GIOVANA TRINDADE DA SILVA OLIVEIRA

ESTUDO E APLICAES DA EVOLUO

DIFERENCIAL














UNIVERSIDADE FEDERAL DE UBERLNDIA
FACULDADE DE ENGENHARIA MECNICA
2006






























GIOVANA TRINDADE DA SILVA OLIVEIRA








ESTUDO E APLICAES DA EVOLUO DIFERENCIAL








Dissertao apresentada ao Programa de
Ps-graduao em Engenharia Mecnica da
Universidade Federal de Uberlndia, como parte dos
requisitos para a obteno do ttulo de MESTRE EM
ENGENHARIA MECNICA.

rea de concentrao: Mecnica dos Slidos e
Vibraes.

Orientadora: Prof. Dr. Sezimria F. Pereira
Saramago.


UBERLNDIA MG
2006



Dados Internacionais de Catalogao na Publicao (CIP)



O48e


Oliveira, Giovana Trindade da Silva, 1976-
Estudo e aplicaes da evoluo diferencial / Giovana Trindade da
Silva Oliveira. - 2006.
126 p. : il.

Orientadora: Sezimria F. Pereira Saramago.
Dissertao (mestrado) Universidade Federal de Uberlndia, Progra-
ma de Ps-Graduao emEngenharia Mecnica.
Inclui bibliografia.

1. Vibrao - Teses. 2. Mecnica dos slidos - Teses. 3. Algoritmos
genticos - Teses. I. Saramago, Sezimria de Ftima Pereira. II. Univer-
sidade Federal de Uberlndia. Programa de Ps-Graduao em Engenha-
ria Mecnica. III. Ttulo.


CDU: 621:534
Elaborada pelo Sistema de Bibliotecas da UFU / Setor de Catalogao e Classificao
GIOVANA TRINDADE DA SILVA OLIVEIRA







ESTUDO E APLICAES DA EVOLUO DIFERENCIAL





Dissertao APROVADA pelo Programa de
Ps-graduao em Engenharia Mecnica da
Universidade Federal de Uberlndia.

rea de concentrao: Mecnica dos Slidos e
Vibraes.



Banca Examinadora:

___________________________________________________________
Prof. Dr. Sezimria de Ftima Pereira Saramago UFU Orientadora
___________________________________________________________
Prof Dr Valder Steffen J r UFU
___________________________________________________________
Prof Dr Paulo Roberto Bergamaschi UFG


UBERLNDIA, 29 de agosto de 2006





iii

































Aos meus pais


v

AGRADECIMENTOS


A Deus por estar presente em todos os momentos da minha vida.

Prof Dr. Sezimria F. P. Saramago pela orientao durante a realizao das pesquisas
que, com muito profissionalismo e pacincia, sempre indicou a melhor forma de conduzir o
trabalho.

minha famlia pelo apoio e incentivo na busca desta realizao e principalmente ao meu
marido Marco Aurlio pela compreenso.

A todos os colegas do laboratrio computacional que de alguma forma contriburam para a
realizao deste trabalho.

Universidade Federal de Uberlndia e ao programa de Ps-Graduao em Engenharia
Mecnica pela oportunidade de realizar este trabalho.

Aos membros da banca examinadora pelas contribuies dadas ao trabalho.

Ao CNPq - Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico pelo apoio
financeiro.














vii

OLIVEIRA, G. T. S. Estudo e aplicaes da Evoluo Diferencial. 2006. 126 p.
Dissertao de Mestrado, Universidade Federal de Uberlndia, Uberlndia.



Resumo


Nas ltimas dcadas, a aplicao de otimizao em problemas de engenharia tem crescido
consideravelmente. Existem muitos mtodos de otimizao e o desempenho de cada um
deles depende do tipo de problema considerado. Os mtodos naturais, que se baseiam em
regras probabilsticas, tm sido amplamente estudados. O objetivo deste trabalho
apresentar um estudo detalhado do mtodo de otimizao natural denominado Evoluo
Diferencial e suas estratgias, apresentando sua fundamentao terica. Neste trabalho
realizada uma reviso de Algoritmos Genticos e Recozimento Simulado. Estas tcnicas
so utilizadas para comparar os resultados por elas obtidos com os calculados aplicando
Evoluo Diferencial. Para verificar a eficincia do mtodo estudado, so utilizados funes
matemticas clssicas e alguns problemas de engenharia. A Evoluo Diferencial aplicada
com eficincia em problemas de otimizao multi-objetivo, na presena ou no de
restries, incluindo dois problemas complexos em robtica.




















Palavras Chave: Otimizao, Algoritmos Evolutivos, Evoluo Diferencial, Otimizao multi-
objetivo.


ix

OLIVEIRA, G. T. S. A Study and applications of Differential Evolution. 2006. 126 p. M.
Sc. Dissertation, Universidade Federal de Uberlndia, Uberlndia.


Abstract


In the last few decades, the application of optimization in engineering problems has grown
considerably. There are various optimization methods and the performance of each one
depends on the type of problem considered. The natural methods, which are based on
probabilistic rules, have been widely studied. The purpose of this work is to present a
detailed study of the natural optimization method called Differential Evolution and its
strategies. A theoretical formulation is presented. In this work, a revision of Genetic
Algorithms and Simulated Annealing is made. These techniques are employed to compare
their results to those obtained with Differential Evolution. Classic mathematical functions and
some problems of engineering are used in order to verify the efficiency of the studied
technique. The Differential Evolution is applied with effectiveness in multi-objective
optimization problems with and without the presence of constraints including two complex
robotic problems.













Keywords: Optimization, Evolutionary Algorithms, Differential Evolution, Multi-objective
Optimization.


xi

LISTA DE FIGURAS


Figura Descrio Pg.
Figura 1.1. Classificao de alguns mtodos de otimizao. 2
Figura 1.2. Busca ponto a ponto. 3

Figura 2.1. x
1
o minimizador global, f(x
1
) o valor timo, x
2
um minimizador
local estrito, [x
3
, x
4
] um conjunto de minimizadores locais no estritos.
10

Figura 2.2. A restrio g
3
inativa no ponto timo pois ela no define a estrutura de
em torno de X
*
.
10
Figura 2.3. max f(X) =min f(X) 11
Figura 3.1. Fluxograma do Recozimento Simulado. 17
Figura 3.2. Representao de um cromossomo com n genes de cinco bits cada. 19
Figura 3.3. Exemplo da seleo por roleta. 22
Figura 3.4. Representao do operador cruzamento simples entre dois indivduos. 23

Figura 3.5. Representao do operador cruzamento uniforme com parmetros
contnuos.
23
Figura 3.6. Representao do operador mutao. 24
Figura 3.7. Fluxograma bsico de um algoritmo gentico binrio. 25
Figura 4.1. Processo para gerar o vetor doador V
(q+1)
de uma funo bidimensional. 29

Figura 4.2. Ilustrao do processo de cruzamento binomial para =2, =4, e
=Np.
30

Figura 4.3. Ilustrao do processo de cruzamento exponencial para =2, =4, e
=Np.
31


xii

Figura 5.1. Funo de Rastrigin bidimensional, dada pela Eq.(5.1). 38

Figura 5.2. Erro absoluto da funo objetivo em relao variao do fator de
perturbao F
p
(fixando: Np=10, Nger=200 e Pc=0,5).
39

Figura 5.3. Nmero de avaliao da funo objetivo em relao variao do fator
de perturbao F
p
(fixando: Np=10, Nger=200 e Pc=0,5).
40

Figura 5.4. Erro absoluto da funo objetivo em relao variao da taxa de
cruzamento Pc (fixando: Np=10, Nger=200 e F
p
=0,8).
40

Figura 5.5. Nmero de avaliao da funo objetivo em relao variao da taxa
de cruzamento Pc (fixando: Np=10, Nger=200 e F
p
=0,8).
41

Figura 5.6. Erro absoluto da funo objetivo em relao variao do nmero de
indivduos da populao Np (fixando: F
p
=0,8, Nger=200 e Pc=0,5).
42
Figura 5.7. Nmero de avaliao da funo objetivo em relao variao do
nmero de indivduos da populao Np (fixando: F
p
=0,8, Nger=200 e
Pc=0,5).
42

Figura 5.8. Erro absoluto da funo objetivo em relao variao do nmero
mximo de geraes Nger (fixando: Np=10, Pc=0,6 e F
p
=0,8).
43

Figura 5.9. Nmero de avaliao da funo objetivo em relao variao do
nmero mximo de geraes Nger (fixando: Np=10, Pc=0,6 e F
p
=0,8).
44
Figura 5.10. Representao grfica da funo dada pela Eq.(5.3). 46

Figura 5.11. Soluo de Pareto para o problema DEA, usando a estratgia 1 da
Evoluo Diferencial.
52
Figura 6.1. Esquema cinemtico de um rob manipulador 3R. 54
Figura 6.2. Notao de Denavit e Hartenberg para manipuladores. 56
Figura 6.3. (a) Espao de trabalho de um rob 3R; (b) seo radial plana. 59

Figura 6.4. Famlia de curvas contida na seo radial do espao de trabalho de um
particular manipulador 3R.
60
Figura 6.5. Clculo do volume do espao de trabalho de manipuladores 3R. 60
Figura 6.6. Discretizao da seo radial usando malha retangular. 61


xiii


Figura 6.7. Seo transversal do espao de trabalho timo de um manipulador 3R
de acordo com as tcnicas utilizadas.
64
Figura 6.8. (a) Arquitetura do CaPaMan; (b) Mecanismo de acionamento (perna i). 65
Figura 6.9. Parmetros associados perna i. 67

Figura 6.10. Orientao da plataforma mvel em funo dos ngulos de rotao ,
e .
68
Figura 6.11. Foras atuantes na PM. 73
Figura 6.12. Foras atuantes nos pontos de articulao H
i
. 75
Figura 6.13. Foras atuantes nas juntas esfricas. 77
Figura 6.14. Foras nos paralelogramos articulados i (i=1,2,3). 78

Figura 6.15. Diagrama de corpo livre para anlise do efeito da fora de inrcia no
segmento d
i
.
78
Figura 6.16. Fluxograma do procedimento numrico para otimizao. 81
Figura 6.17. Grfico 3D da trajetria tima do centro da plataforma mvel do
CaPaMan e suas projees no plano cartesiano usando AG (-
.
-) e ED
(-
*
-).
83

Figura 6.18. Grfico das trajetrias iniciais e timas para o ngulo de entrada em
funo do tempo nos mecanismos 1, 2 e 3.
84

Figura 6.19. Curvas iniciais e timas das velocidades angulares das manivelas de
entrada nos mecanismos 1, 2 e 3.
84

Figura 6.20. Grfico das aceleraes iniciais e timas das manivelas de entrada em
funo do tempo para o CaPaMan.
85
Figura 6.21. Curva inicial e tima do jerk das manivelas de entrada. 86
Figura 6.22. Curvas iniciais e timas do torque nos atuadores. 86




xv

LISTA DE TABELAS


Tabela Descrio Pg.
Tabela 3.1. Exemplo do mtodo de seleo Roleta 21
Tabela 4.1. Representao das estratgias da evoluo diferencial. 33
Tabela 5.1. Resultados da otimizao para a funo de Rastrigin, Eq.(5.1). 44
Tabela 5.2. Resultados timos para a funo de Rosenbrok, Eq.(5.2). 45
Tabela 5.3. Resultados da otimizao da funo dada pela Eq.(5.3). 46

Tabela 5.4. Resultados da otimizao para a funo de Rastrigin, dada pela
Eq.(5.4).
47

Tabela 5.5. Resultados da otimizao restrita para o problema definido nas
Eqs.(5.5) e (5.6).
48

Tabela 5.6. Resultados da otimizao restrita para o problema definido nas
Eqs.(5.8) e (5.9).
49
Tabela 5.7. Coeficientes do custo e da emisso de seis geradores. 51
Tabela 5.8. Resultados da otimizao do problema DEA, com potncias em MW. 52
Tabela 6.1.
Maximizao do volume do espao de trabalho dos robs
manipuladores 3R.
63
Tabela 6.2. Parmetros dimensionais do prottipo CaPaMan. 81
Tabela 6.3. Valores timos obtidos do processo de otimizao. 82









xvii
Lista de Smbolos
Letras latinas

A rea da seo radial plana.
Gbi a , Gci a , Gdi a Aceleraes nos segmentos b
i
, c
i
e d
i
respectivamente.
a
i
, d
j
Parmetros de Denavit-Hartenberg (translaes).
sup
i
a ,
sup
j
d Valores mximos que os respectivos parmetros a
i
e d
j
podem
assumir durante o processo de otimizao.
a
P
Acelerao do centro da plataforma mvel PM.
B
k,d
Funes de concordncia para B-splines de ordem d-1.
) (
,
t B
i
d k
Funes de concordncia para B-splines de ordem d-1 da trajetria
i
.
c
i
Comprimento das bielas.
C
j
, S
j
Co-seno e seno do ngulo
j
, respectivamente.
C
i
, S
i
Co-seno e seno do ngulo
i
, respectivamente.
d
i
Comprimento das manivelas de sada.
E, E
0
Energia e energia inicial respectivamente.
e
bi
, e
ci
, e
di
Offsets de inrcia do centro de massa dos segmentos b
i
, c
i
e d
i
respectivamente.
f(X) Funo objetivo ou funo custo, ou ainda, funo de adaptao
(fitness).
F Soma das foras de reao F
i
(i=1, 2,3) nos pontos H
i
da PM.
F
dci
Fora no segmento c
i
devido ao segmendo d
i
.

F
ext
Foras externas.
F
i
Foras nas juntas esfricas.
F
in
Fora de inrcia.
F
inbi,
F
inci,
F
indi
Foras nos segmentos b
i
, c
i
, d
i
, respectivamente.
F
iy
, F
iz
Foras atuantes nos pontos de articulao H
i
.
f
k
(X) Vetor cujas componentes so k funes objetivo.
0
k
f Soluo ideal.
F
p
Fator de perturbao (ou taxa de perturbao) dos indivduos da
populao.

xviii
G Peso da plataforma mvel.
G
bi
, G
ci
, G
di
Centro de gravidade dos segmentos b
i
, c
i
e d
i
respectivamente.
g
j
(X) Funo de restrio de desigualdade (j = 1, ..., J).
H Ponto situado na extremidade do rob, com coordenadas em X
3
Y
3
Z
3
.
h
i
Comprimento das barras conectoras entre as pernas do CaPaMan e a
plataforma mvel.
H
i
Ponto situado na extremidade da barra conectora onde se localiza as
juntas prismticas.
x
j
H ,
y
j
H ,
z
j
H Coordenadas do ponto H em relao aos eixos X
j
, Y
j
e Z
j
,
respectivamente.
h
l
(X) Funo de restrio de igualdade (l = 1, ..., L).
I Matriz de inrcia da plataforma mvel.
c
I Matriz de inrcia da PM com respeito ao centro de massa P.
Gbi
I ,
Gci
I ,
Gdi
I Momento de inrcia nos centros de gravidades dos segmentos b
i
, c
i
e
d
i
respectivamente.
J, J
0
Jerk e jerk inicial respectivamente.
K
b
Constante de Boltzmann.
k
p
Fator de penalidade na funo pseudo objetivo.
L
i
Vetores com origem nos pontos O
i
, e extremidades nas juntas
esfricas H
i
.
(L
i
)
OiXiYiZi
Vetores L
i
em relao ao sistema cartesiano O
i
X
i
Y
i
Z
i
.
M Massa da PM.
m
b
, m
c
, m
d
Massa dos segmentos b, c e d

respectivamente.
m
i
Comprimento das manivelas de entrada.
N Torque resultante devido as foras F
i
, em relao ao sistema de
referncia OXYZ fixo na base PF.
N
ext
Torque externo.
Nger Nmero mximo de geraes.
N
in
Torque de inrcia.
n
iters
Nmero de iteraes para cada temperatura.
n
p
Pontos de controle da B-spline.
Np Nmero de indivduos da populao.
n
temp
Nmero de temperaturas.

xix
O Centro da plataforma fixa.
O
i
Pontos mdios das bases dos paralelogramos articulados.
OX
i
Segmento de mesma direo do eixo X
i
e com origem no centro da
plataforma fixa.
OXYZ Sistema cartesiano inercial atado plataforma fixa.
O
i
X
i
Y
i
Z
i
Sistemas cartesianos cujos centros so os pontos mdios das bases
dos mecanismos de quatro barras.
P Centro da plataforma mvel.
P(X) Funo de penalidade na funo pseudo objetivo.
Pa
d
Probabilidade acumulativa de cada cromossomo d.
p
c
Posio de cruzamento na cadeia de bits de cada cromossomo.
Pc Probabilidade de cruzamento.
p
d
Probabilidade ou aptido do indivduo d da populao de
cromossomos.
Pd Probabilidade de seleo dos cromossomos.
PF Plataforma fixa.
PH
i
Segmentos que unem o centro da plataforma mvel a cada uma das
juntas prismticas.
p
i
Indica as posies dos bits numa cadeia binria.
P
i
vetores com origem no centro da plataforma mvel e extremidades
nas juntas esfricas correspondendo aos respectivos
i
.
*
i
P Vetores com origem no centro da plataforma fixa e extremidade nas
juntas prismticas.
i
k
p Pontos de controle geradores da B-spline da trajetria
i
.
P
m
Probabilidade de mutao.
PM Plataforma mvel.
PX
P
Y
P
Z
P
Sistema cartesiano no inercial atado plataforma mvel.
q q-sima gerao (iterao) no processo iterativo.
[R
i
] Matriz de rotao de um ngulo
i
em torno do eixo Z.
R(, z) Matriz de rotao de um ngulo em torno do eixo Z.
R(
y
, y) Matriz de rotao de um ngulo
y
em torno do eixo Y.
R(, z) Matriz de rotao de um ngulo em torno do eixo Z.
R Matriz de transformao.

xx
r, z Coordenadas de um ponto da seo radial.
rand Nmero aleatrio gerado no intervalo de 0 a 1.
r
B
Raio da plataforma fixa.


r
g
Baricentro da seo radial.
r
mn
, r
mx
, z
mn
, z
mx
limites do espao de trabalho pr-estabelecidos.
n
Espao Euclidiano n-dimensional.
Rot(
i-1
, X
i-1
) Matriz de rotao horria de um ngulo
i-1
em torno do eixo X
i-1
.
Rot(
i
, Z
i
) Matriz de rotao anti-horria de um ngulo
i
em torno do eixo Z
i
.
r
P
Raio da plataforma mvel.
r
t
Fator de resfriamento da temperatura T.
R
T
Transposta da matriz de transformao.
S
i
Deslocamentos das juntas prismticas.
T
0
, Tt Tempo inicial e tempo total de percurso, respectivamente.
m
T
0
Matriz de transformao homognea que representa as coordenadas
do efetuador em relao base.
t Tempo de percurso da trajetria
i
.
T Temperatura, parmetro de controle do SA.
T
f
Ordem de grandeza desejada para a preciso do ponto timo (SA).
t
ii,
t
if
Tempo inicial e final da trajetria
i
, respectivamente.
T
i
Vetor do desvio padro da funo objetivo em um intervalo dado (SA).
T
i
, T
f
Temperatura inicial e final, respectivamente (SA).
i
i
T
1
Matriz de transformao homognea que representa o sistema X
i
Y
i
Z
i

em Relao ao sistema X
i-1
Y
i-1
Z
i-1
.
Trans(a
i-1
, X
i-1
) Matriz de translao de a
i-1
unidades sobre o eixo X
i-1
.
Trans(d
i
, Z
i
) Matriz de translao de d
i
unidades sobre o eixo Z
i
.
u
ix
, u
iy
, u
iz
Componentes dos vetores com origem em P e extremidade nas juntas
esfricas H
i
.
) 1 ( + q
U Vetor resultante ou vetor experimental (trial vector).
V Volume do espao de trabalho dos robs manipuladores 3R.
) 1 ( + q
V Vetor modificado ou vetor doador (mutated vector, donor vector).
v
i
(i=1, 2, 3) Os vetores com origem no centro da plataforma fixa e extremidades
nos pontos O
i
centros dos mecanismos de quatro barras.

xxi
V
i
(i=1,..., 5) Expresses simplificadoras das equaes de velocidade e
aceleraes angulares.
V
i
(i=6,..., 24) Expresses simplificadoras dos vetores de foras e torques.
X Vetor das coordenadas do ponto P em relao ao sistema OXYZ, para
a seo 6.2.
T
n
x x x X ) ..., , , (
2 1
= Vetor das variveis de projeto.
X

, X

, X

, X

e X

Vetores escolhidos aleatoriamente na populao para gerar novo

indivduo.
X
best
Melhor indivduo da populao.
i
H
x ,
i
H
y ,
i
H
z Componentes das juntas esfricas.
inf
i
x ,
sup
i
x Limites inferiores e superiores das variveis de projeto,
respectivamente.
X
i
Y
i
Z
i
Sistema de referncia associado ao i-simo membro do rob
manipulador 3R.
) (q
s
X Vetor a ser substitudo na populao (target vector).

x ,

y ,

z Derivadas primeiras das componentes do vetor t.

x ,

y ,

z Derivadas segundas das componentes do vetor t.
W(H) Espao de trabalho formado pelo ponto H situado na extremidade do
rob.
w
k
Coeficientes de ponderao das funes multi-objetivos.


Letras gregas

i
ngulos de entrada formados entre as manivelas de entrada e as
bases de cada um dos mecanismos de quatro barras, para a seo
6.2.

i
Derivadas primeiras dos ngulos de entradas (velocidades angulares),
para a seo 6.2.

i
Derivadas segundas dos ngulos de entradas (aceleraes
angulares), para a seo 6.2.

xxii

i
,
i
Parmetros de Denavit-Hartenberg (ngulos de rotao), para a seo
6.1.

i
(t) Trajetria da perna i num instante t, para a seo 6.2.

ii,

if,
Ponto inicial e final da trajetria i, respectivamente, para a seo 6.2.
inf
i
,
sup
i
Limites inferiores e superiores de
i
, para a seo 6.2.

i
Maior ngulo entre as bielas dos mecanismos de quatro barras e os
vetores Gci a .

i
Define a direo do vetor fora de reao atuando na base do
segmento d
i
.

i
ngulos de rotaes estruturais entre OX e OX
i
,

bem como entre PH
p

e PH
i
.
, , ngulos de Euler.

Derivadas primeiras dos ngulos de Euler.

,

,

Derivadas segundas dos ngulos de Euler.
m
i
Nmero total de bits (alelos) de um cromossomo, onde m
i
o
tamanho do gene i.

i
Torque total de entrada.
inf
i
,
sup
i
Limites inferiores e superiores de
i.

Mi
Torque de entrada devido s pernas.

Pi
Torque de entrada devido a PM.
(X) Funo pseudo objetivo.
y
ngulo de rotao em torno do eixo Y.
ngulo de rotao em torno do eixo Z
P
.

Vetor acelerao angular.

bi
& ,
ci
& ,
di
& Aceleraes angulares dos segmentos b
i
, c
i
e d
i
respectivamente.

x
,

y
,

z
Componentes do vetor acelerao angular.
Vetor velocidade angular.
x
,
y
,
z
Componentes do vetor velocidade angular.


xxiii
SUMRIO


Resumo......................................................................................................................................... vii

Abstract.......................................................................................................................................... ix

Lista de Figuras............................................................................................................................. xi

Lista de Tabelas............................................................................................................................ xv

Lista de Smbolos ...................................................................................................................... xvii


CAPTULO 1 - Introduo............................................................................................................. 1

CAPTULO 2 - Formulao do problema geral de otimizao.................................................. 9

CAPTULO 3 - Reviso de alguns mtodos naturais................................................................15
3.1. Recozimento Simulado (Simulated Annealing)........................................................15
3.2. Algoritmos Genticos ..............................................................................................18
3.2.1. Seleo ........................................................................................................20
3.2.2. Cruzamento .................................................................................................22
3.2.3. Mutao .......................................................................................................23
3.2.4. Consideraes finais ...................................................................................24

CAPTULO 4 - Evoluo Diferencial ......................................................................................... 27
4.1. Operadores da Evoluo Diferencial ...................................................................... 28
4.1.1. Mutao ...................................................................................................... 28
4.1.2. Cruzamento ................................................................................................ 29
4.1.3. Seleo ....................................................................................................... 31
4.2. Estratgias da Evoluo Diferencial ....................................................................... 32
4.3. Algoritmo da Evoluo Diferencial ......................................................................... 34

CAPTULO 5 - Simulaes Numricas Aplicaes .............................................................. 37
5.1. Efeito da variao dos parmetros da Evoluo Diferencial .................................. 37
5.2. Funes matemticas sem restries ................................................................... 45
5.2.1. Exemplo 1.................................................................................................... 45
5.2.2. Exemplo 2.................................................................................................... 46
5.2.3. Exemplo 3.................................................................................................... 47
xxiv
5.3. Funes matemticas com restries ................................................................. 47
5.3.1. Exemplo 4 ................................................................................................. 48
5.3.2. Exemplo 5 ................................................................................................. 49
5.4. Problema de Engenharia: Problema do Despacho Econmico e Ambiental DEA..
............................................................................................................................... 50

CAPTULO 6 - Evoluo Diferencial aplicada a sistemas robticos ......................................53
6.1. Otimizao do espao de trabalho de manipuladores 3R...................................... 53
6.1.1. Cinemtica de robs manipuladores utilizando o mtodo de Denavit-
Hartenberg ..............................................................................................55
6.1.2. Espao de trabalho de manipuladores 3R ................................................58
6.1.3. Formulao do problema timo .................................................................62
6.1.4. Simulaes numricas ..............................................................................62

6.2. Otimizao de trajetrias do manipulador CaPaMan..............................................64
6.2.1. Descrio do CaPaMan..............................................................................64
6.2.2. Formulao da Trajetria...........................................................................66
6.2.3. Posio das juntas esfricas e suas derivadas temporais.........................67
6.2.4. Determinao dos ngulos de Euler..........................................................68
6.2.5. Determinao das derivadas temporais dos ngulos de Euler .................69
6.2.6. Matriz de transformao ............................................................................70
6.2.7. Coordenadas do ponto central da plataforma mvel .................................71
6.2.8. Derivadas temporais das coordenadas do ponto central ..........................71
6.2.9. Velocidades e aceleraes angulares .......................................................72
6.2.10. Dinmica da plataforma mvel ................................................................73
6.2.11. Dinmica dos paralelogramos articulados ...............................................77
6.2.12. O Torque total de entrada .......................................................................79
6.4.13. Formulao do Problema timo...............................................................80
6.2.14. Simulaes Numricas ............................................................................82

CAPTULO 7 - Concluses e Trabalhos Futuros .....................................................................89

REFERNCIAS BIBLIOGRFICAS.............................................................................................91

ANEXO I .......................................................................................................................................97



CAPTULO I



INTRODUO

Otimizao o processo de fazer algo melhor, consiste de variaes experimentais
sobre um conceito inicial e caminha no sentido de melhorar as informaes que o
caracterizam. A otimizao visa determinar a melhor configurao de projeto de um dado
sistema sem ter que testar todas as possibilidades possveis. Um problema de otimizao
pode apresentar vrias solues, assim, a definio de melhor soluo relativa ao
problema considerado, ao mtodo de soluo e s tolerncias adotadas.
Em sntese, pode-se dizer que otimizao o processo de ajuste de caractersticas de
um dado processo, matemtico ou experimental, para se encontrar o valor mximo ou
mnimo da funo associada ao referido processo, que represente seu desempenho.
O problema geral de otimizao consiste em minimizar ou maximizar uma funo
objetivo de n variveis, chamadas variveis de projeto ou de deciso, sujeita, ou no, a
restries de igualdade, desigualdade e restries laterais. Estas restries definem o
espao de busca vivel ou regio de busca onde se espera encontrar a melhor soluo,
tambm denominada soluo tima. A funo objetivo, tambm referida como funo de
adaptao (fitness) ou funo custo, e as funes de restries podem ser funes lineares
ou no lineares em relao s variveis de projeto. Tais funes podem ser explcitas ou
implcitas e serem calculadas por tcnicas analticas ou numricas.
Pode-se aplicar a otimizao em vrias reas do conhecimento. Nas ltimas dcadas,
a aplicao de otimizao em problemas de engenharia tem crescido consideravelmente.
Existem muitos mtodos de otimizao e cada um deles alcana melhor desempenho
dependendo do tipo de problema considerado. A escolha do mtodo depende de uma srie
de caractersticas do problema a ser otimizado, principalmente do comportamento da funo
que o representa, podendo ser de difcil determinao.
De acordo com as caractersticas dos problemas, pode-se classificar as ferramentas
de otimizao em dois grandes grupos: programao linear e programao no-linear.

2
Na programao linear, tanto a funo objetivo quanto as restries so lineares,
conseqentemente, trata-se de problemas convexos, que possuem mtodos para soluo
bem conhecidos (BREGALDA, et al., 1988; BERTSIMAS & TSITSIKILIS, 1997).
As tcnicas de otimizao tambm podem ser classificadas em mtodos
determinsticos e estocsticos, estes ltimos tambm conhecidos como mtodos naturais,
conforme esquematizado na Fig.1.1.
A maioria dos mtodos determinsticos so baseados no clculo de derivadas ou em
aproximaes destas, necessitando de informaes do vetor gradiente, seja procurando o
ponto onde ele se anula ou usando a direo para a qual aponta. Estes mtodos produzem
bons resultados quando as funes so contnuas, convexas e unimodais (MARTNEZ &
SANTOS, 1995; VANDERPLAATS, 1999; IZMAILOV & SOLODOV, 2005).

Mtodos de Otimizao
Mtodos Determinsticos
Diretos
Mt. Gradientes
Conjugados
Simplex
Indiretos
Mtodo de Powell
Mtodos Naturais
Baseados em
populao
Busca
Tabu
Recozimento
Simulado
Nelder-Mead
Algoritmos Evolucionrios
Estratgias de Evoluo
Algoritmos Genticos
Programao Evolutiva
Programao Gentica
Evoluo Diferencial
Sistema de Colnia de Formigas
Otimizao por Enxame de Partculas
Mt. da Mx. Descida
Mt. Direes Conjugadas
Mt. da Varivel Mtrica
Mtodo de Newton
Mtodos de Otimizao
Mtodos Determinsticos
Diretos
Mt. Gradientes
Conjugados
Simplex
Indiretos
Mtodo de Powell
Mtodos Naturais
Baseados em
populao
Busca
Tabu
Recozimento
Simulado
Nelder-Mead
Algoritmos Evolucionrios
Estratgias de Evoluo
Algoritmos Genticos
Programao Evolutiva
Programao Gentica
Evoluo Diferencial
Sistema de Colnia de Formigas
Otimizao por Enxame de Partculas
Mt. da Mx. Descida
Mt. Direes Conjugadas
Mt. da Varivel Mtrica
Mtodo de Newton


Figura 1.1 Classificao de alguns mtodos de Otimizao

Sendo um campo crescente de pesquisa e aplicao, torna-se difcil e perigoso
chamar qualquer mtodo de clssico. Pode-se entender como mtodos clssicos todo
algoritmo de otimizao e busca que usa apenas uma soluo atualizada em cada iterao
e que, principalmente, trata-se de mtodos determinsticos. Existe uma ampla bibliografia

3
disponvel sobre esta classe de mtodos (DEB, 1995; FOX, 1971; HAUG & ARORA, 1989;
HIMMELBLAU, 1972; REKLAITIS et al., 1983, VANDERPLAATS, 1999).
A maioria dos algoritmos clssicos ponto a ponto usa um procedimento determinstico
para aproximar a soluo tima. Tais algoritmos comeam de uma soluo inicial. Da,
baseado em regras de transio pr-especificadas, o algoritmo indica uma direo de
busca, obtida atravs de informaes locais. A busca unidimensional, isto , busca em
apenas uma dimenso, ento realizada ao longo da direo de busca at encontrar a
melhor soluo. Esta melhor soluo torna-se a nova soluo e o procedimento repetido
por um determinado nmero de vezes. A Fig.1.2 ilustra este procedimento. Os algoritmos,
em geral, variam no modo de escolher as direes de busca.
Segundo Deb (1995), os mtodos clssicos de otimizao podem ser classificados em
dois grupos distintos: mtodos diretos e mtodos indiretos. Nos mtodos de busca direta,
somente os valores da funo objetivo e das restries so usados para conduzir a
estratgia de busca, enquanto que os mtodos indiretos usam a primeira e/ou a segunda
derivada da funo objetivo e/ou restries para conduzir o processo de busca.


Figura 1.2 - Busca ponto a ponto

Como a informao da derivada no usada, os mtodos de busca direta so
freqentemente lentos, exigindo muitas avaliaes da funo objetivo para obter a
convergncia. Pela mesma razo, eles podem tambm ser aplicados a muitos problemas
sem necessidade de modificaes no algoritmo. Por outro lado, os mtodos baseados no
gradiente convergem mais rapidamente para perto da soluo tima, porm so ineficientes
quando aplicados a problemas que apresentam no diferenciabilidade ou descontinuidade.

4
Alm disso, h algumas dificuldades comuns entre as tcnicas diretas e as indiretas, como
segue:
1 A convergncia a uma soluo tima depende da escolha da soluo inicial;
2 Muitos algoritmos tendem a ficarem presos em uma soluo sub-tima (mnimos
locais);
3 Um algoritmo eficiente na soluo de um problema de otimizao pode no ser
eficiente na soluo de outro;
4 No so eficientes em tratar problemas onde o espao de busca discreto;
5 No so adequados para serem usados em computao paralela.
Como no-linearidades e interaes complexas entre as variveis de projeto ocorrem
freqentemente em problemas prticos de otimizao, os espaos de busca geralmente
contm mais de uma soluo tima. Assim, na soluo destes problemas, os mtodos
clssicos podem ser atrados por algum destes mnimos locais e no conseguirem escapar.
De uma forma geral, cada algoritmo clssico de otimizao indicado para resolver
um conjunto especfico de problemas. Por exemplo, o mtodo de Programao Geomtrica
destinado a resolver preferencialmente problemas do tipo polinomial. Programao
geomtrica eficiente na soluo de tais problemas, mas no podem ser aplicadas
facilmente para resolver outros tipos de funes. O Mtodo da Direo Conjugada ou
Mtodo dos Gradientes Conjugados eficiente para resolver funes objetivo quadrticas,
mas possuem dificuldades em trabalhar com problemas multi-objetivos. O mtodo de
programao linear sucessiva de Frank-Wolfe trabalha eficientemente com funes lineares
e restritas, mas para resolver problemas no lineares seu desempenho depende bastante
da escolha das condies iniciais (REKLAITIS et al., 1983). Assim, um algoritmo pode ser
mais adequado para um problema e no ser aplicado a outros. Isto requer do usurio
conhecimento de um grande nmero de algoritmos de otimizao, a fim de resolver
diferentes problemas.
Na maioria dos problemas prticos de otimizao, algumas variveis de projeto podem
assumir apenas valores discretos. Esta restrio freqentemente surge devido a condies
comerciais de alguns produtos ou componentes. Por exemplo, se o dimetro de um
componente mecnico uma varivel de projeto e este componente um produto
padronizado, o algoritmo de otimizao no pode usar qualquer dimetro arbitrrio.
Uma prtica usual para tentar resolver tais problemas supor que todas as variveis
so contnuas durante o processo de otimizao e, em seguida, adotar a medida
padronizada mais prxima da soluo tima encontrada. No entanto, h muitas dificuldades
para esta aproximao. Como valores inviveis de uma varivel de deciso so permitidos
no processo de otimizao, o algoritmo gasta muito tempo calculando solues inviveis.

5
Isto faz com que seja despendido um esforo de busca intil. Alm disso, durante os
clculos de ps-otimizao, os tamanhos padronizados escolhidos na vizinhana daqueles
valores timos devem ser verificados para cada varivel. Assim, para cada n destas
variveis, um total de 2n solues adicionais precisam ser avaliadas (restries laterais).
Deve-se considerar ainda que, verificar as duas opes para cada varivel, pode no
garantir a combinao tima em relao a outras variveis.
Todas estas dificuldades podem ser eliminadas se apenas valores viveis, isto ,
valores discretos, das variveis de projeto forem permitidos durante o processo de
otimizao.
Muitos problemas prticos de otimizao requerem o uso de software de simulao
envolvendo o Mtodo de Elementos Finitos, simulao computacional da mecnica dos
fluidos, soluo de equaes no lineares, ou outros mtodos computacionais complexos
para calcular a funo objetivo e as restries. Devido acessibilidade e disponibilidade de
sistemas de computao paralela, tornou-se vivel usar tais mtodos na otimizao de
problemas complexos. Como muitos mtodos clssicos usam aproximao ponto a ponto,
as vantagens dos sistemas paralelos no podem ser totalmente exploradas.
Em engenharia, os problemas geralmente so complexos, no-lineares, de difcil
representao e descritos por funes nem sempre diferenciveis, necessitando de mtodos
numricos para sua soluo. A abordagem anterior sugere que mtodos clssicos
enfrentam dificuldades na otimizao de alguns problemas deste tipo.
Os mtodos estocsticos podem reduzir algumas das dificuldades apresentadas
anteriormente, justificando o fato de que cada vez mais esto sendo desenvolvidas
pesquisas com estes mtodos, visando comparar seus resultados com os mtodos clssicos
na soluo de problemas de otimizao.
Os mtodos naturais, dos quais os algoritmos evolucionrios, ou evolutivos (AEs)
fazem parte, se caracterizam pela busca da melhor soluo atravs de regras de
probabilidade, trabalhando de maneira aleatria orientada. Tais mtodos utilizam apenas
as informaes da funo de otimizao, no requerendo informaes sobre suas derivadas
ou possveis descontinuidades.
Estas tcnicas ganharam popularidade com a evoluo dos computadores, j que
requerem um nmero elevado de avaliaes do problema. Isto necessrio para que se d
chance ao mtodo de explorar devidamente toda a regio do espao de busca em que est
contida a soluo tima, resultando em grande nmero de avaliaes da funo,
necessrios para encontrar a soluo.
Entre as tcnicas mais conhecidas dos mtodos naturais destacam-se os algoritmos
genticos (AGs), recozimento simulado (Simulated Annealing), estratgias evolucionrias

6
(EEs), programao evolutiva (PE), programao gentica (PG), que podem ser
encontrados na literatura especializada (HAUPT & HAUPT, 1998; DEB, 2001). Estes
algoritmos se baseiam em populao de indivduos, onde cada indivduo representa um
ponto de busca no espao de solues potenciais de um dado problema e imitam os
princpios da natureza para criar procedimentos de otimizao. Os Algoritmos Evolutivos
possuem alguns procedimentos de seleo baseados na aptido dos indivduos, e em
operadores de cruzamento e mutao.
O objetivo desta pesquisa estudar o mtodo de otimizao aleatrio denominado
Evoluo Diferencial (ED), desenvolvido por Storn e Price (1995), bem como analisar seu
desempenho em problemas de otimizao considerados de difceis solues. A idia
principal da Evoluo Diferencial gerar novos indivduos, denotados vetores doadores,
pela adio da diferena vetorial ponderada entre dois indivduos aleatrios da populao a
um terceiro indivduo. Ser mostrado que este princpio de usar diferenas de vetores para
perturbar a populao (indivduos) resulta em um mtodo de rpida convergncia, fcil
implementao e robusto. Sero estudadas algumas estratgias da evoluo diferencial que
so formuladas alterando-se a forma de obteno do operador mutao.
Este mtodo tem sido aplicado com sucesso em vrios campos da cincia, podendo
ser citado, entre muitos outros: soluo de projeto de sistemas (STORN, 1999), soluo de
sistemas lineares (CHENG & HWANG, 2001), transferncia de calor (BABU & MUNAWAR,
2001), projeto de rob manipulador (BERGAMASCHI et al., 2005). Nos ltimos anos a
Evoluo Diferencial tm sido bastante utilizada na otimizao de processos qumicos (Babu
et al., 2004; Babu et al., 2005; Babu et al.; 2006), cujos problemas envolvem a otimizao de
funes multi-objetivos, no-lineares, bastante complexas. Assim, a Evoluo Diferencial
est sendo identificada como uma fonte potencial para otimizao rpida e precisa.
Alm disso, sero descritos os mtodos naturais: Algoritmos Genticos e Recozimento
Simulado, com o objetivo de comparar os resultados do mtodo estudado.
Esta dissertao est dividida em 7 captulos. O captulo 2 apresenta uma formulao
geral do problema timo, bem como conceitos e definies importantes no estudo de
otimizao. Uma reviso dos mtodos naturais Recozimento Simulado e Algoritmos
Genticos apresentada no captulo 3.
O captulo 4 traz uma fundamentao terica do algoritmo de Evoluo Diferencial. No
captulo 5 realizada uma anlise estatstica de influncia dos parmetros da Evoluo
Diferencial. Alm disso, o algoritmo aplicado para otimizar funes matemticas, com e
sem restries, e na soluo do seguinte problema de engenharia: despacho econmico e
ambiental de gerao de energia eltrica, cujo objetivo selecionar as potncias geradoras

7
timas, assim como encontrar a demanda de carga com custo mnimo, e emisso mnima
de poluentes na atmosfera.
J no captulo 6, so apresentados dois problemas de otimizao com aplicaes em
robtica industrial: a maximizao do volume do espao de trabalho de manipuladores 3R e
a otimizao de trajetrias de um manipulador com estrutura paralela.
No captulo 7 tem-se as consideraes finais e sugestes para trabalhos futuros.

































CAPTULO II



FORMULAO DO PROBLEMA GERAL DE OTIMIZAO

Os mtodos de busca e otimizao consideram vrios conceitos importantes que so
descritos a seguir. Sejam dados um conjunto
n
e uma funo : f . Um
problema de otimizao visa determinar um minimizador de f no conjunto , sendo escrito
como:

min f(X) onde X (2.1)

O conjunto chamado conjunto vivel e define a regio onde esto as possveis
solues do problema. Tambm recebe o nome de regio vivel, espao de busca, ou ainda
espao de projeto. Para limitar um certo espao, utiliza-se as funes de restrio. Os
pontos de so chamados pontos viveis.
A funo f(X) a funo que atinge um valor extremo, ou seja, permite avaliar o grau
de otimalidade de cada elemento do espao de busca. chamada funo objetivo ou
funo custo, ou ainda funo de adaptao (fitness). A funo objetivo pode ser
unidimensional, ou seja, possui apenas uma varivel de projeto, ou multidimensional, isto ,
possui mais de uma varivel de projeto.
Varivel de projeto ou de deciso so variveis que se modificam durante o processo
de otimizao, ou seja, so quantidades que alteram o valor da funo objetivo, sendo
representadas por x
i
, para i =1,..., n.
Um ponto X
*
minimizador global de (2.1) se f(X
*
) f(X), para todo X e
minimizador local de (2.1) se existe uma vizinhana U de X
*
tal que f(X
*
) f(X), para todo
U X , como pode ser observado na Fig. 2.1.
Restries so funes que delimitam o espao de busca, atravs de igualdades ou
desigualdades matemticas, que estabelecem exigncias para a soluo tima.


10
Restries laterais so funes que servem para limitar os valores das variveis de
projeto, sendo definidas como: limite inferior x
inf
= (x
1
inf
, x
2
inf
,..., x
n
inf
)
T
e limite superior x
sup
=
(x
1
sup
, x
2
sup
,..., x
n
sup
)
T
, onde T representa a transposio do vetor.

f
X
x
1
f(x
1
)
x
2
x
3
x
4
f
X
x
1
f(x
1
)
x
2
x
3
x
4


Figura 2.1 - x
1
o minimizador global, f(x
1
) o valor timo, x
2
um minimizador local estrito,
[x
3
, x
4
] um conjunto de minimizadores locais no estritos

Restries ativas so as restries de desigualdade que so satisfeitas por X
*
na
igualdade, ou seja, X
*
pertencente ao conjunto vivel tal que g
j
(X
*
)=0, j = 1,..., J (MARTINEZ
& SANTOS,1995), caso contrrio, a restrio dita inativa.
A Figura 2.2 ilustra um exemplo onde j = 1 e j = 2 as restries so ativas e para j = 3
a restrio inativa.

g
1
(X)=0
g
1
(X)<0
g
3
(X)=0
g
3
(X)<0
g
2
(X)<0
g
2
(X)=0
X
*

g
1
(X)=0
g
1
(X)<0
g
3
(X)=0
g
3
(X)<0
g
2
(X)<0
g
2
(X)=0
X
*

Figura 2.2 - A restrio g
3
inativa no ponto timo pois ela no define a estrutura de em
torno de X
*


Ponto timo o vetor das variveis de projeto que satisfaz as restries, alm de
corresponder a um extremo da funo objetivo. Normalmente denotado por X
*
.
Valor timo o valor da funo objetivo no ponto timo.


11
Soluo tima o par formado pelo ponto timo e pelo valor timo, (X
*
, f(X
*
)),
podendo ser local ou global.
O problema geral de otimizao consiste em minimizar ou maximizar uma funo
objetivo, sujeita ou no a restries de igualdade, desigualdade e restries laterais.
A funo objetivo e as funes de restries podem ser funes lineares ou no
lineares em relao s variveis de projeto, implcitas ou explcitas, descontnuas, no-
diferenciveis, no convexas, calculadas por tcnicas analticas ou numricas.
Um problema de otimizao pode ser formulado como o de encontrar um vetor de n
variveis de projeto X =(x
1
, x
2
,, x
n
)
T
que otimize uma funo objetivo f(X), e satisfaa as
restries de igualdade, desigualdade e laterais. O problema geral pode ser escrito
conforme as Eqs.(2.2) e (2.3).

Minimizar f(X),
n
X (2.2)

Sujeito a

=
= =
=
n i x x x
L l X h
J j X g
i i i
l
j
,..., 1 ,
,..., 1 , 0 ) (
,..., 1 , 0 ) (
sup inf
(2.3)

Onde g
j
(X) representa as restries de desigualdade e h
l
(X) as restries de igualdade, se
houver.
Caso o problema seja maximizar a funo objetivo, basta transformar o problema
multiplicando a funo por 1, i.e., minimiza-se a funo f(X), pois as solues locais e
globais de ambos os problemas so as mesmas, com sinais opostos para os valores timos,
conforme a Fig. 2.3. Por isso, do ponto de vista matemtico, no existe nenhuma diferena
relevante entre os problemas de minimizao e de maximizao: todos os resultados
obtidos para uma classe de problemas podem ser estendidos para a outra classe sem
dificuldade (IZMAILOV & SOLODOV, 2005).

-f
f
X
X
*
f
-f
f
X
X
*
f


Figura 2.3 - max f(X) =min f(X)


12
Um problema de otimizao que possui mais de uma funo objetivo denominado
problema multi-objetivo ou multi-critrio. Em muitas situaes, vrias funes objetivo
precisam ser minimizadas ou maximizadas simultaneamente. Isto ocorre devido
complexidade dos problemas reais que, na maioria das vezes, apresentam objetivos
conflitantes entre si, ou seja, a melhoria de um objetivo provoca a piora de outro
(ESCHENAUER et al., 1990). Neste caso, as solues do problema so chamadas de
solues timas de Pareto (HAJ ELA & LIN, 1992). O problema pode ser escrito
matematicamente conforme as Eqs.(2.2) e (2.3), sendo que f(X) dada como um vetor
cujas componentes so k funes objetivo. Esta funo vetorial pode ser escrita como:

)] ( ),..., ( ), ( [ ) (
2 1
X f X f X f X f
k
= (2.4)

Existem vrias tcnicas para resolver este tipo de problema (OLIVEIRA, 2005a). A
tcnica aqui utilizada o mtodo dos objetivos ponderados. Neste mtodo, transforma-se o
vetor de funes objetivo em uma funo escalar. Assim, um problema de otimizao multi-
objetivo transformado em um problema de otimizao escalar (OSYCZKA, 1990), criando
uma funo da forma:

=
=
K
k
k
k
k
f
X f
w X f
1
0
) (
) ( (2.5)

onde, os coeficientes de ponderao w
k
so usualmente assumidos como:

1
1
=

=
K
k
k
w (2.6)

Seria desejvel que os coeficientes de ponderao w
k
representassem a importncia
relativa de cada critrio. Para que w
k
possa refletir de forma aproximada a importncia dos
objetivos, todas as funes devem ser expressas em unidades que aproximem os mesmos
valores numricos (DEB, 2001). Assim, na Eq.(2.5), a funo vetorial foi normalizada pelo
uso da soluo ideal f
k
0
. Esta soluo determinada obtendo-se separadamente o mnimo
vivel, para todas as funes objetivo. Em outras palavras:



13

= =
(2.3)
,..., 1 ), ( min
0
restries as sujeito
K k X f f
k k
(2.7)

Muitos algoritmos evolutivos de otimizao so desenvolvidos para resolver problemas
irrestritos. Assim, no caso de problemas com restries, torna-se necessrio introduzir
modificaes no mtodo. Neste estudo, utilizado o conceito de Funo de Penalidade
(MARTINEZ & SANTOS, 1995; VANDERPLAATS, 1999). Nesta tcnica, os problemas com
restries so transformados em problemas sem restries adicionando uma funo de
penalidade P(X) funo objetivo original para limitar as violaes das restries. Esta nova
funo objetivo, chamada pseudo objetivo, penalizada toda vez que encontrar uma
restrio ativa. Seja a funo pseudo objetivo, , dada conforme a Eq.(2.8).

) ( ) ( ) X P k X f X (
p
+ = (2.8)

[ ] { } [ ]

+ =

= =
J
j
L
l
l j
X h X g X P
1 1
2 2
) ( ) ( , 0 max ) (
(2.9)

onde f(X) a funo objetivo original dada na Eq.(2.2) ou (2.5), P(X) uma funo de
penalidade imposta dada pela Eq.(2.9), g
j
(X) e h
l
(X) so funes de restries de
desigualdade e igualdade, respectivamente, conforme a Eq.(2.3). O escalar k
p
um
multiplicador que quantifica a magnitude da penalidade. Para a eficincia do mtodo, deve-
se procurar um valor adequado para o fator de penalidade de forma a garantir que todas as
restries sejam obedecidas.











CAPTULO III



REVISO DE ALGUNS MTODOS NATURAIS

Os mtodos naturais so procedimentos iterativos que tentam simular os processos
usados na natureza para resolver problemas difceis. Estes algoritmos tambm so referidos
na literatura como algoritmos estocsticos, entre os mais conhecidos pode-se citar
Simulated Annealing, Busca Tabu e um grupo de mtodos baseados em populao. Neste
ltimo grupo destacam-se os Algoritmos Evolutivos ou Evolucionrios (Algoritmos
Genticos, Estratgias de Evoluo, Evoluo Diferencial, etc.) e os algoritmos baseados na
inteligncia coletiva (otimizao por enxame de partculas, colnia de formigas, etc.).
Diversas tcnicas vm sendo desenvolvidas e aprimoradas, dentre elas, neste captulo
sero considerados o Recozimento Simulado (Simulated Annealing) e os Algoritmos
Genticos (AGs). A seguir tem-se uma reviso destas tcnicas, uma vez que sero
utilizadas para comparar os resultados obtidos com a Evoluo Diferencial objeto de estudo
deste trabalho.


3.1. Recozimento Simulado (Simulated Annealing)

O algoritmo Recozimento Simulado surgiu em 1983, tendo como precursor Kirkpatrick
et al. (1983) que se baseou nas idias de Metropolis et al. (1953). Consiste em uma til
conexo entre a mecnica (comportamento de um sistema em equilbrio trmico a uma
temperatura finita) e a otimizao combinatria (encontrar o mnimo de uma dada funo
dependendo de vrios parmetros). Alguns resultados publicados utilizando esta tcnica, em
particular devido aos esquemas de resfriamento rpido (MASTERS, 1993), tm merecido a
ateno de fsicos e engenheiros.
Este mtodo de otimizao faz uma analogia com o processo de recozimento
(annealing) da metalurgia. Sabe-se da Metalurgia que, se o metal resfriado em condies
apropriadas, o cristal simples pode ser obtido (KIRKPATRICK et al., 1983). No recozimento,
o metal aquecido a altas temperaturas, causando um choque violento nos tomos. Se o


16
metal for resfriado de forma brusca, a microestrutura tende a um estado randomicamente
instvel, porm, se o metal resfriado de forma suficientemente lenta, o sistema procurar
um ponto de equilbrio caracterizado por uma microestrutura ordenada e estvel.
Metropolis et al. (1953) introduziram um mtodo numrico simples que representa o
estado de equilbrio de um conjunto de tomos a uma dada temperatura.
Cada configurao definida por um conjunto de tomos de energia E e temperatura
T. A cada passo do algoritmo, os tomos sofrem um pequeno deslocamento aleatrio
provocando uma pequena alterao de energia E no sistema. Se esta nova energia E
menor ou igual a zero (E 0), o deslocamento aceito e esta configurao usada como
ponto de partida do prximo passo. Caso contrrio, (E > 0), o deslocamento ainda pode ser
aceito dependendo da probabilidade da configurao dada por:

=
T K
E
b
e E P ) ( (3.1)

onde K
b
a constante de Boltzmann.
Um nmero aleatrio rand, uniformemente distribudo, deve ser gerado no intervalo [0,
1]. Se rand P(E) a nova configurao aceita. Se rand > P(E) a configurao anterior
utilizada para iniciar um novo passo.
A escolha da funo de probabilidade P(E), conforme descrito acima, deve-se ao fato
de que o sistema evolui segundo uma distribuio de Boltzmann, mas outras funes de
distribuio podem ser testadas.
Os parmetros do algoritmo so: a funo custo, que representa a energia do sistema;
as variveis de projeto, que descrevem sua configurao e a temperatura, que um
parmetro de controle (CORONA et al., 1987).
Se T tiver magnitude muito superior ao desvio padro da funo no intervalo, quase
todos os pontos so aceitos. Ao passo que se T for igual a zero, o mtodo se torna uma
busca aleatria do mnimo. Assim, adota-se: T
i
como o valor do desvio padro da funo
objetivo no intervalo estudado e T
f
com a ordem de grandeza desejada para a preciso do
ponto timo (SARAMAGO & FARIA, 2001).
Na otimizao via Recozimento Simulado considera-se a perturbao aleatria das
variveis de projeto e a manuteno do melhor valor da funo objetivo. As variveis de
projeto so perturbadas aleatoriamente e armazena-se o melhor valor da funo objetivo a
cada perturbao. A temperatura ento reduzida e novas tentativas executadas. Este


17
procedimento continua at escapar de um mnimo local. Ao final do processo pretende-se
obter um mnimo global.
Aps algumas tentativas o melhor valor da funo chamado de centro (center), em
torno do qual ocorrero as perturbaes na prxima temperatura.
O algoritmo do mtodo, desenvolvido por Saramago et al. (1999), pode ser
acompanhado atravs da Fig. 3.1.

Incio
Nova
Temperatura?
Sim
( )
best
f X f <
Center =X
X
best
=X
f
best
=f(X)
Sim
No
t
r T T * =
1
ln

=
temp
i
f
n
T
T
t
e r
Sim
Fim
Resfriou?
(frosen)
No
Avaliar a funo f(X)
Definir a nova configurao (Shake)
rand T center X * + =
No

=
T K
E
b
e E P ) (
Sim
X Center = ) ( E P rand <
No
Definir os parmetros de controle
X =X
inicial
Center =X
f
best
= f(X)
Incio Incio
Nova
Temperatura?
Sim Sim
( )
best
f X f <
Center =X
X
best
=X
f
best
=f(X)
Sim
Center =X
X
best
=X
f
best
=f(X)
Sim Sim
No
t
r T T * =
1
ln

=
temp
i
f
n
T
T
t
e r
Sim Sim
Fim
Resfriou?
(frosen)
No
Avaliar a funo f(X)
Definir a nova configurao (Shake)
rand T center X * + =
No

=
T K
E
b
e E P ) (

=
T K
E
b
e E P ) (
Sim
X Center =
Sim
X Center = X Center = ) ( E P rand < ) ( E P rand <
No
Definir os parmetros de controle
X =X
inicial
Center =X
f
best
= f(X)

Figura 3.1 - Fluxograma do Recozimento Simulado

Os parmetros de controle para iniciar o procedimento so: a funo objetivo f(X); as
variveis de projeto iniciais, X; o nmero de variveis de projeto, n; a temperatura inicial T
i
;
a temperatura final T
f
; o nmero de iteraes para cada temperatura, n
iters
; o nmero de
temperaturas, n
temp
e o critrio de parada.


18
A configurao inicial das variveis de projeto adotada como centro. O valor inicial da
funo objetivo adotado como o melhor valor.
No prximo passo, o nmero aleatrio rand gerado e as variveis so modificadas
(shake). Na Eq.(3.2) observa-se que quatro valores randmicos so gerados, de forma que
a varivel rand seja adotada como mdia zero (MASTERS, 1993). Assim, uma nova
configurao obtida pela Eq.(3.3) e um novo valor da funo objetivo pode ser calculado.


4 3 2 1
rand rand rand rand rand + = (3.2)

rand T center X * + = (3.3)

O esquema inicia-se com uma temperatura alta, que reduzida discretamente, usando
o fator r
t
, 0 < r
t
< 1, conforme Eqs.(3.4) e (3.5):


1
ln

=
temp
i
f
n
T
T
t
e r (3.4)


t
r T T * =
(3.5)

Aps a temperatura ser reduzida, novas tentativas so executadas. Este procedimento
repetido at escapar de um mnimo local. Ao final do processo pretende-se obter um
mnimo global.


3.2. Algoritmos Genticos (AGs)

So mtodos de busca semi-aleatria baseada na teoria de evoluo de Charles
Darwin. Esses mtodos operam com conjuntos de candidatos, chamados de populao, que
so constantemente modificados utilizando dois princpios bsicos da evoluo natural das
espcies: seleo e variao. Estes princpios tentam representar a competio onde os
indivduos mais aptos reproduzem e repassam seu material gentico s geraes futuras, e
os indivduos menos aptos tendem a desaparecer da populao (DEB, 2001).
O mtodo foi desenvolvido por John Holland (1975) na Universidade de Michigan e
popularizado por um de seus alunos, David Goldberg (1989), que apresentou a soluo de
problemas complexos de engenharia usando os algoritmos genticos.


19
Fazendo uma analogia com o processo da evoluo natural, as solues candidatas
so denominadas indivduos, tambm referidos na literatura como cromossomos, cadeia de
valores de parmetros ou cadeias binrias (HAUPT & HAUPT, 1998; DEB, 2001).
Resumidamente, o procedimento o seguinte: define-se os parmetros de otimizao
e a funo objetivo, em seguida faz-se uma codificao dos parmetros, procede-se uma
seqncia repetitiva de procedimentos que consistem em avaliar, selecionar, recombinar e
modificar os indivduos, gerando, assim, novas populaes. Esses procedimentos so
efetuados com base na aptido de cada soluo, em que indivduos com melhores aptides
tero uma maior probabilidade de serem selecionados para o processo de cruzamento,
passando assim parte dos seus genes a seus descendentes. Cada iterao desse processo
recebe o nome de gerao. A finalizao realizada atravs de testes de convergncia,
sendo que um nmero mximo de geraes deve sempre ser estabelecido. O melhor
indivduo ser adotado como soluo do problema.
A codificao dos parmetros da funo objetivo pode ser expressa por bits (binria)
ou por parmetros contnuos (nmeros reais ou pontos flutuantes). Neste captulo,
apresentado o algoritmo gentico binrio, a fim de facilitar a compreenso dos algoritmos
genticos clssicos, sendo citados alguns aspectos que os diferem dos algoritmos com
parmetros contnuos. Na codificao real, a representao de um cromossomo d com n
parmetros, dados por p
1
, p
2
, ..., p
n
, escrito como um vetor com 1n elementos, tal que:

cromossomo
d
= [p
1
, p
2
, ..., p
n
] (3.6)

Na Eq.(3.6) cada parmetro representado por um nmero real. No algoritmo gentico
binrio, a codificao de um cromossomo d que possui n parmetros com, por exemplo, 5
bits cada apresentada na Fig. 3.2.

=
3 2 1
8 7 6
3 2 1
8 7 6
3 2 1
8 7 6
3 2 1
8 7 6
n
n
i
i
gene
x
gene
x
gene
x
gene
x
d
cromossomo 00101 ... 01010 ... 01100 11010
2
2
1
1


Figura 3.2 - Representao de um cromossomo com n genes de 5 bits cada

Cada gene representa uma varivel da funo objetivo. Os bits zeros e uns da cadeia
binria correspondem aos alelos da gentica. O nmero total de bits de um cromossomo
dado por m
i
,

i=1,...,n, onde m
i
o comprimento do gene i. Este comprimento depende da


20
preciso requerida para o problema e da amplitude do intervalo definido pelas restries
laterais, podendo ser obtido, usando a Eq.(3.7).

=
preciso
x x
m
i i
i
inf sup
2
log
(3.7)

A decodificao pode ser feita conforme a Eq.(3.8) generalizada. Os tamanhos dos
genes podem ser diferentes, pois dependem das restries laterais.

( )
1 2
inf sup
2
inf

+ =
i
m
i i
i i i
x x
gene decimal x x , i = 1, ..., n (3.8)

onde ( )


=
=
1
0
2
2
i
i
i
i
m
p
p
p i
bit gene decimal o valor decimal da varivel, sendo
i
p
bit o bit
correspondente posio p
i
do gene i.
Tanto a evoluo biolgica quanto os algoritmos genticos comeam com uma
populao inicial constituda por Np indivduos gerados aleatoriamente. Com a populao
inicial definida, calcula-se a funo objetivo, que geralmente referida na literatura, como
funo de avaliao (fitness) ou funo custo. Esta funo associa um valor numrico,
conhecido como grau de adaptao, a cada indivduo da populao. Quando possvel, esta
funo deve ser de clculo rpido, uma vez que ela deve ser avaliada para todos os
indivduos da populao, o que tende a elevar o esforo computacional.
Os procedimentos bsicos que transformam a populao ao longo das geraes em
busca da soluo do problema de otimizao caracterizam os operadores genticos:
seleo, cruzamento e mutao. Na prtica, tem-se verificado que a consistncia de um AG
garantida por estes trs operadores (HAUPT & HAUPT, 1998). Uma descrio destes
operadores dada a seguir.

3.2.1 Seleo (Reproduo)
Este operador determina quais indivduos sero escolhidos para o cruzamento. O grau
de adaptao de cada cromossomo caracterizado de acordo com o valor da funo custo.
Em um problema de maximizao, por exemplo, quanto maior este valor, maior a
probabilidade de contribuir gerao seguinte. Existem vrios mecanismos para executar o
operador seleo (DeJONG, 1975; GOLDBERG, 1989).


21
Na seleo elitista os melhores indivduos de uma populao intermediria so
escolhidos. Para obter a populao intermediria escolhe-se a metade da populao de uma
gerao que corresponde aos indivduos mais aptos, sendo a outra metade eliminada.
Desse modo o cruzamento realizado com os melhores indivduos e espera-se que a
convergncia do algoritmo se torne mais rpida.
Na seleo aleatria, como indica o prprio nome, os indivduos de uma populao
intermediria so selecionados aleatoriamente para o posterior cruzamento.
Na seleo por torneio dois indivduos so escolhidos aleatoriamente, a seguir gera-se
um nmero aleatrio rand [0, 1]. Se rand for menor que um parmetro previamente
definido, que determina o quanto este operador ser elitista, o melhor indivduo escolhido,
seno o outro sobreviver.
Outra forma de fazer a seleo atravs do mtodo da Roleta, no qual a probabilidade
de seleo de um indivduo diretamente proporcional ao valor da funo custo. Por
exemplo, sejam quatro cromossomos com suas respectivas aptides dados conforme a Tab.
3.1. A probabilidade de seleo a razo entre a aptido de cada cromossomo e o
somatrio da aptido de todos os outros conforme a Eq.(3.9):

=
=
Np
j
j
d
d
p
p
P
1
, d = 1,..., Np (3.9)

Tabela 3.1 - Exemplo do mtodo de seleo Roleta

n Cromossomo Aptido (p
d
) P
d
Pa
d
Graus
1 1100101010 10,0 0,500 0,500 180
2 1001010101 5,0 0,250 0,750 90
3 1110100101 2,5 0,125 0,825 45
4 0010101001 2,5 0,125 1,000 45
20,0 1,00 1,000 360

Na Tabela 3.1, Pa
d
so as probabilidades acumulativas dos cromossomos, sendo
dada por:

=
=
d
z
z d
P Pa
1
, d = 1,..., Np (3.10)

Para a representao grfica na roleta, conforme Fig. 3.3, multiplica-se esta razo por
360 graus.


22
0,5
2
1
4
3
0,75
0,25
0
1
0,5
2
1
4
3
0,75
0,25
0
1

Figura 3.3 - Exemplo da seleo por roleta

Quanto maior a participao do cromossomo na rea da roleta, maior a probabilidade
dele continuar na populao.
A seguir, deve-se selecionar as cadeias que iro contribuir para a gerao seguinte.
Gera-se um conjunto de nmeros aleatrios rand [0, 1] em quantidade igual ao nmero
de indivduos da populao. Por exemplo, se rand < Pa
1
, seleciona-se o primeiro
cromossomo, seno, passa-se para o indivduo subseqente e faz-se a anlise novamente.
No processo de seleo, observa-se que alguns cromossomos podem ser
selecionados mais de uma vez, ou seja, os melhores sero copiados mais vezes, enquanto
que os piores no sobrevivero.

3.2.2 Cruzamento
Nos sistemas biolgicos o cruzamento pode ocorrer durante a reproduo sexuada
permitindo a troca de material gentico entre dois indivduos. O algoritmo gentico utiliza os
cromossomos determinados no processo de seleo para gerarem novos descendentes.
Este operador a primeira forma do algoritmo explorar o espao de busca e evitar uma
convergncia prematura, ou seja, evitar timos locais (HAUPT & HAUPT, 1998; BRAGA,
1998).
A forma mais simples de cruzamento envolve dois pais que iro produzir dois
descendentes. A quantidade de cromossomos da populao a ser submetida ao cruzamento
definida atravs da probabilidade de cruzamento Pc, fornecida pelo usurio. bastante
usual adotar para esta probabilidade Pc

=

60%.
O processo de escolha dos indivduos que sero cruzados deve ser feito em pares,
gerando nmeros aleatrios rand
d
[0, 1], d = 1,..., Np. Por exemplo, se rand
1
for menor
que a probabilidade Pc, ento o primeiro cromossomo da populao ser selecionado.
Desta forma, um cromossomo d selecionado para o cruzamento se rand
d
< Pc. A posio
de cruzamento selecionada entre o primeiro e o ltimo bit dos cromossomos paternos.
Uma maneira de selecionar esta posio descrita a seguir:


23
Seja p
c
a posio de cruzamento na cadeia binria de cada cromossomo, dada
conforme a Eq.(3.11).

p
c
= 1 + rand [(m
i
1) 1] (3.11)

onde rand um nmero aleatrio no intervalo [0, 1] e m
i
,

i = 1,..., n, a quantidade de bits
do cromossomo, que tambm representa a posio do ltimo bit no cromossomo.
Cada cadeia quebrada na posio p
c
e todas as informaes de um cromossomo,
compreendidas entre as posies p
c
+1 e m
i
, so copiadas para o outro cromossomo e
vice-versa, como ilustrado na Fig. 3.4.



Figura 3.4 - Representao do operador cruzamento simples entre dois indivduos

No caso contnuo, o modo mais simples escolher um ou mais pontos no cromossomo
e indic-los como posies de cruzamento. As posies onde deve ocorrer o cruzamento
so selecionadas aleatoriamente e conforme a Fig. 3.5, percebe-se nos descendentes uma
combinao dos parmetros de ambos os pais.



Figura 3.5 - Representao do operador cruzamento uniforme com parmetros contnuos

Existem outros tipos de cruzamento que podem ser vistos na literatura (HAUPT &
HAUPT, 1998; MICHALEWICZ, 1996; ESHELMAN & SHAFFER, 1993).

3.2.3 Mutao
uma modificao aleatria do material gentico dos indivduos, ou seja, a alterao
de pequenas percentagens nos bits dos cromossomos. Sendo uma outra forma do algoritmo
gentico explorar a regio de busca. Este operador pode introduzir caractersticas que no
dependem da populao original aumentando a diversidade da populao, podendo evitar
que o algoritmo convirja prematuramente.
Uma estratgia usual a mutao de ponto nico, que modifica o bit 1 para 0 e vice
versa em determinadas posies do cromossomo, conforme Fig. 3.6. Os pontos de mutao
so selecionados aleatoriamente em uma matriz Npm
i
,

i=1,..., n, que representa o nmero


24
total de bits da populao. Aumentar o nmero de mutaes aumenta a liberdade do
algoritmo em buscar solues fora do espao de busca, para evitar isso, usualmente faz-se
mutao de 1% a 5% do total de bits por iterao. Esta mutao no se aplica aos melhores
indivduos, pois so considerados de elite.



Figura 3.6 - Representao do operador mutao

Uma forma de realizar a mutao gerar pares aleatrios (A, B), onde A representa o
cromossomo a sofrer a mutao e B representa a posio do bit a ser mudado. Outra forma
selecionar aleatoriamente a posio em um cromossomo, obedecendo a uma
probabilidade de mutao P
m
(tambm conhecida como taxa de mutao), e mudar o valor
do bit. Neste caso, necessrio gerar nmeros aleatrios rand no intervalo [0, 1] em mesma
quantidade de bits total da populao, representando a posio seqencial de cada bit na
matriz populacional. Para os casos onde rand for menor que a probabilidade P
m
sero feitas
as mutaes nos bits correspondentes. Geralmente, recomenda-se usar P
m
igual a 1%.
(HAUPT & HAUPT, 1998).
Na representao real, a probabilidade de mutao adequada est entre 1% e 20%. O
parmetro que sofre mutao substitudo por um novo parmetro gerado aleatoriamente.
Depois de realizadas as mutaes, os custos associados aos descendentes e aos
cromossomos que sofreram mutaes so calculados, compondo a prxima gerao.

3.2.4 Consideraes finais
Como o algoritmo iterativo, o procedimento acima repetido at obter uma soluo
desejvel. Usualmente usado como critrio de parada o nmero mximo de geraes,
porm existem outros critrios tais como: estagnao da populao (os cromossomos e
seus respectivos custos se repetem); existncia de um indivduo com qualidades
satisfatrias, entre outros. A Fig. 3.7 mostra um fluxograma bsico de um algoritmo gentico
binrio.
O melhor indivduo, ou seja, aquele que possuir a melhor aptido ser adotado como
soluo do problema de otimizao.
Os algoritmos genticos apresentam algumas vantagens quando comparados aos
mtodos de otimizao determinsticos, podendo citar: facilidade em sua implementao;
eficincia ao evitarem timos locais; no requerem o clculo de derivadas, o que favorece a
otimizao de funes complicadas; so robustos e apresentam desempenho satisfatrio na


25
resoluo de vrios tipos de problemas, entre outras. Como desvantagem do mtodo, tem-
se o elevado custo computacional, e alm disto, nem sempre a soluo tima global
precisa (HAUPT & HAUPT, 1998).

Fim

=
preciso
x x
m
i i
i
inf sup
2
log
Criar a populao
Seleo
Cruzamento
Avaliar o custo
Mutao
( )
1 2
inf sup
2
inf

+ =
i
m
i i
i i i
x x
gene decimal x x
No
Sim
Decodificao
Codificao Incio
1
0
1 0 1 1 1 0
1 0 1 1 0 0
1 0 1 1 0 1 0
1 1 0 0 1 1 1
Critrio de
parada satisfeito?
Fim

=
preciso
x x
m
i i
i
inf sup
2
log
Criar a populao
Seleo
Cruzamento
Avaliar o custo
Mutao
( )
1 2
inf sup
2
inf

+ =
i
m
i i
i i i
x x
gene decimal x x ( )
1 2
inf sup
2
inf

+ =
i
m
i i
i i i
x x
gene decimal x x
No
Sim
Decodificao
Codificao Incio
1
0
1 0 1 1 1 0
1 0 1 1 0 0
1
0
1 0 1 1 1 0
1 0 1 1 0 0
1 0 1 1 1 0
1 0 1 1 0 0
1 0 1 1 0 1 0
1 1 0 0 1 1 1
1 0 1 1 0 1 0
1 1 0 0 1 1 1
Critrio de
parada satisfeito?


Figura 3.7 - Fluxograma bsico de um algoritmo gentico binrio













CAPTULO IV



EVOLUO DIFERENCIAL (ED)

Dentre os algoritmos evolucionrios, destaca-se o algoritmo de Evoluo Diferencial
(Differential Evolution), desenvolvido por Storn e Price em 1995, visando a busca por
melhores resultados com uma abordagem um pouco diferente da utilizada nos algoritmos
genticos e nas estratgias de evoluo. Trata-se de um mtodo de busca direta estocstica
que surgiu de tentativas de resolver o problema de ajuste polinomial de Chebychev. Kenneth
Price introduziu a idia de usar diferenas de vetores para perturbar a populao de vetores
(indivduos) resultando em um mtodo que requer poucas variveis de controle, de rpida
convergncia, fcil de usar e robusto (STORN, 2006).
A escolha do algoritmo de Evoluo Diferencial para otimizao numrica, conforme
Cheng e Hwang (2001), est baseada nas seguintes caractersticas:
um algoritmo de busca estocstica, originado dos mecanismos de seleo natural;
Dificilmente torna-se preso em timos locais, pois busca a soluo tima global
manipulando uma populao de solues, ou seja, buscando simultaneamente a
soluo em diferentes regies do espao de busca;
muito eficaz para resolver problemas de otimizao com funo objetivo
descontnua, pois no requer informao sobre suas derivadas;
Permite que os parmetros de entrada e sada sejam manipulados como nmeros
ordinrios reais (pontos flutuantes) sem processamento extra, e, portanto, utiliza
eficientemente os recursos do computador;
Trabalha bem como otimizador local porque os diferenciais gerados por uma
populao convergente eventualmente tornam-se infinitesimais;
eficaz trabalhando com uma populao pequena.

Seja uma populao inicial escolhida aleatoriamente composta por Np indivduos,
chamados vetores, cobrindo todo o espao de busca. Para um problema com n variveis de
projeto, cada vetor possui n componentes. Geralmente, esta populao criada por uma
distribuio de probabilidade uniforme, quando no h nenhum conhecimento sobre o

28
problema. Assim, a populao segue uma evoluo natural, porm o nmero de indivduos
permanece fixo durante o processo de minimizao.
A idia principal da evoluo diferencial gerar novos indivduos, denotados vetores
modificados ou doadores, pela adio da diferena vetorial ponderada entre dois indivduos
aleatrios da populao a um terceiro indivduo. Esta operao chamada mutao.
As componentes deste novo indivduo doador so misturadas com as componentes de
um indivduo escolhido aleatoriamente (denotado vetor alvo ou vetor a ser substitudo), para
resultar o chamado vetor tentativa, ou vetor experimental. O processo de misturar os
parmetros referido freqentemente como cruzamento na comunidade dos algoritmos
evolutivos.
Se o custo do vetor experimental for menor que o custo do vetor alvo, ento o vetor
experimental ser o vetor alvo da gerao seguinte. Esta ltima operao chamada
seleo. O procedimento finalizado atravs de algum critrio de parada.


4.1. Operadores da Evoluo Diferencial

Os operadores da evoluo diferencial se baseiam no princpio da evoluo natural
cujos objetivos so manter a diversidade da populao, evitar convergncias prematuras e
obter a melhor soluo.

4.1.1 Mutao
Para a obteno do vetor doador V
(q+1)
, considere os vetores X

(q)
, X

(q)
e X

(q)
distintos
entre si e escolhidos aleatoriamente em uma populao com Np indivduos. Np deve ser
maior ou igual a 4 para garantir uma quantidade suficiente de indivduos para a execuo do
mtodo. Os ndices aleatrios , ,

{1,..., Np} so inteiros distintos entre si. Utilizando o
par de vetores (X

, X

) da q-sima gerao define-se o vetor diferena (X

). Esta
diferena multiplicada por F
p
, sendo denotada diferena vetorial ponderada ou apenas
diferena ponderada e ser usada para perturbar o terceiro vetor X

. O fator de perturbao
F
p
um nmero real, positivo pertencente ao intervalo [0, 2] e controla a amplitude do vetor
diferena.
O processo de mutao pode ser escrito como:

) (
) ( ) ( ) ( ) 1 ( q q
p
q q
X X F X V

+ =
+
(4.1)


29
A Figura 4.1 mostra um exemplo bidimensional que ilustra os diferentes vetores que
geram o vetor doador V
(q+1)
.
Np indivduos da gerao q
Indivduo recmgerado V
( q+1)
Mnimo
x
x
x
x
x
x
x
x
x
x
x
x
x
) (q
s
X
) q (
X

) q (
X

) q (
X

) (
) ( ) ( q q
p
X X F


) (
) ( ) ( ) ( ) 1 ( q q
p
q q
X X F X V

+ =
+
x
2
x
1
Np indivduos da gerao q
Indivduo recmgerado V
( q+1)
Mnimo
x
x
x
x
x
x
x
x
x
x
x
x
x
) (q
s
X
) q (
X

) q (
X

) q (
X

) (
) ( ) ( q q
p
X X F


) (
) ( ) ( ) ( ) 1 ( q q
p
q q
X X F X V

+ =
+
x
2
x
1


Figura 4.1 - Processo para gerar o vetor doador V
(q+1)
de uma funo bidimensional

4.1.2 Cruzamento
Considere que para cada vetor alvo X
s
(q)
, s

{1,..., Np}, e diferente dos ndices , e ,
foi gerado um vetor doador. O cruzamento introduzido para aumentar a diversidade dos
indivduos que sofreram a mutao. Assim, utilizando o vetor doador e o vetor alvo, as
componentes do vetor experimental U
(q+1)
so escolhidas pela seguinte comparao:

= >

=
+
+
. ,..., 1 , , ) (
. , ) (
) (
) (
) 1 (
) 1 (
n i Pc rand se i x
Pc rand se i v
i u
i
q
s
i
q
q
(4.2)

sendo v(i)
(q+1)
a (q+1)-sima componente do vetor doador V
(q+1)
, x
s
(i) a do vetor alvo X
s
(q)
e
rand
i
um nmero gerado aleatoriamente no intervalo [0, 1], Pc[0,1] a probabilidade do
cruzamento e representa a probabilidade do vetor experimental herdar os valores das
variveis do vetor doador, devendo ser fornecida pelo usurio. Quando Pc = 1, por exemplo,
todas as componentes do vetor experimental viro do vetor doador V
(q+1)
. Por outro lado, se
Pc = 0, todas as componentes do vetor experimental viro do vetor alvo X
s
(q)
.
Este tipo de cruzamento, apresentado por Storn e Price (1995) denominado operador
cruzamento binomial (devido aos experimentos binomiais independentes), sendo executado
em cada varivel sempre que um nmero aleatrio rand[0, 1] for menor que a

30
probabilidade de cruzamento Pc. A Fig 4.2 mostra o processo de cruzamento binomial para
uma funo de 7 variveis.

) q (
1
X
) q (
2
X
) q (
3
X
) q (
4
X
) q (
Np
X
) q (
X

) q (
X

) q (
X

i =1
i =2
i =7
) (q
s
X
) 1 ( + q
U
) 1 ( + q
V
(alvo) (mutao) (cruzamento)
) ( ) (
) ( ) 1 ( q
s
q
X f U f
+
se
) (q
s
X
K K
Pc rand
2
Pc rand
4
Pc rand
7
) q (
1
X
) q (
2
X
) q (
3
X
) q (
4
X
) q (
Np
X
) q (
X

) q (
X

) q (
X

i =1
i =2
i =7
) (q
s
X
) 1 ( + q
U
) 1 ( + q
V
(alvo) (mutao) (cruzamento)
) ( ) (
) ( ) 1 ( q
s
q
X f U f
+
se ) ( ) (
) ( ) 1 ( q
s
q
X f U f
+
se
) (q
s
X
K K
Pc rand
2
Pc rand
4
Pc rand
7


Figura 4.2 - Ilustrao do processo de cruzamento binomial para 2 = , 4 = e Np =

Alguns anos mais tarde, Storn e Price (1997) desenvolveram o operador cruzamento
exponencial, em que o cruzamento executado nas variveis enquanto o nmero aleatrio
rand[0,1] for menor que a probabilidade de cruzamento Pc. A primeira vez que este
nmero aleatrio ultrapassar o valor de Pc, nenhum cruzamento executado e as variveis
restantes so deixadas intactas, ou seja:

Enquanto Pc rand
i
,
) 1 ( ) 1 (
) ( ) (
+ +
=
q q
i v i u ,
Se n i j j x j u Pc rand
q
s
q
i
),..., 1 ( , ) ( ) ( ,
) ( ) 1 (
+ = = >
+
(4.3)

A Figura 4.3 mostra o processo de cruzamento exponencial para uma funo de 7
variveis.
Se aps o cruzamento uma ou mais componentes do vetor experimental estiver fora
da regio de busca, definida pelas restries laterais das variveis de projeto, as seguintes
correes devem ser feitas:

31

= >
=
= <
sup sup
inf inf
) ( ) ( ) ( ) (
..., , 1
) ( ) ( ) ( ) (
i x i u ento i x i u Se
n i
i x i u ento i x i u Se
(4.4)

) q (
1
X
) q (
2
X
) q (
3
X
) q (
4
X
) (q
s
X
) q (
Np
X
) q (
X

) q (
X

) q (
X

i =1
i =2
i =7
) (q
s
X
) 1 ( + q
U
) 1 ( + q
V
(alvo) (mutao) (cruzamento)
) ( ) (
) ( ) 1 ( q
s
q
X f U f
+
se
K K
Pc rand
1
Pc rand
2
Pc rand
3
Pc rand >
4
) q (
1
X
) q (
2
X
) q (
3
X
) q (
4
X
) (q
s
X
) q (
Np
X
) q (
X

) q (
X

) q (
X

i =1
i =2
i =7
) (q
s
X
) 1 ( + q
U
) 1 ( + q
V
(alvo) (mutao) (cruzamento)
) ( ) (
) ( ) 1 ( q
s
q
X f U f
+
se
K K
Pc rand
1
Pc rand
2
Pc rand
3
Pc rand >
4


Figura 4.3 - Ilustrao do processo de cruzamento exponencial para 2 = , 4 = e Np =

4.1.3 Seleo
A seleo o processo de produzir filhos melhores. Diferentemente de outros
algoritmos evolutivos, a evoluo diferencial no usa hierarquia (elitismo) nem seleo
proporcional. Ao invs disso, o custo do vetor experimental U
(q+1)
calculado e comparado
com o custo do vetor alvo X
s
(q)
. Se o custo do vetor experimental for menor que o custo do
vetor alvo, o vetor alvo da prxima gerao ser o vetor experimental. Caso contrrio, o
vetor alvo da prxima gerao ser o vetor alvo da gerao atual.
Em outras palavras, este processo pode ser escrito como:

= >
=
+ +
+ + +
) ( ) 1 ( ) ( ) 1 (
) 1 ( ) 1 ( ) ( ) 1 (
) ( ) (
) ( ) (
q
s
q
s
q
s
q
q q
s
q
s
q
X X ento X f U f Se
U X ento X f U f Se
(4.5)

32
O procedimento acima finalizado atravs de algum critrio de parada, sendo que o
nmero mximo de geraes deve ser estabelecido.
Usualmente, o desempenho do algoritmo de ED depende principalmente do tamanho
da populao Np, da regio de busca, da taxa de cruzamento e tambm do fator de
perturbao F
p
.


4.2. Estratgias da Evoluo Diferencial

Diferentes estratgias da evoluo diferencial podem ser obtidas alterando-se a forma
de obteno dos operadores mutao e cruzamento, de acordo com:
- o tipo de indivduo (X

) a ser modificado na formao do vetor doador;

- o nmero de vetores diferenciais (diferenas ponderadas) considerados;
- o tipo de cruzamento a ser utilizado.
Para classificar as diferentes variaes, Storn e Price (1995) introduziram a seguinte
notao:
Estratgia ED/a/b/c
onde,
a especifica o vetor (X

) a ser perturbado. Se este vetor for escolhido aleatoriamente

entre os indivduos da populao, este parmetro da estratgia representado como a =
rand. Caso o vetor X

seja adotado como o vetor de menor custo da populao (X
best
),
representa-se este parmetro por a = best.
b determina o nmero de vetores diferena usados para a perturbao de X

na
obteno do vetor doador. Por exemplo, o operador mutao, dado na Eq.(4.1) utiliza um
vetor diferena, assim b = 1.
c representa o tipo de cruzamento adotado. Se for utilizado o cruzamento binomial
tem-se o parmetro c = bin , se for o cruzamento exponencial c = exp.
Usando esta notao e supondo cruzamento binomial, a Eq.(4.1) pode ser escrita
como: ED/rand/1/bin.
Considere agora que o vetor doador seja obtido por:

) (
) ( ) ( ) ( ) 1 ( q q
p
q
best
q
X X F X V

+ =
+
(4.6)

Neste caso, onde o melhor indivduo X
best
foi perturbado, tem-se a estratgia
ED/best/1/bin ou ED/best/1/exp, dependendo do cruzamento utilizado.

33
Se o nmero de indivduos da populao for grande o suficiente, a diversidade da
populao pode ser melhorada usando duas diferenas ponderadas para perturbar um vetor
existente, ou seja, cinco vetores distintos so escolhidos aleatoriamente na populao atual.
O vetor diferencial usa dois pares de diferenas ponderadas para perturbar X

, que pode ser

aleatrio ou o melhor vetor da populao atual. Este processo pode ser escrito como:

) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q q
p
q q
X X F X X F X V

+ + =
+
(4.7)

ou

) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q q
p
q
best
q
X X F X X F X V

+ + =
+
(4.8)

Os ndices aleatrios , , , ,

{1,2,..., Np}, so inteiros mutuamente distintos e
diferentes do ndice s, tal que Np 6. De acordo com o cruzamento adotado, a Eq.(4.7)
representa a estratgia ED/rand/2/bin ou ED/rand/2/exp. De forma similar, a Eq.(4.8)
representa a estratgia ED/best/2/bin ou ED/best/2/exp

Tabela 4.1 - Representao das estratgias da evoluo diferencial

Nmero Mutao Notao
1
) (
) ( ) ( ) ( ) 1 ( q q
p
q q
X X F X V

+ =
+

ED/rand/1/bin
2
) (
) ( ) ( ) ( ) 1 ( q q
p
q
best
q
X X F X V

+ =
+

ED/best/1/bin
3 ) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q q
p
q q
X X F X X F X V

+ + =
+
ED/rand/2/bin
4
) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q q
p
q
best
q
X X F X X F X V

+ + =
+

ED/best/2/bin
5
) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q
old
q
best p
q
old
q
X X F X X F X V

+ + =
+

ED/rand-to-best/2/bin
6
) (
) ( ) ( ) ( ) 1 ( q q
p
q q
X X F X V

+ =
+

ED/rand/1/exp
7
) (
) ( ) ( ) ( ) 1 ( q q
p
q
best
q
X X F X V

+ =
+

ED/best/1/exp
8 ) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q q
p
q q
X X F X X F X V

+ + =
+

ED/rand/2/exp
9
) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q q
p
q
best
q
X X F X X F X V

+ + =
+

ED/best/2/exp
10
) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q
old
q
best p
q
old
q
X X F X X F X V

+ + =
+

ED/rand-to-best/2/exp



34
Existem ainda outras duas estratgias, onde o vetor doador tem contribuies do
melhor indivduo da populao (X
best
) e de algum indivduo da gerao anterior (X
old
), alm
dos seguintes vetores diferena:

) ( ) (
) ( ) ( ) ( ) ( ) ( ) 1 ( q q
p
q
old
q
best p
q
old
q
X X F X X F X V

+ + =
+
(4.9)

Dependendo do tipo de cruzamento adotado, a Eq.(4.9) pode representar as
estratgias ED/rand-to-best/2/bin ou ED/rand-to-best/2/exp.
Resumidamente, as dez estratgias podem ser descritas de acordo com a Tab. 4.1.
Cabe ressaltar que uma estratgia que funciona bem para um dado problema pode
no funcionar bem quando aplicada a outro problema, sendo recomendvel que vrias
estratgias sejam testadas para o mesmo problema.


4.3. Algoritmo da Evoluo Diferencial

(i) Definir a estratgia a ser usada (vide Tab. 4.1), escolher o fator de perturbao F
p
e a
probabilidade de cruzamento Pc;

(ii) (inicializao) Gerar uma populao inicial aleatria, utilizando, por exemplo, a
distribuio uniforme:

( )
inf sup inf ) (
) ( ) ( ) ( ) ( i x i x rand i x i x
i
q
d
+ = , i = 1,..., n; d = 1,..., Np

onde
sup inf
) ( ) ( ) ( i x i x i x so as restries laterais, rand
i
[0, 1] e neste caso, q=1.

(iii) Escolher um indivduo aleatrio
) (q
s
X ou adotar
) (q
best
X , de acordo com a estratgia
escolhida, a ser substitudo (alvo);

(iv) Escolher outros trs indivduos
) (q
X

,
) (q
X

e
) (q
X

, s ou cinco indivduos
distintos, dependendo da estratgia adotada em (i);

(v) (mutao) Gerar um indivduo doador
) 1 ( + q
V de acordo com a estratgia escolhida, por
exemplo:


35
) (
) ( ) ( ) ( ) 1 ( q q
p
q q
X X F X V

+ =
+
ou ) (
) ( ) ( ) ( ) 1 ( q q
p
q
best
q
X X F X V

+ =
+


(vi) (cruzamento) Gerar um indivduo
) 1 ( + q
U a ser comparado com
) (q
s
X ou
) (q
best
X atravs da
equao dada por:

= >

=
+
+
. ,..., 1 , ), ) ( ( ) (
. , ) (
) (
) ( ) (
) 1 (
) 1 (
n i Pc rand se i x ou i x
Pc rand se i v
i u
i
q
best
q
s
i
q
q


Se aps o cruzamento uma ou mais componentes de
) 1 ( + q
U estiver fora da regio de
busca, faz-se a seguinte correo:

Se
inf
) ( ) ( i x i u < , ento faz-se
inf
) ( ) ( i x i u = ,
Se
sup
) ( ) ( i x i u > , ento faz-se
sup
) ( ) ( i x i u = , i = 1,..., n.

(vii) (seleo) Escolher o melhor indivduo analisando a funo objetivo:

Se ) ( ) (
) ( ) 1 ( q
s
q
X f U f
+
ento
) 1 ( ) 1 ( + +
=
q q
s
U X ;
Se ) ( ) (
) ( ) 1 ( q
s
q
X f U f >
+
ento
) ( ) 1 ( q
s
q
s
X X =
+
.

(viii) (critrio de parada) Se um critrio de parada satisfeito, fim. Seno, passar para a
prxima gerao (q = q+1) e voltar ao passo (iii).















CAPTULO V



SIMULAES NUMRICAS APLICAES

Neste captulo feita uma comparao entre os resultados obtidos com Algoritmos
Genticos, Recozimento Simulado e as diversas estratgias do algoritmo de Evoluo
Diferencial, a fim de observar o comportamento do ltimo mtodo citado. Primeiramente
apresentado um estudo cujo objetivo analisar o efeito dos parmetros fornecidos pelo
usurio para a utilizao da Evoluo Diferencial, para isto utilizou-se a funo de Rastrigin
(MENDES, 2004; OLIVEIRA, 2004) bidimensional. Em seguida so examinadas funes
matemticas com ou sem a imposio de restries. Finalmente, apresenta-se o problema
do despacho econmico e ambiental de gerao de energia eltrica, cujo objetivo
selecionar as potncias geradoras timas, assim como encontrar a demanda de carga com
custo mnimo e emisso mnima de poluentes na atmosfera.
Os mtodos de otimizao foram executados utilizando cdigos computacionais
implementados em Matlab7, sendo utilizado um microcomputador com as seguintes
configuraes: microprocessador Intel(R) Pentium; (R) 4 CPU 2.40 GHz, AT/AT compatvel,
261664 KB RAM. Os Algoritmos Genticos foram aplicados usando o cdigo computacional
GAOT (HOUCK et al., 1995), adotando-se os parmetros padres: Np=80; preciso de 10
-6
;
nmero de geraes igual a 100; seleo tipo rankeamento com probabilidade de 80% e
probabilidade de mutao de 1%. Os parmetros utilizados pelo Recozimento Simulado
(SARAMAGO & FARIA, 2001) foram: quantidade de temperaturas: n
temps
=100; quantidade
de iteraes para cada temperatura n
iters
=300; temperatura inicial igual a 2,5 e desvio padro
final de 0,001.


5.1. Efeito da variao dos parmetros da Evoluo Diferencial

Seja a funo conhecida como funo de Rastrigin, que possui 10
n
mnimos locais,
dada pela Eq.(5.1). Considerando n=2, tem-se uma funo com 100 mnimos locais,
conforme Fig. 5.1, e soluo analtica f(X
*
)=0 e X
*
=(0,0)
T
.

38

=
+ =
n
i
i i n
x x n x x f
1
2
1
)] 2 cos( 10 [ 10 ) ,..., ( , x
i
[-10, 10], i=1,2 (5.1)


Figura 5.1 - Funo de Rastrigin bidimensional, dada pela Eq.(5.1)

Por se tratar de uma funo amplamente estudada, a funo de Rastrigin foi escolhida
para um estudo cujo objetivo analisar o efeito dos parmetros fornecidos pelo usurio e
obter melhores valores que possibilitem bons desempenhos das estratgias da evoluo
diferencial.
Para realizar esta anlise, foram utilizados inicialmente os parmetros recomendados
por Storn (1997), sendo substitudos de acordo com a obteno de melhores parmetros
resultantes deste estudo. A preciso estabelecida foi da ordem de 10
-6
e o nmero mximo
de geraes foi 200.
Cada estratgia foi executada 20 vezes, considerando o melhor valor obtido destas
execues. Este procedimento foi realizado para cada parmetro testado, a saber:

1 teste: Variao do Fator de Perturbao dos indivduos na populao (F
p
):

Neste primeiro teste faz-se a variao do fator de perturbao dos indivduos na
populao, considerando valores na faixa de 0,1 a 2,0, enquanto os parmetros fixos so:
Np=10, Nger=200 e Pc=0,5;
A Figura 5.2 mostra as curvas das dez estratgias do algoritmo de evoluo diferencial
considerando a influncia do fator de perturbao F
p
, sobre o erro absoluto dos valores
timos da funo em estudo, dada pela Eq.(5.1).


39


Figura 5.2 - Erro absoluto da funo objetivo em relao variao do fator de perturbao
F
p
(fixando: Np=10, Nger=200 e Pc=0,5)

Observa-se que para um erro da ordem de 0,1x10
-5
, todas as estratgias
apresentaram bons resultados para F
p
na faixa de 0,4 a 0,8.
Analisando o grfico de F
p
versus nmero de avaliaes da funo, conforme Fig. 5.3,
observa-se que para todas as estratgias, uma maior perturbao na populao
(aumentando o valor de F
p
) representa a necessidade de um nmero maior de avaliao da
funo objetivo, resultando em um maior esforo computacional, Na faixa considerada
melhor pela anlise do grfico anterior, com F
p
variando de 0,2 a 0,8, a maioria das
estratgias apresentam um nmero de avaliaes da funo razovel (inferior a 1500
avaliaes, excees feitas para as estratgias 3, 5, 8 e 10).

2 teste: Variao da Probabilidade de Cruzamento (Pc):

Para verificar a variao da probabilidade de cruzamento dos indivduos, foram
considerados valores pr-estabelecidos na faixa de 0 a 1, adotando-se os parmetros fixos:
Np=10; Nger=200 e F
p
=0,8;
Observa-se na Fig. 5.4, que estabelecendo um erro da ordem de 10
-6
, para a taxa de
cruzamento na faixa de 0,4 a 0,8, todas as estratgias atendem o erro estabelecido, no
sendo recomendado trabalhar com Pc abaixo de 0,3.


40

Figura 5.3 - Nmero de avaliao da funo objetivo em relao variao do fator de
perturbao F
p
(fixando Np=10, Nger=200 e Pc=0,5)



Figura 5.4 - Erro absoluto da funo objetivo em relao variao da taxa de cruzamento
Pc (fixando: Np=10, Nger=200 e F
p
=0,8)

A Figura 5.5 mostra que, para a maioria das estratgias, o nmero de avaliaes da
funo decai com o aumento da taxa de cruzamento. Acima de 0,9 este comportamento
instvel.


41


Figura 5.5 - Nmero de avaliao da funo objetivo em relao variao da taxa de
cruzamento Pc (fixando: Np=10, Nger=200 e F
p
=0,8)

Comparando as Figs. 5.4 e 5.5, verifica-se que a taxa de cruzamento entre 0,4 e 0,8,
alm de apresentar menor erro absoluto apresenta uma menor variao no nmero de
avaliaes da funo. Abaixo de 0,3 e acima de 0,9, o nmero de avaliaes da funo
cresceu para algumas estratgias, por exemplo, verifique o comportamento da estratgia 7.

3 teste: Variao do nmero de indivduos da populao (Np):

Este teste faz a variao do nmero de indivduos da populao, cujo objetivo a
verificao da influncia deste parmetro no desempenho do algoritmo. Foram
estabelecidas populaes com 5, 10, 15, 20, 25, 30, 40, 50, 70 e 90 indivduos. Os
parmetros fixos foram: F
p
=0,8; Nger=200 e Pc=0,5;
Observando a Fig. 5.6, verifica-se que erros da ordem de 0,5x10
-6
so atingidos por
todas as estratgias independentemente do nmero de indivduos da populao. Apenas a
estratgia 10 apresentou uma ligeira dificuldade com Np inferior a 15.
Observa-se claramente na Fig. 5.7 que ao aumentar o nmero de indivduos da
populao, o nmero de avaliaes da funo aumenta significativamente.
Comparando a Fig. 5.6 com a Fig. 5.7, comprova-se que o algoritmo de evoluo
diferencial indicado a ser aplicado com pequeno nmero de indivduos na populao,
sendo esta sua principal caracterstica. Quando comparado com os algoritmos genticos,

42
por exemplo, a vantagem representa a diminuio do tempo computacional, conforme ser
apresentado nas simulaes numricas.



Figura 5.6 - Erro absoluto da funo objetivo em relao variao do nmero de indivduos
da populao Np (fixando: F
p
=0,8, Nger=200 e Pc=0,5)




Figura 5.7 - Nmero de avaliao da funo objetivo em relao variao do nmero de
indivduos da populao Np (fixando F
p
=0,8, Nger=200 e Pc=0,5)


43
4 teste: Variao do nmero mximo de geraes (Nger):

Este ltimo teste consiste em variar o nmero mximo de geraes considerando 50,
100, 200 e 300 geraes. Os parmetros fixos utilizados foram: Np=10, Pc=0,6 e F
p
=0,8.
A Figura 5.8 mostra claramente que ao aumentar o nmero de geraes de 50 para
100 houve uma queda do erro para a maioria das estratgias. Acima de 100 geraes houve
uma estabilizao.
Na Figura 5.9, o aumento do nmero de geraes significou um aumento no nmero
de avaliaes da funo, mas no to significativo como aconteceu na Fig. 5.7, quando
elevou-se o nmero de indivduos da populao.
Comparando a Fig. 5.8 com a Fig. 5.9, verifica-se que acima de 100 geraes o erro
extremamente pequeno, no alterando-se com a variao do nmero de geraes. Assim
no justifica aumentar o esforo computacional com a elevao do nmero de avaliaes da
funo objetivo, uma vez que no causar melhoras no resultado.



Figura 5.8 - Erro absoluto da funo objetivo em relao variao do nmero mximo de
geraes Nger (fixando: Np=10, Pc=0,6 e F
p
=0,8)

Concluses:
Conclui-se, portanto, que os melhores parmetros para a evoluo diferencial obtidos
nesta anlise foram: valores baixos para o nmero de indivduos da populao; nmero
mximo de geraes em torno de 200; taxa de perturbao dos indivduos F
p
[ 0,4 a 0,8] e
probabilidade de cruzamento Pc [ 0,4 a 0,8]. Vale ressaltar que foram testadas outras
funes e repetiu-se estes mesmos parmetros da Evoluo Diferencial.

44


Figura 5.9 - Nmero de avaliao da funo objetivo em relao variao do nmero
mximo de geraes Nger (fixando: Np=10, Pc=0,6 e F
p
=0,8)

Os resultados da otimizao utilizando os melhores parmetros obtidos na anlise
podem ser observados na Tab. 5.1, verificando-se que todas as tcnicas encontraram o
mnimo global. Todas as estratgias da evoluo diferencial encontraram resultados to
bons quanto os algoritmos genticos e simulated annealing.

Tabela 5.1 - Resultados da otimizao para a funo de Rastrigin, Eq.(5.1)

f(X
*
) x
1
x
2

1 5,4610
-9
4,0110
-6
-3,3810
-6

2 3,4910
-8
-6,4310
-6
-1,1610
-5

3 3,0910
-9
2,7510
-6
-2,8310
-6

4 3,7710
-8
8,5010
-7
1,3810
-5

5 3,0810
-7
-3,4110
-5
-1,9810
-5

6 1,2210
-9
-2,0810
-6
-1,3510
-6

7 2,4210
-8
-1,0910
-5
1,7510
-6

8 3,5210
-8
1,2910
-6
1,32610
-5
9 1,0410
-7
1,8710
-5
1,3210
-5






ED
10 1,7810
-8
7,3110
-6
6,0110
-6

AGs 2,1010
-8
7,7810
-6
6,7310
-6

SA 3,2710
-8
1,0810
-5
6,9310
-6






45
5.2. Funes Matemticas sem restries

Nesta seo, o objetivo a minimizao de algumas funes matemticas sem
restries, amplamente encontradas na literatura. Os parmetros adotados para a Evoluo
Diferencial, baseando-se na anlise apresentada na seo 5.1 foram: Np=15; Nger=200;
F
p
=0,8 e Pc=0,6.

5.2.1 Exemplo 1
Trata-se da funo de Rosenbrok, com duas variveis de projetos, dada pela Eq.(5.2),
compreendida no espao de busca x
i
[-2.048, 2.048].


2
1
2
2
2
1 2 1
) 1 ( ) ( 100 ) , ( x x x x x f + = (5.2)

A Tabela 5.2 mostra os valores timos das variveis de projeto e da funo objetivo,
utilizando as 10 estratgias da evoluo diferencial, algoritmos genticos e recozimento
simulado.

Tabela 5.2 Resultados timos para a funo de Rosenbrok, Eq.(5.2)

f(X
*
) x
1
x
2

1 1,3410
-8
0,9999 0,9998
2 1,3910
-8
0,9999 0,9999
3 1,7510
-7
1,0002 1,0005
4 2,0710
-8
0,9999 0,9997
5 3,1910
-8
1,0002 1,0003
6 3,2410
-9
1,0000 1,0000
7 3,0110
-9
0,9999 0,9999
8 3,1910
-8
0,9998 0,9997
9 4,9510
-8
1,0002 1,0004





ED
10 7,5210
-10
1,0000 0,9999
AGs 1,0010
-4
0,9926 0,9852
SA 3,3210
-9
0,9999 0,9999

A soluo analtica desta funo f(X
*
)=0 e X
*
=(1,1)
T
. Observando a Tab. 5.2, verifica-
se que todas as tcnicas estudadas mostraram eficincia na busca da soluo tima. As
estratgias da evoluo diferencial apresentaram melhores resultados que os AGs.






46
5.2.2 Exemplo 2
Esta uma funo no linear, dada na Eq.(5.3), cuja soluo analtica f(X
*
)=0 e
X
*
=( 10, 10)
T
. Na Tab. 5.3, observa-se que foram obtidos mnimos negativos e positivos,
que so solues simtricas, conforme Fig. 5.10.

[ ]
10
1
2
2
2 2
1 2 1
) 10 ( ) 10 ( ) , ( + = x x x x f , x
i
[-4, 15] (5.3)



Figura 5.10 - Representao grfica da funo dada pela Eq.(5.3)

Observando a Tab. 5.3, verifica-se que todas as estratgias da evoluo diferencial
apresentam solues com melhores precises que os AGs e SA.

Tabela 5.3 - Resultados da otimizao da funo dada pela Eq.(5.3)

f(X
*
) x
1
x
2

1 1,1010
-3
-3,1623 10,0000
2 1,1010
-3
-3,1623 10,0000
3 1,8010
-2
3,1623 10,0000
4 5,4010
-3
3,1623 10,0000
5 1,1010
-3
3,1623 10,0000
6 2,4010
-3
-3,1623 10,0000
7 1,1010
-3
-3,1623 10,0000
8 2,1510
-2
-3,1623 10,0000
9 5,4010
-3
3,1623 10,0000





ED
10 1,1010
-3
-3,1623 10,0000
AGs 9,5510
-2
3,1623 10,0000
SA 1,2910
-1
3,1623 10,0000



47
5.2.3 Exemplo 3
Neste exemplo, considera-se a funo de Rastrigin com n=5, com o objetivo de
verificar o desempenho/ eficcia da ED, uma vez que aumentando o nmero de variveis de
projeto tambm aumenta a dificuldade dos mtodos de otimizao.

=
+ =
n
i
i i n
x x n x x f
1
2
1
)] 2 cos( 10 [ 10 ) ,..., ( , x
i
[-10, 10] (5.4)
Considerando n=5, tem-se 10
5
mnimos locais. Naturalmente, torna-se difcil encontrar
o mnimo global, cuja soluo analtica f(X
*
)=0 e X
*
=(0, 0, 0, 0, 0)
T
.

Tabela 5.4 - Resultados da otimizao para a funo de Rastrigin, dada pela Eq.(5.4)

f(X
*
) x
1
x
2
x
3
x
4
x
5

1 6,3210
-4
-1,6010
-3
-6,0010
-4
1,0010
-4
-4,0010
-4
3,0010
-4

2 6,9110
-7
-4,5510
-5
1,9110
-5
-3,0510
-6
1,5810
-5
2,8110
-5

3 4,0110
-1
-1,3910
-2
9,9010
-3
4,8010
-3
2,1310
-2
3,5510
-2

4 5,9610
-4
-4,0010
-4
7,0010
-4
1,4010
-3
-1,0010
-4
-7,0010
-4
5 1,5810
-4
-2,0710
-5
-6,3410
-4
6,1410
-4
-9,4410
-5
-9,7710
-5
6 4,1210
-5
-3,3310
-4
-1,8210
-4
1,1310
-4
-4,4810
-5
-2,1910
-4
7 7,9810
-7
-3,9110
-5
9,3810
-6
3,1510
-5
3,7110
-5
-5,9110
-6
8 3,4410
-1
7,0010
-3
-3,3710
-2
-1,0710
-2
2,0010
-4
-2,0910
-2
9 3,5610
-4
3,1210
-4
4,0610
-4
-9,4910
-4
-2,2110
-4
-7,6410
-4





ED
10 1,2210
-6
3,1010
-5
-5,8710
-5
-7,8510
-6
-3,4410
-6
-4,0910
-5
AGs 1,2210
-4
-3,9110
-4
-8,1010
-6
1,2210
-4
3,0810
-4
-5,9210
-4

Observando a Tab. 5.4, verifica-se que as estratgias 3 e 8 apresentaram resultados
piores que AGs. No entanto, as demais estratgias obtiveram melhores resultados ou
equivalentes aos AGs. Isso mostra a eficincia das estratgias da evoluo diferencial. O
Recozimento Simulado no foi eficiente na otimizao desta funo, encontrando apenas
mnimos locais.


5.3. Funes Matemticas com Restries

Os algoritmos de otimizao natural foram inicialmente desenvolvidos para resolver
problemas irrestritos. Assim, nesta pesquisa, para solucionar problemas com a presena de
restries, funes de penalidades so impostas funo objetivo originando uma nova
funo irrestrita denominada funo pseudo objetivo (VANDERPLAATS, 1999), conforme
definido nas Eqs.(2.8) e (2.9).

48
Nesta seo, deseja-se minimizar duas funes com restries e comparar os
resultados entre as tcnicas descritas anteriormente. Os parmetros utilizados foram os
mesmos descritos anteriormente. Considerando a dificuldade dos algoritmos evolutivos
obedecerem s restries, adotou-se um fator de penalidade alto para garantir a eficincia
do mtodo. Assim, para todos os casos, utilizou-se o fator de penalidade k
p
=1000, para a
aplicao da Eq.(2.8).

5.3.1 Exemplo 4
Seja o problema de otimizao definido por:

Min ) 2 sen( 1 , 1 ) 4 sen( ) , (
2 2 1 1 2 1
x x x x x x f + = , x
i
[0, 10] (5.5)
Sujeito a:

=
+ =
0
0 16
2 1 2
2 1 1
x x ) X ( g
x x ) X ( g
(5.6)

Usando as Eqs.(2.8) e (2.9), esta funo pode ser reescrita como um problema
irrestrito:

Min ) ( ) ( ) ( X P k X f X
p
+ =
onde
2
2
2
1
)]} ( , 0 {max[ )]} ( , 0 [ max { ) ( X g X g X P + = (5.7)

Tabela 5.5 - Resultados da otimizao restrita para o problema definido nas Eqs.(5.5) e (5.6)

f(X
*
) x
1
x
2
g
1
g
2

1 -16,7676 7,4340 8,5818 0,0159 -1,1478
2 -16,7439 7,4562 8,5580 0,0141 -1,1018
3 -16,7181 7,4390 8,5627 0,0018 -1,1237
4 -16,3701 7,4736 8,4870 -0,0394 -1,0134
5 -16,6373 7,4024 8,6033 0,0058 -1,2009
6 -16,5282 7,4702 8,5123 -0,0175 -1,0421
7 -16,6697 7,4443 8,5472 -0,0085 -1,1029
8 -16,5801 7,4075 8,5719 -0,0206 -1,1645
9 -16,5514 7,4159 8,5506 -0,0336 -1,1347





ED
10 -16,5496 7,3962 8,5899 -0,0139 -1,1937
AGs -16,7189 7,4328 8,5694 0,0022 -1,1365
SA -16,7189 7,4369 8,5650 0,0036 -1,1280

Observando a Tab. 5.5, verifica-se que todas as estratgias da evoluo diferencial
foram eficientes na minimizao, sendo que as estratgias 1 e 2 apresentam resultados
melhores que as outras tcnicas. Observe que quando as restries no so obedecidas,
elas esto dentro de uma faixa de tolerncia aceita pelos programas.


49
5.3.2 Exemplo 5
Considere o problema de otimizao, onde tanto a funo quanto as restries so
no-lineares, dado por:

Min 50 7 21 2 5 5 ) ,..., (
4
2
4 3
2
3 2
2
2 1
2
1 4 1
+ + + + + = x x x x x x x x x x f (5.8)
Sujeito a: 0 10 2 2 ) (
4
2
4
2
3
2
2 1
2
1 1
+ + = x x x x x x X g
0 8 ) (
4
2
4 3
2
3 2
2
2 1
2
1 2
+ + + + + = x x x x x x x x X g (5.9)
0 5 2 2 ) (
4
2
3 2
2
2 1
2
1 3
+ + + = x x x x x x X g , ] 10 , 10 [
i
x

Este exemplo, cuja soluo terica X

=(0, 1, 2, -1)
T
, f(X
*
)

=6, g
1

=-5, g
2

=0 e g
3

=0,
pode ser reescrito como:

Min ) ( ) ( ) ( X P k X f X
p
+ =
onde
2
3
2
2
2
1
)]} ( , 0 max[ { )]} ( , 0 max[ { )]} ( , 0 max[ { ) ( X g X g X g X P + + = (5.10)

Tabela 5.6 - Resultados da otimizao restrita para o problema definido nas Eqs.(5.8) e (5.9)

f(X
*
) x
1
x
2
x
3
x
4
g
1
g
2
g
3

1 5,9979 -0,0034 1,0085 2,0003 -0,9978 -4,9544 4,2910
-4
9,9910
-4

2 5,9975 0,0003 0,9997 2,0002 -0,9998 -4,9998 4,9710
-4
9,9910
-4

3 6,0044 0,0225 0,9893 1,9875 -1,0158 -5,1623 -2,4010
-3
1,3010
-3

4 6,0022 -0,0194 1,0112 2,0108 -0,9842 -4,8448 -3,8310
-4
9,9610
-4

5 5,9975 0,0001 1,0004 2,0002 -0,9997 -4,9970 5,1310
-4
9,8910
-4

6 5,9982 0,0030 0,9908 2,0007 -1,0012 -5,0406 7,6610
-4
7,1610
-4

7 5,9975 0,0002 1,0002 2,0002 -0,9997 -4,9978 4,9710
-4
1,0010
-3

8 6,0071 -0,0116 1,0328 1,9984 -0,9950 -4,8465 -7,9410
-4
-5,8910
-4

9 5,9936 0,0012 1,0077 1,9981 -1,0006 -4,9798 8,9610
-4
2,9010
-3






ED
10 5,9975 0,0002 1,0001 2,0002 -0,9997 -4,9982 5,0110
-4
1,0010
-3

AGs 6,0416 -0,0469 0,9431 2,0478 -0,9510 -4,8366 -1,8010
-3
1,3010
-3

SA 5,9832 0,0003 0,9998 2,0002 -0,9997 -4,9962 5,1010
-3
5,9010
-3


Observando a Tab. 5.6, verifica-se que todas as estratgias da Evoluo Diferencial
minimizaram a funo obedecendo as restries. A eficincia do mtodo pode ainda ser
comprovada ao se verificar que todas as estratgias obtiveram valores inferiores ao
resultado encontrado pelos AGs.




50
5.4. Problema de Engenharia: Despacho Econmico e Ambiental (DEA)

O objetivo do problema do despacho econmico e ambiental de gerao de energia
eltrica selecionar as potncias geradoras assim como encontrar a demanda de carga
com custo mnimo e emisso mnima de poluentes na atmosfera, enquanto satisfaz todas as
unidades e restries do sistema. Assim, o objetivo minimizar duas funes objetivo
conflitantes: o custo do combustvel e a emisso, satisfazendo as restries de igualdade e
laterais. O vetor das potncias reais dos geradores representado por X =(x
1
, x
2
,..., x
n
)
T
.
As curvas do custo F
c
(X) do gerador so representadas por funes quadrticas.
Assim, o custo total ($/h) do combustvel pode ser expresso conforme a Eq.(5.11).

2
1
) (
i i i i
N
i
i c
x c x b a X F + + =

=
(5.11)

onde N o nmero de geradores, a
i
, b
i
e c
i
, so os coeficientes do custo do i-simo gerador
e x
i
a potncia real para cada gerador.
A emisso total F
e
(X) dos poluentes atmosfricos (em ton/h), tais como o xido de
enxofre SO
x
e o xido de nitrognio NO
x
causados por unidades trmicas que consomem
combustveis fsseis pode ser expresso atravs da Eq.(5.12).

( )
) (
1
2 2
10 ) (
i i
x
i
N
i
i i i i i e
e x x X F

+ + + =

(5.12)

onde
i
,
i
,
i
,
i
e
i
so os coeficientes caractersticos de emisso do i-simo gerador.
Para uma operao estvel, a potncia real de cada gerador restrita pelos limites
inferiores x
i
inf
e superiores x
i
sup
, i=1,..., n.
A potncia total gerada deve cobrir a demanda total P
D
e a potncia real dissipada na
linha de transmisso P
loss
, conforme a Eq.(5.13).

loss D
N
i
i
P P x + =

=1
(5.13)

Seja N=6 geradores, os coeficientes do custo e os coeficientes caractersticos da
emisso dados na Tab. 5.7, de acordo com Abido (2003) e a restrio de igualdade dada na
Eq.(5.13) escrita como duas restries de desigualdade, conforme Eq.(5.15).

51
Tabela 5.7 - Coeficientes do custo e da emisso de 6 geradores

G
1
G
2
G
3
G
4
G
5
G
6

a 10 10 20 10 20 10
b 200 150 180 100 180 150 Custo
c 100 120 40 60 40 100
4,091 2,543 4,258 5,426 4,258 6,131
-5,554 -6,047 -5,094 -3,550 -5,094 -5,555
6,490 5,638 4,586 3,380 4,586 5,151
210
-4
510
-4
110
-6
210
-3
110
-6
110
-5

Emisso
2,857 3,333 8,000 2,000 8,000 6,667


O problema pode ser matematicamente formulado como um problema de otimizao
multi-objetivo irrestrito, conforme as Eqs.(2.2) a (2.9), como segue:

Min ) ( ) ( ) ( X P k X f X
p
+ = (5.14)

Sujeito a

=
=
=

=
=
) MW ( 6 ,..., 1 , 120 10
) MW ( 0 280 ) (
) MW ( 0 290 ) (
6
1
2
6
1
1
i x
x X g
x X g
i
i
i
i
i
(5.15)

Onde
[ ] { } [ ] { }

+ =
+ =
2
2
2
1
0
2
0
1
) ( , 0 max ) ( , 0 max ) (
) ( ) (
) (
X g X g X P
F
X F
w
F
X F
w X f
e
e
c
c
(5.16)

A soluo ideal foi calculada utilizando a Eq.(2.7). O melhor resultado obtido usando
todas as estratgias da evoluo diferencial foi F
c
0
=550,1248 $/h e F
e
0
=0,1952 ton/h. Os
parmetros utilizados pela ED na otimizao foram: Np=15; Nger=300; F
p
=0,8 e Pc=0,6. Os
parmetros para AGs e SA foram os mesmos descritos anteriormente. Em todas as
tcnicas, o fator de penalidade adotado foi k
p
=1000.
Como este um problema multi-objetivo, a melhor soluo depende do interesse do
projetista na soluo compromisso. Para o caso apresentado, w
1
=w
2
=0,5, as estratgias 1,
2, 5, 6, 7 e 10 podem representar uma boa soluo caso se queira um compromisso
razovel entre o custo do combustvel e a emisso dos poluentes. Observando a Tab. 5.8,

52
verifica-se ainda que a estratgia 3 apresenta melhor custo e pior emisso. Vale registrar
que as restries foram obedecidas em todas as estratgias.

Tabela 5.8 - Resultados da otimizao do problema DEA, com potncias em MW

F
c
($/h) F
e
(ton/h) x
1
x
2
x
3
x
4
x
5
x
6

1 1,0639 608,9130 0,1993 23,51 40,28 57,83 57,98 49,76 50,55
2 1,0616 609,2373 0,1983 31,12 39,10 53,27 59,02 52,88 44,59
3 1,1130 560,0923 0,2358 33,08 59,38 43,12 45,92 54,05 69,08
4 1,0959 623,9211 0,2065 39,08 19,66 62,32 73,05 39,79 52,22
5 1,0616 609,3281 0,1982 30,45 39,74 54,11 58,50 52,72 44,46
6 1,0644 608,4453 0,1997 30,75 35,57 57,45 62,62 45,37 48,50
7 1,0616 609,3180 0,1982 29,96 39,52 53,06 58,45 53,58 45,42
8 1,0958 622,2064 0,2070 56,53 36,61 28,29 71,89 51,29 35,71
9 1,0792 612,6310 0,2040 21,28 33,42 67,97 59,84 65,68 34,84





ED
10 1,0616 609,2606 0,1983 30,29 39,46 53,66 58,80 52,33 45,45
AGs 1,1719 674,8618 0,2181 24,79 16,52 99,11 26,86 49,66 73,05
SA 1,0621 609,9034 0,1982 30,26 39,71 53,43 58,33 53,27 44,99

A Fig. 5.11 apresenta o conjunto de solues timas de Pareto, utilizando a
estratgia 1 da Evoluo Diferencial, variando as prioridades das funes.


Figura 5.11 - Soluo de Pareto para o problema DEA, usando a estratgia 1 da Evoluo
Diferencial









CAPTULO VI



Evoluo Diferencial aplicada a sistemas robticos

O objetivo neste captulo solucionar problemas de otimizao com aplicaes em
robtica industrial utilizando as tcnicas de otimizao natural Algoritmos Genticos e
Evoluo Diferencial. Alm disso, pretende-se comparar os resultados obtidos e verificar a
potencialidade da tcnica Evoluo Diferencial. A primeira aplicao visa a maximizao do
espao de trabalho de manipuladores seriais com trs juntas rotacionais (3R), conforme
formulao proposta por Bergamaschi (2004). O segundo problema trata da otimizao de
trajetrias de um manipulador paralelo denominado CaPaMan (Cassino Parallel
manipulator), utilizando a modelagem desenvolvida em Oliveira (2005b). Nos dois trabalhos
utilizados foram obtidos resultados aplicando-se Algoritmos Genticos. Assim, por se tratar
de problemas bastante complexos, ser possvel testar a eficincia da Evoluo Diferencial
atravs da comparao das solues timas.


6.1. Otimizao do Espao de Trabalho de Manipuladores 3R

Uma caracterstica fundamental a ser considerada no projeto dimensional de robs
manipuladores o seu volume do espao de trabalho.
Neste trabalho, deseja-se estudar os robs manipuladores com trs juntas rotacionais
(3R), cujo esquema cinemtico est representado na Fig. 6.1. O efetuador montado no
final da terceira junta.
A capacidade de um rob desenvolver uma determinada tarefa depende da sua
arquitetura e da dimenso de suas ligaes (links), assim como da posio por ele assumida
no ambiente de trabalho. Estas caractersticas devem ser consideradas no projeto dos
manipuladores robticos, ou melhor, na definio de sua geometria. No caso de
manipuladores com juntas puramente rotacionais, os parmetros de projeto so a
1
, a
2
, a
3
,
d
2
, d
3
,
1
e
2
; os termos
1
,
2
e
3
representam as variveis cinemticas (representados
na Fig. 6.1).


54




Figura 6.1 - Esquema cinemtico de um rob manipulador 3R

O clculo exato do espao de trabalho muito importante, pois influi no projeto
dimensional, no posicionamento do manipulador no ambiente de trabalho e na sua destreza
para executar tarefas.
Vrias investigaes tm focado as propriedades do espao de trabalho de cadeias
robticas abertas com o propsito de enfatizar sua geometria e caractersticas cinemticas e
de criar algoritmos analticos e procedimentos para o seu projeto. Ceccarelli (1996)
apresentou uma formulao algbrica para determinar o espao de trabalho de
manipuladores de revoluo. Lanni et al. (2002) investigaram e resolveram o projeto de
manipuladores na forma de um problema de otimizao que leva em considerao as
caractersticas do seu espao de trabalho. Eles aplicaram duas tcnicas numricas
diferentes, a primeira usando a programao quadrtica sequencial (SQP) e a segunda
envolvendo uma tcnica de busca aleatria (simulated annealing).
Algumas pesquisas tm sido realizadas visando determinar a fronteira do espao de
trabalho e detectar a presena de vazios e singularidades no espao de trabalho. Abdel-
Malek et al. (2000) propuseram uma formulao genrica para determinar vazios no espao
de trabalho de manipuladores seriais. Saramago et al. (2002) propuseram uma forma de
caracterizar a fronteira do espao de trabalho, formulando uma condio analtica geral para
deduzir a existncia de pontos de cspides nas fronteiras interna e externa do espao de
trabalho. Bergamaschi et al. (2006) desenvolveram um mtodo de determinao da fronteira
do espao de trabalho de manipuladores 3R estudando a envoltria de uma famlia de
curvas presente neste espao de trabalho. Ainda neste trabalho, eles aplicaram tcnicas
seqenciais para a soluo do problema de otimizao que visava a maximizao do
volume do espao de trabalho sujeito a certas restries. Este mesmo problema de
otimizao foi investigado por Bergamaschi et al. (2005) aplicando algoritmos genticos.


55

Ceccarelli e Lanni (2004) apresentaram uma adequada formulao para o espao de
trabalho que pode ser usada no projeto de manipuladores, a qual tem sido formulada como
um problema de otimizao multi-objetivo usando o volume do espao de trabalho e as
dimenses do rob como funes objetivo. A otimizao visa a maximizao do volume e a
minimizao das dimenses.
Ceccarelli et al. (2005) deduziram um procedimento de projeto comum para
manipuladores seriais e paralelos que considera critrios de projeto comuns, mas avaliaes
numricas especficas. O problema de otimizao multi-objetivo proposto por eles formula
um procedimento de projeto nico que leva em considerao adequados algoritmos gerais
para volume do espao de trabalho, matrizes jacobianas e deslocamentos complacentes.
Neste trabalho o problema de otimizao definido tal que a funo objetivo o
volume do espao de trabalho, sujeita a restries que controlam o espao de trabalho.
Foram includas restries laterais para obter as dimenses do manipulador dentro de
valores prticos.
A determinao do volume do espao de trabalho aqui apresentada implica no
conhecimento da rea de sua seo transversal em um plano radial, a qual aqui obtida por
aproximao atravs de sua discretizao em uma malha retangular.
O problema de otimizao investigado usando as tcnicas apresentadas nos
captulos III e IV. Uma aplicao numrica apresentada, a fim de comparar a eficincia da
metodologia empregada.

6.1.1. Cinemtica de robs manipuladores utilizando o mtodo de Denavit-Hartenberg
Um dos mtodos mais usados para descrever geometricamente um rob utilizar a
notao de Denavit e Hartenberg, cujo esquema exibido na Fig. 6.2. Esta notao
basicamente consiste em construir a matriz de transformao homognea,
i
i
T
1
, que
representa o sistema X
i
Y
i
Z
i
, associado a i-sima ligao do rob, em relao ao sistema X
i-
1
Y
i-1
Z
i-1
, associado a (i-1)-sima ligao, para i variando de 1 a m, onde m o grau de
liberdade do rob.
Pela Figura 6.2, pode-se observar que a representao do sistema X
i
Y
i
Z
i
em relao
ao sistema X
i-1
Y
i-1
Z
i-1
percorre quatro etapas bem definidas, representadas pelos quatro
parmetros cinemticos
i-1
, a
i-1
, d
i
e
i
que tambm so conhecidos por parmetros de
Denavit-Hartenberg. Duas destas etapas so obtidas por rotao, sendo uma de um ngulo

i-1
em torno do eixo X
i-1
e a outra de um ngulo
i
em torno do eixo Z
i
, e duas por
translao, sendo uma de a
i-1
unidades ao longo do eixo X
i-1
e a outra de d
i
unidades ao
longo do eixo Z
i
. De acordo com a ordem em que se efetua estas etapas, obtm-se a matriz


56

de transformao homognea genrica de um sistema de referncia em relao ao sistema
precedente. Neste trabalho, a ordem destas etapas e, conseqentemente, a matriz de
transformao homognea genrica dada pela Eq.(6.1).

Eixo (i -1)
Ligao (i -1)
Eixo (i)
Ligao (i)
X
i
Z
i
O
i
d
i

i -1

i
a
i -1
X
i -1
Z
i -1
O
i -1
^
^
Eixo (i -1)
Ligao (i -1)
Eixo (i)
Ligao (i)
X
i
Z
i
O
i
d
i

i -1

i
a
i -1
X
i -1
Z
i -1
O
i -1
^
^


Figura 6.2 - Notao de Denavit e Hartenberg para manipuladores

=
=

1 0 0 0
0
) , ( ) , 0 , 0 ( ) 0 , 0 , ( ) , (
1 1 1 1
1 1 1 1
1
1 1 1
i i i i i i i
i i i i i i i
i i i
i i i i i i
i
i
C d C S C S S
S d S C C C S
a S C
Z Rot d Trans a Trans X Rot T




(6.1)

A matriz de transformao homognea que representa as coordenadas do efetuador
em relao base,
m
T
0
, pode ser obtida atravs da seguinte expresso (SARAMAGO &
STEFFEN, 1999a):

m
m
m
T T T T T
1
3
2
2
1
1
0 0
= K (6.2)

Conforme mostrado na Fig. 6.1, a cinemtica do rob manipulador 3R feita com o
auxlio de quatro sistemas de referncia. Nestes manipuladores, o sistema X
1
Y
1
Z
1
difere do
sistema X
0
Y
0
Z
0
, acoplado base, apenas por uma rotao
1
em torno do eixo Z
1
. Ento, a
matriz de transformao homognea do sistema X
1
Y
1
Z
1
em relao base determinada da
seguinte forma:


57

= =
1 0 0 0
0 1 0 0
0 0
0 0
) , (
1 1
1 1
1 1
1
0

C S
S C
Z Rot T (6.3)

Na representao do sistema X
2
Y
2
Z
2
em relao ao sistema X
1
Y
1
Z
1
e do sistema
X
3
Y
3
Z
3
em relao ao sistema X
2
Y
2
Z
2
, os parmetros de Denavit-Hartenberg podem ser
todos diferentes de zero. Portanto, as respectivas matrizes de transformao homognea
so dadas por:

=
1 0 0 0
0
1 2 1 1 2 1 2
1 2 1 1 2 1 2
1 2 2
2
1



C d C S C S S
S d S C C C S
a S C
T (6.4)

=
1 0 0 0
0
2 3 2 2 3 2 3
2 3 2 2 3 2 3
2 3 3
3
2



C d C S C S S
S d S C C C S
a S C
T (6.5)

Considere agora, um ponto H no sistema X
3
Y
3
Z
3
, que pode ser escolhido como o
centro do efetuador. Por se tratar do sistema X
3
Y
3
Z
3
, este ponto ser denotado por H
3
e
representado por:

=
1
0
0
3
3
a
H (6.6)

Note que a
3
deve ser diferente de zero. Caso contrrio, H
3
seria a origem do sistema
X
3
Y
3
Z
3
, no sofrendo assim nenhum movimento decorrente da terceira junta, o que no de
interesse prtico.
Utilizando a Eq.(6.2), a representao vetorial de H
3
em relao base, denotada por
H
0
, obtida de acordo com a Eq.(6.7).

1
1
0 3
3
2
2
1
1
0 0
H T H T T T H = = (6.7)


58

Expandindo a Eq.(6.7), pode-se obter:

+
+
+
= =

=
1 1
2 3 2 3 3
2 3 2 3 3
2 3 3
3
3
2
2
2
2
2



C d S S a
S d C S a
a C a
H T
H
H
H
H
z
y
x
(6.8)

+ +
+ + +
+
= =

=
1 1
1 2 1 2 1 2 2 1 2 2
1 2 1 2 1 2 2 2 2 2
1 2 2 2 2
2
2
1
1
1
1
1



C d C H S C H S S H
S d S H C C H C S H
a S H C H
H T
H
H
H
H
z y x
z y x
y x
z
y
x
(6.9)

e, por fim

= =
1
1
1 1 1 1
1 1 1 1
1
1
0 0
z
y x
y x
H
C H S H
S H C H
H T H


(6.10)

6.1.2. Espao de Trabalho de Manipuladores 3R
O espao de trabalho W(H) de um ponto H situado na extremidade do rob
manipulador o conjunto de todos os pontos que H ocupa quando as variveis de junta so
variadas em todo os seus intervalos de definio (GUPTA & ROTH, 1982) e representado
na Fig. 6.3 (a).
O procedimento mais imediato para investigar o espao de trabalho variar os
ngulos
1
,
2
e
3
sobre seus intervalos de definio e estimar as coordenadas do ponto H
com relao base do manipulador. Desta maneira, obtm-se a posio do rgo terminal,
tendo como resultado a representao vetorial dada por H
0
na Eq.(6.10).
A Fig. 6.3 (a) exibe o espao de trabalho seccionado de um determinado manipulador
3R. Como pode ser visto, o espao de trabalho deste tipo de rob um slido de revoluo,
tendo Z como o seu eixo de revoluo. Desta forma, natural imaginar que o espao de
trabalho o resultado da rotao, em torno do eixo Z, de uma seo radial plana que
funcione como uma seo geratriz. A Fig. 6.3 (b) esboa a seo radial relativa ao espao
de trabalho exibido na Fig. 6.3 (a).



59



(a) (b)
Figura 6.3 - (a) Espao de trabalho de um rob 3R; (b) seo radial plana

Ento, o espao de trabalho de robs com estrutura 3R pode ser obtido por intermdio
da extenso radial r e da extenso axial z com relao base (CECCARELLI, 1996;
CECARELLI & LANNI, 1999). Para esta representao, r a distncia de um ponto genrico
do espao de trabalho ao eixo Z
1
e z a distncia desse mesmo ponto ao plano X
1
Y
1
(Fig.
6.1). Assim, usando a Eq.(6.10), as equaes paramtricas do lugar geomtrico descrito
pelo ponto H sobre um plano radial so:

( ) ( )

=
+ =
z
y x
H z
H H r
1
2
1
2
1
2
(6.11)

Para exemplificar, considere uma configurao particular, cujos parmetros de
projeto so: a
1
=3,0; a
2
=1,0; a
3
=0,5; d
2
=1,0; d
3
=1.0;
1
=60 e
2
=60. Utilizando a Eq.(6.11),
obtm-se o conjunto dos pontos (r, z), que formam a famlia de curvas que est contida na
seo radial do espao de trabalho deste rob, conforme mostrado na Fig. 6.4.
O volume do espao de trabalho, V, o volume do slido de revoluo obtido pela
rotao da seo radial em torno do eixo Z
1
. Assim, usando o Teorema de Pappus-Guldin
[BEER & JOHNSTON, 1991], em acordo com o esquema mostrado na Fig. 6.5, o volume
dado atravs da equao:

V = 2 r
g
A, (6.12)

onde A a rea da seo radial plana que coberta pela famlia de curvas.


60



Figura 6.4 - Famlia de curvas contida na seo radial do espao de trabalho de um
particular manipulador 3R



Figura 6.5 - Clculo do volume do espao de trabalho de manipuladores 3R

Esta pesquisa prope uma formulao numrica para aproximar o clculo da rea da
seo radial, atravs de sua discretizao em uma malha retangular (OLIVEIRA et al.,
2006a). Inicialmente, deve-se obter os valores extremos dos vetores r e z, ou seja,

{ } r r min
min
= e { } r r max
max
=
{ } z z min
min
= e { } z z max
max
= (6.13)

Adotando-se o nmero de sub-intervalos desejados para a discretizao ao longo de r
e z (n
r
e n
z
), pode-se calcular as dimenses das reas elementares da malha:

r
n
r r
r
min max

=
e
z
n
z z
z
min max

=
(6.14)
A Eq.(6.11) permite calcular todos os pontos da famlia de curvas que compem a


61

seo radial do espao de trabalho. Dado um determinado ponto (r, z), determina-se sua
posio dentro da malha de discretizao, atravs do seguinte controle de ndices:

1 int
min
+

=
r
r r
i
e
1 int
min
+

=
z
z z
j
(6.15)

Conforme mostrado no esquema da Fig. 6.6, o ponto da malha que pertence ao
espao de trabalho ser identificado como P
ij
= 1, do contrrio ter valor nulo, ou seja:

=
) ( 1
) ( 0
H W P se
H W P se
P
ij
ij
ij
(6.16)


Figura 6.6 - Discretizao da seo radial usando malha retangular

Desta forma, a rea total ser obtida pela soma de todas as reas elementares da
malha que esto contidas, totalmente ou parcialmente, na seo radial. Na Eq.(6.17),
observa-se que apenas os pontos pertencentes ao espao de trabalho contribuem para o
clculo da rea:
r
min
r
max
z
min

z
max

r
z
P
ij
= 1
P
i+3 , j-1
= 0
i-1 i i+1
r
j+1
j
j-1
z


62

( )

= =
=
max max
1 1
i
i
j
j
ij
z r P A (6.17)
A coordenada do baricentro calculada considerando a soma dos baricentros de cada
rea elementar, dividida pela rea total, ou seja:


( )
A
r
r
r i z r P
r
i
i
j
j
ij
g

+
=

= =
min
1 1
2
) 1 (
max max
(6.18)

Finalmente, conhecendo-se os valores da rea e do baricentro da seo radial, dados
pelas Eqs.(6.17) e (6.18), pode-se calcular o volume do espao de trabalho do manipulador
usando a Eq.(6.12).

6.1.3. Formulao do Problema timo
O trabalho proposto consiste na sntese dimensional de um manipulador 3R. Assim, o
problema de otimizao formulado visando a maximizao do volume do espao de
trabalho, V. O problema de otimizao , ento, definido como:

Maximizar f(X) = V

sujeito a
sup inf
i i i
x x x (6.19)

O vetor das variveis de projeto dado por X = (a
1
, a
2
, a
3
, d
2
, d
3
,
1,

2
)
T
, x
inf
e x
sup

representam os limites inferiores e superiores, respectivamente.

6.1.4. Simulaes Numricas
A maximizao do volume do espao de trabalho foi desenvolvida segundo o problema
de otimizao definido na Eq.(6.19), cujos resultados obtidos podem ser observados na Tab.
6.1. O espao de busca foi limitado em:

3 , 2 , 1 para .] . [ 3 0 = i m u a
i

3 , 2 para .] . [ 3 0 = j m u d
j

2 , 1 para , 90 0
o o
= k
k




63

A famlia de curvas (por exemplo, conforme mostrado na Fig. 6.4) obtida utilizando-
se as Eqs.(6.7) a (6.11). Para a discretizao da malha retangular deve-se variar os ngulos
1 e 2. Foram adotados n
r
= n
z
= 200 subintervalos e discretizao dos ngulos para gerar
as curvas de 1 = 2 = 0,025 rd.
Assim, a funo objetivo definida pelo volume do espao de trabalho que
calculado usando a Eq.(6.12), sendo a rea de seo transversal obtida aplicando-se a
Eq.(6.17) e o baricentro da seo radial dado pela Eq.(6.18).
O algoritmo de Evoluo Diferencial foi modificado para a maximizao da funo
objetivo e os parmetros utilizados foram: nmero de indivduos da populao Np=15,
Nger=100, F
p
=0,8 e Pc=0,6. Os Algoritmos Genticos foram aplicados adotando-se o
nmero de indivduos da populao Np=200 e Nger=100.

Tabela 6.1 - Maximizao do volume do espao de trabalho dos robs manipuladores 3R

ED
Volume
Mximo
[u.v.]
a
1
[u.m.]
a
2
[u.m.]
a
3

[u.m.]
d
2
[u.m.]
d
3
[u.m.]

1
[graus]

2
[graus]
Tempo
Computacional
[min]
1 3300,68 3,00 3,00 3,00 3,00 3,00 83,65 75,16 61
2 3299,84 3,00 3,00 3,00 3,00 3,00 83,57 75,08 59
3 3298,16 3,00 3,00 3,00 3,00 3,00 83,02 76,70 64
4 3298,54 3,00 3,00 3,00 3,00 3,00 84,17 77,28 59
5 3276,21 2,99 3,00 2,99 2,99 2,99 89,72 77,68 62
6 3300,18 3,00 3,00 3,00 3,00 3,00 83,13 77,31 66
7 3302,23 3,00 3,00 3,00 3,00 3,00 84,61 75,92 64
8 3298,52 3,00 3,00 3,00 2,99 3,00 83,69 75,96 66
9 3299,65 3,00 3,00 3,00 3,00 3,00 84,14 77,17 64
10 3300,45 2,99 2,99 3,00 2,99 2,99 84,61 75,92 61
AG 3298,40 2,99 2,99 3,00 2,99 2,99 83,47 75,19 124

Apesar de tratar-se de um problema complexo, todas as estratgias da Evoluo
Diferencial apresentaram bons resultados. Na Tab. 6.1 observa-se que o volume timo
obtido foi semelhante em todas as tcnicas. importante observar que o tempo
computacional gasto pela Evoluo Diferencial bem inferior ao tempo gasto pelos
Algoritmos Genticos, como pode ser visto na Tab. 6.1. Este resultado era esperado uma
vez que a Evoluo Diferencial necessita de um nmero pequeno de indivduos. A seo
transversal do espao de trabalho timo apresentada na Fig. 6.7, sendo sua forma


64

fortemente dependente essencialmente dos ngulos
1
e
2
, uma vez que as variveis
dimensionais a
i
e d
j
convergem para os limites mximos permitidos.


Figura 6.7 - Seo transversal do espao de trabalho timo de um manipulador 3R de
acordo com as tcnicas utilizadas

A Evoluo Diferencial exige um esforo computacional pequeno quando comparado
aos Algoritmos Genticos, mostrando ser uma tcnica de grande potencial para ser aplicada
a problemas complexos.


6.2. Otimizao de Trajetrias do Manipulador CaPaMan

6.2.1. Descrio do CaPaMan
O objetivo desta aplicao a obteno de trajetrias timas de uma estrutura paralela
denominada CaPaMan (Cassino Parallel manipulator). O problema de otimizao multi-
objetivo escrito considerando a minimizao da energia gasta pelos atuadores, o tempo
total de percurso e a variao das aceleraes (jerk). As trajetrias so modeladas
utilizando-se curvas paramtricas B-splines (FOLEY et al., 1990), em que seus pontos de
controle so adotados como variveis de projeto. No processo de otimizao, um cdigo
geral de anlise foi acoplado ao programa de otimizao. Este cdigo de anlise permite
calcular os modelos: geomtrico, cinemtico e dinmico, resultando no clculo de energia
para cada trajetria do manipulador. Dados os pontos inicial e final do centro da plataforma
mvel, o programa de otimizao gera trajetrias aleatrias que obedecem a estes pontos,
as quais so submetidas ao cdigo de anlise para calcular o valor da funo multi-objetivo.


65

Os resultados obtidos com a utilizao de Evoluo Diferencial so comparados com os
resultantes da otimizao aplicando algoritmos genticos.
O CaPaMan um manipulador paralelo simtrico com trs graus de liberdade,
composto de uma plataforma fixa, PF, e uma mvel, PM, que so conectadas por trs
pernas. Cada uma das pernas presa PF atravs de um mecanismo articulado de quatro
barras, os quais se mantm sempre na vertical em relao PF e possuem juntas
rotacionais. Os centros das bases destes mecanismos esto dispostos nos vrtices de um
tringulo eqiltero na PF, de modo que os planos que os contm formam entre si ngulos
de 120
o
, atribuindo desta forma propriedades de simetria ao manipulador. Conforme pode
ser observado na Fig. 6.8, para i=1,2,3, as barras de ligaes (conectoras) entre os
mecanismos de quatro barras h
i
e a PM contm duas juntas; uma esfrica conectando a
extremidade superior da barra PM nos respectivos pontos H
i
e a outra prismtica, a qual
fixada no ponto mdio e perpendicular biela do mecanismo de quatro barras. S
i
a
varivel deslocamento da junta prismtica;
i
ngulos de rotaes estruturais entre OX e OX
i
bem como entre PX
P
e PH
i
;
i
variveis cinemticas: ngulos de entrada formados entre as
bases e manivelas de entrada dos mecanismos de acionamento (pernas).
Considere conhecidos todos os parmetros dimensionais do CaPaMan, que conforme
as Figs. 6.8 (a) e (b) so: a
i
o comprimento da base do mecanismo de acionamento
(perna); m
i
o comprimento da manivela de entrada; c
i
comprimento da biela; d
i

comprimento da manivela de sada; h
i
comprimento da barra conectora; r
P
raio da PM dado
pela distncia do centro P da PM s juntas esfricas H
i
; r
B
raio da PF dado pela distncia
do seu centro O aos pontos mdios O
i
das bases a
i
.


i

i
m
i
c
i
a
i
d
i
h
i
S
i

i
m
i
c
i
a
i
d
i
h
i
S


Figura 6.8 - (a) Arquitetura do CaPaMan; (b) Mecanismo de acionamento (perna i)


66

6.2.2. Formulao da Trajetria
Como as variveis cinemticas
i
so os ngulos de entrada dos mecanismos de
acionamento, cada trajetria
i
(t) ser modelada por uma B-spline uniforme cbica,
utilizando funes de concordncia, sendo escrita como:

( ) t B p ) t (
p
d , k
n
k
i i
k i
=
=
0
t
o
t t
f
n
p
3 , i=1,2,3 (6.20)

sendo que p
i
k
so n
p
+1 pontos de controle correspondente de cada trajetria
i
(t), e B
k,d
so
polinmios definidos pelas frmulas de recorrncia de Cox de Boor, (FOLEY et al.,1990),
para a spline cbica (d=3) e tem-se:

( )

=
+
fora
t t t se
t B
k k
k
0
1
1
1 ,
(6.21)

( ) ( ) ( ) t B
t t
t t
t B
t t
t t
t B
1 d , 1 k
1 k d k
d k
1 d , k
k 1 d k
k
d , k +
+ +
+

+


+

=
(6.22)

Cada funo de concordncia definida sobre d subintervalos do intervalo total. O
conjunto dos pontos extremos dos subintervalos t
j
chamado vetor-n.
Visto que
i
(t) constituda de polinmios, a sua j-sima derivada em relao a t pode
ser obtida diretamente como:

( )
j
i
d , k
j
n
0 k
i
k
j
i
j
dt
B d
p
dt
t d
p
=

=
(6.23)

Assim, as derivadas temporais de primeira e segunda ordem, so dadas por:
( ) t B p ) t (
p
d , k
n
0 k
i i
k
i
=
=
&
& i=1,2,3 (6.24)
e
( ) t B p ) t (
p
d , k
n
0 k
i i
k
i
=
=
& &
& & i=1,2,3 (6.25)



67

6.2.3. Posio das juntas esfricas e suas derivadas temporais
Como os planos que contm os mecanismos de quatro barras formam entre si ngulos
de 120, considere um sistema cartesiano de referncia O
i
X
i
Y
i
Z
i
para i=1,2,3 tomado de
maneira que O
i
coincida com o centro da base a
i
do mecanismo de quatro barras. O eixo X
i

perpendicular ao plano do mecanismo de quatro barras, o eixo Y
i
coincide com a base do
mecanismo e Z
i
tomado de modo que o sistema de referncia O
i
X
i
Y
i
Z
i
seja cartesiano.
Desse modo cada eixo X
i
girado de 120 em relao ao X
i
imediatamente anterior.
Conforme pode ser observado na Fig. 6.9, os vetores v
i
so tomados de modo que |v
1
| =
|v
2
| = |v
3
| = r
B
( raio da PF). Considerando m
i
=d
i
e
1
=0;
2
=120 e
3
= 240 pode-se
escrever:

+
=

i i i
i i
i
i
i
i
h sen m
cos m
S
z
y
x
(6.26)

v
m
i
d
i v
m
i
d
i

Figura 6.9 - Parmetros associados perna i

Assim, as expresses da primeira e segunda derivadas das coordenadas y
i
e z
i
,
usando as Eqs. (6.26), so dadas respectivamente por:

i i i i
m y sen

= (6.27)
i i i i
m z cos

= (6.28)


68

i i i i i i i
m m y cos sen
2

= (6.29)
i i i i i i i
m m z sen cos
2

= (6.30)

Cabe ressaltar que devido a forma geomtrica do manipulador no necessrio
calcular as derivadas em relao coordenada x.

6.2.4. Determinao dos ngulos de Euler
Para descrever o comportamento cinemtico e dinmico do CaPaMan, consideram-se
dois sistemas de coordenadas. Um sistema inercial OXYZ fixado PF, cuja origem O o
centro da PF e o outro PX
P
Y
P
Z
P
fixado PM sendo P o centro da PM. O sistema mvel
PX
P
Y
P
Z
P
fixado de modo que o eixo X
p
seja coincidente com a linha unindo os pontos P e
H
1
, o eixo Z
p
perpendicular PM

e o eixo Y
p
colocado sobre a PM de maneira que o
referencial mvel seja ortogonal.

X
Y `
Z
P
X
P
Y
P
P
Z Z
Y
Z Z
Y Y
X
X
X

Y
X
Y `
Z
P
X
P
Y
P
P
Z Z
Y
Z Z
Y Y
X
X
X

Y


Figura 6.10 - Orientao da plataforma mvel em funo dos ngulos de rotao , e

A orientao do sistema mvel PX
P
Y
P
Z
P
fixo PM descrita em relao ao sistema
inercial PXYZ fixo PF, pelos ngulos de Euler , e , conforme representado na Fig.
6.10. Esta figura mostra a plataforma mvel aps trs rotaes, de acordo com a regra da
mo direita, na seguinte seqncia: a primeira rotao, de um ngulo , realizada em
torno do eixo Z; a segunda rotao
y
feita em torno do eixo Y; a terceira rotao ,


69

realizada em torno do eixo Z, obtendo-se finalmente o sistema OXYZ. Fazendo-se
a translao do sistema OXYZ com centro em O, para o centro da plataforma mvel,
no ponto P, obtm-se o sistema PX
p
Y
p
Z
p
.

Oliveira (2005b) mostrou que os ngulos de orientao , e podem ser obtidos em
funo das coordenadas dos pontos H
1
, H
2
e H
3
, correspondentes posio das juntas
esfricas como:

( )
( )

+
+ +
=

+ + =

sen 1 3
2
sen
3
2
cos
2
3
3 2 1 1
3 2 3 1 2 1
2
3
2
2
2
1
1
3 2 1
2 3 1
P
P
r
y y y
z z z z z z z z z
r
z z z
z z
tg
(6.31)

As coordenadas y
i
e z
i
necessrias na equao anterior so dadas pela Eq. (6.26). A
ambigidade existente na Eq.(6.31) que define o ngulo devido ao sinal , pode ser
resolvida considerando a geometria e o modelo do CaPaMan, se z z
1
usa-se o sinal (+)
em , caso contrrio usa-se (-). Observe que z a terceira componente do ponto P (centro
da plataforma mvel).

6.2.5. Determinao das derivadas temporais dos ngulos de Euler
As velocidades e aceleraes angulares dependem das derivadas dos ngulos de
Euler , e . Para simplificar as expresses das derivadas, foi utilizada a notao V
i
que
so apresentadas no Anexo I. Assim, derivando a Eq.(6.31) resulta:

( ) ( ) ( )

+ =

3 2 1 2 3 1 1 3 2
1
2
3
z z z z z z z z z
V
(6.32)
( )
( ) ( ) ( )

+ + + +

=

3 3 2 1 2 3 2 1 1 3 2 1
1 1
2
2 2 2
4 9
1
z z z z z z z z z z z z
V V r
P
(6.33)
( )
( ) ( )

+ +

+ + +
+
=

cos sen 1
sen 1
2
3 2 1 3 2 1
2
y y y y y y
V
(6.34)

As derivadas de segunda ordem so apresentadas pelas Eqs.(6.36) a (6.37).


70

( ) ( ) ( )
( )( )
( )( ) ( )( )
( )( ) ( )( )
( )( )

+ + +
+
+

+ + +
+
+

+ =

3 2 3 2 1 3 2
3 1 3 2 1 3 1 2 1 3 2 1 2 1
2
1
2
3 3 2 1 2 1
2
2 3 2 1 3 1
2
1 3 2 1 3 2
2
1
3 2 1 2 3 1 1 3 2
1
2
2 2
3
2 2
2
2
3
2
3
z z z z z z z
z z z z z z z z z z z z z z
V
z z z z z z z z z z z z
z z z z z z
V
z z z z z z z z z
V

(6.35)
( )
( ) ( ) ( )
( ) [ ]
( ) [ ]
( ) ( ) ( )

+ +

+ +

+
+

+ + + +

=




3 2 1
2
3 3 1 1
2
4 2 1 1
2
5
3
1 1
2
2
3 5
2
2 4
2
1 3
3
1 1
2
3 3 2 1 2 3 2 1 1 3 2 1
1 1
2
27 27 27
4 9
1
4 9 2
1
2 2 2
4 9
1
z z V r V z z V r V z z V r V
V V r
z V z V z V
V V r
z z z z z z z z z z z z
V V r
P P P
P
P
P

(6.36)

( )
( )
( )
( ) ( ) [ ]
( )
( )
( )
( )

+ +
+
+

+ +
+ +
+
+
+ + + +
+
+

+ +
+ +
+

+
+ +

+ + =

2
3
2
2
2
1
3
2
2 2
3 2 3 1 2 1
3
2
3 2 1
2
3
2
2
2 2
3 2 1
2
3
2
2
2
1
3
2
3 2 1
2
3 2 1
3 2 1
2
sen 1
cos sen 1 36
16
sen 1
2 cos sen 1 18
8
sen 1
cos 2 2
y y y
V
r
y y y y y y
V
y y y
V
V r y y y
y y y
V
y y y
V
y y y
y y y
V
P
P

(6.37)

6.2.6. Matriz de transformao
Fazendo ( ) [ ] ( ) [ ] ( ) [ ] z R y R z R R
y
, , , = e efetuando o produto, obtm-se a matriz de
transformao em funo dos ngulos de Euler. Alm disso, pode-se observar na Fig. 6.10
que

=
2
y
. Aps efetuar o produto das matrizes de transformao, obtm-se:

+ +

=



sen sen cos cos cos
cos sen cos cos sen sen sen sen cos cos sen sen
cos cos cos sen sen sen cos sen sen cos sen cos
s R
(6.38)


71

6.2.7. Coordenadas do ponto central da plataforma mvel
Na Figura 6.10, considere X
p
o vetor das coordenadas do ponto P em relao ao
sistema OXYZ e X o vetor das coordenadas de P em relao ao sistema OXYZ.
Este vetor pode ser escrito como:

( ) [ ] ( ) [ ] ( ) [ ]
p
y
X z R y R z R X , , , = (6.39)
Usando as relaes geomtricas e a matriz dada pela Eq.(6.38), Oliveira (2005b)
demonstrou que:

+
+
+
=

1 31
1 21
1 11
z R r
y R r
x R r r
z
y
x
P
P
P B
(6.40)

Aps manipulaes matemticas, as coordenadas do ponto central da plataforma
mvel em relao ao sistema inercial podem ser escritas em funo das coordenadas das
juntas esfricas H
1
, H
2
e H
3
e tambm dos ngulos de rotao , e :

( ) ( )

+ =
+ =

=
1
1
2 3
cos cos
) cos sen sen sen (cos
cos sen 1
2 3
z r z
r y y
r y y
x
P
p
P



(6.41)

Portanto a plataforma mvel PM tem posio dada pelas Eqs.(6.41) e orientao
definida pelas Eqs.(6.31).

6.2.8. Derivadas temporais das coordenadas do ponto central
As componentes de velocidade e acelerao do ponto P so obtidas usando as
Eqs.(6.31) e (6.41) respectivamente. Assim, as derivadas de primeira e segunda ordem so
dadas pelas equaes matriciais Eq.(6.42) e Eq.(6.43), respectivamente.

+

3
2
1
3
2
1
3
1
3
1
3
1
0 0 0
0 0 0
0 0 0
0 0 1
3
1
3
1
0
z
z
z
y
y
y
z
y
x



72

( ) ( ) ( ) ( ) ( )
( )

0 0 0
cos cos sen sen sen cos sen cos sen sen cos cos sen
2
sen sen 1
2
cos cos
2
sen sen 1
P
r

(6.42)
( ) ( ) ( ) ( ) ( )
( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )

+

+

0 0 0
sen sen cos 2 cos sen sen cos sen 2 cos cos cos 2
sen cos cos sen 1 sen cos
0 0 0
sen cos cos sen sen cos sen sen sen cos cos sen sen
2
cos sen 1
2
cos sen
2
cos sen 1
0 0 0
cos cos sen sen sen cos sen cos sen sen cos cos sen
2
sen sen 1
2
cos cos
2
sen sen 1
3
1
3
1
3
1
0 0 0
0 0 0
0 0 0
0 0 1
3
1
3
1
0
2
2
2
3
2
1
3
2
1
P
P
P
r
r
r
z
z
z
y
y
y
z
y
x

(6.43)

sendo que as expresses da primeira e segunda derivadas das coordenadas y
i
e z
i
, so
obtidas atravs das Eqs.(6.27) a (6.31).

6.2.9. Velocidades e aceleraes angulares
As componentes do vetor velocidade angular , no referencial inercial, podem ser
escritas em termos dos ngulos de Euler e suas derivadas temporais, da seguinte forma:

1 0 sen
0 cos sen cos
0 sen cos cos
z
y
x
(6.44)



73

Derivando-se as Eqs.(6.44), as componentes do vetor acelerao

, podem ser
escritas como:

0 0 cos
sen cos cos sen sen
cos sen cos cos sen
1 0 sen
0 cos sen cos
0 sen cos cos
z
y
x
(6.45)

Onde as derivadas temporais de primeira e segunda ordem dos ngulos de Euler so
dadas pelas Eqs.(6.32) a (6.37).
Conhecendo-se as velocidades e aceleraes lineares e angulares, torna-se possvel
calcular as foras e torques atuantes na estrutura, permitindo o desenvolvimento do modelo
dinmico.

6.2.10. Dinmica da plataforma mvel
As equaes de Newton-Euler para o CaPaMan podem ser formuladas considerando
todos os componentes como corpos rgidos. A orientao, a posio, a velocidade e a
acelerao da plataforma mvel so dadas, respectivamente, pelas Eqs.(6.31), (6.41) e
(6.42) a (6.45).

G
Y p
1 H
P
Zp
H2
H3
X p
F1
F2
F3
Fext
Next
Nin
Fin
PM
G
Y p
1 H
P
Zp
H2
H3
X p
F1
F2
F3
Fext
Next
Nin
Fin
PM


Figura 6.11 - Foras atuantes na PM

Nesta formulao, assume-se que os trs mecanismos de quatro barras so
paralelogramos articulados com a
i
= c
i
e m
i
= d
i
. Considera-se tambm r
B
= r
P
. Deste modo,


74

conforme representado na Fig. 6.11, o equilbrio dinmico para a PM representado pelas
equaes de Newton-Euler na forma:

in ext
F G F F = + + (6.46)

in ext
N N N = + (6.47)

Sendo F
ext
a fora externa, N
ext
o torque externo, G o peso da plataforma mvel, F a
soma das foras de reao F
i
(i=1,2,3) nos pontos H
i
da PM e N o torque resultante devido
as foras F
i
, em relao ao sistema de referncia OXYZ fixo na base PF.
Alm disso, deve-se considerar as expresses:

p in
a M F = ; I I N
in
+ =

(6.48)

=
=
3
1 i
i
F F ; ( )
i
i
P
F R r N =

=
3
1
Pi
u (6.49)

onde M a massa da PM; a
P
a acelerao do ponto central P;

e so a acelerao
angular e velocidade angular, respectivamente e I a matriz de inrcia da plataforma mvel
em relao ao sistema inercial. A matriz de inrcia I pode ser determinada por:

T
c
R I R I = (6.50)

sendo R a matriz de transformao, dada pela Eq.(6.38), R
T
a sua transposta e I
c
a matriz
de inrcia do centro de massa da PM com respeito ao sistema no inercial.
Nesta anlise so desprezados os atritos nas juntas do CaPaMan. As componentes
das foras atuantes nas articulaes H
i
, devido s barras conectoras h
i
podem ser
consideradas como pertencentes a um plano paralelo aos respectivos paralelogramos
articulados e mais uma componente na direo ortogonal. Assim, caso a componente
ortogonal exista, ela serve para reposicionar a plataforma mvel em uma posio de
equilbrio. Ento, as foras nas articulaes H
i
possuem somente as componentes F
iy
e F
iz

para i=1,2,3, como esquematizado na Fig. 6.12. Deve-se observar que as componentes de


75

torque so produzidas pela ao, dos atuadores e que as componentes de foras so
resultantes do equilbrio das foras nos corpos.

Y p
H1
Z p
H2
3 H
X p
PM
F z 1
F y 1
F y 2 F z 2
F y 3
F z 3
P
Y p
H1
Z p
H2
3 H
X p
PM
F z 1
F y 1
F y 2 F z 2
F y 3
F z 3
P


Figura 6.12 - Foras atuantes nos pontos de articulao H
i

Resolvendo as Eqs.(6.49) obtm-se as componentes da fora resultante F e do torque
N em relao ao sistema inercial, dados por:

( ) ( )

+ +
+ +
+ + + + +
+ +

+
=

y x y x y y x y
z x z x z x y z y z
z y z y z y y z y z y z
z z z
y y y
y y
z
y
x
z
y
x
F u F u u F u u
F u F u F u F u F u
F u F u F u F u F u F u
F F F
F F F
F F
N
N
N
F
F
F
1 1 3 3 3 2 2 2
3 3 2 2 1 1 3 3 2 2
3 3 2 2 1 1 3 3 2 2 1 1
3 2 1
3 2 1
3 2
3
2
1
3
2
1
2
3
2
3
2
1
2
1
2
1
2
1
2
1
2
1
2
3
2
3
(6.51)

onde

0
sen
cos
i
i
P
iz
iy
ix
R r
u
u
u

, i=1,2,3 (6.52)


76

As Eqs.(6.46) a (6.51) podem ser resolvidas para obter as componentes de fora F
iy
e
torques N
iz
expressas pela equao matricial:

+ + +
+ + +
+ + +
+

z
y
x
y x y x x
y x y x x
y x y x x
z
y
x
z
z
z
y
y
y
N
N
N
V
V
V
V
V
V
V
V
V
V
V
V
V
V
V
V
V
V
u u u u u
u u u u u
u u u u u
F
F
F
A
N
N
N
F
F
F
6
24
6
23
6
22
6
18
6
17
6
16
6
12
6
11
6
10
3 3 2 2 1
3 3 2 2 1
3 3 2 2 1
3
2
1
3
2
1
3 3 3
3 3
3 3 3
3 3 2
2
0 0
3 3 2
2
0 0
3 3 2
2
0 0
(6.53)

onde a matriz A dada na Eq.(6.54):

( )
( )
( )
( )
( )
( )
( )

+ + +

+ + +
+
+ + +

+ + +
+ +
+ + +
+
+ + +
+ + +
=
6
21
6
20
6
19
6
15
6
14
6
13
6
9
6
8
6
7
y 3 x 3 y 2 x 2 x 1
x 1
y 3 x 3 y 2 x 2 x 1
y 2 x 2 x 1
y 3 x 3 y 2 x 2 x 1
x 1
y 3 x 3 y 2 x 2 x 1
y 3 x 3 x 1
y 3 x 3 y 2 x 2 x 1
y 3 x 3 y 2 x 2
y 3 x 3 y 2 x 2 x 1
y 3 x 3 y 2 x 2
V
V 3
V
V 3
V
V
V
V 3
V
V 3
V
V
V
V 3
V
V 3
V
V
0
u 3 u u 3 u u 2
u 2
u 3 u u 3 u u 2 3
u 3 u u 3 2
0
u 3 u u 3 u u 2
u 2
u 3 u u 3 u u 2 3
u 3 u u 3 2
0
u 3 u u 3 u u 2
u 3 u u 3 u 3
u 3 u u 3 u u 2 3
u 3 u u 3 u 3
A

(6.54)

As expresses V
i
utilizadas para simplificar as equaes, foram desenvolvidas por
Carvalho e Ceccarelli (1999a) e so apresentadas no Anexo I.
Observando as Figs. 6.8 e 6.13, os torques
Pi
i=1,2,3, de entrada na manivela de
cada mecanismo articulado de quatro barras, devido a inrcia da plataforma mvel, podem


77

ser obtidos do equilbrio dinmico das pernas, segundo Carvalho e Ceccarelli (1999a),
atravs das seguintes expresses:

i
i i i i
i
i i
i
i iy
i
i i iz
Pi
c h
h
c
h
b F
b F

sen
sen cos
1 1
tan sen 2
) 2 sen(

+ = , i=1,2,3 (6.55)

A posio e orientao do ponto central da plataforma mvel, assim como sua
velocidade e acelerao (lineares e angulares), dependem do ngulo de entrada, dado
como uma trajetria no tempo
i
(t). Assim, conhecida a trajetria da plataforma mvel pode-
se computar os torques de entrada nas manivelas dos mecanismos, sendo que as
Eqs.(6.46) a (6.52) so usadas para calcular as foras que atuam nas juntas esfricas e
finalmente simular a dinmica da plataforma mvel do CaPaMan usando as Eqs.(6.55).

H3
O
Z
X
PF
H1
Y
H2
3

F y 3 F z 1
F y 1
F y 2
F z 2
F z 3
2

H3
O
Z
X
PF
H1
Y
H2
3

F y 3 F z 1
F y 1
F y 2
F z 2
F z 3
2

Figura 6.13 - Foras atuantes nas juntas esfricas

6.2.11. Dinmica dos paralelogramos articulados
Para a anlise dinmica considerando-se a inrcia dos paralelogramos articulados,
assume-se que as aceleraes lineares dos centros de massa e as aceleraes angulares
de cada segmento foram determinadas a partir da anlise cinemtica dos paralelogramos


78

articulados; os efeitos gravitacionais dos segmentos m
i
e d
i
so desprezados, devido a sua
massa ser muito pequena em comparao com a massa da plataforma mvel; os centros
dos segmentos so coincidentes com os centros das figuras. Usando a anlise cinetosttica
de mecanismos, o equilbrio dinmico na presena das trs foras de inrcia F
inbi
, F
inci
e
F
indi
, cujos pontos de aplicao so determinados pelos offsets de inrcia e
bi
, e
ci
e e
di
do
centro de massa dos segmentos m
i
, c
i
e d
i
respectivamente , como mostrado na Fig. 6.14,
so dados por:

Gbi
bi
inbi a m F = ; Gci
ci
inci a m F = ; Gdi
di
indi m F a = (6.56)

inbi
i Gbi
inbi
bi Gbi
bi
F
I
F
I
e
& & &
= = ; 0 e
ci
= =
inci
ci Gci
F
I &
;
indi
i Gdi
indi
di Gdi
di
F
I
F
I
e
& & &
= = (6.57)

Gbi
a
bi
e
di
e
di
G
i
d
i
c
i

i
&
i
& &
i
m
bi
G
ci
G
i
&
i
& &
indi
F
Gdi
a
inci
F
Gci
a
i
a
inbi
F
i

Gbi
a
bi
e
di
e
di
G
i
d
i
c
i

i
&
i
& &
i
m
bi
G
ci
G
i
&
i
& &
indi
F
Gdi
a
inci
F
Gci
a
i
a
inbi
F
i

Figura 6.14 - Foras nos paralelogramos articulados i (i=1,2,3)

Usando o princpio da superposio, o efeito das foras de inrcia em cada segmento
pode ser tratado separadamente e ento superposto para determinar o efeito combinado.
Com exemplo, a Fig. 6.15 mostra o diagrama de corpo livre devido fora de inrcia F
indi
.

dci
F
dci
F
dci
F
dci
F
di 1
F
dci
F
indi
F
di
G
Gdi
a
di
e
i
d
i
c
i

&
i

& &
i
m
i
'

Figura 6.15 - Diagrama de corpo livre para anlise do efeito da fora de inrcia no segmento d
i



79

Anlise de foras semelhantes so feitas para cada segmento. O torque total de
entrada,
Mi
, segundo Carvalho e Ceccarelli (1999a) obtido do efeito de inrcia do
movimento dos trs segmentos e do efeito gravitacional do segmento c
i
. Assim, o torque de
entrada
Mi
pode ser escrito como:

g
mh m
m b b F F l
i
i i ci
i bi i i i i i inbi bi Mi

+
+ + + + + =

sen 2
2 sen ) (
cos ) ( sen ) ( sen 2
23

(6.58)

onde
) ( sen
1
2

+
+ =
i i inbi
i Gbi
bi
F
I b
l
& &
(6.59)

( )
( ) ( )
2
2
23
2
sen
tan 2
sen
cos

+
+

+ + =

i inci
i
i
i inci i
F
F F
(6.60)

( )
( )
( )

+ +

+
=

i
i
i inci
i inci
i
F
F
tg

tan 2
sen
cos
2
sen
1 (6.61)

Nas quais os ngulos
i
definem a direo da acelerao do centro de massa do
segmento i com relao ao eixo horizontal, assumido positivo no sentido anti-horrio.
Semelhantemente,
i
define a direo do vetor fora de reao atuando na base do
segmento d
i
.

6.2.12. O Torque total de entrada
Visto que as equaes deduzidas so algbricas e lineares nas foras de inrcia, o
princpio da superposio pode ser aplicado. Desse modo, o efeito dinmico da plataforma
mvel pode ser superposto ao efeito dinmico do paralelogramo articulado.
O torque total
i
na manivela de entrada de cada paralelogramo articulado pode ser
obtido somando os torques
pi
e
Mi
que so obtidos pela anlise dinmica da plataforma
mvel e dos paralelogramos articulados, dados pelas Eqs.(6.55) e (6.58), respectivamente.

Mi Pi i
+ = , i=1,2,3. (6.62)


80

6.4.13. Formulao do Problema timo
Seja o problema de otimizao da trajetria de uma estrutura paralela, considerando
trs critrios conflitantes entre si, escrito como:

0
3
0
2
0
1
J
J
w
T
Tt
w
E
E
w f Minimizar + + = (6.63)
sujeito a
sup inf
) (
i i i
t , i=1,2,3 (6.64)

sup inf
Tt Tt Tt (6.65)

sup inf
i i i
(6.66)

Sendo a energia total do manipulador dada por:

[ ]dt t t E
Tt
i
i i

=
=
0
3
1
) ( ) ( & (6.67)

Na Eq.(6.63), w
1
, w
2
e w
3
so os parmetros de ponderao da funo multi-objetivo,
E a energia total do manipulador
,
E
0
a energia inicial (da primeira trajetria gerada), J e
J
0
so a variao de acelerao (jerk) atual e inicial respectivamente, Tt o tempo total de
percurso e T
0
o tempo total para a trajetria inicial.
As restries laterais esto formuladas nas Eqs.(6.64) a (6.66), sendo representadas
pelos limites inferiores e superiores dos ngulos de cada manivela de entrada (
i
inf
,
i
sup
),
pelos limites do tempo total de percurso (Tt
inf
e Tt
sup
) e tambm pelos limites de torque
(
i
inf
,
i
sup
), para i=1,2,3;
i
o torque na i-sima manivela de entrada;
i
a i-sima varivel
de junta.
A energia total calculada na Eq.(6.67), onde t o tempo, varivel no intervalo [0, Tt]
para uma trajetria entre P
0
e P
m
;
i
& a primeira derivada temporal. A formulao proposta
exige o clculo do modelo cinemtico e dinmico do CaPaMan. Para determinar as
trajetrias pode-se usar os pontos iniciais e finais, P
0
e P
m
, no sistema Cartesiano de
coordenadas. Estes pontos devem ser transformados em coordenadas de junta resolvendo-
se a cinemtica inversa. Polinmios cbicos geralmente so escolhidos para descrever as
trajetrias, visto que controle Derivativo Proporcional geralmente usado nos atuadores dos
manipuladores na robtica industrial.



81

Dados dimensionais
Caractersticas dinmicas
Parmetros de movimento
Dados:
Pontos de controle
Dados do algoritmo gentico
Otimizao:
Energia total
Tempo de percurso
Jerk
Restries laterais
Obtendo:
Projeto timo
Fim
Clculo:
Modelo
Cinemtico
Clculo:
Modelo
dinmico
Avaliao:
Energia
Mecnica
Dados dimensionais
Caractersticas dinmicas
Parmetros de movimento
Dados:
Pontos de controle
Dados do algoritmo gentico
Otimizao:
Energia total
Tempo de percurso
Jerk
Restries laterais
Obtendo:
Projeto timo
Fim
Clculo:
Modelo
Cinemtico
Clculo:
Modelo
dinmico
Avaliao:
Energia
Mecnica


Figura 6.16 - Fluxograma do procedimento numrico para otimizao (OLIVEIRA, 2005b)

A metodologia apresentada foi utilizada para a soluo do problema de otimizao
multi-objetivo definido pelas Eqs.(6.63) a (6.67). No processo de otimizao, um cdigo
geral de anlise, desenvolvido por Saramago et al. (2005) foi acoplado ao programa de
otimizao, conforme mostrado no fluxograma da Fig. 6.16. Este cdigo de anlise permite
calcular a trajetria do manipulador modelada por splines conforme a Eq.(6.20), o modelo
cinemtico segundo as Eqs.(6.27) a (6.45), o modelo dinmico dado pelas Eqs.(6.46) a
(6.62); e a energia usando a Eq.(6.67).
A plataforma mvel tem massa M=2,912 Kg, os segmentos h, b e c tem massas
respectivamente iguais a m
h
=0,1 Kg, m
b
=0,103 Kg e m
c
=0,547 Kg. Os dados dimensionais
do CaPaMan esto relacionados na Tab. 6.2. O rob est inicialmente em repouso e fica
completamente parado ao final da trajetria, ou seja, ( ) ( ) 0 0 = =
t i i
T & & , i=1,2,3.

Tabela 6.2 - Parmetros dimensionais do prottipo CaPaMan

a
i
= c
i
[
mm
]
m
i
= d
i [
mm
]
h
i
[
mm
]
r
p
= r
B
[
mm
]
s
i
[
mm
]

200 80 116 109,5 -50; 50.

As trajetrias iniciais so obtidas aleatoriamente, impondo a condio de que sejam
executadas no tempo inicial T
0
=

0,3 s e obedecidas as restries laterais dadas por:

90 ) ( 60
1
t [graus]
120 ) ( 50
2
t [graus]


82

100 ) ( 80
3
t [graus] (6.68)
5 , 0 1 , 0 Tt [s]
5 , 0 1 , 0
i
[Nm]

6.2.14. Simulaes Numricas
A simulao do movimento realizada adotando os seguintes coeficientes de
ponderao: w
1
=

w
2
=

0,3 e w
3
=

0,4.
Os parmetros usados pela ED foram: Np=15, Nger=200, F
p
=0,8 e Pc=0,6. Os
Algoritmos Genticos utilizaram Np=200 e Nger=300.
Os valores iniciais e timos so apresentados na Tab. 6.3, mostrando que h uma
melhora do ndice de performance utilizando algoritmos evolutivos. Alm disso, os valores
timos da energia e do jerk foram fortemente reduzidos, apesar do tempo total de percurso
ter um pequeno acrscimo.
Os resultados obtidos nesta simulao foram apresentados na III European
Conference on Computational Mechanics Solids, Structures and Coupled Problems in
Engineering, em 2006 (OLIVEIRA et al., 2006b).

Tabela 6.3 - Valores timos obtidos do processo de otimizao (w
1
=

w
2
=

0,3 e w
3
=

0,4)


Energia
[Nm/s
2
]
Jerk
[rad/s
3
]
Tempo do
percurso
[s]
Tempo
computacional
[s]
Valor inicial 1,00 312,83 832,50 0,30
AG (Oliveira,
2005b)
0,71 146,24 201,40 0,46 630
1 0,68 148,26 224,65 0,46 299
2 0,64 162,53 257,87 0,44 340
3 0,63 156,19 263,62 0,44 410
4 0,64 152,99 263,14 0,44 408
5 0,70 143,91 201,36 0,48 320
6 0,67 167,52 228,73 0,46 348
7 0,64 150,28 257,85 0,44 290
8 0,61 169,02 298,53 0,42 366
9 0,63 137,98 271,87 0,43 229
10 0,65 151,38 243,43 0,45 318

A Figura 6.17 mostra que as trajetrias timas do ponto central da plataforma mvel
obedecem aos pontos iniciais P
0
e P
m
. Para facilitar a visualizao da trajetria, so
apresentadas tambm as projees no plano cartesiano.



83




Figura 6.17 - Grfico 3D da trajetria tima do centro da plataforma mvel do CaPaMan e
suas projees no plano cartesiano usando AG (-
.
-) e ED (-
*
-)

As Figuras 6.18 a 6.22 mostram resultados iniciais e timos usando AG e a estratgia
ED/best/2/exp da Evoluo Diferencial. A Fig. 6.18 mostra os grficos das trajetrias iniciais
e timas para os ngulos de entrada nos mecanismos 1, 2 e 3, podendo-se constatar que o
tempo total de percurso sofreu um pequeno acrscimo, mas que a variao dos ngulos de
entrada bastante suave. As curvas iniciais e timas das velocidades angulares das
manivelas de entrada do CaPaMan so apresentadas na Fig. 6.19. As Figs. 6.20 e 6.21
mostram os grficos das aceleraes e jerks iniciais e timas das manivelas,
respectivamente. Na Fig. 6.22 so apresentadas as curvas iniciais e timas do torque nos
atuadores dos mecanismos 1, 2 e 3.



84



Figura 6.18 - Grfico das trajetrias iniciais e timas para o ngulo de entrada em funo do
tempo nos mecanismos 1, 2 e 3



Figura 6.19 - Curvas iniciais e timas das velocidades angulares das manivelas de entrada
nos mecanismos 1, 2 e 3



85




Figura 6.20 - Grfico das aceleraes iniciais e timas das manivelas de entrada em funo
do tempo para o CaPaMan

Observa-se nas Figs. 6.19 e 6.20 que ambas as tcnicas de otimizao obtiveram
significantes redues nas velocidades e aceleraes. No caso da ED, os resultados timos
obtiveram menor tempo de percurso das trajetrias, por esta razo, os valores das
velocidades e aceleraes so levemente superiores aos resultados timos encontrados
usando AG.
Os resultados grficos para os torques nos atuadores, mostrados na Fig. 6.22,
apresentam uma comparao entre curvas iniciais e timas do torque. Pode-se observar
que os valores timos foram fortemente modificados evitando variaes abruptas da curva
inicial.
Este comportamento suave pode ser verificado nos grficos do jerk das manivelas de
entrada, apresentados na Fig. 6.21, uma vez que grande minimizao dos valores do jerk
pode ser verificada para os resultados calculados por ambas as tcnicas de otimizao.
Alm disso, a evoluo diferencial foi capaz de obter uma maior reduo da energia
total, como mostrado na Tab. 6.3. Este fato pode ser explicado observando a Fig. 6.22, onde
pode verificar-se que o torque total obtido com ED levemente inferior ao calculado usando
AG.



86



Figura 6.21 - Curva inicial e tima do jerk das manivelas de entrada




Figura 6.22 - Curvas iniciais e timas do torque nos atuadores



87


No caso de objetivos conflitantes, normalmente o conjunto de solues formado por
mais de uma soluo, o que dificulta a escolha se no houver mais informaes sobre o
problema. Assim, os resultados timos representam uma soluo compromisso entre as
funes que compem a funo multi-objetivo dada na Eq.(6.63).
Os resultados do procedimento timo demonstram a eficincia da formulao
proposta, a fim de melhorar o desempenho dinmico de um manipulador paralelo, reduzindo
o consumo de energia e limitando os movimentos bruscos durante o movimento. A
importncia de usar B-splines cbicas devido ao fato de produzir curvas suaves para a
acelerao e os jerks; estes fatos facilitam as operaes de controle e o movimento do rob.
As duas tcnicas de otimizao evolucionrias que foram aplicadas apresentam boa
performance. No caso estudado, a Evoluo Diferencial apresentou resultados um pouco
melhores que os Algoritmos Genticos. Observando a Tab. 6.3, torna-se evidente que a
principal vantagem da utilizao da Evoluo Diferencial a reduo do tempo
computacional. Esta tcnica pode representar uma ferramenta poderosa em problemas de
otimizao multimodal complexos ou quando muitas variveis de projeto so consideradas.
Porm verifica-se que fortemente recomendado que o usurio teste diferentes tcnicas de
otimizao e compare os resultados timos obtidos.





















CAPTULO VII



CONCLUSES E TRABALHOS FUTUROS

Neste trabalho foi apresentado um estudo detalhado da Evoluo Diferencial e suas
estratgias, considerando sua fundamentao terica e o algoritmo de implementao.
Considerando funes bidimensionais, foi realizado um estudo sobre a influncia dos
seguintes parmetros da Evoluo Diferencial: probabilidade de cruzamento (Pc), fator de
perturbao dos indivduos (F
p
), nmero mximo de geraes (Nger) e o nmero de
indivduos da populao (Np). Nos testes executados foram analisados os efeitos de um
parmetro fixando os demais, para isto foram considerados os valores recomendados por
Storn e Price (1997). Cada parmetro foi alterado, observando-se sua influncia sobre o erro
absoluto e o nmero de avaliaes da funo objetivo. Como resultado deste estudo obteve-
se que a faixa de valores recomendada para F
p
e Pc est compreendida entre 0,4 e 0,8,
que Nger deve estar em torno de 200 geraes e que pode-se trabalhar com poucos
indivduos, Np na faixa de 15 a 30 indivduos.
Nestes testes, evidenciou-se que o algoritmo ED apresenta grande sensibilidade em
relao ao nmero de indivduos da populao (Np), sendo que a escolha adequada deste
parmetro pode resultar em uma reduo significativa do esforo computacional.
Obtidos os melhores parmetros da Evoluo Diferencial, funes matemticas
clssicas e alguns problemas de engenharia, considerando a presena de restries e
problemas de otimizao multi-objetivos, foram testados, a fim de verificar seu
comportamento e desempenho.
Os valores timos encontrados foram comparados com os resultados obtidos
utilizando os Algoritmos Genticos e o Recozimento Simulado. Observou-se que em todas
as situaes os resultados calculados com a Evoluo Diferencial foram adequados,
atingindo a mesma faixa de preciso das outras tcnicas. Porm, deve-se destacar que a
Evoluo Diferencial exige um esforo computacional bem inferior quando comparada s
outras metodologias.
Duas aplicaes, bastante complexas, em robtica foram apresentadas. A primeira,
que utiliza a formulao de Bergamaschi (2004), visa maximizar o volume do espao de

90
trabalho de robs manipuladores 3R. A segunda, baseada na formulao desenvolvida por
Oliveira (2005b), prope a otimizao de trajetrias de um rob com estrutura paralela. Nas
duas aplicaes, a performance da Evoluo Diferencial foi muito boa, obtendo valores
prximos aos resultados encontrados pelos Algoritmos Genticos, destacando uma reduo
significativa do tempo de processamento, praticamente metade do tempo de execuo dos
Algoritmos Genticos, para a maioria das estratgias da Evoluo Diferencial. Esta
vantagem da Evoluo Diferencial, quando comparada aos Algoritmos Genticos, pode ser
justificada pelo fato de trabalhar com uma populao de poucos indivduos, alm de que seu
operador mutao utiliza o princpio das diferenas vetoriais.
Em todos os exemplos considerados, todas as estratgias da Evoluo Diferencial
foram executadas, retornando valores muito semelhantes entre si. Estes resultados
evidenciam que a escolha da estratgia a ser utilizada no to importante para o processo
de otimizao quanto poderia ser suposto inicialmente. Esta concluso pode ser significativa
quando se trabalha com problemas complexos, que exigem elevado tempo de
processamento, como, por exemplo, cdigos acoplados a programas de elementos finitos ou
diferenas finitas. Pois, no havendo necessidade de testar todas as estratgias, uma vez
que tm pouca influncia sobre os resultados, reduz-se o esforo computacional.
A principal contribuio deste trabalho apresentar a metodologia da Evoluo
Diferencial, mostrando sua eficincia em trabalhar com problemas complexos.

Como trabalhos futuros prope-se:

Aprofundar a anlise do efeito dos parmetros da Evoluo Diferencial utilizando
funes n-dimensionais considerando n 3;
Realizar testes cruzados, variando mais de um parmetro simultaneamente, a fim de
verificar a influncia destes parmetros sobre a performance do algoritmo;
Utilizar novas tcnicas para aplicar a Evoluo Diferencial a problemas restritos;
Trabalhar com a Evoluo Diferencial em problemas multi-objetivos, utilizando novas
metodologias para escrever este tipo de problema;
Aperfeioar o algoritmo computacional, propondo novos critrios de parada;
Escrever o cdigo computacional, amigvel e interativo, de forma que seja acessvel
para profissionais de outras reas;
Trabalhar com otimizao hbrida, associando a Evoluo Diferencial com outras
tcnicas de otimizao.



REFERNCIAS BIBLIOGRFICAS

ABDEL-MALEK, K.; YEH H.J .; OTHMAN, S. Understanding voids in the workspace of serial
robot manipulators. Proc. 23
rd
ASME, Design Engineering Technical Conf., Baltimore,
Maryland, 2000.
ABIDO, M. A. A niched Pareto genetic algorithm for multiobjective environmental/economic
dispatch. Electrical Power and Energy Systems, v.25, p. 97-105, 2003.
BABU, B. V.; MUNAWAR, S. A. Optimal Design of Shell-and-Tube Heat Exchangers by
Different Strategies of Differential Evolution, The Faculty Lounge, Article n 003873,
posted on website Journal: www.PreJournal.org, March, 03, 2001.
BABU, B.V.; ANGIRA, R.; NILEKAR, A. Optimal Design of an Auto-Thermal Ammonia
Synthesis Reactor Using Differential Evolution. Proceedings of The Eighth World
Multi-Conference on Systemics, Cybernetics and Informatics (SCI-2004), Orlando,
Florida, USA, J uly 18-21, 2004.
BABU, B.V.; PALLAVI, G. C.; Syed Mubeen, J . H. Multiobjective Differential Evolution
(MODE) for Optimization of Adiabatic Styrene Reactor, Chemical Engineering Science,
v. 60, n.17, p. 4822-4837, 2005.
BABU, B.V.; ANGIRA, R. Modified Differential Evolution (MDE) for Optimization of Non-
Linear Chemical Processes. Computers & Chemical Engineering, v. 30, n. 6-7, p. 989-
1002, 2006.
BEER F. P.; J OHNSTON J r, E. R. Mecnica Vetorial para Engenheiros, 5. ed., v. 1 e 2, So
Paulo: Makron, McGraw-Hill, Brasil, 1991.
BERGAMASCHI, P.R.; SARAMAGO, S.F.P.; COELHO, L.S. Evoluo Diferencial aplicada
otimizao do volume do espao de trabalho de um manipulador, VII SBAI / II IEEE
LARDS. So Lus, 2005.
BERGAMASCHI, P. R.; SARAMAGO S. F. P.; NOGUEIRA, A. C. Design an optimization of
3R manipulators using the workspace features. Applied Mathematics and
Computation, v. 172, n.1, p. 439-463, 2006.
BERGAMASCHI, P. R.; SARAMAGO S. F. P.; NOGUEIRA, A. C. An optimal design of 3R
manipulators with prescribed workspace. In: INTERNATIONAL SYMPOSIUM ON
MULTIBODY SYSTEMS AND MECHATRONICS, 2, 2005, Uberlndia (Brasil),
Proceedings of MUSME. p. 140-158.

92
BERGAMASCHI, P. R. Projeto timo Robs Manipuladores 3R, Considerando as
Caractersticas de seu Espao de Trabalho. 2004. Tese de Doutorado - Universidade
Federal de Uberlndia, Uberlndia, MG, Brasil.
BERTSIMAS, D.; TSITSIKILIS, J . N. Introduction to Linear Optimization. Athena
Scientific, Belmont, USA, 1997.
BRAGA, C. G. O Uso de Algoritmos Genticos para Aplicao em Problemas de
Otimizao de Sistemas Mecnicos. 1998. Dissertao de Mestrado - Universidade
Federal de Uberlndia, Uberlndia, MG, Brasil.
BREGALDA, P. et al. Introduo Programao Linear. Ed. Campus, 1988.
CARVALHO, J .C.M; CECCARELLI, M. A Dynamic Analysis for Cassino Parallel Manipulator.
In: 10
th
WORLD CONGRESS ON THE THEORY OF MECHANISMS, J une 20-24, 1999a,
Oulu, Finland, p.1202-1207.
CECCARELLI, M.; LANNI, C. Sintesis optima de brazos manipuladores considerando las
caractersticas de su espacio de trabajo, Revista Iberoamericana de Ingenieria
Mecanica. v. 3, n. 1, p. 49-59, 1999.
CECCARELLI, M.; LANNI, C. A multi-objective optimum design of general 3R manipulators
for prescribed workspace limits. Mechanism and Machine Theory v. 39, p. 119-132,
2004.
CECCARELLI, M.; CARBONE, G.; OTTAVIANO, E. An optimisation problem approach for
designing both serial and parallel manipulators. In: INTERNATIONAL SYMPOSIUM ON
MULTIBODY SYSTEMS AND MECHATRONICS, 2, 2005, Uberlndia (Brasil),
Proceedings of MUSME. p. 18-32.
CECCARELLI, M. A formulation for the workspace boundary of general N-revolute
manipulators. IFToMM Jnl Mechanism and Machine Theory. V.31 n.5, p.637-646,
1996.
CHENG, S.L.; HWANG, C. Optimal Approximation of Linear Systems by a Differential
Evolution Algorithm. IEEE Transactions on Systems, Man, and Cybernetics - Part A:
Systems and Humans, v.31, n. 6, p. 698-707, Nov. 2001.
CORANA, A.; MARCHESI, M.; MARTINI, C.; Ridella, S. Minimizing Multimodal Functions of
Continuous Variables with the Simulated Annealing Algorithm. ACM Transactions on
Mathematical Software, v. 13, n.3, p. 272-280, 1987.
DEB, K. Multi-objetive optimization using Evolutionary Algorithms. J ohn Wiley & Sons,
2001.
DEB, K. Otimization for Engineering Design: Algorithms and Examples. New Delhi:
Prentice-Hall, 1995.

93
DEJ ONG, K. A. An Analysis of the Behavior of a Class of Genetic Adaptive Systems.
1975. Ph.D. Dissertation, University of Michigan, USA.
ESCHENAUER, H.; KOSKI, J .; OSYCZKA, A. Multicriteria Design Optimization. Berlin,
Springer-Verlag, 1990.
ESHELMAN, L.; SHAFFER. Real Coded Genetic Algorithms and Interval-Schemata. In
San Mateo, CA: Morgan Kaufman, pp. 187-2002, 1993.
FOLEY et al. Computer Graphics: Principles and Practice. 2.ed. Addison-Wesley
Publishing Company, ISBN 0-201-12110-7, T385.C587, 006-dc20, 1990.
FOX, R. L. Optimization Methods for Engineering Design, Reading, MA: Addison-Wesley,
1971.
GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning.
Reading, MA: Addison-Wesley, 1989.
GUPTA, K. C.; ROTH, B. Design Considerations for Manipulator Workspace. ASME, Journal
of Mechanical Design. v. 104, p. 704-711, 1982.
HAJ ELA, P.; LIN, C.Y. Genetic Search Strategies in Multicriterion Optimal Design.
Structural Optimization, v.4, pp. 99-107, 1992.
HAUG, E. J .; ARORA, J . S. Introduction to Optimal Design, New York: McGraw Hill, 1989.
HAUPT, R. L.; HAUPT, S. E. Practical Genetic Algorithms. Wiley-Interscience Publication,
New York, 1998.
HIMMELBLAU, D. M. Applied Nonlinear Programming, New York: McGraw Hill, 1972.
HOLLAND, J .H. Adaptation in natural and artificial systems. MIT Press, Illinois Genetic
Algorithm Laboratory. IlliGAL, University of Illinois at Urbana-Champaign, pp. 11-147,
1975
HOUCK, C.R.; J OINEZ, J .A.; KAY, M.G. A Genetic Algorithms for Function Optimization: a
Matlab Implementation. NCSO-IE Technical Report. University of North Caroline, USA,
1995.
IZMAILOV, A.; SOLODOV, M. Otimizao - Volume 1: Condies de Otimalidade,
Elementos de Anlise Convexa e de Dualidade. Rio de J aneiro: IMPA, 2005.
KIRKPATRICK, S.; GELATT, C. D. J R.; VECCHI, M. P. Optimization by Simulated
Annealing. Science, v. 220, n. 4598, p. 671-680, 1983.
LANNI, C.; Saramago, S. F. P; CECCARELLI, M. Optimal design of 3R manipulators using
classical techniques and simulated annealing. Revista Brasileira de Cincias
Mecnicas, Brazil. v. 24 n.4, p. 293-301, 2002.
MARTINEZ, J . M.; SANTOS, S. A. Mtodos computacionais de otimizao. XX COLQUIO
BRASILEIRO DE MATEMTICA - IMPA, 1995, Rio de J aneiro (ISBN 85-244-0092-7,
256 p).

94
MASTERS, T. Practical Neural Network Recipes in C++, Academic Press, 1993.
MENDES, R. Population Topologies and Their Influence in Particle Swarm
Performance. 2004. Doctorate Thesis - University of Minho, Portugal.
METROPOLIS, N.; ROSENBLUTH, A. W.; ROSENBLUTH, M. N.; TELLER, A. H. Equations
of state calculations by fast computing machines. Journal of Chemical Physics. v. 21,
p. 1087-1092, 1953.
MICHALEWICZ, Z. Genetic Algorithms + Data Structures = Evolution Programs. 3.ed.
New York: Springer-Verlag, 1996.
OLIVEIRA, A. C. M. Algoritmos Evolutivos Hbridos com Deteco de Regies
Promissoras em Espaos de busca Contnuos e Discretos. 2004. Tese de Doutorado
- Instituto Nacional de Pesquisas Espaciais, So J os dos Campos, SP, Brasil.
OLIVEIRA, L. S. Uma Contribuio ao Estudo dos Mtodos de Otimizao Multi-
Objetivo. 2005a. Dissertao de Mestrado - Universidade Federal de Uberlndia,
Uberlndia, MG, Brasil.
OLIVEIRA, P. J . Otimizao de Trajetrias de Robs com Estrutura Paralela. 2005b.
Tese de Doutorado - Universidade Federal de Uberlndia, Uberlndia, MG, Brasil.
OLIVEIRA, G. T. S.; PRADO, J . R.; SARAMAGO, S. F. P.; BERGAMASCHI, P. R.
Maximizao do Espao de Trabalho de Manipuladores 3R usando Algoritmos
Evolutivos. In: XXVII IBERIAN LATIN-AMERICAN CONGRESS ON COMPUTATIONL
METHODS IN ENGINEERING (CILAMCE), 2006a, Belm do Par, Brasil. Anais do
XXVII CILAMCE (CD-ROM). Associao Brasileira de Mecnica Computacional -
ABMEC.
OLIVEIRA, G. T. S.; SARAMAGO, S. F. P.; OLIVEIRA, P. J .; CARVALHO, J . C. M.;
CECCARELLI, M. On the use of Differential Evolution in the trajectory modeling of
parallel architecture robot. In: III EUROPEAN CONFERENCE ON COMPUTATIONAL
MECHANICS SOLIDS, STRUCTURES AND COUPLED PROBLEMS IN ENGINEERING,
Anais III ECCM (CD-ROM), 1, J une 5-9, 2006b, Lisboa, Portugal, p. 1-13.
OSYCZKA, A. Multi-criterion Optimization in Engineering. Ellis Horwood Ltd, 1990.
REKLAITIS, G. V.; RAVINDRAN, A.; RAGSDELL, K. M. Engineering Optimization:
Methods and Applications. J ohn Wiley & Sons, USA, 1983.
SARAMAGO, S. F. P.; FARIA, E. D. Constraint Optimization Problems Using Simulated
Annealing. Cincia & Engenharia. Brasil, v. 10, n. 1, p. 69-75, 2001.
SARAMAGO, S. F. P.; ASSIS, E. G.; STEFFEN J r, V. Simulated Annealing: Some
Applications In Mechanical Systems Optimization. In: XX IBERIAN LATIN-AMERICAN
CONGRESS ON COMPUTATIONL METHODS IN ENGINEERING (CILAMCE), 1999,
So Paulo. Anais do XX CILAMCE (CD-ROM). Associao Brasileira de Mecnica

95
Computacional - ABMEC.
SARAMAGO, S. F. P.; OTTAVIANO, E.; CECCARELLI, M. A characterization of the
workspace boundary of three-revolute manipulators. In: DESIGN ENGINEERING
TECHNICAL CONFERENCES (DETC'02), 1, 2002, Montreal. Proceedings of DETC'02
ASME. p. 34342-34352.
SARAMAGO, S. F. P.; STEFFEN J r, V. Dynamic Optimization for the Trajectory Planning of
Robot Manipulators in the Presence of Obstacles. Journal of the Brazilian Society of
Mechanical Sciences, Brazil, v. XXI, n. 3, p. 371-383, 1999a.
SARAMAGO, S. F. P.; CARBONE, G.; CECCARELLI, M; OLIVEIRA, P. J .; CARVALHO, J .
C. M. Optimum path Planning of Capaman (Cassino Parallel Manipulator) by Using
Inverse Dynamics. In: INTERNATIONAL SYMPOSIUM ON MULTIBODY SYSTEMS
AND MECHATRONICS, 2, 2005, Uberlndia (Brasil), Proceedings of MUSME, p. 332-
343.
STORN, R. System Design by Constraint Adaptation and Differential Evolution. IEEE
Transactions on Evolutionary Computation, v. 3, n. 1, p. 2234, 1999.
STORN, R.; PRICE, K. Differential Evolution: a simple and efficient adaptive scheme for
global optimization over continuous spaces. Technical Report TR-95-012, International
Computer Science Institute, Berkeley, mar, 1995.
STORN, R.; PRICE, K. Differential Evolution A Simple and Efficient Heuristic for Global
Optimization over Continuous Spaces. Journal of Global Optimization, v. 11, p. 341-
359, 1997.
STORN, R.; PRICE, K. Home Page of Differential Evolution (DE) for Continuous Function
Optimization. Disponvel em: <http://www.icsi.berkeley.edu/~storn/code.html#matl>.
Acesso em: 12 jul. 2006.
VANDERPLAATS, G. N. Numerical Optimization Techniques for Engineering Design.
3.ed. Vanderplaats Research & Development, Inc., Colorado Springs, CO, 1999.













ANEXO I


,
3 2 3 1 2 1
2
3
2
2
2
1 1
z z z z z z z z z V + + =

( ) ( )
2
3 2 1
2
2
4 sen 1 9 y y y r V
P
+ + + =

( ) ( )
1
2 2
3 2
2
1 3
8 9 3 16 V r z z V V
P
+ =

( ) ( )
1
2 2
3 1
2
1 4
8 9 3 16 V r z z V V
P
+ =

( ) ( )
1
2 2
2 1
2
1 5
8 9 3 16 V r z z V V
P
+ =

( ) ( ) ( ) [ ]( )
y x y x x y y x y y x y y x
u u u u u u u u u u u u u u V
3 3 2 2 1 2 1 3 3 1 2 3 2 1 6
3 3 2 3 + + + + =

( )
( ) ( )
( ) ( )
( ) ( ) ( ) ( ) [ ]
y x z y x z z z x y y
y x z y x z
y x y x z z z x
x x
u u u u u u u u u u u
u u u u u u
u u u u u u u u
u u V
3 3 2 2 2 3 3 2 1 3 2
2 2 3 3 3 2
3 3 2 2 1 3 2 1
3 2 7
3 3 3
3 3
3 3
3
+ + + +
+

+ + +
+ + + + +
=


( )( )
( ) ( ) ( ) [ ]
y x y x z z z x x x
z z y y x
u u u u u u u u u u
u u u u u V
3 3 2 2 1 3 2 1 3 2
3 2 3 2 1 8
3 3
3
+ + + +
+ =


( )( )
y 3 x 3 y 2 x 2 x 1 x 3 y 2 y 3 x 2 9
u 3 u u 3 u u 2 u u u u V + =

( )( )
y x y x x x x
u u u u u u u V
3 3 2 2 1 3 2 10
3 3 2 + + =

( )( )
y x y x x y y
u u u u u u u V
3 3 2 2 1 3 2 11
3 3 2 + + =

98
( )( ) ( )( )
z x z x x z z y y
u u u u u u u u u V
3 2 1 3 2 3 2 3 2 12
2 3 + + + + =

( )
( ) ( )
( ) ( )
( )( ) ( )( ) ( ) [ ]
7 3 3 2 1 2 2 3 1 3 3 1 3 2 1
3 3 2 2 2 3
3 3 2 2 1 2 3 1
3 1 13
3 3 3
3 3
3 3
3
V u u u u u u u u u u u u u u
u u u u u u
u u u u u u u u
u u V
y x z y y x y x z y y z z x
y x z y x z
y x y x z z z x
x x
+ + + + + +
+

+ + +
+ + + +
=


( )( ) ( ) ( ) ( ) [ ]
y x y x z z z x x x z z y y x
u u u u u u u u u u u u u u u V
3 3 2 2 1 3 2 1 1 3 3 2 3 1 1 14
3 3 3 + + + + =

( )( )
y x y x x x y y x
u u u u u u u u u V
3 3 2 2 1 3 1 3 1 15
3 3 2 + =

( )( )
y x y x x x x
u u u u u u u V
3 3 2 2 1 3 1 16
3 3 2 + + =

( )( )
y x y x x y y
u u u u u u u V
3 3 2 2 1 1 3 17
3 3 2 + =

( )( ) ( )( )
z z z x x y y z z
u u u u u u u u u V
3 2 1 1 3 3 1 2 3 18
2 3 + =

( ) ( )( ) ( )( ) [ ]
( ) ( ) [ ]
( ) ( ) ( ) ( ) [ ]

+ + + +
+ + +
+ + + +
=
y x z y x z z z x y y
z z x z z x x
y x z z y x z z x x
u u u u u u u u u u u
u u u u u u u
u u u u u u u u u u
V
3 3 2 2 2 3 3 2 1 2 1
3 2 2 2 3 1 1
3 3 1 2 2 2 1 3 2 1
19
3 3 3
3 3
3

( )( ) ( ) ( ) ( ) [ ]
y x y x z z z x x x z z y y x
u u u u u u u u u u u u u u u V
3 3 2 2 1 3 2 1 2 1 3 2 2 1 1 20
3 3 3 + + + + + =

( )( )
y x y x x x y y x
u u u u u u u u u V
3 3 2 2 1 2 1 2 1 21
3 3 2 + =

( )( )
y x y x x x x
u u u u u u u V
3 3 2 2 1 2 1 22
3 3 2 + + =

( )( )
y x y x x y y
u u u u u u u V
3 3 2 2 1 2 1 23
3 3 2 + + =

( )( ) ( )( )
z x z x x z z y y
u u u u u u u u u V
3 2 1 2 1 3 2 1 2 24
2 3 + + + + + =