Escolar Documentos
Profissional Documentos
Cultura Documentos
DE
PS-GRADUAO
DE
ENGENHARIA
DA
_____________________________________________
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.
ii
iii
Agradecimentos
iv
Agosto/2001
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.
August/2001
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
viii
ix
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
5.1. Introduo e Modelo .............................................................................108
5.2. Caractersticas e Configuraes do AG Utilizado ..................................109
5.3. Resultados.............................................................................................110
5.4. Concluses ............................................................................................112
6. Ponte Treliada.............................................................................................113
6.1. Introduo e Modelo .............................................................................113
6.2. Caractersticas e Configuraes do AG Utilizado ..................................114
6.3. Resultados.............................................................................................115
6.4. Concluses ............................................................................................118
7. Fronteira de Pareto Descontnua ...................................................................119
7.1. Introduo e Modelo .............................................................................119
7.2. Caractersticas e Configuraes do AG Utilizado ..................................119
7.3. Resultados.............................................................................................120
7.4. Concluses ............................................................................................123
8. Funes-teste para Otimizadores Multi-objetivos..........................................124
8.1. Introduo e Modelo .............................................................................124
8.2. Metodologia de Comparao .................................................................129
8.3. Caractersticas e Configuraes do AG Utilizado ..................................129
8.4. Nmero de Avaliaes ..........................................................................130
8.5. Resultados.............................................................................................131
8.6. Concluses ............................................................................................151
xi
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
Captulo I : Introduo...................................................................................... 1
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
Captulo II : Otimizao...................................................................................17
Figura 8 - Classificao Geral dos Mtodos Clssicos [53] ................................21
xiii
xiv
xv
xvi
xvii
Captulo IX : Concluses................................................................................193
xviii
ndice de Tabelas
Captulo I : Introduo...................................................................................... 1
Captulo II : Otimizao...................................................................................17
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
7. Fronteira de Pareto Descontnua ...................................................................119
Tabela 7 - Valores da varivel de projeto e das funes objetivo do filtro
final .............................................................................................................123
8. Funes-teste para Otimizadores Multi-objetivos..........................................124
9. Curva Tri-objetiva ........................................................................................153
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
11. Cubo 8 Funes Objetivo.........................................................................165
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
Captulo IX : Concluses................................................................................193
xx
Captulo I
Introduo
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
Introduo
Figura 3 - Diviso mediana das formigas pelos dois novos percursos [23]
Introduo
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:
Introduo
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].
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
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
compostos
de
exemplos
contraditrios.
Algumas
aplicaes
so:
Introduo
Introduo
10
Computao Evolucionria
Algoritmos
Genticos
Estratgias
Evolucionrias
Programao
Evolucionria
Programao
Gentica
Estratgia de
Colnia
Introduo
11
Introduo
12
Introduo
13
Introduo
14
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.
Introduo
16
Captulo II
Otimizao
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.
Max. ou Min.
( funo objetivo
sujeito a
gj (x) 0
j = 1, 2, ... , J (
hk (x) = 0
k = 1, 2, ... , K ( comportamento )
restries de
nas variveis
de projeto xi
2. Definies
dos elementos.
Otimizao
18
de
Comportamento
condies
classificadas
como
otimizao
unidimensional
multidimensional respectivamente.
vivel;
restringida quando h restries satisfeitas como
igualdade (ativas);
no-restringida quando no h restries ativas
no ponto timo.
Otimizao
19
Otimizao
20
- 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
MTODODAS PENALIDADES
MTODODAS BARREIRAS
MTODODOLANGRANGEANOAUMENTADO
MTODODOGRADIENTEPROJETADO(ROSEN)
MTODODOGRADIENTEREDUZIDO(WOLFE) / GENERALIZADO
PROGRAMAOLINEAR SEQENCIAL (MTODODOCORTE DOS PLANOS)
PROGRAMAOQUADRTICA SEQENCIAL
MTODOS
PRIMAIS
Otimizao
21
Captulo III
Otimizao Multi-objetivos
1. Introduo ......................................................................................................23
2. Definies ......................................................................................................25
Otimizao Multi-objetivos
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).
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.
Otimizao Multi-objetivos
23
Otimizao Multi-objetivos
24
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
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.
Otimizao Multi-objetivos
25
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)
Observao:
Otimizao Multi-objetivos
26
i.
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
Otimizao Multi-objetivos
27
Solues Dominadas 1
Fronteira de Pareto
Solues Dominadas 2
10
9
8
7
6
5
4
3
2
1
0
0
10
Otimizao Multi-objetivos
28
Captulo IV
Algoritmos Genticos
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.
30
Algoritmos Genticos
31
sobrevivncia dos mais aptos, pela aplicao de operaes genticas tais como
recombinao e mutao.
Algoritmos Genticos
32
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].
Algoritmos Genticos
33
Algoritmos Genticos
34
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.
Algoritmos Genticos
35
Algoritmos Genticos
36
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.
Algoritmos Genticos
37
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
Algoritmos Genticos
39
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.
Algoritmos Genticos
41
42
43
44
f (x) = g (x) + C
f (x) = h (g (x))
Algoritmos Genticos
45
aptido
ou
Algoritmos Genticos
46
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.
pi =
fi
N
f
j =1
Algoritmos Genticos
47
Algoritmos Genticos
48
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)
R i = Ei - Ii
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
50
Algoritmos Genticos
51
Algoritmos Genticos
52
Algoritmos Genticos
53
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.
Algoritmos Genticos
54
Algoritmos Genticos
55
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.
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.
H de se tomar cuidado, pois com uma taxa muito alta a busca pode se
tornar essencialmente aleatria.
Algoritmos Genticos
57
Hesser e Manner [59] sugerem que uma taxa tima de mutao pode ser
achada pela expresso:
Pm = N .L1 / 2
58
Descontinuidades
ou
complexidades
presentes
na
superfcie
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:
modelagem e
estudo
de
problemas
em Ecologia,
gentica
60
Captulo V
Tpicos Adicionais em AGs
este
captulo
so
discutidos
alguns
temas
estratgias
61
gj (x) 0
j = 1, 2, ... , J
hk (x) = 0
k = 1, 2, ... , K
xi(L) xi xi(U)
i = 1, 2, ... , N
62
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].
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.
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.
66
Captulo VI
Algoritmos Genticos 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.
68
mundo
real.
logo,
sero
enumeradas
posteriormente
apresentadas
as
VEGA, Schaffer;
Outros algoritmos.
69
selecionado.
Este
procedimento
tambm
no
funciona
70
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.
72
73
74
75
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.
77
Captulo VII
PMOGA Pareto Multiobjective GA
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.
79
80
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.
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.
PMOGA Pareto Multiobjective GA
83
5.1. Ordenamento
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.
84
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.
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.
86
d j,k =
N . fo
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.
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.
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
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.
89
90
Captulo VIII
Aplicaes
1. Introduo ......................................................................................................92
2. Funo f2 de Schaffer ......................................................................................92
3. Viga I .............................................................................................................97
4. Viga Soldada ................................................................................................103
5. Trelia com Trs Objetivos...........................................................................108
6. Ponte Treliada.............................................................................................113
7. Fronteira de Pareto Descontnua ...................................................................119
8. Funes-teste para Otimizadores Multi-objetivos..........................................124
9. Curva Tri-objetiva ........................................................................................153
10. Esfera .........................................................................................................158
11. Cubo 8 Funes Objetivo.........................................................................165
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.
2. Funo f2 de Schaffer
(linha contnua)
Aplicaes
92
Solues Dominadas 1
Fronteira de Pareto
Solues Dominadas 2
10
9
8
7
6
5
4
3
2
1
0
0
10
Operador de excluso.
Probabilidade de Recombinao = 85 %.
93
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
-6.00
...
...
214-1
6.00
Aplicaes
94
2.3. Resultados
fo2
40
32
24
16
8
0
0
12
16
20
24
28
32
36
fo1
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
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
30 solues no filtro
fo2
0
0
fo1
2.4. Concluses
Aplicaes
96
3. Viga I
97
Mz
kg
Wz
sendo:
My = 30000 kN.cm
Mz = 2500 kN.cm
x3 (x1 2 x4 ) + 2 x2 x4 4 x4 + 3 x1 (x1 2 x4 )
6 x1
3
Wy =
Wz =
Aplicaes
98
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
PL3
cm
48 EI
x (x 2 x4 ) + 2 x2 x4 4 x4 + 3 x1 (x1 2 x4 )
I= 3 1
12
3
x3 (x1 2 x4 )
60000
cm
2
+ 2 x2 x4 4 x4 + 3x1 (x1 2 x4 )
Operador de excluso.
Probabilidade de Recombinao = 85 %.
99
xmn xmx.
T
2 i 1
sendo:
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
100
200
300
400
500
600
700
800
900
500
600
700
800
900
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
Aplicaes
100
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
Modificaes realizadas:
Tamanho da populao = 50
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
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 custo da viga;
Aplicaes
103
( x) = 2 + 2 + l / 0.25[l 2 + (h + t ) 2 ]
=
6000
2hl
( x) =
504000
t 2b
104
E = 30 x 106 psi
G = 12 x 106 psi
umax = 0.25 in
L = 14 in (comp. livre)
Probabilidade de recombinao = 85 %.
105
4.3. Resultados
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
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.
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
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
107
u1
F
L
3F
u2
Aplicaes
108
E = 20000;
F = 10
Probabilidade de Recombinao = 85 %.
109
5.3. Resultados
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
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
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
Aplicaes
111
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
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
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
Aplicaes
113
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
114
Probabilidade de Recombinao = 90 %.
onde:
6.3. Resultados
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
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
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
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
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
Aplicaes
117
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
6.4. Concluses
Aplicaes
118
f1 =
4 x 3 < x 4
4 + x x > 4
f2 = (x-5)2
com 10 x 10
Aplicaes
119
Probabilidade de Recombinao = 90 %.
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
20
18
16
14
f2
12
10
8
6
4
2
0
-1
f1
121
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
Aplicaes
122
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
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
para
aproximaes
evolucionrias.
Entretanto,
no-
Aplicaes
124
Aplicaes
125
Minimizar
Sujeito a
Onde
= ( x1, ..., xm )
f1 (x1)
= x1
= 1 (f1/g)0.5
Aplicaes
126
f1 (x1)
= x1
= 1 (f1/g)2
f1 (x1)
= x1
f1 (x1)
= x1
= 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
f1 (x1)
= 1 + u (x1)
= 1/f1
onde m = 11, x1
30
^ `
se u (xi) < 5 ou
se u (xi) = 5
`
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.
f1 (x1)
= 1 exp(-4x1).sin6(6 x1)
= 1 (f1/g)2
Aplicaes
128
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.
Elitismo do filtro.
As configuraes utilizadas pelos dois algoritmos foram:
Aplicaes
129
130
i) SPEA
Todas as geraes
ii) PMOGA
80 avaliaes
Demais geraes:
60 avaliaes
Totalizando 80 avaliaes
8.5. Resultados
Aplicaes
131
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
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
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
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
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
Figura 56 - Exemplo de populao inicial - 2
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
1,0
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
Figura 61 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 2 [11, 73]
Aplicaes
138
f2
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 62 - Exemplo de populao inicial - 3
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
1,0
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
Figura 67 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 3 [11, 73]
Aplicaes
141
250
200
f2
150
100
50
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
Figura 68 - Exemplo de populao inicial - 4
Aplicaes
142
12
10
f2
SPEA1
SPEA2
SPEA3
SPEA4
SPEA5
0
0,0
0,2
0,4
0,6
0,8
1,0
f1
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
Figura 73 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 4 [11, 73]
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
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
Figura 79 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 5 [11, 73]
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
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
Figura 85 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 6 [11, 73]
Aplicaes
150
8.6. Concluses
Aplicaes
151
tais
como:
convexidade,
no-convexidade,
fronteiras
Aplicaes
152
9. Curva Tri-objetiva
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
Aplicaes
153
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
9.3. Resultados
Aplicaes
154
Aplicaes
155
Aplicaes
156
9.4. Concluses
Aplicaes
157
10. Esfera
presena de 3 objetivos;
Maximize
Sujeita a
x2+y2+z21
Onde
x, y, z [0, 1]
Aplicaes
158
Configurao
Tamanho populao
Tamanho do filtro
Nmero de geraes
Nmero de sol. Torneio
Prob. de recombinao
Prob. de mutao
10.3. Resultados
Nas prximas figuras so apresentadas graficamente os resultados
encontrados com o algoritmo desenvolvido para as configuraes empregadas.
Aplicaes
159
Aplicaes
160
Aplicaes
161
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
Aplicaes
163
10.4. Concluses
Configurao*
Nm. de Avaliaes
Nm. de Solues
Afast. Total***
Afast. Mdio****
Afast. Mdio %
Pop. Inicial
200
200
87,588
0,438
43,80%
i =1
[1 (x i + y i + z i )]
2
Aplicaes
164
tem como
principal objetivo
avaliar a
Minimize
fi = | x xi | + | y yi | + | z zi |
i = 1, 2, ..., 8 (vrtices)
Onde
x, y, z [0, 1]
Aplicaes
165
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
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
Aplicaes
167
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
2.0
2.0
1.5
1.5
1.5
1.0
0.5
f8
2.0
f5
f2
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
Aplicaes
168
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
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
2.0
2.0
1.5
1.5
1.5
1.0
0.5
f4
2.0
f3
f2
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
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
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
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
Aplicaes
175
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
Valor
30000000.0 psi
20000.0 psi
-15000.0 psi
0.3 lb/in^3
Aplicaes
176
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
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
Aplicaes
178
Varivel
X12
Y12
X14
Y14
X20
Y20
X21
Y21
3
50
20
5000+25000
10
90%
1%
810167
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
Figura 117 - Populao inicial
60
50
f2
40
30
20
10
0
0
10000
20000
30000
40000
50000
60000
f1
Figura 118 - Populao na gerao 5000
Aplicaes
180
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
Com
um
nmero
relativamente
pequeno
de
geraes,
181
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
182
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
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)
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
Aplicaes
184
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
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
Aplicaes
186
Aplicaes
187
Aplicaes
188
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
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
0.7
f2
0.6
0.5
0.4
2750
2800
2850
2900
2950
3000
3050
3100
3150
3200
3250
f1
Aplicaes
190
12.4. Concluses
Aplicaes
191
Aplicaes
192
Captulo IX
Concluses
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.
Concluses
194
3. Resultados
Os resultados dos problemas resolvidos foram em sua maioria
equivalentes ou superiores aos encontrados na literatura.
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.
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:
Concluses
196
Referncias
Referncias
197
[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.
[15] COELLO, C. A., CHRISTIANSEN, A. D., Two New GA-based Methods for
Multiobjective Optimization. Tulane University. New Orleans, LA
70118, USA.
Referncias
198
[18] CUNHA, A. G., OLIVEIRA, P., COVAS, J., Use of Genetic Algorithms in
Multicriteria Optimization to
[19] DAVIS, L., Handbook of Genetic Algorithms. New York, Van Nostrand
Reinhold, 1991.
Design.
Kanpur
Genetic
Algorithms
Laboratory
Referncias
199
[26] FONSECA,
C.
M.,
Multiobjective
FLEMING,
P.
Optimization:
J.,
Genetic
Formulation,
Algorithms for
Discussion
and
[31] GUROVITZ, H., Gentica: O Negcio da Vida. Revista Exame, n. 11, pp.
40-52, Maio de 2000.
Referncias
200
[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.
[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.
Referncias
201
Tese
de
D.Sc.,
Programa
de
Engenharia
Civil,
[46] LUENBERGER, D. G., Introduction to Nonlinear Programming. AddisonWesley Publishing Company, London, 1984.
Referncias
202
Chemistry
Division.
In:
http://chem1.nrl.navy.mil/
~shaffer/practga.html
Referncias
203
[64] SRINIVAS,
N.,
DEB,
K.,
Multiobjective
Optimization
Using
[65] VALENZUELA-RENDN,
M.,
URESTI-CHARRE,
E.,
Non-
Referncias
204
Analyses,
and
New
Innovations.
Dissertation
[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.
Referncias
205
[75] WASSERMAN, P., Neural Computing. Ven Nostrand, cap. 1-6, 1989.
[76] www.kneehighs.com/intro.html
Referncias
206