho do algoritmo desenvolvido so apresentados
exemplos numricos de problemas testes e estruturais multi-objetivos: viga
soldada, trelia tri-objetiva, ponte treliada, torre de 47 barras, dentre outros.
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the

requirements for the degree of Doctor of Science (D.Sc.)
OPTIMIZATION OF STRUCTURES WITH MULTIOBJECTIVES

BY GENETIC ALGORITHMS
August/2001
Advisors: Alvaro Luiz Gayoso de Azeredo Coutinho

Helio Jos Corra Barbosa
Department: Civil Engineering
This work presents a general review on genetic algorithms foundations,

operators, configuration parameters, advantages and disadvantages and their
applications to multiobjective optimization problems.
A special genetic algorithm is developed for multiobjective optimization
problems. Its purpose is to evolve an evenly distributed group of solutions to
determine the optimum Pareto set for a given problem.
The main characteristics of the proposed algorithm are: (i) population
sorting by its domination properties, (ii) use of multiobjective operators
appropriately developed: exclusion, addition and individual optimization operator,
(iii) definition of a filter to retain the Pareto solutions, (iv) elitism of this filter
inside of the populations and (v) a method of penalization by layers.
To illustrate the use of the developed optimization algorithm some
numeric examples of multiobjective test problems and multiobjective structural
problems are presented: welded beam, three-objective truss, truss bridge, 47-bar
truss, among others.
vi
ndice
Agradecimentos ................................................................................................ iv
Resumo............................................................................................................. vii
Abstract............................................................................................................ vii
ndice................................................................................................................ vii
ndice de Figuras ............................................................................................ xiii
ndice de Tabelas .............................................................................................xix
Captulo I : Introduo...................................................................................... 1
1. Motivao........................................................................................................ 2
2. Otimizao ...................................................................................................... 4
3. Programao Matemtica................................................................................. 5
4. Computao Natural ........................................................................................ 6
4.1. Fractais .................................................................................................... 7
4.2. Recozimento Simulado............................................................................. 8
4.3. Lgica Nebulosa ...................................................................................... 8
4.4. Redes Neurais Artificiais.......................................................................... 9
4.5. Computao Evolucionria....................................................................... 9
4.5.1. Algoritmos Genticos (AGs) .........................................................12
4.5.2. Programao Evolucionria ou Evolutiva (PE) ..............................12
4.5.3. Estratgias Evolucionrias ou de Evoluo (EE)............................12
4.5.4. Programao Gentica (PG) ..........................................................13
4.5.5. Estratgia de Colnia.....................................................................13
5. Introduo ao Cdigo Gentico.......................................................................14
6. Organizao da Tese.......................................................................................16
vii
Captulo II : Otimizao...................................................................................17
1. Formulao.....................................................................................................18
2. Definies ......................................................................................................18
3. Fraqueza dos Mtodos Clssicos.....................................................................20
4. Classificao dos Mtodos Clssicos ..............................................................20
Captulo III: Otimizao Multi-objetivos........................................................22

1. Introduo ......................................................................................................23
2. Definies ......................................................................................................25
Captulo IV : Algoritmos Genticos.................................................................29

1. Introduo ......................................................................................................30
2. Histrico.........................................................................................................33
3. Definies ......................................................................................................38
4. Diferenas entre os Algoritmos Genticos e os Mtodos Clssicos..................39
5. Estrutura dos Algoritmos Genticos................................................................41
6. Aspectos Principais dos Algoritmos Genticos................................................44
6.1. Representao e Codificao ...................................................................44
6.2. Gerao da Populao Inicial ..................................................................45
6.3. Avaliao da Populao ..........................................................................45
6.4. Esquemas de Seleo...............................................................................46
6.4.1. Seleo Proporcional Aptido via Mtodo da Roleta...................47
6.4.2. Seleo Estocstica Remanescente sem Substituio .....................49
6.4.3. Seleo por Ordenao: Linear e Exponencial ...............................49
6.4.4. Seleo por Torneio.......................................................................51
6.4.5. Seleo Elitista ..............................................................................52
6.5. Reproduo ou Cruzamento.....................................................................53
6.6. Operadores Genticos..............................................................................53
6.6.1. Operadores de Recombinao........................................................54
6.6.2. Operadores de Mutao .................................................................55
viii
7. Parmetros de Influncia e Configuraes.......................................................55

7.1. Tamanho da Populao - N......................................................................56
7.2. Taxa ou Probabilidade de Cruzamento - Pc ..............................................56
7.3. Taxa ou Probabilidade de Mutao - Pm ..................................................57
7.4. Recomendaes de Autores.....................................................................58
8. Vantagens e Desvantagens dos Algoritmos Genticos.....................................59
8.1. Vantagens dos Algoritmos Genticos ......................................................59
8.2. Desvantagens dos Algoritmos Genticos .................................................59
9. Sumrio e Discusso .......................................................................................60
Captulo V : Tpicos Adicionais em AGs ........................................................61

1. Tratamento das Restries ..............................................................................62
2. Problemas com Mltiplos Objetivos ...............................................................62
3. Hibridizao ...................................................................................................63
4. Computao Paralela ......................................................................................64
5. Time de Algoritmos........................................................................................65
6. Adaptao.......................................................................................................66
7. Distribuio Uniforme da Populao Inicial....................................................66
Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67

1. Introduo ......................................................................................................68
2. Alguns Algoritmos Evolucionrios Multi-objetivos ........................................69
2.1. VEGA, Schaffer ......................................................................................69
2.2. Agregao dos objetivos por pesos variveis, Hajela e Lin ......................71
2.3. MOGA, Fonseca e Fleming .....................................................................71
2.4. nPGA, Horn e Nafpliotis .........................................................................72
2.5. NSGA, Srinivas e Deb.............................................................................73
2.6. SPEA, Zitzler e Theile.............................................................................75
2.7. Outros algoritmos....................................................................................76
ix
Captulo VII : PMOGA Pareto Multiobjective GA......................................78

1. Introduo ......................................................................................................79
2. Resumo e Evolues do Algoritmo Evolucionista...........................................79
2.1. Modificao do mtodo de seleo ..........................................................80
2.2. Modificaes do operador de recombinao ............................................80
2.3. Desenvolvimento e introduo dos operadores multi-objetivos................80
2.4. Introduo do elitismo do filtro nas populaes .......................................81
3. Algoritmo Final Detalhado .............................................................................81
4. Filtro...............................................................................................................82
5. Seleo ...........................................................................................................83
5.1. Ordenamento...........................................................................................84
6. Reproduo ....................................................................................................84
6.1. Mutao ..................................................................................................85
6.2. Recombinao.........................................................................................86
7. Operadores Multi-objetivos Desenvolvidos.....................................................86
7.1. Operador de Excluso .............................................................................86
7.2. Operador de Adio ................................................................................87
7.3. Operador de Otimizao Individual .........................................................88
8. Geraes Adicionais .......................................................................................88
9. Elitismo ..........................................................................................................89
10. Estratgia de Penalizao ..............................................................................89
11. Resultados e Desempenho.............................................................................90
Captulo VIII : Aplicaes................................................................................91

1. Introduo ......................................................................................................92
2. Funo f2 de Schaffer ......................................................................................92
2.1. Introduo e Modelo ...............................................................................92
2.2. Caractersticas e Configuraes do AG Utilizado ....................................93
2.2.1. Atribuio de aptido para as ordens .............................................94
2.3. Resultados...............................................................................................95
2.4. Concluses ..............................................................................................96
3. Viga I .............................................................................................................97
3.1. Introduo e Modelo ...............................................................................97
3.2. Caractersticas e Configuraes do AG Utilizado ....................................99
3.3. Resultados.............................................................................................100
3.4. Concluses ............................................................................................102
4. Viga Soldada ................................................................................................103
4.1. Introduo e Modelo .............................................................................103
4.2. Caractersticas e Configuraes do AG Utilizado ..................................105
4.3. Resultados.............................................................................................106
4.4. Concluses ............................................................................................107
5. Trelia com Trs Objetivos...........................................................................108
5.3. Resultados.............................................................................................110
5.4. Concluses ............................................................................................112
6. Ponte Treliada.............................................................................................113
6.3. Resultados.............................................................................................115
6.4. Concluses ............................................................................................118
7. Fronteira de Pareto Descontnua ...................................................................119
7.3. Resultados.............................................................................................120
7.4. Concluses ............................................................................................123
8. Funes-teste para Otimizadores Multi-objetivos..........................................124
8.2. Metodologia de Comparao .................................................................129
8.4. Nmero de Avaliaes ..........................................................................130
8.5. Resultados.............................................................................................131
8.6. Concluses ............................................................................................151
xi
9. Curva Tri-objetiva ........................................................................................153

9.3. Resultados.............................................................................................154
9.4. Concluses ............................................................................................157
10. Esfera .........................................................................................................158
10.1. Introduo e Modelo ...........................................................................158
10.2. Caractersticas e Configuraes do AG Utilizado ................................159
10.3. Resultados...........................................................................................159
10.4. Concluses ..........................................................................................164
11. Cubo 8 Funes Objetivo.........................................................................165
11.3. Resultados...........................................................................................167
11.4. Concluses ..........................................................................................175
12. Trelia de 47 barras.....................................................................................176
12.3. Resultados...........................................................................................180
12.4. Concluses ..........................................................................................191
Captulo IX : Concluses................................................................................193
1. Aspectos Gerais ............................................................................................194
2. Contribuies................................................................................................194
3. Resultados ....................................................................................................195
4. Experincias Adquiridas ...............................................................................195
5. Trabalhos Futuros.........................................................................................196
Referncias......................................................................................................197
xii
ndice de Figuras
Figura 1 - Formigas em linha reta entre o ninho e a fonte de comida [23] ........... 3
Figura 2 - Introduo de um obstculo no percurso original [23]......................... 3
Figura 3 - Diviso mediana das formigas pelos dois novos percursos [23] .......... 3
Figura 4 - O percurso menor (timo) escolhido com o passar do tempo [23] .... 3
Figura 5 - Algumas Sub-reas da Computao Natural ....................................... 6
Figura 6 - Algoritmo Evolucionrio conceitual ..................................................10
Figura 7 - Sub-reas da Computao Evolucionria ...........................................11
Figura 8 - Classificao Geral dos Mtodos Clssicos [53] ................................21
Captulo III : Otimizao Multi-objetivos.......................................................22

Figura 9 - Funes g e h de um problema multi-objetivo ( f2 - Schaffer [57] ) ....27
Figura 10 - Identificao de uma fronteira de Pareto ..........................................28

Figura 11 - Aplicabilidade em Problemas x Eficincia de Resoluo dos
Mtodos .............................................................................................................32
Figura 12 - Algoritmo gentico genrico............................................................41
Figura 13 - Algoritmo gentico geracional.........................................................42
Figura 14 - Algoritmo gentico em regime steady-state ...............................43
Figura 15 - Exemplo do Mtodo da Roleta.........................................................48
Figura 16 - Distribuio Linear para Seleo via Ordenamento..........................50
Figura 17 - Distribuio Exponencial para Seleo via Ordenamento.................50
Figura 18 - Exemplo de Recombinao..............................................................54
Figura 19 - Exemplo de Mutao.......................................................................55
xiii

Figura 20 - Pseudocdigo do PMOGA...............................................................81

Figura 21 - Funes objetivo e solues no espao das funes objetivo............93
Figura 22 - Populao inicial .............................................................................95
Figura 23 - Fronteira de Pareto e solues no espao das variveis de projeto....95
Figura 24 - Fronteira de Pareto com novo mtodo de seleo (torneio) ..............96
Figura 25 - Viga em seo I [15]........................................................................97
Figura 26 - Populao inicial em diferentes escalas..........................................100
Figura 27 - Populao relativa gerao 200 em diferentes escalas .................100
Figura 28 - Solues no filtro final (20 solues) .............................................101
Figura 29 - Solues no filtro final (ger. 500). .................................................102
Figura 30 - Viga soldada [21]. .........................................................................103
Figura 31 - Solues viveis nas geraes inicial e centsima, respectivamente106
Figura 32 - Solues no filtro na gerao 100: sem (esquerda) e com (direita) o
uso dos operadores de adio e de otimizao individual respectivamente. .......106
Figura 33 - Solues do filtro na gerao 500 (100 + 400). ..............................107
Figura 34 - Trelia com trs objetivos..............................................................108
Figura 35 - Filtro no espao P x u1 ...................................................................110
Figura 36 - Filtro no espao P x u2 ...................................................................111
Figura 37 - Filtro no espao u1 x u2 ..................................................................111
Figura 38 - Filtro no espao P x u1 x u2 (figura no disponvel em [13])...........112
Figura 39 - Ponte treliada...............................................................................113
Figura 40 - Populao inicial e da gerao 100 respectivamente ......................116
Figura 41 - Solues armazenadas no filtro final do processo de otimizao ....116
Figura 42 - Evoluo das minimizaes individuais dos objetivos ...................117
Figura 43 - Soluo que apresentou o peso mnimo (f1) ...................................117
xiv
Figura 44 - Soluo que apresentou o deslocamento vertical mnimo (f2).........117

Figura 45 - Populao inicial ...........................................................................120
Figura 46 - Populao na gerao 20 ...............................................................121
Figura 47 - Filtro final na gerao 100 (20+80)................................................121
Figura 48 - Populao na gerao 20 ...............................................................122
Figura 49 - Filtro final na gerao 100 (20+80)................................................122
Figura 50 - Exemplo de populao inicial - 1 ..................................................133
Figura 51 - Fronteiras de Pareto comparativas - 1 [72]....................................133
Figura 52 - Resultados das 5 primeiras execues do algoritmo SPEA - 1 [73]134
Figura 53 - Resultados de 5 execues do algoritmo PMOGA - 1 [11]............134
Figura 54 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 1 [11,
73]....................................................................................................................135
Figura 55 - Resultados das melhores execues dos algoritmos SPEA e PMOGA
- 1 [11, 73].......................................................................................................135
73]....................................................................................................................138
- 2 [11, 73].......................................................................................................138
73]....................................................................................................................141
- 3 [11, 73].......................................................................................................141
xv

73]....................................................................................................................144
- 4 [11, 73].......................................................................................................144
73]....................................................................................................................147
- 5 [11, 73].......................................................................................................147
73]....................................................................................................................150
- 6 [11, 73].......................................................................................................150
Figura 86 - Fronteira tima de Pareto completa [66] ........................................155
Figura 87 - Configurao 1 - 50 solues no filtro ...........................................155
Figura 88 - Configurao 2 - 80 solues no filtro ...........................................156
Figura 89 - Configurao 3 - 100 solues no filtro .........................................156
Figura 90 - Populao inicial vistas superior e lateral....................................160
Figura 91 - Populao inicial vista frontal.....................................................160
Figura 92 - Fronteira 100 x 200 x 200 vistas superior e lateral ......................161
Figura 93 - Fronteira 100 x 200 x 200 vista frontal .......................................161
xvi
Figura 94 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vistas

superior e lateral ...............................................................................................162
Figura 95 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vista
frontal...............................................................................................................162
Figura 96 - Fronteira 300 x 500 x 200 vistas superior e lateral ......................163
Figura 97 - Fronteira 300 x 500 x 200 vista frontal .......................................163
Figura 98 - Modelo espacial problema do cubo.............................................166
Figura 99 - Populao inicial (1) vistas espaciais ..........................................167
Figura 100 - Populao inicial (1) projees planas ......................................167
Figura 101 - Solues encontradas (1) vistas espaciais..................................168
Figura 102 - Solues encontradas (1) projees planas................................168
Figura 103 - Disposies possveis dos objetivos combinados 2 a 2.................168
Figura 104 - Populao inicial (2) vistas espaciais ........................................169
Figura 107 - Solues encontradas (2) vista espacial inclinada......................170
Figura 109 - Funes objetivo combinadas (2).................................................171
Figura 112 - Populao inicial (3) vistas espaciais ........................................173
Figura 116 - Trelia de referncia com 47 barras [44] ......................................177
Figura 117 - Populao inicial .........................................................................180
Figura 118 - Populao na gerao 5000..........................................................180
Figura 119 - Fronteiras obtidas das 3 configuraes utilizadas .........................181
Figura 120 - Minimizao do peso durante as 30000 geraes .........................183
Figura 121 - Minimizao do peso, em escala reduzida, durante as 200 primeiras
geraes ...........................................................................................................183
xvii
Figura 122 - Minimizao do peso, em escala reduzida, durante as 30000

geraes ...........................................................................................................183
Figura 123 - Forma da soluo tima da referncia [44] e da soluo 1 do filtro,
respectivamente................................................................................................185
Figura 124 - Formas das solues 5 e 10 do filtro, respectivamente .................186
Figura 125 - Formas das solues 15 e 20 do filtro, respectivamente ...............186
Figura 126 - Filtro final gerao 5000 + 25000 .............................................190
Figura 127 - Filtro final orientado no espao de busca .....................................190
Figura 128 - Detalhe do filtro final orientado ...................................................190
xviii
ndice de Tabelas
Captulo III : Otimizao Multi-objetivos.......................................................22

1. Introduo ......................................................................................................92
3. Viga I .............................................................................................................97
Tabela 1 - Valores das variveis de projeto e das funes objetivo. .............102
4. Viga Soldada ................................................................................................103
Tabela 2 - Valores das variveis de projeto e das funes objetivo do filtro
final. ............................................................................................................107
Tabela 3 - Valores numricos de algumas solues do filtro final
armazenado..................................................................................................112
xix
6. Ponte Treliada.............................................................................................113
Tabela 4 - Relao entre as variveis de projeto e reas dos elementos
estruturais ....................................................................................................113
Tabela 5 - Conjunto de reas consideradas (in2)...........................................114
Tabela 6 - Valores numricos de algumas solues do filtro final
armazenado..................................................................................................118
Tabela 7 - Valores da varivel de projeto e das funes objetivo do filtro
final .............................................................................................................123
Tabela 8 - Configuraes utilizadas do AG..................................................154
10. Esfera .........................................................................................................158
Tabela 9 - Configuraes utilizadas do AG..................................................159
Tabela 10 - Resultados nmericos encontrados avaliaes e afastamento..164
Tabela 11 - Configuraes utilizadas do AG................................................166
12. Trelia de 47 barras.....................................................................................176
Tabela 12 - Dados de carregamento cargas em lb .....................................176
Tabela 13 - Propriedades do material e restries ........................................176
Tabela 14 - Ns fixos e semi-fixos coordenadas em in..............................178
Tabela 15 - Variveis de rea ......................................................................178
Tabela 16 - Variveis de forma....................................................................179
Tabela 17 - Configuraes utilizadas do AG................................................179
Tabela 18 - Valores das funes objetivo do filtro final ...............................182
Tabela 19 - Valores das variveis de projeto de algumas solues do
problema......................................................................................................184
Tabela 20 - Tenses normais da soluo 1 do filtro .....................................187
Tabela 21 - Tenses normais da soluo 20 do filtro....................................188
xx
Captulo I
Introduo
este captulo realizada uma introduo sobre o trabalho

desenvolvido, sendo apresentada a motivao para a escolha do
tema abordado, os principais conceitos e fundamentos nos campos da otimizao,

programao matemtica e computao natural, alm da organizao do trabalho.
1. Motivao........................................................................................................ 2
2. Otimizao ...................................................................................................... 4
3. Programao Matemtica................................................................................. 5
4. Computao Natural ........................................................................................ 6
5. Introduo ao Cdigo Gentico.......................................................................14
6. Organizao da Tese.......................................................................................16
Introduo
1. Motivao
A motivao para trabalhar no estado da arte da otimizao de estruturas
com a utilizao de algoritmos genticos originou-se do conhecimento de fatos
curiosos e interessantes que ocorrem na perfeio da natureza e que levaram, e
ainda hoje o fazem por muitas vezes, os seres humanos neles se inspirarem. Uma
pequena lista destas inspiraes decorrentes da natureza apontada abaixo:
Pssaros
Avies
Morcegos
Sonares
Peixes
Submarinos
Outro fato curioso na natureza foi a descoberta realizada por

pesquisadores que ao estudarem o comportamento de colnias de formigas
observaram que mesmo sendo elas seres to simples e irracionais possuem
mecanismos naturais de otimizao. Isto , so capazes de encontrar um caminho
mais curto entre o ninho e uma fonte de comida sem usar sugestes visuais,
mesmo que ocorram mudanas no ambiente original como a introduo de um
obstculo (Figuras 1 a 4).
A explicao para a descoberta do caminho timo a ser percorrido pelas

formigas que elas depositam durante suas caminhadas uma certa quantidade de
feromnio, aproximadamente com taxa fixa atravs da urina, e preferem seguir
uma trajetria probabilisticamente mais rica em tal substncia.
Quando o caminho original interrompido pela introduo de um

obstculo, as mesmas se dividem pelas alternativas possveis e, com o decorrer do
tempo, como pelo menor caminho tero passado mais formigas, ficando o mesmo
com uma maior concentrao de feromnio, este novo trajeto ser ento adotado.
Nas figuras da pgina seguinte ilustrado este processo de otimizao natural.
Introduo
Figura 1 - Formigas em linha reta entre o ninho e a fonte de comida [23]
Figura 2 - Introduo de um obstculo no percurso original [23]
Figura 3 - Diviso mediana das formigas pelos dois novos percursos [23]
Figura 4 - O percurso menor (timo) escolhido com o passar do tempo [23]
Introduo
O emprego de algoritmos genticos, que so fundamentados na teoria da

Seleo Natural de Charles Darwin e nos mecanismos da gentica, como
ferramenta para a otimizao pode ser filosoficamente defendida frente
utilizao de outros mtodos, simplesmente por ter sido este o processo adotado
pela quase perfeita natureza. H muitos sculos os homens estudam e
pesquisam os fenmenos naturais, embora ainda to longe a cincia se encontra
das respostas e perfeies advindas da natureza.
A idia e a necessidade de otimizao, exemplificada at mesmo por

simples formigas, em conjunto com a seleo natural dos mais aptos no processo
de evoluo torna-se deste modo um campo convidativo, interessante, prazeroso e
pelos inmeros resultados de sucesso apresentados nas mais diferentes reas de
aplicao, uma alternativa de grande fora por suas caractersticas: robustez,
flexibilidade, eficcia e, principalmente, simplicidade.
2. Otimizao
O conceito de otimizao de qualquer tarefa ou processo est diretamente
ligado sua realizao, do modo mais eficiente possvel. Esta eficincia pode ser
avaliada de inmeras maneiras, conforme o tipo de tarefa a ser realizada. Podendo
ser, por exemplo:
A minimizao do tempo gasto na limpeza de um jardim.
A maximizao da velocidade de processamento de um chip

eletrnico.
A minimizao do custo de execuo de um projeto de barragem,

dentre muitos outros.
Introduo
A otimizao deste modo uma cincia que est sempre em demanda,

uma vez que se encontra direta ou indiretamente relacionada com capital e
empregada em todos os campos de aplicaes: engenharia civil, mecnica,
automobilstica, area, econmica, eletrnica, qumica, etc.
Na engenharia civil ela vem sendo muito aplicada por todas as suas subreas, tais como nos problemas: otimizao de redes de abastecimento, dosagens
de materiais, agendamento de tarefas e no gerenciamento de itinerrios de linhas
de transporte, bem como no projeto de estruturas, tema deste trabalho.
3. Programao Matemtica
A primeira linha de mtodos desenvolvidos para tratamento dos
problemas de otimizao foi a Programao Matemtica. Por esta razo, a grande
maioria dos livros dedicados otimizao versa sobre este tema [04, 32, 42, 46,
53, 55].
A programao matemtica trata o problema de forma iterativa e

determinista, isto , atravs de gradientes, funcionais, operaes matriciais, etc.
Por esta razo requerem normalmente muitas informaes e condies do
problema a ser resolvido: regio vivel bem definida, suavidade da funo
objetivo e convexidade do problema.
Um ponto fraco da programao matemtica ainda no ter

desenvolvido um mtodo que possibilite a busca de solues timas globais, ou
seja, seus algoritmos podem convergir e se prender a qualquer soluo tima
local, o que depender basicamente da soluo de partida adotada.
Introduo
4. Computao Natural
Nas ltimas dcadas surgiu uma nova cincia computacional inspirada na
natureza denominada Computao Natural. Algumas de suas principais reas so
apresentadas abaixo, junto com a descrio dos fenmenos ou processos naturais
que as inspiraram e seus fundamentos bsicos:
Computao Natural
Inteligncia Computacional
Computao
Evolucionria
Redes Neurais
Artificiais
Lgica
Nebulosa
Recozimento
Simulado
Fractais
Figura 5 - Algumas Sub-reas da Computao Natural
A Inteligncia Computacional busca criar sistemas inteligentes que

reproduzam aspectos do comportamento humano, tais como: percepo,
raciocnio, adaptao e aprendizado.
A tcnica de Recozimento Simulado no apresenta exatamente as

caractersticas da inteligncia computacional, sendo normalmente tomada numa
classificao intermediria, como apresentado na ilustrao anterior.
Introduo
4.1. Fractais
A geometria fractal surgiu em 1975, quando o matemtico polons
Benoit Mandelbrot publicou seus trabalhos no livro Os objetos fractais: forma,
acaso e dimenso, no qual divulga novos objetos geomtricos - os fractais [47].
Fractal palavra originada do adjetivo Latim fractus - quebrado;
fragmentado; irregular. uma figura que possui uma
regularidade geomtrica fundamental e invariante para
diferentes escalas, ou seja, cada fragmento estatisticamente
semelhante ao todo, descrevendo em geral, objetos de
dimenses fracionrias.
Ao contrrio da geometria euclidiana que estuda cubos, esferas e muitas
outras figuras que no existem na natureza, a geometria fractal descreve objetos
reais, tais como: nuvens, montanhas, superfcies cerebrais, fronteiras entre pases,
etc. Essas figuras possuem dimenso fracionria e preservam sua identidade para
todas as escalas nas quais sejam observadas.
Algumas dcadas antes do surgimento da geometria fractal, George
Cantor (1845-1918) j havia criado um conjunto fractal atravs da fragmentao
do segmento de reta compreendido pelo intervalo [0, 1]. Trata-se de um
procedimento onde, primeiramente, divide-se o segmento em trs partes autosimilares, para depois se retirar a parte central. De cada intervalo restante retira-se
a respectiva tera parte mediana, repetindo-se o processo indefinidamente. Definese assim o Conjunto de Cantor, que um tradicional exemplo de fractal.
A geometria fractal descreve bem as irregularidades e os processos
turbulentos da natureza, sendo largamente utilizada em inmeras reas:
meteorologia, biologia, hidrografia, medicina, geografia, dentre outras. Como um
exemplo de sua aplicao pode-se citar o seu emprego recente como ferramenta
de compactao de dados da enciclopdia Encarta desenvolvida pela empresa
americana Microsoft.
Introduo
4.2. Recozimento Simulado
No corao do mtodo de Recozimento Simulado [41] est a analogia

com a termodinmica, mais especificamente no modo como os lquidos se esfriam
e cristalizam ou no processo de recozimento de metais.
Em altas temperaturas as molculas de um lquido movem-se livremente

umas em relao s outras. Caso o lquido seja submetido a um resfriamento lento,
esta mobilidade trmica perdida. Os tomos alinham-se ento de forma
ordenada, formando um cristal puro, esse cristal o estado de energia mnima do
sistema. Por outro lado, caso o processo de resfriamento no seja lento e gradual,
estados mais altos de energia so alcanados, no havendo a formao de cristal
puro.
Estes princpios foram inseridos dentro do contexto da computao

numrica por Metropolis, sendo posteriormente aplicados em problemas de
otimizao combinatria, tal como o do caixeiro viajante.
4.3. Lgica Nebulosa

A Lgica Nebulosa ou Difusa surgiu da necessidade do tratamento de
problemas onde existe uma regio cujas classificaes tornam-se imprecisas [27].
A Lgica Nebulosa no trata as variveis como tendo apenas um estado,
mas sim n estados; cada qual com um certo grau de associao, ou seja, uma casa
no grande e sim 0.8 grande, 0.2 mdia e 0.0 pequena. Isto gera a criao de
conjuntos para os quais os dados podem ser inseridos. Estas caractersticas lhe
permitem um melhor tratamento de problemas onde existam fronteiras imprecisas
ou no bem definidas.
A Lgica Nebulosa tem sido empregada em diversas reas de modo
isolado ou em associao com outras tcnicas.
Introduo
4.4. Redes Neurais Artificiais
As Redes Neurais [47, 75] so inspiradas na estrutura do crebro

humano, com o objetivo de apresentar caractersticas similares a ele: aprendizado,
associao, generalizao e abstrao. Elas so compostas por diversos elementos,
os processadores (neurnios artificiais), altamente interconectados, que efetuam
um nmero pequeno de operaes simples e transmitem seus resultados aos
processadores vizinhos.
Devido sua estrutura, as Redes Neurais so bastante efetivas no

aprendizado de padres a partir de dados no-lineares, incompletos, com rudos e
at
compostos
de
exemplos
contraditrios.
Algumas
aplicaes
so:
reconhecimento de padres (imagem, texto, voz, etc.), previso de sries

temporais e modelagem de problemas especficos.
4.5. Computao Evolucionria

A Computao Evolucionria ou Algoritmos Evolucionrios [76] so
tcnicas estocsticas de busca e otimizao, poderosas e largamente aplicveis,
inspiradas nos mecanismos da evoluo e da gentica. A idia a evoluo de
uma populao de estruturas computacionais, de modo tal que melhore a
adequao mdia dos indivduos que formam esta populao em relao ao
ambiente a que ela est submetida.
Introduo
O algoritmo bsico da Computao Evolucionria pode ser definido

como se segue:
Algoritmo Evolucionrio Conceitual

Inicializao da populao
Avaliao dos indivduos na populao
Repetio (evoluo)
Seleo dos indivduos da populao
Alterao desses indivduos para criar uma nova populao
Avaliao da nova populao
At que um critrio de parada seja alcanado
Fim
Figura 6 - Algoritmo Evolucionrio conceitual
Uma pergunta intuitiva que surge em relao aos problemas de

otimizao : Por que utilizar a Computao Evolucionria?
Ponto de vista filosfico

o mtodo de otimizao preferencialmente utilizado pela natureza,
que tida por muitos como o sistema mais perfeito.
Ponto de vista prtico

Resolve problemas com modelos matemticos complexos de modo
simples.
Fcil acoplamento com outras tcnicas (hibridizao) e/ou aplicaes.
Introduo
10
Conforme a linha de aplicao e alguns detalhes da Computao

Evolucionria formaram-se novas sub-reas desta tcnica que so descritas a
seguir:
Computao Evolucionria
Algoritmos
Genticos
Estratgias
Evolucionrias
Programao
Evolucionria
Programao
Gentica
Estratgia de
Colnia
Figura 7 - Sub-reas da Computao Evolucionria
Na seqncia sero apresentadas introdues rpidas sobre cada uma das

sub-reas destacadas na figura acima.
Introduo
11
4.5.1. Algoritmos Genticos (AGs)

So algoritmos que operam com populaes de indivduos representados
por cromossomos, os quais durante o processo de evoluo so submetidos ao
procedimento de seleo e reproduo, onde so aplicados os operadores de
recombinao e mutao, que so inspirados nos mecanismos naturais da gentica
[03, 30, 36, 52].
4.5.2. Programao Evolucionria ou Evolutiva (PE)

Originalmente foi concebida por Lawrence J. Fogel em 1960 como uma
estratgia de otimizao estocstica similar aos AGs. No entanto, enfatizam o
relacionamento entre os genitores e seus descendentes ao invs de tentar emular
operadores genticos especficos observados na natureza [76].
A PE tambm opera com populaes, mas apenas diferentes nveis de
mutao so efetuados sobre os genitores na criao de novas solues. O
tamanho da populao no necessita ser mantido constante, como tambm no
fixado um nmero de descentes por genitor. Trabalham com representaes mais
flexveis que as empregadas pelos AGs por no efetuarem recombinaes.
4.5.3. Estratgias Evolucionrias ou de Evoluo (EE)

Foram concebidas para tratarem problemas tcnicos de otimizao e
quase que exclusivamente empregadas em engenharia como alternativa aos
mtodos convencionais. Operam com cromossomos na forma de vetores de
nmeros reais e originalmente na proporo (1+1), isto , cada genitor gera um
herdeiro por gerao, normalmente por mutaes distribudas. Caso este
descendente seja melhor que seu genitor ele lhe toma o lugar. Atualmente estas
estratgias foram extendidas para as propores (m+1) e (m+n), alm de terem
tido operadores de recombinao introduzidos no seu processo evolutivo [76].
Introduo
12
4.5.4. Programao Gentica (PG)
Opera sobre representaes de trechos de programas na forma de rvores,

de modo que possam ser combinados para gerarem novos trechos de programas
mais complexos. Usualmente utilizada a linguagem Lisp pela facilidade de sua
representao [43, 76].
Os programas na populao so compostos de elementos ou conjuntos

fixos de smbolos, devidamente selecionados por serem apropriados ao domnio
do problema a ser resolvido.
Normalmente, nfase maior dada s operaes de recombinao,

atravs de uma seleo aleatria de sub-rvores e posteriores trocas nos
indivduos. Os indivduos so selecionados conforme suas aptides.
4.5.5. Estratgia de Colnia
A Estratgia de Colnia inspirada no comportamento de enxames, isto

, no comportamento coletivo de colnias de insetos, como por exemplo, colnia
de formigas (Ant Colony), ou em sociedades de outros animais [23].
Operam com a idia da comunicao indireta explorada pelas sociedades

de insetos, que formam algoritmos distribudos de multi-agentes.
Esta estratgia est sendo aplicada a vrios problemas de otimizao de

cadeias de telecomunicaes, distribuio de tarefas e principalmente em
problemas de otimizao combinatria.
Introduo
13
5. Introduo ao Cdigo Gentico

Os seres humanos possuem uma seqncia de aproximadamente 3,2
bilhes de letras distribudas por 23 pares de cromossomos [31]. Estas letras
devidamente seqenciadas formam palavras que se agrupam em frases. O
conjunto destas frases o cdigo gentico ou o genoma do indivduo estudado,
que formado por molculas estruturadas em dupla hlice o DNA ou cido
desoxirribonuclico.
As referidas letras citadas anteriormente so: A, T, C e G, que

representam, respectivamente, as bases qumicas adenina, timina, citosina e
guanina, constituintes do material gentico. Como exemplo, pode-se citar o HIV1, vrus da aids, que formado por uma seqncia de 9661 letras.
Cada uma de nossas clulas carrega no ncleo uma cpia de nosso

prprio cdigo gentico e utiliza tais informaes para produzir e regular a
atividade de todas as protenas que constituem nosso organismo.
Cada trecho do genoma que codifica uma protena chamado de gene ou

gen. No caso dos seres humanos, os cientistas acreditam existir entre 30000 e
40000 genes, correspondentes a algo entre 3% e 5% das letras do genoma. O
restante do material gentico tem a funo de regular a ao dos genes ou
simplesmente no tem funo, pelo menos pelo que se sabe at o presente
momento. Assim, dois seres humanos tm seqncias genticas 99,9% idnticas.
O projeto genoma conseguiu recentemente escrever o primeiro rascunho

do genoma humano, sendo seu prximo passo identificar onde esto e o que
representam estas pequenas diferenas de 0,1% que fazem de cada pessoa um ser
nico. A partir do mapeamento do genoma humano espera-se encontrar a cura
para doenas como o Cncer, o mal de Alzheimer, etc.
Introduo
14
Um enorme banco de dados onde esto armazenados os genomas

pblicos mantido na Internet pelo projeto genoma - chamado GenBank - e
cresce a uma grande velocidade a cada dia. Na verdade, ele tem dobrado de
tamanho a cada 14 meses e j conta com mais de 5 bilhes de letras,
representando organismos como a mosca de frutas, o arroz, o HIV, os seres
humanos, dentre muitos outros.
As seguintes etapas tm sido adotadas para a decodificao do genoma

humano:
1) Quebra em pedaos menores de at 1000 letras

2) Seqenciamento desses trechos
3) Ordenamento completo com o auxlio de computadores
4) Descobrimento e anotao dos genes na seqncia final
A empresa privada Celera Genomics, em Rockville no Estado de

Maryland nos EUA, anunciou que j terminou a terceira etapa deste procedimento
e que prossegue rumo ao mapeamento final de todos os genes humanos. Para isso,
a Celera conta com 300 seqenciadores de ltima gerao e um supercomputador
com 1200 processadores em paralelo, o qual funciona 24 horas por dia para
colocar as letras em ordem e interpretar os resultados.
Segundo a Compaq, o supercomputador utilizado pela Celera , no

presente momento, o computador mais veloz do planeta e, para garantir toda esta
estrutura tecnolgica, a Celera conseguiu recentemente 1 bilho de dlares em
duas ofertas de aes na bolsa de Wall Street.
Acredita-se que a humanidade passa por uma nova revoluo

tecnolgica, cujos benefcios e malefcios s sero descobertos com o desenrolar
dos anos, dependendo principalmente do modo como todo este avano cientfico
ser utilizado na prtica.
Introduo
15
6. Organizao da Tese
O captulo II introduz o assunto de otimizao, apresentando a
formulao e os conceitos bsicos do tema, alm das alternativas disponveis para
o seu tratamento.
O captulo III estende os tpicos do captulo II para o contexto dos

problemas de otimizao com multi-objetivos, destacando as principais diferenas
conceituais e de tratamento entre estas duas linhas de otimizao.
O captulo IV descreve os fundamentos da tcnica dos algoritmos

genticos, sua fonte de inspirao, fundamentos e particularidades. So detalhados
os procedimentos do algoritmo, os operadores e as configuraes necessrias para
o emprego deles.
No captulo V so discutidas as novas estratgias empregveis aos
algoritmos genticos que os tornam atraentes e promissores na resoluo de
problemas.
No captulo VI os principais algoritmos genticos multi-objetivos so
discutidos, suas idias, inovaes e limitaes.
O captulo VII apresenta o algoritmo gentico multi-objetivo de Pareto

desenvolvido, descrevendo suas caractersticas, particularidades, inovaes e o
conjunto de estratgias acopladas para sua formao.
No captulo VIII vrias aplicaes so resolvidas com o intuito de

atestarem o funcionamento do algoritmo proposto, bem como determinar o
conjunto timo de Pareto de problemas estruturais diversos.
O captulo IX discute as contribuies do trabalho realizado e apresenta

as concluses oriundas da experincia adquirida.
Introduo
16
Captulo II
Otimizao
este captulo apresentada uma abordagem rpida e objetiva sobre

a Programao Matemtica. So descritos a formulao do
problema de otimizao e os seus conceitos principais. Fechando o captulo so

comentadas as sub-reas da programao matemtica, bem como apresentada uma
possvel classificao geral de seus principais mtodos.
1. Formulao.....................................................................................................18
2. Definies ......................................................................................................18
3. Fraqueza dos Mtodos Clssicos.....................................................................20
4. Classificao dos Mtodos Clssicos ..............................................................20
Otimizao
17
1. Formulao
Os problemas de otimizao apresentam alguns conceitos e definies
largamente empregadas na literatura e de conhecimento imprescindvel. Estas
definies sero apresentadas na seqncia da forma do problema de otimizao.
Problema Clssico de Otimizao
Max. ou Min.
( funo objetivo
f (x1, x2, ... ,xN)
sujeito a
gj (x) 0
j = 1, 2, ... , J (
hk (x) = 0
k = 1, 2, ... , K ( comportamento )
restries de
xi(L) xi xi(U) i = 1, 2, ... , N ( restries laterais )

(
nas variveis
de projeto xi
2. Definies
Varivel de Projeto as variveis de projeto so aquelas que se

alteram durante o processo de otimizao. Elas podem ser contnuas
(reais), inteiras ou discretas (valores compreendidos dentro de um
certo conjunto fixo).
De um ponto de vista fsico, as variveis de projeto podem
representar as seguintes informaes sobre a estrutura:
propriedades mecnicas ou fsicas do material;
a topologia da estrutura, isto , o padro de conexo
dos elementos ou o seu nmero de elementos;

a configurao ou a forma geomtrica da estrutura;
dimenses de sees transversais ou comprimento
dos elementos.
Otimizao
18
Restries as restries so funes de igualdade ou desigualdade

que descrevem situaes indesejveis de projeto. Dividem-se em dois
grupos:
Restries Laterais efetuadas diretamente sobre
as variveis de projeto, limitando seus valores;

Restries
de
Comportamento
condies
desejveis de limites de tenses, deslocamentos,

freqncias naturais de vibrao, etc.
Espao de Busca ou Regio Vivel o conjunto, espao ou
regio que compreende as solues possveis ou viveis do problema
a ser otimizado. Deve ser caracterizado pelas funes de restrio,
que definem as solues viveis do problema a ser resolvido.
Funo Objetivo ou de Avaliao a funo que se quer

otimizar. Ela pode ser de uma ou mais variveis, sendo estas duas
opes
classificadas
como
otimizao
unidimensional
multidimensional respectivamente.
Ponto timo o ponto, caracterizado pelo vetor x* = ( x1, x2, ...,

xN ), formado pelas variveis de projeto que extremizam a funo
objetivo e satisfazem as restries.
Valor timo o valor da funo objetivo f(x*) no ponto timo.
Soluo tima o par formado pelo ponto timo e o valor timo

[ x*, f(x*) ]. A soluo tima pode ser:
local quando o valor timo localizado;
global quando o valor timo global na regio
vivel;
restringida quando h restries satisfeitas como
igualdade (ativas);
no-restringida quando no h restries ativas
no ponto timo.
Otimizao
19
3. Fraqueza dos Mtodos Clssicos

Os mtodos matemticos geralmente apresentam teoremas que lhes
garantem a convergncia para uma soluo tima. Entretanto, ela no ser
necessariamente a soluo tima global, o que pode, eventualmente, at ocorrer.
Em geral, este fato depender do ponto de partida fornecido para o mtodo
utilizado. Este um problema que tem sido abordado h muito tempo pelos
pesquisadores mas que ainda no se encontra resolvido.
4. Classificao dos Mtodos Clssicos

De acordo com as caractersticas da funo objetivo e das restries,
classificam-se os problemas de otimizao nas seguintes sub-reas da
Programao Matemtica:
Programao Linear quando a funo objetivo e as restries so

funes lineares das variveis de projeto;
Programao No-Linear quando a funo objetivo ou pelo

menos uma das restries funo no-linear das variveis de
projeto.
Posteriormente, outras sub-reas foram aparecendo com o objetivo de

maior especializao nos problemas a serem resolvidos, deste modo tem-se:
Programao Quadrtica quando a funo objetivo quadrtica

e as restries so funes lineares das variveis de projeto;
Otimizao
20
Os problemas de otimizao no precisam necessariamente apresentar

restries, sendo este um fato que marca a distribuio dos problemas em duas
grandes classes: Problemas de Otimizao com restries ou restringidos e
sem restries.
Inmeros so os mtodos criados para tratamento de problemas de

otimizao, bem como muitas so as classificaes realizadas pelos diversos
autores da literatura. A seguir apresentada uma possvel classificao geral de
uma vasta gama de mtodos matemticos existentes [53]:
- MTODODEFIBONACCI
SIMPLEX
PROGRAMAOLINEAR
MTODOS
UNIDIMENSIONAIS
DIRETAS
- MTODODASEO
UREA(GOLDENSECTION)
"Line Search"
semusar derivadas
- MTODODSC-POWELL
REDUOSUCESSIVAS
DE INTERVALOS
APROXIMAO
PARAPOLINMIOS
- MTODODASECANTE
- MTODDE NEWTON
"Line Search"
usando derivadas
- MTODODABISSEO
MINIMIZAO
SEM
RESTRIO
MTODOS SEMCLCULO
DE DERIVADAS
MTODOS
MULTIDIMENSIONAIS
MTODOS COMCLCULO
DE DERIVADAS
PROGRAMAO
NO-LINEAR
HOOKE e JEEVES
ROSEMBROCK
POWELL (Direes conjugadas)
NELDER
DERIVADAS 1a ORDEM
GRADIENTE
(Steepest Descent)
DERIVADAS 2a ORDEM
MTODODE NEWTON
MTODOS QUASE-NEWTON
MTODOS DE DIREES CONJUGADAS
MTODOS DAS
PENALIDADES
MINIMIZAO
COM
RESTRIO
MTODOS DAS
BARREIRAS
MTODOS DAS
DIREES VIVEIS
PERTENCE, SEGUNDOVANDERPLAATS, A UMA

CLASSE MAIOR, CORRESPONDENDOS TCNICAS
DE MINIMIZAONO-RESTRINGIDA
SEQENCIAL(SUMT)
MTODODAS PENALIDADES
MTODODAS BARREIRAS
MTODODOLANGRANGEANOAUMENTADO
MTODODOGRADIENTEPROJETADO(ROSEN)
MTODODOGRADIENTEREDUZIDO(WOLFE) / GENERALIZADO
PROGRAMAOLINEAR SEQENCIAL (MTODODOCORTE DOS PLANOS)
PROGRAMAOQUADRTICA SEQENCIAL
MTODOS
PRIMAIS
Figura 8 - Classificao Geral dos Mtodos Clssicos [53]
Otimizao
21
Captulo III
Otimizao Multi-objetivos
s definies bsicas dos problemas de otimizao multi-objetivos

so apresentadas neste captulo. Alm disso, so destacadas as
principais diferenas entre a otimizao com um s objetivo da otimizao com

multi-objetivos.
1. Introduo ......................................................................................................23
2. Definies ......................................................................................................25
22
1. Introduo
Muitos problemas do mundo real apresentam uma coleo de objetivos a
serem extremizados que so na maioria das vezes conflitantes entre si, ou seja, a
melhoria de algum(uns) objetivo(s) causa(m) conseqentemente a deteriorao de
outro(s).
Um exemplo de problema com objetivos conflitantes seria o projeto de

uma ponte onde se deseja minimizar o peso (custo) da estrutura e maximizar as
freqncias naturais de vibrao (melhor desempenho dinmico): medida que se
reduz o peso da ponte tambm se diminuem suas freqncias naturais de vibrao.
Portanto, no existe uma soluo tima nica e sim um conjunto de solues. Tais
solues so timas porque no existem outras solues no espao de busca
melhores do que elas, quando todos os objetivos so simultaneamente
considerados, sendo conhecidas como solues timas de Pareto.
Outro exemplo comum de problema multi-objetivo a tarefa de comprar

um computador. A aquisio tima aquela que fornece o custo mnimo enquanto
maximiza o desempenho do equipamento. Estes objetivos so conflitantes entre si,
uma vez que existiro desde computadores com elevado custo e desempenho at
aqueles com baixo custo e desempenho. Um computador com o mais alto
desempenho pelo menor custo, embora ideal, no existe no mundo real.
Assim, nenhuma soluo que tenha menor custo e desempenho pode ser
considerada como superior a outra com maior custo e desempenho. Contudo,
dentre todas as configuraes de equipamentos existem algumas que so
superiores a outras, isto , apresentam desempenho maior ou equivalente por um
custo menor ou igual. Estas configuraes (solues) que superam outras so as j
citadas solues no-dominadas, enquanto que as configuraes que so
superadas por pelo menos uma outra so as solues dominadas.
23
Deste modo, muito interessante uma ferramenta que encontre o

conjunto das solues no-dominadas para que o projetista escolha dentre estas
aquela que melhor atenda suas necessidades de projeto. Esta a tarefa da
otimizao multi-objetivos.
Dentro da otimizao com multi-objetivos existem duas correntes para

tratamento do problema:
i. definidas prioridades e/ou pesos entre os vrios objetivos de interesse,

encontra-se a soluo tima segundo estas informaes fornecidas a
priori;
ii. sem nenhuma informao adicional, encontra-se o conjunto das

solues timas de Pareto para dentre estas se escolher uma a
posteriori.
Exemplos de mtodos da primeira linha seriam: Programao Objetiva,

Recozimento Simulado ou mtodos evolucionrios onde se combinam as diversas
funes objetivo dentro de uma nica funo, obtendo como resultado da
otimizao uma soluo nica. Por outro lado, existem outros mtodos
evolucionrios que abordam o problema pela segunda linha de tratamento,
possibilitando a obteno de um grande nmero das solues timas de Pareto
para uma escolha pessoal posterior.
A grande questo da primeira corrente : como definir todas as

prioridades e/ou pesos de problemas que, na maioria das vezes, se conhece to
pouco. Ou seja, uma escolha errada de informaes no permite uma maior
avaliao das suas possibilidades, j que no se conhecem as demais solues.
Assim sendo, a aplicao destas duas correntes levam o tomador de decises por
analogia a duas possveis provas:
24
i. prova aberta: sem imaginar a resposta correta, o candidato precisa

apresentar uma soluo (prioridades e/ou pesos);
ii. prova de mltipla escolha: dentre as alternativas apresentadas, o
candidato precisa escolher aquela que mais lhe agrada. Sendo que
neste caso, todas as alternativas so corretas (conjunto das solues
no-dominadas encontrado).
Levando-se em considerao os fatos apresentados e a realidade da falta
de informaes qualitativas e quantitativas dos problemas multi-objetivos do
mundo real, conclui-se por uma abordagem mais interessante do problema pela
segunda linha de soluo apresentada: obteno dos conjuntos timos de Pareto.
Esta concluso que faz com que os mtodos evolucionrios sejam preferidos em
relao aos mtodos clssicos ou mesmo ao Recozimento Simulado, j que estas
duas categorias no foram projetadas para trabalharem com mltiplas solues
(populaes) como naturalmente acontece com os algoritmos genticos.
2. Definies
Um problema de otimizao multi-objetivos pode ser descrito por um
vetor y de n funes objetivo fi que dependem de um vetor x de m variveis
independentes xi:
minimize / maximize
sujeito a
y = f (x) = ( f1 (x), f2 (x), ..., fn (x) )
x = ( x1, x2, ..., xm ) X

y = ( y1, y2, ..., ym ) Y
onde:
y vetor objetivo;
fi funes objetivo;
Y espao das funes objetivo;
x vetor de deciso;
xi variveis de deciso;
X espao das variveis de deciso.
25
O conjunto de solues do problema anterior consiste em todos os

vetores de deciso que no podem melhorar o valor de qualquer objetivo, sem a
degradao de pelo menos algum dos outros. Estes vetores so os conhecidos
timos de Pareto.
Sem perda de generalidade, pode-se descrever as solues timas de
Pareto formalmente para um problema de minimizao puro, isto , onde todas as
funes objetivas devem ser minimizadas, pelas seguintes definies:
Definio 1: Dominncia
Um ponto A=(a1, a2, ..., am) domina um outro ponto B=(b1, b2, ..., bm) se:
i { 1, 2, ..., n } : fi (A) fi (B) e j { 1, 2, ..., n } : fj (A) < fj (B)
Definio 2: Soluo no-dominada ou tima de Pareto
Um ponto A uma soluo no-dominada e pertence fronteira de

Pareto se: no existe nenhum outro ponto B, tal que B domine A. Em
geral, para cada regio vivel existe um subconjunto S de solues nodominadas, tambm conhecidas como timos de Pareto.
Observao:
Existe uma diferena entre um conjunto de solues no-dominadas e

um conjunto timo de Pareto. Um conjunto de solues no-dominadas definido
no contexto de uma amostra do espao de busca, enquanto que o conjunto timo
de Pareto definido em relao a todo o espao de busca.
26
i.
Exemplo do Emprego das Definies Apresentadas

Um problema simples de otimizao multi-objetivo que foi proposto e
testado por Schaffer [57] (funo f2), consta de duas funes g e h que devem ser
simultaneamente minimizadas:
f2 = ( g (x), h (x) )
g (x) = x2
sendo
h (x) = ( x - 2 )2
A figura seguinte mostra a representao grfica das funes objetivo g e

h, sendo fcil identificar que as solues timas de Pareto devem estar
compreendidas no intervalo [ 0, 2 ], j que fora desta regio, tanto a funo g
como a h crescem.
Figura 9 - Funes g e h de um problema multi-objetivo ( f2 - Schaffer [57] )
Dentro do intervalo [0, 2] acontece uma compensao entre as funes

objetivo, isto , enquanto uma cresce a outra diminui de valor, no sendo portanto
to trivial identificar as solues timas de Pareto. Usualmente, recorre-se a um
grfico paramtrico no espao das funes objetivo para tais concluses, como
pode ser observado na figura que se segue:
27
Solues Dominadas 1
Fronteira de Pareto
Solues Dominadas 2
10
9
8
7
6
5
4
3
2
1
0
0
10
Figura 10 - Identificao de uma fronteira de Pareto
Pelo grfico anterior fcil identificar a fronteira de Pareto, todavia, para

problemas maiores que o apresentado muitas vezes no mais possvel uma
anlise grfica do problema estudado, entrando a os mtodos computacionais
para a resoluo do problema de otimizao.
28
Captulo IV
Algoritmos Genticos
o apresentados neste captulo os principais fundamentos da tcnica

dos Algoritmos Genticos, alm das origens do mtodo, definies,
procedimentos, vantagens, parmetros de configurao e outros tpicos

importantes relacionados ao tema.
1. Introduo ......................................................................................................30
2. Histrico.........................................................................................................33
3. Definies ......................................................................................................38
4. Diferenas entre os Algoritmos Genticos e os Mtodos Clssicos..................39
5. Estrutura dos Algoritmos Genticos................................................................41
6. Aspectos Principais dos Algoritmos Genticos................................................44
7. Parmetros de Influncia e Configuraes.......................................................55
8. Vantagens e Desvantagens dos Algoritmos Genticos.....................................59
9. Sumrio e Discusso .......................................................................................60
Algoritmos Genticos
29
1. Introduo
H muito tempo, o homem tem se servido das caractersticas e princpios
existentes na natureza para a criao de mquinas, mtodos e tcnicas que
melhorem sua vivncia neste planeta. Alguns exemplos tpicos desta teoria
foram as seguintes invenes: avies baseados nas caractersticas dos pssaros,
submarinos com sistemas de imerso semelhantes ao dos peixes, sonares baseados
nos morcegos, dentre outros.
Recentemente novas tcnicas tm sido inspiradas na natureza ou na

biologia de um modo geral, como as Redes Neurais que se baseiam no
funcionamento do crebro humano para possibilitar aos computadores uma
chamada Inteligncia Artificial.
Dentro deste contexto, surgia em meados do sculo XIX um dos mais

importantes princpios no campo da evoluo da vida, A Seleo Natural de
Darwin, que defende a idia de que na natureza, aqueles seres vivos com melhores
caractersticas ou adaptabilidades, tendem a sobreviver frente aos demais.
Desde ento, a medicina e suas cincias afins vm numa busca acelerada tentando
mapear toda a informao gentica humana, relacionando deste modo cada gene
de cada cromossomo s caractersticas que eles representam nos indivduos:
hereditrias, fsicas e funcionais.
H oito anos comeou o projeto Genoma em diversos centros do mundo,

liderados pelo instituto Nacional de Sade dos Estados Unidos, que contou com
investimento inicial de trs bilhes de dlares. O principal objetivo do projeto
descobrir, at o ano 2005, todos os genes do corpo humano e identificar mais de
trs bilhes de seqncias genticas de cromossomos.
Os cientistas querem conhecer, antes do nascimento, a possibilidade de

cada ser humano desenvolver doenas com fatores hereditrios, podendo assim
evitar o desenvolvimento do mal, seja com terapias genticas se a doena for
Algoritmos Genticos
30
congnita ou com a interferncia no estilo de vida do portador da mutao.

Atualmente, apenas a funo de cerca de 4% dos genes humanos so conhecidas.
Foi nestes ltimos anos que a gentica se alavancou com as primeiras

clonagens realizadas no mundo, tendo para marco a famosa ovelha Dolly na
Inglaterra.
As clonagens e possveis objetivos e conseqncias destas descobertas

provocaram inmeras discordncias e precaues por todo o planeta, afinal, quais
seriam os rumos da aplicao destes conhecimentos. So indiscutveis as
vantagens oferecidas na preveno de doenas, contudo, so assustadoras as
possibilidades da criao de novas doenas, mutaes, clonagens individuais,
entre outras.
Cercadas por todas estas discusses, outras cincias, aliadas s vantagens

computacionais hoje oferecidas, inspiraram-se mais uma vez nestes princpios
para a resoluo de outros problemas. Surgiu ento, mais uma tcnica de
inteligncia artificial denominada Algoritmos Genticos [19, 30, 52].
Os Algoritmos Genticos so algoritmos de busca fundamentados no

processo da seleo natural proposto por Charles Darwin e nos mecanismos da
gentica. Foram inicialmente propostos por John Holland em seu livro publicado
em 1975 [36].
Uma grande aplicao dos Algoritmos Genticos em problemas de

busca: dado um conjunto de elementos ou indivduos, deseja-se encontrar aquele
ou aqueles que melhor atendam a certas condies especificadas [03, 30, 44].
Os Algoritmos Genticos transformam uma populao de indivduos,

cada um com um valor associado de adaptabilidade, chamado de aptido, numa
nova gerao de indivduos usando os princpios Darwianos de reproduo e
Algoritmos Genticos
31
sobrevivncia dos mais aptos, pela aplicao de operaes genticas tais como
recombinao e mutao.
Cada indivduo na populao representa uma possvel soluo para um

dado problema, o que o Algoritmo Gentico faz procurar aquela que seja muito
boa ou a melhor para o problema analisado pela criao gentica de populaes de
indivduos cada vez mais aptos extremizao da funo objetivo de interesse.
impossvel mapear todos os problemas existentes dentro de um eixo

ordenado, entretanto, com uma representao abstrata desta forma e a adoo da
eficincia com que os mtodos resolvem cada problema individualmente para o
eixo das ordenadas, seria possvel determinar-se curvas indicativas da
aplicabilidade x eficincia dos mtodos disponveis (Figura 11).
Utilizando-se deste grfico encontram-se trs tipos extremos de mtodos,

os quais foram ilustrados na figura seguinte:
Figura 11 - Aplicabilidade em Problemas x Eficincia de Resoluo dos Mtodos
Algoritmos Genticos
32
Mtodo 1 pouco eficiente para a totalidade dos problemas existentes.
Mtodo 2 altamente eficiente para uma pequena faixa de problemas,

entretanto, pouco eficientes ou nem aplicveis para a maior parte deles.
Mtodo 3 razoavelmente eficiente para a totalidade dos problemas

existentes.
Dentro deste contexto, os Algoritmos Genticos se aproximariam da

terceira classe de mtodos, no sendo mais eficientes que aqueles projetados
especificamente para determinado problema tratado. Contudo, perturbaes no
problema original trariam quase nenhum prejuzo aos AGs, mas possivelmente, a
inutilidade de outros mtodos.
2. Histrico
Foram os gregos Anaximandro (sc. VI a.C.), Empdocles (V a.C.) e
Aristteles (IV a.C.) que deram os primeiros passos para a compreenso da
histria da vida. Entretanto, dentro de suas possibilidades, as contribuies
achavam-se voltadas mais para a descrio da natureza de forma intuitiva que para
a apreenso dos mecanismos de funcionamento [14].
Anaxgoras (500?-428 a.C.) chegou mesmo a supor que as espcies de

animais domsticos derivavam de similares selvagens. Contudo, faltava aos
gregos tcnicas e materiais de pesquisa com que pudessem ultrapassar os limites
da pura especulao.
Com o advento do cristianismo ganhou corpo a idia da espcie fixa:

cada ser vivo era teologicamente interpretado como um padro da Criao. A
forma era fruto de um ato divino, um reflexo do prprio poder do Criador, sendo
imutvel em si mesma.
Algoritmos Genticos
33
A primeira objeo levantada contra essa teoria deveu-se a Santo

Agostinho (354-430), que dizia ser a interveno divina compatvel com um
mundo capaz de desenvolver-se, da mesma maneira que no gro esto contidas
invisivelmente todas as partes da futura rvore. Todavia, essa idia, nascida da
observao do desenvolvimento individual, manteve-se confusa quanto ao
fenmeno da evoluo das espcies.
A partir do sculo XVII, o processo do conhecimento cientfico colocou

a possibilidade da investigao basear-se em fatos concretos. Neste novo cenrio,
no podem ser esquecidos aqueles que foram pioneiros como Hooke (1635-1703),
John Ray (1627-1705), Maupertuis (1698-1759), Buffon (1707-1788), Erasmus
Darwin (1731-1802), av de Charles Darwin, e Geoffrey de Saint-Hilaire (17721844), que elaborou uma tese onde afirmava terem as espcies mais evoludas
surgido ocasionalmente de monstros capazes de se desenvolver em ambiente
propcio. Esses homens consideraram a evoluo como uma necessidade, mas
foram incapazes de tirar dos ainda escassos fatos conhecidos, provas que
abalassem a oposio unnime dos telogos, cujas premissas nada tinham de
cientficas.
Apenas Jean Baptiste Lamarck formulou antes de Darwin uma hiptese

colocando a necessidade da evoluo para compreender o aparecimento das
espcies atuais. Seu livro, Philosophie Zoologique, foi publicado em 1809 (ano
em que nascia Charles Darwin).
As idias de Lamarck argumentavam que uma grande mudana no meio

ambiente provocaria em uma espcie animal a necessidade de modificar seus
hbitos. Este era o fenmeno da adaptao, que mostrava que os seres vivos se
encontram sempre adaptados em relao aos ambientes que vivem. Tal afirmao
permanece vlida at hoje e sobre ela construram-se as mais modernas
concepes sobre a evoluo.
Algoritmos Genticos
34
Lamarck fundamentou suas idias em duas suposies: a lei do uso e

desuso, e a transmisso de caractersticas adquiridas de pai para filho, ou a lei da
herana dos caracteres adquiridos.
Quanto mais uma parte do corpo usada, mais se desenvolve. Por outro
lado, as partes no usadas se atrofiam e enfraquecem. Lamarck raciocinou ento
que se as caractersticas adquiridas individualmente pelo uso e desuso dos rgos,
fossem transmissveis de pai para filho, encontrar-se-ia a chave para compreender
a evoluo dos seres vivos. Faltou a Lamarck o controle experimental, pois
embora bem elaborada e dotada de conceitos novos e corretos, sua teoria
esfacelou-se quando submetida a experincias.
Um pesquisador, Weissman, cortou sistematicamente as caudas de vinte

geraes de camundongos, entretanto, na vigsima primeira as caudas
continuavam aparecendo to longas como na primeira. Todas as tentativas de
comprovar a teoria de Lamarck fracassaram.
Atualmente, a gentica est convicta de que os caracteres adquiridos no

so transmissveis, deste modo, uma pessoa pode passar vinte anos a se queimar
ao sol, que seu filho ter as mesmas possibilidades de nascer moreno que teria se
seu pai morasse num dos plos.
A adaptao realmente ocorria, mas no como Lamarck supusera. Ainda

assim, Lamarck pagou caro por sua intuio, uma vez que no pde provar o que
afirmava e foi por esta razo ridicularizado de maneira atroz e desonesta.
O ensaio sobre a progresso das populaes, escrito por Malthus, deu a

Darwin a idia da competio pela sobrevivncia. A observao do trabalho dos
agricultores e pecuaristas, que aprimoravam suas criaes atravs dos
cruzamentos, trouxe-lhe o conceito da seleo das espcies.
Algoritmos Genticos
35
O grilo verde porque vive na grama. (Lamarckista)

Porque o grilo verde, vive na grama. (Darwinista)
A grande quantidade de provas a favor da evoluo dos organismos era

realmente convincente, entretanto, ele no se satisfazia com isso e a partir das
evidncias formulou uma hiptese explicativa dos mecanismos da evoluo.
Nascido em 12 de fevereiro de 1809, Charles Darwin depois de 28 anos

de estudos e pesquisas publicou seu livro com o ttulo Da origem das Espcies
por Via da Seleo Natural ou A Preservao das Raas Favorecidas na Luta
pela Vida. Os 1250 exemplares da primeira edio esgotaram-se num nico dia.
E, poucos dias depois, esgotaram-se mais 3000 exemplares de uma segunda
tiragem.
O tempo passou e novos conhecimentos somaram-se aos anteriores,

evoluiu a teoria da evoluo. A cincia do sculo XX burilou as idias de
Darwin e outros estudiosos. Assim, para Darwin, seleo natural implicava na
eliminao dos menos aptos e na sobrevivncia dos mais aptos na luta pela
existncia. A verdadeira questo saber se a seleo natural ou no a causa da
adaptao, mas sim como se produz a adaptao.
A seleo natural apenas um dos elementos da adaptao que se rene a

outros, assim como a relao entre organismo e ambiente, e a hereditariedade.
Alm disso, preciso distinguir adaptao de adaptabilidade. Enquanto adaptao
o preparo do organismo para sobreviver num ambiente, adaptabilidade a
capacidade de tirar partido do ambiente e control-lo. Nesse sentido de
adaptabilidade, o homem indubitavelmente o rei da criao. Mas, embora toda
histria da civilizao humana nada mais seja que uma constante mudana no
sentido de aumentar a amplitude e variedade do ajustamento ao ambiente, a
evoluo nos ensina que o homem no fruto de uma criao especial, pois faz
parte da natureza e feito da mesma essncia de tudo o que vivo.
Algoritmos Genticos
36
O desenvolvimento da gentica estabeleceu que as caractersticas

hereditrias so transmitidas atravs de genes (unidades qumicas que se
localizam no ncleo das clulas). Os genes so constitudos por uma substncia
qumica, o ADN, ou cido desoxirribonuclico. Dispe-se aos pares, dentro de
filamentos visveis ao microscpio, chamados cromossomos. A propriedade
fundamental dos genes que eles se auto reproduzem fielmente. Entretanto, no
h uma preciso absoluta nessa auto reproduo, assim, pode ocorrer uma
mutao gnica: o gene que at aquele momento produzia determinada
caracterstica passa a produzir outra.
Todo indivduo nasce com seu lote herdado de gens (seu gentipo). A
forma que ele ter em vida depender deste gentipo, bem como do tipo de vida
que ele levar. Mas o tipo de vida no alterar em nada seus genes: o atleta pode ter
msculos fortes, mas ele no transmite a seus filhos uma predisposio a
msculos fortes. Os fatores que iro produzir mutaes em seus gens, os agentes
mutgenos, como a radiao, variaes de temperatura (para certas espcies),
fatores qumicos e fatores desconhecidos, agem ao acaso, podendo produzir tanto
mutaes malficas como benficas.
Ocorre que, quando a mutao adaptativa, os indivduos tornam-se

mais capazes de explorar as oportunidades oferecidas pelo meio, desenvolvem-se
e produzem um nmero maior de descendentes. Este fenmeno chama-se
reproduo diferencial e sua conseqncia a disseminao at a generalizao
das caractersticas genticas favorveis dos melhores adaptados ao conjunto da
populao.
Modernamente, compreende-se o fenmeno da evoluo como um

processo universal de adaptao em relao ao ambiente. A mutao, seu
mecanismo bsico, faz-se acidentalmente, mas s persiste pela seleo natural,
entendida como fenmeno de reproduo diferencial.
Algoritmos Genticos
37
Estes princpios bsicos de Gentica Populacional que se baseiam na

idia que a variabilidade entre indivduos de uma populao de organismos que se
reproduzem sexualmente se d pela mutao e pela recombinao gentica, foi
desenvolvido durante as dcadas de 30 e 40 por bilogos e matemticos de
importantes centros de pesquisa.
Nas dcadas de 50 e 60, muitos bilogos comearam a desenvolver

simulaes computacionais de sistemas genticos, entretanto, foi John Holland
quem comeou, seriamente, a refinar suas idias sobre o tema, culminando em
1975 na publicao de seu livro, Adaptation in Natural and Artificial Systems,
hoje considerado o marco dos Algoritmos Genticos. Desde ento, tais algoritmos
vm sendo aplicados com sucesso nas mais diversas reas, dentre elas: otimizao
e aprendizado de mquinas.
3. Definies
As principais definies relacionadas com os AGs so:
Cromossomo Cadeia de caracteres representando alguma
informao relativa s variveis do problema. Cada cromossomo
representa deste modo uma soluo do problema.
Gen ou Gene a unidade bsica do cromossomo. Cada
cromossomo tem um certo nmero de gens, cada um descrevendo
uma certa varivel do problema.
Populao Conjunto de cromossomos ou solues.
Gerao O nmero da iterao que o Algoritmo Gentico executa.
Operaes Genticas Operaes que o Algoritmo Gentico realiza
sobre cada um dos cromossomos.
Algoritmos Genticos
38
Espao de Busca ou Regio Vivel o conjunto, espao ou

regio que compreende as solues possveis ou viveis do problema
a ser otimizado. Deve ser caracterizado pelas funes de restrio,
que definem as solues viveis do problema a ser resolvido.
Funo Objetivo ou de Avaliao a funo que se quer
otimizar. Ela contm a informao numrica do desempenho de cada
cromossomo na populao. Nela esto representadas as caractersticas
do problema que o Algoritmo Gentico necessita para realizar seu
objetivo, sendo expressa normalmente como:
J = f (x1, x2, ..., xn )
onde x1, x2, ..., xn so as variveis que o algoritmo procura determinar
para otimizar J. Esta funo objetivo , em princpio, calculada para
cada cromossomo da populao.
4. Diferenas entre os Algoritmos Genticos e os Mtodos

Clssicos
Os mtodos clssicos de otimizao iniciam-se com um nico candidato,
chamado de soluo bsica, e pelo clculo de derivadas se determina para qual
direo se deve caminhar na busca do prximo candidato. Por trabalharem com o
clculo de derivadas, so denominados algoritmos de ordem n, onde n a maior
derivada utilizada. Exemplos tpicos so os mtodos dos gradientes conjugados e
de Newton, que por utilizarem derivadas primeiras e segundas, respectivamente,
so caracterizados como algoritmos de primeira e segunda ordem. Todavia,
classificaes intermedirias so tambm possveis, como o caso do mtodo
Quasi-Newton, que se situaria entre os dois anteriores.
Algoritmos Genticos
39
O maior problema destes algoritmos matemticos que no existe

nenhuma garantia da obteno de um ponto extremo global, ou seja, o algoritmo
convergir para o extremo local mais prximo da direo de busca determinada
pelas derivadas. Por esta razo, tais algoritmos so mais convenientemente
empregados para problemas unimodais, aqueles que apresentam apenas um
extremo no intervalo considerado.
A aplicao destes algoritmos para problemas multimodais no to

simples, j que a soluo encontrada depender do ponto de partida inicial,
podendo na maioria das vezes se encontrar uma soluo extrema local muito
pior que a soluo tima global desconhecida e procurada.
Os Algoritmos Genticos representam uma classe de ferramentas muito

verstil e robusta a ser empregada na soluo de problemas de otimizao, embora
no devam ser considerados estritamente extremizadores de funes. Assim como
outros mtodos, por no empregarem o clculo de derivadas, mas sim atuarem
diretamente na busca das solues no espao vivel, ele classificado como
mtodo direto ou de ordem zero.
Quando utilizado no contexto de otimizao, os Algoritmos Genticos se

distinguem dos mtodos clssicos de Programao Matemtica basicamente pelos
seguintes aspectos:
Emprega sempre uma populao de indivduos ou solues.
Opera com uma codificao das possveis solues (gentipos) e no
com as solues propriamente ditas (fentipos).
Trabalha com regras de transio probabilsticas.
No requer informaes adicionais (derivadas, por exemplo) sobre a
funo a otimizar.
Algoritmos Genticos
40
Deste modo, a busca por solues pode se dar sobre conjuntos noconvexos e mesmo disjuntos, com funes objetivo tambm no-convexas e nodiferenciveis, e simultaneamente com variveis reais, lgicas e inteiras.
Outra grande diferena dos mtodos clssicos para os Algoritmos

Genticos que estes no se prendem to facilmente a extremos locais, uma vez
que se trabalha com uma populao de indivduos e se realiza a busca dentro de
toda a regio vivel disponvel.
5. Estrutura dos Algoritmos Genticos

Existem inmeras estruturas de Algoritmos Genticos, com variaes de
procedimentos e operadores empregados, entretanto, as trs estruturas mais
encontradas dos algoritmos so [03, 54]:
Algoritmo Gentico genrico
Algoritmo Gentico genrico

Inicialize a populao de cromossomos (gerao i = 1)
Avalie indivduos na populao (funo objetivo e sobrevivncia)
Repita (evoluo)
Selecione indivduos para reproduo
Aplique operadores de recombinao e/ou mutao
Avalie indivduos gerados na populao
Selecione indivduos para sobreviver (gerao i = i + 1)
At objetivo final ou mximo de geraes
Fim
Figura 12 - Algoritmo gentico genrico
Algoritmos Genticos
41
Segundo a maneira pela qual os indivduos criados so inseridos na

populao, so apresentados a seguir dois tipos extremos de Algoritmos
Genticos, os quais so conhecidos na literatura como: geracional e em
regime (steady-state).
Algoritmo Gentico geracional

Neste extremo de algoritmo, toda a populao substituda por novos
indivduos gerados pelo processo de seleo e aplicao dos operadores genticos:
Algoritmo Gentico geracional

Inicialize a populao P de cromossomos
Avalie indivduos na populao P
Repita
Repita
Selecione 2 indivduos em P para reproduo
Aplique operador de recombinao, probabilidade pc
Aplique operador de mutao, probabilidade pm
Insira novo indivduo em P'
At populao P' completa
Avalie indivduos na populao P'
P P'
Fim
Figura 13 - Algoritmo gentico geracional
Deve-se observar que como toda a gerao (de pais) integralmente

substituda por outra mais nova (de filhos), no existe convivncia, havendo
assim a perda de bons indivduos no processo. Por esta razo, especialmente em
problemas de otimizao, um procedimento freqentemente empregado o
elitismo, ou seja, o(s) melhor(es) indivduo(s) de uma gerao (so)
preservado(s): uma cpia passada diretamente para a gerao seguinte.
Algoritmos Genticos
42
Algoritmo Gentico em regime

Neste outro extremo de algoritmo, apenas um indivduo criado de
cada vez e, depois de sua avaliao, ele ser inserido na populao em

substituio a algum outro elemento, por exemplo, o pior de todos j existentes.
Caso ele seja pior que todos os j existentes ento nada alterado e procede-se
uma nova criao de indivduo.
Com o intuito de facilitar a comparao do indivduo gerado com os
indivduos j existentes na populao, utiliza-se um ordenamento dentro da
populao, desta forma, o indivduo gerado comparado apenas com o ltimo
indivduo do ordenamento, caso seja superior a ele, assumir sua posio
correspondente no ordenamento, sendo o ltimo eliminado pela seleo natural.
Algoritmo Gentico em regime

Inicialize a populao P de cromossomos
Avalie indivduos na populao P
Repita
Selecione operador gentico
Selecione indivduo(s) para reproduo
Aplique operador gentico selecionado
Avalie indivduo(s) gerados
Selecione indivduo f para sobreviver
Se f melhor que o pior elemento de P ento
Insira f em P de acordo com sua ordem
Fim
Figura 14 - Algoritmo gentico em regime steady-state
Entre estes dois extremos de algoritmos situam-se outros que somente

uma parte da populao substituda: pais e filhos podem vir a coexistir.
Outros esquemas de reproduo podem tambm ser encontrados na literatura.
Algoritmos Genticos
43
6. Aspectos Principais dos Algoritmos Genticos
6.1. Representao e Codificao
A representao ou codificao das variveis de projeto a serem

otimizadas proporciona um grande impacto no desempenho de busca, devendo ser
o mais simples possvel sem perder, no entanto, as caractersticas de representao
do problema tratado.
Existem inmeras formas de representao das variveis, tais como:

binria, nmeros inteiros ou nmeros reais.
A maioria dos trabalhos desenvolvidos utiliza a codificao binria, onde

cada cromossomo um vetor composto por zeros e uns, com cada bit
representando um gene do mesmo.
Para problemas de otimizao com variveis reais, uma codificao

binria pode ser introduzida pela converso de valores numricos de ponto
flutuante para valores binrios de comprimentos fixados, sempre se necessitando a
posteriori realizar o caminho inverso para avaliao da funo de aptido. Existe
assim, uma desvantagem no caso da representao binria, que seriam as
constantes converses entre valores de ponto flutuantes e binrios.
Uma vez definidas as variveis de projeto relevantes para a resoluo do

problema de otimizao, bem como em qual forma tais variveis sero
representadas, deve-se concatenar as respectivas representaes de maneira a
formar o cromossomo.
Existe ainda a possibilidade de associar-se mais de um cromossomo a

cada indivduo, analogamente ao que ocorre na biologia, onde o Homo Sapiens,
por exemplo, diplide, isto , possui cromossomos aos pares.
Algoritmos Genticos
44
6.2. Gerao da Populao Inicial
A populao inicial de indivduos ou cromossomos na maioria das

vezes realizada de forma aleatria, embora existam ocasies onde mais
apropriada uma seleo heurstica da mesma, introduzindo logo de incio, um ou
mais indivduos interessantes, como por exemplo, solues aproximadas
conhecidas contendo algum tipo de informao prvia. Diversos trabalhos
realizados comprovam que a inicializao, em geral, no crtica, desde que a
populao inicial contenha cromossomos suficientemente variados [07, 30].
6.3. Avaliao da Populao

A avaliao da populao realizada pela funo de aptido, que deve
indicar a qualidade de cada indivduo na populao. Para problemas de
otimizao ela est intimamente ligada funo objetivo que se deseja extremizar.
Para problemas de maximizao, por exemplo, a funo de aptido pode ser
tomada como uma modificao da funo objetivo:
f (x) = g (x) + C
onde C uma constante introduzida para os casos onde o processo de seleo

exige que a aptido seja positiva. Com o processo natural de evoluo, os
indivduos passam a ter aptides cada vez mais semelhantes entre si, podendo ser
necessrio aumentar a presso de seleo pela adoo de alguma estratgia da
seguinte forma:
f (x) = h (g (x))
com uma certa funo h escolhida convenientemente.
Algoritmos Genticos
45
No existe a necessidade de se calcular as derivadas da funo objetivo e,

conseqentemente, um algoritmo gentico pode ser utilizado tambm sem
nenhuma modificao para otimizar funes no diferenciveis.
Outro fato interessante que a aptido pode variar ao longo do processo

evolutivo, de maneira dinmica e estocstica, imprecisa e mesmo subjetiva, no
caso de algumas aplicaes artsticas como msica e pintura, por exemplo.
preciso lembrar, entretanto, que a escolha da funo de aptido para a

maioria das aplicaes a etapa crtica do processo, j que ela dever ser avaliada
para cada cromossomo de cada populao dentro do processo evolutivo.
6.4. Esquemas de Seleo
O processo de seleo baseia-se no princpio da sobrevivncia dos

melhores indivduos,
onde os cromossomos com melhor
aptido
ou
adequabilidade recebem uma maior probabilidade de serem copiados para um

novo conjunto, denominado populao temporria, de onde sero aleatoriamente
escolhidos para reproduo. Em contrapartida, os indivduos com baixa aptido
sero descartados da populao conforme a presso de seleo do esquema
utilizado.
Na prtica computacional, esta populao temporria no literalmente

formada, isto , os indivduos j so diretamente selecionados da populao aos
pares para a reproduo, sendo seus herdeiros implantados na prxima gerao.
Inmeros esquemas de seleo [05] j foram propostos e implementados

na prtica dos Algoritmos Genticos, alguns no sendo biologicamente plausveis.
Na seqncia, alguns dos mais empregados so discutidos:
Algoritmos Genticos
46
6.4.1. Seleo Proporcional Aptido via Mtodo da Roleta
Este o esquema original de seleo proposto por Holland [36], por esta
razo, ele ainda hoje muito utilizado nas implementaes, apesar de apresentar
algumas falhas relevantes de funcionamento que sero comentadas adiante.
Uma forma de quantificar a probabilidade pi do i-simo indivduo da

populao vir a ser selecionado para reproduo o clculo proporcional ao seu
valor da funo de aptido, fi = f (xi).
Uma possvel implementao seria:
pi =
fi
N
f
j =1
onde fi assumida positiva e N o tamanho da populao.
Uma vez definida a forma de quantificao da probabilidade de

sobrevivncia de cada indivduo da populao, emprega-se um dos muitos
mtodos utilizados para a seleo dos indivduos propriamente dita.
Um dos mtodos largamente empregados para tal finalidade o

conhecido mtodo da roleta, onde cada indivduo da populao representado
proporcionalmente ao seu ndice de aptido. Assim, os indivduos com alta
aptido recebem uma poro maior da roleta, enquanto que os de baixa aptido
ocuparo uma poro relativamente menor. Deste modo, realiza-se o lanamento
N vezes da roleta, dependendo do tamanho da populao, e escolhe-se para a
populao temporria aqueles indivduos por ela sorteados.
Algoritmos Genticos
47
Figura 15 - Exemplo do Mtodo da Roleta
O mtodo da roleta tem a desvantagem de possuir uma alta varincia,

podendo levar a um grande nmero de cpias de um bom cromossomo, o que faz
diminuir a diversidade da populao. Esta falha pode ocasionar uma convergncia
prematura do algoritmo para uma soluo no almejada. Por outro lado, quando a
evoluo est avanada, onde as aptides no diferem muito entre si, observa-se
uma estagnao do algoritmo, isto , uma baixa presso de seleo entre aptides
parecidas.
Este modelo tambm fortemente dependente da escala da funo de

aptido. Como exemplo, seja uma populao de 10 indivduos com valores de
aptido seqnciais de 10 (melhor) a 1 (pior). A probabilidade de seleo do
melhor indivduo pm16,6% e a do pior pp1,5%. Caso ocorra uma translao
(soma) de 100 unidades na funo de aptido de todos os indivduos, as
probabilidades sero agora: p'm10,4% e p'p9,5%. Deste modo, observa-se que as
probabilidades do melhor e do pior indivduos se tornam quase idnticas.
Esta propriedade indesejvel fez surgir o desenvolvimento de vrios

mtodos de escalonamento, tais como: escalonamento esttico linear, dinmico
linear, exponencial, logaritmo e truncamento sigma. Outro mtodo utilizado para
atenuar esta caracterstica realizar a seleo acima (over selection) de uma certa
porcentagem dos melhores indivduos, isto , forar que 80%, por exemplo, dos
selecionados sejam tomados dos 20% melhores indivduos da populao.
Algoritmos Genticos
48
6.4.2. Seleo Estocstica Remanescente sem Substituio
Este mtodo parece realizar melhor o processo de reproduo e apresenta

o seguinte procedimento:
Calcula-se diretamente o nmero esperado de cpias para cada

cromossomo:
Ei = N.pi
onde N o tamanho da populao e a parte inteira de Ei, designada por int (Ei),
ser o nmero esperado de cpias:
Ii = int (Ei)
deste modo, o cromossomo i ser copiado Ii vezes na populao temporria.
Calcula-se a seguir o resduo:
R i = Ei - Ii
que representa a probabilidade do cromossomo ser copiado novamente. Por

exemplo, um cromossomo para o qual Ei = 2.75 ser copiado duas vezes, e poder
ser copiado novamente com uma probabilidade de 0.75.
6.4.3. Seleo por Ordenao: Linear e Exponencial
Neste modelo os indivduos so ordenados pelas suas aptides, tal que: fi
fj para i < j, ou seja, do melhor para o pior. Depois, a cada indivduo atribuda
uma probabilidade de seleo pi tomada de uma dada distribuio, sendo
restringida para que: pi = 1.
Algoritmos Genticos
49
As distribuies mais comuns so respectivamente a linear, pi = a.i + b

(a<0), e a exponencial, pi = a exp(b.i+c), conforme os grfico abaixo,
correspondentes ao exemplo da pgina 46:
Figura 16 - Distribuio Linear para Seleo via Ordenamento
Figura 17 - Distribuio Exponencial para Seleo via Ordenamento
A distribuio exponencial equivale a selecionar o primeiro indivduo

com probabilidade p, o segundo com probabilidade p2, o terceiro com p3 e assim
por diante. Lembrando que p < 1 e pN < pN-1.
Algoritmos Genticos
50
As principais vantagens do modelo de seleo via ordenamento so:

No causa convergncia prematura, j que nenhuma soluo tem Ni
>> 1.
No permite estagnao, porque mesmo quando a evoluo est
bastante avanada N1 N2 ...
No necessria uma aptido explcita, pois para ordenar os
indivduos apenas a habilidade de comparao dos mesmos
suficiente.
Como desvantagens destacam-se:
Esforo computacional para ordenamentos constantes.
Difcil anlise terica de convergncia.
6.4.4. Seleo por Torneio

Este um dos modelos mais simples para implementao computacional
com bons resultados encontrados.
A idia promover um torneio entre um grupo de N (N2) indivduos
aleatoriamente tomados da populao. Assim, o indivduo com o maior valor de
aptido no grupo selecionado, enquanto que os demais so descartados.
Dentre suas vantagens citam-se:
No acarreta convergncia prematura.
Combate estagnao.
Nenhum esforo computacional extra necessrio, tal como
ordenamentos.
Aptido explcita desnecessria.
Inspirao biolgica do processo.
Algoritmos Genticos
51
6.4.5. Seleo Elitista
O modelo de seleo elitista normalmente acoplado a outros mtodos

de seleo, na tentativa de se aumentar a velocidade de convergncia do
algoritmo, bem como em aplicaes onde possa ser necessrio o seu emprego.
Este processo simplesmente copia os N (N1) melhores indivduos da

populao corrente para a prxima gerao, garantindo que estes cromossomos
no sejam destrudos nas etapas de recombinao e mutao.
Na maioria das implementaes, normalmente, pelo menos o elitismo do

melhor indivduo utilizado.
A principal vantagem do elitismo garantir que no se perca o melhor

indivduo durante o processo evolutivo e, com isto, gerar uma seqncia
monotnica, onde o resultado no piora.
Sua desvantagem a possibilidade de forar a busca, pela presena de

mais uma cpia do melhor indivduo, na direo de algum ponto timo local que
tenha sido descoberto antes do global, embora um algoritmo gentico possa
escapar de tais armadilhas.
Uma alternativa guardar separadamente a melhor soluo encontrada

durante a evoluo, para no final da execuo design-la como o indivduo timo
encontrado, mesmo que ele no esteja presente na ltima gerao da execuo.
Algoritmos Genticos
52
6.5. Reproduo ou Cruzamento
O processo de seleo no introduz novos indivduos na populao

temporria, apenas os chamados genitores, que serviro como pais para a nova
gerao, composta pelos filhos.
Na etapa de reproduo, o algoritmo tenta criar novas e melhores

solues (indivduos mais aptos). Sendo a forma mais simples e natural de
cruzamento a chamada cruzamento em um ponto, descrito a seguir.
Como passo inicial, toda a populao temporria agrupada

aleatoriamente por pares para gerar um conjunto de N / 2 genitores potenciais.
O cruzamento aprovado por um processo de deciso semelhante ao de

um lanamento de moeda. Para isto, deve-se escolher uma probabilidade de
cruzamento Pc igual para cada par. O lanamento de moeda corresponde aqui a
gerar, para cada par, um valor aleatrio entre 0 e 1. Logo, pela comparao do
valor gerado de cada par com a probabilidade Pc, defini-se se o cruzamento ou
no permitido da seguinte forma: se o valor gerado pelo lanamento for inferior a
Pc, o cruzamento permitido, caso contrrio, os genitores so mantidos
inalterados.
6.6. Operadores Genticos

O princpio bsico dos operadores genticos transformar a populao
atravs de sucessivas geraes, para obter um resultado satisfatrio no final do
processo. Deste modo, eles so extremamente necessrios para que a populao se
diversifique e mantenha as caractersticas de adaptao adquiridas pelas geraes
anteriores.
Algoritmos Genticos
53
6.6.1. Operadores de Recombinao
Ao cruzar pelo menos dois pais, uma ou mais novas solues so criadas
intercambiando-se a informao gentica dos genitores em um ou mais pontos que
tambm so selecionados aleatoriamente.
Este operador, tambm conhecido como crossover, pode ser utilizado de

vrias maneiras, onde as mais empregadas so:
um-ponto um ponto de cruzamento escolhido e a partir dele as
informaes genticas dos pais so trocadas, conforme exemplo
abaixo.
multi-pontos uma generalizao da idia de troca de material
gentico, onde muitos pontos de cruzamento podem ser utilizados.
uniforme no utiliza pontos de cruzamento, mas determina atravs
de um parmetro global, probabilidade de mscara, qual a
probabilidade de cada varivel ser herdada de cada pai.
A figura seguinte mostra um exemplo de dois cromossomos (escuro e

claro) realizando o cruzamento no ponto 4. Assim, os novos cromossomos
substituiro os genitores na nova populao.
Figura 18 - Exemplo de Recombinao
Algoritmos Genticos
54
6.6.2. Operadores de Mutao
O operador de mutao necessrio para a introduo e manuteno da

diversidade gentica na populao, alterando arbitrariamente um ou mais
componentes de uma estrutura escolhida, como ilustrado na figura abaixo. Ele
fornece assim, meios para a introduo de novos elementos na populao,
assegurando que a probabilidade de se chegar a qualquer ponto do espao de
busca nunca seja zero, com o intuito de tentar contornar o problema de timos
locais.
O operador de mutao aplicado aos indivduos com uma probabilidade

dada pela taxa de mutao Pm. Geralmente se utiliza uma taxa de mutao
pequena (como na gentica natural), pois um operador gentico secundrio.
Figura 19 - Exemplo de Mutao
7. Parmetros de Influncia e Configuraes

A configurao correta dos parmetros de influncia , sem dvida, um
dos aspectos mais relevantes dentro da estratgia dos Algoritmos Genticos. No
existe muita literatura sobre este tema, uma vez que tais configuraes iro
depender entre outras coisas da aplicao resolvida, entretanto, intuitivo que este
passo de muita importncia para um bom desempenho do mecanismo de busca.
A eficincia e o funcionamento de um Algoritmo Gentico altamente

dependente dos seus parmetros de controle, sendo os bsicos aqueles descritos a
seguir.
Algoritmos Genticos
55
7.1. Tamanho da Populao - N
O tamanho da populao indica o nmero de cromossomos em cada

populao, normalmente constante durante a evoluo.
Uma grande populao apresentar uma maior diversidade de solues,

contudo, computacionalmente sero dispendiosas tantas avaliaes de funes de
aptido. Assim, a principal influncia deste parmetro est relacionada com o
desempenho global e a eficincia dos AGs.
Com uma populao pequena o desempenho pode cair, pois deste modo a
populao fornece uma pequena cobertura do espao de busca do problema. Por
outro lado, uma grande populao geralmente fornece uma cobertura
representativa do domnio do problema, alm de prevenir convergncias
prematuras para solues locais ao invs de globais. No entanto, para se trabalhar
com grandes populaes so necessrios maiores recursos computacionais ou que
o algoritmo trabalhe por um perodo de tempo maior.
Uma idia interessante relacionar o tamanho da populao com o

tamanho do cromossomo, ou seja, quanto maior for o cromossomo maior dever
ser o tamanho da populao para uma diversidade razovel.
Muitos pesquisadores sugerem a ttulo de grandeza, tamanhos de

populao entre 20 e 100 cromossomos, podendo atingir valores bem mais altos
no caso da programao gentica.
7.2. Taxa ou Probabilidade de Cruzamento - Pc

Este parmetro indica com qual taxa ou probabilidade ir ocorrer o
cruzamento entre indivduos selecionados na populao.
Algoritmos Genticos
56
Quanto maior for esta taxa, mais rapidamente novas estruturas sero
introduzidas na populao. Em contrapartida, se ela for muito alta, estruturas com
boas aptides podero ser retiradas mais rapidamente da populao, ocorrendo
perda de estruturas de alta aptido. Valores baixos podem ainda tornar a
convergncia do algoritmo muito lenta.
Geralmente, a taxa de cruzamento varia entre 0.5 e 0.95. Mas estes

nmeros indicam apenas uma ordem de grandeza, j que existem inmeros tipos
possveis de cruzamentos, os quais so limitados apenas pela capacidade criativa
de seus inventores.
7.3. Taxa ou Probabilidade de Mutao - Pm

A taxa de mutao indica a probabilidade ou taxa em que haver a
mutao de cromossomos nas populaes ao longo da evoluo.
A mutao empregada para fornecer novas informaes dentro das

populaes, prevenindo que as mesmas se tornem saturadas com cromossomos
similares medida que visa aumentar a diversidade populacional e possibilita
ainda uma maior varredura do espao de busca.
H de se tomar cuidado, pois com uma taxa muito alta a busca pode se
tornar essencialmente aleatria.
Alguns pesquisadores recomendam a escolha da taxa de mutao com

base no tamanho dos cromossomos e das populaes.
De Jong [22] sugere que a taxa de mutao deva ser inversamente

proporcional ao tamanho da populao.
Algoritmos Genticos
57
Hesser e Manner [59] sugerem que uma taxa tima de mutao pode ser
achada pela expresso:
Pm = N .L1 / 2
sendo N o tamanho da populao e L o comprimento dos cromossomos.
Como os demais parmetros, a taxa de mutao ideal depender da

aplicao a ser resolvida, todavia, a maioria das taxas utilizada varia entre 0.001 e
0.1.
7.4. Recomendaes de Autores
De Jong faz algumas recomendaes com base na observao do

desempenho de 5 exemplos de otimizao via Algoritmos Genticos, os quais
incluem aspectos complicantes como descontinuidades, alta dimenso e rudo. Ele
sugere para um desempenho satisfatrio de uma vasta gama de problemas a
seguinte configurao de parmetros [22]:
(N, Pc, Pm) = (50, 0.6, 0.001)
Grefenstette [29] em simulaes similares concluiu que para um melhor

desempenho, quando a mdia da funo objetivo de cada gerao usada como o
ndice a ser otimizado, devem ser adotados os seguintes nmeros:
(N, Pc, Pm) = (30, 0.95, 0.01)
J onde o ndice a otimizar a funo objetivo do melhor cromossomo na

populao, normalmente o indicador mais usado para rotinas de otimizao, ele
recomenda os seguintes valores:
(N, Pc, Pm) = (80, 0.45, 0.01)

Algoritmos Genticos
58
8. Vantagens e Desvantagens dos Algoritmos Genticos
8.1. Vantagens dos Algoritmos Genticos
So robustos e aplicveis a uma grande variedade de problemas.
No requerem conhecimentos ou informaes dos gradientes da

superfcie definida pela funo objetivo.
Descontinuidades
ou
complexidades
presentes
na
superfcie
acarretam pouco ou nenhum efeito no desempenho da busca.
So mais resistentes a se prenderem a timos locais.
Apresentam um bom desempenho para uma grande escala de

problemas.
So de fcil implementao e proporcionam maior flexibilidade no

tratamento do problema a ser resolvido.
8.2. Desvantagens dos Algoritmos Genticos
Dificuldade para achar o timo global exato.
Requerem um grande nmero de avaliaes de funes de aptido.
Grandes possibilidades de configuraes que podem complicar a

resoluo do problema tratado.
Algoritmos Genticos
59
9. Sumrio e Discusso
Embora no presente trabalho tenha-se dado uma maior abordagem da
utilizao dos Algoritmos Genticos para a resoluo de problemas de otimizao,
outras aplicaes desta tcnica so possveis e tem sido utilizadas, tais como:
gerenciamento de carteiras de aes, desenvolvimento de estratgias

para leiles, deteco de fraudes em movimentos na bolsa de valores,
dentre outras na rea de economia e finanas;
modelagem e
estudo
de
problemas
em Ecologia,
gentica
populacional e na relao entre aprendizagem do indivduo e

evoluo da espcie;
construo automtica de programas para a realizao de tarefas

especficas e outras estruturas computacionais como redes neuronais;
criao de imagens, texturas, msicas e estruturas complexas;
minerao de dados (Data Mining);
Pelas suas caractersticas de robustez, flexibilidade e relativa facilidade

de implementao, acredita-se que os Algoritmos Genticos iro ganhar uma
maior ateno com o decorrer do tempo, principalmente, pela rpida evoluo dos
computadores que devero tornar as aplicaes desta tcnica cada vez mais
viveis e engenhosas.
Para os prximos anos um maior nmero de alternativas mistas da
idia gentica com outras estratgias, que lhe agreguem novas capacidades, sero
desenvolvidas, aprimoradas e difundidas no meio tcnico, aumentando o leque de
aplicaes e trazendo novos benefcios na resoluo dos problemas j tratados.
Para problemas de otimizao as vantagens do emprego de Algoritmos
Genticos so considerveis, principalmente pela sua versatilidade na obteno de
solues timas globais, enquanto espera-se que suas desvantagens sejam sanadas
por uma maior consolidao da tcnica e pelo avano das capacidades
computacionais.
Algoritmos Genticos
60
Captulo V
Tpicos Adicionais em AGs
este
captulo
so
discutidos
alguns
temas
estratgias
relacionados com a tcnica dos algoritmos genticos que podem
facilitar, agilizar e melhorar o seu funcionamento.
1. Tratamento das Restries ..............................................................................62

2. Problemas com Mltiplos Objetivos ...............................................................62
3. Hibridizao ...................................................................................................63
4. Computao Paralela ......................................................................................64
5. Time de Algoritmos........................................................................................65
6. Adaptao.......................................................................................................66
7. Distribuio Uniforme da Populao Inicial....................................................66
61
1. Tratamento das Restries

Embora os Algoritmos Genticos tenham sido inicialmente aplicados
com sucesso em problemas de otimizao sem restries, foi uma questo de
tempo para surgirem as primeiras utilizaes da tcnica na resoluo de problemas
com restries, caracterizados pela seguinte formulao:
Extremize f (x1, x2, ... ,xN)

sujeito a
gj (x) 0
j = 1, 2, ... , J
hk (x) = 0
k = 1, 2, ... , K
xi(L) xi xi(U)
i = 1, 2, ... , N
Na maior parte das aplicaes empregada a tcnica de penalizao para

introduzir as restries do problema na prpria funo objetivo, tcnica esta
tambm utilizada por muitos mtodos matemticos de otimizao. Todavia, j
existem formas de abordagem para este problema sem o emprego de funes de
penalizao, bem como outras alternativas mais inovadoras tal como algoritmos
co-evolucionrios que preservam um maior nmero de populaes interagindo
entre si. Estes estudos so bem recentes e proporcionam uma vasta rea de
pesquisa a ser desenvolvida [50].
2. Problemas com Mltiplos Objetivos

Vrios problemas reais so formulados por uma coleo de objetivos a
serem extremizados, os quais so muitas vezes conflitantes entre si. Porm, em
muitas destas aplicaes so realizadas simplificaes no problema original de
forma a combinar vrios objetivos numa nica funo. Ou ainda escolhendo-se
aquele que dentre os objetivos do problema requer prioridade de extremizao,
normalmente o custo.
62
Nos ltimos anos vm aumentando os estudos na rea da otimizao

multi-objetivos, trazendo como conseqncia o desenvolvimento de mtodos
matemticos para tal tarefa.
Um exemplo [53] de aplicao multi-objetivos o projeto de pontes, pois

alm da minimizao do custo ou peso de fundamental importncia a
maximizao das freqncias naturais de vibrao da estrutura para melhorar o
seu desempenho dinmico. Observa-se que estes objetivos so conflitantes, j que
para menores pesos, menores sero as freqncias naturais de vibrao e maiores
os riscos de colapso estrutural por efeito de ressonncia.
Um mtodo matemtico utilizado para a otimizao multi-objetivos a

Programao Objetiva [38, 39, 53], que um procedimento interativo para o
usurio e que tem tido crescente utilizao, embora, apesar de se tratar de um
mtodo matemtico, no apresenta garantias da obteno de extremos globais,
alm de ser um mtodo hierrquico com soluo nica.
Como os Algoritmos Genticos trabalham com uma populao de

solues, eles so naturalmente adequados para a determinao simultnea de
vrias solues Pareto-timas, isto , solues no-dominadas [37].
3. Hibridizao
Uma alternativa para melhorar o funcionamento dos Algoritmos
Genticos a hibridizao [24, 68], estratgia que visa acoplar algoritmos
distintos com a finalidade de tirar o melhor proveito de cada um deles. Assim,
possvel acoplar-se aos Algoritmos Genticos, por exemplo, qualquer outro
mtodo matemtico para efetuar uma busca local mais agressiva. Estas
alternativas hbridas resultantes apresentam a capacidade evolucionria de uma
grande explorao global da regio vivel aliada a uma boa eficincia nas buscas
locais.
63
4. Computao Paralela
Os Algoritmos Genticos so por si s um mtodo naturalmente paralelo,
uma vez que a etapa de avaliao da aptido de cada indivduo da populao
independente das demais. Por esta razo, empregar computao paralela com
Algoritmos Genticos uma estratgia que deve sempre ser considerada, pois
pode-se obter grandes ganhos no tempo de execuo de um problema [07, 24].
Quando o paralelismo natural como o descrito acima, o resultado

encontrado o mesmo obtido pelo Algoritmo Gentico seqencial que lhe deu
origem.
Pode-se tambm implementar estratgias mais ousadas para se efetuar

tanto a seleo quanto a criao de novos indivduos localmente em cada
processador, visando com isto a diminuio das comunicaes (envio e
recebimento de dados). Nestas alternativas no est garantida a obteno das
mesmas solues encontradas seqencialmente, tratando-se de um novo
Algoritmo Gentico.
Uma outra idia a subdiviso da populao original de p indivduos em

n sub-populaes residentes nos n processadores disponveis, sendo cada uma
submetida a um Algoritmo Gentico independente. Caso no ocorra nenhuma
comunicao entre os processadores tudo acontecer como se o problema
estivesse sendo resolvido n vezes.
Por outro lado, ao se permitirem algumas comunicaes entre os

processadores, como por exemplo a migrao de alguns indivduos de certa subpopulao para outra(s), obter-se- um novo Algoritmo Gentico. Para estes
casos, novos parmetros de controle devem ser adicionados com o intuito de
definir quando, quais, quantos e para onde os indivduos iro migrar, bem como
de que modo sero inseridos na nova populao.
64
5. Time de Algoritmos
A estratgia de times de algoritmos uma das mais recentes e, de certa
forma, compreende parte das duas anteriores. A idia resolver o problema com
mais de um algoritmo como na tcnica de hibridizao, diferindo desta pelo fato
de que ao invs de cada algoritmo entrar em operao conforme o
desenvolvimento do problema, todos tentam resolve-lo separadamente em
paralelo, podendo os algoritmos comunicarem-se entre si conforme finalidades
pr-estabelecidas: a cada intervalo de tempo, a cada nmero de iteraes, a cada
critrio de convergncia, etc., de acordo com as caractersticas do problema e dos
algoritmos empregados.
A comunicao entre os algoritmos pode ser feita de maneira sncrona ou

assncrona, sendo esta ltima de maior eficincia j que no seriam necessrios
balanceamentos de carga e no haveria ociosidade dos processadores.
Experimentos realizados com times de algoritmos levaram a concluses

surpreendentes e que mostram, por exemplo, que certo problema que no podia
ser resolvido atravs de quaisquer dos algoritmos isolados o foi pelo time formado
por eles. Observou-se ainda que em algumas simulaes o tempo e/ou nmero de
iteraes foi menor que o obtido pelo mais rpido dos algoritmos trabalhando
sozinho. Estas concluses podem ser verificadas para a resoluo de sistemas de
equaes no lineares utilizando o mtodo de Newton e o mtodo dos gradientes
conjugados nas referncias [01, 02].
A estratgia de times bem geral e pode ser empregada com um nmero

variado de mtodos em uma vasta gama de aplicaes, sendo mais uma alternativa
para o emprego dos Algoritmos Genticos na resoluo de problemas.
65
6. Adaptao
A tcnica de adaptao consiste em no tomar valores fixos para os
parmetros de configurao dos algoritmos genticos. Ou seja, pode-se escolher
funes mais elaboradas que faam estes parmetros variarem ao longo do
processo evolutivo e/ou de acordo com critrios pr-definidos.
As principais finalidades da adaptao so:
melhorar a eficincia dos algoritmos;

tornar os algoritmos mais robustos s aplicaes a serem
tratadas.
A adaptao usualmente feita de maneira esttica, isto , so escolhidos

parmetros, funes e/ou operadores no incio do algoritmo e levados at o fim da
execuo. Todavia, recentemente uma maior ateno vem sendo dada adaptao
dinmica, que permite que dentro do processo evolutivo o prprio algoritmo
selecione os parmetros de configurao e/ou os operadores genticos a serem
utilizados, conforme seus desempenhos.
A prpria funo objetivo pode ser adaptada, principalmente em

aplicaes que envolvam o emprego de muitas restries e/ou penalidades [34,
49].
7. Distribuio Uniforme da Populao Inicial

Esta estratgia distribui uniformemente a populao inicial pelo espao
de busca, ganhando assim uma maior confiana na obteno de extremos globais e
at mesmo melhorando a velocidade de convergncia do algoritmo [61].
66
Captulo VI
Algoritmos Genticos Multi-objetivos
ma introduo sobre os principais algoritmos evolucionrios

multi-objetivos apresentada neste captulo, bem como suas
principais caractersticas e inovaes no cenrio da otimizao multi-objetivos.
1. Introduo ......................................................................................................68
2. Alguns Algoritmos Evolucionrios Multi-objetivos ........................................69
67
1. Introduo
A primeira implementao prtica para tratamento de problemas multiobjetivos foi apresentada por Schaffer em 1984 [57]. Aps este trabalho nenhum
estudo significante foi apresentado por quase uma dcada, exceo de um
revolucionrio esboo de 10 linhas de um novo procedimento de ordenamento de
solues no-dominadas apresentado no livro de Goldberg [30]. Este livro tornouse um marco dos algoritmos evolucionrios e alavancou o tratamento de
problemas de otimizao multi-objetivos. Muitos pesquisadores desenvolveram
diferentes verses de algoritmos de otimizao multi-objetivos baseados nas
idias conceituais apresentadas por Goldberg.
Os mtodos evolucionrios apresentam certas caractersticas que os

tornam mais apropriados para a resoluo dos problemas multi-objetivos,
principalmente quando se deseja conhecer o conjunto das solues timas de
Pareto. Por este motivo, o restante deste trabalho enfoca principalmente esta linha
de pesquisa.
Duas so as finalidades quando se deseja determinar o conjunto de Pareto

de problemas multi-objetivos via mtodos evolucionrios:
1. guiar a busca na direo da regio ou conjunto timo de Pareto;
2. manter a diversidade da populao na fronteira de Pareto.
Estas duas tarefas so as medidas usualmente empregadas para avaliar a

eficincia e desempenho dos algoritmos desenvolvidos. O papel da segunda meta
to relevante quanto o da primeira, pois fornece ao projetista maior alternativa
de escolha para o projeto, j que possvel encontrar um conjunto timo de Pareto
com uma boa e contnua distribuio de solues.
68
2. Alguns Algoritmos Evolucionrios Multi-objetivos

Nos ltimos anos muitos pesquisadores tm modificado as idias iniciais
propostas por Goldberg em seu livro [30] para tratamento de problemas multiobjetivos, bem como aplicado as implementaes desenvolvidas em problemas
mais complexos do
mundo
real.
Assim, atualmente existem inmeras
implementaes e, por este motivo, a enumerao de todas uma tarefa

impossvel,
logo,
sero
enumeradas
posteriormente
apresentadas
as
caractersticas fundamentais apenas das principais correntes e/ou implementaes

no campo dos algoritmos evolucionrios multi-objetivos [16, 20, 69, 70, 72]:
VEGA, Schaffer;
Agregao dos objetivos por pesos variveis, Hajela e Lin;
MOGA, Fonseca e Fleming;
nPGA, Horn e Nafpliotis;
NSGA, Srinivas e Deb;
SPEA, Zitzler e Theile;
Outros algoritmos.
2.1. VEGA, Schaffer

Tido como o pioneiro na implementao de algoritmos evolucionrios
para soluo de problemas multi-objetivos, Schaffer desenvolveu o chamado
Vector Evaluated Genetic Algorithms [57], mais conhecido como VEGA.
Schaffer modificou o software de domnio pblico GENESIS pela criao de um
lao no procedimento de seleo original que faz com que o procedimento seja
repetido para cada objetivo separadamente at atingir-se um determinado nmero
pr-definido de indivduos para cada objetivo para reproduo. Em seguida, estes
indivduos so randomicamente sorteados para as etapas de recombinao e
mutao. Schaffer implementou este mtodo em combinao com o procedimento
de seleo proporcional aptido dos indivduos.
69
O algoritmo funcionou eficientemente por algumas geraes, porm em

alguns casos deixou de pesquisar alguns indivduos ou regies. A seleo
independente dos indivduos provocou a especializao da populao e como
resultado deste fato a populao inteira convergiu na direo da regio das
solues timas individuais aps um grande nmero de geraes. Esta
caracterstica de especializao no interessante, j que no adianta uma soluo
apresentar alta qualidade em um objetivo se conseguida s custas de valores ruins
ou inaceitveis para algum(uns) outro(s) objetivo(s). importante haver e
destacar o compromisso entre os objetivos.
Schaffer tentou minimizar os efeitos da especializao atravs do
desenvolvimento de dois procedimentos heursticos de seleo que foram
denominados: seleo no-dominada e seleo cruzada ou de companheiro.
Na seleo heurstica no-dominada os indivduos dominados so
penalizados pela subtrao de uma pequena penalidade fixa sobre o nmero
esperado de cpias durante a seleo. A penalidade total sobre estes indivduos
ento dividida entre os no-dominados por uma adio ao nmero esperado de
cpias na seleo. Contudo, este algoritmo no funciona adequadamente quando a
populao tem poucos indivduos no-dominados, resultando num grande valor de
aptido para os mesmos e conseqentemente numa alta presso de seleo.
A seleo heurstica cruzada promove o cruzamento de indivduos
especializados de diferentes subgrupos. Este procedimento foi implementado pela
seleo aleatria de um indivduo para reproduzir com seu companheiro, isto , o
indivduo que tem a mxima distncia Euclidiana em relao ao indivduo
anteriormente
selecionado.
Este
procedimento
tambm
no
funciona
satisfatoriamente por no prevenir a participao de indivduos piores na primeira

seleo randmica e pela possibilidade de haver uma grande distncia Euclidiana
entre um indivduo campeo e um medocre.
Depois destas duas tentativas Schaffer concluiu que os procedimentos
tradicionais randmicos de seleo so largamente superiores aos seus
procedimentos heursticos.
70
2.2. Agregao dos objetivos por pesos variveis, Hajela e Lin
Um outro algoritmo que baseado na agregao dos objetivos foi

introduzido por Hajela e Lin [33]. Neste procedimento usado o mtodo da
soma dos produtos entre os objetivos e seus correspondentes pesos para o
clculo da funo de aptido: (f=wi.fi). Normalmente os valores dos objetivos
devem ser normalizados para o caso de magnitudes muito diferentes, embora
neste estudo a normalizao no tenha sido empregada devido natureza dos
problemas teste usados.
Os pesos variam no intervalo ]0, 1[ tal que o somatrio de todos resulte

na unidade. Para buscar por mltiplas solues em paralelo os pesos no so
fixos e sim codificados no prprio gentipo. Os autores enfatizam a necessidade
de restries na reproduo para promover: velocidade de convergncia e
estabilidade para a busca gentica.
2.3. MOGA, Fonseca e Fleming

Fonseca e Fleming [26] implementaram as sugestes de Goldberg [30] de
um modo diferente, o Multi-objective Optimization Genetic Algorithm ou
MOGA usa um procedimento de ordenamento no-dominado. Toda a populao
verificada e todos os indivduos no-dominados recebem uma posio ou ordem
1. Outros indivduos so posicionados segundo a no dominncia deles em relao
ao restante da populao do seguinte modo: para cada indivduo, o nmero de
solues que o dominam estritamente primeiramente determinado na populao,
logo, a posio no ordenamento deste indivduo ser este nmero mais 1. Assim
sendo, no final deste procedimento de ordenamento podero existir muitos
indivduos compartilhando a mesma posio no ordenamento. A rotina de seleo
usa este ordenamento para selecionar ou remover blocos de pontos at escolher os
71
indivduos para reproduo. Este tipo de atribuio de aptido por blocos leva a
produzir uma grande presso de seleo que pode causar convergncia prematura.
A implementao tambm usa o mtodo de formao de nichos para

distribuir a populao atravs da regio tima de Pareto, alm de compartilhar os
valores da funo de aptido. Embora isto mantenha a diversidade nos valores da
funo de aptido, pode no manter a diversidade no conjunto das variveis,
assim, o MOGA pode no estar apto a achar as mltiplas solues em problemas
onde diferentes pontos timos de Pareto correspondem para os mesmos valores de
aptides. O destaque relevante deste trabalho o ordenamento dos indivduos por
critrios de dominncia.
2.4. nPGA, Horn e Nafpliotis
Horn e Nafpliotis [37] implementaram um algoritmo gentico geracional

com sobreposio, isto , nem todos os indivduos so substitudos de uma
gerao para outra que foi denominado Niched Pareto Genetic Algorithm ou
nPGA, que faz uso de um procedimento de ordenamento na etapa de seleo.
Um conjunto de comparao compreendido de um nmero especfico de

indivduos (tdom) tomado randomicamente da populao no incio de cada
processo de seleo. Em seguida dois indivduos so retirados da populao para a
seleo de um vencedor conforme o seguinte procedimento: ambas solues so
comparadas com os membros deste conjunto de comparao para determinao da
dominncia segundo as funes objetivo. Se um deles no-dominado e o outro
dominado, ento o ponto no-dominado selecionado, mas caso ambos sejam
no-dominados ou dominados, um contador de nicho criado para cada indivduo
na populao inteira. O contador baseado no nmero de solues na populao
com uma certa distncia (share) do indivduo. Assim, a soluo que apresentar o
menor contador de nicho selecionada.
72
O sucesso deste algoritmo altamente dependente do parmetro tdom. Se

um tamanho apropriado for escolhido, pontos no-dominados (timos de Pareto)
podem ser achados. Caso tdom seja pequeno podem existir poucos pontos nodominados na populao e valores grandes de tdom podem levar convergncia
prematura do algoritmo.
O conceito de formao de nichos entre os pontos no-dominados o

aspecto mais relevante do trabalho, que tem como inconveniente introduo de
mais parmetros a serem configurados para o funcionamento do algoritmo
gentico.
2.5. NSGA, Srinivas e Deb

Nondominated Sorting Genetic Algorithm [64] ou simplesmente
NSGA mais uma implementao baseada nas sugestes de Goldberg [30]. A
idia por trs do algoritmo a utilizao de um procedimento de seleo por
ordenamento ou ordenamento para enfatizar as solues no-dominadas correntes,
juntamente com um mtodo voltado para a criao de nichos para manter a
diversidade da populao.
A diferena desta implementao em relao a um algoritmo gentico

simples est apenas no modo com que o operador de seleo empregado. Tanto
o operador de recombinao quanto o operador de mutao so os usuais da
tcnica.
Antes do procedimento de seleo ser aplicado, a populao ordenada

com base num nvel de no-dominncia dos indivduos, isto , todas as solues
no-dominadas da populao corrente recebem valores altos de aptido. Esta
aptido a mesma para todos os indivduos no-dominados, garantindo assim que
todos possuam um mesmo potencial reprodutivo.
73
Para manter a diversidade na populao as solues no-dominadas

compartilham os seus valores de aptido segundo suas distncias Euclidianas
(tambm pode ser adotada a distncia de Hamming - nmero de bits diferentes
entre dois indivduos). Finalmente, divide-se o valor da aptido de cada indivduo
pelo contador de nichos que proporcional ao nmero de vizinhos ao seu redor.
Este procedimento proporciona a co-existncia de pontos timos mltiplos na
populao. O pior valor de aptido compartilhada na soluo da primeira fronteira
no-dominada ento guardada para uso posterior.
Depois que o compartilhamento executado e que as aptides so

modificadas os indivduos no-dominados so ignorados temporariamente para
processar o resto dos membros da populao.
O procedimento para determinar novas solues no-dominadas

(segundo nvel) novamente executado, sendo que agora eles recebem um valor
de aptido um pouco menor que o pior valor de aptido compartilhada no nvel
anterior.
Uma vez mais o procedimento de compartilhamento executado entre as

solues no-dominadas do segundo nvel e as novas aptides so calculadas
como antes. Este processo continuado at que todos os membros da populao
tenham um valor de aptido compartilhada.
A reproduo da populao efetuada utilizando-se a aptido

compartilhada, ou seja, como o primeiro nvel de solues no-dominadas possui
as mais altas aptides, um maior nmero de cpias dos seus indivduos ser
realizado e levar a busca para a fronteira tima de Pareto.
A caracterstica mais importante deste trabalho que praticamente

qualquer nmero de objetivos pode ser usado para os dois tipos de problemas:
maximizao ou minimizao, bastando mudar o modo como os indivduos nodominados so identificados.
74
Como fraqueza este algoritmo exige alguns novos parmetros de

configurao que so sensveis e provocam forte influncia no desempenho da
busca.
2.6. SPEA, Zitzler e Theile

Recentemente foi sugerido por Zitzler e Theile [69] o Strength Pareto
Evolutionary Algorithm ou SPEA, um algoritmo evolucionrio multi-objetivo
elitista com conceitos de no dominncia.
O algoritmo funciona com a manuteno de uma populao externa a

cada gerao que armazena um conjunto de solues no-dominadas determinado
desde a populao inicial e que participa nas operaes genticas.
A aptido de cada indivduo na populao corrente e na populao
externa decidida com base no nmero de solues dominadas pelo seguinte
procedimento. Inicialmente, uma populao combinada pela populao corrente e
a externa construda. A seguir, todas as solues no-dominadas nesta populao
recebem um valor de aptido baseado no nmero de solues que elas dominam,
mantendo a diversidade. Toma-se o cuidado de no atribuir para as solues nodominadas uma aptido pior que o das melhores solues dominadas, para
garantir que a busca caminhe na direo da fronteira no-dominada e
simultaneamente a diversidade entre os indivduos dominados e no-dominados.
No problema da mochila os autores obtiveram melhores resultados que
qualquer outro mtodo utilizado nas comparaes de seus estudos, o que refora a
importncia do elitismo no estudo de problemas de otimizao multi-objetivos.
Como destaque do mtodo cita-se a ausncia de quaisquer parmetros de
distncia, tais como raio de nicho e compartilhamento e o fato da aptido dos
indivduos ser determinada apenas pelas solues armazenadas no conjunto de
Pareto externo.
75
2.7. Outros algoritmos
Vrios outros algoritmos tm sido desenvolvidos e publicados durante os

ltimos anos, tais como:
Ishibuchi e Murata [40] introduziram uma combinao de um algoritmo

evolucionrio que baseado na soma dos objetivos ponderados por pesos com um
algoritmo de busca local que previne a perda de solues no-dominadas pelo
armazenamento delas externamente. Depois de atualizar o conjunto de Pareto
externo so escolhidos pares de indivduos na fase de seleo de acordo com
pesos randomicamente gerados, ento, uma frao do conjunto externo de Pareto
injetada dentro da populao. Finalmente, uma busca local efetuada para cada
indivduo com o intuito de melhorar as solues correntes.
Greenwood, Hu e D'Ambrosio [28] propuseram uma combinao entre

mtodos de nenhuma informao preferencial (caso de ordenamento puro de
Pareto) e mtodos de agregao como soma dos objetivos ponderados por pesos.
Eles estenderam o conceito de dominncia de Pareto por elementos de valor com
vrios atributos imprecisos para incorporar preferncia no processo de busca.
Um algoritmo gentico multi-sexual para otimizao multi-objetivos foi

proposto por Lis e Eiben [45] que, em contraste com os algoritmos evolucionrios
convencionais, atribui a cada indivduo um sexo prprio que relacionado com
um objetivo particular. O nmero de sexos corresponde ao nmero de objetivos.
Enquanto a seleo executada para cada sexo distinto (objetivo), o operador de
recombinao gera herdeiros de pais que pertenam a todos os sexos diferentes.
O conjunto final de Pareto obtido pelo monitoramento das solues nodominadas durante a execuo do algoritmo.
76
Partindo do Niched Pareto Genetic Algorithms, nPGA, ValenzuelaRendn e Uresti-Charre [65] desenvolveram um algoritmo evolucionrio no
geracional que incorpora seleo baseada em dominncia e compartilhamento de
aptido. A aptido de cada indivduo composta de duas contribuies: o
contador de dominncia e o contador de nichos em movimento. O contador de
dominncia reflete o nmero mdio de indivduos pelo qual o indivduo
dominado e o segundo parmetro representa o nmero de indivduos que se
encontram prximos de uma certa soluo. Em cada passo evolucionrio ambos
os valores so ajustados de acordo com as mudanas na populao.
Cunha, Oliveira e Covas [18] abordaram o problema de conjuntos

extremamente grandes de timos de Pareto. Eles apresentaram um algoritmo
evolucionrio que aplica agrupamentos para reduzir e ordenar as solues do
conjunto no-dominado.
Outras aproximaes baseadas nos conceitos de alvos e desvios so

tambm encontradas, contudo, elas utilizam na maioria das vezes fundamentos
matemticos, herdando suas vantagens e desvantagens frente aos algoritmos
evolucionrios. As tcnicas mais populares desta corrente so: Programao
Objetiva, Obteno Objetiva e os algoritmos de min-max. A maior desvantagem
destas estratgias a forte possibilidade de prenderem-se a timos locais e a usual
obteno de uma soluo nica, j que operam iterativamente com um candidato
por vez.
77
Captulo VII
PMOGA Pareto Multiobjective GA
ste captulo apresenta todos os aspectos e caractersticas do

algoritmo gentico multi-objetivo de Pareto desenvolvido
PMOGA. Todos os procedimentos desenvolvidos e empregados so detalhados e

discutidos.
1. Introduo ......................................................................................................79
2. Resumo e Evolues do Algoritmo Evolucionista...........................................79
3. Algoritmo Final Detalhado .............................................................................81
4. Filtro...............................................................................................................82
5. Seleo ...........................................................................................................83
6. Reproduo ....................................................................................................84
7. Operadores Multi-objetivos Desenvolvidos.....................................................86
8. Geraes Adicionais .......................................................................................88
9. Elitismo ..........................................................................................................89
10. Estratgia de Penalizao ..............................................................................89
11. Resultados e Desempenho.............................................................................90
78
1. Introduo
Neste captulo ser descrita a forma final do algoritmo proposto, contudo,
com algumas ressalvas para as etapas e evolues gradativas decorrentes de
exaustivos experimentos aqui realizados: as evolues do algoritmo evolucionista.
Estes experimentos so apresentados no captulo referente s aplicaes, todavia,
para cada uma delas so descritas as caractersticas e configuraes presentes no
algoritmo no momento de sua utilizao.
2. Resumo e Evolues do Algoritmo Evolucionista

O algoritmo gentico para problemas de otimizao multi-objetivos tem
por finalidade evoluir um conjunto uniformemente distribudo de solues
pertencentes ao conjunto timo de Pareto. Suas principais caractersticas so: (i)
ordenamento da populao de acordo com propriedades de dominncia, (ii)
utilizao de operadores multi-objetivos adequadamente desenvolvidos: excluso,
adio e operador de otimizao individual, (iii) definio de um filtro para reter
as solues de Pareto, (iv) elitismo deste filtro dentro das populaes e (v) mtodo
de penalizao por camadas.
As principais evolues ou melhorias que levaram o algoritmo

inicialmente desenvolvido (utilizado e descrito na primeira aplicao funo f2
de Schaffer) at o seu estado atual podem ser cronologicamente apontadas como:
Modificao do mtodo de seleo
Modificaes do operador de recombinao
Desenvolvimento e introduo dos operadores multi-objetivos
Introduo do elitismo do filtro nas populaes
79
2.1. Modificao do mtodo de seleo

O mtodo de seleo inicialmente implementado foi o da roleta,
originalmente proposto por Holland [36] e descrito nos captulos antecedentes.
Este mtodo de seleo provoca inmeros problemas j conhecidos estagnao
e convergncia prematura que so altamente prejudiciais ao processo de
otimizao.
A segunda implementao foi baseada no torneio entre solues com
base nas aptides calculadas para cada ordem como apresentado em [12, 13],
contudo, novos estudos foram realizados e modificou-se o mtodo utilizado para
que o mesmo fosse baseado diretamente no ordenamento de cada soluo, o que
dispensou inmeros clculos de aptides de ordens e tornou o procedimento mais
intuitivo e eficiente. Maiores detalhes sero descritos a seguir no item referente ao
mtodo de seleo.
2.2. Modificaes do operador de recombinao

O operador de recombinao percorreu um longo caminho, desde os
tradicionais operadores de um ponto e dois pontos at o operador de
recombinao uniforme, onde se preferiu adotar duas verses deste operador com
diferentes probabilidades de mscara como ser explicado adiante.
2.3. Desenvolvimento e introduo dos operadores multi-objetivos

Com os procedimentos anteriormente apresentados o algoritmo j
cumpria sua funo de otimizador, todavia, as solues no eram aquelas
esperadas. Por isso, foram desenvolvidos novos operadores, chamados de multiobjetivos por terem sido desenvolvidos especialmente para este contexto. Estes
operadores foram nomeados de: operador de excluso, operador de adio e
operador de otimizao individual. Eles foram desenvolvidos cronologicamente
nesta ordem e sero abordados adiante.
80
2.4. Introduo do elitismo do filtro nas populaes

Posteriormente foi implementado o elitismo do filtro para as populaes,
onde conseguiu-se melhorias na soluo final armazenada com uma convergncia
mais rpida.
3. Algoritmo Final Detalhado

Algoritmo PMOGA
Gerao da populao inicial aleatria
Avaliao da populao inicial
Ordenamento da populao inicial
Cpia dos indivduos de ordem 1 da populao para o filtro
Operador de excluso no filtro at reduzi-lo ao tamanho desejado
Insero das solues do filtro na prxima gerao (como filhos)
Repita da primeira gerao
Se a gerao corrente ao nmero de geraes padres ento
Repita
Seleo (torneio pela menor ordem)
Recombinao (uniforme 0.5 e 0.2)
Mutao
Avaliao
At completar o tamanho da populao
Atualizao da gerao (filho pai)
Ordenamento da populao
Cpia dos indivduos de ordem 1 da populao para o filtro
Fim se
Operador de otimizao individual no filtro (recombinao e mutao)
Operador de adio no filtro
Ordenamento do filtro
Eliminao das solues dominadas do filtro
Operador de excluso no filtro at reduzi-lo ao tamanho desejado
Insero das solues do filtro na prxima gerao (como filhos)
At o nmero de geraes totais (padres+adicionais)
Fim
Figura 20 - Pseudocdigo do PMOGA
81
4. Filtro
O algoritmo desenvolvido possui um filtro para armazenar as solues
no-dominadas que vo surgindo ao longo do processo evolutivo. Este
procedimento fundamental na resoluo de problemas multi-objetivos, uma vez
que a soluo destes problemas , na verdade, um conjunto de solues fronteira
tima de Pareto.
Ao final de cada gerao as solues no-dominadas da populao

corrente so adicionadas ao filtro. Logo, um novo teste de dominncia
ordenamento efetuado para eliminar deste novo conjunto formado pelas
solues adicionadas e pelas anteriormente presentes as solues que se
tornaram dominadas. Depois disso so empregados os operadores multi-objetivos
de otimizao individual e de adio que sero descritos adiante, buscando a
criao de solues interessantes para o problema, bem como a aplicao do
operador de excluso para eliminar solues do filtro at que ele alcance o nmero
de solues pr-estabelecido na configurao do algoritmo.
A ltima etapa realizada com o filtro a insero dele na populao da

prxima gerao elitismo do filtro na populao para aumentar a presso de
seleo e tambm a convergncia das solues para a fronteira de Pareto.
Os procedimentos que so empregados no filtro a cada nova gerao

podem ser resumidos da seguinte maneira:
Adio das solues no-dominadas da populao corrente.
Aplicao dos operadores multi-objetivos de otimizao individual e
adio.
Ordenamento do novo filtro e eliminao das solues agora
dominadas.
Aplicao do operador multi-objetivo de excluso.
Insero do filtro na populao da prxima gerao.
82
5. Seleo
A seleo um dos procedimentos mais importantes de qualquer
algoritmo gentico, uma vez que ele o foco central da tcnica dos algoritmos
genticos para incorporar ao algoritmo os conceitos da Seleo Natural de
Darwin. Ou seja, deve-se assegurar que os melhores indivduos tenham uma maior
probabilidade de seleo para assim se obter um aumento progressivo da aptido
mdia das populaes durante o processo evolutivo. Convergindo estes indivduos
para a resposta desejada do problema.
O procedimento de seleo adotado o de torneio, onde algumas
solues so aleatoriamente tomadas da populao e, com base em algum critrio,
a soluo vencedora ento selecionada. Normalmente, o critrio utilizado pela
maioria dos algoritmos genticos com um objetivo o valor da funo de aptido,
j para algoritmos genticos multi-objetivos alguma estratgia de nicho
empregada de forma a modificar as aptides reais dos indivduos conforme a
densidade de vizinhos no seu entorno.
O nmero de solues tomadas para o torneio proporcional presso de
seleo aplicada na populao e normalmente varia de duas a dez solues.
Como o algoritmo proposto emprega operadores multi-objetivos ao invs
de estratgias de nicho para melhorar a distribuio da fronteira de Pareto,
nenhuma modificao realizada nas aptides reais dos indivduos. Esta
caracterstica habilita este algoritmo a resolver alguns problemas que os demais
algoritmos baseados em estratgias de nicho no resolveriam de maneira
satisfatria, como vem acontecendo na funo-teste 6 - formulada no conjunto de
testes para algoritmos multi-objetivos da referncia [71].
O procedimento de torneio empregado efetuado diretamente sobre as
ordens recebidas pelos indivduos, deste modo, os indivduos so selecionados
no s pelas suas aptides, mas sim pelas suas aptides dentro do contexto multiobjetivo de dominncia. Ou seja, dispensa clculos adicionais de aptides novas
ou modificadas.
83
5.1. Ordenamento
O procedimento de ordenamento das solues consiste em realizar um

teste de dominncia sobre todo o conjunto ao qual se quer ordenar. Assim, as
solues no-dominadas deste conjunto recebem a primeira ordem e so retiradas
da populao, logo, um novo teste efetuado sobre o conjunto remanescente e as
novas solues no-dominadas adquirem a segunda ordem. Deste modo, este
procedimento continua at que todas as solues do conjunto especificado tenham
sido ordenadas.
No final do ordenamento tm-se vrias ordens que correspondem s

vrias fronteiras ou camadas de dominncia existentes no conjunto ordenado.
Quanto menor for a ordem de uma soluo significa que ela est mais prxima da
fronteira tima.
6. Reproduo
A reproduo uma etapa inspirada na natureza e tem por objetivo criar
novas solues na populao. So utilizados operadores advindos da reproduo
humana, tais como os operadores de recombinao e mutao. Entretanto,
nenhuma barreira deve ser construda quanto ao desenvolvimento de novos
operadores ou quanto ao emprego diferenciado dos mesmos, desde que tais
mudanas sejam benficas para a resoluo dos problemas tratados.
O operador de mutao no tem sofrido grandes mudanas dentro da

tcnica em relao ao que ocorre na natureza, a no ser quanto sua probabilidade
de aplicao, que tem variado bastante de algoritmo para algoritmo e de problema
para problema.
84
O operador de recombinao tem sido bastante modificado ao longo do

tempo e existem inmeras possibilidades um ponto, dois pontos, uniforme com
vrias probabilidades de mscaras e muitos outros.
O operador de recombinao uniforme apresenta a vantagem de ter sua

eficincia independente do tamanho do cromossomo, isto , se um cromossomo
tem dez posies de comprimento, um operador de dois pontos provocar uma
recombinao considervel para gerar as novas solues, j se o tamanho do
cromossomo for de novecentas posies, esta recombinao passar a ser pequena
para este tamanho de codificao, ou seja, seria necessrio um maior nmero de
pontos para se ter proporcionalmente um mesmo desempenho. Entretanto, o
operador de recombinao uniforme dispe de um mesmo desempenho de
recombinao independente deste tamanho, uma vez que ele no depende do
nmero de pontos de corte para troca de material gentico e sim da probabilidade
de cada alelo do gene ser herdado do pai ou da me. Assim sendo, seu emprego
torna o algoritmo menos dependente do tamanho do problema a ser resolvido [62].
Neste algoritmo finalizou-se com o operador de recombinao uniforme

com diferentes probabilidades de mscara 0.2 e 0.5 como ser descrito e
justificado adiante.
6.1. Mutao
O operador de mutao empregado no foge s regras do que
observado na natureza, ou seja, para cada gene recombinado existe uma
probabilidade de mutao que uma vez ativada modifica o gene herdado, isto , de
zero para um ou vice-versa, conforme apresentado nos captulos anteriores.
Devido existncia de mais de um objetivo, o espao de busca mais

complexo nos problemas multi-objetivos, portanto, uma taxa de mutao mais alta
pode ser usada para procurar por solues mais dispersas, bem como melhor
explorar o espao de busca.
85
6.2. Recombinao
Foi escolhido o operador de recombinao uniforme que j foi
apresentado nos captulos anteriores, podendo o mesmo apresentar diferentes
probabilidades de mscara. Ou seja, se a probabilidade de mscara de 0.5, isto
que dizer que o gene que ser herdado tem exatamente a mesma probabilidade de
vir do pai ou da me. Por outro lado, se esta probabilidade diferenciada para 0.2,
por exemplo, ento o gene herdado ter 20% de chances de vir de um dos pais e
os restantes 80% de vir do outro genitor. Com isso o herdeiro ser forado a ficar
mais parecido com um dos seus pais. Esta caracterstica interessante para
garantir modificaes mais suaves ou mais agressivas nos herdeiros conforme
sejam os seus interesses.
No algoritmo final foram utilizados dois operadores de recombinao
uniforme, um com probabilidade de mscara de 0.5 e outro com 0.2, ambos com a
mesma probabilidade de utilizao, 0.5.
7. Operadores Multi-objetivos Desenvolvidos

Os operadores multi-objetivos foram desenvolvidos para melhorar a
distribuio das solues pela fronteira de Pareto, podendo desta forma substituir
o emprego de uma estratgia de nicho que tem a mesma finalidade. Dentre as
vantagens esto um menor esforo computacional e a no modificao das
aptides reais dos indivduos, que em certos problemas pode ocasionar
dificuldades de resoluo.
7.1. Operador de Excluso

O operador de excluso determina a soluo mais prxima de outras
solues no filtro atual para ser removida, com o intuito de propiciar uma melhor
distribuio das solues ao longo do conjunto de Pareto. Este procedimento de
86
excluso repetido at que o filtro corrente alcance o tamanho especificado nas

configuraes do algoritmo.
A mtrica utilizada para avaliar as distncias entre os cromossomos

dada pela expresso seguinte, que resulta em um processo de soma das
porcentagens das distncias de cada objetivo entre as duas solues j e k
pesquisadas:
d j,k =
N . fo
100. foi ( j ) foi (k )
0,5.[ fo ( j) + fo (k )]
i =1
Esta mtrica tem se comportado muito bem para uma vasta gama de
aplicaes, j que a distncia entre solues independe da magnitude das aptides
e sim da distncia relativa entre elas.
7.2. Operador de Adio
O operador de adio acha as duas solues mais distantes (no espao de

cada funo objetivo) e as recombina n vezes, onde o valor de n normalmente
varia de 1 a 5. A idia do operador gerar solues que ocupem o espao vazio
encontrado entre tais solues, melhorando deste modo a distribuio da fronteira
tima.
O nmero de avaliaes adicionais por gerao ser 2 x n x nfo (vezes 2

porque cada par de genitores gera duas novas solues pela recombinao
uniforme adotada).
Em problemas onde exista descontinuidade da fronteira de Pareto,

recomenda-se o desligamento deste operador, uma vez que as solues mais
distantes provavelmente pertencero duas fronteiras no interligadas e a
recombinao destas solues tende a gerar indivduos intermedirios aos mesmos
87
que estariam fora das regies da fronteira de Pareto. Contudo, como foi observado
em um dos problemas analisados adiante, cuja fronteira de Pareto apresenta esta
descontinuidade, observou-se que o emprego deste operador, embora no
recomendado, no compromete o funcionamento do algoritmo.
7.3. Operador de Otimizao Individual

Foram criadas duas formas deste operador:
i) So determinadas as duas solues mnimas de cada objetivo para

serem recombinadas n vezes.
ii) A soluo mnima de cada objetivo copiada n vezes com
mutao.
Estas novas solues criadas so inseridas no prprio filtro corrente. O

objetivo deste operador melhorar o timo de cada objetivo individualmente,
permitindo que o algoritmo seja utilizado, em carter emergencial, para otimizar
problemas com um nico objetivo. O nmero de avaliaes 2 x n x nfo e n x nfo
respectivamente.
Nenhum outro algoritmo apresenta alguma estratgia diretamente

desenvolvida para este fim, que trs enorme benefcio para a soluo final, pois
abre as extremidades da fronteira tima, mostrando ao tomador de decises quais
seriam os valores timos individuais de cada objetivo.
8. Geraes Adicionais
Os trs operadores multi-objetivos anteriores trabalham ao trmino de
cada gerao, contudo, possvel e recomendado que: depois de um certo nmero
de geraes processadas e que um nmero significante de solues timas estejam
88
retidas no filtro, sejam processadas geraes adicionais utilizando apenas estes

trs operadores. Estas geraes adicionais so mais rpidas e melhoram
significativamente a qualidade do conjunto final de Pareto.
A idia fundamental destas geraes adicionais apenas melhorar a

distribuio da fronteira de Pareto, pela aplicao sucessiva dos operadores de
otimizao individual, adio e excluso diretamente sobre as solues at ento
armazenadas no filtro.
9. Elitismo
Nos algoritmos genticos desenvolvidos para otimizao de um objetivo
comum o emprego de elitismo da melhor soluo, ou seja, a melhor soluo de
cada gerao copiada para a gerao seguinte para que a mesma no seja
possivelmente perdida. Com o tempo vrios autores passaram a adotar o elitismo
de mais de uma soluo, por exemplo, as cinco ou dez melhores.
No contexto multi-objetivo onde a resposta composta por um conjunto

de solues este elitismo deve ser extendido para o conjunto timo at ento
armazenado, ou seja, o filtro de solues no-dominadas. Assim, ao final de cada
gerao as solues armazenadas no filtro so inseridas na prxima populao
com o intuito de aumentar a presso de seleo e ao mesmo tempo acelerar a
convergncia do algoritmo.
10. Estratgia de Penalizao

Mtodos de penalizao sempre so um entrave para a resoluo de
problemas de otimizao, pois normalmente exigem a escolha de parmetros de
penalizao que necessitam de uma definio iterativa e no trivial, variando
ainda de problema para problema.
89
Depois dos inmeros problemas resolvidos convergiu-se para uma

estratgia de penalizao bastante simples e de fcil configurao, pois se
recomenda a atribuio de valores limites de cada objetivo para tais parmetros,
deste modo, garante-se que qualquer soluo no-dominada domine qualquer
soluo que viole pelo menos uma restrio, do mesmo modo qualquer soluo
que viole uma restrio dominar qualquer soluo que apresente duas violaes
de restries e assim por diante. Com isso obtm-se camadas de solues, e
conseqentemente ordens, com um mesmo nmero de violaes.
A penalizao aplicada pela seguinte expresso:
fi (x) fi (x) + ci . nviol
onde nviol o nmero de restries violadas e os valores das constantes ci so
escolhidos para cada problema em particular com limites extremos para cada
objetivo. Isto , no so necessrios muitos estudos e testes para a determinao
destas constantes, pois basta escolher-se valores altos que sejam superiores aos
limites mximos possveis para cada objetivo.
11. Resultados e Desempenho

Os resultados encontrados com o algoritmo proposto tm sido, em geral,
equivalentes ou superiores aos apresentados na literatura com um bom
desempenho computacional. Comprovando a boa integrao entre as vrias
estratgias escolhidas e desenvolvidas para formarem o corpo do algoritmo multiobjetivo proposto.
O algoritmo tem se mostrado capaz inclusive de resolver problemas onde
outros inmeros algoritmos falharam, como pode ser observado na aplicao
referente ao conjunto de funes-teste desenvolvidas por Deb [71] para
otimizadores multi-objetivos.
90
Captulo VIII
Aplicaes
este captulo vrios problemas testes e/ou estruturais so

analisados com o algoritmo multi-objetivo de Pareto proposto
PMOGA. Todas as configuraes utilizadas pelo algoritmo em cada problema so

detalhadas.
1. Introduo ......................................................................................................92
3. Viga I .............................................................................................................97
4. Viga Soldada ................................................................................................103
6. Ponte Treliada.............................................................................................113
10. Esfera .........................................................................................................158
12. Trelia de 47 barras.....................................................................................176
Aplicaes
91
1. Introduo
As aplicaes so apresentadas segundo a ordem cronolgica em que
foram abordadas. Com o aumento gradativo das dificuldades dos problemas o
algoritmo gentico utilizado foi tambm sendo aperfeioado, deste modo, para
cada aplicao existe um tpico que descreve as caractersticas e configuraes
empregadas naquele problema em particular.
O amadurecimento e a robustez do algoritmo desenvolvido so frutos de

exaustivos testes e progressivas complicaes a ele impostas, que foram obtidos
aps inmeros insucessos e conseqentes tentativas de novas estratgias e
experincias.
2. Funo f2 de Schaffer
2.1. Introduo e Modelo
Um problema bastante simples e largamente utilizado para testar

otimizadores multi-objetivos o problema f2 formulado por Schaffer [69]. O
problema consiste na minimizao simultnea de duas funes objetivo e embora
seja um problema fcil para um algoritmo evolucionrio, ele comumente
resolvido pela maioria dos autores como um ponto inicial de referncia,
principalmente para a investigao da distribuio da populao ao longo da
fronteira tima de Pareto.
O problema definido pelas seguintes funes:

fo1 (x) = x2
(linha contnua)
fo2 (x) = ( x - 2 )2 (linha tracejada)
Aplicaes
92
Solues Dominadas 1
Fronteira de Pareto
Solues Dominadas 2
10
9
8
7
6
5
4
3
2
1
0
0
10
Figura 21 - Funes objetivo e solues no espao das funes objetivo
Observa-se pelas figuras que as solues no-dominadas que compem a

fronteira tima de Pareto situam-se no intervalo [0, 2], deste modo, as solues
compreendidas neste intervalo no podem ser ditas melhores ou piores entre si,
devendo a tarefa de escolha da soluo tima (projeto timo) ser definida
posteriormente por um tomador de deciso (projetista).
2.2. Caractersticas e Configuraes do AG Utilizado
Utilizao de um filtro para armazenar as solues no-dominadas.
Ordenamento das solues segundo critrios de no dominncia.
Mesma aptido para cada ordem, dependendo da ordem e de seu tamanho.
Mtodo de seleo da roleta sobre as aptides das ordens.
Operador de recombinao em 2 pontos e mutao.
Operador de excluso.
Populao inicial aleatria.
Probabilidade de Recombinao = 85 %.
Probabilidade de Mutao = 5%.
Tamanho da populao = 70.
Tamanho do filtro = 30.
Nmero de geraes = 100.

Aplicaes
93
2.2.1. Atribuio de aptido para as ordens

A atribuio de aptido para as ordens utiliza o mtodo proposto na
referncia [12] pelas seguintes expresses:
Fi = (M r i + 1) / SS
Mr
SS = (M r i + 1).Tri / T pop
i =1
onde:
Tpop o tamanho da populao;
Mr a mais alta ordem da populao (ordem mxima);
i varia de acordo com cada ordem;
Tri o tamanho da populao da ordem i;
Fi a aptido de cada cromossomo da ordem i.
Pode-se observar que quanto mais populosa for uma ordem, menor ser
sua aptido proporcional, embora as ordens tenham suas aptides inversamente
proporcionais aos seus ordenamentos, isto , a primeira ordem tem aptido
superior ao do segundo, que por sua vez tem maior aptido que o terceiro e assim
por diante.
Utilizou-se uma codificao binria em cromossomos de quatorze
unidades de comprimento (bits) que so decodificados para um nmero real no
intervalo [-6, 6]. Assim, o cromossomo foi interpretado como um valor inteiro i,
sendo posteriormente convertido para um valor real x pela seguinte equao:
x = 6 + i.
| 6 6 |
214 1
Consegue-se por este modo a seguinte representao:

Cromossomo
00000000000000
...
11111111111111
Valor Inteiro (i)
Valor Real (x)
-6.00
...
...
214-1
6.00
Aplicaes
94
2.3. Resultados
Nas figuras seguintes so mostradas a populao inicial e os resultados

obtidos, isto , a fronteira tima de Pareto e a distribuio das solues no espao
das variveis de projeto:
populao da gerao 1
64
56
48
fo2
40
32
24
16
8
0
0
12
16
20
24
28
32
36
fo1
Figura 22 - Populao inicial
30 pontos no filtro
30 pontos no filtro
4,5
4,0
fo1 e fo2
3,5
fo2
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0,0
0
0
0,5
1,0
1,5
2,0
2,5
varivel x
fo1
fo1
fo2
Figura 23 - Fronteira de Pareto e solues no espao das variveis de projeto.
Uma nova alternativa para o mtodo de seleo foi aqui testada. Este
mtodo proposto no faz uso de qualquer clculo de aptido para as vrias ordens
encontradas durante a evoluo das geraes, mas sim, a utilizao do mtodo
convencional de torneio entre indivduos, comparando simplesmente a ordem
entre eles, ou seja, o cromossomo que apresentar a menor ordem entre os
Aplicaes
95
sorteados selecionado. Caso as solues sorteadas tenham uma mesma ordem,

seleciona-se aleatoriamente uma delas.
A utilizao deste mtodo de seleo mostrou-se bastante interessante

no s pela diminuio do esforo computacional, j que inmeros clculos so
descartados, mas tambm pelos resultados que foram melhorados, conforme
figura seguinte:
30 solues no filtro
fo2
0
0
fo1
Figura 24 - Fronteira de Pareto com novo mtodo de seleo (torneio)
2.4. Concluses
Os resultados foram equivalentes ou superiores aos encontrados na

literatura [57, 69], mesmo sem o emprego de estratgias de nicho que aumentam o
nmero de parmetros de configurao e tornam a resoluo do problema sensvel
a estas configuraes.
A alternativa pelo mtodo de seleo por torneio atuando diretamente

sobre as ordens mostrou-se uma boa alternativa, j que diminuiu o esforo
computacional e eliminou as deficincias oriundas do mtodo de seleo da roleta.
Aplicaes
96
3. Viga I
O objetivo do problema determinar o conjunto timo de Pareto decorrente

da otimizao multi-objetivos da viga em seo I apresentada abaixo [15].
Figura 25 - Viga em seo I [15].
As propriedades da viga e os valores das cargas so:
E = 2 x 104 kN/cm2 (mdulo de Young).
kg = 16 kN/cm2 (tenso de projeto da viga).
P = 600 kN (carga vertical em L/2).
Q = 50 kN (carga horizontal em L/2).
O vetor das variveis de projeto so as dimenses da viga dadas em

centmetros, x = [ x1, x2, x3, x4 ]T, conforme mostrado na figura anterior.
Aplicaes
97
Os objetivos a serem minimizados so:
rea da seo transversal.
Deslocamento esttico mximo (em L/2) decorrente de P.
Como na maioria dos problemas multi-objetivo os critrios so

conflitantes entre si, neste caso, a diminuio da rea da seo transversal provoca
o aumento do deslocamento mximo e vice e versa.
As restries que devem ser atendidas pela soluo do problema so:

1. Restries Geomtricas (valores em centmetros):
10 x1 80
10 x2 50
0,9 x3 5
0,9 x4 5
2. Restrio de projeto:
My
Wy
Mz
kg
Wz
sendo:
My e Mz os momentos mximos nas direes y e z.
Wy e Wz os mdulos resistentes da seo nas direes y e z.
kg a tenso limite estabelecida.
Para os valores das cargas atuantes P e Q tem-se:
My = 30000 kN.cm
Mz = 2500 kN.cm
Os mdulos resistentes so calculados pelas seguintes expresses:
x3 (x1 2 x4 ) + 2 x2 x4 4 x4 + 3 x1 (x1 2 x4 )
6 x1
3
Wy =
Wz =
(x1 2 x4 )x33 + 2 x4 x23

6 x2
Aplicaes
98
Substituindo estes valores na restrio de projeto obtm-se:

16
x3 (x1 2 x4 )
180000 x1
15000 x2
0
2
3
3
+ 2 x2 x4 4 x4 + 3x1 (x1 2 x4 ) (x1 2 x4 )x3 + 2 x4 x2
As funes objetivo podem ser expressas como se segue:

1. rea da seo transversal:
f1 (x) = 2x2x4+x3(x1-2x4) cm2
2. Deslocamento esttico mximo:
f2 ( x) =
PL3
cm
48 EI
onde I o momento de inrcia que pode ser calculado pela frmula:
x (x 2 x4 ) + 2 x2 x4 4 x4 + 3 x1 (x1 2 x4 )
I= 3 1
12
3
resultando na seguinte expresso para o segundo objetivo:

f2 ( x) =
x3 (x1 2 x4 )
60000
cm
2
+ 2 x2 x4 4 x4 + 3x1 (x1 2 x4 )
Mtodo de seleo por torneio segundo critrio de no-dominncia.
Operadores convencionais de mutao e recombinao uniforme.
Operador de excluso.
Aplicao da penalizao: fi (x) = fi (x) + ci, onde c1=1000 e c2=10.

Aplicaes
99
As variveis de projeto foram codificadas numa cadeia binria com

quarenta e trs posies de comprimento, sendo treze posies destinadas para x1,
doze para x2 e nove tanto para x3 como para x4. Cada cadeia binria
desmembrada e convertida para os valores reais de cada varivel pela expresso:
xi = xmn. + Bi
xmn xmx.
T
2 i 1
sendo:
i ndice da varivel considerada
xmn e xmx os valores limites dados pelas restries geomtricas
Bi o valor inteiro correspondente cadeia binria de cada

varivel
Ti o nmero de posies destinadas cada varivel
3.3. Resultados
Nas duas figuras seguintes so mostradas respectivamente a populao
inicial e a populao relativa gerao 200, verificando-se a ntida separao
entre o conjunto das solues factveis e no-factveis.
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
0,250
0,200
0,150
0,100
0,050
0,000
100
200
300
400
500
600
700
800
900 1000 1100 1200 1300 1400 1500
100
200
300
400
500
600
700
800
900
500
600
700
800
900
Figura 26 - Populao inicial em diferentes escalas

12
0,050
11
0,045
10
0,040
9
8
0,035
0,030
0,025
0,020
4
0,015
3
0,010
0,005
1
0
0,000
0
100
200
300
400
500
600
700
800
900
1000
1100
1200
100
200
300
400
Figura 27 - Populao relativa gerao 200 em diferentes escalas
Aplicaes
100
Observa-se com o decorrer do processo evolutivo a diminuio do

nmero de solues inviveis (penalizadas) e a convergncia para a regio da
fronteira tima de Pareto. Na prxima figura apresentada a soluo final do
filtro.
0,0 50
0,0 45
0,0 40
0,0 35
0,0 30
0,0 25
0,0 20
0,0 15
0,0 10
0,0 05
0,0 00
0
10 0
20 0
30 0
40 0
50 0
60 0
70 0
80 0
90 0
Figura 28 - Solues no filtro final (20 solues)
Durante o tratamento deste problema foram desenvolvidos os operadores

de adio e de otimizao individual que apresentam baixo custo computacional e
devem ser aplicados diretamente no filtro. Na figura e tabela seguintes, oriundas
de uma nova otimizao pode-se perceber as vantagens conseguidas com a sua
utilizao: melhoramento dos extremos individuais e da distribuio da fronteira
tima.
Modificaes realizadas:
Introduo dos operadores de adio e de otimizao

individual.
Tamanho da populao = 50
Nmero de geraes = 50 + 450 (filtro)
Aplicaes
101
0,060
0,055
0,050
0,045
0,040
f2
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
0
100
200
300
400
500
600
700
800
900
f1
Figura 29 - Solues no filtro final (ger. 500).

x1
x2
x3
x4
fo1
fo2
63,60
40,01
0,90
0,90
127,60
0,0565
68,05
40,34
0,90
0,90
132,20
0,0482
72,35
41,26
0,91
0,91
139,00
0,0409
79,12
40,05
0,90
0,90
141,70
0,0345
78,32
45,70
0,92
0,96
158,10
0,0301
79,65
23,03
0,96
2,15
171,80
0,0273
78,91
40,09
0,92
1,41
183,00
0,0245
78,89
43,89
1,00
1,51
208,70
0,0213
78,56
34,83
0,96
2,42
240,00
0,0181
79,66
46,58
1,02
1,99
262,70
0,0158
77,95
42,21
1,04
2,80
311,50
0,0136
78,62
45,11
0,93
2,92
331,40
0,0123
79,79
40,89
0,93
3,72
372,00
0,0106
79,92
40,04
1,01
4,30
416,70
0,0095
79,99
47,49
1,29
3,97
470,50
0,0085
79,58
50,00
1,15
4,49
529,80
0,0075
80,00
48,67
1,66
4,99
602,30
0,0068
79,59
50,00
2,95
5,00
705,00
0,0064
79,72
50,00
4,42
4,87
796,60
0,0062
80,00
50,00
5,00
5,00
850,00
0,0059
Tabela 1 - Valores das variveis de projeto e das funes objetivo.
3.4. Concluses
Os operadores de adio e de otimizao individual foram desenvolvidos
para serem aplicados diretamente sobre o filtro com o objetivo de preencher os
espaos vazios encontrados entre as solues mais espaadas, bem como
pesquisar por melhores timos individuais. Os resultados foram satisfatrios e
melhores que os anteriores.
Aplicaes
102
4. Viga Soldada
O problema consiste de uma viga submetida a uma fora F em sua

extremidade que precisa ser soldada a um outro componente estrutural
satisfazendo s condies de estabilidade e as limitaes de projeto. As quatro
variveis de projeto espessura da solda (h); comprimento da solda (l); largura da
viga (t) e espessura da viga (b) - so indicadas na figura seguinte.
Figura 30 - Viga soldada [21].
Os dois objetivos do problema so:
o custo da viga;
o deslocamento na extremidade livre da viga.
Ambos os objetivos devem ser minimizados, embora eles sejam

incomensurveis e contraditrios, isto , a reduo do custo conduz a um maior
deslocamento, enquanto que para diminuir o deslocamento necessrio aumentar
o custo.
Aplicaes
103
Existem cinco restries intrnsecas do problema. As duas primeiras

restries garantem que a tenso de cisalhamento e a tenso normal desenvolvida
ao longo do apoio da viga sejam respectivamente menores que as tenses
permissveis de cisalhamento (max) e normal (max) do material. A terceira
restrio garante que o esforo resistente (ao longo da direo de t) da viga seja
maior que a carga aplicada F. A quarta restrio um limite mximo (umax) para o
deslocamento na extremidade da viga. A quinta restrio garante que a espessura
da viga no seja menor que a espessura da solda. Existem ainda outras restries
geomtricas nas variveis de deciso de acordo com o modelo seguinte:
Min. f1 (x) = 1.10471h2l + 0.04811tb(14+l)
Min. f2 (x) = 2.1952 / (t3b)
Sujeitas a
g1 (x) = (x) - max 0
g2 (x) = (x) - max 0
g3 (x) = F Pc (x) 0
g4 (x) = 2.1952 / (t3b) - umax 0
g5 (x) = h - b 0
0.125 h, b 5.0
0.1 l, t 10.0
As tenses e os termos das expresses anteriores so dados por [21]:
( x) = 2 + 2 + l / 0.25[l 2 + (h + t ) 2 ]
=
6000
2hl
6000(14 + 0.5l ) 0.25[l 2 + (h + t ) 2 ]

2{0.707 hl[l 2 / 12 + 0.25(h + t ) 2 ]}
( x) =
504000
t 2b
Pc ( x) = 64746.022(1 0.0282346t )tb3

Aplicaes
104
Os dados adotados para o problema so [17]:

F = 6000 lb
max = 13600 psi
E = 30 x 106 psi
max = 30000 psi
G = 12 x 106 psi
umax = 0.25 in
L = 14 in (comp. livre)
Operadores de excluso, adio e otimizao individual.
Execuo nica (uma s semente).
Aplicao de uma penalizao conforme apresentado adiante.
Probabilidade de recombinao = 85 %.
Probabilidade de mutao = 5%.
Nmero de geraes adicionais (filtro) = 0 e 400.
O cromossomo tem cinqenta e quatro bits de comprimento e um mtodo

simples de penalidade proposto e utilizado:
onde c1=100; c2=0,01 e nviol o nmero de restries violadas. Os valores das

constantes ci garantem que uma soluo que viole uma restrio seja pior que uma
soluo vivel, da mesma forma que, uma soluo que viole duas restries seja
pior que uma outra que viole uma nica restrio e assim por diante.
Aplicaes
105
4.3. Resultados
Na figura seguinte, tanto as solues viveis da gerao inicial como as

da gerao 100 so mostradas. A eficincia dos novos operadores comprovada
pela figura subseqente, que mostra as solues no filtro na gerao 100, com
(direito) e sem (esquerda) o uso destes operadores respectivamente.
0,007
0,007
0,006
0,006
0,005
0,005
0,004
0,004
0,003
0,003
0,002
0,002
0,001
0,001
0,000
0,000
0
25
50
75
100
125
150
25
50
75
100
125
150
Figura 31 - Solues viveis nas geraes inicial e centsima, respectivamente.
0,007
0,007
0,006
0,006
0,005
0,005
0,004
0,004
0,003
0,003
0,002
0,002
0,001
0,001
0,000
0,000
0
10
15
20
25
30
35
40
45
50
10
15
20
25
30
35
40
45
50
Figura 32 - Solues no filtro na gerao 100: sem (esquerda) e com (direita) o uso dos
operadores de adio e de otimizao individual respectivamente.
Os resultados podem ser melhorados caso se aumente o nmero de

geraes adicionais que atuam no filtro para 400, como pode ser observado na
figura e tabela seguintes.
Aplicaes
106
0,007
0,006
0,005
0,004
0,003
0,002
0,001
0,000
0
10
15
20
25
30
35
40
45
50
Figura 33 - Solues do filtro na gerao 500 (100 + 400).
h
0,393
0,317
0,396
0,393
0,413
0,393
0,454
0,739
0,798
1,182
1,136
1,184
1,182
1,182
0,870
1,184
1,182
1,334
1,182
1,182
l
2,888
3,662
3,091
2,927
3,004
2,898
2,471
1,498
1,246
0,787
0,782
0,748
0,903
0,753
1,057
0,787
0,754
0,750
0,748
0,748
t
9,304
9,926
9,981
9,933
9,810
9,926
9,948
9,937
9,966
10,000
10,000
9,942
10,000
10,000
10,000
9,922
9,923
10,000
10,000
10,000
b
0,430
0,439
0,508
0,582
0,666
0,765
0,893
1,005
1,140
1,343
1,648
1,953
2,181
2,519
2,867
3,324
3,753
4,086
4,524
5,000
fo1
3,742
4,112
4,707
5,209
5,909
6,672
7,600
8,348
9,213
10,770
12,830
14,930
17,030
19,040
21,650
24,680
27,590
30,470
33,250
36,630
fo2
0,00634
0,00511
0,00434
0,00385
0,00349
0,00293
0,00250
0,00223
0,00195
0,00163
0,00133
0,00114
0,00101
0,00087
0,00077
0,00068
0,00060
0,00054
0,00049
0,00044
Tabela 2 - Valores das variveis de projeto e das funes objetivo do filtro final.
4.4. Concluses
Neste problema foram obtidos resultados equivalentes ou superiores aos

apresentados pela literatura [17, 21], comprovando a eficincia e aplicabilidade do
algoritmo desenvolvido. Conclui-se tambm pela grande importncia dos novos
operadores desenvolvidos no mbito da otimizao multi-objetivos, pois quando
empregados melhoram significativamente os resultados encontrados.
Aplicaes
107
5. Trelia com Trs Objetivos

A trelia plana da figura abaixo est sujeita a dois tipos de carregamento
e a trs objetivos de interesse. O primeiro objetivo o peso estrutural, o segundo
o deslocamento vertical u1 ocorrido pela aplicao do primeiro tipo de
carregamento e o terceiro objetivo o deslocamento vertical u2 oriundo do
segundo tipo de carregamento aplicado. Os deslocamentos e tipos de
carregamento esto tambm na figura abaixo.
Este problema foi abordado na referncia [13], diferenciando-se dos

problemas multi-objetivo correntemente estudados no s pela presena de trs
objetivos ao invs de dois, como tambm pela considerao de diferentes tipos de
carregamento para cada um dos deslocamentos verticais a serem minimizados, u1
e u2.
F
u1
F
L
3F
u2
Figura 34 - Trelia com trs objetivos
Aplicaes
108
Os objetivos so conflitantes entre si, j que quando o peso diminui os

deslocamentos tendem a aumentar e vice-versa.
As variveis de projeto so as reas das quatro barras que foram

consideradas contnuas e variando dentro do seguinte intervalo:
0.1 Ai 8.0
Os demais dados do problema so:

L = 200;
E = 20000;
F = 10
As restries do problema so as tenses normais desenvolvidas nas

barras:
| i | 10
Nmero de geraes = 50 + 50 (filtro).
O tamanho do filtro foi tomado o mesmo adotado na referncia [13],

quatrocentos, para facilitar as comparaes e concluses.
Aplicaes
109
As variveis de projeto foram codificadas numa cadeia binria com

quarenta posies de comprimento, sendo dez posies para cada uma delas.
O mtodo de penalidade aplicado descrito pela expresso seguinte:

onde c1=10000; c2=20 e c3=20 e nviol o nmero de restries violadas. Os

valores das constantes ci garantem que uma soluo que viole uma restrio seja
pior que uma soluo vivel, da mesma forma que uma soluo que viole duas
restries seja pior que uma que viole uma nica restrio e assim por diante.
5.3. Resultados
Nas figuras seguintes so apresentados os resultados obtidos para os

diversos espaos disponveis, sendo que os grficos foram elaborados com as
mesmas escalas que aquelas apresentadas na referncia [13] para facilidade de
comparaes.
1,0
0,9
Peso (x10000)
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Deslocamento 1
Figura 35 - Filtro no espao P x u1
Aplicaes
110
1,0
0,9
Peso (x10000)
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,10
0,15
0,20
0,25
0,30
0,35
0,30
0,35
Deslocamento 2
Figura 36 - Filtro no espao P x u2
0,8
Deslocamento 1
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,10
0,15
0,20
0,25
Deslocamento 2
Figura 37 - Filtro no espao u1 x u2
A prxima figura mostra a distribuio das solues armazenadas no

filtro no espao das trs funes objetivo do problema. Este grfico no
apresentado na referncia [13].
Aplicaes
111
Figura 38 - Filtro no espao P x u1 x u2 (figura no disponvel em [13])
Os valores numricos mnimos e mximos dos objetivos so mostrados

na prxima tabela, bem como algumas das solues armazenadas no filtro final:
Soluo
A1
A2
A3
A4
Peso
u1
1
1,09
1,42
4,32
3,08
0,709
2674,00
100
1,95
1,89
6,77
4,00
4032,00
0,486
200
1,48
1,64
7,61
7,92
4787,00
0,459
300
2,53
4,15
7,06
6,76
5536,00
0,316
400
8,00
8,00
8,00
8,00
9325,00
0,206
Tabela 3 - Valores numricos de algumas solues do filtro final armazenado
u2
0,294
0,200
0,150
0,165
0,144
5.4. Concluses
Comparando o tratamento aqui empregado ao problema em relao
referncia [13] podem-se destacar as seguintes diferenas: menor tamanho de
cromossomo; quatro vezes menos indivduos por populao; mesmo nmero final
de geraes, embora com melhorias que diminuem o esforo computacional;
nenhum emprego de tratamento de restries sofisticado; alm da ausncia de
estratgia de nicho ou de parmetros que tornam a resoluo dos problemas
sensveis s suas configuraes. Ainda assim, os resultados apresentados foram
superiores queles encontrados em [13], pois apresentaram as solues melhor
distribudas pela regio de Pareto.
Aplicaes
112
6. Ponte Treliada

O problema ilustrado na figura seguinte foi extrado, com modificaes,
da referncia [42]. Os objetivos so a minimizao do peso estrutural (f1) e do
deslocamento vertical u (f2) do n central inferior.
X1
X2
Y3
10
11
Y2
23
21
12
14
18
13
1
8
25
19
Y1
15
20
16
22
4
17
24
u
5m
5m
5m
Figura 39 - Ponte treliada
As variveis de projeto so as reas das vinte e cinco barras alm das

coordenadas dos ns superiores. So tambm impostas condies de simetria,
deste modo, so suficientes treze variveis (A1 at A13) de projeto para a
representao das vinte e cinco reas de barras, alm de cinco variveis (Y1, Y2,
Y3, X1 e X2) para a localizao dos ns superiores, conforme Figura 10. Todos os
ns inferiores so fixos e as treze variveis de projeto referentes s reas
estruturais dos elementos so indicadas na pela seguinte tabela:
Varivel
A1
A2
A3
A4
A5
Elementos
1, 6
2, 5
3, 4
7, 12
8, 11
A6
A7
A8
9, 10 13, 17 14, 16
A9
15
A10
A11
A12
A13
18, 25 19, 24 20, 23 21, 22
Tabela 4 - Relao entre as variveis de projeto e reas dos elementos estruturais
Aplicaes
113
As reas so discretas e retiradas de um conjunto de trinta e duas reas

possveis que foram escolhidas das quarenta e duas indicadas pelo American
Institute of Steel Construction Manual, estando apresentadas na tabela abaixo.
1.62
3.38
5.12
15.5
1.80
3.55
5.74
16.0
1.99
3.87
7.22
16.9
2.13
4.18
7.97
18.8
2.38
4.49
11.5
19.9
2.62
4.59
13.5
22.0
2.88
4.80
13.9
22.9
3.13
4.97
14.2
26.5
Tabela 5 - Conjunto de reas consideradas (in2)
As restries laterais sobre as variveis de projeto correspondentes ao

posicionamento dos ns superiores so:
0,25 m Y1, Y2 e Y3 3,0 m
3,0 m X1, e X2 7,0 m
Os dados considerados para o problema so:

P = 105 N
E = 2,1 x 1011 N/m2
= 7850 Kg/m3
umx. = 0,03 m
| mx. | = 1,3 x 108 N/m2
Operador convencional de mutao.
Operadores de recombinao uniforme com probabilidades para gerao das

mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao.

Aplicaes
114
O problema foi codificado em cromossomos binrios de cento e vinte

posies de comprimento, sendo cinco posies para cada varivel representativa
de rea e nove posies para as demais variveis.
Foi utilizado um mtodo simples de penalidade dado pela expresso

seguinte:
onde:
i o ndice da funo objetivo considerada (1 ou 2);
os valores das constantes ci so: c1=15000 e c2=0,03;
nviol o nmero de violaes de uma dada soluo.
6.3. Resultados
Na figura posterior pode ser vista parte da populao inicial e da gerao

100. Observa-se que na populao inicial existem apenas trs solues viveis,
algumas outras, duas vezes penalizadas, e o restante que no aparece na figura
pelo nmero maior de penalizaes. J na populao correspondente gerao
100 observa-se grande nmero de solues viveis, duas solues uma vez
penalizadas e outras duas vezes penalizadas.
Aplicaes
115
f2
0,120
0,120
0,090
0,090
0,060
0,060
0,030
0,030
0,000
0
15000
30000
45000
60000
0,000
f1
15000
30000
45000
60000
Figura 40 - Populao inicial e da gerao 100 respectivamente
Na figura abaixo apresentado o filtro final do processo de otimizao.
0,035
0,030
0,025
f2
0,020
0,015
0,010
0,005
0,000
0,0
3000,0
6000,0
9000,0
12000,0
15000,0
f1
Figura 41 - Solues armazenadas no filtro final do processo de otimizao
Na prxima figura mostrada a evoluo do processo de minimizao

dos objetivos 1 e 2 respectivamente. Embora pelos grficos apresentados tenha-se
a impresso de que o processo de otimizao possa ser interrompido com um
nmero bem inferior de geraes, preciso destacar que o nmero maior de
geraes importante para a melhor distribuio e definio do conjunto timo de
Pareto.
Aplicaes
116
8000,0
0,018
7000,0
0,015
6000,0
0,012
Peso
5000,0
4000,0
3000,0
0,009
0,006
2000,0
0,003
1000,0
0,000
0,0
0
50
100
150
200
250
300
350
400
450
500
50
100
150
200
250 300
350
400
450
500
Gerao
Gerao
Figura 42 - Evoluo das minimizaes individuais dos objetivos
Nas duas figuras seguintes so apresentadas as formas das solues que

alcanaram os valores mnimos para os objetivos 1 e 2 respectivamente.
10,0
9,0
8,0
7,0
6,0
5,0
4,0
3,0
2,0
1,0
0,0
0,0
5,0
10,0
15,0
20,0
25,0
30,0
25,0
30,0
Figura 43 - Soluo que apresentou o peso mnimo (f1)
10,0
9,0
8,0
7,0
6,0
5,0
4,0
3,0
2,0
1,0
0,0
0,0
5,0
10,0
15,0
20,0
Figura 44 - Soluo que apresentou o deslocamento vertical mnimo (f2)
Aplicaes
117
Os valores numricos bem como as reas das sees transversais podem

ser observadas na tabela abaixo.
Soluo
A1
A2
A3
A4
A5
A6
A7
A8
A9
A10
A11
A12
A13
Y1
Y2
Y3
X1
X2
f1
f2
1
5,12
3,55
5,12
5,12
5,12
5,12
1,62
1,62
1,62
1,62
1,62
1,62
1,62
2,984
2,510
0,594
3,243
6,256
2262,0
0,02997
5
5,12
4,97
5,12
11,50
11,50
5,12
1,62
1,62
1,62
1,62
1,62
1,62
1,62
2,984
2,941
1,283
3,227
6,256
3079,0
0,02027
10
7,22
18,80
7,22
7,22
13,90
14,20
1,62
2,62
3,55
2,38
1,80
1,62
1,99
2,989
2,822
1,924
3,000
6,890
4835,0
0,01148
15
13,90
13,90
14,20
16,00
22,00
22,00
2,62
2,88
16,90
1,62
3,13
1,80
1,62
2,909
2,919
2,360
3,055
6,914
7378,0
0,00610
20
26,50
26,50
26,50
26,50
26,50
26,50
26,50
26,50
26,50
1,62
1,62
1,62
1,62
3,000
3,000
2,833
3,000
7,000
13160,0
0,00322
Tabela 6 - Valores numricos de algumas solues do filtro final armazenado
6.4. Concluses
Este problema s existe na literatura em forma modificada na referncia

[42] e com otimizao simples. A fronteira tima de Pareto encontrada ficou bem
distribuda, facilitando a tarefa de projeto e destacando a importncia de uma
otimizao estrutural, pois so possveis grandes variaes nos objetivos
estudados: peso estrutural e deslocamento central, facilitando sobremaneira a
etapa de projeto.
Aplicaes
118
7. Fronteira de Pareto Descontnua

Este problema multi-objetivo foi um dos apresentados por Schaffer na
referncia [58]. Posteriormente, ele foi tambm resolvido em [06, 25] por outros
algoritmos genticos e autores. O objetivo minimizar as duas funes objetivo
definidas por:
x 1
x
2 + x 1 < x 3
f1 =
4 x 3 < x 4
4 + x x > 4
f2 = (x-5)2
com 10 x 10
Este problema muito utilizado para testar algoritmos por suas

caractersticas particulares, simplicidade e regies no-dominadas disjuntas ou
descontnuas. O conjunto de Pareto determinado pelos intervalos 1 x 2 e 4
x 5.

Aplicaes
119
Nmero de cromossomos para torneio = 3.
O problema foi codificado de maneira binria em cromossomos de trinta

e duas posies de comprimento como utilizado em [58].
7.3. Resultados
Nas prximas trs figuras so apresentadas respectivamente a populao
inicial, a populao da gerao vinte e o filtro final encontrado.
250
200
f2
150
100
50
0
-2
10
f1
Aplicaes
120
200
f2
150
100
50
0
-1
f1
Figura 46 - Populao na gerao 20
20
18
16
14
f2
12
10
8
6
4
2
0
-1
f1
Figura 47 - Filtro final na gerao 100 (20+80)
Durante a resoluo deste problema uma nova melhoria foi desenvolvida

para o algoritmo utilizado, que consta da possibilidade do mesmo funcionar como
um algoritmo do tipo em regime. Isto possvel com a recolocao das solues
armazenadas no filtro corrente na prxima populao. Em geral, este
procedimento deve acelerar o processo de busca durante as geraes e foi
chamado de elitismo do filtro.
Aplicaes
121
O mesmo problema foi resolvido com esta nova metodologia e utilizou a

mesma populao inicial anterior e configuraes, o que permite a comparao de
resultados e a comprovao do melhor desempenho da modificao proposta.
Introduo do elitismo do filtro.
Os novos resultados encontrados so mostrados nas figuras seguintes:
20
18
16
14
f2
12
10
8
6
4
2
0
-1
f1
20,00
18,00
16,00
14,00
12,00
f2
10,00
8,00
6,00
4,00
2,00
0,00
-1,00
0,00
1,00
2,00
f1
Figura 49 - Filtro final na gerao 100 (20+80)
Aplicaes
122
Na tabela abaixo so relacionados os valores da varivel de projeto com

os das funes objetivo das solues finais armazenadas no filtro:
x
1,00
1,08
1,16
1,28
1,40
1,47
1,55
1,63
1,74
1,87
2,00
4,00
4,08
4,18
4,30
4,40
4,53
4,67
4,79
5,00
f1
-1,00
-0,92
-0,84
-0,72
-0,60
-0,53
-0,45
-0,37
-0,26
-0,13
0,00
0,00
0,08
0,18
0,30
0,40
0,53
0,67
0,79
1,00
f2
16,00
15,38
14,77
13,85
12,97
12,43
11,92
11,39
10,64
9,77
9,00
1,00
0,84
0,67
0,50
0,36
0,22
0,11
0,04
0,00
Tabela 7 - Valores da varivel de projeto e das funes objetivo do filtro final
7.4. Concluses
A descontinuidade do conjunto de Pareto, caracterstica que certamente
ocasiona problemas diversos em mtodos da programao matemtica, foi
resolvida normalmente pelo algoritmo desenvolvido, comprovando a robustez da
tcnica.
Os resultados encontrados foram melhores que aqueles apresentados nas
referncias [06, 25, 58], mesmo com a utilizao de uma configurao mais
modesta do algoritmo gentico menor nmero de geraes e tamanho da
populao. Foi utilizado tambm um tamanho de filtro inferior, vinte solues,
para deixar claro a boa distribuio das solues pela fronteira de Pareto.
Uma nova metodologia foi acoplada ao algoritmo durante a resoluo
deste problema o elitismo do filtro que aumenta a presso de seleo e
aumenta a velocidade de convergncia do algoritmo.
Aplicaes
123
8. Funes-teste para Otimizadores Multi-objetivos

Um conjunto de seis funes-teste para problemas multi-objetivo foi
desenvolvido por Deb [71, 72], sendo desde ento o mais elaborado e
diversificado pacote de funes-teste para avaliao e comparao de algoritmos
multi-objetivos que aproximam o conjunto de Pareto.
Nas referncias [71, 72] so comparados oito algoritmos otimizadores:
seis algoritmos genticos multi-objetivos bem conhecidos

(FFGA, NPGA, HLGA, VEGA, NSGA e SPEA);
um algoritmo evolucionrio de otimizao simples (SOEA)

utilizando o mtodo da agregao de pesos somados;
um algoritmo de busca randmica (RAND).

Este trabalho na atualidade a melhor comparao realizada entre
algoritmos otimizadores aplicados problemas multi-objetivos, tanto pelos muitos
algoritmos considerados como pelo conjunto desenvolvido de funes-teste, o
qual aborda uma grande variedade de caractersticas que trazem dificuldades na
resoluo do problema.
Os principais resultados e concluses alcanados com o trabalho [71, 72]
podem ser resumidos pelos itens seguintes, que foram livremente traduzidos das
referncias apontadas:
As funes-teste sugeridas provem complexidade suficiente para

comparar diferentes algoritmos otimizadores multi-objetivo. Funes
multimodais e/ou enganosas [71, 72] so as que causam maiores
dificuldades
para
aproximaes
evolucionrias.
Entretanto,
no-
convexidade tambm uma caracterstica na qual algoritmos baseados na

soma de pesos tendem a apresentar dificuldades.
Aplicaes
124
Uma hierarquia clara surgiu da utilizao dos algoritmos com respeito

distncia at o conjunto de Pareto, estando tal hierarquia apresentada de
forma descendente na lista seguinte:
SPEA (Zitzler and Thiele 1998/1999)
NSGA (Srinivas and Deb 1994)
VEGA (Schaffer 1985)
HLGA (Hajela and Lin 1992)
NPGA (Horn, Nafpliotis and Goldberg 1994)
FFGA (Fonseca and Fleming 1993)
Existe um claro salto de desempenho entre os algoritmos SPEA e NSGA,

assim como entre o algoritmo NSGA e os demais. As fronteiras
encontradas pelos algoritmos VEGA, HLGA, NPGA e FFGA esto muito
prximas entre si. Contudo, os resultados indicam que o VEGA
sensivelmente superior a seus concorrentes diretos, enquanto que o NPGA
atinge fronteiras mais prximas do timo global que o FFGA. Alm disso,
notrio que tanto o VEGA como HLGA apresentam dificuldades na
obteno de fronteiras bem distribudas na funo no-convexa.
Elitismo um fator importante no processo de otimizao evolucionria

multi-objetivos. Fato comprovado pelos seguintes fatores: o algoritmo
SPEA: i) claramente supera todos os demais algoritmos em cinco das seis
funes-teste e ii) o nico algoritmo que incorpora o elitismo como foco
central do processo evolutivo. Por outro lado, o desempenho dos demais
algoritmos melhorou significantemente quando a estratgia de elitismo
presente no SPEA foi a eles incorporada. Preliminarmente, os resultados
mostram que o NSGA com elitismo tem desempenho igual ao SPEA.
Aplicaes
125
As funes-teste desenvolvidas em [71, 72] cobrem as diferentes e

difceis caractersticas presentes em problemas multi-objetivos convexidade,
no-convexidade,
fronteiras discretas ou descontnuas, multimodalidade,
problemas enganosos e espaos de busca tendenciosos. Deste modo, pode-se

efetuar uma comparao sistemtica que considera diferentes tipos de
complexidade e permite concluses sobre quais tcnicas e estratgias levam
vantagens e/ou desvantagens sobre as demais.
Cada uma das funes-teste compreende um problema de minimizao

com dois objetivos e so estruturadas de uma forma nica, isto , definidas como
se segue:
Minimizar
(x) = ( f1 (x1), f2 (x) )
Sujeito a
f2 (x) = g ( x2, ..., xm ) . h ( f1 (x1), g ( x2, ..., xm ) )
Onde
= ( x1, ..., xm )
A funo f1 uma funo apenas da primeira varivel de projeto ou

deciso, g uma funo das (m-1) variveis de projeto restantes e os parmetros
de h so os valores das funes de f1 e g. As funes-teste diferem-se: i) por estas
trs funes; ii) pelo nmero de variveis m e iii) pelo domnio das variveis de
projeto. Assim, as seis funes 1, ..., 6 podem ser introduzidas pelas definies
que se seguem:
Funo-teste 1 que tem uma fronteira tima de Pareto convexa:
f1 (x1)
= x1
g ( x2, ..., xm ) = 1 + 9.i=2,m xi/(m-1)

h (f1, g)
= 1 (f1/g)0.5
onde m = 30 e xi / > @ $ IURQWHLUD tima de Pareto formada com g (x) = 1.
Aplicaes
126
Funo-teste 2 que tem uma fronteira tima de Pareto no-convexa:
f1 (x1)
= x1
g ( x2, ..., xm ) = 1 + 9.i=2,m xi/(m-1)

h (f1, g)
= 1 (f1/g)2
onde m = 30 e xi / > @ $ IURQWHLUD tima de Pareto formada com g (x) = 1.
Funo-teste 3 que tem uma fronteira tima de Pareto discreta, ou seja,

composta por algumas partes descontnuas:
f1 (x1)
= x1
g ( x2, ..., xm ) = 1 + 9.i=2,m xi/(m-1)

h (f1, g)
= 1 (f1/g)0.5 - (f1/g).sin(10 f1)
onde m = 30 e xi / > @ $ IURQWHLUD tima de Pareto formada com g (x) = 1. A

introduo da funo seno em h provoca a descontinuidade da fronteira de Pareto.
Contudo, no existe descontinuidade no espao das variveis de deciso ou
projeto.
Funo-teste 4 que contem 219 fronteiras timas de Pareto e por esta

razo verifica a habilidade do algoritmo de abordar multimodalidade:
f1 (x1)
= x1
g ( x2, ..., xm ) = 1 + 10.(m-1) + i=2,m ( xi2 10.cos(4 xi) )

h (f1, g)
= 1 (f1/g)0.5
onde m = 10, x1 / > @ H x2, ..., xm / >-5, 5]. A fronteira tima de Pareto global
formada com g (x) = 1 e a fronteira local com g (x) = 1.25. Nem todos os
conjuntos timos de Pareto so distinguveis no espao das funes objetivo.
Aplicaes
127
Funo-teste 5 que descreve um problema enganoso, distinguindo-se da

funo-teste 4 pelo fato de xi representar uma cadeia binria:
f1 (x1)
= 1 + u (x1)
g ( x2, ..., xm ) = i=2,m v ( u (xi) )

h (f1, g)
= 1/f1
onde u (xi) retorna o nmero de uns no vetor binrio xi,

v ( u (xi) ) = 2 + u (xi)
1
onde m = 11, x1
30
^ `
se u (xi) < 5 ou
se u (xi) = 5
e x2, ..., xm / ^
`
. A verdadeira fronteira tima de
Pareto formada com g (x) = 10, enquanto que a melhor fronteira tima de Pareto
enganosa representada pelas solues em que g (x) = 11. Tanto a fronteira
global tima de Pareto quanto a local so convexas.
Funo-teste 6 que inclui duas dificuldades causadas pela no

uniformidade do espao de busca: primeiramente, as solues timas de
Pareto no esto uniformemente distribudas ao longo da fronteira global
de Pareto (a fronteira tendenciosa para solues onde f1 (x) est prximo
de um); em segundo lugar, a densidade das solues menor perto da
fronteira tima de Pareto e maior na regio afastada dela:
f1 (x1)
= 1 exp(-4x1).sin6(6 x1)
g ( x2, ..., xm ) = 1 + 9.( (i=2,m xi)/(m-1) )0.25

h (f1, g)
= 1 (f1/g)2
onde m = 10 e xi / > @ $ IURQWHLUD tima de Pareto formada com g (x) = 1 e

no-convexa.
Aplicaes
128
8.2. Metodologia de Comparao
Para testar o algoritmo proposto ele foi utilizado na otimizao das seis
funes-teste apresentadas, atravs de cinco execues aleatrias para cada
problema, para que seus resultados fossem defrontados com os apresentados em
[71, 72, 73], que so decorrentes das cinco primeiras execues do algoritmo
SPEA, o qual se mostrou superior a todos os demais algoritmos utilizados nas
referncias citadas.

Operadores de excluso, adio e otimizao individual (n=2 e n2=2).
Execuo nica (uma s semente para cada execuo independente).
Elitismo do filtro.
As configuraes utilizadas pelos dois algoritmos foram:
Tamanho da populao = 80 + 20 (filtro).
Probabilidade de recombinao = 80%.
Probabilidade de mutao = 1%.
Parmetro de Nicho share = 0.48862 (SPEA apenas).
Presso de dominncia tdom = 10.
Aplicaes
129
Os dois algoritmos utilizam o armazenamento das melhores solues

durante o processo evolutivo elitismo. Assim, a populao de ambos foi dividida
em oitenta cromossomos para a populao corrente e vinte para o armazenamento
das solues elitistas.
Pelos resultados apresentados na referncia [73], d-se a entender que das
cem solues finais foram retirados os indivduos dominados para a formao da
fronteira de Pareto, pois o nmero de solues apresentadas ultrapassa vinte tamanho do filtro. J o resultado do algoritmo desenvolvido foi restringido quele
armazenado no filtro, o que facilita e intensifica a avaliao da uniformidade das
solues encontradas pela fronteira tima de Pareto.
Em todos os problemas cada varivel foi codificada por trinta bits, com
exceo do quinto problema, cujas variveis x2, ..., xm foram codificadas em
apenas cinco bits cada. Estes nmeros indicam que na primeira funo-teste, por
exemplo, so necessrios cromossomos com novecentas posies para codificar as
trinta variveis de projeto do problema.
8.4. Nmero de Avaliaes

Embora os dois algoritmos utilizem elitismo, os mesmos operam de
maneira diferenciada, isto , enquanto o algoritmo SPEA trabalha com uma
populao independente do filtro, o algoritmo PMOGA copia o filtro para a
populao da prxima gerao. Assim, um menor nmero de avaliaes so
realizadas por gerao.
Nas comparaes realizadas nas referncias [71, 72] todos os algoritmos
trabalharam com cem avaliaes por gerao (populao de cem indivduos).
Todavia, como o algoritmo SPEA emprega elitismo ele foi configurado para
trabalhar com oitenta indivduos na populao e vinte no filtro. No ficou claro,
entretanto, qual o nmero de avaliaes realizadas pelo algoritmo: se oitenta ou
cem por gerao. A seguir apresentada uma descrio do nmero de avaliaes
para cada AG:
Aplicaes
130
i) SPEA
Todas as geraes
80 ou 100 avaliaes por gerao. Provavelmente 100, j que

nada foi escrito a respeito nas referncias [71, 72]
ii) PMOGA
Primeira gerao (populao inicial):
80 avaliaes
Demais geraes:
60 avaliaes
8 avaliaes decorrentes do operador de adio
12 avaliaes decorrentes do operador de otimizao individual
Totalizando 80 avaliaes
8.5. Resultados
Os resultados so oriundos de cinco execues aleatrias, destacando que

nas referncias [71, 72] as fronteiras exibidas so resultantes da unio das
fronteiras de cinco execues, depois de retiradas as solues dominadas. Este
procedimento no o ideal, uma vez que a unio de resultados de diferentes
execues pode formar uma boa fronteira de Pareto a partir de duas ou mais
fronteiras de m qualidade. Deste modo, as fronteiras apresentadas nestas
referncias so aqui reapresentadas juntamente com as fronteiras individualizadas
de cada execuo para possibilitar melhores concluses.
So apresentados exemplos de populaes iniciais para cada funo-teste

para ilustrar suas particularidades e dificuldades. Os resultados oriundos da
utilizao do algoritmo proposto esto disponveis na referncia [11].
No problema 3 o algoritmo desenvolvido foi empregado com o operador
de adio ligado, mesmo com a caracterstica de descontinuidade da fronteira de
Aplicaes
131
Pareto do problema, o que poderia provocar dificuldades pelo fato do algoritmo

sempre selecionar duas solues em regies descontnuas como as mais distantes.
Contudo, ainda assim o desempenho do algoritmo foi excelente e os resultados
no foram comprometidos.
Nas figuras das prximas pginas so apresentados os grficos das

anlises realizadas, bem como alguns dos resultados das referncias [71, 72].
Lembrando que as funes-teste apresentam as seguintes caractersticas e/ou
dificuldades:
1 funo convexa;
2 funo no-convexa;
3 funo discreta ou descontnua;
4 funo multimodal;
5 funo enganosa;
6 funo no uniforme ou tendenciosa.
Aplicaes
132
f2
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 50 - Exemplo de populao inicial - 1
Figura 51 - Fronteiras de Pareto comparativas - 1 [72]
Aplicaes
133
1,2
1,0
f2
0,8
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 52 - Resultados das 5 primeiras execues do algoritmo SPEA - 1 [73]

1,2
1,0
f2
0,8
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 53 - Resultados de 5 execues do algoritmo PMOGA - 1 [11]
Aplicaes
134
1,2
1,0
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
f2
0,8
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 54 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 1 [11, 73]
1,2
1,0
f2
0,8
SPEA4
PMOGA1
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 55 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 1 [11, 73]
Aplicaes
135
7
6
5
f2
4
3
2
1
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
136
1,2
1,0
f2
0,8
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1

1,2
1,0
f2
0,8
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
137
1,2
1,0
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
f2
0,8
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
1,2
1,0
f2
0,8
SPEA4
PMOGA1
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
138
f2
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
139
1,5
1,0
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
f2
0,5
0,0
0,0
0,2
0,4
0,6
0,8
1,0
-0,5
-1,0
f1

1,5
1,0
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
f2
0,5
0,0
0,0
0,2
0,4
0,6
0,8
1,0
-0,5
-1,0
f1
Aplicaes
140
1,5
1,0
f2
0,5
0,0
0,0
0,2
0,4
0,6
0,8
1,0
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
-0,5
-1,0
f1
1,2
1,0
0,8
0,6
0,4
0,2
f2
SPEA4
PMOGA1
0,0
0,0
0,2
0,4
0,6
0,8
1,0
-0,2
-0,4
-0,6
-0,8
-1,0
f1
Aplicaes
141
250
200
f2
150
100
50
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
142
12
10
f2
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
0
0,0
0,2
0,4
0,6
0,8
1,0
f1

12
10
f2
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
143
12
11
10
9
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
f2
7
6
5
4
3
2
1
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
4,5
4,0
3,5
3,0
2,5
f2
SPEA4
PMOGA1
2,0
1,5
1,0
0,5
0,0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
144
f2
0
0
10
15
20
25
f1
Aplicaes
145
20
18
16
14
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
f2
12
10
8
6
4
2
0
0
10
15
20
25
30
35
f1

20
18
16
14
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
f2
12
10
8
6
4
2
0
0
10
15
20
25
30
35
f1
Aplicaes
146
20
18
16
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
14
f2
12
10
8
6
4
2
0
0
10
15
20
25
30
35
f1
20
18
16
14
f2
12
SPEA4
PMOGA1
10
8
6
4
2
0
0
10
15
20
25
30
35
f1
Aplicaes
147
10
9
8
7
f2
6
5
4
3
2
1
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Aplicaes
148
1,8
1,6
1,4
1,2
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
f2
1,0
0,8
0,6
0,4
0,2
0,0
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
f1

1,8
1,6
1,4
1,2
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
f2
1,0
0,8
0,6
0,4
0,2
0,0
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
f1
Aplicaes
149
1,8
1,6
1,4
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
PMOGA1
PMOGA2
PMOGA3
PMOGA4
PMOGA5
1,2
f2
1,0
0,8
0,6
0,4
0,2
0,0
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
f1
1,4
1,2
1,0
0,8
f2
SPEA4
PMOGA1
0,6
0,4
0,2
0,0
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
f1
Aplicaes
150
8.6. Concluses
As funes-teste propostas em [71, 72] foram utilizadas em uma vasta

gama de complexidades e caractersticas que tornam de difcil resoluo o
problema de otimizao. Entretanto, os algoritmos apresentaram solues
satisfatrias, que ainda podem ser melhoradas com o ajuste dos parmetros de
configurao para cada problema e algoritmo em particular.
Os problemas alm de complexos apresentam tamanhos considerveis,

uma vez que em alguns deles foram utilizados cromossomos com novecentas
posies binrias. Este valor poderia ser em muito reduzido nestes problemas,
contudo, sua utilizao vem comprovar a aplicabilidade da tcnica para problemas
de grande porte.
Os resultados encontrados com o algoritmo proposto PMOGA foram

na mdia superiores aos obtidos pelo algoritmo SPEA. Um destaque maior sobre
esta observao verificado no problema 6 onde nenhum dos oito algoritmos
utilizados nas comparaes das referncias [71, 72], inclusive o SPEA, resolveram
satisfatoriamente o problema tratado, enquanto que o algoritmo PMOGA obteve
uma boa soluo. Tal fato deve estar associado, principalmente, utilizao dos
operadores multi-objetivos no lugar de uma estratgia de nicho, que modifica os
valores originais das aptides dos indivduos.
Os mnimos individuais de cada objetivo foram melhor aproximados com

o algoritmo PMOGA em funo do operador de otimizao individual, como pode
ser observado no problema teste 5.
Um menor nmero de avaliaes por gerao foi utilizado pelo algoritmo

proposto 80 frente s 100 avaliaes utilizadas pelos algoritmos citados. A
dvida fica por conta do SPEA que poderia, embora pouco provvel, ter utilizado
o mesmo nmero de 80 avaliaes por gerao.
Aplicaes
151
Dentre as principais vantagens do algoritmo proposto frente aos

algoritmos utilizados nas comparaes realizadas em [71, 72] esto:
No utilizao de tcnicas de nicho ou compartilhamento, garantindo que

os valores das funes objetivo so reais, isto , no dependentes da
proximidade ou no de outras solues.
Como uma conseqncia da vantagem anterior, espera-se uma eficincia

maior, ou seja, menor esforo computacional j que alguns clculos
adicionais so dispensados.
No necessidade de se ajustar um parmetro sensvel resoluo do

problema, que o raio de vizinhana - share utilizado nas estratgias de
nicho.
Estrutura simples e intuitiva, contudo, capaz de apresentar solues bem

distribudas pela fronteira tima de Pareto.
Comportamento regular nos mais variados tipos de problemas, mesmo

naqueles com caractersticas que propiciariam o surgimento de enormes
dificuldades,
tais
como:
convexidade,
no-convexidade,
fronteiras
discretas ou descontnuas, multimodalidade, problemas enganosos e

espaos de busca tendenciosa.
Aplicaes
152
9. Curva Tri-objetiva
O problema consiste de 3 funes objetivo de duas variveis que devem

ser simultaneamente minimizadas. A fronteira tima de Pareto do problema uma
curva em 3 dimenses. Este problema tambm apresentado, resolvido e
discutido nas referncias [66, 67].
As funes objetivo do problema so dadas pelas expresses:
f1 (x, y ) = 0.5 * x2 + y 2 + sen x2 + y 2
2
2
(
3 x 2 y + 4 ) (x y + 1)
f 2 (x, y ) =
+
+ 15
f 3 (x, y ) =
27
1
( x 2 y 2 )
e
1
.
1
x2 + y 2 + 1
onde 3 x, y 3
Foi utilizado um cromossomo binrio com 20 posies de comprimento.
Aplicaes
153

O algoritmo foi executado trs vezes com diferentes configuraes, as

quais so descritas na tabela que se segue:
Configurao
Tamanho populao
Tamanho do filtro
Nmero de geraes*
Nmero de sol. Torneio
Prob. de recombinao
Prob. de mutao
Total de avaliaes **
1
80
50
50 + 10
5
90%
5%
3967
2
100
80
90 + 10
5
90%
5%
5914
3
150
100
100 + 50
5
90%
1%
7973
* nmero de geraes padres + adicionais (filtro)

** para cada funo objetivo
Tabela 8 - Configuraes utilizadas do AG
9.3. Resultados
Nas prximas figuras so apresentadas as fronteiras encontradas com o

AG proposto paras as 3 configuraes empregadas, alm da fronteira tima de
Pareto apresentada na referncia [66], como resultado de uma otimizao
completa por todo o espao de busca do problema.
Aplicaes
154
Figura 86 - Fronteira tima de Pareto completa [66]
Figura 87 - Configurao 1 - 50 solues no filtro
Aplicaes
155
Aplicaes
156
9.4. Concluses
A fronteira de Pareto ficou bem identificada em todas as anlises

realizadas, comprovando a robustez do algoritmo e sua escalabilidade para um
maior nmero de funes objetivo.
Comparando-se os resultados encontrados com a fronteira de Pareto

original do problema pode-se concluir que o algoritmo gentico desenvolvido
possibilita a obteno de boas aproximaes da soluo do problema com um
esforo computacional bem inferior, j que uma busca completa por todo o espao
de definio do problema uma tarefa bastante onerosa, sendo para uma vasta
gama de aplicaes uma impossibilidade computacional.
O nmero de avaliaes foi informado para cada anlise com o intuito de

facilitar a realizao de futuras comparaes, pois esta , sem dvida, a melhor
maneira de comparar o desempenho entre algoritmos evolucionrios.
Aplicaes
157
10. Esfera
Este um problema muito interessante ilustrado nas referncias [66, 67]

em conjunto com outras aplicaes elaboradas para otimizao multi-objetivo. Os
principais destaques observados neste problema podem ser enumerados nas
seguintes caractersticas:
i)
presena de 3 objetivos;
ii) um modo simples de quantificar o afastamento da soluo

encontrada da fronteira tima de Pareto (definida pela
superfcie da esfera de raio unitrio no quadrante positivo);
iii) possibilidade de uma fcil visualizao da distribuio
(uniformidade) das solues pela fronteira encontrada;
iv) escalabilidade para um maior nmero de funes objetivo.
O problema formulado segundo a maximizao de trs objetivos

associados trs variveis, tendo como restrio superior a superfcie de uma
esfera de raio unitrio:
Maximize
F = (f1, f2, f3)

f1 = x
f2 = y
f3 = z
Sujeita a
x2+y2+z21
Onde
x, y, z [0, 1]
As variveis foram codificadas num cromossomo de 30 posies de

comprimento com 3 casas de preciso para cada uma delas.
Aplicaes
158

O algoritmo foi executado com duas configuraes diferentes segundo a

tabela que se segue:
Configurao
Tamanho populao
Tamanho do filtro
Nmero de geraes
Prob. de recombinao
Prob. de mutao
100 x 200 x 200

200
100
200
10
90%
1%
300 x 500 x 200

500
300
200
10
90%
1%
10.3. Resultados
Nas prximas figuras so apresentadas graficamente os resultados
encontrados com o algoritmo desenvolvido para as configuraes empregadas.
Aplicaes
159
Nas figuras abaixo so apresentadas trs vistas (superior, lateral e frontal)

da populao inicial utilizada para a primeira configurao do algoritmo 100 x
200 x 200. Assim, pode-se visualizar inclusive as solues infactveis da
populao situadas acima da superfcie descrita por uma esfera de raio unitrio.
Figura 90 - Populao inicial vistas superior e lateral
Figura 91 - Populao inicial vista frontal
Aplicaes
160
Nas figuras abaixo so apresentadas as fronteiras encontradas para a

primeira configurao do algoritmo 100 x 200 x 200. Observe que no existem
solues infactveis no conjunto e que elas esto uniformemente distribudas pela
fronteira.
Figura 92 - Fronteira 100 x 200 x 200 vistas superior e lateral
Figura 93 - Fronteira 100 x 200 x 200 vista frontal
Aplicaes
161

primeira configurao do algoritmo 100 x 200 x 200, sem o emprego dos
operadores multi-objetivos de adio e de otimizao individual. Entretanto, o
operador de excluso obrigatoriamente empregado e garante uma boa soluo
para o problema.
Figura 94 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vistas superior e lateral
Figura 95 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vista frontal
Aplicaes
162

segunda configurao do algoritmo 300 x 500 x 200. Obtm-se uma maior
cobertura da fronteira pelo fato de se adotar um filtro maior.
Figura 96 - Fronteira 300 x 500 x 200 vistas superior e lateral
Figura 97 - Fronteira 300 x 500 x 200 vista frontal
Aplicaes
163
10.4. Concluses
A fronteira de Pareto ficou bem definida em todas as anlises realizadas e

com suas solues uniformemente distribudas, conforme pode ser visualmente
observado, principalmente, pelas vistas frontais das fronteiras apresentadas.
Na Tabela seguinte so apresentados os resultados numricos das

execues realizadas, destacando-se a medida de afastamento das solues
presentes no filtro final encontrado com relao fronteira de Pareto do problema
(superfcie da esfera). Deste modo, pode-se atravs do afastamento mdio, que
leva em considerao o nmero de solues adotadas no filtro, estabelecer-se uma
quantificao deste afastamento que poder servir como medida de comparao
entre os resultados aqui apresentados, bem como os futuros resultados
encontrados por outros algoritmos.
Configurao*
Nm. de Avaliaes
Nm. de Solues
Afast. Total***
Afast. Mdio****
Afast. Mdio %
Pop. Inicial
200
200
87,588
0,438
43,80%
300 x 500 x 200

100 x 200 x 200
Normal
Sem Oper. MO**
Normal
26339
20359
47446
100
100
300
2,440
2,869
4,785
0,024
0,029
0,016
2,40%
2,90%
1,60%
* tamanho do filtro x tamanho da populao x nmero de geraes

** com emprego apenas do operador de excluso
NSolues
*** Afastamento Total =
i =1
[1 (x i + y i + z i )]
2
**** Afastamento Mdio = Afastamento Total / Nmero de Solues

Tabela 10 - Resultados nmericos encontrados avaliaes e afastamento
Como era de se esperar, observa-se que os operadores multi-objetivos

melhoram alm da distribuio das solues pela fronteira, tambm o afastamento
fronteira de Pareto do problema, como uma conseqncia do maior nmero de
avaliaes, o que caracteriza o processo evolutivo implementado.
Aplicaes
164
11. Cubo 8 Funes Objetivo
Este problema indito
tem como
principal objetivo
avaliar a
escalabilidade dos otimizadores multi-objetivos com relao ao aumento do

nmero de funes. Por isso, ele caracterizado pela minimizao de oito funes
objetivo que avaliam a distncia das solues, pontos no espao tridimensional,
em relao aos vrtices de um cubo de lado meio, inserido dentro de um outro
cubo de lado unitrio que define o espao de busca do problema, conforme os
modelos seguintes:
Minimize
fi = | x xi | + | y yi | + | z zi |
i = 1, 2, ..., 8 (vrtices)
Onde
x, y, z [0, 1]
Coordenadas dos vrtices:

vrtice 1 (0.25, 0.25, 0.25)
vrtice 2 (0.75, 0.25, 0.25)
vrtice 3 (0.25, 0.75, 0.25)
vrtice 4 (0.25, 0.25, 0.75)
vrtice 5 (0.75, 0.75, 0.25)
vrtice 6 (0.75, 0.25, 0.75)
vrtice 7 (0.25, 0.75, 0.75)
vrtice 8 (0.75, 0.75, 0.75)
As variveis foram codificadas num cromossomo de 30 posies de

comprimento com 3 casas de preciso para cada uma delas.
Aplicaes
165
A visualizao espacial do problema pode ser vista pela Figura seguinte:
Figura 98 - Modelo espacial problema do cubo


Foram empregadas trs configuraes distintas segundo a tabela abaixo:
Configurao
Tamanho populao
Tamanho do filtro
Nmero de geraes
Prob. de recombinao
Prob. de mutao
Nmero de Avaliaes
1
20
8
20+880
10
90%
2%
24260
2
100
50
500+500
10
90%
2%
73102
3
200
100
200+800
10
90%
2%
60220
Aplicaes
166
11.3. Resultados
Nas Figuras seguintes so apresentadas as populaes iniciais utilizadas

pela primeira configurao do algoritmo 8 x 20 x 20+880.
A finalidade desta configurao avaliar a capacidade do algoritmo em

encontrar os timos individuais de cada funo objetivo, o que possibilita ao
tomador de decises uma primeira impresso do problema a ser resolvido e o
conhecimento preliminar do espao vivel e de busca do mesmo.
Figura 99 - Populao inicial (1) vistas espaciais
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
1.0
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Figura 100 - Populao inicial (1) projees planas
Aplicaes
167
Nas prximas Figuras so apresentadas as solues da primeira

configurao do algoritmo, que so os timos individuais de cada funo objetivo
do problema.
Figura 101 - Solues encontradas (1) vistas espaciais
1.0
0.8
0.8
0.8
0.6
0.6
0.6
1.0
1.0
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
0.0
1.0
0.2
0.4
0.6
0.8
1.0
Figura 102 - Solues encontradas (1) projees planas
Quando as funes objetivo so combinadas duas a duas ocorrem trs

disposies: retangular (inclinada) crescente, retangular decrescente e reta
2.0
2.0
1.5
1.5
1.5
1.0
0.5
f8
2.0
f5
f2
decrescente, conforme a Figura que se segue:
1.0
0.5
0.0
0.5
0.0
0.0
0.5
1.0
f1
1.5
2.0
1.0
0.0
0.0
0.5
1.0
1.5
2.0
0.0
0.5
f1
1.0
1.5
2.0
f1
Figura 103 - Disposies possveis dos objetivos combinados 2 a 2
Aplicaes
168
Estas disposies acontecem segundo as regras definidas abaixo:
Retangular crescente Quando os vrtices relativos s funes

objetivo esto separados por apenas uma aresta do cubo so
vrtices extremos de uma mesma aresta.
Retangular decrescente Quando os vrtices relativos s funes

objetivo esto separados por duas arestas do cubo so vrtices
diagonais de uma mesma face.
Reta decrescente Quando os vrtices relativos s funes

objetivo esto separados por trs arestas do cubo so vrtices
diagonais dele.

pela segunda configurao do algoritmo 50 x 100 x 500+500.
1.0
0.8
0.8
0.8
0.6
0.6
0.6
1.0
1.0
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Aplicaes
169
Nas Figuras abaixo so mostradas as solues encontradas pela segunda

configurao do algoritmo.
Figura 107 - Solues encontradas (2) vista espacial inclinada
1.0
0.8
0.8
0.8
0.6
0.6
0.6
1.0
1.0
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Aplicaes
170
No conjunto de vinte e oito Figuras seguintes so apresentados os
2.0
2.0
1.5
1.5
1.5
1.0
0.5
f4
2.0
f3
f2
grficos das oito funes objetivo combinadas duas a duas.
1.0
0.5
0.0
0.5
0.0
0.0
0.5
1.0
1.5
2.0
0.0
0.0
0.5
1.5
2.0
0.0
2.0
1.5
1.5
1.5
1.0
f7
2.0
1.0
0.5
0.0
0.5
1.0
1.5
2.0
0.5
1.0
1.5
2.0
0.0
1.5
1.5
1.5
f4
2.0
f3
2.0
1.0
0.5
0.5
1.0
1.5
2.0
0.5
1.0
1.5
2.0
0.0
1.5
1.5
1.5
f7
2.0
f6
2.0
1.0
0.5
0.5
1.0
f2
1.5
2.0
1.0
1.5
2.0
1.5
2.0
1.0
0.5
0.0
0.0
0.5
f2
2.0
0.0
2.0
1.0
f2
0.5
1.5
0.0
0.0
f1
1.0
1.0
0.5
0.0
0.0
0.5
f1
2.0
0.0
2.0
1.0
f1
0.5
1.5
0.0
0.0
f1
1.0
1.0
0.5
0.0
0.0
0.5
f1
2.0
0.5
f8
1.0
f1
f6
f5
f1
f5
1.0
0.0
0.0
0.5
1.0
1.5
2.0
f2
0.0
0.5
1.0
f2
Figura 109 - Funes objetivo combinadas (2)
Aplicaes
171
2.0
1.5
1.5
1.5
1.0
0.5
f5
2.0
f4
f8
2.0
1.0
0.5
0.0
0.5
0.0
0.0
0.5
1.0
1.5
2.0
0.0
0.0
0.5
1.5
2.0
0.0
2.0
1.5
1.5
1.5
1.0
f8
2.0
1.0
0.5
0.0
0.5
1.0
1.5
2.0
0.5
1.0
1.5
2.0
0.0
1.5
1.5
1.5
f7
2.0
f6
2.0
1.0
0.5
0.5
1.0
1.5
2.0
0.5
1.0
1.5
2.0
0.0
1.5
1.5
1.5
f7
2.0
f6
2.0
1.0
0.5
0.5
1.0
f4
1.5
2.0
1.0
1.5
2.0
1.5
2.0
1.0
0.5
0.0
0.0
0.5
f4
2.0
0.0
2.0
1.0
f4
0.5
1.5
0.0
0.0
f4
1.0
1.0
0.5
0.0
0.0
0.5
f3
2.0
0.0
2.0
1.0
f3
0.5
1.5
0.0
0.0
f3
1.0
1.0
0.5
0.0
0.0
0.5
f3
2.0
0.5
f5
1.0
f3
f7
f6
f2
f8
1.0
0.0
0.0
0.5
1.0
1.5
2.0
f5
0.0
0.5
1.0
f5
Aplicaes
172
2.0
1.5
1.5
f7
f8
2.0
1.0
0.5
1.0
0.5
0.0
0.0
0.0
0.5
1.0
1.5
2.0
0.0
0.5
1.0
1.5
2.0
1.5
2.0
f6
2.0
2.0
1.5
1.5
f8
f8
f5
1.0
0.5
1.0
0.5
0.0
0.0
0.0
0.5
1.0
1.5
2.0
f6
0.0
0.5
1.0
f7

pela terceira configurao do algoritmo 100 x 200 x 200+800.
Aplicaes
173
1.0
0.8
0.8
0.8
0.6
0.6
0.6
1.0
1.0
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.4
0.6
0.8
0.0
1.0
0.2
0.4
0.6
0.8
1.0
Nas Figuras abaixo so mostradas as solues encontradas pela terceira

configurao do algoritmo.
1.0
0.8
0.8
0.8
0.6
0.6
0.6
1.0
1.0
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Aplicaes
174
11.4. Concluses
Este problema mostrou-se interessante por vrios aspectos. O primeiro

deles por comprovar a escalabilidade do algoritmo proposto quando do aumento
do nmero de funes objetivo, sendo uma boa contribuio para o meio tcnico
que era at ento carente de problemas desta natureza.
Um segundo ponto relevante o emprego do operador de otimizao

individual, o qual permite numa anlise preliminar (como na primeira anlise
realizada) uma clara visualizao do espao de busca e/ou do espao vivel do
problema, mesmo que seja pela combinao das funes objetivo como
apresentado nesta aplicao.
Uma terceira caracterstica que torna este problema interessante o fato

de que mesmo tendo oito objetivos ele permite a visualizao tridimensional das
solues encontradas pelo algoritmo multi-objetivo estudado, facilitando
sobremaneira as anlises a serem feitas.
Finalmente, pelos resultados apresentados conclui-se que o algoritmo

desenvolvido conseguiu bons resultados, j que as solues encontradas no s
otimizaram bem os objetivos individualmente mas foram tambm bem
distribudas pela regio tima do problema cubo interno menor.
Aplicaes
175
12. Trelia de 47 barras

A trelia utilizada nesta aplicao foi tambm descrita e analisada em
[44] com um s objetivo o peso estrutural. Na pgina seguinte apresentada
uma trelia de referncia extrada de [44] para uma melhor compreenso do
problema.
Foi considerado apenas o caso misto [44], isto , as variveis de forma
so contnuas no intervalo definido pela tabela das variveis de forma, enquanto
que as variveis de rea so discretas e obtidas no conjunto T={0.1, 0.2, 0.3, ...,
50.0}. Alm disso, somente as tenses normais foram tomadas como restries do
problema.
Tanto a nomenclatura das variveis de rea e de forma, quanto a
numerao dos ns e elementos estruturais foram mantidos iguais aos utilizados
em [44].
A trelia est sujeita a 3 carregamentos conforme mostra a tabela abaixo:
Carregamento
1
2
3
N
17
22
17
22
17
22
Fx
6000.0
6000.0
6000.0
0.0
0.0
6000.0
Fy
-14000.0
-14000.0
-14000.0
0.0
0.0
-14000.0
Tabela 12 - Dados de carregamento cargas em lb
As propriedades do material e as restries so apresentadas na tabela

seguinte:
Propriedade
Mdulo de Elasticidade
Tenses Admissveis de Trao
Tenses Admissveis de Compresso
Massa Especfica
Valor
30000000.0 psi
20000.0 psi
-15000.0 psi
0.3 lb/in^3
Tabela 13 - Propriedades do material e restries
Aplicaes
176
Figura 116 - Trelia de referncia com 47 barras [44]
Aplicaes
177
Os ns 15, 16, 17 e 22 so fixos, enquanto que os ns 1 e 2 so semifixos, pois podem ter suas coordenadas alteradas em relao ao eixo-x, conforme
a tabela abaixo:
N
1
2
15
16
17
22
Coord. X Coord. Y
varivel
0.0
varivel
0.0
-90.0
570.0
90.0
570.0
-150.0
600.0
150.0
600.0
Tabela 14 - Ns fixos e semi-fixos coordenadas em in
Todos os demais ns so livres para terem suas coordenadas alteradas em

relao aos eixos x e y. Deste modo, foram utilizadas 44 variveis 27 de rea e
17 de forma que foram codificadas em um cromossomo binrio de 373 posies
de comprimento.
Pela imposio da simetria vertical (eixo-y) trelia, conseguiu-se

reduzir o nmero de variveis de rea para 27. Assim, na tabela abaixo so
relacionadas as variveis de rea com as reas dos elementos por elas
representadas:
Varivel
A3
A4
A5
A7
A8
A10
A12
A14
A15
A18
A20
A22
A24
A26
rea/Elemento
A1, A3
A2, A4
A5, A6
A7
A8, A9
A10
A11, A12
A13, A14
A15, A16
A17, A18
A19, A20
A21, A22
A23, A24
A25, A26
Varivel
A27
A28
A30
A31
A33
A35
A36
A38
A40
A41
A43
A45
A46
rea/Elemento
A27
A28
A29, A30
A31, A32
A33
A34, A35
A36, A37
A38
A39, A40
A41, A42
A43
A44, A45
A46, A47
Tabela 15 - Variveis de rea
Aplicaes
178
A nomenclatura das 17 variveis de forma e seus respectivos limites,

inferior e superior (restries laterais), so apresentadas na tabela seguinte:
Varivel
X2
X4
Y4
X6
Y6
X8
Y8
X10
Y10
Lim. Inf. Lim. Sup.

60.0
120.0
60.0
120.0
100.0
140.0
60.0
120.0
230.0
270.0
60.0
120.0
330.0
370.0
30.0
60.0
380.0
440.0
Varivel
X12
Y12
X14
Y14
X20
Y20
X21
Y21
Lim. Inf. Lim. Sup.

30.0
60.0
460.0
490.0
30.0
60.0
500.0
540.0
10.0
40.0
570.0
630.0
70.0
110.0
600.0
650.0
Tabela 16 - Variveis de forma

Constantes de penalizao: c1 = 3000.0 e c2 = 3.0

O algoritmo foi executado trs vezes alterando-se o nmero de geraes,
conforme mostrado na prxima tabela:

Configurao
1
2
Tamanho populao
50
50
Tamanho do filtro
20
20
Nmero de geraes*
1000
5000
10
10
Prob. de recombinao
90%
90%
Prob. de mutao
1%
1%
Total de avaliaes **
52034
260167
* nmero de geraes padres + adicionais (filtro)
3
50
20
5000+25000
10
90%
1%
810167
** para cada funo objetivo

Aplicaes
179
12.3. Resultados
Nas figuras que se seguem so mostradas respectivamente a populao
inicial e a populao correspondente gerao 5000. Pode-se observar que no
existem solues viveis na populao inicial, fato que no compromete,
entretanto, a resoluo do problema, j que tais solues viveis so encontradas
naturalmente durante o processo evolutivo que possibilita a convergncia das
populaes para a regio tima.
90
80
70
f2
60
50
40
30
20
10
0
0
10000
20000
30000
40000
50000
60000
70000
80000
f1
60
50
f2
40
30
20
10
0
0
10000
20000
30000
40000
50000
60000
f1
Aplicaes
180
Na figura seguinte so mostradas as fronteiras de Pareto encontradas por

cada uma das trs configuraes utilizadas. Deve-se observar que foi empregada
uma mesma semente inicial para o procedimento de gerao randmica de
nmeros, garantindo-se deste modo que a diferena observada nestas fronteiras
seja fruto, nico e exclusivamente do acrscimo de geraes.
2.0
1.8
1.6
1.4
f2
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
1000
2000
3000
4000
5000
6000
7000
8000
f1
ger=1000 aval=52034
ger=5000 aval=260167
ger=5000+25000(filtro) aval=810167
Figura 119 - Fronteiras obtidas das 3 configuraes utilizadas
Todas as fronteiras ficaram bem definidas e razoavelmente uniformes,

sendo uma excelente orientao para o tomador de decises, que deve ser um
especialista no problema tratado.
Com
um
nmero
relativamente
pequeno
de
geraes,
conseqentemente de avaliaes, j foi possvel obter-se uma boa fronteira de

Pareto, que fornece muita informao para o especialista do problema. Assim,
segundo suas escolhas particulares, que iro variar caso a caso, pode-se empregar
um otimizador simples (para uma nica funo objetivo) para encontrar uma
soluo melhor qualificada para o problema.
Aplicaes
181
Na tabela abaixo so mostrados os valores numricos das funes

objetivo do problema abordado para a configurao 3 (5000 geraes
convencionais mais 25000 geraes adicionais atuantes no filtro). Deste ponto em
diante do trabalho, todos os resultados apresentados sero relativos a esta
configurao.
Soluo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
f1
1707.13
1808.61
1868.62
2026.17
2112.44
2261.26
2434.61
2627.21
2907.54
3113.25
3435.34
3707.83
4106.12
4474.96
4944.66
5431.15
5932.06
6556.07
6961.31
7361.39
f2
1.682
1.558
1.404
1.272
1.069
0.975
0.941
0.749
0.624
0.548
0.532
0.467
0.441
0.407
0.355
0.333
0.311
0.308
0.303
0.299
Tabela 18 - Valores das funes objetivo do filtro final
Na pgina seguinte so mostradas as figuras que mostram em diferentes

escalas o processo evolutivo da minimizao do peso da trelia ao longo das
geraes.
Na Tabela 16 so mostrados os valores numricos das variveis de
projeto de algumas solues do problema abordado. Cabendo ressaltar que,
embora seja mostrada a soluo obtida pela referncia [44] a ttulo de orientao,
nenhuma comparao direta pode ser realizada, j que nesta referncia o problema
foi resolvido com um nico objetivo, o peso, e por um algoritmo de codificao
real. Inclusive, esta uma recomendao para futuros trabalhos, isto , modificar
a metodologia apresentada neste trabalho para operar sobre codificao real que
parece ser mais eficiente e de maiores possibilidades de expanso a problemas de
grande porte.
Aplicaes
182
Figura 120 - Minimizao do peso durante as 30000 geraes
7000
6000
5000
f1
4000
3000
2000
1000
0
0
50
100
150
200
ger
Figura 121 - Minimizao do peso, em escala reduzida, durante as 200 primeiras geraes
Figura 122 - Minimizao do peso, em escala reduzida, durante as 30000 geraes
Aplicaes
183
Varivel
A3
A4
A5
A7
A8
A10
A12
A14
A15
A18
A20
A22
A24
A26
A27
A28
A30
A31
A33
A35
A36
A38
A40
A41
A43
A45
A46
X2
X4
Y4
X6
Y6
X8
Y8
X10
Y10
X12
Y12
X14
Y14
X20
Y20
X21
Y21
f1 (lb)
f2 (in)
Solues do Filtro Final Encontrado

5
10
15
20
3.2
3.2
5.2
6.3
6.3
2.4
2.6
6.0
4.7
6.3
0.4
0.4
0.4
0.4
0.4
0.1
0.2
0.4
1.5
6.3
0.8
0.8
0.8
1.5
6.3
1.6
1.9
2.1
4.7
6.3
3.2
3.3
4.3
6.3
6.3
0.5
0.5
1.4
2.9
6.3
0.8
1.6
2.1
4.7
6.3
1.6
1.6
2.9
5.7
6.3
0.4
0.4
0.6
0.5
0.5
0.8
2.0
4.3
6.3
6.3
1.6
3.2
3.4
4.7
6.3
1.6
1.7
2.8
6.3
6.3
1.6
1.6
4.3
6.3
6.3
0.1
0.3
0.6
1.8
4.8
3.2
3.7
6.1
6.3
6.3
0.4
0.8
1.2
2.8
6.4
0.1
0.1
0.1
1.4
6.3
3.2
3.3
4.0
6.4
6.4
0.4
0.8
0.4
0.4
0.4
0.1
0.1
0.1
0.7
6.3
3.2
3.2
4.5
5.5
6.3
0.4
0.8
0.9
0.4
0.4
0.1
0.1
0.5
1.3
1.7
3.2
3.3
3.7
6.0
6.3
0.2
0.2
0.4
0.3
0.3
104.10
104.70
116.40
119.20
119.10
90.00
90.36
105.90
108.70
108.70
140.00
117.40
129.60
130.00
130.00
67.50
67.56
88.93
100.70
100.50
260.50
256.10
269.80
270.00
269.70
60.00
64.86
77.27
94.19
94.22
336.00
347.10
351.50
338.80
339.10
48.75
56.56
59.79
59.65
60.00
410.00
427.30
438.90
440.00
440.00
45.00
54.92
58.13
58.95
58.95
460.00
464.80
460.90
460.20
460.20
48.75
58.37
59.71
59.53
60.00
530.00
524.20
523.60
500.10
500.00
17.50
11.90
14.19
10.06
10.06
592.50
599.00
628.00
622.40
630.00
105.60
108.20
97.01
90.84
92.16
609.40
635.50
635.20
650.00
650.00
1707.13 2112.44 3113.25 4944.66 7361.39
1.682
1.069
0.548
0.355
0.299
1
Ref. **
3.8
3.4
0.8
0.9
0.9
1.8
2.1
1.2
1.6
2.1
0.7
0.9
1.7
1.7
1.4
0.9
3.7
1.5
0.7
2.9
0.7
1.6
3.7
1.6
0.7
4.5
1.6
60.0
60.0
120.0
60.0
240.0
60.0
360.0
30.0
420.0
30.0
480.0
30.0
540.0
30.0
600.0
90.0
600.0
2446.8
2.745
Lemonge*
2.4
2.3
0.4
0.1
0.6
0.9
1.6
0.5
0.7
1.3
0.3
0.9
1.0
0.9
0.6
0.1
2.4
0.3
0.1
2.7
0.3
0.1
3.0
0.3
0.1
3.3
0.2
97.76432
85.10024
121.5425
71.52607
261.4962
65.94714
334.0145
57.47306
414.883
50.13195
466.5514
48.77601
508.6798
16.88877
606.7329
87.71766
628.7389
1432.993
1.583
* Otimizao simples de f1 referncia [44]

** Trelia de referncia Figura 89
Tabela 19 - Valores das variveis de projeto de algumas solues do problema
Aplicaes
184
Nas figuras que se seguem so mostradas as formas estruturais

encontradas para algumas das solues armazenadas no filtro final, bem como a
forma da soluo apresentada na referncia [44].
Nas Tabelas 17 e 18 que vm na seqncia so apresentadas as tenses

normais decorrentes da aplicao dos trs casos de carregamento para as solues
1 e 20 do filtro final, respectivamente as solues de menor e maior peso do filtro
encontrado.
600
600
550
550
500
500
450
450
400
400
350
350
650
650
300
300
250
250
200
200
150
150
100
100
50
50
0
-150 -100 -50
50
100
0
-150 -100 -50
150
50
100
150
Figura 123 - Forma da soluo tima da referncia [44] e da soluo 1 do filtro, respectivamente
Aplicaes
185
600
600
550
550
500
500
450
450
400
400
350
350
650
650
300
300
250
250
200
200
150
150
100
100
50
50
0
-150 -100 -50
50
100
0
-150 -100 -50
150
50
100
150
100
150
Figura 124 - Formas das solues 5 e 10 do filtro, respectivamente
600
600
550
550
500
500
450
450
400
400
350
350
650
650
300
300
250
250
200
200
150
150
100
100
50
50
0
-150 -100 -50
50
100
0
-150 -100 -50
150
50
Figura 125 - Formas das solues 15 e 20 do filtro, respectivamente
Aplicaes
186
Tenses normais - Sol. 1 - Carregamentos 1, 2 e 3

Barra
sigma - C1
sigma - C2
sigma - C3
1
2239.85
-5908.97
8148.81
2
553.69
-9092.79
9646.47
3
-10937.60
1563.94
-12501.54
4
-10829.74
3938.75
-14768.49
5
11880.34
10675.43
1204.94
6
-13182.59
-11391.81
-1790.76
7
7878.62
3792.04
4086.62
8
6976.29
1653.39
5322.88
9
-14022.91
-5096.58
-8926.34
10
-13116.75
-6277.13
-6839.68
11
-8489.93
-8489.91
0.03
12
-8912.03
0.01
-8912.03
13
15725.66
-2441.20
18166.84
14
-1435.59
9450.52
-10886.09
15
-3861.82
10937.45
-14799.25
16
11831.26
-7698.69
19529.91
17
-14992.57
-14992.62
0.07
18
-12498.30
-0.01
-12498.29
19
-12105.01
-12105.09
0.03
20
-4038.58
-0.02
-4038.51
21
-9074.27
-9074.32
0.11
22
-14023.89
0.02
-14023.88
23
9874.00
9873.91
-0.03
24
15259.63
0.00
15259.60
25
11536.68
11536.67
0.01
26
17829.27
-0.01
17829.28
27
12042.29
4120.74
7921.52
28
-7062.04
-3468.80
-3593.23
29
3472.20
-4434.57
7906.76
30
-12263.64
36.96
-12300.60
31
6284.29
12128.84
-5844.54
32
-7115.00
-12517.64
5402.65
33
10043.35
4999.63
5043.73
34
4512.11
-2933.84
7445.95
35
-13254.74
-1436.87
-11817.88
36
8873.54
9202.47
-328.93
37
-9661.31
-9605.85
-55.46
38
-8004.45
-3993.26
-4011.19
39
5283.09
-1685.41
6968.49
40
-14058.59
-2702.62
-11355.97
41
192.16
8097.93
-7905.77
42
-1819.05
-8907.84
7088.79
43
10798.08
5395.96
5402.12
44
5776.10
-527.85
6303.94
45
-14716.41
-3942.24
-10774.17
46
18719.75
16112.44
2607.31
47
-14744.86
-14126.98
-617.88
Tabela 20 - Tenses normais da soluo 1 do filtro
Aplicaes
187
Tenses normais - Sol. 20 - Carregamentos 1, 2 e 3

Barra
sigma - C1
sigma - C2
sigma - C3
1
177.31
-2717.80
2895.12
2
-132.34
-2860.75
2728.41
3
-4627.86
492.28
-5120.14
4
-3979.91
822.52
-4802.43
5
13225.96
8952.44
4273.53
6
-13220.48
-8924.99
-4295.48
7
328.70
190.54
138.16
8
532.07
159.88
372.19
9
-1583.63
-742.03
-841.60
10
-1037.33
-609.55
-427.79
11
-3496.50
-3496.50
-0.01
12
-2908.09
-0.01
-2908.08
13
1554.66
363.89
1190.77
14
-725.28
236.85
-962.14
15
-522.20
740.51
-1262.71
16
1281.11
-251.15
1532.27
17
-2495.48
-2495.50
0.00
18
-1146.29
0.00
-1146.28
19
-14072.60
-14072.49
-0.10
20
956.68
0.05
956.61
21
-1427.85
-1427.85
0.00
22
-2206.71
-0.01
-2206.69
23
1691.51
1691.51
0.00
24
2614.19
0.00
2614.18
25
1356.72
1356.75
0.01
26
2096.85
0.02
2096.83
27
1230.19
204.15
1026.08
28
-194.35
-97.93
-96.41
29
664.10
-2068.41
2732.51
30
-4802.87
-0.75
-4802.12
31
-384.34
714.61
-1098.96
32
-559.61
-1186.95
627.33
33
854.23
427.22
427.00
34
650.32
-1368.64
2018.95
35
-5050.45
-831.42
-4219.03
36
11732.88
8459.18
3273.70
37
-11390.83
-8288.06
-3102.77
38
95.77
47.88
47.89
39
1426.96
-885.13
2312.09
40
-5834.02
-1318.38
-4515.64
41
13370.84
8459.30
4911.54
42
-14647.44
-9097.60
-5549.85
43
30.56
15.28
15.28
44
2255.81
-343.16
2598.97
45
-6689.10
-1873.47
-4815.63
46
13868.76
9770.59
4098.17
47
-14941.84
-10307.12
-4634.71
Tabela 21 - Tenses normais da soluo 20 do filtro
Aplicaes
188
Como foi sugerido anteriormente, a otimizao multi-objetivos deve

sempre que possvel ser empregada, pois ela fornece informaes importantes ao
especialista do problema tratado que podem auxilia-lo na escolha adequada de
suas solues.
Alm disso, a otimizao multi-objetivos dever cada vez mais se tornar
um procedimento padro, j que os problemas se tornam sempre maiores e mais
complexos, no permitindo mais a estes especialistas a obteno de solues
oriundas de sua prvia experincia com rigorosos ganhos de custo e/ou segurana,
como pode ser disponibilizado com o emprego da otimizao.
Como conseqncia destes fatores, espera-se diminuir o tempo de projeto
e com isso o tempo utilizado pelos especialistas, que tero ao longo dos anos os
seus custos de trabalho aumentados, enquanto que o custo computacional tende a
diminuir com o avano da capacidade computacional e da tecnologia de uma
forma geral.
Para facilitar a deciso destes especialistas podem e devem ser utilizadas
etapas intermedirias da otimizao multi-objetivos com o intuito de diminuir o
leque de solues para o problema especfico a ser resolvido. Assim, o tomador de
decises, conforme suas necessidades, pode definir novos limites para as funes
objetivo, o que realizado numericamente pela introduo de novas restries ao
problema original.
Para exemplificar este procedimento, foi estabelecido como condio
para o corrente problema analisado, o intervalo de interesse dos pesos estruturais:
peso [2750, 3250], informao que pode e deve ser introduzida pelo especialista
do problema a ser resolvido na vida prtica.
Com a introduo desta nova informao, o problema foi mais uma vez
resolvido com a mesma configurao (3) e tem seus resultados apresentados nas
prximas figuras. Este procedimento poderia se repetir quantas vezes fossem
necessrias, at mesmo o emprego de uma otimizao simples (um s objetivo)
com restries que garantissem as pr-escolhas do especialista poderia ser
utilizada para a certeza de uma otimizao rigorosa.
Aplicaes
189
2 .0
1 .8
1 .6
1 .4
f2
1 .2
1 .0
0 .8
0 .6
0 .4
0 .2
0 .0
0
1 00 0
2 00 0
3 00 0
4 00 0
5 00 0
6 00 0
7 00 0
8 00 0
7000
8000
f1
Figura 126 - Filtro final gerao 5000 + 25000
2.0
1.8
1.6
1.4
f2
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
1000
2000
3000
4000
5000
6000
f1
Figura 127 - Filtro final orientado no espao de busca
0.7
f2
0.6
0.5
0.4
2750
2800
2850
2900
2950
3000
3050
3100
3150
3200
3250
f1
Figura 128 - Detalhe do filtro final orientado
Aplicaes
190
12.4. Concluses
O problema descrito relativamente difcil pela grande taxa de solues

inviveis existente, j que as restries sobre tenses impostas so bastante
restritivas, alm disto, h um grande e complexo espao de busca a ser
pesquisado, pois enquanto uma melhor barra encontrada uma outra coordenada
pode simultaneamente tornar a soluo infactvel. Ainda assim, todas as solues
apresentadas respeitam rigorosamente as restries impostas no problema.
O algoritmo empregado em [44] do tipo em regime (steady-state) com

codificao real. Alm de ter utilizado uma populao de 1200 indivduos que
totalizaram 480000 avaliaes para cada uma das 10 execues realizadas com o
algoritmo l apresentado.
Em anlises preliminares realizadas, foi verificado que o algoritmo

desenvolvido alcanou melhores resultados trabalhando com populaes menores
cerca de 50 indivduos por um maior nmero de geraes, embora
configuraes semelhantes s utilizadas em [44] tambm resolvessem o problema.
Alm disso, populaes menores proporcionam reduo computacional na etapa
do teste de dominncia das solues da populao.
Os resultados podem ser melhorados com o aumento do nmero de

geraes, inclusive no que diz respeito aos timos individuais de cada funo
objetivo. Deste modo, poder-se-ia encontrar solues mais prximas da
apresentada em [44], mesmo no sendo esta a filosofia prioritria da otimizao
multi-objetivos.
Os resultados de [44] no podem ser comparados com os resultados

encontrados pelo algoritmo proposto, uma vez que o mesmo tem carter multiobjetivo. Entretanto, eles so aqui apresentados para servirem como orientao de
anlise em relao aos resultados multi-objetivos encontrados.
Aplicaes
191
preciso destacar que pelo fato do problema multi-objetivo proposto

apresentar um espao de busca muitas vezes mais abrangente e complexo que o
seu correspondente problema de um s objetivo (peso), razovel esperar um
nmero bastante superior de avaliaes para a soluo do problema, j que a cada
gerao existem variadas direes de busca para serem pesquisadas.
Outro fator importante o fato do algoritmo desenvolvido operar sobre

cromossomos binrios, caracterstica que lhe permitiu ser empregado na anlise de
alguns problemas que o requeriam, como o prprio conjunto das funes-teste
para otimizadores multi-objetivos.
Apesar destes fatores, os resultados encontrados com o algoritmo

PMOGA foram razoveis e possibilitaram a obteno de fronteiras bem definidas
e uniformes.
Uma sugesto para estudos futuros o desenvolvimento de um algoritmo

semelhante ao PMOGA mas operando sobre uma codificao real, o que dever
prover uma maior eficincia computacional, bem como permitir a anlise de
problemas maiores e mais complexos. Uma referncia bastante completa sobre a
codificao real pode ser encontrada em [44].
Aplicaes
192
Captulo IX
Concluses
ste captulo apresenta as principais concluses resultantes do

trabalho realizado, destacando as contribuies, os resultados, as
experincias adquiridas e as reas para desenvolvimento em trabalhos futuros.
1. Aspectos Gerais ............................................................................................194

2. Contribuies................................................................................................194
3. Resultados ....................................................................................................195
4. Experincias Adquiridas ...............................................................................195
5. Trabalhos Futuros.........................................................................................196
Concluses
193
1. Aspectos Gerais
Com a grande capacidade computacional que est a servio do homem,
abrir mo de processos de otimizao , sem dvida, desperdcio de dinheiro.
Alm de outros fatores, no menos importantes, que deixam de ser estudados e
melhorados como, por exemplo: confiabilidade, segurana, viabilidade prtica,
etc.
2. Contribuies
Foi implementado um algoritmo gentico multi-objetivo binrio que
aproxima a fronteira tima de Pareto de problemas de otimizao multi-objetivos,
restringidos ou no. Por suas caractersticas e estratgias empregadas o algoritmo
mostrou-se robusto e eficiente para uma ampla gama de aplicaes.
Inmeros problemas multi-objetivos testes e/ou estruturais foram

analisados para comprovarem o funcionamento e a eficincia do algoritmo
proposto.
Um mtodo prtico de penalizao foi desenvolvido e largamente

utilizado com sucesso e relativa facilidade.
Novos operadores genticos multi-objetivos foram elaborados com o

intuito de melhorar a distribuio das solues pela fronteira de Pareto,
substituindo as estratgias de nicho normalmente utilizadas que introduzem
parmetros sensveis resoluo dos problemas.
Pelo bom desempenho obtido com o algoritmo verifica-se a grande

importncia do emprego da estratgia de elitismo e/ou de um filtro para armazenar
as solues no-dominadas correntes do processo evolutivo de otimizao
utilizado.
Concluses
194
3. Resultados
Os resultados dos problemas resolvidos foram em sua maioria
equivalentes ou superiores aos encontrados na literatura.
Pode-se dizer que o desempenho do algoritmo foi excelente, pois pelas

comparaes realizadas ele superou o algoritmo SPEA, o qual j comprovou seu
valor por diversas comparaes e anlises realizadas [71].
4. Experincias Adquiridas
O mtodo de seleo por torneio mostrou ser muito simples e robusto,
superando todos os problemas oriundos do mtodo da roleta estagnao e
convergncia prematura.
O mtodo de penalizao utilizado mostrou-se bastante prtico, pois no

exigiu exaustivas configuraes de parmetros de penalidade para o tratamento
das restries dos problemas analisados e forneceu bons resultados.
O operador de recombinao uniforme incorpora a facilidade da

independncia quanto ao tamanho do problema (cromossomo) tratado, podendo
acelerar ou no a capacidade de pesquisa pelo espao de busca conforme a escolha
das probabilidades de mscara adotadas.
A codificao binria torna-se desaconselhvel para problemas de grande

porte, j que exige esforo computacional para a decodificao, bem como
diminui a eficincia da busca por operar com cromossomos excessivamente
longos. Um algoritmo semelhante ao desenvolvido com codificao real uma
sugesto para desenvolvimentos futuros.
Concluses
195
5. Trabalhos Futuros
Falar em trabalhos futuros no campo da inteligncia artificial uma
tarefa difcil, pois muito h para ser feito. Entretanto, algumas idias que podem
ser abordadas em trabalhos futuros so:
Na rea da otimizao multi-objetivo:
o Resoluo de novas aplicaes maiores e mais complexas devido

ao amadurecimento dos mtodos e do avano computacional.
o Tratamento de problemas dinmicos peso x freqncias naturais

de vibrao, que um problema fortemente multi-objetivo.
o Desenvolvimento e teste de novas estratgias de penalizao,

seleo, recombinao, mutao, elitismo, operadores, adaptao,
etc.
Em outras reas de otimizao:
o Acoplamento da tcnica de Redes Neurais com os Algoritmos

Genticos de diferentes formas, principalmente no clculo
aproximado das aptides.
o Resoluo de problemas topolgicos de barras nmero livre de

elementos e posies (conectividade).
o Otimizao de vigas de concreto armado, onde em geral, o custo

no proporcional ao peso. Confrontando os resultados com os
obtidos pelas tcnicas da programao matemtica
Concluses
196
Referncias
[1] BARN, B., KASZKUREWICS, E., BHAYA, A., Parallel Asynchronous

Team Algorithms Convergence and Performance Analysis, IEEE
Transactions on Parallel and Distributed Systems, v. 7, n. 7, Jul.
1996.
[2] BARN, B., Estudo de Algoritmos Combinados Paralelos Assncronos.

Tese de D.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1993.
[3] BARBOSA, H. J. C., Algoritmos Genticos para Otimizao em

Engenharia: Uma Introduo. Em: IV Seminrio sobre Elementos
Finitos e Mtodos Numricos em Engenharia, Juiz de Fora, 1996.
[4] BAZARAA, M. S., SHETTY, C. M., Nonlinear Programming - Theory and

Algorithms. New York, John Wiley & Sons, 1979.
[5] BLICKLE, T., THIELE, L., A Comparison of Selection Schemes used in

Genetic Algorithms. Report No. 11, Computer Engineering and
Communication Networks Lab (TIK), Swiss Federal Institute of
Technology (ETH), Zurich, 1995.
[6] BORGES, C. C. H., Algoritmos Genticos para Otimizao em Dinmica

de Estruturas. Tese de D.Sc., Programa de Engenharia Civil,
COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, Dezembro de 1999.
[7] CANT-PAZ, E., A Summary of Research on Parallel Genetic Algorithms.

IlliGal Report No. 95007, Jul. 1995.
Referncias
197
[8] CASTRO, R. E., BARBOSA, H. J. C., A Genetic Algorithm for

Multiobjective Structural Optimization. Em: Anais do IV SIMMEC
Simpsio Mineiro de Mecnica Computacional, Uberlndia, Maio de
2000.
[9] CASTRO, R. E., BARBOSA, Helio J. C., Otimizao Estrutural com

Multi-objetivos Via Algoritmos Genticos. Em: Anais do IV
Congresso de Engenharia Civil, Volume 1, pp. 275-286, Juiz de Fora,
Agosto de 2000.
[10] CASTRO, R. E., Otimizao: Programao Matemtica e Algoritmos

Genticos. Monografia para inscrio direta de D.Sc., Programa de
Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, Fevereiro
de 1999.
[11] CASTRO, R. E., PMOGA Pareto Multiobjective Genetic Algorithms

Home Page. Em: http://www.sdnet.com.br/~bicofino/rodrigo.htm
[12] CHENG, F. Y., LI, D., Genetic Algorithm Development for Multiobjective
Optimization of Structures, AIAA Journal, v. 36, n. 6, Jun. 1998.
[13] CHENG, F. Y., LI, D., Multiobjective Optimization Design with Pareto
Genetic Algorithm, Journal of Structural Engineering, pp. 12521261, Sep. 1997.
[14] CIVITA, V. (Editor), Em: Enciclopdia Conhecer, volume VII, Editoras

Abril S. A. Cultural e Industrial, pp. 1646-1648, 1659-1661.
[15] COELLO, C. A., CHRISTIANSEN, A. D., Two New GA-based Methods for
Multiobjective Optimization. Tulane University. New Orleans, LA
70118, USA.
Referncias
198
[16] COELLO, C. A. C., An Updated Survey of Evolutionary Multiobjective

Optimization Techniques: State of the Art and Future Trends.
Laboratorio Nacional de Informtica Avanzada. Veracruz, Mxico.
[17] COELLO, C. A. C., Self-Adaptive Penalties for GA-based Optimization.

Laboratorio Nacional de Informtica Avanzada, Rbsamen 80,
Xalapa, Veracruz 91090, Mxico.
[18] CUNHA, A. G., OLIVEIRA, P., COVAS, J., Use of Genetic Algorithms in
Multicriteria Optimization to
Solve Industrial Problems. In:
Proceedings of the Seventh International Conference on Genetic

Algorithms, Morgan Kaufmann, pp. 682-688, San Francisco,
California, 1997.
[19] DAVIS, L., Handbook of Genetic Algorithms. New York, Van Nostrand
Reinhold, 1991.
[20] DEB, K., Evolutionary Algorithms for Multi-Criterion Optimization in

Engineering
Design.
Kanpur
Genetic
Algorithms
Laboratory
(KanGAL), Indian Institute of Technology Kanpur, Kanpur.
[21] DEB, K., Non-linear Goal Programming Using Multi-Objective Genetic

Algorithms. In: Technical Report No. CI-60/98. Department of
Computer Science/XI, University of Dortmund, Germany.
[22] DE JONG, K. A., An Analysis of the Behavior of a class of Genetic

Adaptive System. Ph.D. dissertation, University of Michigan, ANN
Arbor, MI., 1975.
[23] DORIGO, M., Ant Colony Optimization. Iridia. Universit Libre de

Bruxelles, Belgium. http://iridia.ulb.ac.be/~mdorigo/ACO/ACO.html
Referncias
199
[24] ELDRED, M. S., Optimization Strategies for Complex Engineering

Applications. Sandia Report, Sandia National Laboratories, 1998.
[25] ESQUIVEL, S. C., LEIVA, H. A., GALLARD, R. H., Multiplicity in

Genetic Algorithms to Face Multicriteria Optimization. Departamento
de Informtica, Universidade de San Luis, Argentina.
[26] FONSECA,
C.
M.,
Multiobjective
FLEMING,
P.
Optimization:
J.,
Genetic
Formulation,
Algorithms for
Discussion
and
Generalization. In: Proceedings of the Fifth International Conference

on Genetic Algorithms, pp. 416-423, 1993.
[27] Fuzzy Logic Tutorial. www.cacs.usl.edu/~manaris/ai-education-repository/

fuzzy-tutorial.html
[28] GREENWOOD, G. W., HU, X. S., D'AMBROSIO, J. G., Fitness

Functions for Multiple Objective Optimization Problems: Combining
Preferences with Pareto Rankings. In: Foundations of Genetic
Algorithms 4 (FOGA-96), pp. 437-455, Morgan Kaufmann, 1996.
[29] GREFENSTETTE, J. J., Optimization of Control Parameters for Genetic

Algorithms. IEE Trans, Syst. Man. Cyber, pp. 122-128, 1986.
[30] GOLDBERG, D. E., Genetic Algorithms in Search, Optimization, and

Machine Learning. Adison-Wesley, USA, 1989.
[31] GUROVITZ, H., Gentica: O Negcio da Vida. Revista Exame, n. 11, pp.
40-52, Maio de 2000.
[32] HAFTKA, R. T., KAMAT, M. P., Elements of Structural Optimization.

Dordrecht, Martinus Nijhoff Publishers, 1985.
Referncias
200
[33] HAJELA, P., LIN, C. Y., Genetic Search Strategies in Multicriterion

Optimal Design. In: Structural Optimization, v. 4, pp. 99-107, 1992.
[34] HINTERDING, R., MICHALEWICZ, Z., EIBEN, A. E., Adaptation in

Evolutionary Computation: A Survey. In: http://www.coe.uncc.edu/
~zbyszek/ papers.html
[35] HIROYASU, T., MIKI, M., WATANABE, S., Divided Range Genetic
Algorithms in Multiobjective Optimization Problems. International
Workshop on Emergent Synthesis IWES 99, Kobe, Dec. 1999.
[36] HOLLAND, J. H., Adaptation in Natural and Artificial Systems. University

of Michigan Press, Ann Arbor, 1975.
[37] HORN, J., NAFPLIOTIS, N., Multiobjective Optimization Using the Niched
Pareto Genetic Algorithm. IlliGAL Report No. 93005, Illinois Genetic
Algorithms Laboratory, University of Illinois, Urbana, Champaign,
Jul. 1993.
[38] IGNIZIO, J. P., Goal Programming and Extensions. Lexington Books,

London, Massachusetts, 1976.
[39] IGNIZIO, J. P., Linear Programming for Decision Analysis. Averbach

Publishers, Philadelphia, 1982.
[40] ISHIBUCHI, H., MURATA, T., Multiobjective Genetic Local Search

Algorithm. In: Proceedings of 1996 IEEE International Conference
on Evolutionary Computation (ICEC'96), pp. 119-124, 1996.
[41] KIRKPATRICK, S., GELATT Jr., C. D., VECCHI, M. P., Optimization by

Simulating Annealing. In: Science, 220, No. 4598, pp. 671-680.
Referncias
201
[42] KIRSCH, U., Optimum Structural Design. McGraw-Hill, 1981.
[43] KOZA, J. R., In: www.genetic-programming.com/johnkoza.html
[44] LEMONGE, A. C. C., Aplicao de Algoritmos Genticos em Otimizao

Estrutural.
Tese
de
D.Sc.,
Programa
de
Engenharia
Civil,
COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, Junho de 1999.
[45] LIS, J., EIBEN, A. E., A Multi-Sexual Genetic Algorithm for

Multiobjective Optimization. In: Proceedings of 1997 IEEE
International Conference on Evolutionary Computation (ICEC'97),
pp. 59-64, 1997.
[46] LUENBERGER, D. G., Introduction to Nonlinear Programming. AddisonWesley Publishing Company, London, 1984.
[47] MANDELBROT, B., The fractal geometry of nature. W. H. Freeman, New

York, 1983.
[48] MARIANO, C. E., MORALES, E., A New Distributed Reinforcement

Learning Algorithm for Multiple Objective Optimization Problems.
Morelos, Mxico.
[49] MEDEIROS, A., BARBOSA, H. J. C., Adaptao das Probabilidades dos

Operadores Genticos: Um Problema de Deciso. Em: V Seminrio
sobre Elementos Finitos e Mtodos Numricos em Engenharia, UFJF,
Juiz de Fora, 1998.
[50] MICHALEWICZ, Z., SCHOENAUER, M., Evolutionary Algorithms for

Constrained Parameter Optimization Problems. In: http://www.coe.
uncc.edu/~zbyszek/papers .html
Referncias
202
[51] MICHALEWICZ, Z., Genetic Algorithms, Numerical Optimization, and

Constraints. Department of Computer Science, University of North
Carolina. Charlotte, NC 28223.
[52] MICHELL, M., An Introduction to Genetic Algorithms (Complex Adaptive

Systems). 1996
[53] NEVES, F. A., Programao com Multi-Objetivos Aplicada Otimizao

do Projeto de Pontes Estaiadas. Tese de D.Sc., Programa de
Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1997.
[54] PENADILLOS, E. M. M., Auto-sintonia Robusta de Controladores PID

Usando Algoritmos Genticos. Dissertao de M.Sc., Programa de
Engenharia Eltrica, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1997.
[55] PRESS, W. H., TEUKOLSKY, S. A., VETTERLING, W. T., FLANNERY,

B. P., Numerical Recipes in Fortran. University of Cambridge, 1992.
[56] PUCCINI, A. L., Introduo Programao Linear. Livros Tcnicos e

Cientficos Editora, Rio de Janeiro, 1978.
[57] SCHAFFER, J. D., Multiple Objective Optimization with Vector Evaluated

Genetic Algorithms. Ph.D. dissertation, Vanderbilt University, 1984.
[58] SCHAFFER, J. D., Some Experiments in Machine Learning Using Vector

Evaluated Genetic Algorithms. D.Sc. Thesis, Department of Electrical
Engineering, Vanderbilt University, 1984.
[59] SHAFFER, R., Practical Guide to Genetic Algorithms. Naval Research

Laboratory,
Chemistry
Division.
In:
http://chem1.nrl.navy.mil/
~shaffer/practga.html
Referncias
203
[60] SHEWCHUK, J. R., An Introduction to the Conjugate Gradient Method

Without the Agonizing Pain. Carnegie Mellon University, Pittsburgh,
1994.
[61] SILVA, T. T., BARBOSA, H. J. C., Inicializao da Populao em

Algoritmos Genticos com Codificao Real. Em: V Seminrio sobre
Elementos Finitos e Mtodos Numricos em Engenharia, UFJF, Juiz
de Fora, 1998.
[62] SPEARS, W. M., DE JONG, K. A., On the Virtues of Parameterized

Uniform Crossover.
[63] SPEARS, W. M., Adapting Crossover in a Genetic Algorithm. Naval

Research Laboratory. Washington, D. C. 20375 USA.
[64] SRINIVAS,
N.,
DEB,
K.,
Multiobjective
Optimization
Using
Nondominated Sorting in Genetic Algorithms. In: Evolutionary

Computation, 2(3): pp. 221-248, 1994.
[65] VALENZUELA-RENDN,
M.,
URESTI-CHARRE,
E.,
Non-
generational Genetic Algorithm for Multiobjective Optimization. In:

Proceedings of the Seventh International Conference on Genetic
Algorithms, Morgan Kaufmann, pp. 658-665, San Francisco, 1997.
[66] VELDHUIZEN, D. A., LAMONT, G. B., Multiobjective Evolutionary

Algorithm Test Suites. Department of Electrical and Computer
Engineering. Graduate School of Engineering, Air Force Institute of
Technology.
Referncias
204
[67] VELDHUIZEN, D. A. V., Multiobjective Evolutionary Algorithms:

Classifications,
Analyses,
and
New
Innovations.
Dissertation
presented to the Faculty of Graduate School of Engineering of the Air

Force Institute of Technology, Air University, June 1999.
[68] YANG, R., DOUGLAS, I., Simple Genetic Algorithm with Local Tuning:
Efficient Global Optimizing Technique. In: Journal of Optimization
Theory and Applications, v. 98, n. 2, pp. 449-465, August 1998.
[69] ZITZLER, E., THIELE, L., An Evolutionary Algorithm for Multiobjective

Optimization: The Strength Pareto Approach. Computer Engineering
and Communication Networks Lab (TIK), Swiss Federal Institute of
Technology (ETH), Zurich, TIK-Report No. 43, May 1998.
[70] ZITZLER, E., THIELE, L., Multiobjective Optimization Using Evolutionary

Algorithms - A Comparative Case Study. Computer Engineering and
Communication Networks Lab (TIK), Swiss Federal Institute of
Technology (ETH), Zurich.
[71] ZITZLER, E., DEB, K., THIELE, L., Comparison of Evolutionary

Algorithms: Empirical Results (Revised Version). TIK-Report No.
70. Intitut fr Technische Informatik und Kommunikationsnetze.
Zrich. December 22, 1999.
[72] ZITZLER, E., Evolutionary Algorithms for Multiobjective Optimization:

Methods and Applications. Dissertation for the degree of Doctor of
Technical Sciences. Swiss Federal Institute of Technology Zurich.
November 11, 1999.
[73] ZITZLER, E., In: http://www.tik.ee.ethz.ch/~zitzler/testdata.html
[74] HAYKIN, S., Neural Networks. Macmillan, 1994.
Referncias
205
[75] WASSERMAN, P., Neural Computing. Ven Nostrand, cap. 1-6, 1989.
[76] www.kneehighs.com/intro.html
Referncias
206

2-1-41,49,79-Definições AG

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2-1-41,49,79-Definições AG

Enviado por

Direitos autorais:

Formatos disponíveis

OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS

VIA ALGORITMOS GENTICOS

Rodrigo Evangelista de Castro

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS

RIO DE JANEIRO, R.J. BRASIL

CASTRO, RODRIGO EVANGELISTA DE

II. Ttulo ( srie )

Aos meus queridos pais,

Desejo expressar minha sincera e profunda gratido para as seguintes pessoas e

Professores Helio J. C. Barbosa e Alvaro L. G. A. Coutinho por suas

Professor Luis Paulo S. Barra pelos dois anos de orientao

Professores, funcionrios e amigos da UFJF, COPPE/UFRJ e LNCC,

CNPq, COPPE/UFRJ e LNCC, que em conjunto possibilitaram a

Todos os meus familiares e amigos pessoais.

Companheiros de turma de mestrado e doutorado pela sincera e

Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos

OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS

Rodrigo Evangelista de Castro

Orientadores: Alvaro Luiz Gayoso de Azeredo Coutinho

Programa: Engenharia Civil

Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the

OPTIMIZATION OF STRUCTURES WITH MULTIOBJECTIVES

Rodrigo Evangelista de Castro

Advisors: Alvaro Luiz Gayoso de Azeredo Coutinho

Department: Civil Engineering

This work presents a general review on genetic algorithms foundations,

Captulo III: Otimizao Multi-objetivos........................................................22

Captulo IV : Algoritmos Genticos.................................................................29

7. Parmetros de Influncia e Configuraes.......................................................55

Captulo V : Tpicos Adicionais em AGs ........................................................61

Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67

Captulo VII : PMOGA Pareto Multiobjective GA......................................78

Captulo VIII : Aplicaes................................................................................91

9. Curva Tri-objetiva ........................................................................................153

Captulo III : Otimizao Multi-objetivos.......................................................22

Captulo IV : Algoritmos Genticos.................................................................29

Captulo V : Tpicos Adicionais em AGs ........................................................61

Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67

Captulo VII : PMOGA Pareto Multiobjective GA......................................78

Captulo VIII : Aplicaes................................................................................91

Figura 44 - Soluo que apresentou o deslocamento vertical mnimo (f2).........117

Figura 69 - Fronteiras de Pareto comparativas - 4 [72]....................................142

Figura 94 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vistas

Figura 122 - Minimizao do peso, em escala reduzida, durante as 30000

Captulo III : Otimizao Multi-objetivos.......................................................22

Captulo IV : Algoritmos Genticos.................................................................29

Captulo V : Tpicos Adicionais em AGs ........................................................61

Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67

Captulo VII : PMOGA Pareto Multiobjective GA......................................78

Captulo VIII : Aplicaes................................................................................91

este captulo realizada uma introduo sobre o trabalho

tema abordado, os principais conceitos e fundamentos nos campos da otimizao,

Outro fato curioso na natureza foi a descoberta realizada por

A explicao para a descoberta do caminho timo a ser percorrido pelas

Quando o caminho original interrompido pela introduo de um

Figura 1 - Formigas em linha reta entre o ninho e a fonte de comida [23]

Figura 2 - Introduo de um obstculo no percurso original [23]

Figura 4 - O percurso menor (timo) escolhido com o passar do tempo [23]

O emprego de algoritmos genticos, que so fundamentados na teoria da

A idia e a necessidade de otimizao, exemplificada at mesmo por

A minimizao do tempo gasto na limpeza de um jardim.

A maximizao da velocidade de processamento de um chip

A minimizao do custo de execuo de um projeto de barragem,

A otimizao deste modo uma cincia que est sempre em demanda,