Você está na página 1de 114

UNIVERSIDADE DE SO PAULO

MARINA LEMOS RIO LIMA








OTIMIZAO TOPOLGICA E PARAMTRICA DE VIGAS DE
CONCRETO ARMADO UTILIZANDO ALGORITMOS GENTICOS



























So Paulo
2011


MARINA LEMOS RIO LIMA







OTIMIZAO TOPOLGICA E PARAMTRICA DE VIGAS DE
CONCRETO ARMADO UTILIZANDO ALGORITMOS GENTICOS


Dissertao apresentada Escola
Politcnica da Universidade de So Paulo
para obteno do ttulo de Mestre em
Engenharia.










So Paulo
2011


MARINA LEMOS RIO LIMA







OTIMIZAO TOPOLGICA E PARAMTRICA DE VIGAS DE
CONCRETO ARMADO UTILIZANDO ALGORITMOS GENTICOS


Dissertao apresentada Escola
Politcnica da Universidade de So Paulo
para obteno do ttulo de Mestre em
Engenharia.

rea de concentrao:
Engenharia de Estruturas

Orientador:
Paulo de Mattos Pimenta




So Paulo
2011


Este exemplar foi revisado e alterado em relao verso original, sob
responsabilidade nica do autor e com a anuncia de seu orientador.
So Paulo, de julho de 2011.
Assinatura do autor ____________________________
Assinatura do orientador _______________________









FICHA CATALOGRFICA










Lima, Marina Lemos Rio
Otimizao topolgica e paramtrica de vigas de concreto
armado utilizando algoritmos genticos / M.L.R. Lima. -- ed.rev.
-- So Paulo, 2011.
113 p.

Dissertao (Mestrado) - Escola Politcnica da Universidade
de So Paulo. Departamento de Engenharia de Estruturas e
Geotcnica.

1. Algoritmos genticos 2. Vigas (Otimizao) I. Universida-
de de So Paulo. Escola Politcnica. Departamento de Enge-
nharia de Estruturas e Geotcnica II. t.



DEDICATRIA














Dedico este trabalho minha famlia.


AGRADECIMENTOS

Gostaria de agradecer primeiramente a Deus pela fora e inspirao que me foi
dada nos momentos mais difceis.
Ao meu pai, minha me, meus irmos e toda minha famlia pelo apoio e
compreenso.
Ao meu orientador, prof. Dr. Paulo de Mattos Pimenta.
Aos membros do JAC, que me propiciaram bons momentos de troca de informaes.
Ao pessoal da Interact, pela ajuda e compreenso.
Aos amigos pelos momentos de descontrao to importantes.
Ao Olivier pela sua enorme pacincia.
Universidade de So Paulo.
Enfim, a todos que colaboraram direta ou indiretamente para a elaborao deste
trabalho.






















Podemos escolher recuar em direo
segurana ou avanar em direo ao
crescimento. A opo pelo crescimento
tem que ser feita repetidas vezes. E o
medo tem que ser superado a cada
momento.
(Abraham Maslow)


RESUMO

Na Engenharia Civil so diversos os mtodos aplicados visando otimizao de
estruturas. Esta dissertao apresenta um estudo e uma aplicao de um desses
mtodos: os Algoritmos Genticos (AGs). Os Algoritmos Genticos so algoritmos
de busca, no-determinsticos, que trabalham com amostras do conjunto de
solues e se inspiram na teoria da evoluo das espcies para resolver o
problema. Neste trabalho de pesquisa buscou-se apresentar as principais tcnicas e
parmetros utilizados por diversos autores neste tema. Como objetivo principal
pretendeu-se, atravs dos conhecimentos adquiridos sobre o assunto, aplic-lo na
otimizao topolgica e paramtrica de vigas de concreto armado, submetidas a um
carregamento distribudo. Adotaram-se restries laterais das variveis e
comportamentais (tenses mximas admissveis - ELU). Procurou-se trabalhar com
variveis discretas, que melhor representam a realidade do projetista de estruturas.
Para aplicao desta tcnica implementou-se um programa, em linguagem Java
seguindo o paradigma de programao orientada a objetos. O programa foi testado
aplicando-se a um problema de otimizao abordado por outros autores. Um deles
utilizou uma abordagem determinstica para a soluo do problema. Outro utilizou
uma abordagem probabilstica, porm com variveis contnuas. Em 85% dos casos
o programa (nomeado AGEN) conseguiu encontrar a soluo tima. Concluiu-se
que os algoritmos genticos so uma tcnica bastante robusta, que proporciona
resultados significativos, principalmente quando se trata de problemas complexos,
com variveis discretas e restries em constantes mudanas. As deficincias desta
tcnica so a sua grande dependncia em relao amostra inicial da populao, o
seu custo computacional e a calibrao de parmetros.
Procurou-se, atravs deste trabalho, apresentar aos pesquisadores e projetistas do
campo da engenharia mais uma ferramenta que utiliza tcnicas computacionais para
encontrar melhores solues para otimizao de estruturas. Pretendendo-se, assim,
estimular o desenvolvimento de mais pesquisas sobre este tema bastante promissor.
Palavras chave: Algoritmos Genticos, Vigas (Otimizao).


ABSTRACT
This work presents a study and applicattion using Genetic Algorithms (GAs) to solve
problems that optmization structures, more specifically concrete beans. The GAs
are search algorithms, non-deterministics that works with a population of solutions.
Its inspired on the evolutions theory of the species to solve problems.
In this dissertation sought to show the most used techniques and parameters about
this subject. The primary objective was (through the knowledge obtained during this
research) to apply it in the topological and parametrical optimization of concrete
beams, submitted by a distributed load. Lateral and behavioral constraineds are
used. It was tried to work with a discrete variables, which represent more really the
context of structures designer.
To apply this technique a program was implemented, using the Java language
through the oriented object paradigm. The program was tested applying a
optimization problem approached by other authors. One of them used a deterministic
approach to solution the problem. Another used a probabilistic approach, but with
continuous variable. In 85% of the cases the program (called AGEN) get success. It
was concluded that genetic algorithms are a very robust technique, which provides
significant results, especially in complex problems with discrete variables and
constraints on dynamic changes. The weaknesses of this technique are the high
dependence on initial population, its computational cost and the parameters
calibration.
It was, in this work, presenting to scientists and designers in the structural
engineering field another tool that uses computational techniques to find better
solutions for structures optimization. It pretended to stimulate the development of
more research on this topic enough promising.

Key Words: Genetic Algorithms, Beams (Optimization).



LISTA DE FIGURAS

Figura 1 Classificao dos Principais Mtodos Determinsticos, segundo (Silva
2001) ......................................................................................................................... 26
Figura 2 Ramificaes da Computao Natural, segundo (Olivieri 2004) .............. 27
Figura 3 - Esquema Bsico de um Algoritmo Gentico ............................................. 38
Figura 4 - Analogia Gentica Natural - Algoritmo Gentico ....................................... 40
Figura 5 - Representao da varivel Largura .......................................................... 42
Figura 6 - Representao da varivel Altura ............................................................. 43
Figura 7 - Representao de um cromossomo ......................................................... 45
Figura 8 - Representao de um Indivduo ............................................................... 45
Figura 9 - Representao da Funo de Aptido ...................................................... 46
Figura 10 Cruzamento uniponto Genitores.......................................................... 52
Figura 11 Cruzamento uniponto Descendentes .................................................. 53
Figura 12 Configurao da viga modelo ................................................................. 58
Figura 13 Seo transversal da viga modelo ......................................................... 58
Figura 14 - Seo transversal de viga sujeita a flexo .............................................. 63
Figura 15 - Domnios de dimensionamento em ELU ................................................. 64
Figura 16 - Analogia: Problema x Algoritmo Gentico ............................................... 66
Figura 17 - Representao do cromossomo de uma viga ......................................... 67
Figura 18 - Estrutura do AGEN ................................................................................. 80
Figura 19 - Diagrama de Classes Simplificado do Pacote AG .................................. 81
Figura 20 - Pacote AG ............................................................................................... 81
Figura 21 - Diagrama de classes simplificado do pacote Estrutura ........................... 83
Figura 22 - Pacote Estrutura ..................................................................................... 83
Figura 23 - Diagrama de Classes simplificado do pacote Estrutura.caractersticas .. 84
Figura 24 Sub Pacote Estrutura.Caractersticas .................................................... 85
Figura 25 - Pacote Mapeamento ............................................................................... 86
Figura 26 - Pacote Sistema ....................................................................................... 87
Figura 27 - Configurao da viga exemplo ................................................................ 89
Figura 28 - Exemplo de aplicao ........................................................................... 106


LISTA DE GRFICOS

Grfico 1 - Probabilidade de Seleo das Vigas (Adequao em Graus) ................. 73
Grfico 2 - Resultados Teste 1 .................................................................................. 92
Grfico 3 Resultados Teste 2 ................................................................................. 96




LISTA DE TABELAS

Tabela 1 - Trabalhos de Otimizao Estrutural, utilizando Algoritmos Genticos,
classificados por tipo de otimizao, estrutura e material. ........................................ 22
Tabela 2 Populao X Custo Lquido X Adequao ............................................... 71
Tabela 3 - Adequao em graus ............................................................................... 72
Tabela 4 - Somas Parciais ........................................................................................ 74
Tabela 5- Indivduos Selecionados ........................................................................... 75
Tabela 6 - Principais pacotes e classes do AGEN .................................................... 79
Tabela 7 Teste 1A .................................................................................................. 90
Tabela 8 - Teste 1B ................................................................................................... 91
Tabela 9 - Teste 1C ................................................................................................... 91
Tabela 10 - Teste 1D ................................................................................................. 92
Tabela 11 - Teste 2A ................................................................................................. 94
Tabela 12 - Teste 2B ................................................................................................. 94
Tabela 13 - Teste 2C ................................................................................................. 95
Tabela 14 - Teste 2D ................................................................................................. 95




SUMRIO

1 INTRODUO ................................................................................................... 14
1.1 MOTIVAO ................................................................................................ 14
1.2 OBJETIVO ................................................................................................... 14
1.3 JUSTIFICATIVAS ......................................................................................... 15
1.4 ORGANIZAO DO TEXTO ....................................................................... 16
2 HISTRICO E REVISO BIBLIOGRFICA ....................................................... 18
3 MTODOS DE OTIMIZAO ............................................................................ 23
3.1 PREAMBULO ............................................................................................... 23
3.2 DEFINIO GERAL ..................................................................................... 23
3.3 MTODOS DETERMINSTICOS ................................................................. 25
3.4 MTODOS PROBABILSTICOS .................................................................. 27
4 CONCEITOS BSICOS DE GENTICA ............................................................ 30
4.1 GENE ........................................................................................................... 32
4.2 ALELOS ....................................................................................................... 32
4.3 CROMOSSOMO .......................................................................................... 33
4.4 GENTIPO .................................................................................................. 33
4.5 FENTIPO ................................................................................................... 33
4.6 ESPCIE ...................................................................................................... 34
4.7 POPULAO ............................................................................................... 34
4.8 AMBIENTE ................................................................................................... 34
4.9 MUTAO ................................................................................................... 34
4.10 REPRODUO SEXUAL ......................................................................... 35
4.11 CRUZAMENTO (CROSSOVER) .............................................................. 35
4.12 APTIDO BIOLGICA.............................................................................. 36


5 ALGORITMOS GENTICOS ............................................................................. 37
5.1 REPRESENTAO ..................................................................................... 41
5.2 CROMOSSOMOS E GENES ....................................................................... 44
5.3 FUNO DE APTIDO ............................................................................... 46
5.4 PENALIZAO ............................................................................................ 47
5.5 SELEO .................................................................................................... 49
5.6 CRUZAMENTO ............................................................................................ 52
5.7 MUTAO ................................................................................................... 53
5.8 ELITISMO .................................................................................................... 55
6 APRESENTAO DO PROBLEMA .................................................................. 57
6.1 PREAMBULO ............................................................................................... 57
6.2 FORMULAO ............................................................................................ 58
6.3 VARIVEIS DO PROBLEMA ....................................................................... 61
6.4 RESTRIES .............................................................................................. 62
7 APLICAO ....................................................................................................... 66
7.1 PREMBULO ............................................................................................... 66
7.2 REPRESENTAO E CODIFICAO ........................................................ 67
7.3 PENALIZAES .......................................................................................... 69
7.4 ADEQUAO .............................................................................................. 70
7.5 CRITRIOS DE SELEO .......................................................................... 70
7.6 CRUZAMENTO ............................................................................................ 75
7.7 MUTAO ................................................................................................... 76
7.8 ELITISMO .................................................................................................... 77
8 ESTRUTURA DO AGEN .................................................................................... 78
8.1 PREAMBULO ............................................................................................... 78
8.2 APRESENTAO GERAL ........................................................................... 78
8.3 PACOTE AG ................................................................................................ 81


8.4 PACOTE ESTRUTURA ................................................................................ 83
8.5 PACOTE MAPEAMENTO ............................................................................ 86
8.6 PACOTE SISTEMA ...................................................................................... 87
9 TESTES E CALIBRAGEM DE PARMETROS ................................................. 88
9.1 PREAMBULO ............................................................................................... 88
9.2 TAMANHO DA POPULAO TESTE 1 .................................................... 89
9.3 MUTAO TESTE 2 ................................................................................. 93
9.4 OUTROS PARAMETROS ............................................................................ 96
10 CONCLUSES .............................................................................................. 98
REFERNCIAS ....................................................................................................... 101
APNDICE A ........................................................................................................... 106
APENDICE B ........................................................................................................... 112


14

1 INTRODUO

1.1 MOTIVAO

Uma rea bastante explorada na engenharia civil no que diz respeito busca por
solues otimizadas das estruturas. Encontrar a melhor combinao de material,
seo transversal e arranjos no posicionamento dos elementos que torne o elemento
estrutural o mais econmico possvel.
Por ser uma cincia aplicada, a engenharia civil encontra um significativo obstculo
na aplicao das suas teorias: o seu carter prtico, que introduz restries no
concebidas em um ambiente ideal, como medidas padronizadas pelo mercado, por
exemplo. Com isso, a busca se desenvolve no em torno da soluo mais otimizada,
e sim em busca da melhor soluo, dentre as alternativas cabveis no mercado em
determinado perodo. E variveis como regio, disponibilidade de material e tempo
tambm influenciam no resultado. As tcnicas tradicionais de otimizao necessitam
de algumas informaes que nem sempre possvel se obter, como por exemplo,
que a funo seja contnua, ou que sua primeira derivada exista. Busca-se ento,
outras tcnicas que no necessitem destas informaes e que sejam mais flexveis e
adaptveis quanto s constantes mudanas de concepo dos projetos.

1.2 OBJETIVO

O principal objetivo deste trabalho aplicar o mtodo dos Algoritmos Genticos na
otimizao topolgica e paramtrica de vigas de concreto armado. Para que tal
objetivo seja alcanado, faz-se necessrio uma ampla busca por informaes sobre
o tema. Portanto, como objetivo secundrio (na verdade uma mera conseqncia),
procurou-se apresentar este estudo neste trabalho.
15

Como os Algoritmos Genticos so uma tcnica essencialmente computacional
(porm no necessariamente), procurou-se tambm elaborar um programa que
resolvesse o problema citado anteriormente, aplicando este mtodo, a fim de se
obter experincia prtica no assunto.
Portanto, os objetivos deste trabalho so:
Elaborar um estudo sobre Algoritmos Genticos, destacando seus principais
pontos, explicando conceitos e apresentando o que vem sendo desenvolvido
ao longo dos anos sobre o tema.
Aplicar os AGs na otimizao topolgica e paramtrica de vigas de concreto
armado, sujeitas a carregamento distribudo.
Implementar um programa que resolva o problema citado no tpico anterior
a fim de testar o mtodo utilizado.

1.3 JUSTIFICATIVAS

A escolha deste tema veio da necessidade de buscar solues otimizadas, porm
prticas e exeqveis para o dimensionamento de vigas.
A escolha por um mtodo baseado em heursticas para a busca de uma soluo
adequada ao problema ao invs de se utilizar os demais mtodos numricos de
otimizao, se deve principalmente a dois fatores: o uso de variveis discretas e o
carter flexvel dos algoritmos genticos. A opo por utilizar variveis discretas
ocorre do fato de, na prtica, na engenharia civil trabalhar-se com materiais j
determinados, com caractersticas tabeladas estabelecidas pelo mercado e pelos
mtodos executivos. Por exemplo, de nada adianta saber que a viga mais adequada
para determinada situao deva ter 20.345cm de base e 71.93cm de altura. Na
prtica a seo desta viga ser arredondada para 25 cm de base e 75cm de altura.
Isso vale para outros fatores que entram como variveis no problema como bitola da
armao e espaamento dos estribos. A busca por flexibilidade no mtodo se deve
ao fato das constantes mudanas de parmetros que ocorrem ao longo da
16

concepo e execuo de um projeto. Variveis inicialmente consideradas podem
ser eliminadas, enquanto outras acrescentadas sem grandes problemas. Estes
fatores mudam dinamicamente e preciso uma ferramenta de fcil adaptao para
adequar as necessidades especficas e atuais de cada problema.

1.4 ORGANIZAO DO TEXTO

Procurou-se organizar os captulos desta dissertao de forma a ambientar o leitor a
respeito do tema de um modo gradativo e natural. Os captulos iniciais apresentam
conceitos elementares e essenciais necessrios ao bom entendimento do assunto.
Em seguida os conceitos e mtodo dos Algoritmos Genticos so apresentados de
forma ampla e agregando um estudo comparativo com as diversas tcnicas (dentro
dos AGs) utilizadas por distintos autores no campo da engenharia de estruturas.
Dando prosseguimento, o problema a ser resolvido apresentado.
Nos ltimos captulos a aplicao que envolve o problema apresentada com seus
respectivos testes e resultados. O ltimo captulo apresenta as principais idias e
concluses obtidas atravs desta dissertao. No apndice apresentada uma
validao do programa implementado aplicado a um caso conhecido e tratado
anteriormente por outros autores. Abaixo segue a descrio de cada captulo desta
dissertao:
No Capitulo 1 (Introduo) so introduzidos os objetivos deste trabalho bem como
suas justificativas e organizao do texto.
No Captulo 2 (Reviso Bibliogrfica) so apresentados os principais trabalhos
nacionais e internacionais a respeito de otimizao estrutural utilizando algoritmos
genticos.
No Captulo 3 (Mtodos de Otimizao) so apresentados os principais tipos de
otimizao existentes.
17

No Captulo 4 (Conceitos Bsicos de Gentica) proporcionado ao leitor um breve
resumo dos principais conceitos que se deve ter sobre gentica a fim de facilitar o
estudo dos AGs.
No Captulo 5 (Algoritmos Genticos) pode-ser ver toda a teoria na qual os AGs
esto baseados, bem como seus principais conceitos, operadores e funcionamento.
No Captulo 6 (Apresentao do Problema) exposto o problema a ser resolvido
com maior riqueza de detalhes.
No captulo 7 (Aplicao) apresentada a aplicao do problema utilizando
algoritmos genticos.
No Captulo 8 (Estrutura do Programa) pode-se ter uma viso geral de como o
problema foi modelado no programa implementado. Apresenta as principais classes,
funes e interdependncia entre elas.
No Captulo 9 (Testes e Calibragem de parmetros) so apresentados testes
realizados no programa, a fim de calibrar seus principais parmetros e verificar sua
funcionalidade.
No Captulo 10 (Concluso) so apresentadas as concluses acerca deste trabalho
bem com uma idia para trabalhos futuros.

18

2 HISTRICO E REVISO BIBLIOGRFICA

Em meados dos anos 50 e 60, aps as descobertas que marcaram e gentica
moderna, muitos bilogos comearam a desenvolver simulaes computacionais de
sistemas genticos. Entretanto, foi John Holland, um professor da Universidade de
Michigan nos Estados Unidos, o precursor das primeiras pesquisas no tema. Holland
foi refinando suas idias ao longo dos anos e em 1975 publicou o seu livro
"Adaptation in Natural and Artificial Systems. Em meados dos anos 80, um aluno de
Holland chamado David Goldberg, consegue o primeiro sucesso em aplicao
industrial de Algoritmos Genticos (AGs). Desde ento, estes algoritmos vm sendo
aplicados com sucesso nos mais diversos problemas de otimizao e aprendizado
de mquinas.
No campo da engenharia para otimizao de estruturas, os AGs tem sido
empregados tanto nacionalmente quanto internacionalmente, na sua maioria em
estruturas metlicas.
(Cohn, et al. 1994) em 1994 apresentou um estudo com um levantamento de mais
de 500 trabalhos e teses desenvolvidas a respeito de otimizao estrutural. Ele
organizou estes trabalhos segundo alguns critrios: grau de incerteza da abordagem
utilizada (determinstica ou probabilstica), parmetros e designs das variveis
envolvidas nos problemas, geometria, carregamentos, materiais e segundo a
formulao do problema (restries, funo objetivo, etc).
Segundo Cohn, as publicaes desde 1960 at 1994 na sua maioria tratava de
otimizao matemtica. Ainda segundo o autor, apesar de diversas pesquisas na
rea de otimizao estrutural existia uma distancia muito grande entre teoria e
prtica. O autor sugere que o motivo para esta distancia se deva a incontestvel
prioridade dada a matemtica ao invs de se ater aos detalhes da otimizao
estrutural. Aps sujeitar o problema a um simples e trivial exemplo (a fim de
simplificar a formulao matemtica), acaba sujeitando o sucesso da aplicao
apenas para um nico caso especfico. No apndice B, no final deste trabalho,
apresentada uma tabela resumo elaborada por Cohn com a freqncia de diversos
19

trabalhos de otimizao estrutural organizados por algumas caractersticas bsicas.
Abaixo so listadas algumas concluses obtidas atravs destes dados:
88% dos trabalhos analisados adotaram abordagem determinstica enquanto
que apenas 12% adotaram abordagem probabilstica
1
.
Dos trabalhos que adotaram abordagem probabilstica, 97% utilizaram como
material o ao e apenas 3% o concreto. Segundo (Cohn, et al. 1994) isso se
deve ao fato das caractersticas (elasticidade, plasticidade e homogeneidade)
do ao serem mais fceis de modelar.
Abrindo um pequeno parntesis, a autora desta dissertao particularmente
pensa que isso se deva tambm ao fato do ao ser um material
industrializvel, portanto pode ser produzido em larga escala e com isso sua
vantagem da otimizao sobre uma estrutura de concreto, ainda produzida
artesanalmente (apesar das estruturas pr-moldadas). Alm disso,
internacionalmente o ao mais utilizado que o concreto para as estruturas.
J no Brasil, como o principal material utilizado o concreto existem mais
trabalhos nesta rea.
46% dos trabalhos probabilsticos trataram de estruturas tipo arco, 27% eram
trelias planas, 10% trelias espaciais e apenas 7% barras.
41% dos trabalhos probabilsticos tinham como critrio de restrio tanto o
estado limite de servio (ELS) quanto o estado limite ltimo (ELU). 32%
tratava apenas do ELS e 27% apenas do ELU. interessante comparar estes
resultados com os resultados obtidos nos trabalhos que utilizaram abordagem
determinstica. Apenas 4% dos trabalhos que utilizaram este tipo de
abordagem adotaram como critrio ambos os estados limites (ELU e ELS).
Acredita-se que seja pelo fato da dificuldade de acrescentar mais restries
na modelagem matemtica.

Aps 1994 muita pesquisa no campo de otimizao estrutural utilizando AGs foi
realizada. Abaixo apresentada uma tabela com a relao de alguns dos principais

1
importante ressaltar que a pesquisa elaborada por Cohn levantou trabalhos desde 1960 a 1994.
Aps esse perodo, muita pesquisa foi produzida.
20

trabalhos publicados classificados segundo o tipo de otimizao, estrutura e material
utilizados.

TRABALHOS DE OTIMIZAO ESTRUTURAL, UTILIZANDO ALGORITMOS
GENTICOS
AUTOR (ES) /
ANO
TTULO
TRABALHO
TIPO DE
OTIMIZAO
TIPO DE
ESTRUTURA
MATERIAL
(Koumousis e
Georgiou
1994)
Genetic
Algorithm in
discrete
optimization of
steel truss roofs
Topolgica e
Paramtrica
Vigas Ao
(Castro, 2001)
Otimizao de
estruturas multi-
objetivos via
algoritmos
genticos
Paramtrica
Barras e
trelias
Ao
(Cho, Min e
Lee 2001)
Optimum Life
Cycle cost design
of orthotropic
steel deck
bridges
Topolgica e
Paramtrica
Grelha Ao
(Deb e Gulati
2001)
Design of truss
structures for
minimum weight
using Genetic
Algorithm
Topolgica e
Paramtrica
Trelia Ao
(Castilho
2003)
Otimizao de
componentes de
concreto pr-
moldado
protendido
mediante
algoritmos
genticos
Paramtrica Lajes Concreto
(Pizzirani
2003)
Otimizao de
estruturas
utilizando
Algoritmos
Genticos
Paramtrica Vigas Concreto
21

TRABALHOS DE OTIMIZAO ESTRUTURAL, UTILIZANDO ALGORITMOS
GENTICOS
AUTOR (ES) /
ANO
TTULO
TRABALHO
TIPO DE
OTIMIZAO
TIPO DE
ESTRUTURA
MATERIAL
(Silva 2001)
Otimizao de
Estruturas de
Concreto Armado
utilizando
Algoritmos
Genticos
Paramtrica
Pilares e
Prtico Plano
Concreto
(Sakla e
Elbeltagi
2003)
Design of Steel
Roofs Subjected
to Drifted Snow
using Genetic
Optimization
Topolgica e
Paramtrica
Vigas Ao
(Croce,
Ferreira e
Lemonge
2004)
A Genetic
Algorithm for
Structural
Optimization of
steel Truss Roof
Topolgica e
Paramtrica
Trelia Ao
(Kicinger e
Arciszewski
2004)
Evolutionary
Multiobjetive
Optmization of
Steel Structural
Systems in tall
buildings
Topolgica e
Paramtrica
Prtico Plano Ao
(Olivieri 2004)
Otimizao de
projeto de pontes
protendidas pr-
moldadas pelo
mtodo dos
Algoritmos
Genticos
Paramtrica Vigas Concreto
(Del Savio, et
al. 2005)
Genetic
Algorithm
optimization of
semi-rigid steel
structures
Paramtrica Prtico Plano Ao
(Gantovnik
2005)
Na Improved
Genetic Algorithm
of Composite
Structures
Paramtrica Vigas Ao
22

TRABALHOS DE OTIMIZAO ESTRUTURAL, UTILIZANDO ALGORITMOS
GENTICOS
AUTOR (ES) /
ANO
TTULO
TRABALHO
TIPO DE
OTIMIZAO
TIPO DE
ESTRUTURA
MATERIAL
(Gillman 2005)
Optimization of
Shape, Size and
Topology design
variables in
trusses with a
Genetic
Algorithm
Topolgica e
Paramtrica
Trelia Ao
(Gillman 2005)
Multiple Optimum
size/shape/topolo
gy designs for
skeletal structures
using a Genetic
Algorithm
Topolgica e
Paramtrica
Skeletal
Structures
Ao
(Guerra 2008)
Otimizao de
estruturas
treliadas por
Algoritmos
genticos
Paramtrica Trelia Ao
(Hultman
2010)
Weight
optimization of
steel trusses by a
Genetic
Algorithm
Topolgica Trelia Ao

Tabela 1 - Trabalhos de Otimizao Estrutural, utilizando Algoritmos Genticos, classificados
por tipo de otimizao, estrutura e material.

Dos trabalhos listados, 77% utilizaram como material o ao. Apenas 23%
trabalharam com concreto (todos de pesquisadores brasileiros). Nota-se que ainda
existe uma predileo pelo ao como material, mas tambm no se pode ignorar
que o concreto vem ganhando cada vez mais espao. A otimizao estrutural
utilizando Algoritmos Genticos ainda no uma tcnica abordada pela maioria dos
pesquisadores, em parte devido ao seu carter probabilstico. Porm, espera-se
que, com o desenvolvimento de mais pesquisas na rea, alguns preconceitos
possam ser quebrados e com isso desenvolver mais este campo.
23

3 MTODOS DE OTIMIZAO

3.1 PREAMBULO

Este captulo apresenta uma sntese dos principais mtodos de otimizao
existentes. Estes mtodos so apenas citados e classificados segundo algum
critrio, de forma a situar o leitor da posio global em que se encontra o mtodo de
otimizao que ser adotado neste trabalho (os Algoritmos Genticos), ou seja, para
que se possa ter uma melhor percepo do enquadramento deste tipo de algoritmo
com relao aos demais mtodos existentes. Para maiores detalhes sobre mtodos
de otimizao aconselhvel ler a bibliografia, sugerida no final de cada tpico
deste captulo. Os AGs (objeto de estudo deste trabalho) sero tratados com mais
detalhes em um captulo especfico.

3.2 DEFINIO GERAL

No dicionrio, otimizar significa: Dar a algo (uma mquina, uma empresa) um
rendimento timo, criando-lhe as condies mais favorveis ou tirando (dele ou dela)
o melhor partido possvel; tornar (algo) timo ou ideal
Traduzindo para uma linguagem matemtica, os problemas de otimizao so
geralmente problemas de maximizao ou minimizao de uma funo de uma ou
mais variveis pertencentes a um dado domnio, sujeitas ou no a determinadas
restries. Estas restries podem ser expressas por equaes, inequaes ou
simplesmente limites superior e inferior das variveis. Fundamentalmente um
problema de otimizao pode ser definido conforme segue abaixo:

24

Seja :

, :

, :


Minimizar/Maximizar: (x
1
, x
2
, x
3, ... ,
x
n
)
Sujeito a:

x1, x2, x3, . . . , xn = 0 {1, . , } (Restries de igualdade - Equaes)

x1, x2, x3, . . . , xn 0 {1, , } (Restries de Desigualdade - Inequaes)


Sendo x1, x2, x3, . . . , xn

as variveis do problema.
Os problemas de otimizao podem ser classificados segundo o grau de relao
entre as variveis tanto na funo objetivo quanto nas restries. Sendo
classificados como lineares aqueles problemas em que as variveis variam
linearmente em relao funo objetivo e/ou em relao s restries e,
conseqentemente, so considerados no-lineares os problemas em que elas
variam de uma forma no linear seja na funo objetivo, nas restries ou em
ambos.
Os problemas tambm podem ser classificados segundo a presena ou no de
restries. So considerados no restringidos quando no possuem restries, e
restringidos quando possuem restries.
(Zuben 2004) distingue os mtodos de otimizao em trs categorias, classificadas
de acordo com seu grau de rigidez em relao ao grupo de problemas abordados.
Segundo (Zuben 2004):
Mtodos Fortes: So idealizados para resolverem problemas genricos,
porm so desenvolvidos para operarem em um ambiente especfico, onde a
linearidade, continuidade e/ou estacionariedade devem prevalecer. So
considerados exemplos de mtodos fortes o mtodo dos gradientes e
tcnicas de programao linear.
Mtodos Especficos: So idealizados para resolverem problemas
especficos em ambientes especficos. Por exemplo, uma tcnica que conduz
a uma soluo na forma fechada, exclusiva apenas para aquele determinado
problema.
25

Mtodos Fracos: So idealizados para resolverem problemas genricos em
ambientes genricos. Operam em mundos no-lineares e no estacionrios,
embora no garantam eficincia total na obteno da soluo (Zuben 2004).
So exemplos de mtodos fracos os Algoritmos Genticos.
No campo da engenharia de estruturas, os problemas de otimizao podem ser
classificados tambm segundo o critrio de otimizao:
Otimizao topolgica refere-se, em meios discretos como barras, trelias e
prticos, a uma otimizao de layout. Ou seja, uma otimizao que busca
encontrar o melhor arranjo entre ns e posicionamento dos elementos.
Otimizao Paramtrica - corresponde otimizao de parmetros do
elemento analisado. Esses parmetros podem ser relacionados a
caractersticas constitutivas do elemento (material, mdulo de elasticidade,
etc.) como tambm caractersticas geomtricas (dimenses de base, altura,
espessura, etc.).
Otimizao de forma algumas vezes confundida com a paramtrica,
permite alterar a forma da estrutura de maneira a encontrar a soluo tima.
De uma maneira geral existem duas vertentes de mtodos de otimizao:
Mtodos determinsticos e
Mtodos probabilsticos.

3.3 MTODOS DETERMINSTICOS

Os mtodos determinsticos se baseiam em um conjunto de aes sistemticas e
uso de teoremas que iro determinar um resultado que, se no o timo, pelo
menos ser bastante prximo do mesmo, com certo grau de preciso. Os mtodos
determinsticos geralmente utilizam de pelo menos a primeira derivada da funo
objetivo em relao s variveis de projeto e, por isso a importncia da funo ser
contnua e derivvel.

Eles funcionam melhor para variveis contnuas.
variveis discretas preciso tratar o
desejada.
Em seu trabalho (Silva 2001)
de mtodos determinsticos existentes, como se pode observar

Figura 1 Classificao dos
Eles funcionam melhor para variveis contnuas. Quando se trata de problemas de
variveis discretas preciso tratar o resultado para que se consiga a restrio
(Silva 2001) organizou uma classificao geral de uma vasta gama
determinsticos existentes, como se pode observar a seguir
Classificao dos Principais Mtodos Determinsticos, segundo
26
Quando se trata de problemas de
resultado para que se consiga a restrio
uma classificao geral de uma vasta gama
a seguir:

eterminsticos, segundo (Silva 2001)
27

Para um estudo mais aprofundado sobre mtodos determinsticos de otimizao
sugere-se os livros: Linear and Nonlinear Programming (Luenberger 2003) e
"Elements of Structural Optimization (Haftka e Gurdal 1991).

3.4 MTODOS PROBABILSTICOS

Os mtodos probabilsticos, como o prprio nome diz, se baseiam em anlises
probabilsticas das possveis solues para um determinado problema. Enquanto
nos mtodos determinsticos o resultado est completamente determinado pelos
procedimentos que o precedem e condiciona com o mesmo valor os procedimentos
que o sucedem, nos mtodos probabilsticos a relao de causa e efeito no
completamente determinada. Pode-se apenas determinar a probabilidade de
ocorrncia de um dado fenmeno a partir do conhecimento dos que o precedem.
(Olivieri 2004) define da seguinte forma este tipo de mtodo de otimizao: tcnicas
que imitam, de forma simplificada, fenmenos ou processos encontrados na
natureza e, por esse motivo, denominadas de Computao Natural. Em seu
trabalho Olivieri apresenta as ramificaes desta chamada Computao Natural:

Figura 2 Ramificaes da Computao Natural, segundo (Olivieri 2004)

28

Como se pode perceber os Algoritmos Genticos (objeto de estudo deste trabalho)
fazem parte de um grupo chamado Computao Evolutiva, em que se inspiram na
teoria da evoluo das espcies para resolver problemas.
A Computao Evolutiva surgiu em meados dos anos 50. Porm durante quase 30
anos ficou estagnada, devido falta de computadores eficientes na poca. Apenas
aps os trabalhos de Holland e outros pesquisadores (em meados dos anos 70)
que a computao evolutiva voltou e se desenvolveu, sendo utilizada cada vez mais.
As diferenas entre esses algoritmos so sutis, porm significantes. Os Algoritmos
Genticos empregam operadores de crossover e mutao. Koza (1992) fez uma
adaptao dos AGs de forma a aplic-los na evoluo de programas de
computador, o que ficou denominado de Programao Gentica. As Estratgias
Evolutivas diferem dos AGs por utilizarem apenas mutao para resolver problemas
de otimizao. J a Programao Evolutiva tambm emprega apenas a mutao e
foi originalmente proposta por Fogel et. al. (1996) com a finalidade de criar
inteligncia artificial, atravs da evoluo de mquinas de estado finito.
Todos os mtodos evolucionrios (baseados na computao evolutiva) possuem
duas caractersticas que os distinguem dos demais algoritmos de busca:
So totalmente baseados em populaes;
H uma troca de informaes entre os indivduos e a populao como um
todo. Esta troca de informaes um resultado de operaes como seleo,
recombinao e mutao.
(BASTOS, 2004) cita algumas das caractersticas dos mtodos evolucionrios:
No requerem que a funo objetivo seja contnua ou diferencivel;
Trabalham adequadamente, tanto com parmetros contnuos quanto com
discretos, ou ainda com uma combinao deles;
No necessitam de formulaes complexas ou reformulaes para o
problema;
No h restrio alguma quanto ao ponto de partida dentro do espao de
busca da soluo;
29

Realizam buscas simultneas no espao de possveis solues atravs de
uma populao de indivduos;
Otimizam um grande nmero de variveis, desde que a avaliao da funo
objetivo no tenha um custo computacional demasiadamente alto.
A maior desvantagem em relao aos mtodos clssicos o tempo de
processamento.
Para um estudo mais detalhado sobre Computao Evolutiva, sugere-se consultar a
bibliografia. Entre os autores que se destacam no tema esto: (BCK, HAMMEL e
SCHWEFEL 1997) , (Michalewicz e Hinterding 1997), (Goldberg 1989) e (Holland
1975).
30

4 CONCEITOS BSICOS DE GENTICA

Gentica o ramo da biologia que estuda a forma como se d a transferncia das
caractersticas dos seres vivos de gerao para gerao. Um dos primeiros
pesquisadores a tratar do assunto foi o naturalista francs Lamark. Segundo Lamark
o princpio evolutivo estaria baseado em duas leis fundamentais: Lei do uso e
desuso e Lei de transmisso dos caracteres adquiridos.
Lei do uso ou desuso: a constante utilizao de determinadas partes do corpo
do organismo fazia com que elas se desenvolvessem mais do que as outras e
vice versa, ou seja, o fato do seu desuso causaria atrofiao.
Lei da transmisso dos caracteres adquiridos: alteraes provocadas em
determinadas caractersticas do organismo, pelo uso e desuso, so
transmitidas aos descendentes.
Hoje se sabe que a teoria de Lamark no vlida, pelo menos no em sua
totalidade, porm foi muito importante, pois abriu o caminho para as pesquisas nesta
rea. Outro pesquisador, que no se pode deixar de citar Mendel, um monge
austraco, considerado por muitos o verdadeiro pai da gentica. Mendel, atravs de
seu trabalho no cruzamento de ervilhas, observou que as condies do tempo, do
solo e da umidade afetavam as caractersticas do crescimento das plantas, porm
eram os fatores hereditrios os maiores responsveis pelas suas caractersticas. Foi
um passo fundamental para o avano da gentica (apesar de, na poca, esse termo
gentica ainda no existir). Quase que ao mesmo tempo das descobertas de
Mendel, um naturalista ingls chamado Charles Darwin conseguiu organizar e
catalogar informaes relevantes que viriam a favorecer a sua pesquisa sobre a
origem da vida. Em 1859, com seu livro intitulado: A Origem das espcies, Darwin
procurou elucidar, dentre outras coisas, o funcionamento da vida, explicando as
transformaes dos seres vivos ao longo do tempo e o porqu de certas espcies
terem se extinguido.
Segundo Darwin, as espcies de todos os seres vivos que conhecemos hoje so
resultado de uma evoluo de milhes de anos. Ele introduz o conceito de seleo
31

natural para explicar a sobrevivncia e predominncia de umas espcies sobre as
outras. Resumidamente sua teoria explica que somente as espcies mais
preparadas que iro sobreviver as adversidades do meio em que vivem. As
espcies que no possurem caractersticas que permitam suportar as adversidades
iro morrer jovens (antes de atingirem maturidade para a reproduo) e com isso
no conseguiro perpetuar a espcie, causando assim sua extino. A esse
processo Darwin nomeou de Seleo Natural. Para que essa teoria funcione, estas
caractersticas biolgicas que vem a tornar um indivduo mais apto que outros
devem ser hereditrios, ou seja, devem ser transmitidas de gerao para gerao.
Abaixo segue um resumo das principais idias da teoria de Darwin:
Todo organismo tem grande capacidade de reproduo, produzindo muitos
descendentes. Entretanto, apenas alguns dos descendentes chegam idade
adulta.
Indivduos de uma mesma espcie possuem caractersticas diferentes, no
sendo, portanto, idnticos entre si.
Devido ao fato de s alguns indivduos conseguirem chegar vida adulta
(idade para a reproduo), existe uma batalha pela vida entre os
descendentes.
Nesta batalha pela vida, indivduos com caractersticas mais favorveis as
condies do ambiente possuem maiores chances de sobreviver, quando
comparados aos indivduos ou organismos com caractersticas menos
favorveis.
Organismos com estas variaes favorveis conseguem transmitir suas
caractersticas para os seus descendentes. Assim, ao longo das geraes, a
atuao da seleo natural sobre os indivduos mantm ou melhora o grau de
adaptao destes ao meio.
No inicio do sculo XX, devido aos avanos nas pesquisas no campo da gentica,
os cientistas fizeram vrias descobertas, criando-se, assim, uma nova teoria
baseada nos princpios da seleo natural, essa teoria hbrida comumente
chamada de neodarwinismo, pois se baseia no modelo de Darwin, porm consegue
32

explicar melhor fenmenos como a variabilidade das populaes, mutaes, entre
outros.
A seguir sero apresentados alguns conceitos bsicos de gentica e da teoria da
seleo natural. Procurou-se ser sucinto na explicao destes conceitos, servindo
apenas como base para um melhor entendimento do captulo que se segue sobre
Algoritmos Genticos. Para um estudo mais aprofundado sobre gentica aconselha-
se o livro The Science of Genetics de (Atherly, Girton e McDonald. 1998).

4.1 GENE
O gene a unidade bsica da hereditariedade. Ele formado por uma seqncia
especfica de cidos nuclicos. Os cidos nuclicos so biomolculas fundamentais
para a formao da estrutura celular. Eles contm o cdigo da vida, ou seja, a
informao necessria para o funcionamento do organismo. Sendo assim, os genes
no s controlam a estrutura e as funes metablicas das clulas; quando
localizados em clulas reprodutivas eles so capazes de transmitir suas informaes
para os demais descendentes.

4.2 ALELOS

Os alelos so formas alternativas de um mesmo gene. Por exemplo, no homem,
temos um gene que determina a cor dos olhos. Este gene pode ser um que
determine a cor castanho, a cor verde ou a cor azul, por exemplo. A estes genes,
que determinam uma dada caracterstica em comum, chamamos de alelos.


33

4.3 CROMOSSOMO

O cromossomo constitudo por uma longa fita dupla de DNA. O DNA o material
que constitui os genes. Ou seja, o cromossomo o pacote que contem um
determinado agrupamento de genes. Toda espcie possui um nmero definido de
cromossomos e eles esto contidos no ncleo de todas as clulas do organismo. Os
cromossomos encontram-se organizados em pares, a estes pares de cromossomos
com genes de caractersticas similares (alelos) chamamos de cromossomos
homlogos. A espcie humana possui 46 cromossomos, ou seja, 23 pares de
cromossomos.

4.4 GENTIPO

O gentipo a constituio gentica de um indivduo, ou seja, o conjunto de genes
que um indivduo possui.

4.5 FENTIPO

O fentipo o conjunto de caractersticas apresentadas por um indivduo sejam elas
morfolgicas, fisiolgicas ou comportamentais. Ou seja, so suas caractersticas
manifestas, estejam elas visveis ou no, como por exemplo, cor da pele, cor dos
olhos, tipo de cabelo, traos da personalidade. O fentipo um resultado das
informaes contidas no gentipo. Nem todas as informaes do gentipo se
apresentam fisicamente no indivduo, apenas as que iro se manifestar o que
chamado de fentipo.

34

4.6 ESPCIE

Grupo de indivduos com caractersticas semelhantes capazes de se reproduzir e
gerar descendentes frteis. Indivduos de espcies diferentes geralmente no se
cruzam ou por falta de condies anatmicas ou por desinteresse sexual. Quando
ocorre um cruzamento com indivduos de diferentes espcies eles raramente geram
descendentes, pois possuem uma estrutura gentica incompatvel, ou seja, seus
cromossomos no formam pares. Quando conseguem gerar seus descendentes,
estes so infrteis.

4.7 POPULAO

Grupo de indivduos de uma mesma espcie que habitam determinado ambiente em
um mesmo perodo de tempo.

4.8 AMBIENTE

o conjunto de condies, leis, influncias e infra-estrutura de ordem fsica, qumica
e biolgica, que permite, abriga e rege a vida em todas as suas formas.

4.9 MUTAO

uma alterao definitiva no material gentico de um determinado organismo. Para
que ocorra a mutao preciso que haja algum dano na seqncia de nucleotdeos
do DNA. As clulas possuem um mecanismo de correo quando ocorre alguma
35

falha, mas quando este mecanismo no funciona corretamente ou o dano
irreparvel esta alterao na seqncia da codificao pode ser transmitida para as
clulas filhas. Conseqentemente, as clulas filhas que sobreviverem iro
apresentar caractersticas novas, diferentes da clula me. Para a evoluo das
espcies a mutao um fator importante, pois garante que caractersticas novas
sejam introduzidas aos indivduos de uma determinada populao mantendo assim
uma variabilidade.

4.10 REPRODUO SEXUAL

Combina os genes de cada pai, dividindo, rompendo e combinando cromossomos
durante a criao de cada espermatozide e vulo (clulas sexuais masculinas e
femininas, respectivamente). Quando espermatozide e vulo se combinam alguns
genes do pai e alguns genes da me so misturados de forma aleatria, criando
uma mistura nica de alelos nos descendentes.

4.11 CRUZAMENTO (CROSSOVER)

O cruzamento, em ingls crossover
2
, o fenmeno que ocorre durante a meiose
onde os cromossomos homlogos se pareiam antes de se dividirem em gametas
diferentes.



2
Procurou-se citar o termo em ingls devido ao seu vasto uso nos trabalhos no s internacionais
quanto nacionais tambm. Muitos autores preferem manter o termo em ingls, ao invs de traduzi-lo.
36

4.12 APTIDO BIOLGICA

Capacidade de um organismo de sobreviver por tempo suficiente para se reproduzir.
Reflete tambm a capacidade de um organismo para se reproduzir bem, ou seja,
deixar descendentes que tambm tenham essa aptido.

37

5 ALGORITMOS GENTICOS

Conforme introduzido em captulos anteriores, os Algoritmos Genticos so
algoritmos de busca e otimizao que se baseiam no processo da seleo natural
para encontrar o ponto timo de uma funo. Combinam a sobrevivncia do mais
apto e o cruzamento aleatrio da informao.
Basicamente, um AG funciona da seguinte forma: cada indivduo representa uma
possvel soluo de um problema. Esta representao feita atravs de uma
codificao que pode ser com nmeros binrios, reais, etc. Um grupo de indivduos
forma uma populao. A cada indivduo atribudo um valor de aptido que
corresponde ao seu grau de proximidade com a soluo tima. Indivduos que
possuem um maior valor de aptido, ou seja, esto mais prximos da soluo tima
(mais adaptados) possuem mais chances de se reproduzir, quando comparados a
indivduos com valor de aptido menores.
Para selecionar os indivduos que iro se reproduzir o algoritmo utiliza-se de
mtodos que privilegiam os indivduos mais bem adaptados. Aps a seleo, feita
ento uma recombinao gentica (cruzamento), em que indivduos pais iro se
combinar para dar origem a uma nova gerao, teoricamente melhor adaptada que a
anterior. O algoritmo segue em um loop que s ir acabar quando algum critrio de
parada for atingido. Na figura a seguir apresentado um esquema bsico do
algoritmo.






38























Figura 3 - Esquema Bsico de um Algoritmo Gentico

ESQUEMA BSICO DE UM ALGORITMO GENTICO:
Faa i=0
Gere a populao inicial P(i=0),
aleatoriamente
Selecione indivduos de P(i) baseados
na sua aptido.
Aplique operadores de combinao
entre os indivduos selecionados.
Algum critrio de parada foi satisfeito?
No
Crie uma nova gerao: P(i+1),
formada pelos indivduos gerados nos
itens anteriores.
Aplique operadores de mutao e
elitismo.
Avalie a aptido de cada indivduo de
P(i)
FIM
Sim
39

Segundo (DAVIS 1991), os AGs empregam um processo adaptativo e paralelo em
busca da soluo tima de problemas complexos. So considerados adaptativos,
pois uma informao atual influenciar na busca futura e so considerados
paralelos, pois diversos casos so analisados paralelamente, ou seja, ao mesmo
tempo.
A vantagem destes algoritmos sobre outros mtodos de otimizao a facilidade de
se trabalhar com variveis discretas, um fator muito til para os problemas de
otimizao estrutural, pois como se sabe, na prtica, na construo civil a maioria
dos elementos possuem caractersticas previamente definidas (tabeladas):
dimenses de vigas, dimetro das bitolas etc. Para que a otimizao estrutural dos
elementos seja coerente ela deve obedecer a estes critrios de ordem prtica.
Conforme apresentado anteriormente, os AGs trabalham com um conjunto de
solues. Para o seu funcionamento so utilizadas regras probabilsticas para
encontrar um resultado, ao contrrio de outros mtodos de otimizao que se
baseiam em regras determinsticas. Isso bastante til, pois evita preocupar-se com
problemas como descontinuidade das funes, existncia ou no de derivada, etc.
Em seu trabalho (Zuben 2004) expe que os AGs, apesar de no-determinsticos,
no so um mtodo meramente aleatrio, como se observa na transcrio abaixo:

Algoritmos Genticos constituem, assim, uma classe de mtodos de busca
de propsito geral que apresentam um balano notvel entre
aproveitamento de melhores solues e explorao do espao de busca.
Embora apresentem etapas no-determinsticas em seu desenvolvimento,
os algoritmos genticos no so mtodos de busca puramente aleatrios,
pois combinam variaes aleatrias com seleo, polarizada pelos valores
de adequao (fitness) atribudos a cada individuo. (...) O processo de
busca , portanto, multi-direcional, atravs da manuteno de solues
candidatas, e encorajando a troca de informao entre as direes. (Zuben,
2004, pg.11)

Quanto ao tratamento de restries, os AGs so essencialmente algoritmos de
otimizao no restringida. Para adapt-los e fazer com que as restries sejam
40

obedecidas utiliza-se artifcios tais como penalizaes na aptido dos indivduos que
no atendam as restries necessrias (este assunto ser tratado com maiores
detalhes no item 5.4, sobre penalizaes).
Abaixo podemos observar a correspondncia (analogia) entre a gentica natural e
um algoritmo gentico:
















Figura 4 - Analogia Gentica Natural - Algoritmo Gentico

*Soluo, neste caso, no implica dizer que a soluo seja vivel.
Nos prximos tpicos os conceitos essenciais sobre algoritmos genticos e seus
principais operadores sero apresentados com mais detalhes, so eles:
Representao;
Cromossomos e Genes;
Funo de Aptido;
Penalizao
POPULAO CONJUNTO DE SOLUES*
INDIVDUO SOLUO*
GENTICA NATURAL ALGORITMO GENTICO
GENE
CODIFICAO QUE
REPRESENTA A VARIVEL
CROMOSSOMO
CODIFICAO QUE
REPRESENTA O INDIVDUO
ALELO
VALOR QUE UMA VARIVEL
PODE ASSUMIR
41

Seleo;
Cruzamento;
Mutao e
Elitismo.

5.1 REPRESENTAO

Para que o indivduo seja manipulado nas diversas operaes do algoritmo ele
precisa estar codificado. Ou seja, necessrio que se transforme todas as
informaes relevantes e que sero tomadas como variveis do problema em uma
codificao. Esta codificao pode ser feita de diversas maneiras. As mais usuais
so:
Representao binria e
Representao real.

5.1.1 REPRESENTAO BINRIA

A representao binria consiste em agregar algum valor na notao binria que
venha a representar a caracterstica de alguma varivel. Por exemplo, sejam altura e
largura de uma viga as variveis de um problema. Os limites impostos para a largura
so de 20 a 70 cm, tomados de cinco em cinco centmetros. Enquanto que a altura
varia de 20 a 100 cm, tambm tomados de cinco em cinco centmetros. Logo, pode-
se fazer uma representao binria da seguinte forma:

a) Representao da varivel largura:
Com os limites de dimenses impostos anteriormente, pode-se ter at onze tipos de
largura da base, conforme calculado a seguir:
42

Varivel
Largura
1 2 3 4
=

+1
Equao 1
=
70 20
5
+1 = 11
Logo, para a representao binria da varivel largura, necessrio um nmero em
notao binria que representa pelo menos at o valor inteiro 11, ou seja, quatro
bits:




Figura 5 - Representao da varivel Largura

Como se sabe, um nmero em binrio com quatro bits pode representar at o inteiro
n15, portanto haver uma faixa de nmeros que ocasionalmente podero existir e
que no sero vlidos, neste caso, por exemplo, so os nmeros: 0,12,13,14 e 15. O
programador dever prever estes casos em sua implementao fazendo uma
validao dos mesmos. A forma como se deve fazer esta validao varia de caso a
caso e inerente ao programador.

b) Representao da varivel altura:
Fazendo analogamente ao item anterior, tem-se:
=

+1 =
100 20
5
+1 = 17
Para representar em binrio at o nmero 17 devem-se ter cinco bits, logo:

43


Figura 6 - Representao da varivel Altura

Lembrando que o nmero zero e os nmeros maiores que 17 devero ser
desvalidados pelo implementador.
importante ressaltar que esta forma de representao demonstrada anteriormente
apenas uma das diversas formas em que se pode codificar uma varivel em
representao binria. Isso fica a critrio do implementador.
Um ponto fraco na codificao binria o chamado Hamming Cliffs. Pode-se definir
distncia de Hamming como o nmero de bits diferentes entre dois inteiros
representados em binrio, por exemplo: os nmeros 00010 e 11010 possuem
distncia de Hamming igual a dois, pois dois bits os diferem um do outro. O
Hamming Cliffs (inicialmente definido por Goldberg) ocorre quando dois nmeros
inteiros adjacentes possuem uma distncia de Hamming alta, por exemplo, os
nmeros 7 e 8 que possuem distancia igual a 4:
7 (Inteiro) 0111 (Binrio)
8 (Inteiro) 1000 (Binrio)
Logo, pode-se observar que uma pequena mudana em um desses bits causaria um
grande deslocamento da varivel no universo de busca, o que nem sempre
desejado.



Varivel
Altura
1 2 3 4 5
44

5.1.2 REPRESENTAO REAL

A representao em real no tem sido muito adotada pelos implementadores de
AGs. Acredita-se que um dos motivos se deva ao fato da representao binria ser
simples em sua manipulao. Porm quando se precisa de uma maior preciso
numrica o cdigo pode ficar to grande, que acaba tornando este tipo de
codificao ineficiente. Para estes casos, costuma-se adotar a representao real,
que traz uma maior preciso codificao.
Segundo (Herrera, F Lozano, Verdegay 1998) interessante utilizar representao
real quando se necessita cobrir um domnio bem abrangente, j que com
representao binria isso implicaria num custo computacional alto. Em seu trabalho
(Brun 2005) cita que a vantagem em se utilizar representao real ao invs da
binria a capacidade de se poder explorar gradualmente as funes com variveis
contnuas. Essa evoluo gradual se aplica ao fato de ligeiras mudanas nas
variveis corresponderem a pequenas mudanas na funo. interessante explorar
gradualmente o domnio do problema, pois a soluo obtida pode ser melhor atravs
de uma pequena mudana nos parmetros.
importante ressaltar que dentro da representao real os operadores de mutao
e cruzamento so realizados de forma diferente do mtodo utilizado na tcnica
tradicional.

5.2 CROMOSSOMOS E GENES

Fazendo uma analogia com a gentica, um gene pode ser considerado uma
caracterstica inerente ao problema, ou seja, uma varivel. Um conjunto de variveis
(genes) constitui um cromossomo, que vem a representar um indivduo. Na verdade
um indivduo pode vir a ser caracterizado tambm por mais de um cromossomo.


Figura

Figura

Figura 7 - Representao de um cromossomo
Figura 8 - Representao de um Indivduo
CROMOSSOMO "n"
Gene 3
(Varivel
3)
Gene 2
(Varivel
2)
Gene 1
(Varivel 1)
INDIVDUO
45


46

5.3 FUNO DE APTIDO

A funo de aptido mede a adaptao do indivduo, ou seja, o quo boa a
soluo para um dado problema. Aptido, em ingls fitness, possui o mesmo
significado que o termo adotado na biologia, ou seja, afere a capacidade do
indivduo sobreviver para a prxima gerao.
Novamente fazendo-se uma analogia com a gentica, pode-se dizer que a funo de
aptido representa o gentipo do indivduo. Para se descobrir qual o fentipo
associado necessrio que este gentipo seja decodificado. Para cada aplicao de
um problema existe uma funo de aptido que o caracteriza.
De uma maneira geral a funo de aptido funciona conforme ilustrado abaixo:




Figura 9 - Representao da Funo de Aptido



Funo
de
Aptido
Varivel
1
Varivel
2
Varivel
n
Aptido
47

5.4 PENALIZAO

Os AGs so essencialmente um mtodo de otimizao sem restries. Para fazer
com que as restries sejam obedecidas utilizado o mtodo da penalizao. Este
mtodo, como o prprio nome diz, consiste em penalizar a funo de aptido
acrescentando ou removendo a ela um determinado valor para cada restrio no
obedecida. Esta penalizao obtida definindo-se uma funo auxiliar que ento
incorporada funo de aptido original, transformando, assim, um problema de
otimizao com restries em um problema de otimizao sem restries.
Apesar de existirem diversas formas de se aplicar a funo de penalizao e que,
cada pessoa pode definir a sua, existem basicamente duas formas (para o caso de
problemas de minimizao). Esta forma vai depender do tipo da restrio a ser
obedecida. Por exemplo, seja o problema de minimizao da funo sujeita a
restries de igualdade, apresentado abaixo:

Aplicando-se uma funo de penalizao, se transformaria em:

Minimizar

x = fx + *[h
j
x]
Equao 2 - Funo com penalizao para restries de igualdade

Onde um nmero real positivo razoavelmente grande em relao s grandezas
do problema e j corresponde a uma restrio de igualdade do problema.
Minimizar f(x)
Sujeito a h(x)=0
48

Agora, seja o problema de minimizao com restries de desigualdade, conforme
apresentado abaixo:

O problema ento poderia ser transformado em:

() = () + a [0,

()]
Equao 3 - Funo com penalizao para restries de desigualdade

Para problemas com diversas restries tanto de igualdade quanto de
desigualdades, pode-se adotar a seguinte penalizao, bastante completa:

Minimizar

x = fx + * mximo[0,g
i
x]
k
i=1
+ *
m
j=1
h
j
x
Equao 4 - Funo com penalizao completa

Onde:
k = nmero de restries de desigualdade;
m = nmero de restries de igualdade.


Minimizar f(x)
Sujeito a g(x) 0
49

5.5 SELEO

A seleo um dos principais operadores de um AG. atravs deste operador que
so escolhidos os indivduos que iro se reproduzir e, conseqentemente, transmitir
os seus genes para a prxima gerao. Os autores costumam distinguir trs
mecanismos de seleo.
Seleo por amostragem direta: Os indivduos so selecionados para a
reproduo segundo algum critrio especfico. o caso quando, por exemplo,
o programador do problema utiliza como critrio de seleo sempre os n
melhores indivduos da populao.
Seleo por amostragem aleatria: neste mtodo de seleo todos os
indivduos possuem a mesma chance de serem selecionados para a
reproduo.
Seleo por amostragem estocstica: este tem sido o mtodo mais utilizado
para seleo. Nele cada indivduo possui uma probabilidade de seleo
proporcional ao seu grau de aptido. O programa implementado neste
trabalho utiliza este tipo de mtodo de seleo.

Dentre os diversos mtodos de seleo estocsticos, existem trs que so mais
utilizados e sero explicados com mais detalhes nos itens que seguem. So eles a
seleo por roleta, a seleo baseada em classificao e o torneio.

5.5.1 SELEO POR ROLETA

O mtodo da roleta consiste em dar para cada indivduo chances de seleo
proporcionais a sua aptido. Assim, indivduos mais bem adaptados, tero maior
probabilidade de serem escolhidos. Existem diversas variaes do mtodo da roleta,
porm em sntese eles funcionam da seguinte maneira: Sejam f
1
, f
2
, ..., f
n
os valores
50

da aptido de cada indivduo de uma populao de tamanho n. A probabilidade de
seleo de cada indivduo ento determinada pela equao abaixo:


Equao 5 Probabilidade de Seleo Mtodo da Roleta

Onde i a posio do indivduo. Apesar de bastante usado e relativamente eficiente,
este mtodo possui algumas falhas. Por exemplo, se na populao inicial houver um
ou alguns poucos indivduos com valor de aptido bom, porm no os melhores, e o
resto da populao no for muito boa, ento esses poucos indivduos iro
rapidamente dominar a populao, tornando-a homognea e impedindo-a de
explorar todas as suas potencialidades, ou seja, o algoritmo poder convergir para
um mnimo local.
Outro problema que pode ocorrer o caso da populao inicial ser muito
homognea, ou seja, formada por indivduos parecidos. Sendo assim, ser difcil
fazer a populao evoluir, pois a tendncia ser ela se tornar cada vez mais
homognea. Uma opo para resolver este problema seria a mutao, que ser
explicada em tpico posterior.

5.5.2 SELEO BASEADA EM CLASSIFICAO

O mtodo de seleo por classificao bastante simples: primeiro todos os
indivduos so classificados de acordo com o seu valor de aptido. Em seguida a
probabilidade de seleo definida segundo esta classificao. Como se pode
notar ele no determina a probabilidade de seleo diretamente pela aptido, mas
faz isso indiretamente.
Existem diversas ramificaes deste mtodo. Baker 1985 apresenta o seguinte:
aps classificar todos os indivduos por ordem de sua aptido ele induz que o melhor
51

indivduo ter a melhor probabilidade, e o pior indivduo ter a pior probabilidade de
seleo. Os demais indivduos intermedirios possuem sua probabilidade de seleo
variando linearmente com o seu grau de aptido, conforme indicado na frmula
abaixo:

=

)
Equao 6 Probabilidade de seleo por classificao, segundo Baker-1985

Onde:
P
i
= Probabilidade de seleo do isimo indivduo;
i = Posio do indivduo;
= Tamanho da populao;

max
= Probabilidade de seleo do melhor indivduo;

min
= Probabilidade de seleo do pior indivduo;
Existem outros mtodos propostos por diversos autores para determinar a
probabilidade de seleo. Alguns utilizam uma funo exponencial, ao invs da
funo linear, por exemplo. Mas em suma, todos tm o mesmo principio: selecionar
os indivduos proporcionalmente a sua classificao no ranking da populao.

5.5.3 SELEO POR TORNEIO

A seleo por torneio se diferencia dos outros mtodos de seleo apresentados
anteriormente por no precisar se basear numa informao global da populao. Ela
funciona da seguinte forma: a populao dividida em diversos subgrupos, de dois
ou mais indivduos. Os melhores indivduos de cada subgrupo so ento
selecionados para a reproduo.
52

5.6 CRUZAMENTO

O cruzamento, em ingls crossover, um dos principais operadores de um algoritmo
gentico. nele onde as informaes so trocadas entre os indivduos a fim de
gerar uma nova prole. Existem diversas formas de se fazer um cruzamento, os
autores costumam classificar em:
Cruzamento uniponto o cruzamento realizado a partir de um ponto pr-
determinado. A partir deste ponto as informaes so ento trocadas.
Cruzamento multiponto: Possui o mesmo fundamento do cruzamento
uniponto, porm aplicado a vrias posies do cromossomo.
Cruzamento uniforme: Determina, atravs de um parmetro global, qual a
probabilidade de cada ponto do cromossomo ser trocado.
O tipo de cruzamento mais simples e comumente utilizado o que apresenta um
nico ponto de troca. Funciona conforme apresentado a seguir:


Figura 10 Cruzamento uniponto Genitores

Sejam dois cromossomos, A e B, conforme indicado na Figura 10. Para a realizao
de um cruzamento uniponto fixa-se ento um ponto onde, a partir dele, os
cromossomos em contato iro se dividir e trocar entre si a informao (este ponto
pode ser fixo ou no ao longo do programa). A seta indica o ponto de cruzamento
do exemplo. Ao final deste cruzamento eles tero gerado ento novos
descendentes. Conforme se observa na Figura 11.
CROMOSSOMO A
1 0 0 1 1 0 1 0 0 0 1 1
CROMOSSOMO B
0 0 1 0 0 0 1 1 1 1 1 0
GENITORES
53






Figura 11 Cruzamento uniponto Descendentes

5.7 MUTAO

A mutao tem como principal objetivo garantir uma maior variabilidade na
populao. Uma das dificuldades dos mtodos evolutivos est no fato da populao
tender a se tornar cada vez mais homognea. Isto pode fazer com que o resultado
encontrado seja um mnimo local.
O operador da mutao pode vir a introduzir na populao indivduos com
caractersticas novas, que antes no existiam. Se essa caracterstica for boa para
melhorar a aptido do indivduo ela ento tender a se multiplicar entre os demais
nas prximas geraes. Caso seja uma caracterstica que prejudique a aptido do
indivduo, ela tender a sumir com o tempo.
A mutao geralmente aplicada aps o cruzamento. Ela utilizada seguindo uma
determinada probabilidade de mutao (P
m
). Normalmente utiliza-se uma taxa de
probabilidade de mutao baixa (em torno de 0,1% a 5%), caso contrrio o
cruzamento no faria sentido e tornaria a busca meramente aleatria. Alguns
pesquisadores aconselham que a escolha da taxa de mutao se relacione com o
tamanho dos cromossomos e das populaes atravs de frmulas empricas. Abaixo
segue a opinio de alguns autores a respeito da taxa de probabilidade de mutao
(P
m
).
CROMOSSOMO A1
1 0 0 1 0 0 1 1 1 1 1 0
CROMOSSOMO B1
0 0 1 0 1 0 1 0 0 0 1 1
DESCENDENTES
54

DE JONG (1975) P
m
deve ser inversamente proporcional ao tamanho da
populao.
SHAFFER (1994) - Sugere a seguinte equao, onde N
pop
o tamanho da
populao e K o tamanho do cromossomo:

=
1


Equao 7 Probabilidade de Mutao, segundo Shaffer 1994

Resumidamente, a mutao funciona da seguinte forma: aps o cruzamento, a cada
bit dos cromossomos descendentes verificada a probabilidade de mutao. Isto
feito gerando-se aleatoriamente um nmero entre zero e um. Se este nmero for
menor ou igual probabilidade de mutao (P
m
) o bit dever ser trocado. Caso
contrrio nada ocorre. Esta troca, para cromossomos codificados em binrio,
significa substituir o zero por um e vice-versa.
A mutao em cromossomos que utilizam codificao real diferente da binria.
Existem diversas tcnicas para este tipo de mutao. (Del Savio, et al. 2005) cita
dois tipos:
Mutao real: seleciona aleatoriamente o elemento K
im
do cromossomo C
i.
Gera um nmero entre zero e um aleatoriamente. Se este nmero for menor
ou igual ao valor da probabilidade de mutao (P
m
), ele ento ser substitudo
por K
im
* , sendo:

]
Equao 8 Mutao Real

L
inf
e L
sup
so limites inferiores e superiores do valor de K
im
, previamente
definidos pelo implementador.
Mutao de ajuste prprio: procura por uma soluo fechada baseada em
mudanas aleatrias nas duas direes (+ e -).

55

5.8 ELITISMO

O elitismo tem por objetivo selecionar o melhor ou os melhores indivduos de uma
gerao e automaticamente introduzi-los na gerao seguinte, sem que eles passem
pelo cruzamento. Com isso o algoritmo pode evitar que um resultado que seja muito
bom seja perdido ou piorado.
O elitismo foi proposto por DeJong (1975), em um dos trabalhos pioneiros sobre
AGs. Existem diversas formas de elitismo. Abaixo so citados alguns autores da
bibliografia e a forma como aplicaram e/ou sugerem o elitismo nos seus trabalhos:

(Croce, Ferreira e Lemonge 2004) So feitas nove cpias do melhor
elemento para a prxima gerao.
(Del Savio, et al. 2005) Cria n indivduos para substituir os n piores
indivduos da populao. Atravs de um parmetro denominado GAP,
controla a porcentagem da populao que ser substituda. Geralmente, nos
AGs tradicionais o valor do GAP = 1, ou seja, 100% dos indivduos so
substitudos.
(Gantovnik 2005) Copia o melhor indivduo para a prxima gerao. O autor
sugere tambm copiar no apenas o melhor, mas tambm o segundo melhor,
o terceiro melhor e assim sucessivamente.
(Gillman 2005) A nova gerao combinada com a gerao anterior. Os
indivduos so ento classificados por ordem do seu valor de aptido. Os n
melhores (sendo n o tamanho da populao em cada gerao) iro para a
gerao seguinte. Desta forma, os descendentes tm que competir com seus
genitores para sobreviver para a prxima gerao.
(Kim e Weck 2004) O melhor indivduo substitui os 30% piores indivduos
em cada gerao.
(Silva 2001) Prope guardar 10% dos melhores indivduos para a prxima
gerao.

56

Wu and Chow Utiliza a equao a seguir para determinar o GAP:

=
2


Equao 9 GAP, segundo Wu e Chow

Onde Np o tamanho da populao. Isso significa que apenas dois
indivduos so selecionados para a reproduo. Eles iro substituir os dois
piores indivduos da populao atual. Segundo o autor, esta estratgia leva a
uma significante reduo do nmero de avaliaes da funo objetivo e
funciona mesmo em grandes populaes.


57

6 APRESENTAO DO PROBLEMA

6.1 PREAMBULO

A fim de aplicar os conceitos de algoritmos genticos foi desenvolvido um programa
que visa otimizar topolgica e parametricamente vigas de concreto armado
submetidas a um carregamento distribudo.
Nos prximos tpicos sero apresentadas as principais caractersticas do problema
a ser resolvido e no capitulo seguinte ser apresentada a aplicao dos AGs a este
problema.
Faz-se necessrio informar que a proposta inicial para este trabalho era realizar
otimizao topolgica e paramtrica de pavimentos tipo de edifcio, incluindo a
iterao de todas as vigas de um pavimento, com suas respectivas lajes e pilares.
Para que o proposto trabalho fosse resolvido muitas caractersticas foram includas
ao problema que de certa forma, se analisados isoladamente no possuem
significado algum, sendo assim desnecessrios, porm, se levado o problema
inicialmente pensado, estas caractersticas so relevantes. Apesar deste objetivo
inicial no ter sido alcanado, optou-se em no exclu-las da formulao e aplicao
da teoria. Portanto, em alguns trechos, se observar que alguns itens so
dispensveis. Buscou-se ser o mais didtico possvel a fim de que, caso algum
pesquisador queira continuar este trabalho isto ser til. Fazendo-se uma analogia
com a biologia, funciona como os rgos residuais que os animais possuem. Em um
momento do desenvolvimento do animal estes rgos eram necessrios, porm com
a sua evoluo apesar deles no serem mais utilizados, seus vestgios continuaram.
No caso deste projeto, trata-se de um conceito similar, porm oposto. Caso se
queira que o projeto evolua as ferramentas necessrias j foram preparadas.

58

6.2 FORMULAO

Seja uma viga de concreto armado, de seo transversal retangular, comprimento L,
com as possveis posies de apoios intermedirios
3
indicados nos ns 1 ao 5 e
submetida a um carregamento distribudo Q, conforme indicado abaixo:


Figura 12 Configurao da viga modelo

Figura 13 Seo transversal da viga modelo


3
Estas possveis posies vm de aspectos pr-determinados de projeto, como por exemplo,
posies de pilares, definidos pela arquitetura.
b
h
ns dls
ni dli
dw c/ sw
59

O objetivo minimizar o custo da viga, ou seja:
min

=
,

Equao 10 Funo Objetivo
Onde:

= Custo total da viga (R$);

,
= Custo da viga, por metro linear (R$/m);
= Comprimento total da viga (m).
Os determinantes para o custo da viga a serem considerados so: o concreto, o ao
e a forma
4
. Por conseguinte o custo de uma viga por metro, levando-se em conta
estes trs fatores determinado pela seguinte equao:

,
=


,
+
,
+
100


,
+

+2
Equao 11 - Custo de uma viga de concreto por metro linear (R$/m)

Onde:

= Custo do concreto por m (R$/m).


= Base da viga (m);
= Altura da viga (m);

= Custo do ao CA50 por Kg (R$/Kg).


= Quantidade de barras longitudinais inferiores;

,
= Peso por metro da barra longitudinal inferior (Kg/m);

4
interessante ressaltar que existem outros fatores que entram no custo de uma viga e poderiam ser
colocados como determinantes, como por exemplo, a mo-de-obra.
60

= Quantidade de barras longitudinais superiores;

,
= Peso por metro da barra longitudinal superior (Kg/m);

= Espaamento entre estribos (cm);

= Comprimento total de um estribo (m);

,
= Peso por metro da barra de estribo (Kg/m);

= Custo da madeira (forma) por metro quadrado (R$/m);


= Dimetro da barra longitudinal inferior (cm);
= Dimetro da barra longitudinal superior (cm);
= Dimetro do estribo (cm);

O problema est sujeito s seguintes restries:

Restries Laterais:

0.20 0.90 , / = { /

0.05} (1)
0.25 1.75 , / = { /

0.05} (2)
= { 1.0, 1.25, 1.6, 2.0, 2.5, 3.2}, . (3)
= { 6.3, 8.0, 1.0, 1.25, 1.6, 2.0, 2.5}, . (4)
= { 6.3, 8.0, 1.0}, . (5)
2 8 , (6)
2 8 , (7)
= { 5.0, 7.5, 10.0, 12.5, 15.0, 20.0, 25.0} , . (8)

61

Restries de Comportamento:

(9)

(10)

(11)

Onde,
V

= Cortante solicitante de clculo da viga.


V

= Cortante resistente de clculo da viga.

= Momento Positivo
5
solicitante de clculo da viga.

= Momento Positivo resistente de clculo da viga.

= Momento Negativo solicitante de clculo da viga.

= Momento Negativo resistente de clculo da viga.


As restries de 1 a 8, restries laterais, referem-se a critrios de execuo do
projeto. Sero tratadas com maiores detalhes no tpico seguinte.
As restries 9 a 11, restries de comportamento, referem-se a critrios de
resistncia do material aos esforos solicitantes.

6.3 VARIVEIS DO PROBLEMA

As variveis do problema podem ser classificadas em variveis topolgicas e
variveis paramtricas. Conforme o tipo de otimizao na qual elas esto
envolvidas.

5
Define-se como momento positivo aquele que traciona as fibras inferiores da seo transversal da
viga, e negativo o que traciona as fibras superiores, segundo a regra da mo-direita.
62

Variveis Topolgicas:
= (n1, n2, n3, n4, n5), Vetor de ns intermedirios de cada viga;
Variveis Paramtricas:
= Base da viga;
= Altura da viga;
= Dimetro da barra longitudinal inferior;
= Dimetro da barra longitudinal superior;
= Dimetro dos estribos;
= Quantidade de barras longitudinais inferiores;
= Quantidade de barras longitudinais superiores;
= Espaamento entre estribos.

6.4 RESTRIES

As restries do problema tm por objetivo garantir que sejam obedecidos os dois
critrios abaixo indicados:
Critrios de resistncia e;
Critrios de execuo.

6.4.1 CRITRIOS DE RESISTNCIA

Atender aos critrios de resistncia significa garantir que os esforos solicitantes do
elemento sejam menores ou pelo menos iguais aos esforos resistentes do
mesmo,ou seja, a viga dever ser verificada para o Estado Limite ltimo (ELU).
Como se sabe, uma viga submetida a carregamento distribudo estar sujeita a
flexo, conforme figura abaixo:

63



Figura 14 - Seo transversal de viga sujeita a flexo

Sendo:
Rc = Fora de compresso no concreto;
Rs = Fora de trao no ao;

= Deformao no trecho mais comprimido do concreto;

= Deformao de trao no ao.


Para que esta configurao seja vlida, algumas hipteses foram admitidas:
1. Sob a influncia das solicitaes normais, as sees transversais
permanecem planas (hiptese de Bernouilli);
2. Despreza-se a resistncia do concreto trao;
3. A deformao mxima no concreto comprimido de 3.5/1000;
4. Admite-se perfeita aderncia entre concreto e ao, ou seja, tanto o ao
quanto o concreto que o envolve sofrero as mesmas deformaes.
5. Admite-se a simplificao do diagrama parbola retngulo de tenses no
concreto pelo seu diagrama simplificado retangular (com tenso mxima a
0,85 de fcd e altura y de 0,8x).
b
h
d
As
rea
Comprimida
Linha
Neutra
y
x
As
Rs
Rc
z


Mu
Deformaes
Tenses
no
Concreto
0.85fcd
y=0,8x
y
64

6. A tenso na armadura a correspondente deformao determinada de
acordo com as hipteses anteriores e obtida do diagrama tenso-deformao
do ao.

Os domnios de ELU para as sees de concreto armado so:

Figura 15 - Domnios de dimensionamento em ELU

O domnio 1 abrange os casos onde ocorre trao no uniforme, o ponto A indica o
limite para ruptura convencional por deformao plstica excessiva do ao
(10/1000). A reta a corresponde trao uniforme.
O domnio 2 abrange casos onde ocorre flexo simples ou composta sem ruptura a
compresso do concreto e ao com alongamento mximo permitido.
No domnio 3 o elemento encontra-se submetido a flexo simples ou composta com
ruptura do concreto compresso e com escoamento do ao.
No domnio 4 (situao antieconmica) ocorrem os casos de flexo simples ou
composta com ruptura compresso do concreto e ao tracionando sem
escoamento.
65

O trecho 4a abrange os casos de flexo composta, com armaduras comprimidas.
O domnio 5 o trecho onde se tem o elemento submetido compresso no
uniforme, sem trao e a b corresponde compresso uniforme.
Por equilbrio temos:

= = (1)
= (2)
Fazendo-se:

0,5 (3)


= 0,85

0,5 (4)

= 0,85

(5)
Com (5) determina-se o valor de y e, por conseguinte, determina-se Mrd que dever
ser comparado ao Msd.

6.4.2 CRITRIOS DE EXECUO

Foram considerados critrios de execuo aqueles que visam manter o projeto em
concordncia com as diversas prticas de obra que j esto radicadas na sociedade.
So eles:
Largura da base e altura em mltiplos de cinco cm;
Bitola das armaes conforme dimenses padronizadas no mercado;
Espaamento dos estribos em valores tabelados;
Largura mnima e mxima da base;
Largura mnima e mxima da altura;
Os valores a serem adotados so conforme foram apresentados na formulao do
problema.
66

7 APLICAO

7.1 PREMBULO

Nos prximos tpicos os conceitos de algoritmos genticos sero aplicados para a
resoluo do problema apresentado no captulo anterior. A partir deste ponto ser
adotada uma nova nomenclatura para as questes vinculadas ao problema. Esta
nomenclatura visa fazer uma analogia entre o problema e o AG, conforme se
observa na Figura 16.


Figura 16 - Analogia: Problema x Algoritmo Gentico

Uma viga (qualquer soluo vivel ou no do domnio de solues do problema)
ser denominada indivduo. Um conjunto de solues, ou seja, um conjunto de vigas
ser denominado populao. As variveis aqui codificadas foram denominadas
genes. Um conjunto de genes forma um cromossomo que representa uma viga.

VIGA INDIVDUO
PROBLEMA APLICAO DO AG
CONJUNTO DE VIGAS POPULAO
VARIVEL DO PROBLEMA GENE
CONJUNTO DE VARIVEIS CROMOSSOMO
67

7.2 REPRESENTAO E CODIFICAO

Uma viga representada por um cromossomo de 56 bits, conforme se pode
observar na Figura 17
6
:

Figura 17 - Representao do cromossomo de uma viga

A seguir os genes do cromossomo viga so apresentados com mais detalhes:



Posio que a viga ocupa no projeto do pavimento tipo. (Ver nota 6)


6
Os genes posio e validao, s sero utilizados nos casos em que tratam de todo um pavimento.
Para a aplicao do AG entre vigas de uma mesma posio eles so irrelevantes, conforme
informado no item 6.1 do Captulo 6.
Cromossomo Viga (56 bits)
Gene Ns Intermedirios(25bits)


Gene Validao (1 Bit)
Gene Posio (4bits)
Gene Seo (26 Bits)

Gene Posio (4 bits)

68




Verifica a existncia da viga. O valor 0 (zero) significa a ausncia de viga naquela
posio, o valor 1 (um) significa presena. (Ver nota 6)





Formado por 25 Bits divididos em grupos de cinco. Cada grupo representa um n
intermedirio da viga. Os nmeros dos ns so expressos em binrio. Caso o n
no exista na viga os bits do grupo so preenchidos por zero.


O gene seo de uma viga possui 26 Bits. Ele formado por doze grupos que
correspondem s variveis paramtricas do projeto (Ver Figura 13), so elas: base
(b), altura (h), dimetro da armao longitudinal inferior (dli), dimetro da armao
longitudinal superior (dls), dimetro dos estribos (dw), quantidade de barras
longitudinais inferiores (ni), quantidade de barras longitudinais superiores (ns) e
espaamento entre estribos (sw). Todos codificados em binrio e conforme limites
apresentados no capitulo anterior.
N 1 N 2 N 3 N 4 N 5

Gene Nos Intermedirios (25bits)
Gene Seo (26 Bits)

h

b

dli

dls dw

ni

ns

sw
Gene Validao (1 Bit)

69

7.3 PENALIZAES

A fim de tornar o problema compatvel com as suas restries adotou-se o mtodo
das penalizaes para que a funo objetivo seja punida cada vez que algum critrio
no seja atendido.
So penalizados os elementos que no obedecem aos critrios de resistncia (Ver
item 6.4.1). Adotou-se a seguinte funo de penalizao:
= [0,


Equao 12 - Funo de Penalizao
Onde:
= 10000;

1

Sendo assim, funo que determina o custo unitrio de cada viga acrescentada
a funo de penalizao:

=
,
+
Equao 13 - Custo Lquido da viga

A esta funo nomeou-se custo lquido de uma viga. Correspondendo ao real custo
unitrio de uma viga que ser levado em considerao no processo de otimizao
da populao. O valor de foi determinado aps inmeros testes para calibrao de
parmetros (Ver Captulo 9).
70

7.4 ADEQUAO

A fim de facilitar na implementao do processo de seleo (apresentado no tpico
7.5 deste captulo) foi utilizado o conceito de adequao. A adequao, em
algoritmos genticos, corresponde ao inverso do custo lquido, ou seja:


=
1


Equao 14 Adequao

Onde:
A
i
= Adequao do indivduo i ;

= Custo lquido do indivduo i, calculado conforme Equao 13;


Este recurso utilizado apenas com a finalidade de tornar a seleo mais clara. O
indivduo que tiver maior valor de adequao ter maiores chances de ser
selecionado.

7.5 CRITRIOS DE SELEO

Utilizou-se como mtodo para a seleo dos indivduos o mtodo da roleta, proposto
inicialmente por Holland.
O processo de seleo se inicia fazendo-se uma converso do valor da adequao
do indivduo para graus. Para demonstrao do processo, tomemos como exemplo a
seguinte populao composta por 10 indivduos, com seus respectivos custos
lquidos e adequao:

71

Indivduo Custo Lquido (Aptido) (R$) Adequao (*10
-4
/R$)
Viga 1 1859,55 5,377645
Viga 2 3500,78 2,856506
Viga 3 2345,25 4,263938
Viga 4 838,31 11,928761
Viga 5 4397,34 2,274102
Viga 6 2500,76 3,998784
Viga 7 3700,98 2,701987
Viga 8 1580,43 6,327392
Viga 9 5100,88 1,960446
Viga 10 1300,05 7,692012

Tabela 2 Populao X Custo Lquido X Adequao

Adaptar as adequaes em graus significa dar a cada indivduo da populao um
valor correspondente a um nmero em graus a fim de representar a faixa da roleta
pertencente a cada um.

,
=
360


Equao 15- Adequao em graus

Onde
A
i,g
= Adequao do individuo i em graus;
72

A
i
= Adequao do indivduo i;
n = nmero total de indivduos.
Neste caso perde-se um pouco da preciso, mas esta perda irrelevante. Ao se
trabalhar em graus, optou-se por usar nmeros inteiros tendo em vista que o
ponteiro que ir girar na roleta ser um inteiro. Esta tcnica pode ser facilmente
modificada para uma mais precisa, basta utilizar um ponteiro com a quantidade de
casas decimais que se deseja, porm, para este caso no ser necessrio. Abaixo
se observa a adequao em graus correspondente a cada individuo.

Indivduo Custo Lquido (Aptido) (R$) Adequao
(*10
-4
/R$)
Adequao em
graus
Viga 1 1859,55 5,377645 39
Viga 2 3500,78 2,856506 21
Viga 3 2345,25 4,263938 31
Viga 4 838,31 11,928761 87
Viga 5 4397,34 2,274102 17
Viga 6 2500,76 3,998784 29
Viga 7 3700,98 2,701987 20
Viga 8 1580,43 6,327392 46
Viga 9 5100,88 1,960446 14
Viga 10 1300,05 7,692012 56

Tabela 3 - Adequao em graus

73


Grfico 1 - Probabilidade de Seleo das Vigas (Adequao em Graus)

Em seguida, com base nesta adequao cada indivduo recebe um valor
correspondente as somas parciais da adequao em graus, ou seja:

Indivduo Adequao em
graus
Somas
Parciais
Viga 1 39 39
Viga 2 21 60
Viga 3 31 91
Viga 4 87 178
Viga 5 17 195
Viga 1
39
Viga 2
21
Viga 3
31
Viga 4
87
Viga 5
17
Viga 6
29
Viga 7
20
Viga 8
46
Viga 9
14
Viga 10
56
74

Indivduo Adequao em
graus
Somas
Parciais
Viga 6 29 224
Viga 7 20 244
Viga 8 46 290
Viga 9 14 304
Viga 10 56 360

Tabela 4 - Somas Parciais

So estas somas parciais indicadas a cada indivduo que iro servir como
parmetro de seleo por roleta. Simula-se ento a roleta, gerando-se um nmero
aleatoriamente entre 0 e 360. O indivduo que contiver a faixa na qual o nmero
gerado se encontra o que ser selecionado. Por exemplo, digamos que o nmero
gerado aleatoriamente tenha sido o nmero 71. O indivduo selecionado ento seria
o indivduo 3, pois ele contem a faixa entre os nmeros 61 e 91. Este passo ento
executado o nmero de vezes correspondente ao tamanho da populao (tendo em
vista que o programa implementado mantm a populao sempre com um tamanho
fixo). Fazendo-se uma simulao para este exemplo, temos:

Ponteiro Indivduo Selecionado
222 Viga 6
153 Viga 4
35 Viga 1
164 Viga 4
75

Ponteiro Indivduo Selecionado
155 Viga 4
110 Viga 4
324 Viga 10
170 Viga 4
242 Viga 7
174 Viga 4

Tabela 5- Indivduos Selecionados

Pode-se notar claramente que a Viga 4 conseguiu mais posies no grupo de
indivduos selecionados para o cruzamento. Aps a seleo, os indivduos so ento
tomados dois a dois para o cruzamento.

7.6 CRUZAMENTO

A tcnica de cruzamento utilizada uma adaptao do cruzamento multiponto (ver
item 5.6 do Captulo 0). Os genes posio e validao no so cruzados. So
apenas utilizados para identificar a posio e existncia de uma viga (ver nota 6).
Os genes que realmente participam do cruzamento so: o gene Ns Intermedirios
(otimizao topolgica) e o gene Seo (otimizao paramtrica).
O cruzamento feito separando-se cada grupo de um gene e verificando se eles
sero ou no trocados. Por exemplo, sejam os genes Seo apresentados abaixo:
76


Cada grupo do gene (que corresponde a uma varivel) percorrido. Sorteia-se
ento um valor que pode ser 0 ou 1. Caso d zero este grupo no ser trocado, caso
contrrio ele ser trocado. Sendo assim, cada varivel tem 50% de chance de ser
trocada. O mesmo ocorre para o gene ns intermedirios. Ao final resultam dois
indivduos com caractersticas mistas dos dois indivduos genitores.

7.7 MUTAO

No programa implementado a mutao ocorre segundo uma probabilidade de
mutao definida pelo usurio. Aps muitos testes verificou-se que adotar uma
probabilidade de mutao o inverso do tamanho da populao um bom parmetro,
e, portanto, para os testes ele passou a ser adotado. Adotar um determinado valor
que no relacionava o tamanho da populao resultava em um comportamento
inadequado do programa quando se tratava de uma populao muito grande ou
pequena demais. Quando a populao era pequena a mutao fazia com que a
busca fosse apenas aleatria. Quando a populao era grande demais ela no fazia
diferena significativa.
Gene Seo (B)
1 0 0 0 1
h
0 1 1 0
b
0 0 1
dli
1 1 1
dls dw
0 1 1 0 0
ni
0 1 1
ns
1 1 0
nw
Gene Seo (A)
0 0 1 0 1
h
0 0 1 0
b
0 0 1
dli
0 1 0
dls dw
0 1 0 1 1
ni
0 1 0
ns
0 1 0
nw
77

Na primeira fase deste trabalho, antes da adoo da mutao como uma operao
do AG tinha-se muitos problemas de mnimos locais. Ou seja, o programa convergia
rapidamente para um mnimo local. Com a adoo de uma taxa de mutao notou-
se que a populao ficou mais diversificada resolvendo o problema anterior.

7.8 ELITISMO

Adotou-se como tcnica de elitismo a substituio do pior indivduo da gerao atual
pelo melhor indivduo da gerao anterior. Assim, procurou-se no perder um
individuo com boas caractersticas.

78

8 ESTRUTURA DO AGEN

8.1 PREAMBULO

Conforme explicado anteriormente, a proposta inicial desta dissertao era fazer
otimizao de pavimentos tipo de edifcios, utilizando os AGs. Portanto ficam vlidas
as mesmas observaes aferidas no tpico 6.1 do captulo 6 deste trabalho. Apesar
de no concludo em sua totalidade muito se foi feito a fim de atingir esse objetivo e
ser tambm apresentado nos prximos tpicos. Como o programa foi elaborado
utilizando uma abordagem orientada a objetos (POO Programao Orientada a
Objetos
7
), que se baseia na abstrao e independncia de vrias etapas de um
projeto, muita fases puderam ser desenvolvidas separadamente, sem que isso
implicasse em uma dependncia de outras etapas inacabadas.
O objetivo deste captulo no apresentar linhas de cdigo do programa. Pretende-
se apenas mostrar uma viso geral na forma como ele foi desenvolvido e apresentar
suas principais classes e relacionamentos. As classes inacabadas sero indicadas.

8.2 APRESENTAO GERAL

O programa capaz de: dada uma viga com seu n inicial, n final e possveis ns
intermedirios, fazer otimizao topolgica e paramtrica da mesma utilizando, para
isso, algoritmos genticos. As restries laterais e de comportamento adotadas, bem
como a funo objetivo e de penalizao j foram introduzidas em captulos
anteriores.

7
Para mais detalhes sobre POO recomenda-se o livro: Head First Object Oriented Analysis &
Design de Brett D. McLaughlin, Gary Pollice e Dave West.
79

O AGEN
8
foi desenvolvido na linguagem Java. Ele encontra-se organizado em
pacotes. A tabela abaixo apresenta seus principais pacotes e classes:

AGEN
PACOTE AG ESTRUTURA MAPEAMENTO
PRINCIPAIS
CLASSES
Aleatrio
AlgenVigas
AlgenPavimentos
(Incompleto)
CromossomoViga
GeneArmadura
GeneNosInt
GenePosicao
GeneSecaoConcreto
Individuo
(Incompleto)
RibossomoViga
Projeto
(Incompleto)
Viga
VigaConcreto
AeVigas
Mapa
MapaCompleto
MapeamentoViga

CARACTERSTICAS
Seo
o Retangular
o Circular
o Bitola
o PerfilI
Armadura
Material
o Aco
o Concreto
ListaDeSecoes
ListaDeMateriais

Tabela 6 - Principais pacotes e classes do AGEN

8
Nome dado ao programa implementado.
80


Figura 18 - Estrutura do AGEN

Abaixo so descritos sucintamente os principais pacotes:
Pacote AG: Contem as classes que implementam o algoritmo gentico;

Pacote Estrutura: possui as classes que caracterizam e fazem a anlise
estrutural das estruturas do programa.

Pacote Estrutura.Caractersticas: um sub pacote do pacote estrutura
que possui classes auxiliares que descrevem as caractersticas dos
elementos.

Pacote Mapeamento: possui o mapeamento dos ns do problema a ser
resolvido.

Pacote Sistema: onde se encontra a classe principal e faz a ligao de
todas as partes do programa, atravs de uma interface grfica.


Nos prximos tpicos estes pacotes sero apresentados com maiores detalhes.
importante destacar que para manipulao de matrizes utilizou-se o pacote de
lgebra linear Jama, elaborado pela MathWorks e pelo NIST (National Institute of
Standards and Technology).
81

8.3 PACOTE AG

Abaixo apresentado o diagrama de classes (simplificado) do pacote AG:


Figura 19 - Diagrama de Classes Simplificado do Pacote AG


Figura 20 - Pacote AG

82

As seguintes classes o compem:
Aleatrio: Cria cromossomos de vigas aleatoriamente.

AlgGenVigas: Classe que implementa o algoritmo gentico propriamente dito,
para vigas.

AlgenPavimento: Classe que implementa o algoritmo gentico para
pavimentos (Incompleto)

Binrio: Classe que caracteriza o tipo binrio, que a base para a codificao
do cromossomo.

CromossomoViga: caracteriza o cromossomo de uma viga. Ele composto
pelas classes: GeneArmadura, GeneMaterial, GeneNosInt, GenePosicao e
GeneSecao.

CrossOver: classe que faz o crossover entre as vigas.

GeneArmadura: caracteriza a armadura de uma viga, codificada em binrio.

GeneMaterial: caracteriza o material de uma viga, codificado em binrio.

GeneNosInt: possui a informao dos ns intermedirios da viga, codificados
em binrio.

GenePosicao: caracteriza a posio da viga, codificada em binrio.

GeneSeoConcreto: caracteriza a seo transversal das vigas de concreto,
codificada em binrio.

Indivduo: caracteriza um projeto (formado por todas as suas vigas, lajes e
pilares). (Incompleto)
83

RibossomoViga: classe auxiliar que codifica e decodifica os genes dos
cromossomos das vigas.

8.4 PACOTE ESTRUTURA

O diagrama de classes simplificado do pacote estrutura apresentado abaixo:


Figura 21 - Diagrama de classes simplificado do pacote Estrutura


Figura 22 - Pacote Estrutura



84

AeVigas: Faz a anlise estrutural de vigas;

SubViga: utilizada para auxiliar no clculo da anlise de uma viga contnua.

Viga: Classe que caracteriza uma viga genrica.

VigaConcreto: Caracteriza uma viga de concreto;


8.4.1 SUBPACOTE ESTRUTURA.CARACTERISTICAS

O pacote Estrutura.Caractersticas na verdade um sub pacote do pacote Estrutura.
Ele utilizado para definir as caractersticas dos materiais e seo transversal das
estruturas utilizadas pelo pacote estrutura. Seu diagrama de classes simplificado
apresentado abaixo:


Figura 23 - Diagrama de Classes simplificado do pacote Estrutura.caractersticas

85


Figura 24 Sub Pacote Estrutura.Caractersticas

Ele composto pelas seguintes classes:
Secao: caracteriza uma seo transversal. Ela pode ser circular, retangular,
perfil I, etc.

PerfilI
9
: caracteriza uma seo transversal tipo perfil I;
Retangular: caracteriza uma seo transversal retangular;
Circular: define uma seo circular;
Bitola: define uma bitola de ao;

Armadura: Define a armadura de uma viga de concreto, com sua armadura
longitudinal inferior, longitudinal superior e estribos;

Material: Caracteriza um material;

Concreto: Define um material de concreto;

9
Inicialmente o tipo de material da viga (concreto ou ao) tambm entrava como varivel e os tipos
de vigas metlicas que se utilizava eram perfis I. Com os testes viu-se que nunca os perfis metlicos
conseguiam ser soluo do problema (devido ao custo elevado), portanto eles foram removidos da
formulao do problema. Pode-se traz-lo facilmente de volta ao programa e torn-los competitivos; o
fator praticidade e rapidez, se entrados na funo objetivo favoreceriam o perfil metlico.
86

Ao: Define o material ao;

ListaDeMateriais: guarda uma lista de materiais que utilizada no programa.

ListadeSecoes: Guarda uma lista de sees transversais utilizadas no
programa;


8.5 PACOTE MAPEAMENTO

O pacote mapeamento, como o prprio nome diz, possui guardado o mapeamento
dos ns do problema. inerente a cada problema analisado. Ele formado pelas
seguintes classes:


Figura 25 - Pacote Mapeamento

Mapa: caracteriza o mapa de um indivduo. Ou seja, guarda os ns vlidos de
projeto/vigas.

MapaCompleto: possui o mapeamento de todos os ns que um indivduo
pode ter.

No: caracteriza um n (coordenadas x e y) no MapaCompleto.

87

8.6 PACOTE SISTEMA

O pacote sistema o que possui a classe main (classe principal) que faz a ligao
entre os pacotes do programa. Alm disso, no pacote Sistema que se encontra a
classe que trata da interface grfica do programa.


Figura 26 - Pacote Sistema

main: classe principal do programa. a que inicializada primeiro e que
interliga as demais classes.
TelaInicial: Interface grfica do programa.

88

9 TESTES E CALIBRAGEM DE PARMETROS

9.1 PREAMBULO

Para validar o programa apresentado anteriormente fez-se necessrio que ele fosse
aplicado a um caso j tratado pela literatura, onde seus resultados j fossem
conhecidos, a fim de se poder ter parmetros de comparao quanto sua
funcionalidade. No apndice A, apresentada uma aplicao do programa AGEN
em um problema tratado por dois autores, com duas abordagens distintas. Um autor
utilizou abordagem determinstica enquanto o segundo adotou uma abordagem
probabilstica, utilizando algoritmos genticos, porm em ambos os casos as
variveis eram contnuas. Em 85% dos testes realizados o programa (AGEN)
encontrou a soluo tima. Pode-se considerar uma boa taxa de aprovao, tendo
em vista que os algoritmos genticos, bem como os demais mtodos evolucionrios,
no garantem 100% de resultado. Como se trata de um mtodo probabilstico
existem alguns fatores que fazem com que o algoritmo no convirja, ou convirja para
um mnimo local. Parmetros como: tamanho da populao, tamanho do
cromossomo, taxa de mutao, nmero mximo de geraes, critrios de parada,
populao inicial, funo de penalizao entre outros so fatores que se verificou
que influenciavam bastante para o bom funcionamento do programa. Assim como
um instrumento novo que precisa ser afinado, o AG, por ser um mtodo genrico,
tambm precisa de uma calibragem de seus parmetros. Tendo em vista que cada
caso um caso.
Para demonstrar a influencia destes critrios, foram realizados testes onde se
variava um parmetro em especfico, mantendo outros fixos. Estes testes sero
apresentados nos prximos tpicos. Para cada teste o programa foi aplicado 10
vezes.
Os testes, a ttulo de exemplo, foram realizados em uma viga, conforme
configurao abaixo (L=14.5m e q = 2 t/m):
89


Figura 27 - Configurao da viga exemplo

A funo objetivo, bem como as restries laterais e de comportamento so
conforme apresentado em captulos anteriores.
Nas tabelas que sero apresentadas a seguir, adotou-se a seguinte nomenclatura
para a coluna Parada (Sobre o critrio de parada do programa):
GXX-PH Significa que ele parou na gerao XX devido ao fato da populao ter
ficado homognea (PH).
GXX-MG Significa que ele parou na gerao XX devido ao fato da populao ter
alcanado o nmero mximo de geraes permitidas.

9.2 TAMANHO DA POPULAO TESTE 1

Neste teste, o tamanho da populao ser variado conforme indicado abaixo:
TESTE
TAMANHO DA
POPULAO
1A 10
1B 100
1C 1000
1D 10000

90

Parmetros fixos:
Nmero mximo de geraes: 100;
Mutao: 1/(tamanho da populao);
Penalizao: Conforme Equao 12 (=10000).
Critrio de parada: Nmero mximo de geraes ou a populao ficar
homognea
10
.
Os resultados obtidos encontram-se nas tabelas abaixo.

TESTE 1A
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,4 55 50 3 16 4 20 1861,99 G3 - PH
2 1,4 20 145 4 12,5 4 20 2202,65 G8 - PH
3 2 75 110 7 25 7 16 4940,51 G4 - PH
4 2,4 40 90 3 25 4 8 3048,77 G2 - PH
5 2,4 55 110 7 10 3 25 3442,76 G12 - PH
6 1,2,3,4 70 100 7 10 7 10 4208,25 G6 - PH
7 0 80 145 4 16 7 10 6171,13 G3 - PH
8 1,4 30 75 2 25 2 25 1759,11 G3 - PH
9 1,2,3,4 30 165 7 10 7 10 3401,29 G2 - PH
10 3,4 60 35 7 20 7 20 1877,09 G4 - PH
MDIA (R$) 3291,36

Tabela 7 Teste 1A






10
A populao considerada homognea quando todos os seus indivduos so iguais.
91

TESTE 1B
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,4 70 90 6 25 6 20 4169,38 G45 - PH
2 1,3,4 40 150 7 10 3 16 3804,95 G45 - PH
3 1,2 25 85 5 25 6 20 2142,53 G45 - PH
4 1,3,4 30 175 720 2 12,5 3560,67 G45 - PH
5 2,4 25 95 525 5 12,5 2153,32 G45 - PH
6 3,4 25 120 725 5 25 3185,03 G45 - PH
7 2,4 20 65 620 725 1985,23 G45 - PH
8 3,4 30 95 225 6 16 2304,02 G45 - PH
9 3,4 20 100 316 412,5 1605,29 G45 - PH
10 1,2,4 25 135 425 325 2726,50 G45 - PH
MDIA (R$) 2763,69

Tabela 8 - Teste 1B

TESTE 1C
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,3,4 35 85 5 25 620 2533,53 G100-MG
2 1,3,4 20 80 7 10 712,5 1373,56 G100-MG
3 1,4 20 40 6 12,5 412,5 2715,51 G48-PH
4 4 25 100 6 16 712,5 2151,80 G100-MG
5 1,3,4 25 145 6 25 612,5 3025,34 G100-MG
6 2,3,4 20 65 7 12,5 420 1329,76 G90-PH
7 2,3,4 20 75 516 720 1609,43 G77-PH
8 2,3,4 25 75 710 420 1544,93 G87-PH
9 1,2,3,4 20 120 312,5 520 2024,53 G40-PH
10 2,3,4 45 130 4 12,5 412,5 3372,16 G100-MG
MDIA (R$) 2168,06

Tabela 9 - Teste 1C



92

TESTE 1D
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 2,3,4 35 90 316 320 2202,19 G67-PH
2 1,2,4 25 160 310 516 2778,99 G100-MG
3 1,4 25 100 525 520 2320,67 G81-PH
4 3,4 30 155 712,5 616 3278,67 G39-PH
5 2,3,4 20 120 712,5 420 2095,88 G100-MG
6 1,2,3,4 25 145 620 620 2991,88 G77-PH
7 2,3,4 30 145 420 320 3249,14 G86-PH
8 1,4 25 60 416 712,5 1378,63 G51-PH
9 4 40 75 616 620 2316,74 G100-MG
10 2,4 45 80 212,5 712,5 2378,42 G100-MG
MDIA (R$) 2499,12

Tabela 10 - Teste 1D

Pode-se notar que medida que o tamanho da populao vai aumentando, o
programa vai convergindo para uma melhor soluo. At que se chega a um ponto
em que este ganho de desempenho com relao populao no se torna mais
significativo, tendo at um decrscimo, como se observa no teste 1D.


Grfico 2 - Resultados Teste 1
0,00
500,00
1000,00
1500,00
2000,00
2500,00
3000,00
3500,00
0 2000 4000 6000 8000 10000 12000
Teste 1
(Tamanho Populao x Mdia Custo)
Mdia custos
Tamanho da
populao
Custo
93

9.3 MUTAO TESTE 2

Neste teste, a probabilidade de mutao ser variada conforme indicado abaixo:

TESTE
PROBABILIDADE
DE MUTAO
2A 0.05
2B 0.01
2C 0.001
2D 0.0001

Parmetros fixos:
Nmero mximo de geraes: 100;
Tamanho da populao: 1000;
Penalizao: Conforme Equao 12 (=10000).
Critrio de parada: Nmero mximo de geraes ou a populao ficar
homognea.
Os resultados obtidos encontram-se nas tabelas a seguir:






94

TESTE 2A
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1
4
20 90 5 16 4 16 1577,65 G38 - PH
2
1,4
20 80 7 12,5 3 25 1573,97 G100- MG
3
1,2,4
25 75 3 20 5 20 1705,38 G100- MG
4
2,3,4
25 135 7 25 4 12,5 2898,57 G100- MG
5
2,3,4
40 110 3 16 7 20 3071,98 G100- MG
6
3,4
35 85 7 25 4 12,5 2443,54 G100- MG
7
1,3,4
20 75 5 12,5 4 20 1403,95 G33 - PH
8
4
35 110 3 20 7 16 2701,41 G32 - PH
9
1,2,4
20 80 6 16 4 20 1534,06 G84 - PH
10
2,4
35 90 6 20 7 25 2783,08 G100- MG
MDIA (R$) 2169,36

Tabela 11 - Teste 2A

TESTE 2B
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 4 30 45 7 16 6 16 1528,59 G81 - PH
2 2,3,4 25 65 7 12,5 6 116 1411,59 G100- MG
3 4 20 110 7 12,5 7 20 2031,46 G100- MG
4 1,3,4 40 80 6 16 6 16 2251,71 G100- MG
5 2,4 20 170 4 20 6 12,5 2648,80 G81- PH
6 3,4 65 175 7 12,5 3 25 6204,55 G70- PH
7 2,4 30 125 3 12,5 3 20 2548,16 G83- PH
8 1,4 40 110 7 25 3 16 3205,06 G72- PH
9 4 30 160 4 25 7 16 3735,77 G43- PH
10 2,4 30 80 2 20 5 20 2179,10 G95- PH
MDIA (R$) 2774,48

Tabela 12 - Teste 2B



95

TESTE 2C
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,2,3,4
30
85 6 10 4 16 2117,91 G100- MG
2 1,2,3,4
35
160 4 20 4 25 3716,47 G21- PH
3 1,3,4
20
80 4 25 3 16 1615,46 G43- PH
4 1,2,3,4
40
105 7 12,5 6 10 2619,53 G100- MG
5 4
5
70 3 20 4 16 2095,48 G100- MG
6 1,2,3,4
80
90 7 16 7 10 4029,42 G70- PH
7 3,4
20
150 3 25 2 25 2521,09 G100- MG
8 1,2,4
45
60 7 20 4 20 2220,48 G83- PH
9 1,2,3,4
25
85 2 16 6 20 1954,43 G87- PH
10 4
20
90 3 25 4 25 1836,55 G100- MG
MDIA (R$) 2472,68

Tabela 13 - Teste 2C

TESTE 2D
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 4 20 110 7 10 6 16 1894,37 G100- MG
2 1,4 20 100 4 25 3 16 1891,22 G100- MG
3 4 35 140 2 25 5 12,5 3288,20 G49- PH
4 2,3,4 35 65 7 20 7 20 2136,47 G100- MG
5 1,2,3,4 25 85 3 25 5 25 2088,19 G68- PH
6 3,4 20 150 3 12,5 6 16 2402,29 G74- PH
7 2,3,4 25 140 7 25 7 16 3197,89 G65- PH
8 1,3,4 55 70 2 25 5 12,5 2416,54 G100- MG
9 4 20 115 6 20 3 16 2054,11 G100- MG
10 3,4 40 95 3 25 7 20 2796,68 G100- MG
MDIA (R$) 2416,60

Tabela 14 - Teste 2D

Pode-se perceber que, em faixas muito baixas de probabilidade de mutao a
tendncia que a medida que aumenta-se essa taxa o custo mdio aumenta. At
que se chega a um ponto de inflexo e a direo da trajetria muda para uma reta
96

descendente. Seriam necessrios mais testes para se chegar a uma concluso
mais precisa.


Grfico 3 Resultados Teste 2

9.4 OUTROS PARAMETROS
Demais parmetros que influenciam no resultado puderam ser observados nos
testes anteriores e as principais observaes obtidas sero apresentadas abaixo:
Nmero mximo de geraes: observou-se que, quando se trata de
populaes pequenas o critrio de parada com um nmero mximo de
geraes quase no utilizado, tendo em vista que a populao rapidamente
fica homognea (outro critrio de parada). medida que o tamanho da
populao aumenta e, conseqentemente sua variabilidade, que este
critrio passa a ser determinante, porm, nos casos tratados, ainda em
pequena escala. Utilizando-se um valor baixo para este critrio, pode acabar
obrigando o programa a terminar precocemente o seu processo, sem que
para isso tenha explorado muitas possibilidades. Adotando-se um valor
0,00
500,00
1000,00
1500,00
2000,00
2500,00
3000,00
0 0,01 0,02 0,03 0,04 0,05 0,06
Teste 2
(Probabilidade de Mutao x Mdia Custo)
Mdia custos
Custo
Probabilidade de
Mutao
97

elevado, condiciona o outro critrio de parada (populao homognea) a ser
determinante. Com isso, com uma populao elevada, faz com que o
programa perca muito tempo em processamento, desnecessariamente, tendo
em vista que ele s ir parar quando toda a populao (que ampla) ficar
homognea ou quando o nmero mximo de geraes (que tambm
elevado) for alcanado.
Populao Inicial: observou-se que quando a populao inicial era composta
por indivduos ruins, algum indivduo que possusse caractersticas um pouco
melhores logo dominava as geraes, fazendo com que a populao
rapidamente se homogeneizasse e o programa conclusse sem que
conseguisse obter uma soluo satisfatria.

98

10 CONCLUSES

Essa dissertao abordou o problema de otimizao de vigas de concreto armado
utilizando um mtodo probabilstico de otimizao baseado em algoritmos
evolucionrios, os Algoritmos Genticos (AGs). Os AGs procuram simular o
comportamento do problema a ser otimizado inspirando-se na teoria da evoluo
das espcies, proposta inicialmente por Darwin. Ele trabalha com populaes de
solues, de forma a explorar o domnio do problema e atravs de um mecanismo
de seleo que privilegia solues mais prximas da soluo tima, cruza suas
informaes e gera indivduos mais bem adaptados que os anteriores.
A motivao para tal estudo veio da necessidade de se buscar solues exeqveis
para problemas de otimizao de vigas, tendo em vista seu carter prtico de
aplicao. Isso porque os Algoritmos Genticos so um mtodo robusto, capaz de
tratar de problemas complexos e trabalhar facilmente com variveis discretas, alm
de ser bastante adaptvel a mudanas.
Inicialmente foram levantados dados a respeito da aplicao deste mtodo de
otimizao na rea de engenharia de estruturas. Descobriu-se que ele
relativamente antigo, porm s pde ser desenvolvimento melhor com o aumento da
capacidade computacional dos computadores. No mbito internacional, os AGs em
sua maioria so aplicados em estruturas metlicas. Isso se deve ao fato das
caractersticas homogneas do ao facilitarem sua implementao. Alm disso, o
ao mais utilizado na maioria dos pases onde se obteve dados da pesquisa
(geralmente pases desenvolvidos). Quanto ao concreto, constatou-se que existiam
poucos trabalhos que utilizaram este tipo de material. No Brasil foram encontrados
muitos trabalhos que utilizavam concreto armado, provavelmente devido ao fato dele
ainda ser o material que predomina nas construes, devido ao seu baixo custo.
Descobriu-se tambm que a grande maioria das pesquisas em otimizao de
estruturas prefere adotar mtodos tradicionais, determinsticos. Ainda existe grande
preconceito com relao aos mtodos probabilsticos, incluindo os algoritmos
genticos. Muitos pensam se tratar de cruzamentos aleatrios em torno do domnio
99

do problema. Porm deve-se levar em considerao que exatamente pelo seu
carter simples, sem grande complexidade, deixando que a natureza resolva o
problema que est a genialidade do mtodo. bem verdade que se os parmetros
adotados para a resoluo do problema no estiverem corretamente ajustados, o
mtodo pode vir a se tornar meramente uma busca aleatria. Por isso a importncia
de se calibrar estes parmetros. E para cada problema eles devero ter um
comportamento diferente. Por isso cada caso deve ser analisado isoladamente e
muitos testes de aferio devero ser realizados antes de se buscar a resposta final.
Feito isso um problema que se utiliza de Algoritmos Genticos para encontrar sua
soluo ter um resultado bastante satisfatrio. A questo do custo computacional
um tema importante a ser tratado nos AGs, porm para resolver este problema
pode-se utilizar paralelismo, ou seja, deixar vrias mquinas trabalhando
simultaneamente num mesmo problema, tendo em vista que eles podem ser
tratados independentemente. Alm disso, os hardwares de computadores tm
evoludo consideravelmente ao longo dos anos.
Como objetivo de se aplicar os conceitos dos AGs na otimizao de vigas, produziu-
se um programa em linguagem Java, aplicando-se conceitos de POO, que
facilitaram no desenvolvimento do mesmo. O programa otimiza topolgica e
parametricamente vigas de concreto armado, submetidas a um carregamento
distribudo, sujeitas a restries laterais das variveis (a fim de tornar o problema
compatvel com a realidade pratica) e restries de comportamento em relao ao
ELU. Durante o desenvolvimento do programa pode-se sentir as particularidades da
aplicao de um mtodo probabilstico de otimizao. Notou-se o seu carter
sensvel quanto aos parmetros adotados. Se utilizados de forma adequada o
problema consegue resultados satisfatrios, caso contrrio pode-se realmente se
tornar uma mera busca aleatria, como muitos pensam. Portanto, acredita-se que o
principal obstculo dos AGs seja o ajuste dos seus parmetros.
Como sugesto para trabalhos futuros pode-se:
Concluir este projeto, aplicando-se a pavimentos tipo de edifcios fazendo a
total integrao entre vigas do pavimento, lajes e pilares.
100

Focalizar o desenvolvimento da pesquisa no campo da calibrao dos
parmetros, de modo a tentar encontrar valores que sejam menos
especficos. Ou seja, diminuir a sensibilidade do problema a estes parmetros
e se possvel aplicar a casos mais genricos.
Aplicar computao paralela de forma a otimizar o tempo de processamento
do projeto.



101


REFERNCIAS

[1] Atherly, A.G., J.R. Girton, e J.F. McDonald. The Science of Genetics. Harcourt
Brace College Publishers; 1 edition, 1998.
[2] BCK, T., U. HAMMEL, e H.P. SCHWEFEL. Evolutionary Computation:
Comments on the History and Current State. IEEE Transactions On Evolutionary
Computation, vol. 1, n 1, pp. 3-17, 1997.
[3] Balling, R.J., M. Asce, R.R. Briggs, e K. Gillman. Multiple Optimum
size/Shape/Topology designs for skeletal Structures Using a Genetic Algorithms.
In Journal os structural Engineering, ASCE. v.132. n7, 2006.
[4] Briggs, R. R. A Genetic Algorithm that Finds all Optimum Topologies of Skeletal.
2004. 131p. Dissertao (Mestrado) - Brigham Young University, Utah, 2004.
[5] Brun, A.L. Algoritmos Genticos. In: Encontro Paranaense de Computao, I,
Cascavel. Apostila EPAC. Paran, 2005.
[6] Castilho, V. C. de. Otimizao de Componentes de Concreto Pr-moldado
Protendidos Mediante Algoritmos Genticos. 2003. 181p. Tese (Doutorado) -
Escola de Engenharia de So Carlos, Universidade de So Paulo. So Paulo,
2003.
[7] Castro, R.E. Otimizao. 1999. 87 p. Monografia (Proposta para insc. direta no
Doutorado) - COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro,
1999.
[8] . Otimizao de Estruturas com Multi-Objetivos via Algoritmos Genticos.
2001. 206 p. Tese (Doutorado) - COOPE, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, 2001.
102

[9] Chiam, S.C., C.K. Gom, e K.C. Tan. Issues of Binary Representation in
Evolutionary Algorithms. In Cibernetics and Intelligent Systems, 2006 IEEE
Conference, 2006.
[10] Cho, H-.N., D-.H. Min, e K.M. Lee. Optimum Life-Cycle Cost Design of
Orthotropic Steel Deck Bridges. In: International Journal of Korean Society of
Steel Construction, Vol.1, n2, pp.141-153, 2001.
[11] Cohn, M. Z., A.J. Dinovtzer, Fellow, e ASCE. Application of Structural
Optimization. In Journal of Structural Engineering, ASCE, v.120, n. 2, 1994.
[12] Croce, E.S., E.G. Ferreira, e A.C.C. Lemonge. A Genetic Algorithm for
Structural Optimization of Steel Truss Roofs. In: Congress Iberian Latin-American
on Computational Methods in Engineering (CILAMCE), XXV, 2004, Recife.
Proceedings. Pernambuco, 2004.
[13] DAVIS, L. Handbook of Genetic Algorithms. Van Nostrand Reinhold, Nova
York, 1991.
[14] Deb, K., e S. Gulati. Design of Truss Structures for Minimum Weight Using
Genetic Algorithms. In Journal of Finit Element in Analysis and Design. v.37. n. 5,
2001.
[15] Del Savio, A.A., S.A.L. Andrade, P.C.G.S Vellasco, e L.F. Martha. Genetic
Algorithm optimization of semi-rigid steel structures. In B.H.V. Topping -
Internacional Conference on the Aplication of Artificial Inteligence to Civil,
Structural and Enviromental Engineering. VIII. 2005. Stirlingshire. Proceedings.
Paper 24. Uk, 2005.
[16] Escola Politcnica da Universidade de So Paulo. Diretrizes para
apresentao de dissertaes e teses. 3 ed. Diviso de Bibliotecas da EPUSP.
103p. So Paulo, 2003.
[17] Gantovnik, V.B. An Improved Genetic Algorithm for the Optimization of
Composite Structures. 2005. 111p. Tese (Doutorado) - Faculty of the Virginia
Polytechnic Institute and State Institute. Virginia, 2005.
103

[18] Gillman, K.M. Optimization of Shape, Size and Topology Design Variables in
Trusses with a Genetic Algorithm. 2005. 82p. Dissertao (Mestrado) - Brigham
Young University, Utah, 2005.
[19] Goldberg, D.E. Genetic Algorithms in Search, Optimization and Machine
Learning. Addison Wesley , 1989.
[20] Grierson, D.E., e W.H. Pack. Optimal Sizing, Geometrical and Topological
design using a genetic Algorithm. Journal of Structural Optimization, 6, 151-159,
1993.
[21] Guerra, C. Otimizao Paramtrica de Estruturas Treliadas por Algoritmos
Genticos. 2008. 91p. Dissertao (Mestrado). Escola de Engenharia,
Universidade Federal do Rio Grande do Sul, Rio Grande do Sul, 2008.
[22] Haftka, R.T., e Z. Gurdal. Elements of Structural Optimization (Solid
Mechanics and its applications). Kluwer Academic Publishers,v.11. 504 p.
Dordrecht., 1991.
[23] Holland, J.H. Adaptation in Natural and Artificial Systems. University of
Michigan Press, 1975.
[24] Hultman, M. Weight Optimization of Steel Trusses by a Genetic Algorithm.
2010. 65 p. Dissertao (Mestrado). Lund Institute of Tecnology. Lund. Sucia,
2010.
[25] Kicinger, R.P., e T. Arciszewski. Evolutionary Multi-Objetive Design of Steel
Structures in Tall Buildings. In: Obayashi, S., editor. Proceeding of the AIAA 1st
Intelligent Systems Technical Conference, Chicago, 2004.
[26] Kim, I.Y., e O. Weck. Progressive Structural Topology Optimization by
Variable Chromossome Length Genetic Algorithm . In: China-Japan-Korea Jount
Symposium on Optimization of Structural and Mecanical Systems, III, 2004,
Kanazawa. Proceedings. Japan, 2004.
[27] Koumousis, V.K., e P.G. Georgiou. Genetic Algorithm in Discrete Optimization
of Steel Truss Roofs. In Journal of Computing in Civil Engineering, ASCE. v.8. n.
3. , 1994.
104

[28] Lima, C.R.N. Anlise de Deformao por Fluencia em uma viga de Concreto
Armado e protendido: Retroanlise a Algoritmos Genticos. 2007. 76 p.
Dissertao (Mestrado) Escola Politecnica, Universidade de So Paulo, So
Paulo, 2007.
[29] Luenberger, D.G. Linear and Nonlinear Programming. SPRINGER VERLAG,
2ed, 2003.
[30] Michalewicz, Z., e R. Hinterding. Evolutionary Algorithms. Chapter 2 in Fuzzy
Evolutionary Computation, Kluwer Academic, 1997.
[31] Olivieri, B. P. Otimizao do Projeto de Pontes Protendidas Pr-Moldadas
pelo Mtodo dos Algoritmos Genticos. 2004. 129 p. Dissertao (Mestrado) -
COPPE, Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2004.
[32] Pizzirani, F. Otimizao Topolgica de Estruturas Utilizando Algoritmos
Genticos. 2003. 86p. Dissertao (Mestrado) - Faculdade de Engenharia
Mecnica, Universidade Estadual de Campinas Campinas. So Paulo, 2003.
[33] Rajev, S., e C.S. Krishnamoorthy. Discrete Optimization of Structures using
Genetic Algorithm. Journal of structural engineering, ASCE, v.118. n.5, p.1233-
1250., 1992.
[34] Sakla, S., e E. Elbeltagi. Design of Steel Roofs Subjected to Drifed Snow
Using Genetic Optimization. In: Journal of Computers and Structures, Elsevier
Publishier, vol. 81, n6, pp339-348, 2003.
[35] Silva, E.E. Otimizao de Estruturas de Concreto Armado Utilizando
Algoritmos Genticos. 2001. 131p. Dissertao (Mestrado) - Escola Politcnica,
Universidade de So Paulo,So Paulo, 2001.
[36] Soares, R.C. Otimizao de Sees Transversais de Conccreto Armado -
Aplicao a Pavimentos. 1997. 145 p. Dissertao (Mestrado) - Escola de
Engenharia de So Carlos, Universidade de So Carlos. So Paulo: So Carlos,
1997.
105

[37] Tai, K., S. Wang, S. Akhtar, e J. Prasad. Structural Topology Optimization
using a Genetic Algorithm and Morphological Representation of Geometry. . In
3rd SMA Annual Symposium, Singapure, 17-18, 2003.
[38] Timoteo, G.T.S. Desenvolvimento de um Algoritmo Gentico para a resoluo
do Timetabling. 2002. 76 p. Dissertao (Graduao) - Universidade Federal de
Lavras, Minas Gerais, 2002.
[39] Vianna, L.C.C., e A.L.H Debs. Otimizao de Sees Transversais de
Concreto Armado: Aplicao a Prticos. In: Cadernos de Engenharia de
Estruturas. So Carlos. 2005. vol.7, n26, p.1-32, 2005.
[40] Wang, S., S. Akhtar, J. Prasad, e K. Tai. Structural Topology Optimization
Using a Genetic Algorithm and a Morphological Representation of Geometry. In:
Singapure-MIT Alliance Annual Simposium, III, 2003, Camberra. Proceedings.
Australia, 2002.
[41] Woon, S.Y., O.M. Querin, e G.P. Steven. Structural Application of a Shape
Optimization Method Based on Genetic Algorithm. In: Structural and
Multidisciplinary Optimization. 2001. vol.22, n1,p. 57-64, 2001.
[42] Zuben, F.J.V. Computao Evolutiva: Uma abordagem Pragmtica. Apostila.
Campinas: Unicamp, 2004.



106

APNDICE A
VALIDAO DO PROGRAMA UMA APLICAO DO AGEN PARA
OTIMIZAO DE SEO TRANSVERSAL DE UMA VIGA DE CONCRETO

A fim de validar os conceitos aplicados no programa AGEN, utilizou-se como
referncia um exemplo aplicado por dois autores da bibliografia, que utilizaram
abordagens distintas para resolver o mesmo problema. Trata-se da otimizao da
seo transversal de uma viga de concreto, biapoiada submetida a um
carregamento distribudo. (Soares 1997) adotou o mtodo dos multiplicadores de
Lagrange (mtodo determinstico) enquanto (Castilho 2003) utilizou Algoritmos
Genticos (mtodo probabilstico) para resolver o mesmo problema.


Figura 28 - Exemplo de aplicao

Abaixo segue a formulao:
min1, 2 =

1 +

+2

+2 1


Sujeito a:

1 0
2
0,075 1
1 0

1 0
107

50 1 80 (cm)
3.1 2 6.2 (cm)
Onde:
x1 = h d (distncia do centro de gravidade da armadura tracionada a face mais
comprimida).
x2 = rea de armadura;

i
= Flecha mxima para cada indivduo;

Adm
= Flecha Admissvel (L/300);
M
d
= Momento Atuante de clculo;
M
u
= Momento resistente.
L= 8m;
q = 0.1 KN/m (1tf/m);
d' = 0.03 m;
b
w
= 0.15m;
C
c
= 30% do Custo total (Custo do concreto);
C
a
= 30% do Custo total (Custo do ao);
C
F
= 40% do Custo total (Custo da Forma);

s =
75 KN/m (7.5tf/m) Densidade do Ao;
Concreto: 20Mpa (C20);
Ao: CA50;

Os resultados encontrados por (Castilho 2003) e (Soares 1997) esto apresentados
na tabela a seguir:
108


Autor Mtodo Utilizado
Resultados Obtidos
H(cm) As (cm)
(Soares 1997)
Multiplicadores de Lagrange
(Determinstico)
67.25 4.13
(Castilho 2003)
Algoritmos Genticos,
utilizando variveis continuas
(Probabilistico)
67.25 4.33

Conforme visto nos Captulos 6 e 7, o problema tratado no programa AGEN bem
mais complexo que o tratado no exemplo de validao, portanto algumas
adaptaes foram feitas para torn-lo compatvel com o problema a resolver. Por
exemplo, no custo da viga por metro foram eliminados os termos referentes ao custo
da armadura superior (negativa) e ao custo dos estribos, conforme se observa
abaixo:

,
=

+2
Equao 16 - Custo de Viga por metro - Adaptada ao exemplo

Sujeito a:
0.5 0.80 , / = { /

0.05} (m)
= { 1.0, 1.25, 1.6, 2.0, 2.5, 3.2}, .
2 8 ,



Onde,
109

b = 0.15 m
C
C
= 0.3 (R$/m)
C
A
= 0.3 (R$/Kg)
C
F
= 0.4 (R$/m)
Os parmetros de entrada utilizados para o algoritmo gentico foram:
Tamanho da populao: 1000;
Probabilidade de mutao: 0.001;
Critrios de parada:
Populao Homognea ou ;
h = 65cm e (Asi 4.5) <= 0.5; (Teste 1)
h = 70 cm e (Asi 4.5) <= 0.5; (Teste 2)
Onde Asi = rea de ao inferior.
Para cada teste o programa foi aplicado 20 vezes, a fim de verificar a veracidade
dos resultados. Abaixo segue tabela com os resultados obtidos:

Teste 1 - Soluo tima (65, 4.5)
N H (cm) pNi pDli (cm) As(cm) Critrio de parada Gerao de Parada
1 65 4 1,25 5,00 Soluo tima 7
2 65 6 1,00 4,80 Soluo tima 10
3 65 6 1,00 4,80 Soluo tima 5
4 65 6 1,00 4,80 Soluo tima 10
5 55 4 1,60 8,00 Populao Homognea 66
6 65 4 1,25 5,00 Soluo tima 11
7 70 6 1,60 12,00 Populao Homognea 64
8 65 4 1,25 5,00 Soluo tima 5
9 65 4 1,25 5,00 Soluo tima 10
10 65 4 1,25 5,00 Soluo tima 7
11 65 4 1,25 5,00 Soluo tima 10
12 65 4 1,25 5,00 Soluo tima 11
13 65 4 1,25 5,00 Soluo tima 9
14 65 4 1,25 5,00 Soluo tima 15
110

Teste 1 - Soluo tima (65, 4.5)
N H (cm) pNi pDli (cm) As(cm) Critrio de parada Gerao de Parada
15 65 4 1,25 5,00 Soluo tima 13
16 65 4 1,25 5,00 Soluo tima 6
17 80 3 1,25 3,75 Populao Homognea 91
18 65 4 1,25 5,00 Soluo tima 9
19 65 4 1,25 5,00 Soluo tima 7
20 65 4 1,25 5,00 Soluo tima 17


Teste 2 - Soluo tima (75, 4.5)
N H (cm) pNi pDli (cm) As(cm) Critrio de parada Gerao de Parada
1 70 4 1,25 5,00 Soluo tima 12
2 80 3 1,60 6,00 Populao Homognea 137
3 70 6 1,00 4,80 Soluo tima 6
4 75 2 1,60 4,00 Populao Homognea 42
5 70 6 1,00 4,80 Soluo tima 6
6 70 4 1,25 5,00 Soluo tima 10
7 70 4 1,25 5,00 Soluo tima 15
8 70 4 1,25 5,00 Soluo tima 26
9 70 4 1,25 5,00 Soluo tima 48
10 75 5 1,25 6,25 Populao Homognea 248
11 70 4 1,25 5,00 Soluo tima 15
12 70 6 1,00 4,80 Soluo tima 10
13 80 3 1,25 3,75 Populao Homognea 171
14 60 5 1,25 6,25 Populao Homognea 65
15 70 4 1,25 5,00 Soluo tima 11
16 75 3 1,60 6,00 Populao Homognea 35
17 70 4 1,25 5,00 Soluo tima 14
18 70 4 1,25 5,00 Soluo tima 9
19 70 6 1,00 4,80 Soluo tima 17
20 70 4 1,25 5,00 Soluo tima 8

111



Em 85% dos casos o programa chegou soluo tima, portanto pode-se
consider-lo validado. importante ressaltar alguns pontos:
medida que a soluo tima dada como critrio de parada do programa se
afasta da real soluo tima, o programa vai convergindo para outros
resultados, ou seja, ele demonstra que est em busca da soluo tima por
mais que se indique um caminho diferente;
Adotou-se variveis discretas, ao contrrio dos autores de referencia que
adotaram variveis contnuas;
A restrio de flecha (adotada pelos demais autores), no foi considerada no
programa.

Sol.
tima
85%
Homo
gnea
15%
Teste 1
Sol.
tima
82%
Homo
gnea
18%
Teste 2
112

APENDICE B
TABELA RESUMO COM A FREQUENCIA DE DIVERSOS TRABALHOS DE
OTIMIZAO ESTRUTURAL ORGANIZADOS POR ALGUMAS
CARACTERISTICAS BSICAS (Cohn, et al. 1994)