2001-Otimização de Estruturas Com Multi-Objetivos Via AG

OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS VIA ALGORITMOS GENTICOS
Rodrigo Evangelista de Castro TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM CINCIAS EM ENGENHARIA CIVIL. Aprovada por:
_____________________________________________ Prof. Alvaro Luiz Gayoso de Azeredo Coutinho, D.Sc.
_____________________________________________ Prof. Helio Jos Corra Barbosa, D.Sc.
_____________________________________________ Prof. Ronaldo Carvalho Battista, Ph.D.
_____________________________________________ Prof. Nelson Francisco Favilla Ebecken, D.Sc.
_____________________________________________ Prof. Elson Magalhes Toledo, D.Sc.
_____________________________________________ Prof. Afonso Celso de Castro Lemonge, D.Sc.
RIO DE JANEIRO, R.J. BRASIL AGOSTO DE 2001
CASTRO, RODRIGO EVANGELISTA DE Otimizao de Estruturas com Multi-objetivos Via Algoritmos Genticos [Rio de Janeiro] 2001 XX, 206 p. 29,7 cm (COPPE/UFRJ, D.Sc., Engenharia Civil, 2001) Tese Universidade Federal do Rio de Janeiro, COPPE 1. Otimizao Multi-objetivos 2. Algoritmos Genticos 3. Otimizao Estrutural I. COPPE/UFRJ II. Ttulo ( srie )
ii
Aos meus queridos pais, Sebastio Leme e Carmen Lucia, em gratido por tamanho e contnuo apoio no dia-a-dia do meu viver e no conquistar de novos horizontes ...
iii
Agradecimentos
Desejo expressar minha sincera e profunda gratido para as seguintes pessoas e instituies que contriburam para a realizao deste trabalho:
Professores Helio J. C. Barbosa e Alvaro L. G. A. Coutinho por suas valiosas orientaes, pela dedicao e incentivos permanentes, tanto no mbito profissional como pessoal.
Professor Luis Paulo S. Barra pelos dois anos de orientao acadmica em nvel de iniciao cientfica junto ao Departamento de Estruturas da Universidade Federal de Juiz de Fora.
Professores, funcionrios e amigos da UFJF, COPPE/UFRJ e LNCC, pelo apoio oferecido e convvio gratificante.
CNPq, COPPE/UFRJ e LNCC, que em conjunto possibilitaram a realizao deste trabalho.
Todos os meus familiares e amigos pessoais.
Companheiros de turma de mestrado e doutorado pela sincera e duradoura amizade estabelecida.
iv
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios para a obteno do grau de Doutor em Cincias (D.Sc.)
OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS VIA ALGORITMOS GENTICOS
Rodrigo Evangelista de Castro
Agosto/2001
Orientadores: Alvaro Luiz Gayoso de Azeredo Coutinho Helio Jos Corra Barbosa
Programa: Engenharia Civil
Este trabalho apresenta uma reviso geral sobre a tcnica dos algoritmos genticos fundamentos, operadores, parmetros de configurao, vantagens e desvantagens e de sua aplicao aos problemas de otimizao multi-objetivos. desenvolvido um algoritmo gentico para otimizao de problemas multiobjetivos cuja finalidade evoluir um conjunto uniformemente distribudo de solues para determinar o conjunto timo de Pareto do problema tratado. As principais caractersticas do algoritmo proposto so: (i) ordenamento da populao de acordo com propriedades de dominncia, (ii) utilizao de operadores multi-objetivos adequadamente desenvolvidos: excluso, adio e operador de otimizao individual, (iii) definio de um filtro para reter as solues de Pareto, (iv) elitismo deste filtro dentro das populaes e (v) mtodo de penalizao por camadas. Para ilustrar o desempenho do algoritmo desenvolvido so apresentados exemplos numricos de problemas testes e estruturais multi-objetivos: viga soldada, trelia tri-objetiva, ponte treliada, torre de 47 barras, dentre outros.
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the requirements for the degree of Doctor of Science (D.Sc.)
OPTIMIZATION OF STRUCTURES WITH MULTIOBJECTIVES BY GENETIC ALGORITHMS
Rodrigo Evangelista de Castro
August/2001
Advisors: Alvaro Luiz Gayoso de Azeredo Coutinho Helio Jos Corra Barbosa
Department: Civil Engineering
This work presents a general review on genetic algorithms foundations, operators, configuration parameters, advantages and disadvantages and their applications to multiobjective optimization problems. A special genetic algorithm is developed for multiobjective optimization problems. Its purpose is to evolve an evenly distributed group of solutions to determine the optimum Pareto set for a given problem. The main characteristics of the proposed algorithm are: (i) population sorting by its domination properties, (ii) use of multiobjective operators appropriately developed: exclusion, addition and individual optimization operator, (iii) definition of a filter to retain the Pareto solutions, (iv) elitism of this filter inside of the populations and (v) a method of penalization by layers. To illustrate the use of the developed optimization algorithm some numeric examples of multiobjective test problems and multiobjective structural problems are presented: welded beam, three-objective truss, truss bridge, 47-bar truss, among others.
vi
ndice
Agradecimentos ................................................................................................ iv Resumo............................................................................................................. vii Abstract............................................................................................................ vii ndice................................................................................................................ vii ndice de Figuras ............................................................................................ xiii ndice de Tabelas .............................................................................................xix
Captulo I : Introduo...................................................................................... 1 1. Motivao........................................................................................................ 2 2. Otimizao ...................................................................................................... 4 3. Programao Matemtica................................................................................. 5 4. Computao Natural ........................................................................................ 6 4.1. Fractais .................................................................................................... 7 4.2. Recozimento Simulado............................................................................. 8 4.3. Lgica Nebulosa ...................................................................................... 8 4.4. Redes Neurais Artificiais.......................................................................... 9 4.5. Computao Evolucionria....................................................................... 9 4.5.1. Algoritmos Genticos (AGs) .........................................................12 4.5.2. Programao Evolucionria ou Evolutiva (PE) ..............................12 4.5.3. Estratgias Evolucionrias ou de Evoluo (EE)............................12 4.5.4. Programao Gentica (PG) ..........................................................13 4.5.5. Estratgia de Colnia.....................................................................13 5. Introduo ao Cdigo Gentico.......................................................................14 6. Organizao da Tese.......................................................................................16
vii
Captulo II : Otimizao...................................................................................17 1. Formulao.....................................................................................................18 2. Definies ......................................................................................................18 3. Fraqueza dos Mtodos Clssicos.....................................................................20 4. Classificao dos Mtodos Clssicos ..............................................................20
Captulo III: Otimizao Multi-objetivos........................................................22 1. Introduo ......................................................................................................23 2. Definies ......................................................................................................25
Captulo IV : Algoritmos Genticos.................................................................29 1. Introduo ......................................................................................................30 2. Histrico.........................................................................................................33 3. Definies ......................................................................................................38 4. Diferenas entre os Algoritmos Genticos e os Mtodos Clssicos..................39 5. Estrutura dos Algoritmos Genticos................................................................41 6. Aspectos Principais dos Algoritmos Genticos................................................44 6.1. Representao e Codificao ...................................................................44 6.2. Gerao da Populao Inicial ..................................................................45 6.3. Avaliao da Populao ..........................................................................45 6.4. Esquemas de Seleo...............................................................................46 6.4.1. Seleo Proporcional Aptido via Mtodo da Roleta...................47 6.4.2. Seleo Estocstica Remanescente sem Substituio .....................49 6.4.3. Seleo por Ordenao: Linear e Exponencial ...............................49 6.4.4. Seleo por Torneio.......................................................................51 6.4.5. Seleo Elitista ..............................................................................52 6.5. Reproduo ou Cruzamento.....................................................................53 6.6. Operadores Genticos..............................................................................53 6.6.1. Operadores de Recombinao........................................................54 6.6.2. Operadores de Mutao .................................................................55
viii
7. Parmetros de Influncia e Configuraes.......................................................55 7.1. Tamanho da Populao - N ......................................................................56 7.2. Taxa ou Probabilidade de Cruzamento - Pc ..............................................56 7.3. Taxa ou Probabilidade de Mutao - Pm ..................................................57 7.4. Recomendaes de Autores.....................................................................58 8. Vantagens e Desvantagens dos Algoritmos Genticos.....................................59 8.1. Vantagens dos Algoritmos Genticos ......................................................59 8.2. Desvantagens dos Algoritmos Genticos .................................................59 9. Sumrio e Discusso .......................................................................................60
Captulo V : Tpicos Adicionais em AGs ........................................................61 1. Tratamento das Restries ..............................................................................62 2. Problemas com Mltiplos Objetivos ...............................................................62 3. Hibridizao ...................................................................................................63 4. Computao Paralela ......................................................................................64 5. Time de Algoritmos........................................................................................65 6. Adaptao.......................................................................................................66 7. Distribuio Uniforme da Populao Inicial....................................................66
Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67 1. Introduo ......................................................................................................68 2. Alguns Algoritmos Evolucionrios Multi-objetivos ........................................69 2.1. VEGA, Schaffer ......................................................................................69 2.2. Agregao dos objetivos por pesos variveis, Hajela e Lin ......................71 2.3. MOGA, Fonseca e Fleming .....................................................................71 2.4. nPGA, Horn e Nafpliotis .........................................................................72 2.5. NSGA, Srinivas e Deb.............................................................................73 2.6. SPEA, Zitzler e Theile.............................................................................75 2.7. Outros algoritmos....................................................................................76
ix
Captulo VII : PMOGA Pareto Multiobjective GA......................................78 1. Introduo ......................................................................................................79 2. Resumo e Evolues do Algoritmo Evolucionista...........................................79 2.1. Modificao do mtodo de seleo ..........................................................80 2.2. Modificaes do operador de recombinao ............................................80 2.3. Desenvolvimento e introduo dos operadores multi-objetivos................80 2.4. Introduo do elitismo do filtro nas populaes .......................................81 3. Algoritmo Final Detalhado .............................................................................81 4. Filtro...............................................................................................................82 5. Seleo ...........................................................................................................83 5.1. Ordenamento...........................................................................................84 6. Reproduo ....................................................................................................84 6.1. Mutao ..................................................................................................85 6.2. Recombinao.........................................................................................86 7. Operadores Multi-objetivos Desenvolvidos.....................................................86 7.1. Operador de Excluso .............................................................................86 7.2. Operador de Adio ................................................................................87 7.3. Operador de Otimizao Individual .........................................................88 8. Geraes Adicionais .......................................................................................88 9. Elitismo ..........................................................................................................89 10. Estratgia de Penalizao ..............................................................................89 11. Resultados e Desempenho.............................................................................90
Captulo VIII : Aplicaes................................................................................91 1. Introduo ......................................................................................................92 2. Funo f2 de Schaffer ......................................................................................92 2.1. Introduo e Modelo ...............................................................................92 2.2. Caractersticas e Configuraes do AG Utilizado ....................................93 2.2.1. Atribuio de aptido para as ordens .............................................94 2.3. Resultados...............................................................................................95 2.4. Concluses ..............................................................................................96
3. Viga I .............................................................................................................97 3.1. Introduo e Modelo ...............................................................................97 3.2. Caractersticas e Configuraes do AG Utilizado ....................................99 3.3. Resultados.............................................................................................100 3.4. Concluses ............................................................................................102 4. Viga Soldada ................................................................................................103 4.1. Introduo e Modelo .............................................................................103 4.2. Caractersticas e Configuraes do AG Utilizado ..................................105 4.3. Resultados.............................................................................................106 4.4. Concluses ............................................................................................107 5. Trelia com Trs Objetivos...........................................................................108 5.1. Introduo e Modelo .............................................................................108 5.2. Caractersticas e Configuraes do AG Utilizado ..................................109 5.3. Resultados.............................................................................................110 5.4. Concluses ............................................................................................112 6. Ponte Treliada.............................................................................................113 6.1. Introduo e Modelo .............................................................................113 6.2. Caractersticas e Configuraes do AG Utilizado ..................................114 6.3. Resultados.............................................................................................115 6.4. Concluses ............................................................................................118 7. Fronteira de Pareto Descontnua ...................................................................119 7.1. Introduo e Modelo .............................................................................119 7.2. Caractersticas e Configuraes do AG Utilizado ..................................119 7.3. Resultados.............................................................................................120 7.4. Concluses ............................................................................................123 8. Funes-teste para Otimizadores Multi-objetivos..........................................124 8.1. Introduo e Modelo .............................................................................124 8.2. Metodologia de Comparao .................................................................129 8.3. Caractersticas e Configuraes do AG Utilizado ..................................129 8.4. Nmero de Avaliaes ..........................................................................130 8.5. Resultados.............................................................................................131 8.6. Concluses ............................................................................................151
xi
9. Curva Tri-objetiva ........................................................................................153 9.1. Introduo e Modelo .............................................................................153 9.2. Caractersticas e Configuraes do AG Utilizado ..................................154 9.3. Resultados.............................................................................................154 9.4. Concluses ............................................................................................157 10. Esfera .........................................................................................................158 10.1. Introduo e Modelo ...........................................................................158 10.2. Caractersticas e Configuraes do AG Utilizado ................................159 10.3. Resultados...........................................................................................159 10.4. Concluses ..........................................................................................164 11. Cubo 8 Funes Objetivo.........................................................................165 11.1. Introduo e Modelo ...........................................................................165 11.2. Caractersticas e Configuraes do AG Utilizado ................................166 11.3. Resultados...........................................................................................167 11.4. Concluses ..........................................................................................175 12. Trelia de 47 barras.....................................................................................176 12.1. Introduo e Modelo ...........................................................................176 12.2. Caractersticas e Configuraes do AG Utilizado ................................179 12.3. Resultados...........................................................................................180 12.4. Concluses ..........................................................................................191
Captulo IX : Concluses................................................................................193 1. Aspectos Gerais ............................................................................................194 2. Contribuies................................................................................................194 3. Resultados ....................................................................................................195 4. Experincias Adquiridas ...............................................................................195 5. Trabalhos Futuros.........................................................................................196
Referncias......................................................................................................197
xii
ndice de Figuras
Captulo I : Introduo...................................................................................... 1 Figura 1 - Formigas em linha reta entre o ninho e a fonte de comida [23] ........... 3 Figura 2 - Introduo de um obstculo no percurso original [23]......................... 3 Figura 3 - Diviso mediana das formigas pelos dois novos percursos [23] .......... 3 Figura 4 - O percurso menor (timo) escolhido com o passar do tempo [23] .... 3 Figura 5 - Algumas Sub-reas da Computao Natural ....................................... 6 Figura 6 - Algoritmo Evolucionrio conceitual ..................................................10 Figura 7 - Sub-reas da Computao Evolucionria ...........................................11
Captulo II : Otimizao...................................................................................17 Figura 8 - Classificao Geral dos Mtodos Clssicos [53] ................................21
Captulo III : Otimizao Multi-objetivos.......................................................22 Figura 9 - Funes g e h de um problema multi-objetivo ( f2 - Schaffer [57] ) ....27 Figura 10 - Identificao de uma fronteira de Pareto ..........................................28
Captulo IV : Algoritmos Genticos.................................................................29 Figura 11 - Aplicabilidade em Problemas x Eficincia de Resoluo dos Mtodos .............................................................................................................32 Figura 12 - Algoritmo gentico genrico............................................................41 Figura 13 - Algoritmo gentico geracional.........................................................42 Figura 14 - Algoritmo gentico em regime steady-state ...............................43 Figura 15 - Exemplo do Mtodo da Roleta.........................................................48 Figura 16 - Distribuio Linear para Seleo via Ordenamento..........................50 Figura 17 - Distribuio Exponencial para Seleo via Ordenamento.................50 Figura 18 - Exemplo de Recombinao..............................................................54 Figura 19 - Exemplo de Mutao.......................................................................55
xiii
Captulo V : Tpicos Adicionais em AGs ........................................................61
Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67
Captulo VII : PMOGA Pareto Multiobjective GA......................................78 Figura 20 - Pseudocdigo do PMOGA...............................................................81
Captulo VIII : Aplicaes................................................................................91 Figura 21 - Funes objetivo e solues no espao das funes objetivo............93 Figura 22 - Populao inicial .............................................................................95 Figura 23 - Fronteira de Pareto e solues no espao das variveis de projeto....95 Figura 24 - Fronteira de Pareto com novo mtodo de seleo (torneio) ..............96 Figura 25 - Viga em seo I [15]........................................................................97 Figura 26 - Populao inicial em diferentes escalas..........................................100 Figura 27 - Populao relativa gerao 200 em diferentes escalas .................100 Figura 28 - Solues no filtro final (20 solues) .............................................101 Figura 29 - Solues no filtro final (ger. 500). .................................................102 Figura 30 - Viga soldada [21]. .........................................................................103 Figura 31 - Solues viveis nas geraes inicial e centsima, respectivamente106 Figura 32 - Solues no filtro na gerao 100: sem (esquerda) e com (direita) o uso dos operadores de adio e de otimizao individual respectivamente. .......106 Figura 33 - Solues do filtro na gerao 500 (100 + 400). ..............................107 Figura 34 - Trelia com trs objetivos..............................................................108 Figura 35 - Filtro no espao P x u1 ...................................................................110 Figura 36 - Filtro no espao P x u2 ...................................................................111 Figura 37 - Filtro no espao u1 x u2 ..................................................................111 Figura 38 - Filtro no espao P x u1 x u2 (figura no disponvel em [13])...........112 Figura 39 - Ponte treliada...............................................................................113 Figura 40 - Populao inicial e da gerao 100 respectivamente ......................116 Figura 41 - Solues armazenadas no filtro final do processo de otimizao ....116 Figura 42 - Evoluo das minimizaes individuais dos objetivos ...................117 Figura 43 - Soluo que apresentou o peso mnimo (f1) ...................................117
xiv
Figura 44 - Soluo que apresentou o deslocamento vertical mnimo (f2).........117 Figura 45 - Populao inicial ...........................................................................120 Figura 46 - Populao na gerao 20 ...............................................................121 Figura 47 - Filtro final na gerao 100 (20+80)................................................121 Figura 48 - Populao na gerao 20 ...............................................................122 Figura 49 - Filtro final na gerao 100 (20+80)................................................122 Figura 50 - Exemplo de populao inicial - 1 ..................................................133 Figura 51 - Fronteiras de Pareto comparativas - 1 [72]....................................133 Figura 52 - Resultados das 5 primeiras execues do algoritmo SPEA - 1 [73]134 Figura 53 - Resultados de 5 execues do algoritmo PMOGA - 1 [11]............134 Figura 54 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 1 [11, 73]....................................................................................................................135 Figura 55 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 1 [11, 73].......................................................................................................135 Figura 56 - Exemplo de populao inicial - 2 ..................................................136 Figura 57 - Fronteiras de Pareto comparativas - 2 [72]....................................136 Figura 58 - Resultados das 5 primeiras execues do algoritmo SPEA - 2 [73]137 Figura 59 - Resultados de 5 execues do algoritmo PMOGA - 2 [11]............137 Figura 60 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 2 [11, 73]....................................................................................................................138 Figura 61 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 2 [11, 73].......................................................................................................138 Figura 62 - Exemplo de populao inicial - 3 ..................................................139 Figura 63 - Fronteiras de Pareto comparativas - 3 [72]....................................139 Figura 64 - Resultados das 5 primeiras execues do algoritmo SPEA - 3 [73]140 Figura 65 - Resultados de 5 execues do algoritmo PMOGA - 3 [11]............140 Figura 66 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 3 [11, 73]....................................................................................................................141 Figura 67 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 3 [11, 73].......................................................................................................141 Figura 68 - Exemplo de populao inicial - 4 ..................................................142
xv
Figura 69 - Fronteiras de Pareto comparativas - 4 [72]....................................142 Figura 70 - Resultados das 5 primeiras execues do algoritmo SPEA - 4 [73]143 Figura 71 - Resultados de 5 execues do algoritmo PMOGA - 4 [11]............143 Figura 72 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 4 [11, 73]....................................................................................................................144 Figura 73 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 4 [11, 73].......................................................................................................144 Figura 74 - Exemplo de populao inicial - 5 ..................................................145 Figura 75 - Fronteiras de Pareto comparativas - 5 [72]....................................145 Figura 76 - Resultados das 5 primeiras execues do algoritmo SPEA - 5 [73]146 Figura 77 - Resultados de 5 execues do algoritmo PMOGA - 5 [11]............146 Figura 78 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 5 [11, 73]....................................................................................................................147 Figura 79 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 5 [11, 73].......................................................................................................147 Figura 80 - Exemplo de populao inicial - 6 ..................................................148 Figura 81 - Fronteiras de Pareto comparativas - 6 [72]....................................148 Figura 82 - Resultados das 5 primeiras execues do algoritmo SPEA - 6 [73]149 Figura 83 - Resultados de 5 execues do algoritmo PMOGA - 6 [11]............149 Figura 84 - Resultados de 5 execues dos algoritmos SPEA e PMOGA - 6 [11, 73]....................................................................................................................150 Figura 85 - Resultados das melhores execues dos algoritmos SPEA e PMOGA - 6 [11, 73].......................................................................................................150 Figura 86 - Fronteira tima de Pareto completa [66] ........................................155 Figura 87 - Configurao 1 - 50 solues no filtro ...........................................155 Figura 88 - Configurao 2 - 80 solues no filtro ...........................................156 Figura 89 - Configurao 3 - 100 solues no filtro .........................................156 Figura 90 - Populao inicial vistas superior e lateral....................................160 Figura 91 - Populao inicial vista frontal.....................................................160 Figura 92 - Fronteira 100 x 200 x 200 vistas superior e lateral ......................161 Figura 93 - Fronteira 100 x 200 x 200 vista frontal .......................................161
xvi
Figura 94 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vistas superior e lateral ...............................................................................................162 Figura 95 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vista frontal...............................................................................................................162 Figura 96 - Fronteira 300 x 500 x 200 vistas superior e lateral ......................163 Figura 97 - Fronteira 300 x 500 x 200 vista frontal .......................................163 Figura 98 - Modelo espacial problema do cubo.............................................166 Figura 99 - Populao inicial (1) vistas espaciais ..........................................167 Figura 100 - Populao inicial (1) projees planas ......................................167 Figura 101 - Solues encontradas (1) vistas espaciais..................................168 Figura 102 - Solues encontradas (1) projees planas................................168 Figura 103 - Disposies possveis dos objetivos combinados 2 a 2.................168 Figura 104 - Populao inicial (2) vistas espaciais ........................................169 Figura 105 - Populao inicial (2) projees planas ......................................169 Figura 106 - Solues encontradas (2) vistas espaciais..................................170 Figura 107 - Solues encontradas (2) vista espacial inclinada......................170 Figura 108 - Solues encontradas (2) projees planas................................170 Figura 109 - Funes objetivo combinadas (2).................................................171 Figura 110 - Funes objetivo combinadas (2).................................................172 Figura 111 - Funes objetivo combinadas (2).................................................173 Figura 112 - Populao inicial (3) vistas espaciais ........................................173 Figura 113 - Populao inicial (3) projees planas ......................................174 Figura 114 - Solues encontradas (3) vistas espaciais..................................174 Figura 115 - Solues encontradas (3) projees planas................................174 Figura 116 - Trelia de referncia com 47 barras [44] ......................................177 Figura 117 - Populao inicial .........................................................................180 Figura 118 - Populao na gerao 5000..........................................................180 Figura 119 - Fronteiras obtidas das 3 configuraes utilizadas .........................181 Figura 120 - Minimizao do peso durante as 30000 geraes .........................183 Figura 121 - Minimizao do peso, em escala reduzida, durante as 200 primeiras geraes ...........................................................................................................183
xvii
Figura 122 - Minimizao do peso, em escala reduzida, durante as 30000 geraes ...........................................................................................................183 Figura 123 - Forma da soluo tima da referncia [44] e da soluo 1 do filtro, respectivamente................................................................................................185 Figura 124 - Formas das solues 5 e 10 do filtro, respectivamente .................186 Figura 125 - Formas das solues 15 e 20 do filtro, respectivamente ...............186 Figura 126 - Filtro final gerao 5000 + 25000 .............................................190 Figura 127 - Filtro final orientado no espao de busca .....................................190 Figura 128 - Detalhe do filtro final orientado ...................................................190
Captulo IX : Concluses................................................................................193
xviii
ndice de Tabelas
Captulo I : Introduo...................................................................................... 1
Captulo II : Otimizao...................................................................................17
Captulo III : Otimizao Multi-objetivos.......................................................22
Captulo IV : Algoritmos Genticos.................................................................29
Captulo V : Tpicos Adicionais em AGs ........................................................61
Captulo VI : Algoritmos Genticos Multi-objetivos.......................................67
Captulo VII : PMOGA Pareto Multiobjective GA......................................78
Captulo VIII : Aplicaes................................................................................91 1. Introduo ......................................................................................................92 2. Funo f2 de Schaffer ......................................................................................92 3. Viga I .............................................................................................................97 Tabela 1 - Valores das variveis de projeto e das funes objetivo. .............102 4. Viga Soldada ................................................................................................103 Tabela 2 - Valores das variveis de projeto e das funes objetivo do filtro final. ............................................................................................................107 5. Trelia com Trs Objetivos...........................................................................108 Tabela 3 - Valores numricos de algumas solues do filtro final armazenado..................................................................................................112
xix
6. Ponte Treliada.............................................................................................113 Tabela 4 - Relao entre as variveis de projeto e reas dos elementos estruturais ....................................................................................................113 Tabela 5 - Conjunto de reas consideradas (in2)...........................................114 Tabela 6 - Valores numricos de algumas solues do filtro final armazenado..................................................................................................118 7. Fronteira de Pareto Descontnua ...................................................................119 Tabela 7 - Valores da varivel de projeto e das funes objetivo do filtro final .............................................................................................................123 8. Funes-teste para Otimizadores Multi-objetivos..........................................124 9. Curva Tri-objetiva ........................................................................................153 Tabela 8 - Configuraes utilizadas do AG..................................................154 10. Esfera .........................................................................................................158 Tabela 9 - Configuraes utilizadas do AG..................................................159 Tabela 10 - Resultados nmericos encontrados avaliaes e afastamento..164 11. Cubo 8 Funes Objetivo.........................................................................165 Tabela 11 - Configuraes utilizadas do AG................................................166 12. Trelia de 47 barras.....................................................................................176 Tabela 12 - Dados de carregamento cargas em lb .....................................176 Tabela 13 - Propriedades do material e restries ........................................176 Tabela 14 - Ns fixos e semi-fixos coordenadas em in..............................178 Tabela 15 - Variveis de rea ......................................................................178 Tabela 16 - Variveis de forma....................................................................179 Tabela 17 - Configuraes utilizadas do AG................................................179 Tabela 18 - Valores das funes objetivo do filtro final ...............................182 Tabela 19 - Valores das variveis de projeto de algumas solues do problema......................................................................................................184 Tabela 20 - Tenses normais da soluo 1 do filtro .....................................187 Tabela 21 - Tenses normais da soluo 20 do filtro....................................188
Captulo IX : Concluses................................................................................193
xx
Captulo I Introduo
este captulo realizada uma introduo sobre o trabalho desenvolvido, sendo apresentada a motivao para a escolha do
tema abordado, os principais conceitos e fundamentos nos campos da otimizao, programao matemtica e computao natural, alm da organizao do trabalho.
1. Motivao........................................................................................................ 2 2. Otimizao ...................................................................................................... 4 3. Programao Matemtica................................................................................. 5 4. Computao Natural ........................................................................................ 6 5. Introduo ao Cdigo Gentico.......................................................................14 6. Organizao da Tese.......................................................................................16
Introduo
1. Motivao
A motivao para trabalhar no estado da arte da otimizao de estruturas com a utilizao de algoritmos genticos originou-se do conhecimento de fatos curiosos e interessantes que ocorrem na perfeio da natureza e que levaram, e ainda hoje o fazem por muitas vezes, os seres humanos neles se inspirarem. Uma pequena lista destas inspiraes decorrentes da natureza apontada abaixo:
Pssaros Morcegos Peixes
Avies Sonares Submarinos
Outro fato curioso na natureza foi a descoberta realizada por pesquisadores que ao estudarem o comportamento de colnias de formigas observaram que mesmo sendo elas seres to simples e irracionais possuem mecanismos naturais de otimizao. Isto , so capazes de encontrar um caminho mais curto entre o ninho e uma fonte de comida sem usar sugestes visuais, mesmo que ocorram mudanas no ambiente original como a introduo de um obstculo (Figuras 1 a 4).
A explicao para a descoberta do caminho timo a ser percorrido pelas formigas que elas depositam durante suas caminhadas uma certa quantidade de feromnio, aproximadamente com taxa fixa atravs da urina, e preferem seguir uma trajetria probabilisticamente mais rica em tal substncia.
Quando o caminho original interrompido pela introduo de um obstculo, as mesmas se dividem pelas alternativas possveis e, com o decorrer do tempo, como pelo menor caminho tero passado mais formigas, ficando o mesmo com uma maior concentrao de feromnio, este novo trajeto ser ento adotado. Nas figuras da pgina seguinte ilustrado este processo de otimizao natural.
Introduo
Figura 1 - Formigas em linha reta entre o ninho e a fonte de comida [23]
Figura 2 - Introduo de um obstculo no percurso original [23]
Figura 3 - Diviso mediana das formigas pelos dois novos percursos [23]
Figura 4 - O percurso menor (timo) escolhido com o passar do tempo [23]
Introduo
O emprego de algoritmos genticos, que so fundamentados na teoria da Seleo Natural de Charles Darwin e nos mecanismos da gentica, como ferramenta para a otimizao pode ser filosoficamente defendida frente utilizao de outros mtodos, simplesmente por ter sido este o processo adotado pela quase perfeita natureza. H muitos sculos os homens estudam e pesquisam os fenmenos naturais, embora ainda to longe a cincia se encontra das respostas e perfeies advindas da natureza.
A idia e a necessidade de otimizao, exemplificada at mesmo por simples formigas, em conjunto com a seleo natural dos mais aptos no processo de evoluo torna-se deste modo um campo convidativo, interessante, prazeroso e pelos inmeros resultados de sucesso apresentados nas mais diferentes reas de aplicao, uma alternativa de grande fora por suas caractersticas: robustez, flexibilidade, eficcia e, principalmente, simplicidade.
2. Otimizao
O conceito de otimizao de qualquer tarefa ou processo est diretamente ligado sua realizao, do modo mais eficiente possvel. Esta eficincia pode ser avaliada de inmeras maneiras, conforme o tipo de tarefa a ser realizada. Podendo ser, por exemplo: A minimizao do tempo gasto na limpeza de um jardim.
A maximizao da velocidade de processamento de um chip eletrnico.
A minimizao do custo de execuo de um projeto de barragem, dentre muitos outros.
Introduo
A otimizao deste modo uma cincia que est sempre em demanda, uma vez que se encontra direta ou indiretamente relacionada com capital e empregada em todos os campos de aplicaes: engenharia civil, mecnica, automobilstica, area, econmica, eletrnica, qumica, etc.
Na engenharia civil ela vem sendo muito aplicada por todas as suas subreas, tais como nos problemas: otimizao de redes de abastecimento, dosagens de materiais, agendamento de tarefas e no gerenciamento de itinerrios de linhas de transporte, bem como no projeto de estruturas, tema deste trabalho.
3. Programao Matemtica
A primeira linha de mtodos desenvolvidos para tratamento dos problemas de otimizao foi a Programao Matemtica. Por esta razo, a grande maioria dos livros dedicados otimizao versa sobre este tema [04, 32, 42, 46, 53, 55].
A programao matemtica trata o problema de forma iterativa e determinista, isto , atravs de gradientes, funcionais, operaes matriciais, etc. Por esta razo requerem normalmente muitas informaes e condies do problema a ser resolvido: regio vivel bem definida, suavidade da funo objetivo e convexidade do problema.
Um ponto fraco da programao matemtica ainda no ter desenvolvido um mtodo que possibilite a busca de solues timas globais, ou seja, seus algoritmos podem convergir e se prender a qualquer soluo tima local, o que depender basicamente da soluo de partida adotada.
Introduo
4. Computao Natural
Nas ltimas dcadas surgiu uma nova cincia computacional inspirada na natureza denominada Computao Natural. Algumas de suas principais reas so apresentadas abaixo, junto com a descrio dos fenmenos ou processos naturais que as inspiraram e seus fundamentos bsicos:
Computao Natural
Inteligncia Computacional
Computao Evolucionria Redes Neurais Artificiais Lgica Nebulosa
Recozimento Simulado Fractais
Figura 5 - Algumas Sub-reas da Computao Natural
A Inteligncia Computacional busca criar sistemas inteligentes que reproduzam aspectos do comportamento humano, tais como: percepo, raciocnio, adaptao e aprendizado.
A tcnica de Recozimento Simulado no apresenta exatamente as caractersticas da inteligncia computacional, sendo normalmente tomada numa classificao intermediria, como apresentado na ilustrao anterior.
Introduo
4.1. Fractais
A geometria fractal surgiu em 1975, quando o matemtico polons Benoit Mandelbrot publicou seus trabalhos no livro Os objetos fractais: forma, acaso e dimenso, no qual divulga novos objetos geomtricos - os fractais [47]. Fractal palavra originada do adjetivo Latim fractus - quebrado; fragmentado; irregular. uma figura que possui uma regularidade geomtrica fundamental e invariante para diferentes escalas, ou seja, cada fragmento estatisticamente semelhante ao todo, descrevendo em geral, objetos de dimenses fracionrias. Ao contrrio da geometria euclidiana que estuda cubos, esferas e muitas outras figuras que no existem na natureza, a geometria fractal descreve objetos reais, tais como: nuvens, montanhas, superfcies cerebrais, fronteiras entre pases, etc. Essas figuras possuem dimenso fracionria e preservam sua identidade para todas as escalas nas quais sejam observadas. Algumas dcadas antes do surgimento da geometria fractal, George Cantor (1845-1918) j havia criado um conjunto fractal atravs da fragmentao do segmento de reta compreendido pelo intervalo [0, 1]. Trata-se de um procedimento onde, primeiramente, divide-se o segmento em trs partes autosimilares, para depois se retirar a parte central. De cada intervalo restante retira-se a respectiva tera parte mediana, repetindo-se o processo indefinidamente. Definese assim o Conjunto de Cantor, que um tradicional exemplo de fractal. A geometria fractal descreve bem as irregularidades e os processos turbulentos da natureza, sendo largamente utilizada em inmeras reas: meteorologia, biologia, hidrografia, medicina, geografia, dentre outras. Como um exemplo de sua aplicao pode-se citar o seu emprego recente como ferramenta de compactao de dados da enciclopdia Encarta desenvolvida pela empresa americana Microsoft.
Introduo
4.2. Recozimento Simulado
No corao do mtodo de Recozimento Simulado [41] est a analogia com a termodinmica, mais especificamente no modo como os lquidos se esfriam e cristalizam ou no processo de recozimento de metais.
Em altas temperaturas as molculas de um lquido movem-se livremente umas em relao s outras. Caso o lquido seja submetido a um resfriamento lento, esta mobilidade trmica perdida. Os tomos alinham-se ento de forma ordenada, formando um cristal puro, esse cristal o estado de energia mnima do sistema. Por outro lado, caso o processo de resfriamento no seja lento e gradual, estados mais altos de energia so alcanados, no havendo a formao de cristal puro.
Estes princpios foram inseridos dentro do contexto da computao numrica por Metropolis, sendo posteriormente aplicados em problemas de otimizao combinatria, tal como o do caixeiro viajante.
4.3. Lgica Nebulosa

A Lgica Nebulosa ou Difusa surgiu da necessidade do tratamento de problemas onde existe uma regio cujas classificaes tornam-se imprecisas [27]. A Lgica Nebulosa no trata as variveis como tendo apenas um estado, mas sim n estados; cada qual com um certo grau de associao, ou seja, uma casa no grande e sim 0.8 grande, 0.2 mdia e 0.0 pequena. Isto gera a criao de conjuntos para os quais os dados podem ser inseridos. Estas caractersticas lhe permitem um melhor tratamento de problemas onde existam fronteiras imprecisas ou no bem definidas. A Lgica Nebulosa tem sido empregada em diversas reas de modo isolado ou em associao com outras tcnicas.
Introduo
4.4. Redes Neurais Artificiais
As Redes Neurais [47, 75] so inspiradas na estrutura do crebro humano, com o objetivo de apresentar caractersticas similares a ele: aprendizado, associao, generalizao e abstrao. Elas so compostas por diversos elementos, os processadores (neurnios artificiais), altamente interconectados, que efetuam um nmero pequeno de operaes simples e transmitem seus resultados aos processadores vizinhos.
Devido sua estrutura, as Redes Neurais so bastante efetivas no aprendizado de padres a partir de dados no-lineares, incompletos, com rudos e at compostos de exemplos contraditrios. Algumas aplicaes so:
reconhecimento de padres (imagem, texto, voz, etc.), previso de sries temporais e modelagem de problemas especficos.
4.5. Computao Evolucionria

A Computao Evolucionria ou Algoritmos Evolucionrios [76] so tcnicas estocsticas de busca e otimizao, poderosas e largamente aplicveis, inspiradas nos mecanismos da evoluo e da gentica. A idia a evoluo de uma populao de estruturas computacionais, de modo tal que melhore a adequao mdia dos indivduos que formam esta populao em relao ao ambiente a que ela est submetida.
Introduo
O algoritmo bsico da Computao Evolucionria pode ser definido como se segue:
Algoritmo Evolucionrio Conceitual Inicializao da populao Avaliao dos indivduos na populao Repetio (evoluo) Seleo dos indivduos da populao Alterao desses indivduos para criar uma nova populao Avaliao da nova populao At que um critrio de parada seja alcanado Fim
Figura 6 - Algoritmo Evolucionrio conceitual
Uma pergunta intuitiva que surge em relao aos problemas de otimizao : Por que utilizar a Computao Evolucionria?
Ponto de vista filosfico o mtodo de otimizao preferencialmente utilizado pela natureza, que tida por muitos como o sistema mais perfeito.
Ponto de vista prtico Resolve problemas com modelos matemticos complexos de modo simples. Fcil acoplamento com outras tcnicas (hibridizao) e/ou aplicaes.
Introduo
10
Conforme a linha de aplicao e alguns detalhes da Computao Evolucionria formaram-se novas sub-reas desta tcnica que so descritas a seguir:
Computao Evolucionria
Algoritmos Genticos
Programao Evolucionria
Estratgias Evolucionrias
Programao Gentica
Estratgia de Colnia
Figura 7 - Sub-reas da Computao Evolucionria
Na seqncia sero apresentadas introdues rpidas sobre cada uma das sub-reas destacadas na figura acima.
Introduo
11
4.5.1. Algoritmos Genticos (AGs) So algoritmos que operam com populaes de indivduos representados por cromossomos, os quais durante o processo de evoluo so submetidos ao procedimento de seleo e reproduo, onde so aplicados os operadores de recombinao e mutao, que so inspirados nos mecanismos naturais da gentica [03, 30, 36, 52].
4.5.2. Programao Evolucionria ou Evolutiva (PE) Originalmente foi concebida por Lawrence J. Fogel em 1960 como uma estratgia de otimizao estocstica similar aos AGs. No entanto, enfatizam o relacionamento entre os genitores e seus descendentes ao invs de tentar emular operadores genticos especficos observados na natureza [76]. A PE tambm opera com populaes, mas apenas diferentes nveis de mutao so efetuados sobre os genitores na criao de novas solues. O tamanho da populao no necessita ser mantido constante, como tambm no fixado um nmero de descentes por genitor. Trabalham com representaes mais flexveis que as empregadas pelos AGs por no efetuarem recombinaes.
4.5.3. Estratgias Evolucionrias ou de Evoluo (EE) Foram concebidas para tratarem problemas tcnicos de otimizao e quase que exclusivamente empregadas em engenharia como alternativa aos mtodos convencionais. Operam com cromossomos na forma de vetores de nmeros reais e originalmente na proporo (1+1), isto , cada genitor gera um herdeiro por gerao, normalmente por mutaes distribudas. Caso este descendente seja melhor que seu genitor ele lhe toma o lugar. Atualmente estas estratgias foram extendidas para as propores (m+1) e (m+n), alm de terem tido operadores de recombinao introduzidos no seu processo evolutivo [76].
Introduo
12
4.5.4. Programao Gentica (PG)
Opera sobre representaes de trechos de programas na forma de rvores, de modo que possam ser combinados para gerarem novos trechos de programas mais complexos. Usualmente utilizada a linguagem Lisp pela facilidade de sua representao [43, 76].
Os programas na populao so compostos de elementos ou conjuntos fixos de smbolos, devidamente selecionados por serem apropriados ao domnio do problema a ser resolvido.
Normalmente, nfase maior dada s operaes de recombinao, atravs de uma seleo aleatria de sub-rvores e posteriores trocas nos indivduos. Os indivduos so selecionados conforme suas aptides.
4.5.5. Estratgia de Colnia
A Estratgia de Colnia inspirada no comportamento de enxames, isto , no comportamento coletivo de colnias de insetos, como por exemplo, colnia de formigas (Ant Colony), ou em sociedades de outros animais [23].
Operam com a idia da comunicao indireta explorada pelas sociedades de insetos, que formam algoritmos distribudos de multi-agentes.
Esta estratgia est sendo aplicada a vrios problemas de otimizao de cadeias de telecomunicaes, distribuio de tarefas e principalmente em problemas de otimizao combinatria.
Introduo
13
5. Introduo ao Cdigo Gentico

Os seres humanos possuem uma seqncia de aproximadamente 3,2 bilhes de letras distribudas por 23 pares de cromossomos [31]. Estas letras devidamente seqenciadas formam palavras que se agrupam em frases. O conjunto destas frases o cdigo gentico ou o genoma do indivduo estudado, que formado por molculas estruturadas em dupla hlice o DNA ou cido desoxirribonuclico.
As referidas letras citadas anteriormente so: A, T, C e G, que representam, respectivamente, as bases qumicas adenina, timina, citosina e guanina, constituintes do material gentico. Como exemplo, pode-se citar o HIV1, vrus da aids, que formado por uma seqncia de 9661 letras.
Cada uma de nossas clulas carrega no ncleo uma cpia de nosso prprio cdigo gentico e utiliza tais informaes para produzir e regular a atividade de todas as protenas que constituem nosso organismo.
Cada trecho do genoma que codifica uma protena chamado de gene ou gen. No caso dos seres humanos, os cientistas acreditam existir entre 30000 e 40000 genes, correspondentes a algo entre 3% e 5% das letras do genoma. O restante do material gentico tem a funo de regular a ao dos genes ou simplesmente no tem funo, pelo menos pelo que se sabe at o presente momento. Assim, dois seres humanos tm seqncias genticas 99,9% idnticas.
O projeto genoma conseguiu recentemente escrever o primeiro rascunho do genoma humano, sendo seu prximo passo identificar onde esto e o que representam estas pequenas diferenas de 0,1% que fazem de cada pessoa um ser nico. A partir do mapeamento do genoma humano espera-se encontrar a cura para doenas como o Cncer, o mal de Alzheimer, etc.
Introduo
14
Um enorme banco de dados onde esto armazenados os genomas pblicos mantido na Internet pelo projeto genoma - chamado GenBank - e cresce a uma grande velocidade a cada dia. Na verdade, ele tem dobrado de tamanho a cada 14 meses e j conta com mais de 5 bilhes de letras, representando organismos como a mosca de frutas, o arroz, o HIV, os seres humanos, dentre muitos outros.
As seguintes etapas tm sido adotadas para a decodificao do genoma humano:
1) Quebra em pedaos menores de at 1000 letras 2) Seqenciamento desses trechos 3) Ordenamento completo com o auxlio de computadores 4) Descobrimento e anotao dos genes na seqncia final
A empresa privada Celera Genomics, em Rockville no Estado de Maryland nos EUA, anunciou que j terminou a terceira etapa deste procedimento e que prossegue rumo ao mapeamento final de todos os genes humanos. Para isso, a Celera conta com 300 seqenciadores de ltima gerao e um supercomputador com 1200 processadores em paralelo, o qual funciona 24 horas por dia para colocar as letras em ordem e interpretar os resultados.
Segundo a Compaq, o supercomputador utilizado pela Celera , no presente momento, o computador mais veloz do planeta e, para garantir toda esta estrutura tecnolgica, a Celera conseguiu recentemente 1 bilho de dlares em duas ofertas de aes na bolsa de Wall Street.
Acredita-se que a humanidade passa por uma nova revoluo tecnolgica, cujos benefcios e malefcios s sero descobertos com o desenrolar dos anos, dependendo principalmente do modo como todo este avano cientfico ser utilizado na prtica.
Introduo
15
6. Organizao da Tese
O captulo II introduz o assunto de otimizao, apresentando a formulao e os conceitos bsicos do tema, alm das alternativas disponveis para o seu tratamento.
O captulo III estende os tpicos do captulo II para o contexto dos problemas de otimizao com multi-objetivos, destacando as principais diferenas conceituais e de tratamento entre estas duas linhas de otimizao.
O captulo IV descreve os fundamentos da tcnica dos algoritmos genticos, sua fonte de inspirao, fundamentos e particularidades. So detalhados os procedimentos do algoritmo, os operadores e as configuraes necessrias para o emprego deles. No captulo V so discutidas as novas estratgias empregveis aos algoritmos genticos que os tornam atraentes e promissores na resoluo de problemas. No captulo VI os principais algoritmos genticos multi-objetivos so discutidos, suas idias, inovaes e limitaes.
O captulo VII apresenta o algoritmo gentico multi-objetivo de Pareto desenvolvido, descrevendo suas caractersticas, particularidades, inovaes e o conjunto de estratgias acopladas para sua formao.
No captulo VIII vrias aplicaes so resolvidas com o intuito de atestarem o funcionamento do algoritmo proposto, bem como determinar o conjunto timo de Pareto de problemas estruturais diversos.
O captulo IX discute as contribuies do trabalho realizado e apresenta as concluses oriundas da experincia adquirida.
Introduo
16
Captulo II Otimizao
este captulo apresentada uma abordagem rpida e objetiva sobre a Programao Matemtica. So descritos a formulao do
problema de otimizao e os seus conceitos principais. Fechando o captulo so comentadas as sub-reas da programao matemtica, bem como apresentada uma possvel classificao geral de seus principais mtodos.
1. Formulao.....................................................................................................18 2. Definies ......................................................................................................18 3. Fraqueza dos Mtodos Clssicos.....................................................................20 4. Classificao dos Mtodos Clssicos ..............................................................20
Otimizao
17
1. Formulao
Os problemas de otimizao apresentam alguns conceitos e definies largamente empregadas na literatura e de conhecimento imprescindvel. Estas definies sero apresentadas na seqncia da forma do problema de otimizao.
Problema Clssico de Otimizao
Max. ou Min. sujeito a
f (x1, x2, ... ,xN)
( funo objetivo
gj (x) 0 hk (x) = 0
j = 1, 2, ... , J (
restries de
k = 1, 2, ... , K ( comportamento )
xi(L) xi xi(U) i = 1, 2, ... , N ( restries laterais ) ( ( nas variveis de projeto xi ) )
2. Definies
Varivel de Projeto as variveis de projeto so aquelas que se alteram durante o processo de otimizao. Elas podem ser contnuas (reais), inteiras ou discretas (valores compreendidos dentro de um certo conjunto fixo). De um ponto de vista fsico, as variveis de projeto podem representar as seguintes informaes sobre a estrutura:
S propriedades mecnicas ou fsicas do material; S a topologia da estrutura, isto , o padro de conexo
dos elementos ou o seu nmero de elementos;

S a configurao ou a forma geomtrica da estrutura; S dimenses de sees transversais ou comprimento
dos elementos.
Otimizao
18
Restries as restries so funes de igualdade ou desigualdade que descrevem situaes indesejveis de projeto. Dividem-se em dois grupos:
S Restries Laterais efetuadas diretamente sobre
as variveis de projeto, limitando seus valores;

S Restries
de
Comportamento
condies
desejveis de limites de tenses, deslocamentos, freqncias naturais de vibrao, etc. Espao de Busca ou Regio Vivel o conjunto, espao ou regio que compreende as solues possveis ou viveis do problema a ser otimizado. Deve ser caracterizado pelas funes de restrio, que definem as solues viveis do problema a ser resolvido. Funo Objetivo ou de Avaliao a funo que se quer otimizar. Ela pode ser de uma ou mais variveis, sendo estas duas opes classificadas como otimizao unidimensional e
multidimensional respectivamente. Ponto timo o ponto, caracterizado pelo vetor x* = ( x1, x2, ..., xN ), formado pelas variveis de projeto que extremizam a funo objetivo e satisfazem as restries. Valor timo o valor da funo objetivo f(x*) no ponto timo. Soluo tima o par formado pelo ponto timo e o valor timo [ x*, f(x*) ]. A soluo tima pode ser:
S local quando o valor timo localizado; S global quando o valor timo global na regio
vivel;
S restringida quando h restries satisfeitas como
igualdade (ativas);
S no-restringida quando no h restries ativas
no ponto timo.
Otimizao
19
3. Fraqueza dos Mtodos Clssicos

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

De acordo com as caractersticas da funo objetivo e das restries, classificam-se os problemas de otimizao nas seguintes sub-reas da Programao Matemtica: Programao Linear quando a funo objetivo e as restries so funes lineares das variveis de projeto; Programao No-Linear quando a funo objetivo ou pelo menos uma das restries funo no-linear das variveis de projeto.
Posteriormente, outras sub-reas foram aparecendo com o objetivo de maior especializao nos problemas a serem resolvidos, deste modo tem-se: Programao Quadrtica quando a funo objetivo quadrtica e as restries so funes lineares das variveis de projeto;
Otimizao
20
Os problemas de otimizao no precisam necessariamente apresentar restries, sendo este um fato que marca a distribuio dos problemas em duas grandes classes: Problemas de Otimizao com restries ou restringidos e sem restries.
Inmeros so os mtodos criados para tratamento de problemas de otimizao, bem como muitas so as classificaes realizadas pelos diversos autores da literatura. A seguir apresentada uma possvel classificao geral de uma vasta gama de mtodos matemticos existentes [53]:
- MTO DODEFIBO NACCI PROGRA MA OLINEAR SIMPLEX DIRET AS - MTO DODASE O U REA(G OLD ENSECTIO N) "Line Search" semusar derivadas
MTO DO S UN ID IMENSIO NA IS
RED UOSUCESSIV AS DE INTER V ALO S APROX IMA O PARAPOLINM IOS
- MTO DODSC-POW ELL - MTO DODASECA NTE - MTO DDE N EW TO N - MTO DODABISSEO "Line Search" usando derivadas
MINIM IZA O SEM RESTRIO MTO DOS SEMCLCU LO D E DERIV A DAS MTO DO S MU L TIDIMEN SIO NAIS
HO OKE e JEEVES ROSEM BROCK POW ELL (Direes conjugadas) NELDER
PROGRAMA O N O-LINEA R
MTO DO S COMCLCULO D E DERIV A DA S
DERIV A DA S 1a ORDEM GRAD IENTE (Steepest D escent) DERIV A DA S 2a ORDEM MTO DODE N EW TON MTO DO S QU ASE-NEW TON MTO DO S DE DIREES CON JUGA DA S
MTO DO S DA S PENA LID ADES PERTENCE, SEGU NDOV ANDERPLAA TS, A UM A CLASSE MAIO R, CORRESPO ND ENDOS TCNICA S DE MIN IMIZA ON O-RESTRING ID A SEQENCIAL(SUM T) MTO DODA S PEN ALID AD ES MTO DODA S BARREIRAS MTO DODOLANG RANG EAN OAU MEN TA DO
MINIMIZAO COM RESTRIO
MTO DO S DA S BARREIRA S
MTO DOS DAS DIRE ES V IVEIS
MTO DODOG RADIENTEPROJET AD O(ROSEN ) MTO DODOG RADIENTEREDU ZIDO(W O LFE) / GENERALIZADO PROGRA MA OLIN EAR SEQ ENCIA L (MTOD ODOCOR TE DOS PLA NOS) PROGRA MA OQU ADR TICA SEQENCIAL
MTO DOS PRIMAIS
Figura 8 - Classificao Geral dos Mtodos Clssicos [53]
Otimizao
21
Captulo III Otimizao Multi-objetivos
A
multi-objetivos.
s definies bsicas dos problemas de otimizao multi-objetivos so apresentadas neste captulo. Alm disso, so destacadas as
principais diferenas entre a otimizao com um s objetivo da otimizao com
1. Introduo ......................................................................................................23 2. Definies ......................................................................................................25
Otimizao Multi-objetivos
22
1. Introduo
Muitos problemas do mundo real apresentam uma coleo de objetivos a serem extremizados que so na maioria das vezes conflitantes entre si, ou seja, a melhoria de algum(uns) objetivo(s) causa(m) conseqentemente a deteriorao de outro(s).
Um exemplo de problema com objetivos conflitantes seria o projeto de uma ponte onde se deseja minimizar o peso (custo) da estrutura e maximizar as freqncias naturais de vibrao (melhor desempenho dinmico): medida que se reduz o peso da ponte tambm se diminuem suas freqncias naturais de vibrao. Portanto, no existe uma soluo tima nica e sim um conjunto de solues. Tais solues so timas porque no existem outras solues no espao de busca melhores do que elas, quando todos os objetivos so simultaneamente considerados, sendo conhecidas como solues timas de Pareto.
Outro exemplo comum de problema multi-objetivo a tarefa de comprar um computador. A aquisio tima aquela que fornece o custo mnimo enquanto maximiza o desempenho do equipamento. Estes objetivos so conflitantes entre si, uma vez que existiro desde computadores com elevado custo e desempenho at aqueles com baixo custo e desempenho. Um computador com o mais alto desempenho pelo menor custo, embora ideal, no existe no mundo real.
Assim, nenhuma soluo que tenha menor custo e desempenho pode ser considerada como superior a outra com maior custo e desempenho. Contudo, dentre todas as configuraes de equipamentos existem algumas que so superiores a outras, isto , apresentam desempenho maior ou equivalente por um custo menor ou igual. Estas configuraes (solues) que superam outras so as j citadas solues no-dominadas, enquanto que as configuraes que so superadas por pelo menos uma outra so as solues dominadas.
23
Deste modo, muito interessante uma ferramenta que encontre o conjunto das solues no-dominadas para que o projetista escolha dentre estas aquela que melhor atenda suas necessidades de projeto. Esta a tarefa da otimizao multi-objetivos.
Dentro da otimizao com multi-objetivos existem duas correntes para tratamento do problema:
i. definidas prioridades e/ou pesos entre os vrios objetivos de interesse, encontra-se a soluo tima segundo estas informaes fornecidas a priori;
ii. sem nenhuma informao adicional, encontra-se o conjunto das solues timas de Pareto para dentre estas se escolher uma a posteriori.
Exemplos de mtodos da primeira linha seriam: Programao Objetiva, Recozimento Simulado ou mtodos evolucionrios onde se combinam as diversas funes objetivo dentro de uma nica funo, obtendo como resultado da otimizao uma soluo nica. Por outro lado, existem outros mtodos evolucionrios que abordam o problema pela segunda linha de tratamento, possibilitando a obteno de um grande nmero das solues timas de Pareto para uma escolha pessoal posterior.
A grande questo da primeira corrente : como definir todas as prioridades e/ou pesos de problemas que, na maioria das vezes, se conhece t o pouco. Ou seja, uma escolha errada de informaes no permite uma maior avaliao das suas possibilidades, j que no se conhecem as demais solues. Assim sendo, a aplicao destas duas correntes levam o tomador de decises por analogia a duas possveis provas:
24
i. prova aberta: sem imaginar a resposta correta, o candidato precisa apresentar uma soluo (prioridades e/ou pesos); ii. prova de mltipla escolha: dentre as alternativas apresentadas, o candidato precisa escolher aquela que mais lhe agrada. Sendo que neste caso, todas as alternativas so corretas (conjunto das solues no-dominadas encontrado). Levando-se em considerao os fatos apresentados e a realidade da falta de informaes qualitativas e quantitativas dos problemas multi-objetivos do mundo real, conclui-se por uma abordagem mais interessante do problema pela segunda linha de soluo apresentada: obteno dos conjuntos timos de Pareto. Esta concluso que faz com que os mtodos evolucionrios sejam preferidos em relao aos mtodos clssicos ou mesmo ao Recozimento Simulado, j que estas duas categorias no foram projetadas para trabalharem com mltiplas solues (populaes) como naturalmente acontece com os algoritmos genticos.
2. Definies
Um problema de otimizao multi-objetivos pode ser descrito por um vetor y de n funes objetivo fi que dependem de um vetor x de m variveis independentes xi: minimize / maximize sujeito a y = f (x) = ( f1 (x), f2 (x), ..., fn (x) )
x = ( x1, x2, ..., xm ) X y = ( y1, y2, ..., ym ) Y
onde: y vetor objetivo; fi funes objetivo; Y espao das funes objetivo; x vetor de deciso; xi variveis de deciso; X espao das variveis de deciso.
25
O conjunto de solues do problema anterior consiste em todos os vetores de deciso que no podem melhorar o valor de qualquer objetivo, sem a degradao de pelo menos algum dos outros. Estes vetores so os conhecidos timos de Pareto. Sem perda de generalidade, pode-se descrever as solues timas de Pareto formalmente para um problema de minimizao puro, isto , onde todas as funes objetivas devem ser minimizadas, pelas seguintes definies:
Definio 1: Dominncia
Um ponto A=(a1, a2, ..., am) domina um outro ponto B=(b1, b2, ..., bm) se: i { 1, 2, ..., n } : fi (A) fi (B) e j { 1, 2, ..., n } : fj (A) < fj (B)
Definio 2: Soluo no-dominada ou tima de Pareto
Um ponto A uma soluo no-dominada e pertence fronteira de Pareto se: no existe nenhum outro ponto B, tal que B domine A. Em geral, para cada regio vivel existe um subconjunto S de solues nodominadas, tambm conhecidas como timos de Pareto.
Observao:
Existe uma diferena entre um conjunto de solues no-dominadas e um conjunto timo de Pareto. Um conjunto de solues no-dominadas definido no contexto de uma amostra do espao de busca, enquanto que o conjunto timo de Pareto definido em relao a todo o espao de busca.
26
i.
Exemplo do Emprego das Definies Apresentadas Um problema simples de otimizao multi-objetivo que foi proposto e
testado por Schaffer [57] (funo f2), consta de duas funes g e h que devem ser simultaneamente minimizadas: f2 = ( g (x), h (x) ) sendo g (x) = x2 e h (x) = ( x - 2 )2
A figura seguinte mostra a representao grfica das funes objetivo g e h, sendo fcil identificar que as solues timas de Pareto devem estar compreendidas no intervalo [ 0, 2 ], j que fora desta regio, tanto a funo g como a h crescem.
Figura 9 - Funes g e h de um problema multi-objetivo ( f2 - Schaffer [57] )
Dentro do intervalo [0, 2] acontece uma compensao entre as funes objetivo, isto , enquanto uma cresce a outra diminui de valor, no sendo portanto to trivial identificar as solues timas de Pareto. Usualmente, recorre-se a um grfico paramtrico no espao das funes objetivo para tais concluses, como pode ser observado na figura que se segue:
27
Solues Dominadas 1 Fronteira de Pareto Solues Dominadas 2 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 g 6 7 8 9 10
Figura 10 - Identificao de uma fronteira de Pareto
Pelo grfico anterior fcil identificar a fronteira de Pareto, todavia, para problemas maiores que o apresentado muitas vezes no mais possvel uma anlise grfica do problema estudado, entrando a os mtodos computacionais para a resoluo do problema de otimizao.
28
Captulo IV Algoritmos Genticos
o apresentados neste captulo os principais fundamentos da tcnica dos Algoritmos Genticos, alm das origens do mtodo, definies,
procedimentos, vantagens, parmetros de configurao e outros tpicos importantes relacionados ao tema.
1. Introduo ......................................................................................................30 2. Histrico.........................................................................................................33 3. Definies ......................................................................................................38 4. Diferenas entre os Algoritmos Genticos e os Mtodos Clssicos..................39 5. Estrutura dos Algoritmos Genticos................................................................41 6. Aspectos Principais dos Algoritmos Genticos................................................44 7. Parmetros de Influncia e Configuraes.......................................................55 8. Vantagens e Desvantagens dos Algoritmos Genticos.....................................59 9. Sumrio e Discusso .......................................................................................60
Algoritmos Genticos
29
1. Introduo
H muito tempo, o homem tem se servido das caractersticas e princpios existentes na natureza para a criao de mquinas, mtodos e tcnicas que melhorem sua vivncia neste planeta. Alguns exemplos tpicos desta teoria foram as seguintes invenes: avies baseados nas caractersticas dos pssaros, submarinos com sistemas de imerso semelhantes ao dos peixes, sonares baseados nos morcegos, dentre outros.
Recentemente novas tcnicas tm sido inspiradas na natureza ou na biologia de um modo geral, como as Redes Neurais que se baseiam no funcionamento do crebro humano para possibilitar aos computadores uma chamada Inteligncia Artificial.
Dentro deste contexto, surgia em meados do sculo XIX um dos mais importantes princpios no campo da evoluo da vida, A Seleo Natural de Darwin, que defende a idia de que na natureza, aqueles seres vivos com melhores caractersticas ou adaptabilidades, tendem a sobreviver frente aos demais. Desde ento, a medicina e suas cincias afins vm numa busca acelerada tentando mapear toda a informao gentica humana, relacionando deste modo cada gene de cada cromossomo s caractersticas que eles representam nos indivduos: hereditrias, fsicas e funcionais.
H oito anos comeou o projeto Genoma em diversos centros do mundo, liderados pelo instituto Nacional de Sade dos Estados Unidos, que contou com investimento inicial de trs bilhes de dlares. O principal objetivo do projeto descobrir, at o ano 2005, todos os genes do corpo humano e identificar mais de trs bilhes de seqncias genticas de cromossomos.
Os cientistas querem conhecer, antes do nascimento, a possibilidade de cada ser humano desenvolver doenas com fatores hereditrios, podendo assim evitar o desenvolvimento do mal, seja com terapias genticas se a doena for
Algoritmos Genticos
30
congnita ou com a interferncia no estilo de vida do portador da mutao. Atualmente, apenas a funo de cerca de 4% dos genes humanos so conhecidas.
Foi nestes ltimos anos que a gentica se alavancou com as primeiras clonagens realizadas no mundo, tendo para marco a famosa ovelha Dolly na Inglaterra.
As clonagens e possveis objetivos e conseqncias destas descobertas provocaram inmeras discordncias e precaues por todo o planeta, afinal, quais seriam os rumos da aplicao destes conhecimentos. So indiscutveis as vantagens oferecidas na preveno de doenas, contudo, so assustadoras as possibilidades da criao de novas doenas, mutaes, clonagens individuais, entre outras.
Cercadas por todas estas discusses, outras cincias, aliadas s vantagens computacionais hoje oferecidas, inspiraram-se mais uma vez nestes princpios para a resoluo de outros problemas. Surgiu ento, mais uma tcnica de inteligncia artificial denominada Algoritmos Genticos [19, 30, 52].
Os Algoritmos Genticos so algoritmos de busca fundamentados no processo da seleo natural proposto por Charles Darwin e nos mecanismos da gentica. Foram inicialmente propostos por John Holland em seu livro publicado em 1975 [36].
Uma grande aplicao dos Algoritmos Genticos em problemas de busca: dado um conjunto de elementos ou indivduos, deseja-se encontrar aquele ou aqueles que melhor atendam a certas condies especificadas [03, 30, 44].
Os Algoritmos Genticos transformam uma populao de indivduos, cada um com um valor associado de adaptabilidade, chamado de aptido, numa nova gerao de indivduos usando os princpios Darwianos de reproduo e
Algoritmos Genticos
31
sobrevivncia dos mais aptos, pela aplicao de operaes genticas tais como recombinao e mutao.
Cada indivduo na populao representa uma possvel soluo para um dado problema, o que o Algoritmo Gentico faz procurar aquela que seja muito boa ou a melhor para o problema analisado pela criao gentica de populaes de indivduos cada vez mais aptos extremizao da funo objetivo de interesse.
impossvel mapear todos os problemas existentes dentro de um eixo ordenado, entretanto, com uma representao abstrata desta forma e a adoo da eficincia com que os mtodos resolvem cada problema individualmente para o eixo das ordenadas, seria possvel determinar-se curvas indicativas da aplicabilidade x eficincia dos mtodos disponveis (Figura 11).
Utilizando-se deste grfico encontram-se trs tipos extremos de mtodos, os quais foram ilustrados na figura seguinte:
Figura 11 - Aplicabilidade em Problemas x Eficincia de Resoluo dos Mtodos
Algoritmos Genticos
32
Mtodo 1 pouco eficiente para a totalidade dos problemas existentes. Mtodo 2 altamente eficiente para uma pequena faixa de problemas, entretanto, pouco eficientes ou nem aplicveis para a maior parte deles. Mtodo 3 razoavelmente eficiente para a totalidade dos problemas existentes.
Dentro deste contexto, os Algoritmos Genticos se aproximariam da terceira classe de mtodos, no sendo mais eficientes que aqueles projetados especificamente para determinado problema tratado. Contudo, perturbaes no problema original trariam quase nenhum prejuzo aos AGs, mas possivelmente, a inutilidade de outros mtodos.
2. Histrico
Foram os gregos Anaximandro (sc. VI a.C.), Empdocles (V a.C.) e Aristteles (IV a.C.) que deram os primeiros passos para a compreenso da histria da vida. Entretanto, dentro de suas possibilidades, as contribuies achavam-se voltadas mais para a descrio da natureza de forma intuitiva que para a apreenso dos mecanismos de funcionamento [14].
Anaxgoras (500?-428 a.C.) chegou mesmo a supor que as espcies de animais domsticos derivavam de similares selvagens. Contudo, faltava aos gregos tcnicas e materiais de pesquisa com que pudessem ultrapassar os limites da pura especulao.
Com o advento do cristianismo ganhou corpo a idia da espcie fixa: cada ser vivo era teologicamente interpretado como um padro da Criao. A forma era fruto de um ato divino, um reflexo do prprio poder do Criador, sendo imutvel em si mesma.
Algoritmos Genticos
33
A primeira objeo levantada contra essa teoria deveu-se a Santo Agostinho (354-430), que dizia ser a interveno divina compatvel com um mundo capaz de desenvolver-se, da mesma maneira que no gro esto contidas invisivelmente todas as partes da futura rvore. Todavia, essa idia, nascida da observao do desenvolvimento individual, manteve-se confusa quanto ao fenmeno da evoluo das espcies.
A partir do sculo XVII, o processo do conhecimento cientfico colocou a possibilidade da investigao basear-se em fatos concretos. Neste novo cenrio, no podem ser esquecidos aqueles que foram pioneiros como Hooke (1635-1703), John Ray (1627-1705), Maupertuis (1698-1759), Buffon (1707-1788), Erasmus Darwin (1731-1802), av de Charles Darwin, e Geoffrey de Saint-Hilaire (17721844), que elaborou uma tese onde afirmava terem as espcies mais evoludas surgido ocasionalmente de monstros capazes de se desenvolver em ambiente propcio. Esses homens consideraram a evoluo como uma necessidade, mas foram incapazes de tirar dos ainda escassos fatos conhecidos, provas que abalassem a oposio unnime dos telogos, cujas premissas nada tinham de cientficas.
Apenas Jean Baptiste Lamarck formulou antes de Darwin uma hiptese colocando a necessidade da evoluo para compreender o aparecimento das espcies atuais. Seu livro, Philosophie Zoologique, foi publicado em 1809 (ano em que nascia Charles Darwin).
As idias de Lamarck argumentavam que uma grande mudana no meio ambiente provocaria em uma espcie animal a necessidade de modificar seus hbitos. Este era o fenmeno da adaptao, que mostrava que os seres vivos se encontram sempre adaptados em relao aos ambientes que vivem. Tal afirmao permanece vlida at hoje e sobre ela construram-se as mais modernas concepes sobre a evoluo.
Algoritmos Genticos
34
Lamarck fundamentou suas idias em duas suposies: a lei do uso e desuso, e a transmisso de caractersticas adquiridas de pai para filho, ou a lei da herana dos caracteres adquiridos.
Quanto mais uma parte do corpo usada, mais se desenvolve. Por outro lado, as partes no usadas se atrofiam e enfraquecem. Lamarck raciocinou ento que se as caractersticas adquiridas individualmente pelo uso e desuso dos rgos, fossem transmissveis de pai para filho, encontrar-se-ia a chave para compreender a evoluo dos seres vivos. Faltou a Lamarck o controle experimental, pois embora bem elaborada e dotada de conceitos novos e corretos, sua teoria esfacelou-se quando submetida a experincias.
Um pesquisador, Weissman, cortou sistematicamente as caudas de vinte geraes de camundongos, entretanto, na vigsima primeira as caudas continuavam aparecendo to longas como na primeira. Todas as tentativas de comprovar a teoria de Lamarck fracassaram.
Atualmente, a gentica est convicta de que os caracteres adquiridos no so transmissveis, deste modo, uma pessoa pode passar vinte anos a se queimar ao sol, que seu filho ter as mesmas possibilidades de nascer moreno que teria se seu pai morasse num dos plos.
A adaptao realmente ocorria, mas no como Lamarck supusera. Ainda assim, Lamarck pagou caro por sua intuio, uma vez que no pde provar o que afirmava e foi por esta razo ridicularizado de maneira atroz e desonesta.
O ensaio sobre a progresso das populaes, escrito por Malthus, deu a Darwin a idia da competio pela sobrevivncia. A observao do trabalho dos agricultores e pecuaristas, que aprimoravam suas criaes atravs dos cruzamentos, trouxe-lhe o conceito da seleo das espcies.
Algoritmos Genticos
35
O grilo verde porque vive na grama. (Lamarckista) Porque o grilo verde, vive na grama. (Darwinista)
A grande quantidade de provas a favor da evoluo dos organismos era realmente convincente, entretanto, ele no se satisfazia com isso e a partir das evidncias formulou uma hiptese explicativa dos mecanismos da evoluo.
Nascido em 12 de fevereiro de 1809, Charles Darwin depois de 28 anos de estudos e pesquisas publicou seu livro com o ttulo Da origem das Espcies por Via da Seleo Natural ou A Preservao das Raas Favorecidas na Luta pela Vida. Os 1250 exemplares da primeira edio esgotaram-se num nico dia. E, poucos dias depois, esgotaram-se mais 3000 exemplares de uma segunda tiragem.
O tempo passou e novos conhecimentos somaram-se aos anteriores, evoluiu a teoria da evoluo. A cincia do sculo XX burilou as idias de Darwin e outros estudiosos. Assim, para Darwin, seleo natural implicava na eliminao dos menos aptos e na sobrevivncia dos mais aptos na luta pela existncia. A verdadeira questo saber se a seleo natural ou no a causa da adaptao, mas sim como se produz a adaptao.
A seleo natural apenas um dos elementos da adaptao que se rene a outros, assim como a relao entre organismo e ambiente, e a hereditariedade. Alm disso, preciso distinguir adaptao de adaptabilidade. Enquanto adaptao o preparo do organismo para sobreviver num ambiente, adaptabilidade a capacidade de tirar partido do ambiente e control-lo. Nesse sentido de adaptabilidade, o homem indubitavelmente o rei da criao. Mas, embora toda histria da civilizao humana nada mais seja que uma constante mudana no sentido de aumentar a amplitude e variedade do ajustamento ao ambiente, a evoluo nos ensina que o homem no fruto de uma criao especial, pois faz parte da natureza e feito da mesma essncia de tudo o que vivo.
Algoritmos Genticos
36
O desenvolvimento da gentica estabeleceu que as caractersticas hereditrias so transmitidas atravs de genes (unidades qumicas que se localizam no ncleo das clulas). Os genes so constitudos por uma substncia qumica, o ADN, ou cido desoxirribonuclico. Dispe-se aos pares, dentro de filamentos visveis ao microscpio, chamados cromossomos. A propriedade fundamental dos genes que eles se auto reproduzem fielmente. Entretanto, no h uma preciso absoluta nessa auto reproduo, assim, pode ocorrer uma mutao gnica: o gene que at aquele momento produzia determinada caracterstica passa a produzir outra.
Todo indivduo nasce com seu lote herdado de gens (seu gentipo). A forma que ele ter em vida depender deste gentipo, bem como do tipo de vida que ele levar. Mas o tipo de vida no alterar em nada seus genes: o atleta pode ter msculos fortes, mas ele no transmite a seus filhos uma predisposio a msculos fortes. Os fatores que iro produzir mutaes em seus gens, os agentes mutgenos, como a radiao, variaes de temperatura (para certas espcies), fatores qumicos e fatores desconhecidos, agem ao acaso, podendo produzir tanto mutaes malficas como benficas.
Ocorre que, quando a mutao adaptativa, os indivduos tornam-se mais capazes de explorar as oportunidades oferecidas pelo meio, desenvolvem-se e produzem um nmero maior de descendentes. Este fenmeno chama-se reproduo diferencial e sua conseqncia a disseminao at a generalizao das caractersticas genticas favorveis dos melhores adaptados ao conjunto da populao.
Modernamente, compreende-se o fenmeno da evoluo como um processo universal de adaptao em relao ao ambiente. A mutao, seu mecanismo bsico, faz-se acidentalmente, mas s persiste pela seleo natural, entendida como fenmeno de reproduo diferencial.
Algoritmos Genticos
37
Estes princpios bsicos de Gentica Populacional que se baseiam na idia que a variabilidade entre indivduos de uma populao de organismos que se reproduzem sexualmente se d pela mutao e pela recombinao gentica, foi desenvolvido durante as dcadas de 30 e 40 por bilogos e matemticos de importantes centros de pesquisa.
Nas dcadas de 50 e 60, muitos bilogos comearam a desenvolver simulaes computacionais de sistemas genticos, entretanto, foi John Holland quem comeou, seriamente, a refinar suas idias sobre o tema, culminando em 1975 na publicao de seu livro, Adaptation in Natural and Artificial Systems, hoje considerado o marco dos Algoritmos Genticos. Desde ento, tais algoritmos vm sendo aplicados com sucesso nas mais diversas reas, dentre elas: otimizao e aprendizado de mquinas.
3. Definies
As principais definies relacionadas com os AGs so: Cromossomo Cadeia de caracteres representando alguma informao relativa s variveis do problema. Cada cromossomo representa deste modo uma soluo do problema. Gen ou Gene a unidade bsica do cromossomo. Cada cromossomo tem um certo nmero de gens, cada um descrevendo uma certa varivel do problema. Populao Conjunto de cromossomos ou solues. Gerao O nmero da iterao que o Algoritmo Gentico executa. Operaes Genticas Operaes que o Algoritmo Gentico realiza sobre cada um dos cromossomos.
Algoritmos Genticos
38
Espao de Busca ou Regio Vivel o conjunto, espao ou regio que compreende as solues possveis ou viveis do problema a ser otimizado. Deve ser caracterizado pelas funes de restrio, que definem as solues viveis do problema a ser resolvido. Funo Objetivo ou de Avaliao a funo que se quer otimizar. Ela contm a informao numrica do desempenho de cada cromossomo na populao. Nela esto representadas as caractersticas do problema que o Algoritmo Gentico necessita para realizar seu objetivo, sendo expressa normalmente como: J = f (x1, x2, ..., xn ) onde x1, x2, ..., xn so as variveis que o algoritmo procura determinar para otimizar J. Esta funo objetivo , em princpio, calculada para cada cromossomo da populao.
4. Diferenas entre os Algoritmos Genticos e os Mtodos Clssicos

Os mtodos clssicos de otimizao iniciam-se com um nico candidato, chamado de soluo bsica, e pelo clculo de derivadas se determina para qual direo se deve caminhar na busca do prximo candidato. Por trabalharem com o clculo de derivadas, so denominados algoritmos de ordem n, onde n a maior derivada utilizada. Exemplos tpicos so os mtodos dos gradientes conjugados e de Newton, que por utilizarem derivadas primeiras e segundas, respectivamente, so caracterizados como algoritmos de primeira e segunda ordem. Todavia, classificaes intermedirias so tambm possveis, como o caso do mtodo Quasi-Newton, que se situaria entre os dois anteriores.
Algoritmos Genticos
39
O maior problema destes algoritmos matemticos que no existe nenhuma garantia da obteno de um ponto extremo global, ou seja, o algoritmo convergir para o extremo local mais prximo da direo de busca determinada pelas derivadas. Por esta razo, tais algoritmos so mais convenientemente empregados para problemas unimodais, aqueles que apresentam apenas um extremo no intervalo considerado.
A aplicao destes algoritmos para problemas multimodais no to simples, j que a soluo encontrada depender do ponto de partida inicial, podendo na maioria das vezes se encontrar uma soluo extrema local muito pior que a soluo tima global desconhecida e procurada.
Os Algoritmos Genticos representam uma classe de ferramentas muito verstil e robusta a ser empregada na soluo de problemas de otimizao, embora no devam ser considerados estritamente extremizadores de funes. Assim como outros mtodos, por no empregarem o clculo de derivadas, mas sim atuarem diretamente na busca das solues no espao vivel, ele classificado como mtodo direto ou de ordem zero.
Quando utilizado no contexto de otimizao, os Algoritmos Genticos se distinguem dos mtodos clssicos de Programao Matemtica basicamente pelos seguintes aspectos: Emprega sempre uma populao de indivduos ou solues. Opera com uma codificao das possveis solues (gentipos) e no com as solues propriamente ditas (fentipos). Trabalha com regras de transio probabilsticas. No requer informaes adicionais (derivadas, por exemplo) sobre a funo a otimizar.
Algoritmos Genticos
40
Deste modo, a busca por solues pode se dar sobre conjuntos noconvexos e mesmo disjuntos, com funes objetivo tambm no-convexas e nodiferenciveis, e simultaneamente com variveis reais, lgicas e inteiras.
Outra grande diferena dos mtodos clssicos para os Algoritmos Genticos que estes no se prendem to facilmente a extremos locais, uma vez que se trabalha com uma populao de indivduos e se realiza a busca dentro de toda a regio vivel disponvel.
5. Estrutura dos Algoritmos Genticos

Existem inmeras estruturas de Algoritmos Genticos, com variaes de procedimentos e operadores empregados, entretanto, as trs estruturas mais encontradas dos algoritmos so [03, 54]:
Algoritmo Gentico genrico
Algoritmo Gentico genrico Inicialize a populao de cromossomos (gerao i = 1) Avalie indivduos na populao (funo objetivo e sobrevivncia) Repita (evoluo) Selecione indivduos para reproduo Aplique operadores de recombinao e/ou mutao Avalie indivduos gerados na populao Selecione indivduos para sobreviver (gerao i = i + 1) At objetivo final ou mximo de geraes Fim
Figura 12 - Algoritmo gentico genrico
Algoritmos Genticos
41
Segundo a maneira pela qual os indivduos criados so inseridos na populao, so apresentados a seguir dois tipos extremos de Algoritmos Genticos, os quais so conhecidos na literatura como: geracional e em regime (steady-state). Algoritmo Gentico geracional Neste extremo de algoritmo, toda a populao substituda por novos indivduos gerados pelo processo de seleo e aplicao dos operadores genticos:
Algoritmo Gentico geracional Inicialize a populao P de cromossomos Avalie indivduos na populao P Repita Repita Selecione 2 indivduos em P para reproduo Aplique operador de recombinao, probabilidade pc Aplique operador de mutao, probabilidade pm Insira novo indivduo em P' At populao P' completa Avalie indivduos na populao P' P P' At objetivo final ou mximo de geraes Fim
Figura 13 - Algoritmo gentico geracional
Deve-se observar que como toda a gerao (de pais) integralmente substituda por outra mais nova (de filhos), no existe convivncia, havendo assim a perda de bons indivduos no processo. Por esta razo, especialmente em problemas de otimizao, um procedimento freqentemente empregado o elitismo, ou seja, o(s) melhor(es) indivduo(s) de uma gerao (so) preservado(s): uma cpia passada diretamente para a gerao seguinte.
Algoritmos Genticos
42
Algoritmo Gentico em regime Neste outro extremo de algoritmo, apenas um indivduo criado de
cada vez e, depois de sua avaliao, ele ser inserido na populao em substituio a algum outro elemento, por exemplo, o pior de todos j existentes. Caso ele seja pior que todos os j existentes ento nada alterado e procede-se uma nova criao de indivduo. Com o intuito de facilitar a comparao do indivduo gerado com os indivduos j existentes na populao, utiliza-se um ordenamento dentro da populao, desta forma, o indivduo gerado comparado apenas com o ltimo indivduo do ordenamento, caso seja superior a ele, assumir sua posio correspondente no ordenamento, sendo o ltimo eliminado pela seleo natural.
Algoritmo Gentico em regime Inicialize a populao P de cromossomos Avalie indivduos na populao P Repita Selecione operador gentico Selecione indivduo(s) para reproduo Aplique operador gentico selecionado Avalie indivduo(s) gerados Selecione indivduo f para sobreviver Se f melhor que o pior elemento de P ento Insira f em P de acordo com sua ordem At objetivo final ou mximo de geraes Fim
Figura 14 - Algoritmo gentico em regime steady-state
Entre estes dois extremos de algoritmos situam-se outros que somente uma parte da populao substituda: pais e filhos podem vir a coexistir. Outros esquemas de reproduo podem tambm ser encontrados na literatura.
Algoritmos Genticos
43
6. Aspectos Principais dos Algoritmos Genticos
6.1. Representao e Codificao
A representao ou codificao das variveis de projeto a serem otimizadas proporciona um grande impacto no desempenho de busca, devendo ser o mais simples possvel sem perder, no entanto, as caractersticas de representao do problema tratado.
Existem inmeras formas de representao das variveis, tais como: binria, nmeros inteiros ou nmeros reais.
A maioria dos trabalhos desenvolvidos utiliza a codificao binria, onde cada cromossomo um vetor composto por zeros e uns, com cada bit representando um gene do mesmo.
Para problemas de otimizao com variveis reais, uma codificao binria pode ser introduzida pela converso de valores numricos de ponto flutuante para valores binrios de comprimentos fixados, sempre se necessitando a posteriori realizar o caminho inverso para avaliao da funo de aptido. Existe assim, uma desvantagem no caso da representao binria, que seriam as constantes converses entre valores de ponto flutuantes e binrios.
Uma vez definidas as variveis de projeto relevantes para a resoluo do problema de otimizao, bem como em qual forma tais variveis sero representadas, deve-se concatenar as respectivas representaes de maneira a formar o cromossomo.
Existe ainda a possibilidade de associar-se mais de um cromossomo a cada indivduo, analogamente ao que ocorre na biologia, onde o Homo Sapiens, por exemplo, diplide, isto , possui cromossomos aos pares.
Algoritmos Genticos
44
6.2. Gerao da Populao Inicial
A populao inicial de indivduos ou cromossomos na maioria das vezes realizada de forma aleatria, embora existam ocasies onde mais apropriada uma seleo heurstica da mesma, introduzindo logo de incio, um ou mais indivduos interessantes, como por exemplo, solues aproximadas conhecidas contendo algum tipo de informao prvia. Diversos trabalhos realizados comprovam que a inicializao, em geral, no crtica, desde que a populao inicial contenha cromossomos suficientemente variados [07, 30].
6.3. Avaliao da Populao

A avaliao da populao realizada pela funo de aptido, que deve indicar a qualidade de cada indivduo na populao. Para problemas de otimizao ela est intimamente ligada funo objetivo que se deseja extremizar. Para problemas de maximizao, por exemplo, a funo de aptido pode ser tomada como uma modificao da funo objetivo:
f (x) = g (x) + C
onde C uma constante introduzida para os casos onde o processo de seleo exige que a aptido seja positiva. Com o processo natural de evoluo, os indivduos passam a ter aptides cada vez mais semelhantes entre si, podendo ser necessrio aumentar a presso de seleo pela adoo de alguma estratgia da seguinte forma:
f (x) = h (g (x))
com uma certa funo h escolhida convenientemente.
Algoritmos Genticos
45
No existe a necessidade de se calcular as derivadas da funo objetivo e, conseqentemente, um algoritmo gentico pode ser utilizado tambm sem nenhuma modificao para otimizar funes no diferenciveis.
Outro fato interessante que a aptido pode variar ao longo do processo evolutivo, de maneira dinmica e estocstica, imprecisa e mesmo subjetiva, no caso de algumas aplicaes artsticas como msica e pintura, por exemplo.
preciso lembrar, entretanto, que a escolha da funo de aptido para a maioria das aplicaes a etapa crtica do processo, j que ela dever ser avaliada para cada cromossomo de cada populao dentro do processo evolutivo.
6.4. Esquemas de Seleo
O processo de seleo baseia-se no princpio da sobrevivncia dos melhores indivduos, onde os cromossomos com melhor aptido ou
adequabilidade recebem uma maior probabilidade de serem copiados para um novo conjunto, denominado populao temporria, de onde sero aleatoriamente escolhidos para reproduo. Em contrapartida, os indivduos com baixa aptido sero descartados da populao conforme a presso de seleo do esquema utilizado.
Na prtica computacional, esta populao temporria no literalmente formada, isto , os indivduos j so diretamente selecionados da populao aos pares para a reproduo, sendo seus herdeiros implantados na prxima gerao.
Inmeros esquemas de seleo [05] j foram propostos e implementados na prtica dos Algoritmos Genticos, alguns no sendo biologicamente plausveis. Na seqncia, alguns dos mais empregados so discutidos:
Algoritmos Genticos
46
6.4.1. Seleo Proporcional Aptido via Mtodo da Roleta
Este o esquema original de seleo proposto por Holland [36], por esta razo, ele ainda hoje muito utilizado nas implementaes, apesar de apresentar algumas falhas relevantes de funcionamento que sero comentadas adiante.
Uma forma de quantificar a probabilidade pi do i-simo indivduo da populao vir a ser selecionado para reproduo o clculo proporcional ao seu valor da funo de aptido, fi = f (xi).
Uma possvel implementao seria:
pi =
fi
f
j =1
onde fi assumida positiva e N o tamanho da populao.
Uma vez definida a forma de quantificao da probabilidade de sobrevivncia de cada indivduo da populao, emprega-se um dos muitos mtodos utilizados para a seleo dos indivduos propriamente dita.
Um dos mtodos largamente empregados para tal finalidade o conhecido mtodo da roleta, onde cada indivduo da populao representado proporcionalmente ao seu ndice de aptido. Assim, os indivduos com alta aptido recebem uma poro maior da roleta, enquanto que os de baixa aptido ocuparo uma poro relativamente menor. Deste modo, realiza-se o lanamento N vezes da roleta, dependendo do tamanho da populao, e escolhe-se para a populao temporria aqueles indivduos por ela sorteados.
Algoritmos Genticos
47
Figura 15 - Exemplo do Mtodo da Roleta
O mtodo da roleta tem a desvantagem de possuir uma alta varincia, podendo levar a um grande nmero de cpias de um bom cromossomo, o que faz diminuir a diversidade da populao. Esta falha pode ocasionar uma convergncia prematura do algoritmo para uma soluo no almejada. Por outro lado, quando a evoluo est avanada, onde as aptides no diferem muito entre si, observa-se uma estagnao do algoritmo, isto , uma baixa presso de seleo entre aptides parecidas.
Este modelo tambm fortemente dependente da escala da funo de aptido. Como exemplo, seja uma populao de 10 indivduos com valores de aptido seqnciais de 10 (melhor) a 1 (pior). A probabilidade de seleo do melhor indivduo pm16,6% e a do pior pp1,5%. Caso ocorra uma translao (soma) de 100 unidades na funo de aptido de todos os indivduos, as probabilidades sero agora: p'm10,4% e p'p9,5%. Deste modo, observa-se que as probabilidades do melhor e do pior indivduos se tornam quase idnticas.
Esta propriedade indesejvel fez surgir o desenvolvimento de vrios mtodos de escalonamento, tais como: escalonamento esttico linear, dinmico linear, exponencial, logaritmo e truncamento sigma. Outro mtodo utilizado para atenuar esta caracterstica realizar a seleo acima (over selection) de uma certa porcentagem dos melhores indivduos, isto , forar que 80%, por exemplo, dos selecionados sejam tomados dos 20% melhores indivduos da populao.
Algoritmos Genticos
48
6.4.2. Seleo Estocstica Remanescente sem Substituio
Este mtodo parece realizar melhor o processo de reproduo e apresenta o seguinte procedimento:
Calcula-se diretamente o nmero esperado de cpias para cada cromossomo:
Ei = N.pi onde N o tamanho da populao e a parte inteira de Ei, designada por int (Ei), ser o nmero esperado de cpias:
Ii = int (Ei)
deste modo, o cromossomo i ser copiado Ii vezes na populao temporria.
Calcula-se a seguir o resduo:
R i = Ei - Ii
que representa a probabilidade do cromossomo ser copiado novamente. Por exemplo, um cromossomo para o qual Ei = 2.75 ser copiado duas vezes, e poder ser copiado novamente com uma probabilidade de 0.75.
6.4.3. Seleo por Ordenao: Linear e Exponencial
Neste modelo os indivduos so ordenados pelas suas aptides, tal que: fi
fj para i < j, ou seja, do melhor para o pior. Depois, a cada indivduo atribuda
uma probabilidade de seleo pi tomada de uma dada distribuio, sendo restringida para que: pi = 1.
Algoritmos Genticos
49
As distribuies mais comuns so respectivamente a linear, pi = a.i + b (a<0), e a exponencial, pi = a exp(b.i+c), conforme os grfico abaixo, correspondentes ao exemplo da pgina 46:
Figura 16 - Distribuio Linear para Seleo via Ordenamento
Figura 17 - Distribuio Exponencial para Seleo via Ordenamento
A distribuio exponencial equivale a selecionar o primeiro indivduo com probabilidade p, o segundo com probabilidade p2, o terceiro com p3 e assim por diante. Lembrando que p < 1 e pN < pN-1.
Algoritmos Genticos
50
As principais vantagens do modelo de seleo via ordenamento so: No causa convergncia prematura, j que nenhuma soluo tem Ni >> 1. No permite estagnao, porque mesmo quando a evoluo est bastante avanada N1 N2 ... No necessria uma aptido explcita, pois para ordenar os indivduos apenas a habilidade de comparao dos mesmos suficiente. Como desvantagens destacam-se: Esforo computacional para ordenamentos constantes. Difcil anlise terica de convergncia.
6.4.4. Seleo por Torneio Este um dos modelos mais simples para implementao computacional com bons resultados encontrados. A idia promover um torneio entre um grupo de N (N2) indivduos aleatoriamente tomados da populao. Assim, o indivduo com o maior valor de aptido no grupo selecionado, enquanto que os demais so descartados. Dentre suas vantagens citam-se: No acarreta convergncia prematura. Combate estagnao. Nenhum esforo computacional extra necessrio, tal como ordenamentos. Aptido explcita desnecessria. Inspirao biolgica do processo.
Algoritmos Genticos
51
6.4.5. Seleo Elitista
O modelo de seleo elitista normalmente acoplado a outros mtodos de seleo, na tentativa de se aumentar a velocidade de convergncia do algoritmo, bem como em aplicaes onde possa ser necessrio o seu emprego. Este processo simplesmente copia os N (N1) melhores indivduos da populao corrente para a prxima gerao, garantindo que estes cromossomos no sejam destrudos nas etapas de recombinao e mutao.
Na maioria das implementaes, normalmente, pelo menos o elitismo do melhor indivduo utilizado.
A principal vantagem do elitismo garantir que no se perca o melhor indivduo durante o processo evolutivo e, com isto, gerar uma seqncia monotnica, onde o resultado no piora.
Sua desvantagem a possibilidade de forar a busca, pela presena de mais uma cpia do melhor indivduo, na direo de algum ponto timo local que tenha sido descoberto antes do global, embora um algoritmo gentico possa escapar de tais armadilhas.
Uma alternativa guardar separadamente a melhor soluo encontrada durante a evoluo, para no final da execuo design-la como o indivduo timo encontrado, mesmo que ele no esteja presente na ltima gerao da execuo.
Algoritmos Genticos
52
6.5. Reproduo ou Cruzamento
O processo de seleo no introduz novos indivduos na populao temporria, apenas os chamados genitores, que serviro como pais para a nova gerao, composta pelos filhos.
Na etapa de reproduo, o algoritmo tenta criar novas e melhores solues (indivduos mais aptos). Sendo a forma mais simples e natural de cruzamento a chamada cruzamento em um ponto, descrito a seguir.
Como passo inicial, toda a populao temporria agrupada aleatoriamente por pares para gerar um conjunto de N / 2 genitores potenciais.
O cruzamento aprovado por um processo de deciso semelhante ao de um lanamento de moeda. Para isto, deve-se escolher uma probabilidade de cruzamento Pc igual para cada par. O lanamento de moeda corresponde aqui a gerar, para cada par, um valor aleatrio entre 0 e 1. Logo, pela comparao do valor gerado de cada par com a probabilidade Pc, defini-se se o cruzamento ou no permitido da seguinte forma: se o valor gerado pelo lanamento for inferior a Pc, o cruzamento permitido, caso contrrio, os genitores so mantidos inalterados.
6.6. Operadores Genticos

O princpio bsico dos operadores genticos transformar a populao atravs de sucessivas geraes, para obter um resultado satisfatrio no final do processo. Deste modo, eles so extremamente necessrios para que a populao se diversifique e mantenha as caractersticas de adaptao adquiridas pelas geraes anteriores.
Algoritmos Genticos
53
6.6.1. Operadores de Recombinao
Ao cruzar pelo menos dois pais, uma ou mais novas solues so criadas intercambiando-se a informao gentica dos genitores em um ou mais pontos que tambm so selecionados aleatoriamente.
Este operador, tambm conhecido como crossover, pode ser utilizado de vrias maneiras, onde as mais empregadas so: um-ponto um ponto de cruzamento escolhido e a partir dele as informaes genticas dos pais so trocadas, conforme exemplo abaixo. multi-pontos uma generalizao da idia de troca de material gentico, onde muitos pontos de cruzamento podem ser utilizados. uniforme no utiliza pontos de cruzamento, mas determina atravs de um parmetro global, probabilidade de mscara, qual a probabilidade de cada varivel ser herdada de cada pai.
A figura seguinte mostra um exemplo de dois cromossomos (escuro e claro) realizando o cruzamento no ponto 4. Assim, os novos cromossomos substituiro os genitores na nova populao.
Figura 18 - Exemplo de Recombinao
Algoritmos Genticos
54
6.6.2. Operadores de Mutao
O operador de mutao necessrio para a introduo e manuteno da diversidade gentica na populao, alterando arbitrariamente um ou mais componentes de uma estrutura escolhida, como ilustrado na figura abaixo. Ele fornece assim, meios para a introduo de novos elementos na populao, assegurando que a probabilidade de se chegar a qualquer ponto do espao de busca nunca seja zero, com o intuito de tentar contornar o problema de timos locais.
O operador de mutao aplicado aos indivduos com uma probabilidade dada pela taxa de mutao Pm. Geralmente se utiliza uma taxa de mutao pequena (como na gentica natural), pois um operador gentico secundrio.
Figura 19 - Exemplo de Mutao
7. Parmetros de Influncia e Configuraes

A configurao correta dos parmetros de influncia , sem dvida, um dos aspectos mais relevantes dentro da estratgia dos Algoritmos Genticos. No existe muita literatura sobre este tema, uma vez que tais configuraes iro depender entre outras coisas da aplicao resolvida, entretanto, intuitivo que este passo de muita importncia para um bom desempenho do mecanismo de busca.
A eficincia e o funcionamento de um Algoritmo Gentico altamente dependente dos seus parmetros de controle, sendo os bsicos aqueles descritos a seguir.
Algoritmos Genticos
55
7.1. Tamanho da Populao - N
O tamanho da populao indica o nmero de cromossomos em cada populao, normalmente constante durante a evoluo.
Uma grande populao apresentar uma maior diversidade de solues, contudo, computacionalmente sero dispendiosas tantas avaliaes de funes de aptido. Assim, a principal influncia deste parmetro est relacionada com o desempenho global e a eficincia dos AGs.
Com uma populao pequena o desempenho pode cair, pois deste modo a populao fornece uma pequena cobertura do espao de busca do problema. Por outro lado, uma grande populao geralmente fornece uma cobertura representativa do domnio do problema, alm de prevenir convergncias prematuras para solues locais ao invs de globais. No entanto, para se trabalhar com grandes populaes so necessrios maiores recursos computacionais ou que o algoritmo trabalhe por um perodo de tempo maior.
Uma idia interessante relacionar o tamanho da populao com o tamanho do cromossomo, ou seja, quanto maior for o cromossomo maior dever ser o tamanho da populao para uma diversidade razovel.
Muitos pesquisadores sugerem a ttulo de grandeza, tamanhos de populao entre 20 e 100 cromossomos, podendo atingir valores bem mais altos no caso da programao gentica.
7.2. Taxa ou Probabilidade de Cruzamento - Pc

Este parmetro indica com qual taxa ou probabilidade ir ocorrer o cruzamento entre indivduos selecionados na populao.
Algoritmos Genticos
56
Quanto maior for esta taxa, mais rapidamente novas estruturas sero introduzidas na populao. Em contrapartida, se ela for muito alta, estruturas com boas aptides podero ser retiradas mais rapidamente da populao, ocorrendo perda de estruturas de alta aptido. Valores baixos podem ainda tornar a convergncia do algoritmo muito lenta.
Geralmente, a taxa de cruzamento varia entre 0.5 e 0.95. Mas estes nmeros indicam apenas uma ordem de grandeza, j que existem inmeros tipos possveis de cruzamentos, os quais so limitados apenas pela capacidade criativa de seus inventores.
7.3. Taxa ou Probabilidade de Mutao - Pm

A taxa de mutao indica a probabilidade ou taxa em que haver a mutao de cromossomos nas populaes ao longo da evoluo.
A mutao empregada para fornecer novas informaes dentro das populaes, prevenindo que as mesmas se tornem saturadas com cromossomos similares medida que visa aumentar a diversidade populacional e possibilita ainda uma maior varredura do espao de busca.
H de se tomar cuidado, pois com uma taxa muito alta a busca pode se tornar essencialmente aleatria.
Alguns pesquisadores recomendam a escolha da taxa de mutao com base no tamanho dos cromossomos e das populaes.
De Jong [22] sugere que a taxa de mutao deva ser inversamente proporcional ao tamanho da populao.
Algoritmos Genticos
57
Hesser e Manner [59] sugerem que uma taxa tima de mutao pode ser achada pela expresso: Pm = N .L1 / 2
sendo N o tamanho da populao e L o comprimento dos cromossomos.
Como os demais parmetros, a taxa de mutao ideal depender da aplicao a ser resolvida, todavia, a maioria das taxas utilizada varia entre 0.001 e 0.1.
7.4. Recomendaes de Autores
De Jong faz algumas recomendaes com base na observao do desempenho de 5 exemplos de otimizao via Algoritmos Genticos, os quais incluem aspectos complicantes como descontinuidades, alta dimenso e rudo. Ele sugere para um desempenho satisfatrio de uma vasta gama de problemas a seguinte configurao de parmetros [22]:
(N, Pc, Pm) = (50, 0.6, 0.001)
Grefenstette [29] em simulaes similares concluiu que para um melhor desempenho, quando a mdia da funo objetivo de cada gerao usada como o ndice a ser otimizado, devem ser adotados os seguintes nmeros:
(N, Pc, Pm) = (30, 0.95, 0.01)
J onde o ndice a otimizar a funo objetivo do melhor cromossomo na populao, normalmente o indicador mais usado para rotinas de otimizao, ele recomenda os seguintes valores:
(N, Pc, Pm) = (80, 0.45, 0.01)

Algoritmos Genticos
58
8. Vantagens e Desvantagens dos Algoritmos Genticos
8.1. Vantagens dos Algoritmos Genticos

So robustos e aplicveis a uma grande variedade de problemas.
No requerem conhecimentos ou informaes dos gradientes da superfcie definida pela funo objetivo.
Descontinuidades
ou
complexidades
presentes
na
superfcie
acarretam pouco ou nenhum efeito no desempenho da busca.
So mais resistentes a se prenderem a timos locais.
Apresentam um bom desempenho para uma grande escala de problemas.
So de fcil implementao e proporcionam maior flexibilidade no tratamento do problema a ser resolvido.
8.2. Desvantagens dos Algoritmos Genticos

Dificuldade para achar o timo global exato.
Requerem um grande nmero de avaliaes de funes de aptido.
Grandes possibilidades de configuraes que podem complicar a resoluo do problema tratado.
Algoritmos Genticos
59
9. Sumrio e Discusso
Embora no presente trabalho tenha-se dado uma maior abordagem da utilizao dos Algoritmos Genticos para a resoluo de problemas de otimizao, outras aplicaes desta tcnica so possveis e tem sido utilizadas, tais como: gerenciamento de carteiras de aes, desenvolvimento de estratgias para leiles, deteco de fraudes em movimentos na bolsa de valores, dentre outras na rea de economia e finanas; modelagem e estudo de problemas em Ecologia, gentica
populacional e na relao entre aprendizagem do indivduo e evoluo da espcie; construo automtica de programas para a realizao de tarefas especficas e outras estruturas computacionais como redes neuronais; criao de imagens, texturas, msicas e estruturas complexas; minerao de dados (Data Mining);
Pelas suas caractersticas de robustez, flexibilidade e relativa facilidade de implementao, acredita-se que os Algoritmos Genticos iro ganhar uma maior ateno com o decorrer do tempo, principalmente, pela rpida evoluo dos computadores que devero tornar as aplicaes desta tcnica cada vez mais viveis e engenhosas. Para os prximos anos um maior nmero de alternativas mistas da idia gentica com outras estratgias, que lhe agreguem novas capacidades, sero desenvolvidas, aprimoradas e difundidas no meio tcnico, aumentando o leque de aplicaes e trazendo novos benefcios na resoluo dos problemas j tratados. Para problemas de otimizao as vantagens do emprego de Algoritmos Genticos so considerveis, principalmente pela sua versatilidade na obteno de solues timas globais, enquanto espera-se que suas desvantagens sejam sanadas por uma maior consolidao da tcnica e pelo avano das capacidades computacionais.
Algoritmos Genticos
60
Captulo V Tpicos Adicionais em AGs
este
captulo
so
discutidos
alguns
temas
estratgias
relacionados com a tcnica dos algoritmos genticos que podem
facilitar, agilizar e melhorar o seu funcionamento.
1. Tratamento das Restries ..............................................................................62 2. Problemas com Mltiplos Objetivos ...............................................................62 3. Hibridizao ...................................................................................................63 4. Computao Paralela ......................................................................................64 5. Time de Algoritmos........................................................................................65 6. Adaptao.......................................................................................................66 7. Distribuio Uniforme da Populao Inicial....................................................66
Tpicos Adicionais em AGs
61
1. Tratamento das Restries

Embora os Algoritmos Genticos tenham sido inicialmente aplicados com sucesso em problemas de otimizao sem restries, foi uma questo de tempo para surgirem as primeiras utilizaes da tcnica na resoluo de problemas com restries, caracterizados pela seguinte formulao:
Extremize f (x1, x2, ... ,xN) sujeito a gj (x) 0 hk (x) = 0 xi(L) xi xi(U) j = 1, 2, ... , J k = 1, 2, ... , K i = 1, 2, ... , N
Na maior parte das aplicaes empregada a tcnica de penalizao para introduzir as restries do problema na prpria funo objetivo, tcnica esta tambm utilizada por muitos mtodos matemticos de otimizao. Todavia, j existem formas de abordagem para este problema sem o emprego de funes de penalizao, bem como outras alternativas mais inovadoras tal como algoritmos co-evolucionrios que preservam um maior nmero de populaes interagindo entre si. Estes estudos so bem recentes e proporcionam uma vasta rea de pesquisa a ser desenvolvida [50].
2. Problemas com Mltiplos Objetivos

Vrios problemas reais so formulados por uma coleo de objetivos a serem extremizados, os quais so muitas vezes conflitantes entre si. Porm, em muitas destas aplicaes so realizadas simplificaes no problema original de forma a combinar vrios objetivos numa nica funo. Ou ainda escolhendo-se aquele que dentre os objetivos do problema requer prioridade de extremizao, normalmente o custo.
62
Nos ltimos anos vm aumentando os estudos na rea da otimizao multi-objetivos, trazendo como conseqncia o desenvolvimento de mtodos matemticos para tal tarefa.
Um exemplo [53] de aplicao multi-objetivos o projeto de pontes, pois alm da minimizao do custo ou peso de fundamental importncia a maximizao das freqncias naturais de vibrao da estrutura para melhorar o seu desempenho dinmico. Observa-se que estes objetivos so conflitantes, j que para menores pesos, menores sero as freqncias naturais de vibrao e maiores os riscos de colapso estrutural por efeito de ressonncia.
Um mtodo matemtico utilizado para a otimizao multi-objetivos a Programao Objetiva [38, 39, 53], que um procedimento interativo para o usurio e que tem tido crescente utilizao, embora, apesar de se tratar de um mtodo matemtico, no apresenta garantias da obteno de extremos globais, alm de ser um mtodo hierrquico com soluo nica.
Como os Algoritmos Genticos trabalham com uma populao de solues, eles so naturalmente adequados para a determinao simultnea de vrias solues Pareto-timas, isto , solues no-dominadas [37].
3. Hibridizao
Uma alternativa para melhorar o funcionamento dos Algoritmos Genticos a hibridizao [24, 68], estratgia que visa acoplar algoritmos distintos com a finalidade de tirar o melhor proveito de cada um deles. Assim, possvel acoplar-se aos Algoritmos Genticos, por exemplo, qualquer outro mtodo matemtico para efetuar uma busca local mais agressiva. Estas alternativas hbridas resultantes apresentam a capacidade evolucionria de uma grande explorao global da regio vivel aliada a uma boa eficincia nas buscas locais.
63
4. Computao Paralela
Os Algoritmos Genticos so por si s um mtodo naturalmente paralelo, uma vez que a etapa de avaliao da aptido de cada indivduo da populao independente das demais. Por esta razo, empregar computao paralela com Algoritmos Genticos uma estratgia que deve sempre ser considerada, pois pode-se obter grandes ganhos no tempo de execuo de um problema [07, 24].
Quando o paralelismo natural como o descrito acima, o resultado encontrado o mesmo obtido pelo Algoritmo Gentico seqencial que lhe deu origem.
Pode-se tambm implementar estratgias mais ousadas para se efetuar tanto a seleo quanto a criao de novos indivduos localmente em cada processador, visando com isto a diminuio das comunicaes (envio e recebimento de dados). Nestas alternativas no est garantida a obteno das mesmas solues encontradas seqencialmente, tratando-se de um novo Algoritmo Gentico.
Uma outra idia a subdiviso da populao original de p indivduos em n sub-populaes residentes nos n processadores disponveis, sendo cada uma submetida a um Algoritmo Gentico independente. Caso no ocorra nenhuma comunicao entre os processadores tudo acontecer como se o problema estivesse sendo resolvido n vezes.
Por outro lado, ao se permitirem algumas comunicaes entre os processadores, como por exemplo a migrao de alguns indivduos de certa subpopulao para outra(s), obter-se- um novo Algoritmo Gentico. Para estes casos, novos parmetros de controle devem ser adicionados com o intuito de definir quando, quais, quantos e para onde os indivduos iro migrar, bem como de que modo sero inseridos na nova populao.
64
5. Time de Algoritmos
A estratgia de times de algoritmos uma das mais recentes e, de certa forma, compreende parte das duas anteriores. A idia resolver o problema com mais de um algoritmo como na tcnica de hibridizao, diferindo desta pelo fato de que ao invs de cada algoritmo entrar em operao conforme o desenvolvimento do problema, todos tentam resolve-lo separadamente em paralelo, podendo os algoritmos comunicarem-se entre si conforme finalidades pr-estabelecidas: a cada intervalo de tempo, a cada nmero de iteraes, a cada critrio de convergncia, etc., de acordo com as caractersticas do problema e dos algoritmos empregados.
A comunicao entre os algoritmos pode ser feita de maneira sncrona ou assncrona, sendo esta ltima de maior eficincia j que no seriam necessrios balanceamentos de carga e no haveria ociosidade dos processadores.
Experimentos realizados com times de algoritmos levaram a concluses surpreendentes e que mostram, por exemplo, que certo problema que no podia ser resolvido atravs de quaisquer dos algoritmos isolados o foi pelo time formado por eles. Observou-se ainda que em algumas simulaes o tempo e/ou nmero de iteraes foi menor que o obtido pelo mais rpido dos algoritmos trabalhando sozinho. Estas concluses podem ser verificadas para a resoluo de sistemas de equaes no lineares utilizando o mtodo de Newton e o mtodo dos gradientes conjugados nas referncias [01, 02].
A estratgia de times bem geral e pode ser empregada com um nmero variado de mtodos em uma vasta gama de aplicaes, sendo mais uma alternativa para o emprego dos Algoritmos Genticos na resoluo de problemas.
65
6. Adaptao
A tcnica de adaptao consiste em no tomar valores fixos para os parmetros de configurao dos algoritmos genticos. Ou seja, pode-se escolher funes mais elaboradas que faam estes parmetros variarem ao longo do processo evolutivo e/ou de acordo com critrios pr-definidos.
As principais finalidades da adaptao so:
S melhorar a eficincia dos algoritmos; S tornar os algoritmos mais robustos s aplicaes a serem
tratadas.
A adaptao usualmente feita de maneira esttica, isto , so escolhidos parmetros, funes e/ou operadores no incio do algoritmo e levados at o fim da execuo. Todavia, recentemente uma maior ateno vem sendo dada adaptao dinmica, que permite que dentro do processo evolutivo o prprio algoritmo selecione os parmetros de configurao e/ou os operadores genticos a serem utilizados, conforme seus desempenhos.
A prpria funo objetivo pode ser adaptada, principalmente em aplicaes que envolvam o emprego de muitas restries e/ou penalidades [34, 49].
7. Distribuio Uniforme da Populao Inicial

Esta estratgia distribui uniformemente a populao inicial pelo espao de busca, ganhando assim uma maior confiana na obteno de extremos globais e at mesmo melhorando a velocidade de convergncia do algoritmo [61].
66
Captulo VI Algoritmos Genticos Multi-objetivos
ma introduo sobre os principais algoritmos evolucionrios multi-objetivos apresentada neste captulo, bem como suas
principais caractersticas e inovaes no cenrio da otimizao multi-objetivos.
1. Introduo ......................................................................................................68 2. Alguns Algoritmos Evolucionrios Multi-objetivos ........................................69
Algoritmos Genticos Multi-objetivos
67
1. Introduo
A primeira implementao prtica para tratamento de problemas multiobjetivos foi apresentada por Schaffer em 1984 [57]. Aps este trabalho nenhum estudo significante foi apresentado por quase uma dcada, exceo de um revolucionrio esboo de 10 linhas de um novo procedimento de ordenamento de solues no-dominadas apresentado no livro de Goldberg [30]. Este livro tornouse um marco dos algoritmos evolucionrios e alavancou o tratamento de problemas de otimizao multi-objetivos. Muitos pesquisadores desenvolveram diferentes verses de algoritmos de otimizao multi-objetivos baseados nas idias conceituais apresentadas por Goldberg.
Os mtodos evolucionrios apresentam certas caractersticas que os tornam mais apropriados para a resoluo dos problemas multi-objetivos, principalmente quando se deseja conhecer o conjunto das solues timas de Pareto. Por este motivo, o restante deste trabalho enfoca principalmente esta linha de pesquisa.
Duas so as finalidades quando se deseja determinar o conjunto de Pareto de problemas multi-objetivos via mtodos evolucionrios:
1. guiar a busca na direo da regio ou conjunto timo de Pareto;
2. manter a diversidade da populao na fronteira de Pareto.
Estas duas tarefas so as medidas usualmente empregadas para avaliar a eficincia e desempenho dos algoritmos desenvolvidos. O papel da segunda meta to relevante quanto o da primeira, pois fornece ao projetista maior alternativa de escolha para o projeto, j que possvel encontrar um conjunto timo de Pareto com uma boa e contnua distribuio de solues.
68
2. Alguns Algoritmos Evolucionrios Multi-objetivos

Nos ltimos anos muitos pesquisadores tm modificado as idias iniciais propostas por Goldberg em seu livro [30] para tratamento de problemas multiobjetivos, bem como aplicado as implementaes desenvolvidas em problemas mais complexos do mundo real. Assim, atualmente existem inmeras
implementaes e, por este motivo, a enumerao de todas uma tarefa impossvel, logo, sero enumeradas e posteriormente apresentadas as
caractersticas fundamentais apenas das principais correntes e/ou implementaes no campo dos algoritmos evolucionrios multi-objetivos [16, 20, 69, 70, 72]:
VEGA, Schaffer; Agregao dos objetivos por pesos variveis, Hajela e Lin; MOGA, Fonseca e Fleming; nPGA, Horn e Nafpliotis; NSGA, Srinivas e Deb; SPEA, Zitzler e Theile; Outros algoritmos.
2.1. VEGA, Schaffer

Tido como o pioneiro na implementao de algoritmos evolucionrios para soluo de problemas multi-objetivos, Schaffer desenvolveu o chamado Vector Evaluated Genetic Algorithms [57], mais conhecido como VEGA. Schaffer modificou o software de domnio pblico GENESIS pela criao de um lao no procedimento de seleo original que faz com que o procedimento seja repetido para cada objetivo separadamente at atingir-se um determinado nmero pr-definido de indivduos para cada objetivo para reproduo. Em seguida, estes indivduos so randomicamente sorteados para as etapas de recombinao e mutao. Schaffer implementou este mtodo em combinao com o procedimento de seleo proporcional aptido dos indivduos.
69
O algoritmo funcionou eficientemente por algumas geraes, porm em alguns casos deixou de pesquisar alguns indivduos ou regies. A seleo independente dos indivduos provocou a especializao da populao e como resultado deste fato a populao inteira convergiu na direo da regio das solues timas individuais aps um grande nmero de geraes. Esta caracterstica de especializao no interessante, j que no adianta uma soluo apresentar alta qualidade em um objetivo se conseguida s custas de valores ruins ou inaceitveis para algum(uns) outro(s) objetivo(s). importante haver e destacar o compromisso entre os objetivos. Schaffer tentou minimizar os efeitos da especializao atravs do desenvolvimento de dois procedimentos heursticos de seleo que foram denominados: seleo no-dominada e seleo cruzada ou de companheiro. Na seleo heurstica no-dominada os indivduos dominados so penalizados pela subtrao de uma pequena penalidade fixa sobre o nmero esperado de cpias durante a seleo. A penalidade total sobre estes indivduos ento dividida entre os no-dominados por uma adio ao nmero esperado de cpias na seleo. Contudo, este algoritmo no funciona adequadamente quando a populao tem poucos indivduos no-dominados, resultando num grande valor de aptido para os mesmos e conseqentemente numa alta presso de seleo. A seleo heurstica cruzada promove o cruzamento de indivduos especializados de diferentes subgrupos. Este procedimento foi implementado pela seleo aleatria de um indivduo para reproduzir com seu companheiro, isto , o indivduo que tem a mxima distncia Euclidiana em relao ao indivduo anteriormente selecionado. Este procedimento tambm no funciona
satisfatoriamente por no prevenir a participao de indivduos piores na primeira seleo randmica e pela possibilidade de haver uma grande distncia Euclidiana entre um indivduo campeo e um medocre. Depois destas duas tentativas Schaffer concluiu que os procedimentos tradicionais randmicos de seleo so largamente superiores aos seus procedimentos heursticos.
70
2.2. Agregao dos objetivos por pesos variveis, Hajela e Lin
Um outro algoritmo que baseado na agregao dos objetivos foi introduzido por Hajela e Lin [33]. Neste procedimento usado o mtodo da soma dos produtos entre os objetivos e seus correspondentes pesos para o clculo da funo de aptido: (f=wi.fi). Normalmente os valores dos objetivos devem ser normalizados para o caso de magnitudes muito diferentes, embora neste estudo a normalizao no tenha sido empregada devido natureza dos problemas teste usados.
Os pesos variam no intervalo ]0, 1[ tal que o somatrio de todos resulte na unidade. Para buscar por mltiplas solues em paralelo os pesos no so fixos e sim codificados no prprio gentipo. Os autores enfatizam a necessidade de restries na reproduo para promover: velocidade de convergncia e estabilidade para a busca gentica.
2.3. MOGA, Fonseca e Fleming

Fonseca e Fleming [26] implementaram as sugestes de Goldberg [30] de um modo diferente, o Multi-objective Optimization Genetic Algorithm ou MOGA usa um procedimento de ordenamento no-dominado. Toda a populao verificada e todos os indivduos no-dominados recebem uma posio ou ordem 1. Outros indivduos so posicionados segundo a no dominncia deles em relao ao restante da populao do seguinte modo: para cada indivduo, o nmero de solues que o dominam estritamente primeiramente determinado na populao, logo, a posio no ordenamento deste indivduo ser este nmero mais 1. Assim sendo, no final deste procedimento de ordenamento podero existir muitos indivduos compartilhando a mesma posio no ordenamento. A rotina de seleo usa este ordenamento para selecionar ou remover blocos de pontos at escolher os
71
indivduos para reproduo. Este tipo de atribuio de aptido por blocos leva a produzir uma grande presso de seleo que pode causar convergncia prematura.
A implementao tambm usa o mtodo de formao de nichos para distribuir a populao atravs da regio tima de Pareto, alm de compartilhar os valores da funo de aptido. Embora isto mantenha a diversidade nos valores da funo de aptido, pode no manter a diversidade no conjunto das variveis, assim, o MOGA pode no estar apto a achar as mltiplas solues em problemas onde diferentes pontos timos de Pareto correspondem para os mesmos valores de aptides. O destaque relevante deste trabalho o ordenamento dos indivduos por critrios de dominncia.
2.4. nPGA, Horn e Nafpliotis
Horn e Nafpliotis [37] implementaram um algoritmo gentico geracional com sobreposio, isto , nem todos os indivduos so substitudos de uma gerao para outra que foi denominado Niched Pareto Genetic Algorithm ou nPGA, que faz uso de um procedimento de ordenamento na etapa de seleo.
Um conjunto de comparao compreendido de um nmero especfico de indivduos (tdom) tomado randomicamente da populao no incio de cada processo de seleo. Em seguida dois indivduos so retirados da populao para a seleo de um vencedor conforme o seguinte procedimento: ambas solues so comparadas com os membros deste conjunto de comparao para determinao da dominncia segundo as funes objetivo. Se um deles no-dominado e o outro dominado, ento o ponto no-dominado selecionado, mas caso ambos sejam no-dominados ou dominados, um contador de nicho criado para cada indivduo na populao inteira. O contador baseado no nmero de solues na populao com uma certa distncia (share) do indivduo. Assim, a soluo que apresentar o menor contador de nicho selecionada.
72
O sucesso deste algoritmo altamente dependente do parmetro tdom. Se um tamanho apropriado for escolhido, pontos no-dominados (timos de Pareto) podem ser achados. Caso tdom seja pequeno podem existir poucos pontos nodominados na populao e valores grandes de tdom podem levar convergncia prematura do algoritmo.
O conceito de formao de nichos entre os pontos no-dominados o aspecto mais relevante do trabalho, que tem como inconveniente introduo de mais parmetros a serem configurados para o funcionamento do algoritmo gentico.
2.5. NSGA, Srinivas e Deb

Nondominated Sorting Genetic Algorithm [64] ou simplesmente NSGA mais uma implementao baseada nas sugestes de Goldberg [30]. A idia por trs do algoritmo a utilizao de um procedimento de seleo por ordenamento ou ordenamento para enfatizar as solues no-dominadas correntes, juntamente com um mtodo voltado para a criao de nichos para manter a diversidade da populao.
A diferena desta implementao em relao a um algoritmo gentico simples est apenas no modo com que o operador de seleo empregado. Tanto o operador de recombinao quanto o operador de mutao so os usuais da tcnica.
Antes do procedimento de seleo ser aplicado, a populao ordenada com base num nvel de no-dominncia dos indivduos, isto , todas as solues no-dominadas da populao corrente recebem valores altos de aptido. Esta aptido a mesma para todos os indivduos no-dominados, garantindo assim que todos possuam um mesmo potencial reprodutivo.
73
Para manter a diversidade na populao as solues no-dominadas compartilham os seus valores de aptido segundo suas distncias Euclidianas (tambm pode ser adotada a distncia de Hamming - nmero de bits diferentes entre dois indivduos). Finalmente, divide-se o valor da aptido de cada indivduo pelo contador de nichos que proporcional ao nmero de vizinhos ao seu redor. Este procedimento proporciona a co-existncia de pontos timos mltiplos na populao. O pior valor de aptido compartilhada na soluo da primeira fronteira no-dominada ento guardada para uso posterior.
Depois que o compartilhamento executado e que as aptides so modificadas os indivduos no-dominados so ignorados temporariamente para processar o resto dos membros da populao.
O procedimento para determinar novas solues no-dominadas (segundo nvel) novamente executado, sendo que agora eles recebem um valor de aptido um pouco menor que o pior valor de aptido compartilhada no nvel anterior.
Uma vez mais o procedimento de compartilhamento executado entre as solues no-dominadas do segundo nvel e as novas aptides so calculadas como antes. Este processo continuado at que todos os membros da populao tenham um valor de aptido compartilhada.
A reproduo da populao efetuada utilizando-se a aptido compartilhada, ou seja, como o primeiro nvel de solues no-dominadas possui as mais altas aptides, um maior nmero de cpias dos seus indivduos ser realizado e levar a busca para a fronteira tima de Pareto.
A caracterstica mais importante deste trabalho que praticamente qualquer nmero de objetivos pode ser usado para os dois tipos de problemas: maximizao ou minimizao, bastando mudar o modo como os indivduos nodominados so identificados.
74
Como fraqueza este algoritmo exige alguns novos parmetros de configurao que so sensveis e provocam forte influncia no desempenho da busca.
2.6. SPEA, Zitzler e Theile

Recentemente foi sugerido por Zitzler e Theile [69] o Strength Pareto Evolutionary Algorithm ou SPEA, um algoritmo evolucionrio multi-objetivo elitista com conceitos de no dominncia.
O algoritmo funciona com a manuteno de uma populao externa a cada gerao que armazena um conjunto de solues no-dominadas determinado desde a populao inicial e que participa nas operaes genticas. A aptido de cada indivduo na populao corrente e na populao externa decidida com base no nmero de solues dominadas pelo seguinte procedimento. Inicialmente, uma populao combinada pela populao corrente e a externa construda. A seguir, todas as solues no-dominadas nesta populao recebem um valor de aptido baseado no nmero de solues que elas dominam, mantendo a diversidade. Toma-se o cuidado de no atribuir para as solues nodominadas uma aptido pior que o das melhores solues dominadas, para garantir que a busca caminhe na direo da fronteira no-dominada e simultaneamente a diversidade entre os indivduos dominados e no-dominados. No problema da mochila os autores obtiveram melhores resultados que qualquer outro mtodo utilizado nas comparaes de seus estudos, o que refora a importncia do elitismo no estudo de problemas de otimizao multi-objetivos. Como destaque do mtodo cita-se a ausncia de quaisquer parmetros de distncia, tais como raio de nicho e compartilhamento e o fato da aptido dos indivduos ser determinada apenas pelas solues armazenadas no conjunto de Pareto externo.
75
2.7. Outros algoritmos
Vrios outros algoritmos tm sido desenvolvidos e publicados durante os ltimos anos, tais como:
Ishibuchi e Murata [40] introduziram uma combinao de um algoritmo evolucionrio que baseado na soma dos objetivos ponderados por pesos com um algoritmo de busca local que previne a perda de solues no-dominadas pelo armazenamento delas externamente. Depois de atualizar o conjunto de Pareto externo so escolhidos pares de indivduos na fase de seleo de acordo com pesos randomicamente gerados, ento, uma frao do conjunto externo de Pareto injetada dentro da populao. Finalmente, uma busca local efetuada para cada indivduo com o intuito de melhorar as solues correntes.
Greenwood, Hu e D'Ambrosio [28] propuseram uma combinao entre mtodos de nenhuma informao preferencial (caso de ordenamento puro de Pareto) e mtodos de agregao como soma dos objetivos ponderados por pesos. Eles estenderam o conceito de dominncia de Pareto por elementos de valor com vrios atributos imprecisos para incorporar preferncia no processo de busca.
Um algoritmo gentico multi-sexual para otimizao multi-objetivos foi proposto por Lis e Eiben [45] que, em contraste com os algoritmos evolucionrios convencionais, atribui a cada indivduo um sexo prprio que relacionado com um objetivo particular. O nmero de sexos corresponde ao nmero de objetivos. Enquanto a seleo executada para cada sexo distinto (objetivo), o operador de recombinao gera herdeiros de pais que pertenam a todos os sexos diferentes. O conjunto final de Pareto obtido pelo monitoramento das solues nodominadas durante a execuo do algoritmo.
76
Partindo do Niched Pareto Genetic Algorithms, nPGA, ValenzuelaRendn e Uresti-Charre [65] desenvolveram um algoritmo evolucionrio no geracional que incorpora seleo baseada em dominncia e compartilhamento de aptido. A aptido de cada indivduo composta de duas contribuies: o contador de dominncia e o contador de nichos em movimento. O contador de dominncia reflete o nmero mdio de indivduos pelo qual o indivduo dominado e o segundo parmetro representa o nmero de indivduos que se encontram prximos de uma certa soluo. Em cada passo evolucionrio ambos os valores so ajustados de acordo com as mudanas na populao.
Cunha, Oliveira e Covas [18] abordaram o problema de conjuntos extremamente grandes de timos de Pareto. Eles apresentaram um algoritmo evolucionrio que aplica agrupamentos para reduzir e ordenar as solues do conjunto no-dominado.
Outras aproximaes baseadas nos conceitos de alvos e desvios so tambm encontradas, contudo, elas utilizam na maioria das vezes fundamentos matemticos, herdando suas vantagens e desvantagens frente aos algoritmos evolucionrios. As tcnicas mais populares desta corrente so: Programao Objetiva, Obteno Objetiva e os algoritmos de min-max. A maior desvantagem destas estratgias a forte possibilidade de prenderem-se a timos locais e a usual obteno de uma soluo nica, j que operam iterativamente com um candidato por vez.
77
Captulo VII PMOGA Pareto Multiobjective GA
E
discutidos.
ste captulo apresenta todos os aspectos e caractersticas do algoritmo gentico multi-objetivo de Pareto desenvolvido
PMOGA. Todos os procedimentos desenvolvidos e empregados so detalhados e
1. Introduo ......................................................................................................79 2. Resumo e Evolues do Algoritmo Evolucionista...........................................79 3. Algoritmo Final Detalhado .............................................................................81 4. Filtro...............................................................................................................82 5. Seleo ...........................................................................................................83 6. Reproduo ....................................................................................................84 7. Operadores Multi-objetivos Desenvolvidos.....................................................86 8. Geraes Adicionais .......................................................................................88 9. Elitismo ..........................................................................................................89 10. Estratgia de Penalizao ..............................................................................89 11. Resultados e Desempenho.............................................................................90
PMOGA Pareto Multiobjective GA
78
1. Introduo
Neste captulo ser descrita a forma final do algoritmo proposto, contudo, com algumas ressalvas para as etapas e evolues gradativas decorrentes de exaustivos experimentos aqui realizados: as evolues do algoritmo evolucionista. Estes experimentos so apresentados no captulo referente s aplicaes, todavia, para cada uma delas so descritas as caractersticas e configuraes presentes no algoritmo no momento de sua utilizao.
2. Resumo e Evolues do Algoritmo Evolucionista

O algoritmo gentico para problemas de otimizao multi-objetivos tem por finalidade evoluir um conjunto uniformemente distribudo de solues pertencentes ao conjunto timo de Pareto. Suas principais caractersticas so: (i) ordenamento da populao de acordo com propriedades de dominncia, (ii) utilizao de operadores multi-objetivos adequadamente desenvolvidos: excluso, adio e operador de otimizao individual, (iii) definio de um filtro para reter as solues de Pareto, (iv) elitismo deste filtro dentro das populaes e (v) mtodo de penalizao por camadas.
As principais evolues ou melhorias que levaram o algoritmo inicialmente desenvolvido (utilizado e descrito na primeira aplicao funo f2 de Schaffer) at o seu estado atual podem ser cronologicamente apontadas como:
Modificao do mtodo de seleo Modificaes do operador de recombinao Desenvolvimento e introduo dos operadores multi-objetivos Introduo do elitismo do filtro nas populaes
79
2.1. Modificao do mtodo de seleo

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

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

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

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

Algoritmo PMOGA Gerao da populao inicial aleatria Avaliao da populao inicial Ordenamento da populao inicial Cpia dos indivduos de ordem 1 da populao para o filtro Operador de excluso no filtro at reduzi-lo ao tamanho desejado Insero das solues do filtro na prxima gerao (como filhos) Repita da primeira gerao Se a gerao corrente ao nmero de geraes padres ento Repita Seleo (torneio pela menor ordem) Recombinao (uniforme 0.5 e 0.2) Mutao Avaliao At completar o tamanho da populao Atualizao da gerao (filho pai) Ordenamento da populao Cpia dos indivduos de ordem 1 da populao para o filtro Fim se Operador de otimizao individual no filtro (recombinao e mutao) Operador de adio no filtro Ordenamento do filtro Eliminao das solues dominadas do filtro Operador de excluso no filtro at reduzi-lo ao tamanho desejado Insero das solues do filtro na prxima gerao (como filhos) At o nmero de geraes totais (padres+adicionais) Fim
Figura 20 - Pseudocdigo do PMOGA
81
4. Filtro
O algoritmo desenvolvido possui um filtro para armazenar as solues no-dominadas que vo surgindo ao longo do processo evolutivo. Este procedimento fundamental na resoluo de problemas multi-objetivos, uma vez que a soluo destes problemas , na verdade, um conjunto de solues fronteira tima de Pareto.
Ao final de cada gerao as solues no-dominadas da populao corrente so adicionadas ao filtro. Logo, um novo teste de dominncia ordenamento efetuado para eliminar deste novo conjunto formado pelas solues adicionadas e pelas anteriormente presentes as solues que se tornaram dominadas. Depois disso so empregados os operadores multi-objetivos de otimizao individual e de adio que sero descritos adiante, buscando a criao de solues interessantes para o problema, bem como a aplicao do operador de excluso para eliminar solues do filtro at que ele alcance o nmero de solues pr-estabelecido na configurao do algoritmo.
A ltima etapa realizada com o filtro a insero dele na populao da prxima gerao elitismo do filtro na populao para aumentar a presso de seleo e tambm a convergncia das solues para a fronteira de Pareto.
Os procedimentos que so empregados no filtro a cada nova gerao podem ser resumidos da seguinte maneira: Adio das solues no-dominadas da populao corrente. Aplicao dos operadores multi-objetivos de otimizao individual e adio. Ordenamento do novo filtro e eliminao das solues agora dominadas. Aplicao do operador multi-objetivo de excluso. Insero do filtro na populao da prxima gerao.
82
5. Seleo
A seleo um dos procedimentos mais importantes de qualquer algoritmo gentico, uma vez que ele o foco central da tcnica dos algoritmos genticos para incorporar ao algoritmo os conceitos da Seleo Natural de Darwin. Ou seja, deve-se assegurar que os melhores indivduos tenham uma maior probabilidade de seleo para assim se obter um aumento progressivo da aptido mdia das populaes durante o processo evolutivo. Convergindo estes indivduos para a resposta desejada do problema. O procedimento de seleo adotado o de torneio, onde algumas solues so aleatoriamente tomadas da populao e, com base em algum critrio, a soluo vencedora ento selecionada. Normalmente, o critrio utilizado pela maioria dos algoritmos genticos com um objetivo o valor da funo de aptido, j para algoritmos genticos multi-objetivos alguma estratgia de nicho empregada de forma a modificar as aptides reais dos indivduos conforme a densidade de vizinhos no seu entorno. O nmero de solues tomadas para o torneio proporcional presso de seleo aplicada na populao e normalmente varia de duas a dez solues. Como o algoritmo proposto emprega operadores multi-objetivos ao invs de estratgias de nicho para melhorar a distribuio da fronteira de Pareto, nenhuma modificao realizada nas aptides reais dos indivduos. Esta caracterstica habilita este algoritmo a resolver alguns problemas que os demais algoritmos baseados em estratgias de nicho no resolveriam de maneira satisfatria, como vem acontecendo na funo-teste 6 - formulada no conjunto de testes para algoritmos multi-objetivos da referncia [71]. O procedimento de torneio empregado efetuado diretamente sobre as ordens recebidas pelos indivduos, deste modo, os indivduos so selecionados no s pelas suas aptides, mas sim pelas suas aptides dentro do contexto multiobjetivo de dominncia. Ou seja, dispensa clculos adicionais de aptides novas ou modificadas.
83
5.1. Ordenamento
O procedimento de ordenamento das solues consiste em realizar um teste de dominncia sobre todo o conjunto ao qual se quer ordenar. Assim, as solues no-dominadas deste conjunto recebem a primeira ordem e so retiradas da populao, logo, um novo teste efetuado sobre o conjunto remanescente e as novas solues no-dominadas adquirem a segunda ordem. Deste modo, este procedimento continua at que todas as solues do conjunto especificado tenham sido ordenadas.
No final do ordenamento tm-se vrias ordens que correspondem s vrias fronteiras ou camadas de dominncia existentes no conjunto ordenado. Quanto menor for a ordem de uma soluo significa que ela est mais prxima da fronteira tima.
6. Reproduo
A reproduo uma etapa inspirada na natureza e tem por objetivo criar novas solues na populao. So utilizados operadores advindos da reproduo humana, tais como os operadores de recombinao e mutao. Entretanto, nenhuma barreira deve ser construda quanto ao desenvolvimento de novos operadores ou quanto ao emprego diferenciado dos mesmos, desde que tais mudanas sejam benficas para a resoluo dos problemas tratados.
O operador de mutao no tem sofrido grandes mudanas dentro da tcnica em relao ao que ocorre na natureza, a no ser quanto sua probabilidade de aplicao, que tem variado bastante de algoritmo para algoritmo e de problema para problema.
84
O operador de recombinao tem sido bastante modificado ao longo do tempo e existem inmeras possibilidades um ponto, dois pontos, uniforme com vrias probabilidades de mscaras e muitos outros.
O operador de recombinao uniforme apresenta a vantagem de ter sua eficincia independente do tamanho do cromossomo, isto , se um cromossomo tem dez posies de comprimento, um operador de dois pontos provocar uma recombinao considervel para gerar as novas solues, j se o tamanho do cromossomo for de novecentas posies, esta recombinao passar a ser pequena para este tamanho de codificao, ou seja, seria necessrio um maior nmero de pontos para se ter proporcionalmente um mesmo desempenho. Entretanto, o operador de recombinao uniforme dispe de um mesmo desempenho de recombinao independente deste tamanho, uma vez que ele no depende do nmero de pontos de corte para troca de material gentico e sim da probabilidade de cada alelo do gene ser herdado do pai ou da me. Assim sendo, seu emprego torna o algoritmo menos dependente do tamanho do problema a ser resolvido [62].
Neste algoritmo finalizou-se com o operador de recombinao uniforme com diferentes probabilidades de mscara 0.2 e 0.5 como ser descrito e justificado adiante.
6.1. Mutao
O operador de mutao empregado no foge s regras do que observado na natureza, ou seja, para cada gene recombinado existe uma probabilidade de mutao que uma vez ativada modifica o gene herdado, isto , de zero para um ou vice-versa, conforme apresentado nos captulos anteriores.
Devido existncia de mais de um objetivo, o espao de busca mais complexo nos problemas multi-objetivos, portanto, uma taxa de mutao mais alta pode ser usada para procurar por solues mais dispersas, bem como melhor explorar o espao de busca.
85
6.2. Recombinao
Foi escolhido o operador de recombinao uniforme que j foi apresentado nos captulos anteriores, podendo o mesmo apresentar diferentes probabilidades de mscara. Ou seja, se a probabilidade de mscara de 0.5, isto que dizer que o gene que ser herdado tem exatamente a mesma probabilidade de vir do pai ou da me. Por outro lado, se esta probabilidade diferenciada para 0.2, por exemplo, ento o gene herdado ter 20% de chances de vir de um dos pais e os restantes 80% de vir do outro genitor. Com isso o herdeiro ser forado a ficar mais parecido com um dos seus pais. Esta caracterstica interessante para garantir modificaes mais suaves ou mais agressivas nos herdeiros conforme sejam os seus interesses. No algoritmo final foram utilizados dois operadores de recombinao uniforme, um com probabilidade de mscara de 0.5 e outro com 0.2, ambos com a mesma probabilidade de utilizao, 0.5.
7. Operadores Multi-objetivos Desenvolvidos

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

O operador de excluso determina a soluo mais prxima de outras solues no filtro atual para ser removida, com o intuito de propiciar uma melhor distribuio das solues ao longo do conjunto de Pareto. Este procedimento de
86
excluso repetido at que o filtro corrente alcance o tamanho especificado nas configuraes do algoritmo.
A mtrica utilizada para avaliar as distncias entre os cromossomos dada pela expresso seguinte, que resulta em um processo de soma das porcentagens das distncias de cada objetivo entre as duas solues j e k pesquisadas: 100. foi ( j ) foi (k )
i i
d j,k =
N . fo i =1
0,5.[ fo ( j) + fo (k )]
Esta mtrica tem se comportado muito bem para uma vasta gama de aplicaes, j que a distncia entre solues independe da magnitude das aptides e sim da distncia relativa entre elas.
7.2. Operador de Adio
O operador de adio acha as duas solues mais distantes (no espao de cada funo objetivo) e as recombina n vezes, onde o valor de n normalmente varia de 1 a 5. A idia do operador gerar solues que ocupem o espao vazio encontrado entre tais solues, melhorando deste modo a distribuio da fronteira tima.
O nmero de avaliaes adicionais por gerao ser 2 x n x nfo (vezes 2 porque cada par de genitores gera duas novas solues pela recombinao uniforme adotada).
Em problemas onde exista descontinuidade da fronteira de Pareto, recomenda-se o desligamento deste operador, uma vez que as solues mais distantes provavelmente pertencero duas fronteiras no interligadas e a recombinao destas solues tende a gerar indivduos intermedirios aos mesmos
87
que estariam fora das regies da fronteira de Pareto. Contudo, como foi observado em um dos problemas analisados adiante, cuja fronteira de Pareto apresenta esta descontinuidade, observou-se que o emprego deste operador, embora no recomendado, no compromete o funcionamento do algoritmo.
7.3. Operador de Otimizao Individual

Foram criadas duas formas deste operador:
i) So determinadas as duas solues mnimas de cada objetivo para serem recombinadas n vezes. ii) A soluo mnima de cada objetivo copiada n vezes com mutao.
Estas novas solues criadas so inseridas no prprio filtro corrente. O objetivo deste operador melhorar o timo de cada objetivo individualmente, permitindo que o algoritmo seja utilizado, em carter emergencial, para otimizar problemas com um nico objetivo. O nmero de avaliaes 2 x n x nfo e n x nfo respectivamente.
Nenhum outro algoritmo apresenta alguma estratgia diretamente desenvolvida para este fim, que trs enorme benefcio para a soluo final, pois abre as extremidades da fronteira tima, mostrando ao tomador de decises quais seriam os valores timos individuais de cada objetivo.
8. Geraes Adicionais
Os trs operadores multi-objetivos anteriores trabalham ao trmino de cada gerao, contudo, possvel e recomendado que: depois de um certo nmero de geraes processadas e que um nmero significante de solues timas estejam
88
retidas no filtro, sejam processadas geraes adicionais utilizando apenas estes trs operadores. Estas geraes adicionais so mais rpidas e melhoram significativamente a qualidade do conjunto final de Pareto.
A idia fundamental destas geraes adicionais apenas melhorar a distribuio da fronteira de Pareto, pela aplicao sucessiva dos operadores de otimizao individual, adio e excluso diretamente sobre as solues at ento armazenadas no filtro.
9. Elitismo
Nos algoritmos genticos desenvolvidos para otimizao de um objetivo comum o emprego de elitismo da melhor soluo, ou seja, a melhor soluo de cada gerao copiada para a gerao seguinte para que a mesma no seja possivelmente perdida. Com o tempo vrios autores passaram a adotar o elitismo de mais de uma soluo, por exemplo, as cinco ou dez melhores.
No contexto multi-objetivo onde a resposta composta por um conjunto de solues este elitismo deve ser extendido para o conjunto timo at ento armazenado, ou seja, o filtro de solues no-dominadas. Assim, ao final de cada gerao as solues armazenadas no filtro so inseridas na prxima populao com o intuito de aumentar a presso de seleo e ao mesmo tempo acelerar a convergncia do algoritmo.
10. Estratgia de Penalizao

Mtodos de penalizao sempre so um entrave para a resoluo de problemas de otimizao, pois normalmente exigem a escolha de parmetros de penalizao que necessitam de uma definio iterativa e no trivial, variando ainda de problema para problema.
89
Depois dos inmeros problemas resolvidos convergiu-se para uma estratgia de penalizao bastante simples e de fcil configurao, pois se recomenda a atribuio de valores limites de cada objetivo para tais parmetros, deste modo, garante-se que qualquer soluo no-dominada domine qualquer soluo que viole pelo menos uma restrio, do mesmo modo qualquer soluo que viole uma restrio dominar qualquer soluo que apresente duas violaes de restries e assim por diante. Com isso obtm-se camadas de solues, e conseqentemente ordens, com um mesmo nmero de violaes. A penalizao aplicada pela seguinte expresso: fi (x) fi (x) + ci . nviol onde nviol o nmero de restries violadas e os valores das constantes ci so escolhidos para cada problema em particular com limites extremos para cada objetivo. Isto , no so necessrios muitos estudos e testes para a determinao destas constantes, pois basta escolher-se valores altos que sejam superiores aos limites mximos possveis para cada objetivo.
11. Resultados e Desempenho

Os resultados encontrados com o algoritmo proposto tm sido, em geral, equivalentes ou superiores aos apresentados na literatura com um bom desempenho computacional. Comprovando a boa integrao entre as vrias estratgias escolhidas e desenvolvidas para formarem o corpo do algoritmo multiobjetivo proposto. O algoritmo tem se mostrado capaz inclusive de resolver problemas onde outros inmeros algoritmos falharam, como pode ser observado na aplicao referente ao conjunto de funes-teste desenvolvidas por Deb [71] para otimizadores multi-objetivos.
90
Captulo VIII Aplicaes
N
detalhadas.
este captulo vrios problemas testes e/ou estruturais so analisados com o algoritmo multi-objetivo de Pareto proposto
PMOGA. Todas as configuraes utilizadas pelo algoritmo em cada problema so
1. Introduo ......................................................................................................92 2. Funo f2 de Schaffer ......................................................................................92 3. Viga I .............................................................................................................97 4. Viga Soldada ................................................................................................103 5. Trelia com Trs Objetivos...........................................................................108 6. Ponte Treliada.............................................................................................113 7. Fronteira de Pareto Descontnua ...................................................................119 8. Funes-teste para Otimizadores Multi-objetivos..........................................124 9. Curva Tri-objetiva ........................................................................................153 10. Esfera .........................................................................................................158 11. Cubo 8 Funes Objetivo.........................................................................165 12. Trelia de 47 barras.....................................................................................176
Aplicaes
91
1. Introduo
As aplicaes so apresentadas segundo a ordem cronolgica em que foram abordadas. Com o aumento gradativo das dificuldades dos problemas o algoritmo gentico utilizado foi tambm sendo aperfeioado, deste modo, para cada aplicao existe um tpico que descreve as caractersticas e configuraes empregadas naquele problema em particular.
O amadurecimento e a robustez do algoritmo desenvolvido so frutos de exaustivos testes e progressivas complicaes a ele impostas, que foram obtidos aps inmeros insucessos e conseqentes tentativas de novas estratgias e experincias.
2. Funo f2 de Schaffer
2.1. Introduo e Modelo
Um problema bastante simples e largamente utilizado para testar otimizadores multi-objetivos o problema f2 formulado por Schaffer [69]. O problema consiste na minimizao simultnea de duas funes objetivo e embora seja um problema fcil para um algoritmo evolucionrio, ele comumente resolvido pela maioria dos autores como um ponto inicial de referncia, principalmente para a investigao da distribuio da populao ao longo da fronteira tima de Pareto.
O problema definido pelas seguintes funes: fo1 (x) = x2
(linha contnua)
fo2 (x) = ( x - 2 )2 (linha tracejada)
Aplicaes
92
Solues Dom inadas 1 Fronteira de Pareto Solues Dom inadas 2 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 g 6 7 8 9 10
Figura 21 - Funes objetivo e solues no espao das funes objetivo
Observa-se pelas figuras que as solues no-dominadas que compem a fronteira tima de Pareto situam-se no intervalo [0, 2], deste modo, as solues compreendidas neste intervalo no podem ser ditas melhores ou piores entre si, devendo a tarefa de escolha da soluo tima (projeto timo) ser definida posteriormente por um tomador de deciso (projetista).
2.2. Caractersticas e Configuraes do AG Utilizado

Utilizao de um filtro para armazenar as solues no-dominadas. Ordenamento das solues segundo critrios de no dominncia. Mesma aptido para cada ordem, dependendo da ordem e de seu tamanho. Mtodo de seleo da roleta sobre as aptides das ordens. Operador de recombinao em 2 pontos e mutao. Operador de excluso. Populao inicial aleatria. Probabilidade de Recombinao = 85 %. Probabilidade de Mutao = 5%. Tamanho da populao = 70. Tamanho do filtro = 30. Nmero de geraes = 100.
Aplicaes
93
2.2.1. Atribuio de aptido para as ordens A atribuio de aptido para as ordens utiliza o mtodo proposto na referncia [12] pelas seguintes expresses: Fi = (M r i + 1) / SS Mr SS = (M r i + 1).Tri / T pop i =1 onde: Tpop o tamanho da populao; Mr a mais alta ordem da populao (ordem mxima); i varia de acordo com cada ordem; Tri o tamanho da populao da ordem i; Fi a aptido de cada cromossomo da ordem i. Pode-se observar que quanto mais populosa for uma ordem, menor ser sua aptido proporcional, embora as ordens tenham suas aptides inversamente proporcionais aos seus ordenamentos, isto , a primeira ordem tem aptido superior ao do segundo, que por sua vez tem maior aptido que o terceiro e assim por diante. Utilizou-se uma codificao binria em cromossomos de quatorze unidades de comprimento (bits) que so decodificados para um nmero real no intervalo [-6, 6]. Assim, o cromossomo foi interpretado como um valor inteiro i, sendo posteriormente convertido para um valor real x pela seguinte equao: x = 6 + i. | 6 6 | 214 1
Consegue-se por este modo a seguinte representao: Cromossomo 00000000000000 ... 11111111111111 Valor Inteiro (i) 0 ... 214-1 Valor Real (x) -6.00 ... 6.00
Aplicaes
94
2.3. Resultados
Nas figuras seguintes so mostradas a populao inicial e os resultados obtidos, isto , a fronteira tima de Pareto e a distribuio das solues no espao das variveis de projeto:
populao da gerao 1
64 56 48 40
fo2
32 24 16 8 0 0 4 8 12 16 20 24 28 32 36
fo1
Figura 22 - Populao inicial
30 pontos no filtro
4,5
8
30 pontos no filtro
4,0 3,5
fo1 e fo2
3,0 2,5 2,0 1,5 1,0 0,5 0,0 0,0 0,5 1,0 1,5 2,0 2,5
fo2
0 0 2 4 6 8
varivel x fo1 fo2
fo1
Figura 23 - Fronteira de Pareto e solues no espao das variveis de projeto.
Uma nova alternativa para o mtodo de seleo foi aqui testada. Este mtodo proposto no faz uso de qualquer clculo de aptido para as vrias ordens encontradas durante a evoluo das geraes, mas sim, a utilizao do mtodo convencional de torneio entre indivduos, comparando simplesmente a ordem entre eles, ou seja, o cromossomo que apresentar a menor ordem entre os
Aplicaes
95
sorteados selecionado. Caso as solues sorteadas tenham uma mesma ordem, seleciona-se aleatoriamente uma delas.
A utilizao deste mtodo de seleo mostrou-se bastante interessante no s pela diminuio do esforo computacional, j que inmeros clculos so descartados, mas tambm pelos resultados que foram melhorados, conforme figura seguinte:
30 solues no filtro
fo2
0 0 2 4 6 8
fo1
Figura 24 - Fronteira de Pareto com novo mtodo de seleo (torneio)
2.4. Concluses
Os resultados foram equivalentes ou superiores aos encontrados na literatura [57, 69], mesmo sem o emprego de estratgias de nicho que aumentam o nmero de parmetros de configurao e tornam a resoluo do problema sensvel a estas configuraes.
A alternativa pelo mtodo de seleo por torneio atuando diretamente sobre as ordens mostrou-se uma boa alternativa, j que diminuiu o esforo computacional e eliminou as deficincias oriundas do mtodo de seleo da roleta.
Aplicaes
96
3. Viga I
O objetivo do problema determinar o conjunto timo de Pareto decorrente da otimizao multi-objetivos da viga em seo I apresentada abaixo [15].
Figura 25 - Viga em seo I [15].
As propriedades da viga e os valores das cargas so: E = 2 x 104 kN/cm2 (mdulo de Young). kg = 16 kN/cm2 (tenso de projeto da viga). P = 600 kN (carga vertical em L/2). Q = 50 kN (carga horizontal em L/2).
O vetor das variveis de projeto so as dimenses da viga dadas em centmetros, x = [ x1, x2, x3, x4 ]T, conforme mostrado na figura anterior.
Aplicaes
97
Os objetivos a serem minimizados so: rea da seo transversal. Deslocamento esttico mximo (em L/2) decorrente de P.
Como na maioria dos problemas multi-objetivo os critrios so conflitantes entre si, neste caso, a diminuio da rea da seo transversal provoca o aumento do deslocamento mximo e vice e versa.
As restries que devem ser atendidas pela soluo do problema so: 1. Restries Geomtricas (valores em centmetros): 10 x1 80 10 x2 50 0,9 x3 5 0,9 x4 5 2. Restrio de projeto: My Wy sendo:
S S S
Mz kg Wz
My e Mz os momentos mximos nas direes y e z. Wy e Wz os mdulos resistentes da seo nas direes y e z. kg a tenso limite estabelecida.
Para os valores das cargas atuantes P e Q tem-se: My = 30000 kN.cm Mz = 2500 kN.cm
Os mdulos resistentes so calculados pelas seguintes expresses: Wy = x3 (x1 2 x4 ) + 2 x2 x4 4 x4 + 3 x1 (x1 2 x4 ) 6 x1

3 2
Wz =
(x1 2 x4 )x33 + 2 x4 x23

6 x2
Aplicaes
98
Substituindo estes valores na restrio de projeto obtm-se: 16 x3 (x1 2 x4 )

3
180000 x1 15000 x2 0 2 3 3 + 2 x2 x4 4 x4 + 3x1 (x1 2 x4 ) (x1 2 x4 )x3 + 2 x4 x2
As funes objetivo podem ser expressas como se segue: 1. rea da seo transversal: f1 (x) = 2x2x4+x3(x1-2x4) cm2 2. Deslocamento esttico mximo: f2 ( x) = PL3 cm 48 EI
onde I o momento de inrcia que pode ser calculado pela frmula: x (x 2 x4 ) + 2 x2 x4 4 x4 + 3 x1 (x1 2 x4 ) I= 3 1 12
3 2
resultando na seguinte expresso para o segundo objetivo: f2 ( x) = x3 (x1 2 x4 )

3
60000 cm 2 + 2 x2 x4 4 x4 + 3x1 (x1 2 x4 )

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operadores convencionais de mutao e recombinao uniforme. Operador de excluso. Populao inicial aleatria. Aplicao da penalizao: fi (x) = fi (x) + ci, onde c1=1000 e c2=10. Probabilidade de Recombinao = 85 %. Probabilidade de Mutao = 5%. Tamanho da populao = 200. Tamanho do filtro = 20. Nmero de geraes = 200.
Aplicaes
99
As variveis de projeto foram codificadas numa cadeia binria com quarenta e trs posies de comprimento, sendo treze posies destinadas para x1, doze para x2 e nove tanto para x3 como para x4. Cada cadeia binria desmembrada e convertida para os valores reais de cada varivel pela expresso: xi = xmn. + Bi sendo: i ndice da varivel considerada xmn e xmx os valores limites dados pelas restries geomtricas Bi o valor inteiro correspondente cadeia binria de cada varivel Ti o nmero de posies destinadas cada varivel xmn xmx.
T 2 i 1
3.3. Resultados
Nas duas figuras seguintes so mostradas respectivamente a populao inicial e a populao relativa gerao 200, verificando-se a ntida separao entre o conjunto das solues factveis e no-factveis.
23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500
0,250
0,200
0,150
0,100
0,050
0,000 0 100 200 300 400 500 600 700 800 900
Figura 26 - Populao inicial em diferentes escalas

12 11 10 9 8 7 6 5 4 0,015 3 2 1 0 0 100 200 300 400 500 600 700 800 900 1000 1100 1200 0,010 0,005 0,000 0 100 200 300 400 500 600 700 800 900 0,040 0,035 0,030 0,025 0,020 0,050 0,045
Figura 27 - Populao relativa gerao 200 em diferentes escalas
Aplicaes
100
Observa-se com o decorrer do processo evolutivo a diminuio do nmero de solues inviveis (penalizadas) e a convergncia para a regio da fronteira tima de Pareto. Na prxima figura apresentada a soluo final do filtro.
0,0 50 0,0 45 0,0 40 0,0 35 0,0 30 0,0 25 0,0 20 0,0 15 0,0 10 0,0 05 0,0 00 0 10 0 20 0 30 0 40 0 50 0 60 0 70 0 80 0 90 0
Figura 28 - Solues no filtro final (20 solues)
Durante o tratamento deste problema foram desenvolvidos os operadores de adio e de otimizao individual que apresentam baixo custo computacional e devem ser aplicados diretamente no filtro. Na figura e tabela seguintes, oriundas de uma nova otimizao pode-se perceber as vantagens conseguidas com a sua utilizao: melhoramento dos extremos individuais e da distribuio da fronteira tima.
Modificaes realizadas:
Introduo dos operadores de adio e de otimizao individual. Tamanho da populao = 50 Nmero de geraes = 50 + 450 (filtro)
Aplicaes
101
0,060 0,055 0,050 0,045 0,040 0,035
f2
0,030 0,025 0,020 0,015 0,010 0,005 0,000 0 100 200 300 400 500 600 700 800 900
f1
Figura 29 - Solues no filtro final (ger. 500). x1 x2 x3 x4 fo1 fo2 63,60 40,01 0,90 0,90 127,60 0,0565 68,05 40,34 0,90 0,90 132,20 0,0482 72,35 41,26 0,91 0,91 139,00 0,0409 79,12 40,05 0,90 0,90 141,70 0,0345 78,32 45,70 0,92 0,96 158,10 0,0301 79,65 23,03 0,96 2,15 171,80 0,0273 78,91 40,09 0,92 1,41 183,00 0,0245 78,89 43,89 1,00 1,51 208,70 0,0213 78,56 34,83 0,96 2,42 240,00 0,0181 79,66 46,58 1,02 1,99 262,70 0,0158 77,95 42,21 1,04 2,80 311,50 0,0136 78,62 45,11 0,93 2,92 331,40 0,0123 79,79 40,89 0,93 3,72 372,00 0,0106 79,92 40,04 1,01 4,30 416,70 0,0095 79,99 47,49 1,29 3,97 470,50 0,0085 79,58 50,00 1,15 4,49 529,80 0,0075 80,00 48,67 1,66 4,99 602,30 0,0068 79,59 50,00 2,95 5,00 705,00 0,0064 79,72 50,00 4,42 4,87 796,60 0,0062 80,00 50,00 5,00 5,00 850,00 0,0059 Tabela 1 - Valores das variveis de projeto e das funes objetivo.
3.4. Concluses
Os operadores de adio e de otimizao individual foram desenvolvidos para serem aplicados diretamente sobre o filtro com o objetivo de preencher os espaos vazios encontrados entre as solues mais espaadas, bem como pesquisar por melhores timos individuais. Os resultados foram satisfatrios e melhores que os anteriores.
Aplicaes
102
4. Viga Soldada
O problema consiste de uma viga submetida a uma fora F em sua extremidade que precisa ser soldada a um outro componente estrutural satisfazendo s condies de estabilidade e as limitaes de projeto. As quatro variveis de projeto espessura da solda (h); comprimento da solda (l); largura da viga (t) e espessura da viga (b) - so indicadas na figura seguinte.
Figura 30 - Viga soldada [21].
Os dois objetivos do problema so: o custo da viga; o deslocamento na extremidade livre da viga.
Ambos os objetivos devem ser minimizados, embora eles sejam incomensurveis e contraditrios, isto , a reduo do custo conduz a um maior deslocamento, enquanto que para diminuir o deslocamento necessrio aumentar o custo.
Aplicaes
103
Existem cinco restries intrnsecas do problema. As duas primeiras restries garantem que a tenso de cisalhamento e a tenso normal desenvolvida ao longo do apoio da viga sejam respectivamente menores que as tenses permissveis de cisalhamento (max) e normal (max) do material. A terceira restrio garante que o esforo resistente (ao longo da direo de t) da viga seja maior que a carga aplicada F. A quarta restrio um limite mximo (umax) para o deslocamento na extremidade da viga. A quinta restrio garante que a espessura da viga no seja menor que a espessura da solda. Existem ainda outras restries geomtricas nas variveis de deciso de acordo com o modelo seguinte: Min. f1 (x) = 1.10471h2l + 0.04811tb(14+l) Min. f2 (x) = 2.1952 / (t3b) Sujeitas a g1 (x) = (x) - max 0 g2 (x) = (x) - max 0 g3 (x) = F Pc (x) 0 g4 (x) = 2.1952 / (t3b) - umax 0 g5 (x) = h - b 0 0.125 h, b 5.0 0.1 l, t 10.0
As tenses e os termos das expresses anteriores so dados por [21]:
( x) = 2 + 2 + l / 0.25[l 2 + (h + t ) 2 ] = =
6000 2hl 6000(14 + 0.5l ) 0.25[l 2 + (h + t ) 2 ] 2{0.707 hl[l 2 / 12 + 0.25(h + t ) 2 ]} 504000 t 2b
( x) =
Pc ( x) = 64746.022(1 0.0282346t )tb3

Aplicaes
104
Os dados adotados para o problema so [17]: F = 6000 lb E = 30 x 106 psi G = 12 x 106 psi L = 14 in (comp. livre)
max = 13600 psi max = 30000 psi

umax = 0.25 in

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operadores convencionais de mutao e recombinao uniforme. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria. Execuo nica (uma s semente). Aplicao de uma penalizao conforme apresentado adiante. Probabilidade de recombinao = 85 %. Probabilidade de mutao = 5%. Tamanho da populao = 200. Tamanho do filtro = 20. Nmero de geraes = 100. Nmero de geraes adicionais (filtro) = 0 e 400.
O cromossomo tem cinqenta e quatro bits de comprimento e um mtodo simples de penalidade proposto e utilizado: fi (x) fi (x) + ci . nviol
onde c1=100; c2=0,01 e nviol o nmero de restries violadas. Os valores das constantes ci garantem que uma soluo que viole uma restrio seja pior que uma soluo vivel, da mesma forma que, uma soluo que viole duas restries seja pior que uma outra que viole uma nica restrio e assim por diante.
Aplicaes
105
4.3. Resultados
Na figura seguinte, tanto as solues viveis da gerao inicial como as da gerao 100 so mostradas. A eficincia dos novos operadores comprovada pela figura subseqente, que mostra as solues no filtro na gerao 100, com (direito) e sem (esquerda) o uso destes operadores respectivamente.
0,007 0,006 0,005 0,004 0,003 0,002 0,001 0,000 0 25 50 75 100 125 150
0,007 0,006 0,005 0,004 0,003 0,002 0,001 0,000 0 25 50 75 100 125 150
Figura 31 - Solues viveis nas geraes inicial e centsima, respectivamente.
0,007 0,006 0,005 0,004 0,003 0,002 0,001 0,000 0 5 10 15 20 25 30 35 40 45 50
0,007 0,006 0,005 0,004 0,003 0,002 0,001 0,000 0 5 10 15 20 25 30 35 40 45 50
Figura 32 - Solues no filtro na gerao 100: sem (esquerda) e com (direita) o uso dos operadores de adio e de otimizao individual respectivamente.
Os resultados podem ser melhorados caso se aumente o nmero de geraes adicionais que atuam no filtro para 400, como pode ser observado na figura e tabela seguintes.
Aplicaes
106
0,007 0,006 0,005 0,004 0,003 0,002 0,001 0,000 0 5 10 15 20 25 30 35 40 45 50
Figura 33 - Solues do filtro na gerao 500 (100 + 400).
h 0,393 0,317 0,396 0,393 0,413 0,393 0,454 0,739 0,798 1,182 1,136 1,184 1,182 1,182 0,870 1,184 1,182 1,334 1,182 1,182
l 2,888 3,662 3,091 2,927 3,004 2,898 2,471 1,498 1,246 0,787 0,782 0,748 0,903 0,753 1,057 0,787 0,754 0,750 0,748 0,748
t 9,304 9,926 9,981 9,933 9,810 9,926 9,948 9,937 9,966 10,000 10,000 9,942 10,000 10,000 10,000 9,922 9,923 10,000 10,000 10,000
b 0,430 0,439 0,508 0,582 0,666 0,765 0,893 1,005 1,140 1,343 1,648 1,953 2,181 2,519 2,867 3,324 3,753 4,086 4,524 5,000
fo1 3,742 4,112 4,707 5,209 5,909 6,672 7,600 8,348 9,213 10,770 12,830 14,930 17,030 19,040 21,650 24,680 27,590 30,470 33,250 36,630
fo2 0,00634 0,00511 0,00434 0,00385 0,00349 0,00293 0,00250 0,00223 0,00195 0,00163 0,00133 0,00114 0,00101 0,00087 0,00077 0,00068 0,00060 0,00054 0,00049 0,00044
Tabela 2 - Valores das variveis de projeto e das funes objetivo do filtro final.
4.4. Concluses
Neste problema foram obtidos resultados equivalentes ou superiores aos apresentados pela literatura [17, 21], comprovando a eficincia e aplicabilidade do algoritmo desenvolvido. Conclui-se tambm pela grande importncia dos novos operadores desenvolvidos no mbito da otimizao multi-objetivos, pois quando empregados melhoram significativamente os resultados encontrados.
Aplicaes
107
5. Trelia com Trs Objetivos

A trelia plana da figura abaixo est sujeita a dois tipos de carregamento e a trs objetivos de interesse. O primeiro objetivo o peso estrutural, o segundo o deslocamento vertical u1 ocorrido pela aplicao do primeiro tipo de carregamento e o terceiro objetivo o deslocamento vertical u2 oriundo do segundo tipo de carregamento aplicado. Os deslocamentos e tipos de carregamento esto tambm na figura abaixo.
Este problema foi abordado na referncia [13], diferenciando-se dos problemas multi-objetivo correntemente estudados no s pela presena de trs objetivos ao invs de dois, como tambm pela considerao de diferentes tipos de carregamento para cada um dos deslocamentos verticais a serem minimizados, u1 e u2.
F u1
F L L
3F
u2
Figura 34 - Trelia com trs objetivos
Aplicaes
108
Os objetivos so conflitantes entre si, j que quando o peso diminui os deslocamentos tendem a aumentar e vice-versa.
As variveis de projeto so as reas das quatro barras que foram consideradas contnuas e variando dentro do seguinte intervalo: 0.1 Ai 8.0
Os demais dados do problema so: L = 200; E = 20000; F = 10
As restries do problema so as tenses normais desenvolvidas nas barras: | i | 10

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operadores convencionais de mutao e recombinao uniforme. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria. Execuo nica (uma s semente). Aplicao de uma penalizao conforme apresentado adiante. Probabilidade de Recombinao = 85 %. Probabilidade de Mutao = 5%. Tamanho da populao = 100. Tamanho do filtro = 400. Nmero de geraes = 50 + 50 (filtro).
O tamanho do filtro foi tomado o mesmo adotado na referncia [13], quatrocentos, para facilitar as comparaes e concluses.
Aplicaes
109
As variveis de projeto foram codificadas numa cadeia binria com quarenta posies de comprimento, sendo dez posies para cada uma delas.
O mtodo de penalidade aplicado descrito pela expresso seguinte: fi (x) fi (x) + ci . nviol
onde c1=10000; c2=20 e c3=20 e nviol o nmero de restries violadas. Os valores das constantes ci garantem que uma soluo que viole uma restrio seja pior que uma soluo vivel, da mesma forma que uma soluo que viole duas restries seja pior que uma que viole uma nica restrio e assim por diante.
5.3. Resultados
Nas figuras seguintes so apresentados os resultados obtidos para os diversos espaos disponveis, sendo que os grficos foram elaborados com as mesmas escalas que aquelas apresentadas na referncia [13] para facilidade de comparaes.
1,0 0,9 0,8
Peso (x10000)
0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
Deslocamento 1
Figura 35 - Filtro no espao P x u1
Aplicaes
110
1,0 0,9 0,8
Peso (x10000)
0,7 0,6 0,5 0,4 0,3 0,2 0,10
0,15
0,20
0,25
0,30
0,35
Deslocamento 2
Figura 36 - Filtro no espao P x u2
0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,10
Deslocamento 1
0,15
0,20
0,25
0,30
0,35
Deslocamento 2
Figura 37 - Filtro no espao u1 x u2
A prxima figura mostra a distribuio das solues armazenadas no filtro no espao das trs funes objetivo do problema. Este grfico no apresentado na referncia [13].
Aplicaes
111
Figura 38 - Filtro no espao P x u1 x u2 (figura no disponvel em [13])
Os valores numricos mnimos e mximos dos objetivos so mostrados na prxima tabela, bem como algumas das solues armazenadas no filtro final:
Soluo A1 A2 A3 A4 Peso u1 1 1,09 1,42 4,32 3,08 0,709 2674,00 100 1,95 1,89 6,77 4,00 4032,00 0,486 200 1,48 1,64 7,61 7,92 4787,00 0,459 300 2,53 4,15 7,06 6,76 5536,00 0,316 400 8,00 8,00 8,00 8,00 9325,00 0,206 Tabela 3 - Valores numricos de algumas solues do filtro final armazenado u2 0,294 0,200 0,150 0,165 0,144
5.4. Concluses
Comparando o tratamento aqui empregado ao problema em relao referncia [13] podem-se destacar as seguintes diferenas: menor tamanho de cromossomo; quatro vezes menos indivduos por populao; mesmo nmero final de geraes, embora com melhorias que diminuem o esforo computacional; nenhum emprego de tratamento de restries sofisticado; alm da ausncia de estratgia de nicho ou de parmetros que tornam a resoluo dos problemas sensveis s suas configuraes. Ainda assim, os resultados apresentados foram superiores queles encontrados em [13], pois apresentaram as solues melhor distribudas pela regio de Pareto.
Aplicaes
112
6. Ponte Treliada

O problema ilustrado na figura seguinte foi extrado, com modificaes, da referncia [42]. Os objetivos so a minimizao do peso estrutural (f1) e do deslocamento vertical u (f2) do n central inferior.
X1 Y3
X2
10
9 23 8 25
Y2
11 19
21 15
Y1 y
12 1
13
18 2
14
20
22 3 4
16 24 5
17 6
P u
5m
5m
5m
Figura 39 - Ponte treliada
As variveis de projeto so as reas das vinte e cinco barras alm das coordenadas dos ns superiores. So tambm impostas condies de simetria, deste modo, so suficientes treze variveis (A1 at A13) de projeto para a representao das vinte e cinco reas de barras, alm de cinco variveis (Y1, Y2, Y3, X1 e X2) para a localizao dos ns superiores, conforme Figura 10. Todos os ns inferiores so fixos e as treze variveis de projeto referentes s reas estruturais dos elementos so indicadas na pela seguinte tabela:
Varivel Elementos
A1 1, 6
A2 2, 5
A3 3, 4
A4 7, 12
A5 8, 11
A6
A7
A8
A9 15
A10
A11
A12
A13
9, 10 13, 17 14, 16
18, 25 19, 24 20, 23 21, 22
Tabela 4 - Relao entre as variveis de projeto e reas dos elementos estruturais
Aplicaes
113
As reas so discretas e retiradas de um conjunto de trinta e duas reas possveis que foram escolhidas das quarenta e duas indicadas pelo American Institute of Steel Construction Manual, estando apresentadas na tabela abaixo.
1.62 3.38 5.12 15.5
1.80 3.55 5.74 16.0
1.99 3.87 7.22 16.9
2.13 4.18 7.97 18.8
2.38 4.49 11.5 19.9
2.62 4.59 13.5 22.0
2.88 4.80 13.9 22.9
3.13 4.97 14.2 26.5
Tabela 5 - Conjunto de reas consideradas (in2)
As restries laterais sobre as variveis de projeto correspondentes ao posicionamento dos ns superiores so: 0,25 m Y1, Y2 e Y3 3,0 m 3,0 m X1, e X2 7,0 m
Os dados considerados para o problema so: P = 105 N E = 2,1 x 1011 N/m2 = 7850 Kg/m3 umx. = 0,03 m | mx. | = 1,3 x 108 N/m2

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria.
Aplicaes
114
Execuo nica (uma s semente). Aplicao de uma penalizao conforme apresentado adiante. Probabilidade de Recombinao = 90 %. Probabilidade de Mutao = 2%. Tamanho da populao = 300. Tamanho do filtro = 20. Nmero de geraes = 100 + 400 (filtro).
O problema foi codificado em cromossomos binrios de cento e vinte posies de comprimento, sendo cinco posies para cada varivel representativa de rea e nove posies para as demais variveis.
Foi utilizado um mtodo simples de penalidade dado pela expresso seguinte: fi (x) fi (x) + ci . nviol
onde: i o ndice da funo objetivo considerada (1 ou 2); os valores das constantes ci so: c1=15000 e c2=0,03; nviol o nmero de violaes de uma dada soluo.
6.3. Resultados
Na figura posterior pode ser vista parte da populao inicial e da gerao 100. Observa-se que na populao inicial existem apenas trs solues viveis, algumas outras, duas vezes penalizadas, e o restante que no aparece na figura pelo nmero maior de penalizaes. J na populao correspondente gerao 100 observa-se grande nmero de solues viveis, duas solues uma vez penalizadas e outras duas vezes penalizadas.
Aplicaes
115
0,120
0,120
0,090
0,090
f2
0,060
0,060
0,030 0,030
0,000 0 15000 30000 f1 45000 60000 0,000 0 15000 30000 45000 60000
Figura 40 - Populao inicial e da gerao 100 respectivamente
Na figura abaixo apresentado o filtro final do processo de otimizao.
0,035 0,030 0,025 0,020
f2
0,015 0,010 0,005 0,000 0,0 3000,0 6000,0 9000,0 12000,0 15000,0
f1
Figura 41 - Solues armazenadas no filtro final do processo de otimizao
Na prxima figura mostrada a evoluo do processo de minimizao dos objetivos 1 e 2 respectivamente. Embora pelos grficos apresentados tenha-se a impresso de que o processo de otimizao possa ser interrompido com um nmero bem inferior de geraes, preciso destacar que o nmero maior de geraes importante para a melhor distribuio e definio do conjunto timo de Pareto.
Aplicaes
116
8000,0 7000,0 6000,0
0,018 0,015 0,012
5000,0 Peso 4000,0 3000,0 2000,0 0,003 1000,0 0,0 0 50 100 150 200 250 300 350 400 450 500 Gerao 0,000 0 50 100 150 200 250 300 350 400 450 500 0,009 0,006
Gerao
Figura 42 - Evoluo das minimizaes individuais dos objetivos
Nas duas figuras seguintes so apresentadas as formas das solues que alcanaram os valores mnimos para os objetivos 1 e 2 respectivamente.
10,0 9,0 8,0 7,0 6,0 5,0 4,0 3,0 2,0 1,0 0,0 0,0
5,0
10,0
15,0
20,0
25,0
30,0
Figura 43 - Soluo que apresentou o peso mnimo (f1)
10,0 9,0 8,0 7,0 6,0 5,0 4,0 3,0 2,0 1,0 0,0 0,0 5,0 10,0 15,0 20,0 25,0 30,0
Figura 44 - Soluo que apresentou o deslocamento vertical mnimo (f2)
Aplicaes
117
Os valores numricos bem como as reas das sees transversais podem ser observadas na tabela abaixo.
Soluo A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 Y1 Y2 Y3 X1 X2 f1 f2
1 5,12 3,55 5,12 5,12 5,12 5,12 1,62 1,62 1,62 1,62 1,62 1,62 1,62 2,984 2,510 0,594 3,243 6,256 2262,0 0,02997
5 5,12 4,97 5,12 11,50 11,50 5,12 1,62 1,62 1,62 1,62 1,62 1,62 1,62 2,984 2,941 1,283 3,227 6,256 3079,0 0,02027
10 7,22 18,80 7,22 7,22 13,90 14,20 1,62 2,62 3,55 2,38 1,80 1,62 1,99 2,989 2,822 1,924 3,000 6,890 4835,0 0,01148
15 13,90 13,90 14,20 16,00 22,00 22,00 2,62 2,88 16,90 1,62 3,13 1,80 1,62 2,909 2,919 2,360 3,055 6,914 7378,0 0,00610
20 26,50 26,50 26,50 26,50 26,50 26,50 26,50 26,50 26,50 1,62 1,62 1,62 1,62 3,000 3,000 2,833 3,000 7,000 13160,0 0,00322
Tabela 6 - Valores numricos de algumas solues do filtro final armazenado
6.4. Concluses
Este problema s existe na literatura em forma modificada na referncia [42] e com otimizao simples. A fronteira tima de Pareto encontrada ficou bem distribuda, facilitando a tarefa de projeto e destacando a importncia de uma otimizao estrutural, pois so possveis grandes variaes nos objetivos estudados: peso estrutural e deslocamento central, facilitando sobremaneira a etapa de projeto.
Aplicaes
118
7. Fronteira de Pareto Descontnua

Este problema multi-objetivo foi um dos apresentados por Schaffer na referncia [58]. Posteriormente, ele foi tambm resolvido em [06, 25] por outros algoritmos genticos e autores. O objetivo minimizar as duas funes objetivo definidas por: x 1 x 2 + x 1 < x 3 f1 = 4 x 3 < x 4 4 + x x > 4 f2 = (x-5)2 com 10 x 10
Este problema muito utilizado para testar algoritmos por suas caractersticas particulares, simplicidade e regies no-dominadas disjuntas ou descontnuas. O conjunto de Pareto determinado pelos intervalos 1 x 2 e 4 x 5.

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual.
Aplicaes
119
Populao inicial aleatria. Execuo nica (uma s semente). Nmero de cromossomos para torneio = 3. Probabilidade de Recombinao = 90 %. Probabilidade de Mutao = 5%. Tamanho da populao = 50. Tamanho do filtro = 20. Nmero de geraes = 20 + 80 (filtro).
O problema foi codificado de maneira binria em cromossomos de trinta e duas posies de comprimento como utilizado em [58].
7.3. Resultados
Nas prximas trs figuras so apresentadas respectivamente a populao inicial, a populao da gerao vinte e o filtro final encontrado.
250 200 150 f2 100 50 0 -2 0 2 4 f1 6 8 10
Aplicaes
120
200
150
f2
100
50
0 -1 1 3 f1 5 7 9
Figura 46 - Populao na gerao 20
20 18 16 14 12 10 8 6 4 2 0 -1 0 f1 1 2 f2
Figura 47 - Filtro final na gerao 100 (20+80)
Durante a resoluo deste problema uma nova melhoria foi desenvolvida para o algoritmo utilizado, que consta da possibilidade do mesmo funcionar como um algoritmo do tipo em regime. Isto possvel com a recolocao das solues armazenadas no filtro corrente na prxima populao. Em geral, este procedimento deve acelerar o processo de busca durante as geraes e foi chamado de elitismo do filtro.
Aplicaes
121
O mesmo problema foi resolvido com esta nova metodologia e utilizou a mesma populao inicial anterior e configuraes, o que permite a comparao de resultados e a comprovao do melhor desempenho da modificao proposta. Introduo do elitismo do filtro. Os novos resultados encontrados so mostrados nas figuras seguintes:
20 18 16 14 12
f2
10 8 6 4 2 0 -1 0 1 2
f1
Figura 48 - Populao na gerao 20
20,00 18,00 16,00 14,00 12,00
f2
10,00 8,00 6,00 4,00 2,00 0,00 -1,00 0,00 1,00 2,00
f1
Figura 49 - Filtro final na gerao 100 (20+80)
Aplicaes
122
Na tabela abaixo so relacionados os valores da varivel de projeto com os das funes objetivo das solues finais armazenadas no filtro:
x 1,00 1,08 1,16 1,28 1,40 1,47 1,55 1,63 1,74 1,87 2,00 4,00 4,08 4,18 4,30 4,40 4,53 4,67 4,79 5,00 f1 -1,00 -0,92 -0,84 -0,72 -0,60 -0,53 -0,45 -0,37 -0,26 -0,13 0,00 0,00 0,08 0,18 0,30 0,40 0,53 0,67 0,79 1,00 f2 16,00 15,38 14,77 13,85 12,97 12,43 11,92 11,39 10,64 9,77 9,00 1,00 0,84 0,67 0,50 0,36 0,22 0,11 0,04 0,00
Tabela 7 - Valores da varivel de projeto e das funes objetivo do filtro final
7.4. Concluses
A descontinuidade do conjunto de Pareto, caracterstica que certamente ocasiona problemas diversos em mtodos da programao matemtica, foi resolvida normalmente pelo algoritmo desenvolvido, comprovando a robustez da tcnica. Os resultados encontrados foram melhores que aqueles apresentados nas referncias [06, 25, 58], mesmo com a utilizao de uma configurao mais modesta do algoritmo gentico menor nmero de geraes e tamanho da populao. Foi utilizado tambm um tamanho de filtro inferior, vinte solues, para deixar claro a boa distribuio das solues pela fronteira de Pareto. Uma nova metodologia foi acoplada ao algoritmo durante a resoluo deste problema o elitismo do filtro que aumenta a presso de seleo e aumenta a velocidade de convergncia do algoritmo.
Aplicaes
123
8. Funes-teste para Otimizadores Multi-objetivos

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

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

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

Este trabalho na atualidade a melhor comparao realizada entre algoritmos otimizadores aplicados problemas multi-objetivos, tanto pelos muitos algoritmos considerados como pelo conjunto desenvolvido de funes-teste, o qual aborda uma grande variedade de caractersticas que trazem dificuldades na resoluo do problema. Os principais resultados e concluses alcanados com o trabalho [71, 72] podem ser resumidos pelos itens seguintes, que foram livremente traduzidos das referncias apontadas: As funes-teste sugeridas provem complexidade suficiente para comparar diferentes algoritmos otimizadores multi-objetivo. Funes multimodais e/ou enganosas [71, 72] so as que causam maiores dificuldades para aproximaes evolucionrias. Entretanto, no-
convexidade tambm uma caracterstica na qual algoritmos baseados na soma de pesos tendem a apresentar dificuldades.
Aplicaes
124
Uma hierarquia clara surgiu da utilizao dos algoritmos com respeito distncia at o conjunto de Pareto, estando tal hierarquia apresentada de forma descendente na lista seguinte:
S S S S S S
SPEA (Zitzler and Thiele 1998/1999) NSGA (Srinivas and Deb 1994) VEGA (Schaffer 1985) HLGA (Hajela and Lin 1992) NPGA (Horn, Nafpliotis and Goldberg 1994) FFGA (Fonseca and Fleming 1993)
Existe um claro salto de desempenho entre os algoritmos SPEA e NSGA, assim como entre o algoritmo NSGA e os demais. As fronteiras encontradas pelos algoritmos VEGA, HLGA, NPGA e FFGA esto muito prximas entre si. Contudo, os resultados indicam que o VEGA sensivelmente superior a seus concorrentes diretos, enquanto que o NPGA atinge fronteiras mais prximas do timo global que o FFGA. Alm disso, notrio que tanto o VEGA como HLGA apresentam dificuldades na obteno de fronteiras bem distribudas na funo no-convexa.
Elitismo um fator importante no processo de otimizao evolucionria multi-objetivos. Fato comprovado pelos seguintes fatores: o algoritmo SPEA: i) claramente supera todos os demais algoritmos em cinco das seis funes-teste e ii) o nico algoritmo que incorpora o elitismo como foco central do processo evolutivo. Por outro lado, o desempenho dos demais algoritmos melhorou significantemente quando a estratgia de elitismo presente no SPEA foi a eles incorporada. Preliminarmente, os resultados mostram que o NSGA com elitismo tem desempenho igual ao SPEA.
Aplicaes
125
As funes-teste desenvolvidas em [71, 72] cobrem as diferentes e difceis caractersticas presentes em problemas multi-objetivos convexidade, no-convexidade, fronteiras discretas ou descontnuas, multimodalidade,
problemas enganosos e espaos de busca tendenciosos. Deste modo, pode-se efetuar uma comparao sistemtica que considera diferentes tipos de complexidade e permite concluses sobre quais tcnicas e estratgias levam vantagens e/ou desvantagens sobre as demais.
Cada uma das funes-teste compreende um problema de minimizao com dois objetivos e so estruturadas de uma forma nica, isto , definidas como se segue:
Minimizar Sujeito a Onde
(x) = ( f1 (x1), f2 (x) )

f2 (x) = g ( x2, ..., xm ) . h ( f1 (x1), g ( x2, ..., xm ) ) x = ( x1, ..., xm )
A funo f1 uma funo apenas da primeira varivel de projeto ou deciso, g uma funo das (m-1) variveis de projeto restantes e os parmetros de h so os valores das funes de f1 e g. As funes-teste diferem-se: i) por estas trs funes; ii) pelo nmero de variveis m e iii) pelo domnio das variveis de projeto. Assim, as seis funes 1, ..., 6 podem ser introduzidas pelas definies que se seguem: Funo-teste 1 que tem uma fronteira tima de Pareto convexa:
f1 (x1)
= x1 = 1 (f1/g)0.5 tima de Pareto formada com g (x) = 1.
g ( x2, ..., xm ) = 1 + 9.i=2,m xi/(m-1) h (f1, g) onde m = 30 e xi
( 174390 7,
Aplicaes
126
Funo-teste 2 que tem uma fronteira tima de Pareto no-convexa:
f1 (x1)
= x1 = 1 (f1/g)2 tima de Pareto formada com g (x) = 1.
g ( x2, ..., xm ) = 1 + 9.i=2,m xi/(m-1) h (f1, g) onde m = 30 e xi
( 174390 7,
Funo-teste 3 que tem uma fronteira tima de Pareto discreta, ou seja, composta por algumas partes descontnuas:
f1 (x1)
= x1 = 1 (f1/g)0.5 - (f1/g).sin(10 f1)
g ( x2, ..., xm ) = 1 + 9.i=2,m xi/(m-1) h (f1, g)
onde m = 30 e xi
( 174390 7,
tima de Pareto formada com g (x) = 1. A
introduo da funo seno em h provoca a descontinuidade da fronteira de Pareto. Contudo, no existe descontinuidade no espao das variveis de deciso ou projeto. Funo-teste 4 que contem 219 fronteiras timas de Pareto e por esta razo verifica a habilidade do algoritmo de abordar multimodalidade:
f1 (x1)
= x1 = 1 (f1/g)0.5 x2, ..., xm -5, 5]. A fronteira tima de Pareto global
g ( x2, ..., xm ) = 1 + 10.(m-1) + i=2,m ( xi2 10.cos(4 xi) ) h (f1, g) onde m = 10, x1
( 0
formada com g (x) = 1 e a fronteira local com g (x) = 1.25. Nem todos os conjuntos timos de Pareto so distinguveis no espao das funes objetivo.
Aplicaes
127
Funo-teste 5 que descreve um problema enganoso, distinguindo-se da funo-teste 4 pelo fato de xi representar uma cadeia binria:
f1 (x1)
= 1 + u (x1)
g ( x2, ..., xm ) = i=2,m v ( u (xi) ) h (f1, g) = 1/f1
onde u (xi) retorna o nmero de uns no vetor binrio xi, v ( u (xi) ) = 2 + u (xi) 1
30
se u (xi) < 5 ou se u (xi) = 5

5
onde m = 11, x1
<
e x2, ..., xm
<
. A verdadeira fronteira tima de
Pareto formada com g (x) = 10, enquanto que a melhor fronteira tima de Pareto enganosa representada pelas solues em que g (x) = 11. Tanto a fronteira global tima de Pareto quanto a local so convexas. Funo-teste 6 que inclui duas dificuldades causadas pela no uniformidade do espao de busca: primeiramente, as solues timas de Pareto no esto uniformemente distribudas ao longo da fronteira global de Pareto (a fronteira tendenciosa para solues onde f1 (x) est prximo de um); em segundo lugar, a densidade das solues menor perto da fronteira tima de Pareto e maior na regio afastada dela: = 1 exp(-4x1).sin6(6 x1) = 1 (f1/g)2 tima de Pareto formada com g (x) = 1 e
f1 (x1)
g ( x2, ..., xm ) = 1 + 9.( (i=2,m xi)/(m-1) )0.25 h (f1, g) onde m = 10 e xi no-convexa.
( 174390 7,
Aplicaes
128
8.2. Metodologia de Comparao
Para testar o algoritmo proposto ele foi utilizado na otimizao das seis funes-teste apresentadas, atravs de cinco execues aleatrias para cada problema, para que seus resultados fossem defrontados com os apresentados em [71, 72, 73], que so decorrentes das cinco primeiras execues do algoritmo SPEA, o qual se mostrou superior a todos os demais algoritmos utilizados nas referncias citadas.

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual (n=2 e n2=2). Populao inicial aleatria. Execuo nica (uma s semente para cada execuo independente). Elitismo do filtro. As configuraes utilizadas pelos dois algoritmos foram: Nmero de geraes = 250. Tamanho da populao = 80 + 20 (filtro). Probabilidade de recombinao = 80%. Probabilidade de mutao = 1%. Parmetro de Nicho share = 0.48862 (SPEA apenas). Presso de dominncia tdom = 10.
Aplicaes
129
Os dois algoritmos utilizam o armazenamento das melhores solues durante o processo evolutivo elitismo. Assim, a populao de ambos foi dividida em oitenta cromossomos para a populao corrente e vinte para o armazenamento das solues elitistas. Pelos resultados apresentados na referncia [73], d-se a entender que das cem solues finais foram retirados os indivduos dominados para a formao da fronteira de Pareto, pois o nmero de solues apresentadas ultrapassa vinte tamanho do filtro. J o resultado do algoritmo desenvolvido foi restringido quele armazenado no filtro, o que facilita e intensifica a avaliao da uniformidade das solues encontradas pela fronteira tima de Pareto. Em todos os problemas cada varivel foi codificada por trinta bits, com exceo do quinto problema, cujas variveis x2, ..., xm foram codificadas em apenas cinco bits cada. Estes nmeros indicam que na primeira funo-teste, por exemplo, so necessrios cromossomos com novecentas posies para codificar as trinta variveis de projeto do problema.
8.4. Nmero de Avaliaes

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

80 avaliaes
S Demais geraes:
60 avaliaes 8 avaliaes decorrentes do operador de adio 12 avaliaes decorrentes do operador de otimizao individual Totalizando 80 avaliaes
8.5. Resultados
Os resultados so oriundos de cinco execues aleatrias, destacando que nas referncias [71, 72] as fronteiras exibidas so resultantes da unio das fronteiras de cinco execues, depois de retiradas as solues dominadas. Este procedimento no o ideal, uma vez que a unio de resultados de diferentes execues pode formar uma boa fronteira de Pareto a partir de duas ou mais fronteiras de m qualidade. Deste modo, as fronteiras apresentadas nestas referncias so aqui reapresentadas juntamente com as fronteiras individualizadas de cada execuo para possibilitar melhores concluses.
So apresentados exemplos de populaes iniciais para cada funo-teste para ilustrar suas particularidades e dificuldades. Os resultados oriundos da utilizao do algoritmo proposto esto disponveis na referncia [11]. No problema 3 o algoritmo desenvolvido foi empregado com o operador de adio ligado, mesmo com a caracterstica de descontinuidade da fronteira de
Aplicaes
131
Pareto do problema, o que poderia provocar dificuldades pelo fato do algoritmo sempre selecionar duas solues em regies descontnuas como as mais distantes. Contudo, ainda assim o desempenho do algoritmo foi excelente e os resultados no foram comprometidos.
Nas figuras das prximas pginas so apresentados os grficos das anlises realizadas, bem como alguns dos resultados das referncias [71, 72]. Lembrando que as funes-teste apresentam as seguintes caractersticas e/ou dificuldades:
1 funo convexa; 2 funo no-convexa; 3 funo discreta ou descontnua; 4 funo multimodal; 5 funo enganosa; 6 funo no uniforme ou tendenciosa.
Aplicaes
132
f2
0 0,0 0,2 0,4 f1 Figura 50 - Exemplo de populao inicial - 1 0,6 0,8 1,0
Figura 51 - Fronteiras de Pareto comparativas - 1 [72]
Aplicaes
133
1,2
1,0
0,8
0,6
SPEA1 SPEA2 SPEA3 SPEA4 SPEA5
f2
0,4
0,2
0,0 0,0 0,2 0,4 f1 0,6 0,8 1,0
Figura 52 - Resultados das 5 primeiras execues do algoritmo SPEA - 1 [73]

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

Figura 56 - Exemplo de populao inicial - 2
0,6
0,8
1,0
Aplicaes
136
1,2
1,0
0,8
0,6
f2
0,4
0,2
0,0 0,0 0,2 0,4 f1 0,6 0,8 1,0

1,2
1,0
0,8
0,6
f2
0,4
0,2
0,0 0,0 0,2 0,4 f1 0,6 0,8 1,0
Aplicaes
137
1,2
1,0
0,8
0,6
0,4
f2
0,2
0,0 0,0 0,2 0,4 f1 0,6 0,8 1,0
1,2
1,0
0,8
0,6
SPEA4 PMOGA1
f2
0,4
0,2
0,0 0,0 0,2 0,4 f1 0,6 0,8 1,0
Aplicaes
138
f2
0 0,0 0,2 0,4 f1

0,6
0,8
1,0
Aplicaes
139
1,5
1,0
0,5 f2
0,0 0,0 0,2 0,4 0,6 0,8 1,0
-0,5
-1,0 f1

1,5
1,0
0,5 f2
0,0 0,0 0,2 0,4 0,6 0,8 1,0
-0,5
-1,0 f1
Aplicaes
140
1,5
1,0
0,5 f2
0,0 0,0 0,2 0,4 0,6 0,8 1,0
-0,5
-1,0 f1
1,2 1,0 0,8 0,6 0,4 0,2 f2 0,0 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 f1 0,2 0,4 0,6 0,8 1,0
SPEA4 PMOGA1
Aplicaes
141
250
200
150 f2 100 50 0 0,0 0,2 0,4 f1

0,6
0,8
1,0
Aplicaes
142
12
10
f2
0 0,0 0,2 0,4 f1 0,6 0,8 1,0

12
10
f2
0 0,0 0,2 0,4 f1 0,6 0,8 1,0
Aplicaes
143
12 11 10 9 8 7 f2 6 5 4 3 2 1 0 0,0 0,2 0,4 f1 0,6 0,8 1,0
4,5 4,0 3,5 3,0 2,5 f2 2,0 1,5 1,0 0,5 0,0 0,0 0,2 0,4 f1 0,6 0,8 1,0
SPEA4 PMOGA1
Aplicaes
144
f2
0 0 5 10 f1 15 20 25
Aplicaes
145
20 18 16 14 12 f2 10 8 6 4 2 0 0 5 10 15 f1 20 25 30 35

20 18 16 14 12 f2 10 8 6 4 2 0 0 5 10 15 f1 20 25 30 35
Aplicaes
146
20 18 16 14 12 f2 10 8 6 4 2 0 0 5 10 15 f1 20 25 30 35
20 18 16 14 12 f2 10 8 6 4 2 0 0 5 10 15 f1 20 25 30 35
SPEA4 PMOGA1
Aplicaes
147
10 9 8 7 6 f2 5 4 3 2 1 0 0,0 0,2 0,4 f1 0,6 0,8 1,0
Aplicaes
148
1,8 1,6 1,4 1,2 1,0 f2 0,8 0,6 0,4 0,2 0,0 0,2 0,3 0,4 0,5 0,6 f1 0,7 0,8 0,9 1,0

1,8 1,6 1,4 1,2 1,0 f2 0,8 0,6 0,4 0,2 0,0 0,2 0,3 0,4 0,5 0,6 f1 0,7 0,8 0,9 1,0
Aplicaes
149
1,8 1,6 1,4 1,2 1,0 f2 0,8 0,6 0,4 0,2 0,0 0,2 0,3 0,4 0,5 0,6 f1 0,7 0,8 0,9 1,0
1,4
1,2
1,0
0,8
SPEA4 PMOGA1
0,6
f2 0,4 0,2 0,0 0,2 0,3 0,4 0,5 0,6 f1 0,7 0,8 0,9 1,0
Aplicaes
150
8.6. Concluses
As funes-teste propostas em [71, 72] foram utilizadas em uma vasta gama de complexidades e caractersticas que tornam de difcil resoluo o problema de otimizao. Entretanto, os algoritmos apresentaram solues satisfatrias, que ainda podem ser melhoradas com o ajuste dos parmetros de configurao para cada problema e algoritmo em particular.
Os problemas alm de complexos apresentam tamanhos considerveis, uma vez que em alguns deles foram utilizados cromossomos com novecentas posies binrias. Este valor poderia ser em muito reduzido nestes problemas, contudo, sua utilizao vem comprovar a aplicabilidade da tcnica para problemas de grande porte.
Os resultados encontrados com o algoritmo proposto PMOGA foram na mdia superiores aos obtidos pelo algoritmo SPEA. Um destaque maior sobre esta observao verificado no problema 6 onde nenhum dos oito algoritmos utilizados nas comparaes das referncias [71, 72], inclusive o SPEA, resolveram satisfatoriamente o problema tratado, enquanto que o algoritmo PMOGA obteve uma boa soluo. Tal fato deve estar associado, principalmente, utilizao dos operadores multi-objetivos no lugar de uma estratgia de nicho, que modifica os valores originais das aptides dos indivduos.
Os mnimos individuais de cada objetivo foram melhor aproximados com o algoritmo PMOGA em funo do operador de otimizao individual, como pode ser observado no problema teste 5.
Um menor nmero de avaliaes por gerao foi utilizado pelo algoritmo proposto 80 frente s 100 avaliaes utilizadas pelos algoritmos citados. A dvida fica por conta do SPEA que poderia, embora pouco provvel, ter utilizado o mesmo nmero de 80 avaliaes por gerao.
Aplicaes
151
Dentre as principais vantagens do algoritmo proposto frente aos algoritmos utilizados nas comparaes realizadas em [71, 72] esto:
No utilizao de tcnicas de nicho ou compartilhamento, garantindo que os valores das funes objetivo so reais, isto , no dependentes da proximidade ou no de outras solues.
Como uma conseqncia da vantagem anterior, espera-se uma eficincia maior, ou seja, menor esforo computacional j que alguns clculos adicionais so dispensados.
No necessidade de se ajustar um parmetro sensvel resoluo do problema, que o raio de vizinhana - share utilizado nas estratgias de nicho.
Estrutura simples e intuitiva, contudo, capaz de apresentar solues bem distribudas pela fronteira tima de Pareto.
Comportamento regular nos mais variados tipos de problemas, mesmo naqueles com caractersticas que propiciariam o surgimento de enormes dificuldades, tais como: convexidade, no-convexidade, fronteiras
discretas ou descontnuas, multimodalidade, problemas enganosos e espaos de busca tendenciosa.
Aplicaes
152
9. Curva Tri-objetiva
O problema consiste de 3 funes objetivo de duas variveis que devem ser simultaneamente minimizadas. A fronteira tima de Pareto do problema uma curva em 3 dimenses. Este problema tambm apresentado, resolvido e discutido nas referncias [66, 67].
As funes objetivo do problema so dadas pelas expresses:
f1 (x, y ) = 0.5 * x2 + y 2 + sen x2 + y 2
2 2 ( 3 x 2 y + 4 ) (x y + 1) f 2 (x, y ) = + + 15
27
f 3 (x, y ) =
1 ( x 2 y 2 ) e 1 . 1 x2 + y 2 + 1
onde 3 x, y 3
Foi utilizado um cromossomo binrio com 20 posies de comprimento.
Aplicaes
153

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria. Execuo nica (uma s semente).
O algoritmo foi executado trs vezes com diferentes configuraes, as quais so descritas na tabela que se segue:
Configurao Tamanho populao Tamanho do filtro Nmero de geraes* Nmero de sol. Torneio Prob. de recombinao Prob. de mutao Total de avaliaes **
1 80 50 50 + 10 5 90% 5% 3967
2 100 80 90 + 10 5 90% 5% 5914
3 150 100 100 + 50 5 90% 1% 7973
* nmero de geraes padres + adicionais (filtro) ** para cada funo objetivo

Tabela 8 - Configuraes utilizadas do AG
9.3. Resultados
Nas prximas figuras so apresentadas as fronteiras encontradas com o AG proposto paras as 3 configuraes empregadas, alm da fronteira tima de Pareto apresentada na referncia [66], como resultado de uma otimizao completa por todo o espao de busca do problema.
Aplicaes
154
Figura 86 - Fronteira tima de Pareto completa [66]
Figura 87 - Configurao 1 - 50 solues no filtro
Aplicaes
155
Aplicaes
156
9.4. Concluses
A fronteira de Pareto ficou bem identificada em todas as anlises realizadas, comprovando a robustez do algoritmo e sua escalabilidade para um maior nmero de funes objetivo.
Comparando-se os resultados encontrados com a fronteira de Pareto original do problema pode-se concluir que o algoritmo gentico desenvolvido possibilita a obteno de boas aproximaes da soluo do problema com um esforo computacional bem inferior, j que uma busca completa por todo o espao de definio do problema uma tarefa bastante onerosa, sendo para uma vasta gama de aplicaes uma impossibilidade computacional.
O nmero de avaliaes foi informado para cada anlise com o intuito de facilitar a realizao de futuras comparaes, pois esta , sem dvida, a melhor maneira de comparar o desempenho entre algoritmos evolucionrios.
Aplicaes
157
10. Esfera
Este um problema muito interessante ilustrado nas referncias [66, 67] em conjunto com outras aplicaes elaboradas para otimizao multi-objetivo. Os principais destaques observados neste problema podem ser enumerados nas seguintes caractersticas: i) presena de 3 objetivos;
ii) um modo simples de quantificar o afastamento da soluo encontrada da fronteira tima de Pareto (definida pela superfcie da esfera de raio unitrio no quadrante positivo); iii) possibilidade de uma fcil visualizao da distribuio (uniformidade) das solues pela fronteira encontrada; iv) escalabilidade para um maior nmero de funes objetivo.
O problema formulado segundo a maximizao de trs objetivos associados trs variveis, tendo como restrio superior a superfcie de uma esfera de raio unitrio:
Maximize
F = (f 1 , f 2 , f 3 ) f1 = x f2 = y f3 = z x2+y2+z21 x, y, z [0, 1]
Sujeita a Onde
As variveis foram codificadas num cromossomo de 30 posies de comprimento com 3 casas de preciso para cada uma delas.
Aplicaes
158

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria. Execuo nica (uma s semente).
O algoritmo foi executado com duas configuraes diferentes segundo a tabela que se segue:
Configurao Tamanho populao Tamanho do filtro Nmero de geraes Nmero de sol. Torneio Prob. de recombinao Prob. de mutao
100 x 200 x 200 200 100 200 10 90% 1%
300 x 500 x 200 500 300 200 10 90% 1%
10.3. Resultados
Nas prximas figuras so apresentadas graficamente os resultados encontrados com o algoritmo desenvolvido para as configuraes empregadas.
Aplicaes
159
Nas figuras abaixo so apresentadas trs vistas (superior, lateral e frontal) da populao inicial utilizada para a primeira configurao do algoritmo 100 x 200 x 200. Assim, pode-se visualizar inclusive as solues infactveis da populao situadas acima da superfcie descrita por uma esfera de raio unitrio.
Figura 90 - Populao inicial vistas superior e lateral
Figura 91 - Populao inicial vista frontal
Aplicaes
160
Nas figuras abaixo so apresentadas as fronteiras encontradas para a primeira configurao do algoritmo 100 x 200 x 200. Observe que no existem solues infactveis no conjunto e que elas esto uniformemente distribudas pela fronteira.
Figura 92 - Fronteira 100 x 200 x 200 vistas superior e lateral
Figura 93 - Fronteira 100 x 200 x 200 vista frontal
Aplicaes
161
Nas figuras abaixo so apresentadas as fronteiras encontradas para a primeira configurao do algoritmo 100 x 200 x 200, sem o emprego dos operadores multi-objetivos de adio e de otimizao individual. Entretanto, o operador de excluso obrigatoriamente empregado e garante uma boa soluo para o problema.
Figura 94 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vistas superior e lateral
Figura 95 - Fronteira 100 x 200 x 200, sem operadores multi-objetivos vista frontal
Aplicaes
162
Nas figuras abaixo so apresentadas as fronteiras encontradas para a segunda configurao do algoritmo 300 x 500 x 200. Obtm-se uma maior cobertura da fronteira pelo fato de se adotar um filtro maior.
Figura 96 - Fronteira 300 x 500 x 200 vistas superior e lateral
Figura 97 - Fronteira 300 x 500 x 200 vista frontal
Aplicaes
163
10.4. Concluses
A fronteira de Pareto ficou bem definida em todas as anlises realizadas e com suas solues uniformemente distribudas, conforme pode ser visualmente observado, principalmente, pelas vistas frontais das fronteiras apresentadas.
Na Tabela seguinte so apresentados os resultados numricos das execues realizadas, destacando-se a medida de afastamento das solues presentes no filtro final encontrado com relao fronteira de Pareto do problema (superfcie da esfera). Deste modo, pode-se atravs do afastamento mdio, que leva em considerao o nmero de solues adotadas no filtro, estabelecer-se uma quantificao deste afastamento que poder servir como medida de comparao entre os resultados aqui apresentados, bem como os futuros resultados encontrados por outros algoritmos.
Configurao* Nm. de Avaliaes Nm. de Solues Afast. Total*** Afast. Mdio**** Afast. Mdio %
Pop. Inicial 200 200 87,588 0,438 43,80%
300 x 500 x 200 100 x 200 x 200 Normal Sem Oper. MO** Normal 26339 20359 47446 100 100 300 2,440 2,869 4,785 0,024 0,029 0,016 2,40% 2,90% 1,60%
* tamanho do filtro x tamanho da populao x nmero de geraes ** com emprego apenas do operador de excluso
NSolues
*** Afastamento Total =
i =1
[1 (x i + y i + z i )]
2 2 2
**** Afastamento Mdio = Afastamento Total / Nmero de Solues

Tabela 10 - Resultados nmericos encontrados avaliaes e afastamento
Como era de se esperar, observa-se que os operadores multi-objetivos melhoram alm da distribuio das solues pela fronteira, tambm o afastamento fronteira de Pareto do problema, como uma conseqncia do maior nmero de avaliaes, o que caracteriza o processo evolutivo implementado.
Aplicaes
164
11. Cubo 8 Funes Objetivo
Este problema indito
tem como
principal objetivo
avaliar a
escalabilidade dos otimizadores multi-objetivos com relao ao aumento do nmero de funes. Por isso, ele caracterizado pela minimizao de oito funes objetivo que avaliam a distncia das solues, pontos no espao tridimensional, em relao aos vrtices de um cubo de lado meio, inserido dentro de um outro cubo de lado unitrio que define o espao de busca do problema, conforme os modelos seguintes:
Minimize
fi = | x xi | + | y yi | + | z zi | i = 1, 2, ..., 8 (vrtices) x, y, z [0, 1]
Onde
Coordenadas dos vrtices: vrtice 1 (0.25, 0.25, 0.25) vrtice 2 (0.75, 0.25, 0.25) vrtice 3 (0.25, 0.75, 0.25) vrtice 4 (0.25, 0.25, 0.75) vrtice 5 (0.75, 0.75, 0.25) vrtice 6 (0.75, 0.25, 0.75) vrtice 7 (0.25, 0.75, 0.75) vrtice 8 (0.75, 0.75, 0.75)
As variveis foram codificadas num cromossomo de 30 posies de comprimento com 3 casas de preciso para cada uma delas.
Aplicaes
165
A visualizao espacial do problema pode ser vista pela Figura seguinte:
Figura 98 - Modelo espacial problema do cubo

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria. Execuo nica (uma s semente). Foram empregadas trs configuraes distintas segundo a tabela abaixo: Configurao Tamanho populao Tamanho do filtro Nmero de geraes Nmero de sol. Torneio Prob. de recombinao Prob. de mutao Nmero de Avaliaes 1 20 8 20+880 10 90% 2% 24260 2 100 50 500+500 10 90% 2% 73102 3 200 100 200+800 10 90% 2% 60220
Aplicaes
166
11.3. Resultados
Nas Figuras seguintes so apresentadas as populaes iniciais utilizadas pela primeira configurao do algoritmo 8 x 20 x 20+880.
A finalidade desta configurao avaliar a capacidade do algoritmo em encontrar os timos individuais de cada funo objetivo, o que possibilita ao tomador de decises uma primeira impresso do problema a ser resolvido e o conhecimento preliminar do espao vivel e de busca do mesmo.
Figura 99 - Populao inicial (1) vistas espaciais
1.0 0.8 0.6
1.0 0.8 0.6
1.0 0.8 0.6
0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0
z
0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0
Figura 100 - Populao inicial (1) projees planas
Aplicaes
167
Nas prximas Figuras so apresentadas as solues da primeira configurao do algoritmo, que so os timos individuais de cada funo objetivo do problema.
Figura 101 - Solues encontradas (1) vistas espaciais
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
z
0.4
0.4
0.4
0.2
0.2
0.2
0.0 0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.0 0.2 0.4 0.6 0.8 1.0
Figura 102 - Solues encontradas (1) projees planas
Quando as funes objetivo so combinadas duas a duas ocorrem trs disposies: retangular (inclinada) crescente, retangular decrescente e reta decrescente, conforme a Figura que se segue:
2.0 1.5 2.0 1.5 2.0 1.5
f2
f5
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f8
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f1
f1
f1
Figura 103 - Disposies possveis dos objetivos combinados 2 a 2
Aplicaes
168
Estas disposies acontecem segundo as regras definidas abaixo:
Retangular crescente Quando os vrtices relativos s funes

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

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

objetivo esto separados por trs arestas do cubo so vrtices diagonais dele.
Nas Figuras seguintes so apresentadas as populaes iniciais utilizadas pela segunda configurao do algoritmo 50 x 100 x 500+500.
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
z
0.4 0.4 0.2 0.2 0.0 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
0.2
0.0 0.0
0.2
0.4
0.6
0.8
1.0
Aplicaes
169
Nas Figuras abaixo so mostradas as solues encontradas pela segunda configurao do algoritmo.
Figura 107 - Solues encontradas (2) vista espacial inclinada
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
z
0.4 0.4 0.2 0.2 0.0 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
0.2
0.0 0.0
0.2
0.4
0.6
0.8
1.0
Aplicaes
170
No conjunto de vinte e oito Figuras seguintes so apresentados os grficos das oito funes objetivo combinadas duas a duas.
2.0 1.5
2.0 1.5
2.0 1.5
f2
f3
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f4
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f1
f1
f1
2.0 1.5
2.0 1.5
2.0 1.5
f5
f6
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f7
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f1
f1
f1
2.0 1.5
2.0 1.5
2.0 1.5
f8
f3
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f4
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f1
f2
f2
2.0 1.5
2.0 1.5
2.0 1.5
f5
f6
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f7
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f2
f2
f2
Figura 109 - Funes objetivo combinadas (2)
Aplicaes
171
2.0 1.5
2.0 1.5
2.0 1.5
f8
f4
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f5
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f2
f3
f3
2.0 1.5
2.0 1.5
2.0 1.5
f6
f7
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f8
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f3
f3
f3
2.0 1.5
2.0 1.5
2.0 1.5
f5
f6
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f7
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f4
f4
f4
2.0 1.5
2.0 1.5
2.0 1.5
f8
f6
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f7
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f4
f5
f5
Aplicaes
172
2.0 1.5
2.0 1.5
f8
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f7
1.0 0.5 0.0 0.0 0.5 1.0 1.5 2.0
f5
f6
2.0 1.5
2.0 1.5
f8
f8
0.0 0.5 1.0 1.5 2.0
1.0 0.5
1.0
0.5 0.0 0.0 0.5 1.0 1.5 2.0
0.0
f6
f7
Nas Figuras seguintes so apresentadas as populaes iniciais utilizadas pela terceira configurao do algoritmo 100 x 200 x 200+800.
Aplicaes
173
1.0 0.8 0.6
1.0 0.8 0.6
1.0 0.8 0.6
z
0.4 0.2 0.0 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0
Nas Figuras abaixo so mostradas as solues encontradas pela terceira configurao do algoritmo.
1.0 0.8 0.6
1.0 0.8 0.6
1.0 0.8 0.6
z
0.4 0.2 0.0 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0
Aplicaes
174
11.4. Concluses
Este problema mostrou-se interessante por vrios aspectos. O primeiro deles por comprovar a escalabilidade do algoritmo proposto quando do aumento do nmero de funes objetivo, sendo uma boa contribuio para o meio tcnico que era at ento carente de problemas desta natureza.
Um segundo ponto relevante o emprego do operador de otimizao individual, o qual permite numa anlise preliminar (como na primeira anlise realizada) uma clara visualizao do espao de busca e/ou do espao vivel do problema, mesmo que seja pela combinao das funes objetivo como apresentado nesta aplicao.
Uma terceira caracterstica que torna este problema interessante o fato de que mesmo tendo oito objetivos ele permite a visualizao tridimensional das solues encontradas pelo algoritmo multi-objetivo estudado, facilitando sobremaneira as anlises a serem feitas.
Finalmente, pelos resultados apresentados conclui-se que o algoritmo desenvolvido conseguiu bons resultados, j que as solues encontradas no s otimizaram bem os objetivos individualmente mas foram tambm bem distribudas pela regio tima do problema cubo interno menor.
Aplicaes
175
12. Trelia de 47 barras

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

Propriedade Mdulo de Elasticidade Tenses Admissveis de Trao Tenses Admissveis de Compresso Massa Especfica Valor 30000000.0 psi 20000.0 psi -15000.0 psi 0.3 lb/in^3
Tabela 13 - Propriedades do material e restries
Aplicaes
176
Figura 116 - Trelia de referncia com 47 barras [44]
Aplicaes
177
Os ns 15, 16, 17 e 22 so fixos, enquanto que os ns 1 e 2 so semifixos, pois podem ter suas coordenadas alteradas em relao ao eixo-x, conforme a tabela abaixo:
N 1 2 15 16 17 22
Coord. X Coord. Y varivel 0.0 varivel 0.0 -90.0 570.0 90.0 570.0 -150.0 600.0 150.0 600.0
Tabela 14 - Ns fixos e semi-fixos coordenadas em in
Todos os demais ns so livres para terem suas coordenadas alteradas em relao aos eixos x e y. Deste modo, foram utilizadas 44 variveis 27 de rea e 17 de forma que foram codificadas em um cromossomo binrio de 373 posies de comprimento.
Pela imposio da simetria vertical (eixo-y) trelia, conseguiu-se reduzir o nmero de variveis de rea para 27. Assim, na tabela abaixo so relacionadas as variveis de rea com as reas dos elementos por elas representadas:
Varivel A3 A4 A5 A7 A8 A10 A12 A14 A15 A18 A20 A22 A24 A26
rea/Elemento A1, A3 A2, A4 A5, A6 A7 A8, A9 A10 A11, A12 A13, A14 A15, A16 A17, A18 A19, A20 A21, A22 A23, A24 A25, A26
Varivel A27 A28 A30 A31 A33 A35 A36 A38 A40 A41 A43 A45 A46
rea/Elemento A27 A28 A29, A30 A31, A32 A33 A34, A35 A36, A37 A38 A39, A40 A41, A42 A43 A44, A45 A46, A47
Tabela 15 - Variveis de rea
Aplicaes
178
A nomenclatura das 17 variveis de forma e seus respectivos limites, inferior e superior (restries laterais), so apresentadas na tabela seguinte:
Varivel X2 X4 Y4 X6 Y6 X8 Y8 X10 Y10 Lim. Inf. Lim. Sup. 60.0 120.0 60.0 120.0 100.0 140.0 60.0 120.0 230.0 270.0 60.0 120.0 330.0 370.0 30.0 60.0 380.0 440.0 Varivel X12 Y12 X14 Y14 X20 Y20 X21 Y21 Lim. Inf. Lim. Sup. 30.0 60.0 460.0 490.0 30.0 60.0 500.0 540.0 10.0 40.0 570.0 630.0 70.0 110.0 600.0 650.0
Tabela 16 - Variveis de forma

Utilizao de um filtro para armazenar as solues no-dominadas. Mtodo de seleo por torneio segundo critrio de no-dominncia. Operador convencional de mutao. Operadores de recombinao uniforme com probabilidades para gerao das mscaras de 0.5 e 0.2, ambos com probabilidades de 50% de utilizao. Operadores de excluso, adio e otimizao individual. Populao inicial aleatria. Execuo nica (uma s semente). Constantes de penalizao: c1 = 3000.0 e c2 = 3.0 O algoritmo foi executado trs vezes alterando-se o nmero de geraes, conforme mostrado na prxima tabela: Configurao 1 2 Tamanho populao 50 50 Tamanho do filtro 20 20 Nmero de geraes* 1000 5000 Nmero de sol. Torneio 10 10 Prob. de recombinao 90% 90% Prob. de mutao 1% 1% Total de avaliaes ** 52034 260167 * nmero de geraes padres + adicionais (filtro) ** para cada funo objetivo
3 50 20 5000+25000 10 90% 1% 810167
Aplicaes
179
12.3. Resultados
Nas figuras que se seguem so mostradas respectivamente a populao inicial e a populao correspondente gerao 5000. Pode-se observar que no existem solues viveis na populao inicial, fato que no compromete, entretanto, a resoluo do problema, j que tais solues viveis so encontradas naturalmente durante o processo evolutivo que possibilita a convergncia das populaes para a regio tima.
90 80 70 60
f2
50 40 30 20 10 0 0 10000 20000 30000 40000 50000 60000 70000 80000
f1
60 50 40
f2
30 20 10 0 0 10000 20000 30000 40000 50000 60000
f1 Figura 118 - Populao na gerao 5000
Aplicaes
180
Na figura seguinte so mostradas as fronteiras de Pareto encontradas por cada uma das trs configuraes utilizadas. Deve-se observar que foi empregada uma mesma semente inicial para o procedimento de gerao randmica de nmeros, garantindo-se deste modo que a diferena observada nestas fronteiras seja fruto, nico e exclusivamente do acrscimo de geraes.
2.0 1.8 1.6 1.4 1.2
f2
1.0 0.8 0.6 0.4 0.2 0.0 0 1000 2000 3000 4000 5000 6000 7000 8000
f1 ger=1000 aval=52034 ger=5000 aval=260167 ger=5000+25000(filtro) aval=810167

Figura 119 - Fronteiras obtidas das 3 configuraes utilizadas
Todas as fronteiras ficaram bem definidas e razoavelmente uniformes, sendo uma excelente orientao para o tomador de decises, que deve ser um especialista no problema tratado.
Com
um
nmero
relativamente
pequeno
de
geraes,
conseqentemente de avaliaes, j foi possvel obter-se uma boa fronteira de Pareto, que fornece muita informao para o especialista do problema. Assim, segundo suas escolhas particulares, que iro variar caso a caso, pode-se empregar um otimizador simples (para uma nica funo objetivo) para encontrar uma soluo melhor qualificada para o problema.
Aplicaes
181
Na tabela abaixo so mostrados os valores numricos das funes objetivo do problema abordado para a configurao 3 (5000 geraes convencionais mais 25000 geraes adicionais atuantes no filtro). Deste ponto em diante do trabalho, todos os resultados apresentados sero relativos a esta configurao.
Soluo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 f1 1707.13 1808.61 1868.62 2026.17 2112.44 2261.26 2434.61 2627.21 2907.54 3113.25 3435.34 3707.83 4106.12 4474.96 4944.66 5431.15 5932.06 6556.07 6961.31 7361.39 f2 1.682 1.558 1.404 1.272 1.069 0.975 0.941 0.749 0.624 0.548 0.532 0.467 0.441 0.407 0.355 0.333 0.311 0.308 0.303 0.299
Tabela 18 - Valores das funes objetivo do filtro final
Na pgina seguinte so mostradas as figuras que mostram em diferentes escalas o processo evolutivo da minimizao do peso da trelia ao longo das geraes. Na Tabela 16 so mostrados os valores numricos das variveis de projeto de algumas solues do problema abordado. Cabendo ressaltar que, embora seja mostrada a soluo obtida pela referncia [44] a ttulo de orientao, nenhuma comparao direta pode ser realizada, j que nesta referncia o problema foi resolvido com um nico objetivo, o peso, e por um algoritmo de codificao real. Inclusive, esta uma recomendao para futuros trabalhos, isto , modificar a metodologia apresentada neste trabalho para operar sobre codificao real que parece ser mais eficiente e de maiores possibilidades de expanso a problemas de grande porte.
Aplicaes
182
Figura 120 - Minimizao do peso durante as 30000 geraes
7000 6000 5000 4000
f1
3000 2000 1000 0 0 50 100 150 200
ger
Figura 121 - Minimizao do peso, em escala reduzida, durante as 200 primeiras geraes
Figura 122 - Minimizao do peso, em escala reduzida, durante as 30000 geraes
Aplicaes
183
Varivel A3 A4 A5 A7 A8 A10 A12 A14 A15 A18 A20 A22 A24 A26 A27 A28 A30 A31 A33 A35 A36 A38 A40 A41 A43 A45 A46 X2 X4 Y4 X6 Y6 X8 Y8 X10 Y10 X12 Y12 X14 Y14 X20 Y20 X21 Y21 f1 (lb) f2 (in)
Solues do Filtro Final Encontrado 5 10 15 20 3.2 3.2 5.2 6.3 6.3 2.4 2.6 6.0 4.7 6.3 0.4 0.4 0.4 0.4 0.4 0.1 0.2 0.4 1.5 6.3 0.8 0.8 0.8 1.5 6.3 1.6 1.9 2.1 4.7 6.3 3.2 3.3 4.3 6.3 6.3 0.5 0.5 1.4 2.9 6.3 0.8 1.6 2.1 4.7 6.3 1.6 1.6 2.9 5.7 6.3 0.4 0.4 0.6 0.5 0.5 0.8 2.0 4.3 6.3 6.3 1.6 3.2 3.4 4.7 6.3 1.6 1.7 2.8 6.3 6.3 1.6 1.6 4.3 6.3 6.3 0.1 0.3 0.6 1.8 4.8 3.2 3.7 6.1 6.3 6.3 0.4 0.8 1.2 2.8 6.4 0.1 0.1 0.1 1.4 6.3 3.2 3.3 4.0 6.4 6.4 0.4 0.8 0.4 0.4 0.4 0.1 0.1 0.1 0.7 6.3 3.2 3.2 4.5 5.5 6.3 0.4 0.8 0.9 0.4 0.4 0.1 0.1 0.5 1.3 1.7 3.2 3.3 3.7 6.0 6.3 0.2 0.2 0.4 0.3 0.3 104.10 104.70 116.40 119.20 119.10 90.00 90.36 105.90 108.70 108.70 140.00 117.40 129.60 130.00 130.00 67.50 67.56 88.93 100.70 100.50 260.50 256.10 269.80 270.00 269.70 60.00 64.86 77.27 94.19 94.22 336.00 347.10 351.50 338.80 339.10 48.75 56.56 59.79 59.65 60.00 410.00 427.30 438.90 440.00 440.00 45.00 54.92 58.13 58.95 58.95 460.00 464.80 460.90 460.20 460.20 48.75 58.37 59.71 59.53 60.00 530.00 524.20 523.60 500.10 500.00 17.50 11.90 14.19 10.06 10.06 592.50 599.00 628.00 622.40 630.00 105.60 108.20 97.01 90.84 92.16 609.40 635.50 635.20 650.00 650.00 1707.13 2112.44 3113.25 4944.66 7361.39 1.682 1.069 0.548 0.355 0.299 1
Ref. ** 3.8 3.4 0.8 0.9 0.9 1.8 2.1 1.2 1.6 2.1 0.7 0.9 1.7 1.7 1.4 0.9 3.7 1.5 0.7 2.9 0.7 1.6 3.7 1.6 0.7 4.5 1.6 60.0 60.0 120.0 60.0 240.0 60.0 360.0 30.0 420.0 30.0 480.0 30.0 540.0 30.0 600.0 90.0 600.0 2446.8 2.745
Lemonge* 2.4 2.3 0.4 0.1 0.6 0.9 1.6 0.5 0.7 1.3 0.3 0.9 1.0 0.9 0.6 0.1 2.4 0.3 0.1 2.7 0.3 0.1 3.0 0.3 0.1 3.3 0.2 97.76432 85.10024 121.5425 71.52607 261.4962 65.94714 334.0145 57.47306 414.883 50.13195 466.5514 48.77601 508.6798 16.88877 606.7329 87.71766 628.7389 1432.993 1.583
* Otimizao simples de f1 referncia [44] ** Trelia de referncia Figura 89

Tabela 19 - Valores das variveis de projeto de algumas solues do problema
Aplicaes
184
Nas figuras que se seguem so mostradas as formas estruturais encontradas para algumas das solues armazenadas no filtro final, bem como a forma da soluo apresentada na referncia [44].
Nas Tabelas 17 e 18 que vm na seqncia so apresentadas as tenses normais decorrentes da aplicao dos trs casos de carregamento para as solues 1 e 20 do filtro final, respectivamente as solues de menor e maior peso do filtro encontrado.
650 600 550 500 450 400 350
650 600 550 500 450 400 350
300 250 200 150 100 50 0 -150 -100 -50
Y
300 250 200 150 100 50 0 -150 -100 -50 0 50 100 150
50
100
150
Figura 123 - Forma da soluo tima da referncia [44] e da soluo 1 do filtro, respectivamente
Aplicaes
185
650 600 550 500 450 400 350
650 600 550 500 450 400 350
300 250 200 150 100 50 0 -150 -100 -50
Y
300 250 200 150 100 50 0 -150 -100 -50 0 50 100 150
50
100
150
Figura 124 - Formas das solues 5 e 10 do filtro, respectivamente
650 600 550 500 450 400 350
650 600 550 500 450 400 350
300 250 200 150 100 50 0 -150 -100 -50
Y
300 250 200 150 100 50 0 -150 -100 -50 0 50 100 150
50
100
150
Figura 125 - Formas das solues 15 e 20 do filtro, respectivamente
Aplicaes
186
Tenses normais - Sol. 1 - Carregamentos 1, 2 e 3 Barra sigma - C1 sigma - C2 sigma - C3 1 2239.85 -5908.97 8148.81 2 553.69 -9092.79 9646.47 3 -10937.60 1563.94 -12501.54 4 -10829.74 3938.75 -14768.49 5 11880.34 10675.43 1204.94 6 -13182.59 -11391.81 -1790.76 7 7878.62 3792.04 4086.62 8 6976.29 1653.39 5322.88 9 -14022.91 -5096.58 -8926.34 10 -13116.75 -6277.13 -6839.68 11 -8489.93 -8489.91 0.03 12 -8912.03 0.01 -8912.03 13 15725.66 -2441.20 18166.84 14 -1435.59 9450.52 -10886.09 15 -3861.82 10937.45 -14799.25 16 11831.26 -7698.69 19529.91 17 -14992.57 -14992.62 0.07 18 -12498.30 -0.01 -12498.29 19 -12105.01 -12105.09 0.03 20 -4038.58 -0.02 -4038.51 21 -9074.27 -9074.32 0.11 22 -14023.89 0.02 -14023.88 23 9874.00 9873.91 -0.03 24 15259.63 0.00 15259.60 25 11536.68 11536.67 0.01 26 17829.27 -0.01 17829.28 27 12042.29 4120.74 7921.52 28 -7062.04 -3468.80 -3593.23 29 3472.20 -4434.57 7906.76 30 -12263.64 36.96 -12300.60 31 6284.29 12128.84 -5844.54 32 -7115.00 -12517.64 5402.65 33 10043.35 4999.63 5043.73 34 4512.11 -2933.84 7445.95 35 -13254.74 -1436.87 -11817.88 36 8873.54 9202.47 -328.93 37 -9661.31 -9605.85 -55.46 38 -8004.45 -3993.26 -4011.19 39 5283.09 -1685.41 6968.49 40 -14058.59 -2702.62 -11355.97 41 192.16 8097.93 -7905.77 42 -1819.05 -8907.84 7088.79 43 10798.08 5395.96 5402.12 44 5776.10 -527.85 6303.94 45 -14716.41 -3942.24 -10774.17 46 18719.75 16112.44 2607.31 47 -14744.86 -14126.98 -617.88 Tabela 20 - Tenses normais da soluo 1 do filtro
Aplicaes
187
Tenses normais - Sol. 20 - Carregamentos 1, 2 e 3 Barra sigma - C1 sigma - C2 sigma - C3 1 177.31 -2717.80 2895.12 2 -132.34 -2860.75 2728.41 3 -4627.86 492.28 -5120.14 4 -3979.91 822.52 -4802.43 5 13225.96 8952.44 4273.53 6 -13220.48 -8924.99 -4295.48 7 328.70 190.54 138.16 8 532.07 159.88 372.19 9 -1583.63 -742.03 -841.60 10 -1037.33 -609.55 -427.79 11 -3496.50 -3496.50 -0.01 12 -2908.09 -0.01 -2908.08 13 1554.66 363.89 1190.77 14 -725.28 236.85 -962.14 15 -522.20 740.51 -1262.71 16 1281.11 -251.15 1532.27 17 -2495.48 -2495.50 0.00 18 -1146.29 0.00 -1146.28 19 -14072.60 -14072.49 -0.10 20 956.68 0.05 956.61 21 -1427.85 -1427.85 0.00 22 -2206.71 -0.01 -2206.69 23 1691.51 1691.51 0.00 24 2614.19 0.00 2614.18 25 1356.72 1356.75 0.01 26 2096.85 0.02 2096.83 27 1230.19 204.15 1026.08 28 -194.35 -97.93 -96.41 29 664.10 -2068.41 2732.51 30 -4802.87 -0.75 -4802.12 31 -384.34 714.61 -1098.96 32 -559.61 -1186.95 627.33 33 854.23 427.22 427.00 34 650.32 -1368.64 2018.95 35 -5050.45 -831.42 -4219.03 36 11732.88 8459.18 3273.70 37 -11390.83 -8288.06 -3102.77 38 95.77 47.88 47.89 39 1426.96 -885.13 2312.09 40 -5834.02 -1318.38 -4515.64 41 13370.84 8459.30 4911.54 42 -14647.44 -9097.60 -5549.85 43 30.56 15.28 15.28 44 2255.81 -343.16 2598.97 45 -6689.10 -1873.47 -4815.63 46 13868.76 9770.59 4098.17 47 -14941.84 -10307.12 -4634.71 Tabela 21 - Tenses normais da soluo 20 do filtro
Aplicaes
188
Como foi sugerido anteriormente, a otimizao multi-objetivos deve sempre que possvel ser empregada, pois ela fornece informaes importantes ao especialista do problema tratado que podem auxilia-lo na escolha adequada de suas solues. Alm disso, a otimizao multi-objetivos dever cada vez mais se tornar um procedimento padro, j que os problemas se tornam sempre maiores e mais complexos, no permitindo mais a estes especialistas a obteno de solues oriundas de sua prvia experincia com rigorosos ganhos de custo e/ou segurana, como pode ser disponibilizado com o emprego da otimizao. Como conseqncia destes fatores, espera-se diminuir o tempo de projeto e com isso o tempo utilizado pelos especialistas, que tero ao longo dos anos os seus custos de trabalho aumentados, enquanto que o custo computacional tende a diminuir com o avano da capacidade computacional e da tecnologia de uma forma geral. Para facilitar a deciso destes especialistas podem e devem ser utilizadas etapas intermedirias da otimizao multi-objetivos com o intuito de diminuir o leque de solues para o problema especfico a ser resolvido. Assim, o tomador de decises, conforme suas necessidades, pode definir novos limites para as funes objetivo, o que realizado numericamente pela introduo de novas restries ao problema original. Para exemplificar este procedimento, foi estabelecido como condio para o corrente problema analisado, o intervalo de interesse dos pesos estruturais: peso [2750, 3250], informao que pode e deve ser introduzida pelo especialista do problema a ser resolvido na vida prtica. Com a introduo desta nova informao, o problema foi mais uma vez resolvido com a mesma configurao (3) e tem seus resultados apresentados nas prximas figuras. Este procedimento poderia se repetir quantas vezes fossem necessrias, at mesmo o emprego de uma otimizao simples (um s objetivo) com restries que garantissem as pr-escolhas do especialista poderia ser utilizada para a certeza de uma otimizao rigorosa.
Aplicaes
189
2 .0 1 .8 1 .6 1 .4 1 .2
f2
1 .0 0 .8 0 .6 0 .4 0 .2 0 .0 0 1 00 0 2 00 0 3 00 0 4 00 0 5 00 0 6 00 0 7 00 0 8 00 0
f1
Figura 126 - Filtro final gerao 5000 + 25000
2.0 1.8 1.6 1.4 1.2
f2
1.0 0.8 0.6 0.4 0.2 0.0 0 1000 2000 3000 4000 5000 6000 7000 8000
f1
Figura 127 - Filtro final orientado no espao de busca
0.7
0.6
f2
0.5 0.4 2750
2800
2850
2900
2950
3000
3050
3100
3150
3200
3250
f1
Figura 128 - Detalhe do filtro final orientado
Aplicaes
190
12.4. Concluses
O problema descrito relativamente difcil pela grande taxa de solues inviveis existente, j que as restries sobre tenses impostas so bastante restritivas, alm disto, h um grande e complexo espao de busca a ser pesquisado, pois enquanto uma melhor barra encontrada uma outra coordenada pode simultaneamente tornar a soluo infactvel. Ainda assim, todas as solues apresentadas respeitam rigorosamente as restries impostas no problema.
O algoritmo empregado em [44] do tipo em regime (steady-state) com codificao real. Alm de ter utilizado uma populao de 1200 indivduos que totalizaram 480000 avaliaes para cada uma das 10 execues realizadas com o algoritmo l apresentado.
Em anlises preliminares realizadas, foi verificado que o algoritmo desenvolvido alcanou melhores resultados trabalhando com populaes menores cerca de 50 indivduos por um maior nmero de geraes, embora configuraes semelhantes s utilizadas em [44] tambm resolvessem o problema. Alm disso, populaes menores proporcionam reduo computacional na etapa do teste de dominncia das solues da populao.
Os resultados podem ser melhorados com o aumento do nmero de geraes, inclusive no que diz respeito aos timos individuais de cada funo objetivo. Deste modo, poder-se-ia encontrar solues mais prximas da apresentada em [44], mesmo no sendo esta a filosofia prioritria da otimizao multi-objetivos.
Os resultados de [44] no podem ser comparados com os resultados encontrados pelo algoritmo proposto, uma vez que o mesmo tem carter multiobjetivo. Entretanto, eles so aqui apresentados para servirem como orientao de anlise em relao aos resultados multi-objetivos encontrados.
Aplicaes
191
preciso destacar que pelo fato do problema multi-objetivo proposto apresentar um espao de busca muitas vezes mais abrangente e complexo que o seu correspondente problema de um s objetivo (peso), razovel esperar um nmero bastante superior de avaliaes para a soluo do problema, j que a cada gerao existem variadas direes de busca para serem pesquisadas.
Outro fator importante o fato do algoritmo desenvolvido operar sobre cromossomos binrios, caracterstica que lhe permitiu ser empregado na anlise de alguns problemas que o requeriam, como o prprio conjunto das funes-teste para otimizadores multi-objetivos.
Apesar destes fatores, os resultados encontrados com o algoritmo PMOGA foram razoveis e possibilitaram a obteno de fronteiras bem definidas e uniformes.
Uma sugesto para estudos futuros o desenvolvimento de um algoritmo semelhante ao PMOGA mas operando sobre uma codificao real, o que dever prover uma maior eficincia computacional, bem como permitir a anlise de problemas maiores e mais complexos. Uma referncia bastante completa sobre a codificao real pode ser encontrada em [44].
Aplicaes
192
Captulo IX Concluses
ste captulo apresenta as principais concluses resultantes do trabalho realizado, destacando as contribuies, os resultados, as
experincias adquiridas e as reas para desenvolvimento em trabalhos futuros.
1. Aspectos Gerais ............................................................................................194 2. Contribuies................................................................................................194 3. Resultados ....................................................................................................195 4. Experincias Adquiridas ...............................................................................195 5. Trabalhos Futuros.........................................................................................196
Concluses
193
1. Aspectos Gerais
Com a grande capacidade computacional que est a servio do homem, abrir mo de processos de otimizao , sem dvida, desperdcio de dinheiro. Alm de outros fatores, no menos importantes, que deixam de ser estudados e melhorados como, por exemplo: confiabilidade, segurana, viabilidade prtica, etc.
2. Contribuies
Foi implementado um algoritmo gentico multi-objetivo binrio que aproxima a fronteira tima de Pareto de problemas de otimizao multi-objetivos, restringidos ou no. Por suas caractersticas e estratgias empregadas o algoritmo mostrou-se robusto e eficiente para uma ampla gama de aplicaes.
Inmeros problemas multi-objetivos testes e/ou estruturais foram analisados para comprovarem o funcionamento e a eficincia do algoritmo proposto.
Um mtodo prtico de penalizao foi desenvolvido e largamente utilizado com sucesso e relativa facilidade.
Novos operadores genticos multi-objetivos foram elaborados com o intuito de melhorar a distribuio das solues pela fronteira de Pareto, substituindo as estratgias de nicho normalmente utilizadas que introduzem parmetros sensveis resoluo dos problemas.
Pelo bom desempenho obtido com o algoritmo verifica-se a grande importncia do emprego da estratgia de elitismo e/ou de um filtro para armazenar as solues no-dominadas correntes do processo evolutivo de otimizao utilizado.
Concluses
194
3. Resultados
Os resultados dos problemas resolvidos foram em sua maioria equivalentes ou superiores aos encontrados na literatura.
Pode-se dizer que o desempenho do algoritmo foi excelente, pois pelas comparaes realizadas ele superou o algoritmo SPEA, o qual j comprovou seu valor por diversas comparaes e anlises realizadas [71].
4. Experincias Adquiridas
O mtodo de seleo por torneio mostrou ser muito simples e robusto, superando todos os problemas oriundos do mtodo da roleta estagnao e convergncia prematura.
O mtodo de penalizao utilizado mostrou-se bastante prtico, pois no exigiu exaustivas configuraes de parmetros de penalidade para o tratamento das restries dos problemas analisados e forneceu bons resultados.
O operador de recombinao uniforme incorpora a facilidade da independncia quanto ao tamanho do problema (cromossomo) tratado, podendo acelerar ou no a capacidade de pesquisa pelo espao de busca conforme a escolha das probabilidades de mscara adotadas.
A codificao binria torna-se desaconselhvel para problemas de grande porte, j que exige esforo computacional para a decodificao, bem como diminui a eficincia da busca por operar com cromossomos excessivamente longos. Um algoritmo semelhante ao desenvolvido com codificao real uma sugesto para desenvolvimentos futuros.
Concluses
195
5. Trabalhos Futuros
Falar em trabalhos futuros no campo da inteligncia artificial uma tarefa difcil, pois muito h para ser feito. Entretanto, algumas idias que podem ser abordadas em trabalhos futuros so:
Na rea da otimizao multi-objetivo:
o Resoluo de novas aplicaes maiores e mais complexas devido ao amadurecimento dos mtodos e do avano computacional.
o Tratamento de problemas dinmicos peso x freqncias naturais de vibrao, que um problema fortemente multi-objetivo.
o Desenvolvimento e teste de novas estratgias de penalizao, seleo, recombinao, mutao, elitismo, operadores, adaptao, etc.
Em outras reas de otimizao:
o Acoplamento da tcnica de Redes Neurais com os Algoritmos Genticos de diferentes formas, principalmente no clculo aproximado das aptides.
o Resoluo de problemas topolgicos de barras nmero livre de elementos e posies (conectividade).
o Otimizao de vigas de concreto armado, onde em geral, o custo no proporcional ao peso. Confrontando os resultados com os obtidos pelas tcnicas da programao matemtica
Concluses
196
Referncias
[1] BARN, B., KASZKUREWICS, E., BHAYA, A., Parallel Asynchronous Team Algorithms Convergence and Performance Analysis, IEEE Transactions on Parallel and Distributed Systems, v. 7, n. 7, Jul. 1996.
[2] BARN, B., Estudo de Algoritmos Combinados Paralelos Assncronos. Tese de D.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1993.
[3] BARBOSA, H. J. C., Algoritmos Genticos para Otimizao em Engenharia: Uma Introduo. Em: IV Seminrio sobre Elementos Finitos e Mtodos Numricos em Engenharia, Juiz de Fora, 1996.
[4] BAZARAA, M. S., SHETTY, C. M., Nonlinear Programming - Theory and Algorithms. New York, John Wiley & Sons, 1979.
[5] BLICKLE, T., THIELE, L., A Comparison of Selection Schemes used in Genetic Algorithms. Report No. 11, Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology (ETH), Zurich, 1995.
[6] BORGES, C. C. H., Algoritmos Genticos para Otimizao em Dinmica de Estruturas. Tese de D.Sc., Programa de Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, Dezembro de 1999.
[7] CANT-PAZ, E., A Summary of Research on Parallel Genetic Algorithms. IlliGal Report No. 95007, Jul. 1995.
Referncias
197
[8] CASTRO, R. E., BARBOSA, H. J. C., A Genetic Algorithm for Multiobjective Structural Optimization. Em: Anais do IV SIMMEC Simpsio Mineiro de Mecnica Computacional, Uberlndia, Maio de 2000.
[9] CASTRO, R. E., BARBOSA, Helio J. C., Otimizao Estrutural com Multi-objetivos Via Algoritmos Genticos. Em: Anais do IV Congresso de Engenharia Civil, Volume 1, pp. 275-286, Juiz de Fora, Agosto de 2000.
[10] CASTRO, R. E., Otimizao: Programao Matemtica e Algoritmos Genticos. Monografia para inscrio direta de D.Sc., Programa de Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, Fevereiro de 1999.
[11] CASTRO, R. E., PMOGA Pareto Multiobjective Genetic Algorithms Home Page. Em: http://www.sdnet.com.br/~bicofino/rodrigo.htm
[12] CHENG, F. Y., LI, D., Genetic Algorithm Development for Multiobjective Optimization of Structures, AIAA Journal, v. 36, n. 6, Jun. 1998.
[13] CHENG, F. Y., LI, D., Multiobjective Optimization Design with Pareto Genetic Algorithm, Journal of Structural Engineering, pp. 12521261, Sep. 1997.
[14] CIVITA, V. (Editor), Em: Enciclopdia Conhecer, volume VII, Editoras Abril S. A. Cultural e Industrial, pp. 1646-1648, 1659-1661.
[15] COELLO, C. A., CHRISTIANSEN, A. D., Two New GA-based Methods for Multiobjective Optimization. Tulane University. New Orleans, LA 70118, USA.
Referncias
198
[16] COELLO, C. A. C., An Updated Survey of Evolutionary Multiobjective Optimization Techniques: State of the Art and Future Trends. Laboratorio Nacional de Informtica Avanzada. Veracruz, Mxico.
[17] COELLO, C. A. C., Self-Adaptive Penalties for GA-based Optimization. Laboratorio Nacional de Informtica Avanzada, Rbsamen 80, Xalapa, Veracruz 91090, Mxico.
[18] CUNHA, A. G., OLIVEIRA, P., COVAS, J., Use of Genetic Algorithms in Multicriteria Optimization to Solve Industrial Problems. In:
Proceedings of the Seventh International Conference on Genetic Algorithms, Morgan Kaufmann, pp. 682-688, San Francisco, California, 1997.
[19] DAVIS, L., Handbook of Genetic Algorithms. New York, Van Nostrand Reinhold, 1991.
[20] DEB, K., Evolutionary Algorithms for Multi-Criterion Optimization in Engineering Design. Kanpur Genetic Algorithms Laboratory
(KanGAL), Indian Institute of Technology Kanpur, Kanpur.
[21] DEB, K., Non-linear Goal Programming Using Multi-Objective Genetic Algorithms. In: Technical Report No. CI-60/98. Department of Computer Science/XI, University of Dortmund, Germany.
[22] DE JONG, K. A., An Analysis of the Behavior of a class of Genetic Adaptive System. Ph.D. dissertation, University of Michigan, ANN Arbor, MI., 1975.
[23] DORIGO, M., Ant Colony Optimization. Iridia. Universit Libre de Bruxelles, Belgium. http://iridia.ulb.ac.be/~mdorigo/ACO/ACO.html
Referncias
199
[24] ELDRED, M. S., Optimization Strategies for Complex Engineering Applications. Sandia Report, Sandia National Laboratories, 1998.
[25] ESQUIVEL, S. C., LEIVA, H. A., GALLARD, R. H., Multiplicity in Genetic Algorithms to Face Multicriteria Optimization. Departamento de Informtica, Universidade de San Luis, Argentina.
[26] FONSECA,
C.
M.,
FLEMING,
P.
J.,
Genetic
Algorithms for Discussion and
Multiobjective
Optimization:
Formulation,
Generalization. In: Proceedings of the Fifth International Conference on Genetic Algorithms, pp. 416-423, 1993.
[27] Fuzzy Logic Tutorial. www.cacs.usl.edu/~manaris/ai-education-repository/ fuzzy-tutorial.html
[28] GREENWOOD, G. W., HU, X. S., D'AMBROSIO, J. G., Fitness Functions for Multiple Objective Optimization Problems: Combining Preferences with Pareto Rankings. In: Foundations of Genetic Algorithms 4 (FOGA-96), pp. 437-455, Morgan Kaufmann, 1996.
[29] GREFENSTETTE, J. J., Optimization of Control Parameters for Genetic Algorithms. IEE Trans, Syst. Man. Cyber, pp. 122-128, 1986.
[30] GOLDBERG, D. E., Genetic Algorithms in Search, Optimization, and Machine Learning. Adison-Wesley, USA, 1989.
[31] GUROVITZ, H., Gentica: O Negcio da Vida. Revista Exame, n. 11, pp. 40-52, Maio de 2000.
[32] HAFTKA, R. T., KAMAT, M. P., Elements of Structural Optimization. Dordrecht, Martinus Nijhoff Publishers, 1985.
Referncias
200
[33] HAJELA, P., LIN, C. Y., Genetic Search Strategies in Multicriterion Optimal Design. In: Structural Optimization, v. 4, pp. 99-107, 1992.
[34] HINTERDING, R., MICHALEWICZ, Z., EIBEN, A. E., Adaptation in Evolutionary Computation: A Survey. In: http://www.coe.uncc.edu/ ~zbyszek/ papers.html
[35] HIROYASU, T., MIKI, M., WATANABE, S., Divided Range Genetic Algorithms in Multiobjective Optimization Problems. International Workshop on Emergent Synthesis IWES 99, Kobe, Dec. 1999.
[36] HOLLAND, J. H., Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, 1975.
[37] HORN, J., NAFPLIOTIS, N., Multiobjective Optimization Using the Niched Pareto Genetic Algorithm. IlliGAL Report No. 93005, Illinois Genetic Algorithms Laboratory, University of Illinois, Urbana, Champaign, Jul. 1993.
[38] IGNIZIO, J. P., Goal Programming and Extensions. Lexington Books, London, Massachusetts, 1976.
[39] IGNIZIO, J. P., Linear Programming for Decision Analysis. Averbach Publishers, Philadelphia, 1982.
[40] ISHIBUCHI, H., MURATA, T., Multiobjective Genetic Local Search Algorithm. In: Proceedings of 1996 IEEE International Conference on Evolutionary Computation (ICEC'96), pp. 119-124, 1996.
[41] KIRKPATRICK, S., GELATT Jr., C. D., VECCHI, M. P., Optimization by Simulating Annealing. In: Science, 220, No. 4598, pp. 671-680.
Referncias
201
[42] KIRSCH, U., Optimum Structural Design. McGraw-Hill, 1981.
[43] KOZA, J. R., In: www.genetic-programming.com/johnkoza.html
[44] LEMONGE, A. C. C., Aplicao de Algoritmos Genticos em Otimizao Estrutural. Tese de D.Sc., Programa de Engenharia Civil,
COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, Junho de 1999.
[45] LIS, J., EIBEN, A. E., A Multi-Sexual Genetic Algorithm for Multiobjective Optimization. In: Proceedings of 1997 IEEE International Conference on Evolutionary Computation (ICEC'97), pp. 59-64, 1997.
[46] LUENBERGER, D. G., Introduction to Nonlinear Programming. AddisonWesley Publishing Company, London, 1984.
[47] MANDELBROT, B., The fractal geometry of nature. W. H. Freeman, New York, 1983.
[48] MARIANO, C. E., MORALES, E., A New Distributed Reinforcement Learning Algorithm for Multiple Objective Optimization Problems. Morelos, Mxico.
[49] MEDEIROS, A., BARBOSA, H. J. C., Adaptao das Probabilidades dos Operadores Genticos: Um Problema de Deciso. Em: V Seminrio sobre Elementos Finitos e Mtodos Numricos em Engenharia, UFJF, Juiz de Fora, 1998.
[50] MICHALEWICZ, Z., SCHOENAUER, M., Evolutionary Algorithms for Constrained Parameter Optimization Problems. In: http://www.coe. uncc.edu/~zbyszek/papers .html
Referncias
202
[51] MICHALEWICZ, Z., Genetic Algorithms, Numerical Optimization, and Constraints. Department of Computer Science, University of North Carolina. Charlotte, NC 28223.
[52] MICHELL, M., An Introduction to Genetic Algorithms (Complex Adaptive Systems). 1996
[53] NEVES, F. A., Programao com Multi-Objetivos Aplicada Otimizao do Projeto de Pontes Estaiadas. Tese de D.Sc., Programa de Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1997.
[54] PENADILLOS, E. M. M., Auto-sintonia Robusta de Controladores PID Usando Algoritmos Genticos. Dissertao de M.Sc., Programa de Engenharia Eltrica, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1997.
[55] PRESS, W. H., TEUKOLSKY, S. A., VETTERLING, W. T., FLANNERY, B. P., Numerical Recipes in Fortran. University of Cambridge, 1992.
[56] PUCCINI, A. L., Introduo Programao Linear. Livros Tcnicos e Cientficos Editora, Rio de Janeiro, 1978.
[57] SCHAFFER, J. D., Multiple Objective Optimization with Vector Evaluated Genetic Algorithms. Ph.D. dissertation, Vanderbilt University, 1984.
[58] SCHAFFER, J. D., Some Experiments in Machine Learning Using Vector Evaluated Genetic Algorithms. D.Sc. Thesis, Department of Electrical Engineering, Vanderbilt University, 1984.
[59] SHAFFER, R., Practical Guide to Genetic Algorithms. Naval Research Laboratory, Chemistry Division. In: http://chem1.nrl.navy.mil/
~shaffer/practga.html
Referncias
203
[60] SHEWCHUK, J. R., An Introduction to the Conjugate Gradient Method Without the Agonizing Pain. Carnegie Mellon University, Pittsburgh, 1994.
[61] SILVA, T. T., BARBOSA, H. J. C., Inicializao da Populao em Algoritmos Genticos com Codificao Real. Em: V Seminrio sobre Elementos Finitos e Mtodos Numricos em Engenharia, UFJF, Juiz de Fora, 1998.
[62] SPEARS, W. M., DE JONG, K. A., On the Virtues of Parameterized Uniform Crossover.
[63] SPEARS, W. M., Adapting Crossover in a Genetic Algorithm. Naval Research Laboratory. Washington, D. C. 20375 USA.
[64] SRINIVAS,
N.,
DEB,
K.,
Multiobjective
Optimization
Using
Nondominated Sorting in Genetic Algorithms. In: Evolutionary Computation, 2(3): pp. 221-248, 1994.
[65] VALENZUELA-RENDN,
M.,
URESTI-CHARRE,
E.,
Non-
generational Genetic Algorithm for Multiobjective Optimization. In: Proceedings of the Seventh International Conference on Genetic Algorithms, Morgan Kaufmann, pp. 658-665, San Francisco, 1997.
[66] VELDHUIZEN, D. A., LAMONT, G. B., Multiobjective Evolutionary Algorithm Test Suites. Department of Electrical and Computer Engineering. Graduate School of Engineering, Air Force Institute of Technology.
Referncias
204
[67] VELDHUIZEN, D. A. V., Multiobjective Evolutionary Algorithms: Classifications, Analyses, and New Innovations. Dissertation
presented to the Faculty of Graduate School of Engineering of the Air Force Institute of Technology, Air University, June 1999.
[68] YANG, R., DOUGLAS, I., Simple Genetic Algorithm with Local Tuning: Efficient Global Optimizing Technique. In: Journal of Optimization Theory and Applications, v. 98, n. 2, pp. 449-465, August 1998.
[69] ZITZLER, E., THIELE, L., An Evolutionary Algorithm for Multiobjective Optimization: The Strength Pareto Approach. Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology (ETH), Zurich, TIK-Report No. 43, May 1998.
[70] ZITZLER, E., THIELE, L., Multiobjective Optimization Using Evolutionary Algorithms - A Comparative Case Study. Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology (ETH), Zurich.
[71] ZITZLER, E., DEB, K., THIELE, L., Comparison of Evolutionary Algorithms: Empirical Results (Revised Version). TIK-Report No. 70. Intitut fr Technische Informatik und Kommunikationsnetze. Zrich. December 22, 1999.
[72] ZITZLER, E., Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications. Dissertation for the degree of Doctor of Technical Sciences. Swiss Federal Institute of Technology Zurich. November 11, 1999.
[73] ZITZLER, E., In: http://www.tik.ee.ethz.ch/~zitzler/testdata.html
[74] HAYKIN, S., Neural Networks. Macmillan, 1994.
Referncias
205
[75] WASSERMAN, P., Neural Computing. Ven Nostrand, cap. 1-6, 1989.
[76] www.kneehighs.com/intro.html
Referncias
206

2001-Otimização de Estruturas Com Multi-Objetivos Via AG

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2001-Otimização de Estruturas Com Multi-Objetivos Via AG

Enviado por

Direitos autorais:

Formatos disponíveis

OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS VIA ALGORITMOS GENTICOS

_____________________________________________ Prof. Alvaro Luiz Gayoso de Azeredo Coutinho, D.Sc.

_____________________________________________ Prof. Helio Jos Corra Barbosa, D.Sc.

_____________________________________________ Prof. Ronaldo Carvalho Battista, Ph.D.

_____________________________________________ Prof. Nelson Francisco Favilla Ebecken, D.Sc.

_____________________________________________ Prof. Elson Magalhes Toledo, D.Sc.

_____________________________________________ Prof. Afonso Celso de Castro Lemonge, D.Sc.

RIO DE JANEIRO, R.J. BRASIL AGOSTO DE 2001

CNPq, COPPE/UFRJ e LNCC, que em conjunto possibilitaram a realizao deste trabalho.

Todos os meus familiares e amigos pessoais.

Companheiros de turma de mestrado e doutorado pela sincera e duradoura amizade estabelecida.

OTIMIZAO DE ESTRUTURAS COM MULTI-OBJETIVOS VIA ALGORITMOS GENTICOS

Rodrigo Evangelista de Castro

Programa: Engenharia Civil

OPTIMIZATION OF STRUCTURES WITH MULTIOBJECTIVES BY GENETIC ALGORITHMS

Rodrigo Evangelista de Castro

Department: Civil Engineering

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

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

Captulo VII : PMOGA Pareto Multiobjective GA......................................78 Figura 20 - Pseudocdigo do PMOGA...............................................................81

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

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

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

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

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

Pssaros Morcegos Peixes

Avies Sonares Submarinos

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

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

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

A maximizao da velocidade de processamento de um chip eletrnico.

A minimizao do custo de execuo de um projeto de barragem, dentre muitos outros.

Recozimento Simulado Fractais

Figura 5 - Algumas Sub-reas da Computao Natural

4.2. Recozimento Simulado

4.3. Lgica Nebulosa

4.4. Redes Neurais Artificiais

4.5. Computao Evolucionria

O algoritmo bsico da Computao Evolucionria pode ser definido como se segue:

Figura 6 - Algoritmo Evolucionrio conceitual

Figura 7 - Sub-reas da Computao Evolucionria

4.5.4. Programao Gentica (PG)

4.5.5. Estratgia de Colnia

5. Introduo ao Cdigo Gentico

As seguintes etapas tm sido adotadas para a decodificao do genoma humano:

Problema Clssico de Otimizao

Max. ou Min. sujeito a

f (x1, x2, ... ,xN)

xi(L) xi xi(U) i = 1, 2, ... , N ( restries laterais ) ( ( nas variveis de projeto xi ) )

dos elementos ou o seu nmero de elementos;

as variveis de projeto, limitando seus valores;

3. Fraqueza dos Mtodos Clssicos

4. Classificao dos Mtodos Clssicos

RED UOSUCESSIV AS DE INTER V ALO S APROX IMA O PARAPOLINM IOS

HO OKE e JEEVES ROSEM BROCK POW ELL (Direes conjugadas) NELDER

MTO DO S COMCLCULO D E DERIV A DA S

MINIMIZAO COM RESTRIO

MTO DOS DAS DIRE ES V IVEIS

MTO DOS PRIMAIS

Figura 8 - Classificao Geral dos Mtodos Clssicos [53]

Captulo III Otimizao Multi-objetivos

principais diferenas entre a otimizao com um s objetivo da otimizao com

1. Introduo ......................................................................................................23 2. Definies ......................................................................................................25