Tese Final Thiago Pontin

THIAGO PONTIN TANCREDI
Otimizao Multidisciplinar Distribuda

aplicada a Projetos de Engenharia

v. 1

So Paulo
2008


Tese apresentada Escola Politcnica da
Universidade de So Paulo para a obteno
do titulo de Doutor em Engenharia

v. 1

So Paulo
2008


Tese apresentada Escola Politcnica da
Universidade de So Paulo para a obteno
do titulo de Doutor em Engenharia

rea de Concentrao:
Engenharia Naval e Ocenica

Orientador: Prof. Livre-Docente
Oscar Brito Augusto

Coorientador: Prof. Doutor
Fouad Bennis

v. 1

So Paulo
2008
AGRADECIMENTOS
Aos professores Oscar Brito Augusto e Fouad Bennis, pela pacincia e liberdade que
permitiram desenvolver essa pesquisa a seu tempo; errando, acertando e aprendendo.
E que sempre dispunham de tempo e motivao para me atender.
Ao professor Philippe Dpinc e todos os colegas do IRCCYN, pela excelente acolhida na
cidade de Nantes. Em poucos lugares tive tanta tranqilidade para trabalhar.
Aos amigos Jos Afonso Pontin e Monica Dinah, pelo auxilio na difcil arte de escrever em
dois idiomas.
toda minha famlia e amigos, por estarem sempre ao meu lado em todos esses anos de
pesquisa.

Its been a long road, getting from there to here,
it's been a long time, but my time is finally near."
Russell Watson

RESUMO
Diante do moderno paradigma de projeto otimizado de grandes sistemas de
engenharia, este trabalho apresenta um ambiente de projeto que inclui uma srie de
inovaes que permitem otimizar problemas multidisciplinares utilizando colaborao remota
pela Internet.
Muitos trabalhos tm sido desenvolvidos nesse sentido, o que motivou uma parceria
internacional entre o Departamento de Engenharia Naval da Universidade de So Paulo e a
Ecole Centrale de Nantes. O objetivo desta parceria foi unir a experincia brasileira em
projetos de sistemas complexos de engenharia com a experincia francesa em otimizao
multidisciplinar.
Sendo este trabalho fruto de uma colaborao internacional, importante ter em
mente a obrigao existente para que a pesquisa desenvolvida atenda a ambas as
expectativas.
O objetivo , a um s tempo, viabilizar a integrao de subsistemas conhecidos em
um ambiente de projeto que permita a otimizao multidisciplinar de sistemas complexos de
engenharia e desenvolver contribuies pontuais relevantes no uso de superfcies de
resposta, projeto distribudo e no desenvolvimento de estratgias de otimizao
multidisciplinares.
O relatrio apresentar uma descrio do problema, seguida da reviso bibliogrfica
sobre os principais assuntos envolvidos na pesquisa. A descrio do trabalho desenvolvido
ocupar os dois prximos captulos. No primeiro, o trabalho apresentado privilegiando a
viso global do sistema e a integrao dos diferentes subsistemas desenvolvidos em um
enfoque claramente influenciado pela tradicional viso sistmica da Engenharia Naval. No
captulo seguinte as principais contribuies pontuais desenvolvidas so detalhadas ao
estilo Francs. Por fim apresentada a aplicao deste trabalho em diversos problemas
matemticos e de engenharia.
RESUME
En face de la modernit du paradigme de conception optimise des grands systmes
d'ingnierie, ce travail prsente une ambiance de projet qui comprend une srie dinnovation
qui permettent d'optimiser des problmes multidisciplinaires l'aide de la collaboration
distance sur linternet.
Dans ce sens, de nombreux travaux ont t dvelopps, inspirant un partenariat
international entre le Dpartement de l'Universit de So Paulo et de l'cole Centrale de
Nantes. L'objectif de ce partenariat est d'unir l'exprience brsilienne dans la conception de
systmes complexes d'ingnierie avec l'exprience franaise dans l'optimisation
multidisciplinaire.
tant donn que ce travail est le rsultat d'une collaboration internationale, il est
important de mettre en relief l'obligation existante pour que cette recherche atteindre aux
expectatives de tous les organismes y comprise.
Le but de cette recherche est, en mne temps, donner les moyens ncessaires pour
l'intgration des sous-systmes connus dans une ambiance de travail pour y permettre
l'optimisation multidisciplinaire des systmes complexes d'ingnierie l'laboration des
contributions ponctuelles pertinentes dans l'utilisation des surfaces de rponse, optimisation
distributive et dans le dveloppement des stratgies d'optimisation multidisciplinaire.
Dans le rapport il y en a donc une description du problme, suivie d'une rvision du
corpus sur les principaux enjeux abords dans cette recherche. La description du travail
entrepris sera donc aborde dans les deux chapitres suivants. Dans le premier chapitre, on
met en relief la vue d'ensemble du systme et l'intgration des diffrents sous-systmes
dvelopps mis au point clairement influenc par le traditionnel point de vue de l'Ingnierie
Navale. Dans le deuxime chapitre, les principales contributions ponctuelles dveloppes
sont dtailles la franaise. Bref, on prsente l'application de ce travail dans de divers
problmes en mathmatiques galement quen ingnierie.
ABSTRACT
Facing the modern paradigm of optimized projects of large engineering systems, this
research work presents a project environment that includes a series of innovations that allow
the optimization of multidisciplinary problems using remote collaboration through the internet.
Many research works have been done around this subject, which have motivated an
international partnership between the Departamento de Engenharia Naval da Universidade
de Sao Paulo and Ecole Centrale de Nantes. The objective of this partnership was mix the
Brazilian expertise in design of engineering systems with the French expertise in
multidisciplinary optimization.
Being the result of an international collaboration, it is important to keep in mind the
existing compromise to fulfill both expectations.
The objective is altogether to make the integration of known systems viable in a
project environment that allows multidisciplinary optimization of complex engineering
systems with the creation of focused contributions that are relevant on the use of response
surfaces, design collaborative and on the development of strategies of multidisciplinary
optimization.
The report will present a description of the problem, followed by a bibliographic
revision about the main issues involved in the research. The description of the work is
covered on the two following chapters. On the first one, the work approaches a global view of
the system and the integration of different developed sub-systems under a perspective
clearly influenced by the traditional systemic vision of Naval Engineering. On the next
chapter, the main punctual contributions are detailed in the French style. Finally, the
application of this work is presented in several mathematical and engineering problems.
LISTA DE ILUSTRAES
Figura 1.1. Projeto multidisciplinar do hidroflio de um catamar. Dreyer (2005)..............................20
Figura 1.2. Esquematizao do projeto distribudo. Rabeau (2006). ....................................................21
Figura 1.3. Esquema dos principais elementos que motivam esta pesquisa. ........................................21
Figura 2.1. Ilustrao sobre a otimizao de problemas com restrio. Silva (2007)...........................28
Figura 2.2. Exemplo de vrias alternativas para a compra de um caminho. .......................................31
Figura 2.3. Exemplos de distribuio das solues ao longo da Fronteira de Pareto............................32
Figura 2.4. Interseco da Fronteira de Pareto com a funo de ponderao. ......................................34
Figura 2.5. Comparao entre a otimizao mono-objetivo e multiobjetivo. Rabeau (2006)...............35
Figura 2.6. Representao do algoritmo gentico na forma de fluxograma..........................................36
Figura 2.7. Operador de cruzamento em um ponto...............................................................................38
Figura 2.8. Cronologia de aparecimento dos diferentes algoritmos evolucionrios. Rabeau (2006)....43
Figura 2.9. Otimizao multidisciplinar com objetivos estruturais e hidrodinmicos. Birk (2001). ....45
Figura 2.10. Fluxograma do problema multidisciplinar........................................................................47
Figura 2.11. Principais estratgias de otimizao multidisciplinar. Adaptado de Rabeau (2006). .......49
Figura 2.12. Fluxograma do mtodo MDF. ..........................................................................................50
Figura 2.13. Fluxograma do mtodo IDF..............................................................................................51
Figura 2.14. Fluxograma do mtodo AAO. ..........................................................................................51
Figura 2.15. Fluxograma do mtodo CO. .............................................................................................53
Figura 2.16. Fluxograma do mtodo MORDACE................................................................................56
Figura 2.17. Fluxograma do mtodo COSMOS....................................................................................56
Figura 2.18. Representao de um neurnio.........................................................................................60
Figura 2.19. Modelagem de um neurnio proposta por McCullock (1943)..........................................61
Figura 2.20. Funo de ativao do tipo Sigmoid. ................................................................................62
Figura 2.21. Modelo Perceptron de aprendizado supervisionado. Rosemblatt (1958).........................63
Figura 2.22. Rede neural artificial do tipo Multilayer Perceptrons......................................................64
Figura 2.23. Diferena entre o paralelismo lgico e o paralelismo real. J unior (2002)........................70
Figura 2.24. Tempo de comunicao x Tempo de computao. Quinn (1994). ...................................72
Figura 2.25. Programao com memria compartilhada e no compartilhada. Brasil (2006)..............73
Figura 3.1. Abordagem em espiral do ambiente desenvolvido.............................................................77
Figura 3.2. Interface multidisciplinar do mdulo de otimizao. .........................................................80
Figura 3.3. Exemplos de grficos construdos utilizando o objeto de grficos desenvolvido...............81
Figura 3.4. Objeto para edio do problema por blocos. ......................................................................82
Figura 3.5. Comparao entre mtodos de resoluo de expresses na forma de texto........................84
Figura 3.6. Funo f(x) =seno(x). ........................................................................................................85
Figura 3.7. A pesquisa por solues equivalentes usando regies tabus. .............................................86
Figura 3.8. Abordagens utilizadas pelo programa de otimizao. ........................................................87
Figura 3.9. Funo com singularidade..................................................................................................89
Figura 3.10. Menu de configurao das superfcies de resposta...........................................................90
Figura 3.11. Opes para a exportao de dados..................................................................................91
Figura 3.12. Superfcie de resposta exportada para o Excel..................................................................92
Figura 3.13. Representao do ambiente desenvolvido........................................................................94
Figura 3.14. Interface do servidor de infra-estrutura. ...........................................................................96
Figura 3.15. Interface do cliente de redes neurais executando um treinamento remoto. ......................97
Figura 3.16. Comunicao entre o cliente de redes neurais e o servidor de infra-estrutura..................99
Figura 4.1. Determinao da Topologia da Rede Neural....................................................................103
Figura 4.2. Exemplos de superfcies de resposta. ...............................................................................107
Figura 4.3. Reduo do mdulo dos valores timos na superfcie de resposta...................................108
Figura 4.4. Desempenho da superfcie de resposta em funo do tempo de cada anlise. .................110
Figura 4.5. Projeo do Speedup e eficincia dos algoritmos de otimizao utilizando M.E.F..........116
Figura 4.6. Speedup em funo do tempo de anlise. Algoritmo Vrtices com 2 processadores. ......117
Figura 4.7. Superfcie de resposta anmala.........................................................................................121
Figura 4.8. Superfcie anmala com 3 pontos iniciais. .......................................................................122
Figura 4.9. Superfcie de resposta viciada...........................................................................................122
Figura 4.10. Abordagem percentual para a utilizao de superfcies de resposta...............................123
Figura 4.11. Regio tabu utilizada no tratamento de superfcie viciada. ............................................124
Figura 4.12. Comparao entre diferentes abordagens para a utilizao de superfcies de resposta. .126
Figura 4.13. Formulao geral do problema multidisciplinar.............................................................128
Figura 4.14. Esquema geral da estratgia multidisciplinar. ................................................................129
Figura 4.15. Mdulo de anlise para a estratgia multidisciplinar......................................................130
Figura 4.16. Mdulo de anlise para a estratgia multidisciplinar com superfcies de resposta.........131
Figura 4.17. Exemplo de utilizao de superfcies de resposta para uma disciplina multiobjetivo....132
Figura 5.1. Curvas de nvel para o problema Planejamento da Produo...........................................135
Figura 5.2. Soluo do problema Planejamento da Produo. a) Vrtices. b) Gentico.....................136
Figura 5.3. Formulao do problema de Designao..........................................................................137
Figura 5.4. Curvas de nvel para o problema Rosenbrock. .................................................................138
Figura 5.5. Soluo do problema Rosenbrock. a) Vrtices. b) Gentico............................................138
Figura 5.6. Ilustrao do problema Tampa de Escotilha.....................................................................139
Figura 5.7. Curvas de nvel para o problema Tampa de Escotilha......................................................140
Figura 5.8. Soluo do problema Tampa de Escotilha. a) Vrtices. b) Gentico................................140
Figura 5.9. Ilustrao do problema Grelha Simples............................................................................141
Figura 5.10. Curvas de nvel para o problema Grelha Simples...........................................................142
Figura 5.11. Soluo do problema Grelha Simples. a) Vrtices. b) Gentico.....................................142
Figura 5.12. Diagrama de cavitao simples de Burril. ......................................................................143
Figura 5.13. A superfcie neural para o diagrama de cavitao de Burril, apud Ugarte. ....................143
Figura 5.14. Representao do problema Viga em balano................................................................144
Figura 5.15. Soluo do problema Viga em balano. .........................................................................145
Figura 5.16. Distribuio da tenso mxima na soluo final.............................................................145
Figura 5.17. Representao do problema Grelha ortogonal com vigas de seo I..............................146
Figura 5.18. Soluo do problema Grelha...........................................................................................147
Figura 5.19. Estrutura deformada na configurao otimizada do problema Grelha. ..........................148
Figura 5.20. Representao do problema Vaso de Presso.................................................................148
Figura 5.21. Soluo do problema Vaso de Presso. ..........................................................................149
Figura 5.22. Distribuio da tenso mxima na soluo otimizada....................................................149
Figura 5.23. Distribuio da tenso mxima ao logo de uma seo otimizada do vaso. ....................150
Figura 5.24. Representao grfica do problema Multiobjetivo Simples...........................................151
Figura 5.25. Soluo do problema Multiobjetivo Simples..................................................................151
Figura 5.26. Representao da funo f
2
(X) supondo x
1
constante. Kalyanmoy (1999). ...................152
Figura 5.27. Soluo do problema Multiobjetivo Complexo..............................................................153
Figura 5.28. Ilustrao do problema Viga I. .......................................................................................154
Figura 5.29. Soluo do problema Viga I. ..........................................................................................154
Figura 5.30. Comparao entre a soluo obtida e soluo de referncia...........................................155
Figura 5.31. Topologia do problema Multidisciplinar Simples. .........................................................156
Figura 5.32. Soluo do problema Multidisciplinar Simples..............................................................156
Figura 5.33. Comparao entre a abordagem Multiobjetivo e Multidisciplinar. ................................157
Figura 5.34. Topologia do problema Multidisciplinar Acoplado........................................................158
Figura 5.35. Soluo do problema Multidisciplinar Acoplado. ..........................................................158
Figura 5.36. Topologia do problema Mltiplas Funes Objetivo.....................................................159
Figura 5.37. Soluo do problema Mltiplas Funes Objetivo.........................................................159
Figura 5.38. Representao tridimensional do Redutor......................................................................161
Figura 5.39. Topologia do problema Redutor.....................................................................................163
Figura 5.40. Layout bsico de um catamar com hidroflios. Dreyer (2005).....................................164
Figura 5.41. Fluxograma do processo de projeto. Dreyer (2005). ......................................................165
Figura 5.42. As duas disciplinas envolvidas no projeto e o acoplamento entre elas...........................166
Figura 5.43. Hidrodinmica de uma embarcao com hidroflios. Adaptado de Molland (1996).....167
Figura 5.44. Variveis de projeto para a seo do hidroflio..............................................................168
Figura 5.45. Deflexo do hidroflio e distribuio das tenses de von Mises....................................169
Figura 5.46. Variveis do projeto estrutural do hidroflio..................................................................170
Figura 5.47. Decomposio das foras hidrodinmicas......................................................................171
Figura 5.48. Funo objetivo maximizada para velocidade do vento de 20 knots..............................173
Figura 5.49. Superfcie de resposta calculada para representar o modelo de resistncia de Holtrop..174

LISTA DE ABREVIATURAS E SIGLAS
AAO All-at-Once
API Application Programmers Interface
ATC Analytic Target Cascading
BLISS Bi-Level Integrated System Synthesis
CAD Computer Aided Design
CO Collaborative Optimization
COSMOS Collaborative Optimization Strategy for Multi-Objective Systems
CSSO Concurrent Sub-Space Optimization
DCF Disciplinary Constraint Feasible
GSE Equaes de Sensibilidade Global
HLGA Hajela and Lin Genetic Algorithm
IDF Individual Disciplinary Feasible
IRCCYN Institut de Recherche en Communications et Cyberntique de Nantes
MBA Modified Box Algorithm
MEF Mtodo dos Elementos Finitos
MDA Mdulo de Anlise Multidisciplinar
MDF Multidisciplinary Feasible
MDO Otimizao Multidisciplinar
MLP Multilayer Perceptrons
MOGA Multiobjective Optimization Genetic Algorithm
MOO Otimizao Multiobjetivo
MORDACE Multidisciplinary Optimization and Robust Design Approaches Applied to
Concurrent Engineering
MPI Message Passing Interface
MPP Massively Parallel Processors
NACA National Advisory Committee for Aeronautics
NASA Aeronautics and Space Administration
NPGA Niched Pareto Genetic Algorithm
NSGA Nondominated Sorting Genetic Algorithm
OT Otimizao Topolgica
PAES Pareto Archived Evolution Strategy
PESA Pareto Envelope based Selection Algorithm
POP3 Post Office Protocol v3
PRAM Parallel Random Access Machine
PVM Parallel Virtual Machine
SPEA Strength Pareto Evolutionary Algorithm
SMTP Simple Mail Transfer Protocol
SUMT Sequential Unconstrained Minimization Technique
TCP/IP Transmission Control Protocol/ Internet Protocol
WBGA Weight Based Genetic Algorithm
VEGA Vector Evaluated Genetic Algorithm
VOES Vector Optimized Evolution Strategy
ESTRUTURA DO TRABALHO

Este trabalho resultado de um programa de co-orientao, fruto de uma parceria
entre o Departamento de Engenharia Naval da Universidade de So Paulo, a Ecole Centrale
de Nantes e a Universidade de Nantes.
Para atender ao convnio fixado, o relatrio apresentado foi dividido em dois
volumes. O primeiro volume apresenta a totalidade do trabalho realizado e foi redigido em
portugus, em acordo com as normas da instituio na qual a primeira matricula foi
realizada. Um segundo volume, redigido em francs, apresenta um resumo substancial dos
aspectos mais relevantes da pesquisa, apresentando referncias ao primeiro volume.
Em adio aos volumes impressos, inclui-se ainda um CD-ROM contendo uma
verso digital deste relatrio, uma cpia dos artigos usados como referncia desta pesquisa,
uma verso funcional do ambiente de otimizao multidisciplinar distribuda desenvolvido, os
arquivos de entrada dos exemplos apresentados e uma cpia dos artigos publicados
durante o trabalho.
SUMRIO
1 INTRODUO.......................................................................................................................................... 16
1.1 DESCRIO DO PROBLEMA..................................................................................................................19
2 ESTADO DA ARTE.................................................................................................................................. 22
2.1 OTIMIZAO.......................................................................................................................................22
2.1.1 Definio de otimizao ................................................................................................................ 22
2.1.2 Breve histrico sobre otimizao .................................................................................................. 24
2.1.3 A terminologia do problema de otimizao................................................................................... 25
2.1.4 Principais algoritmos de otimizao mono objetivo ..................................................................... 27
2.1.5 Comparao entre mtodos de otimizao.................................................................................... 28
2.1.6 Problema com restries ............................................................................................................... 28
2.1.7 Problemas com mltiplos objetivos ............................................................................................... 30
2.1.8 Operadores genticos .................................................................................................................... 36
2.1.9 O desenvolvimento histrico dos algoritmos evolucionrios ........................................................ 39
2.1.10 Problemas multidisciplinares ........................................................................................................ 44
2.1.11 O desenvolvimento histrico das estratgias multidisciplinares................................................... 48
2.1.12 Mtodos de otimizao multidisciplinar mono-nvel. .................................................................... 49
2.1.13 Mtodos de otimizao multidisciplinar multi-nvel...................................................................... 52
2.1.14 As estratgias MORDACE e COSMOS ......................................................................................... 55
2.2 SUPERFCIES DE RESPOSTA..................................................................................................................58
2.2.1 Principais aplicaes de superfcies de resposta .......................................................................... 58
2.2.2 Abordagens para a utilizao de superfcies de resposta.............................................................. 59
2.2.3 Conceitos fundamentais sobre redes neurais artificiais................................................................ 60
2.2.4 O uso de redes neurais na representao de superfcies de resposta............................................ 65
2.3 PROCESSAMENTO PARALELO E DISTRIBUDO.......................................................................................66
2.3.1 Breve histrico sobre processamento paralelo e distribudo ........................................................ 66
2.3.2 A computao de grande porte...................................................................................................... 67
2.3.3 Principais conceitos do processamento paralelo e distribudo..................................................... 69
3 DESENVOLVIMENTO............................................................................................................................ 76
3.1 ABORDAGEM CONCEITUAL..................................................................................................................76
3.2 IMPLEMENTAO................................................................................................................................78
3.2.1 Programao orientada a objetos ................................................................................................. 79
3.3 O CLIENTE DE OTIMIZAO.................................................................................................................79
3.3.1 Interface......................................................................................................................................... 80
3.3.2 Objeto para gerao de grficos................................................................................................... 81
3.3.3 Objeto para edio do problema................................................................................................... 82
3.3.4 Objeto para resoluo vetorial de expresses strings................................................................... 83
3.3.5 Regies tabus................................................................................................................................. 85
3.3.6 Algoritmos ..................................................................................................................................... 86
3.3.7 A otimizao em regies viveis normalizadas ............................................................................. 87
3.3.8 A otimizao em regies viveis discretas .................................................................................... 88
3.3.9 Superfcies de Resposta ................................................................................................................. 89
3.3.10 Mdulos de anlises ...................................................................................................................... 90
3.3.11 Exportao de Dados .................................................................................................................... 91
3.4 O AMBIENTE DE PROGRAMAO DISTRIBUDA DESENVOLVIDO...........................................................92
3.4.1 Requisitos do sistema..................................................................................................................... 93
3.4.2 Implementao da programao distribuda................................................................................. 95
3.4.3 Iniciando o ambiente de programao distribuda. ...................................................................... 95
3.4.4 A otimizao utilizando ambiente distribudo ............................................................................... 98
4 CONTRIBUIES RELEVANTES...................................................................................................... 101
4.1 O USO DE REDES NEURAIS ARTIFICIAIS COM TREINAMENTO DINMICO ............................................102
4.1.1 O modelo e topologia da rede neural utilizada ........................................................................... 103
4.1.2 A gerao de superfcies de resposta inicial ............................................................................... 104
4.1.3 Otimizao e adaptao dinmica .............................................................................................. 107
4.1.4 Readaptao dinmica da superfcie de resposta ....................................................................... 108
4.1.5 Avaliao do uso de superfcies de resposta ............................................................................... 109
4.1.6 O problema de interpolao de grficos e diagramas ................................................................ 111
4.1.7 Concluso.................................................................................................................................... 111
4.2 OTIMIZAO UTILIZANDO AMBIENTE DISTRIBUDO PELA INTERNET ................................................112
4.2.1 O ambiente desenvolvido............................................................................................................. 112
4.2.2 Otimizao e sincronizao......................................................................................................... 113
4.2.3 Consideraes sobre a eficincia do ambiente distribudo ......................................................... 113
4.2.4 Estimativa do tempo total de processo ........................................................................................ 118
4.2.5 Concluso.................................................................................................................................... 119
4.3 SUPERFCIES ANMALAS E VICIADAS, TRATAMENTO COM REGIES TABUS.......................................120
4.3.1 Superfcies anmalas de resposta................................................................................................ 120
4.3.2 Superfcies viciadas de resposta.................................................................................................. 122
4.3.3 Abordagens tradicionais para superfcies anmalas e viciadas.................................................. 123
4.3.4 Abordagem baseada em regies tabus ........................................................................................ 124
4.3.5 Avaliao da utilizao de regies tabus com superfcies de resposta ....................................... 125
4.3.6 Concluso.................................................................................................................................... 127
4.4 OTIMIZAO MULTIDISCIPLINAR BASEADA NOS VALORES DE ACOPLAMENTO..................................127
4.4.1 Diferena entre acoplamentos fortes e fracos ............................................................................. 128
4.4.2 A estratgia multidisciplinar baseada em valores de acoplamento............................................. 128
4.4.3 A utilizao de superfcies de resposta........................................................................................ 131
4.4.4 Concluso.................................................................................................................................... 132
5 EXEMPLOS DE APLICAES ........................................................................................................... 134
5.1 PROGRAMAO LINEAR....................................................................................................................135
5.1.1 Planejamento da Produo ......................................................................................................... 135
5.1.2 Problema de Designao............................................................................................................. 136
5.2 OTIMIZAO MONO-OBJ ETIVA ..........................................................................................................137
5.2.1 Problema Rosenbrock.................................................................................................................. 137
5.2.2 Tampa de Escotilha ..................................................................................................................... 139
5.2.3 Grelha Simples ............................................................................................................................ 141
5.3 INTERPOLAO DE GRFICOS E DIAGRAMAS.....................................................................................143
5.4 OTIMIZAO COM ANLISES NUMRICAS .........................................................................................144
5.4.1 Viga em balano.......................................................................................................................... 144
5.4.2 Grelha.......................................................................................................................................... 146
5.4.3 Vaso de Presso .......................................................................................................................... 148
5.5 OTIMIZAO MULTIOBJ ETIVO...........................................................................................................150
5.5.1 Multiobjetivo Simples .................................................................................................................. 150
5.5.2 Multiobjetivo Complexo .............................................................................................................. 152
5.5.3 Viga I ........................................................................................................................................... 153
5.6 OTIMIZAO MULTIDISCIPLINAR ......................................................................................................155
5.6.1 Multidisciplinar Simples.............................................................................................................. 156
5.6.2 Multidisciplinar Acoplado........................................................................................................... 157
5.6.3 Mltiplas Funes Objetivo......................................................................................................... 158
5.7 REDUTOR DE VELOCIDADE ...............................................................................................................160
5.8 PROJ ETO DO HIDROFLIO DE UMA EMBARCAO CATAMAR ..........................................................163
5.8.1 Descrio do problema multidisciplinar ..................................................................................... 165
5.8.2 As caractersticas da embarcao projetada .............................................................................. 171
5.8.3 A abordagem racional do problema............................................................................................ 171
5.8.4 Resultados da otimizao ............................................................................................................ 172
6 CONCLUSES........................................................................................................................................ 175
6.1 CONCLUSES ....................................................................................................................................175
6.2 PERSPECTIVAS DE PESQUISA..............................................................................................................178
6.2.1 Contribuies tericas................................................................................................................. 178
6.2.2 Implementaes computacionais ................................................................................................. 180
7 REFERENCIAS....................................................................................................................................... 182

Otimizao Multidisciplinar Distribuda aplicada a projetos de engenharia

1 Introduo
"Uma estrutura macia ser sempre mais resistente
que uma estrutura vazada, mas a estrutura vazada
pode ser mais eficiente que a estrutura macia."
ltima dcada consagrou o processo de otimizao como de vital importncia
para a busca de novos paradigmas nos projetos de engenharia. O trabalho dos
engenheiros no se limitou apenas a superar barreiras, mas faz-lo da forma mais eficiente
possvel.
Da construo de pontes explorao de petrleo, passando pela distribuio de
produtos e pelo projeto de motores, praticamente qualquer projeto de engenharia atual
procura, por meio de um processo de otimizao, um diferencial competitivo ou tecnolgico
que propicie reduo de custos ou ganhos de produtividade.
Em geral, essa busca pela melhor soluo empreendida de forma intuitiva e
depende fortemente da experincia profissional do engenheiro. Nos ltimos anos,
entretanto, uma corrente crescente de pesquisadores tem buscado alternativas para
sistematizar a otimizao de projetos de engenharia. Motivados pelo crescente avano e
pela reduo de custos dos recursos computacionais, a busca por metodologias e
algoritmos de otimizao tem se intensificado.
O computador no substituir o engenheiro; ao contrrio, o poder de clculo do
computador permitir ao engenheiro analisar um nmero maior de alternativas em menor
tempo. Essa maior capacidade de anlise permitir ao projetista ser mais arrojado, propor
solues inovadoras ou mesmo ter a certeza de que a soluo escolhida seja a melhor
soluo para o problema em questo.
Evidentemente, o conceito de melhor soluo deve ser algo bem definido e deve ter
por base um ou mais critrios de qualificao. Existem muitos critrios possveis para avaliar
um projeto, como, por exemplo, custo, peso, tempo, facilidade de construo, etc.; funo
do engenheiro definir a importncia desses critrios para o projeto em anlise.
Em alguns casos, a busca pela melhor soluo pode mesmo ser realizada de forma
intuitiva ou por meio de processos relativamente simples, pois em geral, estes problemas
A
Introduo 17


apresentam poucas variveis. Nenhum entregador executa um algoritmo de otimizao para
encontrar a melhor rota entre trs pontos de entrega, pois nesse caso sua experincia
permite que ele encontre intuitivamente a melhor soluo para o problema. Esse um
exemplo simples do clssico problema do caixeiro viajante, muito estudado nos setores de
logstica.
Nesse caso existem poucas variveis e um nico critrio de qualificao, que pode
ser a distncia percorrida ou ainda o tempo gasto pelo entregador.
Imaginemos, porm, que, em vez de um, sejam trinta entregadores responsveis por
cumprir nove mil entregas num perodo de um ms. Embora exista ainda um nico critrio
de qualificao, o nmero de variveis j no permite que a melhor resposta seja obtida de
forma intuitiva.
Existem ainda situaes em que um nico critrio pode no ser suficiente para
avaliar uma soluo. O projeto de um motor pode ser analisado segundo muitos critrios e
depende de muitos parmetros. Definido que o motor deva ser o mais econmico possvel,
devem existir combinaes diferentes que resultem em nveis de economia relativamente
prximos. Se, entretanto, o objetivo for o projeto de um motor econmico, com mxima
potncia e menor ndice de poluio possvel? Nesse caso o conjunto de possibilidades em
anlise deve prever uma soluo de compromisso que no ser necessariamente a melhor
soluo para cada um dos trs critrios especficos.
Esses critrios so influenciados por diversos parmetros, e a obteno da melhor
soluo depende de ciclos sucessivos de projeto. Mesmo com algumas etapas
automatizadas do processo, a variao dos parmetros depende unicamente da experincia
do projetista. Nesse caso, um algoritmo de otimizao deve ser capaz de realizar mudanas
no projeto, direcionando-o para a soluo otimizada.
Esse tipo de relao de compromisso
1
ocorre com grande freqncia em projetos de
sistemas complexos de engenharia, tais como grandes plataformas de petrleo e navios.
Em geral, a busca pela melhor soluo para sistemas sem propulso (tais como as
plataformas de petrleo) passa pelo compromisso entre estabilidade e comportamento
dinmico da unidade sob aes ambientais. Por outro lado, projetos de navios apresentam

1
Normalmente uma relao de compromisso entre objetivos conflitantes chamada de trade-off.
Introduo 18


relaes envolvendo estabilidade direcional e capacidade de manobra, deformao
estrutural e comportamento hidrodinmico, entre outras.
Na Engenharia de Estruturas o objetivo central de um projeto a minimizao do
peso estrutural. Diferentes solues so comparadas verificando-se o nvel de esforos
suportados por unidade de massa utilizada. Nesse caso, so poucos os parmetros
envolvidos, e o aspecto mais importante do projeto a distribuio de massa ao longo da
estrutura, seja uma ponte, seja um prdio, seja, enfim, um navio ou um avio.
Uma estrutura macia ser sempre mais resistente que uma estrutura vazada, mas a
estrutura vazada pode ser mais eficiente que a estrutura macia.
A distribuio de massa ao longo da estrutura deve se alinhar com as direes
principais das tenses resultantes da excitao externa qual a estrutura est submetida.
Mesmo um engenheiro experiente tem dificuldades em intuir a distribuio de tenses ao
longo de estruturas complexas; na maioria das vezes adota solues conservadoras de
projeto.
Seguindo o mesmo princpio, a indstria mecnica busca constantemente aumentar
a eficincia da matria prima gasta na produo de peas, o que demanda um algoritmo
capaz de modificar a distribuio de massas para maximizar sua eficincia.
Os problemas expostos at aqui so uma pequena amostra das questes envolvidas
nos modernos projetos de engenharia, e como eles apresentam o desafio comum de
otimizar a soluo adotada.
Embora sejam problemas de otimizao de natureza diferente (otimizao
paramtrica, otimizao de formas e otimizao topolgica
2
) o desafio de avaliar uma
soluo e dirigi-la a uma otimizao do projeto comum a todos eles e um interessante
objeto de estudo.
Assim, o novo paradigma atual deixa de ser a anlise de grandes projetos de
engenharia (destaques nas dcadas de 70 e 80) e passa a ser a otimizao global dos

2
O mtodo de otimizao topolgica destina-se a otimizao de problemas estruturais. Partindo de um domnio continuo
bi ou tridimensional, o processo de otimizao topolgica retira material de regies menos solicitadas, otimizando a
distribuio das tenses ao longo da estrutura. Atualmente existe ampla bibliografia sobre o assunto, como por exemplo, os
trabalhos de Coutinho (2006) e Stump (2006). Os trabalhos de Huang (2007) e Novotny (2002) permitem observar as
diferenas entre o mtodo de otimizao topolgica e a otimizao paramtrica. Ambos os trabalhos apresentam o mesmo
problema: o projeto do quadro de uma bicicleta. Porm, enquanto Novotny utiliza a otimizao topolgica, Huang utiliza a
otimizao paramtrica.
Introduo 19


projetos. Propor, desenvolver e implementar algoritmos de otimizao que, dentro de um
conjunto de solues possveis, analise uma soluo e determine uma mudana
otimizadora no projeto, tpico constante nos fruns internacionais de engenharia e ganha
uma complexidade desafiadora ao envolver problemas com mltiplas disciplinas.
1.1 Descrio do problema
Recentemente um novo tipo de otimizao vem ganhando corpo junto aos escritrios
de projeto e aos laboratrios de pesquisa. Esses novos paradigmas so caracterizados por
agregar mltiplos objetivos pertencentes a diferentes campos do conhecimento em um
mesmo projeto. No caso dos projetos navais, os objetivos do projeto estrutural esto sendo
vinculados a outros objetivos da engenharia naval e ocenica (em especial aos objetivos
hidrodinmicos).
Essa estratgia de vincular mltiplos objetivos pertencentes a diferentes campos do
conhecimento ficou conhecida pelo termo Otimizao Multidisciplinar; como ser mostrada
na reviso bibliogrfica, assunto em pleno desenvolvimento na ltima dcada.
Seguindo essa tendncia, a Escola Politcnica da Universidade de So Paulo e a
Ecole Centrale de Nantes formaram uma parceria para o desenvolvimento de estratgias de
otimizao para problemas multidisciplinares, sendo este trabalho um dos frutos dessa
parceria. A implementao de tais estratgias tem encontrado, porm, duas barreiras
cruciais cuja superao constituem a motivao deste trabalho.
O processo de otimizao composto de dois elementos centrais. Uma ferramenta
de anlise que deve ser confivel e um algoritmo de otimizao. Em geral a ferramenta de
anlise varia em funo do tipo de problema que se pretende otimizar; no caso de
problemas multidisciplinares, comum a utilizao de mais de uma ferramenta de anlise.
Em engenharia de estruturas comum utilizar ferramentas baseadas no Mtodo de
Elementos Finitos em funo da robustez e da eficincia dessas ferramentas. Muito esforo
foi despendido na ltima dcada no desenvolvimento de ferramentas de anlise baseadas
no Mtodo dos Elementos Finitos, permitindo que atualmente os esforos se intensifiquem
nos algoritmos de otimizao.
A utilizao de ferramentas baseadas no Mtodo dos Elementos Finitos para
analises estruturais introduz, no entanto, um problema srio no processo de otimizao, o
tempo demandado a cada ciclo de anlise muitas vezes inviabiliza a otimizao de
determinados projetos. Portanto, a primeira barreira observada, por exemplo, em Dreyer
Introduo 20


(2005) para a otimizao de complexos sistemas de engenharia essencialmente de uma
barreira tecnolgica.
Dreyer (2005) foi um dos primeiros trabalhos frutos da parceria franco-brasileira e
demonstra como os mais recentes mtodos de otimizao esbarram nas limitaes
computacionais em realizar dezenas e, s vezes, milhares de iteraes de anlises
numricas, especialmente nos casos em que o Mtodo dos Elementos Finitos utilizado.
Na figura 1.1, apresentada por Dreyer (2005), mostrado o projeto multidisciplinar
de um catamar com hidroflios e a demorada anlise utilizando o Mtodo dos Elementos
Finitos (figura 1.1b), importante para o projeto estrutural da embarcao.

Figura 1.1. Projeto multidisciplinar do hidroflio de um catamar. Dreyer (2005).
Alm de exigir elevados recursos computacionais, a otimizao multidisciplinar de
sistemas complexos de engenharia pode exigir a cooperao entre diversos profissionais ou
grupos de pesquisa que, em alguns casos, atuam fisicamente separados.
Em outro fruto dessa parceria franco-brasileira que motiva este trabalho, Rabeau
(2006) analisa de forma extensa esta tendncia de projetos de sistemas complexos de
engenharia em ambientes colaborativos.
3
Seu trabalho discute vrios aspectos do projeto
distribudo
4
em ambientes empresariais e acadmicos, cuja representao esquemtica
pode ser vista na figura 1.2.

3
Deve-se aqui observar que no existe concordncia em relao nomenclatura utilizada. Em muitos trabalhos, como
Rabeau (2006) e Giassi (2004), o termo colaborativo descreve a utilizao de recursos geograficamente separados. No
entanto, esse mesmo termo utilizado para descrever a estratgia de otimizao multidisciplinar vista em Braun (1996) e em
inmeros outros trabalhos sobre o assunto. Tentar-se-, sempre que possvel, utilizar o termo distribudo para indicar a
utilizao de recursos geograficamente dispersos, mesmo que no exista paralelismo real do processo.
4
O conceito de projeto distribudo no deve ser confundido com o conceito de engenharia simultnea ou projeto
simultneo. Enquanto a engenharia simultnea se contrape ao projeto linear ou em espiral, por permitir que diferentes
aspectos de um projeto possam ser elaborados de forma concomitante, o projeto distribudo isola aspectos diferentes do
projeto em grupos independentes que podem atuar de forma linear, espiral ou simultnea.
Introduo 21


Figura 1.2. Esquematizao do projeto distribudo. Rabeau (2006).
A segunda barreira existente , portanto, como viabilizar que um grupo possa,
utilizando seus profissionais, computadores e ferramentas computacionais, atuar em tempo
real e de forma colaborativa com outros grupos separados fisicamente.
O objetivo deste trabalho desenvolver um ambiente de projeto que incorpore uma
estratgia de otimizao multidisciplinar que possa superar essas barreiras. Prope-se uma
nova estratgia baseada em valores de acoplamento que utiliza superfcies de resposta e
processamento distribudo para acelerar a convergncia do processo. O esquema dessa
abordagem mostrado na figura 1.3.

Figura 1.3. Esquema dos principais elementos que motivam esta pesquisa.
O ambiente computacional desenvolvido e as contribuies tericas apresentadas
so os principais resultados obtidos por esta pesquisa, cujos inmeros exemplos de
aplicao descritos, demonstram a potencialidade da metodologia na realizao de projetos
assistidos por computador.


2 Estado da Arte
2.1 Otimizao 22
2.1.1 Definio de otimizao 22
2.1.2 Breve histrico sobre otimizao 24
2.1.3 A terminologia do problema de otimizao 25
2.1.4 Principais algoritmos de otimizao mono objetivo 27
2.1.5 Comparao entre mtodos de otimizao 28
2.1.6 Problema com restries 28
2.1.7 Problemas com mltiplos objetivos 30
2.1.8 Operadores genticos 36
2.1.9 O desenvolvimento histrico dos algoritmos evolucionrios 39
2.1.10 Problemas multidisciplinares 44
2.1.11 O desenvolvimento histrico das estratgias multidisciplinares 48
2.1.12 Mtodos de otimizao multidisciplinar mono-nvel. 49
2.1.13 Mtodos de otimizao multidisciplinar multi-nvel. 52
2.1.14 As estratgias MORDACE e COSMOS 55
2.2 Superfcies de resposta 58
2.2.1 Principais aplicaes de superfcies de resposta 58
2.2.2 Abordagens para a utilizao de superfcies de resposta 59
2.2.3 Conceitos fundamentais sobre redes neurais artificiais 60
2.2.4 O uso de redes neurais na representao de superfcies de resposta 65
2.3 Processamento paralelo e distribudo 66
2.3.1 Breve histrico sobre processamento paralelo e distribudo 66
2.3.2 A computao de grande porte 67
2.3.3 Principais conceitos do processamento paralelo e distribudo 69
"If I have seen a little farther than others it is because
I have stood on the shoulders of giants."
Isaac Newton
este captulo ser apresentada extensa reviso bibliogrfica, bem como os
conceitos fundamentais para o desenvolvimento desta pesquisa. O captulo
est estruturado em trs sees que renem os principais assuntos que compem a
otimizao multidisciplinar distribuda sobre superfcies de resposta neurais. Embora cada
tpico represente um grande contedo, procurou-se apresentar os trabalhos e informaes
mais relevantes pesquisa. Alguns assuntos correlatos, tais como o Mtodo dos Elementos
Finitos e o uso de Redes Neurais, esto includos nas sees pertinentes.
2.1 Otimizao
2.1.1 Definio de otimizao
Como ensina Silva (2007), a melhor forma de entender a importncia de se estudar
tcnicas de otimizao analisar um problema tpico de engenharia.
N
Estado da Arte 23


Consideremos o projeto da asa de um avio onde se deseja maximizar a
rigidez flexional. Suponhamos que os parmetros que possam ser alterados no
projeto sejam a espessura das nervuras, momento de inrcia das longarinas,
distncia entre as nervuras, distncia entre as longarinas, espessura da chapa em
diferentes pontos, material da estrutura, totalizando 10 parmetros. Suponha ainda
que cada parmetro possa assumir 10 valores definidos devido a restries de
fabricao e que ser usado um software de elementos finitos (MEF) para a
simulao da estrutura da asa.
A abordagem tradicional seria construir um modelo parametrizado de
elementos finitos da asa com os parmetros acima e rodar vrias anlises de MEF
considerando as diversas combinaes dos parmetros acima. Para cada resultado
de anlise (obtido para uma combinao de parmetros), calcula-se o valor
correspondente da rigidez da asa. De posse dos valores de rigidez da asa para as
diferentes combinaes de parmetros, pode-se tomar uma deciso sobre a
combinao tima dos valores desses parmetros. Essa abordagem denominada
abordagem de anlise. No entanto, essa abordagem apresenta uma grande
limitao. Suponha que tivssemos apenas 3 parmetros (dos 10 acima) para
considerar no projeto da asa. Como cada parmetro pode assumir 10 valores,
teramos 10
3
combinaes possveis para serem analisadas. Se cada anlise de
MEF demora 0,1s (supor um modelo simples de MEF) o tempo total para analisar
essas 1000 combinaes seria 100s. Agora, considerando os 10 parmetros,
teramos 10
10
combinaes de parmetros para serem analisadas, e considerando
agora que cada anlise de MEF demora 10s, o tempo total passa a ser 10
11
s, ou
seja, 3200 anos!
Assim, a abordagem de anlise somente faz sentido quando se considera um
nmero muito reduzido de casos a serem estudados; do contrrio necessria uma busca
racionalizada da soluo por meio de algoritmos de otimizao, o que reduz drasticamente o
tempo para encontrar a soluo tima.
Pode-se, portanto, definir o processo de otimizao como a busca automtica,
sistemtica e dirigida para obter a melhor soluo dentro do universo de solues
existentes.
Continuando em seu esforo para definir o processo de otimizao, Silva (2007)
alerta para o fato de que no Brasil o termo otimizao constantemente mal utilizado.
comum encontrar trabalhos publicados sob o ttulo de otimizao de um elemento
Estado da Arte 24


estrutural ou mecnico, quando na verdade o que se constata que o autor, de posse de
um mtodo ou ferramenta computacional melhor, realiza uma anlise diferenciada que
permite verificar que determinada modificao apresenta maior eficincia, sendo, por isso,
denominada estrutura otimizada.
5

2.1.2 Breve histrico sobre otimizao
Uma das reas de pesquisa em que a otimizao tem sido mais intensivamente
estudada desde o sculo XIX a rea do clculo estrutural. O objetivo bsico reduzir o
peso da estrutura mantendo o seu desempenho (rigidez, freqncia de ressonncia, etc..).
Como conseqncia, natural que a maior parte das contribuies na otimizao de
sistemas mecnicos tenham sido desenvolvidas na rea de otimizao estrutural.
Os primeiros problemas de otimizao estrutural foram resolvidos por Maxwell em
1872 e, posteriormente, por Michell, em 1904. Consistiam essencialmente em inicialmente
calcular o campo das tenses mecnicas principais, utilizando a teoria da elasticidade, de
uma fora aplicada num ponto de um domnio infinito que esteja sujeito a restries de
deslocamento em outros pontos. Obtidas as linhas de isotenso principais, a idia bsica,
ento, era propor nesse domnio uma estrutura formada por barras (trelia), em que cada
barra (elemento de trelia) estivesse alinhada com as direes principais de tenso
calculadas no domnio. Ou seja, a estrutura tima (em que o material fosse melhor
aproveitado) seria aquela em que os elementos estariam sujeitos apenas a trao e
compresso no havendo momentos fletores.
Aps os resultados de Michell em 1904, no houve praticamente evoluo na
otimizao estrutural at a dcada de 60. Durante esse perodo eram estudados apenas
problemas acadmicos em estruturas simples (vigas, trelias) ainda sem aplicao prtica.
Embora surpreendentes, esses resultados ficaram esquecidos por um bom tempo por serem
considerados na poca apenas acadmicos sem aplicao prtica. Na dcada de 90, no
entanto, viriam a ser reproduzidos novamente em domnios de dimenses finitas com o uso
de mtodos computacionais baseados em otimizao topolgica.
Ainda que simples, esse tipo de critrio de projeto fornece o mesmo resultado que o
critrio de mxima rigidez com mnimo volume de material e atualmente j provado (como
visto, por exemplo, em Smith, 2002) que a configurao tima para esse critrio uma
estrutura de trelias. Assim, utilizando-se do conceito de alinhar as barras com as tenses

5
Uma reviso bibliogrfica atualizada mostra que esse fenmeno foi mais evidente na dcada de 90.
Estado da Arte 25


principais no domnio, Michell obteve resultados surpreendentes de estruturas de trelia
para domnios bi e tridimensionais.
Na dcada de 60, com o surgimento dos computadores e do Mtodo dos Elementos
Finitos, problemas prticos de otimizao estrutural passaram a ser estudados usando
otimizao paramtrica, ou seja, alterando-se apenas as dimenses (ou as razes de
dimenso da estrutura). Assim, por exemplo, desenvolvido o mtodo Simplex para a
soluo de problemas de programao linear.
Na dcada de 70 so implementados vrios algoritmos de otimizao para
problemas no-lineares bastante utilizados atualmente. Na verdade a formulao terica de
alguns algoritmos j havia sido desenvolvida anteriormente, no entanto somente com o
desenvolvimento das linguagens de programao, eles foram implementados.
implementado tambm o mtodo de otimizao de forma, alm de mtodos probabilsticos
como os algoritmos genticos.
Na dcada de 80 aparecem os primeiros softwares comerciais de otimizao
estrutural, e alguns softwares de elementos finitos passam a incluir mdulos de otimizao
em seu pacote.
Na dcada de 90, o Mtodo de Otimizao Topolgica implementado em softwares
comerciais, provocando grande repercusso na indstria automotiva e aeronutica nos
Estados Unidos, Japo, e Europa, alm de exigir dos engenheiros a capacidade de
visualizar complexas estruturas tridimensionais vazadas. Nesse caso ocorre o mesmo
processo de redistribuio de massas, no qual elementos de massa so retirados de regies
pouco solicitadas da estrutura, num processo contnuo at se obter uma distribuio
otimizada.
A ltima dcada tem se caracterizado pelo desenvolvimento de algoritmos e
estratgias de otimizao para problemas com mltiplos objetivos que podem ser tratados
ou no, como problemas multidisciplinares.
A seguir sero discutidos alguns desses algoritmos, em especial os algoritmos e
estratgias destinadas aos problemas com mltiplos objetivos.
2.1.3 A terminologia do problema de otimizao
O problema de otimizao pode ser formulado de maneira padronizada uma vez que
a descrio sempre encontrada na farta literatura sobre o assunto; em Silva (2007), por
exemplo.
Estado da Arte 26


Visto que a formulao bsica do problema de otimizao ser til para a
compreenso do problema multidisciplinar, ela ser apresentada a seguir.
2.1.3.1 Variveis de projeto
As variveis de projeto, ou variveis de deciso, so aquelas que caracterizam o
projeto e precisam ser definidas pelo engenheiro ou projetista. Essas variveis agrupam-se
em um vetor, constitudo de n variveis independentes, definido como:

T
n
x x x x x X ) ... , , , , (
4 3 2 1
= (2.1)
Essas variveis sero consideradas determinsticas, isto , no estaro sujeitas a
uma distribuio de probabilidades. Podem ter um espectro contnuo ao longo de um
intervalo, como no caso do comprimento de um navio, ou podem estar restritas a valores
discretos, como no caso da espessura de chapas (definidas por restries do fabricante).
Alguns autores (Rabeau, 2002, por exemplo), definem outros tipos de variveis,
chamadas de variveis de estado ou transitrias. De forma genrica pode-se definir como
parmetros qualquer grandeza quantificvel que no seja uma varivel de deciso, uma
restrio ou uma funo objetivo. A utilizao de parmetros e o tratamento das variveis
discretas merecero ateno especial no capitulo seguinte deste relatrio.
2.1.3.2 Funo objetivo
A funo objetivo uma funo escalar das variveis de projeto a ser otimizada. Esta
funo pode ser definida, genericamente, como:
) ... , , , , ( ) (
4 3 2 1 n
x x x x x f X f = (2.2)
Para a maioria dos problemas de engenharia, no entanto, a funo objetivo do tipo
no explcita, pois os modelos de projeto no s envolvem equaes, como tambm
tabelas, grficos, simulaes ou anlises numricas.
O ponto X que apresenta o menor valor da funo objetivo dentro de toda a regio
vivel, delimitada pelas restries, denominado mnimo absoluto ou mnimo global. J o
ponto que apresenta um valor da funo objetivo mnimo entre todos os pontos situados
numa sub-regio, convenientemente definida, denominado mnimo local.
importante observar que se tenta, sempre que possvel utilizar critrios objetivos ao
se estabelecerem as funes objetivo, evitando aspectos como: esttica, custos, fabricao,
entre outros que possuem aspectos subjetivos ou de difcil formulao.
Estado da Arte 27


2.1.3.3 Funes de restrio
Os problemas prticos de projeto geralmente esto sujeitos a uma srie de restries
que podem ser expressas, de modo geral, como:

m j para
k X g ou k X g
j j
... , 2 , 1
) ( ) (
=

(2.3)
Assim como a funo objetivo, para a maioria dos problemas de engenharia estas
restries so do tipo no explcitas. O tratamento das funes de restries (incluindo as
restries homogneas) ser aprofundado no captulo seguinte.
2.1.4 Principais algoritmos de otimizao mono objetivo
Na literatura possvel encontrar grande nmero de algoritmos ligados otimizao,
que se dividem em grupos de acordo com o tipo de busca que realizam. Esses mtodos
esto divididos em mtodos para a soluo de problemas sem restrio e com restrio.
Considerando que os problemas de otimizao, em sua grande maioria, apresentam
restries, natural se perguntar por que estudar mtodos para soluo de problemas sem
restries. Basicamente existem duas razes: primeiro, porque os mtodos para a soluo
de problemas com restries baseiam-se nos mtodos para a soluo de problemas sem
restries; segundo, porque, como visto em Wangdahl (1972), existem mtodos que
convertem o problema com restrio num problema sem restrio para depois resolv-lo,
como o caso do mtodo de penalizao.
O primeiro grupo compreende os algoritmos de Busca Linear ao qual pertencem os
algoritmos Bounding the Minimum, Interval Halving, Aproximao polinomial de segunda
e terceira ordens entre outros. Destacam-se ainda os algoritmos de busca irrestrita de
Primeira Ordem, de Newton e de Marquardt que utilizam mtodos baseados em
gradientes; e os algoritmos Patter Search, Simplex Method e Powells Conjugate
Direction que no utilizam mtodos baseados em gradientes. Por fim, encontram-se os
algoritmos de busca restrita Reduced Gradient, Boxs Complex, Penalty Function e
Griffith-Stewart (tambm chamado de Linearizaes Sucessivas). Estes so exemplos de
algoritmos tradicionalmente usados na resoluo de problemas de otimizao paramtrica.
Os detalhes de cada algoritmo so omitidos, pois fogem ao escopo deste trabalho. O
leitor mais exigente pode, no entanto, encontrar tais detalhes em farta bibliografia disponvel
sobre o assunto, como, por exemplo: Vanderplaats (1984) e Haftka (1993).
Estado da Arte 28


2.1.5 Comparao entre mtodos de otimizao
Tradicionalmente encontram-se na literatura exemplos de benchmark bem
documentados e que servem como elementos de comparao para analisar e validar a
eficincia dos algoritmos de otimizao. A comparao em geral feita levando em
considerao o nmero de iteraes e o tempo de cada iterao (medidos sobre o mesmo
ndice de performance) para a resoluo de problemas clssicos.
Um exemplo de problema utilizado neste tipo de comparao o clssico problema
proposto por Rosenbrock (1960). O recente trabalho de Chase (2008) descreve este e
outros problemas, bem como procedimentos para a comparao de diferentes mtodos de
otimizao.
importante observar que esta pesquisa no se prope a desenvolver um novo
mtodo de otimizao, mas sim desenvolver um ambiente que permita utilizar diferentes
mtodos de otimizao bem documentados em uma estratgia destinada ao projeto de
sistemas complexos de engenharia que normalmente apresentam problemas
multidisciplinares. Entretanto, a seleo dos algoritmos utilizados no ambiente desenvolvido
segue o mesmo critrio utilizado na classificao dos algoritmos de otimizao.
2.1.6 Problema com restries
Os mtodos citados anteriormente resolvem problemas de otimizao sem
restries. Para entender melhor a existncia de restries, considere-se a analogia com a
escalada de uma montanha; imagine-se que durante a subida encontram-se obstculos
como cercas e grandes pedras que no fazem parte da topologia do terreno em si e que no
permitem caminhar sempre no sentido de inclinao mxima, como mostrado na figura 2.1.

Figura 2.1. Ilustrao sobre a otimizao de problemas com restrio. Silva (2007).
Estado da Arte 29


Esses obstculos representam as restries e exigiro que se faam grandes
desvios para chegar ao pico da montanha; eventualmente eles nem permitam que se
chegue ao pico da montanha, pois esse objetivo pode se encontrar em uma parte
inacessvel do terreno.
importante notar que, nesse ltimo caso, a mxima altura que pode ser atingida
est situada em algum ponto da cerca. Ou seja, o ponto de mnimo (ou de mximo) no
mais est associado com a condio de que o gradiente da funo deva ser nulo
(estacionaridade).
Existem, essencialmente, dois tipos de mtodos para solucionar problemas com
restries: mtodos diretos e indiretos. Os mtodos diretos verificam as restries aps
seguirem o procedimento do algoritmo de otimizao sem restrio. J os mtodos indiretos
transformam o problema com restrio em um problema sem restrio para em seguida
resolv-lo.
Como demonstra Wangdahl (1992), o mtodo indireto de penalizao uma
estratgia robusta e flexvel para tratar problemas com restries, pois pode convert-los em
problemas sem restrio, permitindo que uma grande gama de mtodos de otimizao
possa ser utilizada.
Fletcher (1973) sugere que se utilize o mtodo de busca com penalidades. No
mtodo das penalidades, define-se uma funo auxiliar, que incorpora a funo objetivo
original e as de restries, convertendo o problema com restries num processo de
otimizao sem restries.
Seja o problema de otimizao como o definido anteriormente. No mtodo das
penalidades define-se uma funo auxiliar (X,rk) apresentada na equao 2.4

) ... 2 , 1 (
)) ( , ( ) ( ) , (
restries n j para
X g rk X f rk X
j
j
=
+ =

(2.4)
Na equao 2.4 a parcela p(rk,g(X)) chamada de funo de penalizao, e rk
uma varivel escalar, usualmente denominada fator de penalizao. Para problemas de
minimizao a funo de penalizao deve ser positiva, enquanto que para problemas de
maximizao, a funo de penalizao deve ser negativa.
O problema, antes com restries, se transforma em diversos problemas sem
restries, j que, para diferentes valores de rk, pode-se chegar a pontos diferentes na
Estado da Arte 30


minimizao da funo (X,rk). O processo global de busca termina quando entre dois
valores distintos de rk chega-se ao mesmo ponto timo de (X,rk). Esse processo foi
batizado de SUMT (Sequential Unconstrained Minimization Technique).
Conforme originalmente proposto por Fletcher (1973), existem algumas formas de se
definir a funo de penalizao, e a escolha, por uma ou outra, afetar a maneira como o
fator de resposta deve ser seqencialmente avaliado.
Por razes bvias, importante normalizar os valores das funes objetivo e de
restrio. Quando as penalizaes, associadas com varias restries, so combinadas,
necessrio ter valores com mesma ordem de grandeza, assegurando-se assim a satisfao
de todas as restries de modo paritrio.
Durante a fase de testes, observou-se que, se o valor de rk for suficientemente
grande, uma nica busca para o mnimo da (X,rk) necessria. No entanto, valores
elevados de rk podem teoricamente conduzir a um mau condicionamento da superfcie
(X,rk) devido descontinuidade na fronteira com as restries. Neste caso, as tcnicas de
otimizao, que dependem da continuidade da superfcie (X,rk) para obterem um bom
desempenho, podem ser pouco eficientes ou at falharem.
2.1.7 Problemas com mltiplos objetivos
2.1.7.1 Conceitos Bsicos
Como discutido anteriormente, em muitos casos uma nica funo objetivo no
suficiente, visto que a tomada de decises depende do balanceamento de vrios critrios.
Nestes casos o processo de otimizao denominado otimizao multiobjetivo pois trabalha
com mais de uma funo objetivo.
Partindo da formulao do problema de otimizao mono-objetivo apresentada na
seo 2.1.3, pode-se formular o problema multiobjetivo modificando a equao 2.2
incorporando o ndice k para representar as mltiplas funes objetivo:

) ... , 2 , 1 (
) ... , , , , ( ) (
4 3 2 1
m k para
x x x x x f X f
n k k
=
=
(2.5)
2.1.7.2 Solues Pareto-timas
Tomar decises implica um processo que consiste de vrios fatores, cujo objetivo
encontrar a melhor soluo. Em alguns casos, podem existir vrias solues boas, das
quais nenhuma absolutamente melhor que a outra.
Estado da Arte 31


A melhor forma de entender esse cenrio atravs de um exemplo: Suponha-se que
na hora de comprar um caminho considera-se o preo e a capacidade de carga. Na figura
2.2 so mostradas vrias alternativas de escolha disponveis.

Figura 2.2. Exemplo de vrias alternativas para a compra de um caminho.
O objetivo minimizar o custo e maximizar a capacidade de carga. Neste caso h
cinco possveis opes de compra. Intuitivamente, descarta-se a soluo 1, j que a soluo
5 fornece maior capacidade de carga por igual preo. A soluo 2 descartada pela mesma
razo. Resultam, ento, as solues: 3, 4, 5, que so boas alternativas de compra. Em
termos quantitativos nenhuma melhor que a outra, pois uma maior capacidade de carga
implica maior custo. Como j discutido, existe um compromisso entre os objetivos, pois,
quanto maior a capacidade de carga, maior o preo e, vice-versa.
O leitor precipitado pode imaginar que dividindo-se a capacidade de carga pelo preo
de cada caminho, pode-se obter um ndice que permite determinar qual compra a mais
vantajosa. Porm fcil verificar que existem infinitas combinaes de preo e carga que
resultam em ndices de mesmo valor, sendo portanto, igualmente boas.
6

Diz-se que uma soluo domina uma outra se seus valores so melhores em todos
os objetivos. Por exemplo, a soluo 5 domina a soluo 1. Ento a soluo 5 no
dominada por nenhuma outra. O mesmo acontece com as solues 3 e 4. Se no se
conhece antecipadamente a importncia relativa de cada objetivo, pode-se dizer que as
solues 3, 4, e 5 so igualmente boas. Portanto, existe um conjunto de solues timas;

6
Para verificar isso considere uma das alternativas de compra qualquer. Duplicando-se tanto o preo quanto a capacidade
de carga do caminho, o quociente entre estas caractersticas no se altera e, portanto, as duas solues so igualmente boas.
Estado da Arte 32


esse conjunto chamado de conjunto no dominado. As outras solues (1 e 2) formam o
conjunto dominado.
Se os pontos no dominados esto em um espao contnuo, pode-se desenhar uma
curva. Todos os pontos contidos na curva formam a chamada Fronteira de Pareto. Quando
a informao adicional sobre a importncia dos objetivos desconhecida, todas as solues
Pareto-timas so igualmente importantes. Ticona (2003) apud Kalyanmoy (2001) destaca
duas importantes metas na otimizao de problemas multiobjetivo:
um conjunto de solues o mais prximo possvel da Fronteira de Pareto.
um conjunto de solues com a maior diversidade possvel.
A primeira meta comum para qualquer processo de otimizao, pois solues muito
distantes da Fronteira de Pareto no so desejveis. Porm, encontrar a maior diversidade
dentro das solues meta especfica para a otimizao multiobjetivo. Na figura 2.3a
mostra-se uma boa distribuio de solues ao longo da Fronteira de Pareto, enquanto que
na figura 2.3b as solues esto distribudas apenas em algumas regies. necessrio
assegurar a maior cobertura possvel da fronteira a fim de garantir que todas as funes
objetivo foram igualmente consideradas.

Figura 2.3. Exemplos de distribuio das solues ao longo da Fronteira de Pareto.
2.1.7.3 A otimizao de problemas multiobjetivo
Os mtodos clssicos de otimizao iniciam-se com um nico candidato, chamado
de soluo bsica, e pelo clculo de derivadas se determina para qual direo se deve
caminhar na busca do prximo candidato.
Estado da Arte 33


Essas tcnicas foram, originalmente, formuladas para trabalhar com uma nica
funo objetivo e encontrar uma soluo tima; sendo inadequadas para a resoluo de
problemas multiobjetivo. Para superar essa limitao existem 3 abordagens clssicas:
A primeira abordagem consiste em combinar as diferentes funes objetivo
normalizadas em uma nica funo, utilizando pesos de acordo com a importncia de cada
funo objetivo (equao 2.6). Assim, os vrios objetivos so combinados em uma nica
funo, e os mtodos clssicos podem ser utilizados.
) ( * ... ) ( * ) ( * )) ( * ( ) (
2 2 1 1
X f X f X f X f X F
m m
k
k k p
+ + + = =
(2.6)
Considerando o exemplo da compra do caminho apresentado na seo 2.1.7.2, o
problema poderia ser novamente proposto usando a abordagem de combinao de pesos. A
primeira possibilidade seria atribuir a mesma importncia ao custo e capacidade de carga
do caminho. Neste caso a equao 2.6 seria escrita na forma:
) ( * 5 . 0 ) ( * 5 . 0 ) ) ( * ( ) (
2 1
X f X f X f X F
k
k k p
+ = =
(2.7)
Podem-se definir, no entanto, graus diferentes de importncia para os objetivos
modificando-se os valores de
1
e
2
.
importante ressaltar que a otimizao da funo de ponderao, definida na
equao 2.6, determina um nico ponto da Fronteira de Pareto, dado pela interseco da
Fronteira de Pareto com a reta (ou superfcies, no caso de problemas com mais de duas
funes objetivo) definida pelos pesos da funo de ponderao.
A Fronteira de Pareto normalizada construda no processo de otimizao do exemplo
discutido na seo 5.5.1 mostrada na figura 2.4, juntamente com 3 exemplos de funes
de ponderao com diferentes valores para os pesos
i
.
Convm ressaltar que a inclinao das retas definidas pelos pesos da funo de
ponderao depende da relao entre os pesos e do comportamento das funes objetivo.
Neste exemplo, as funes objetivo so quadrticas e, portanto, a inclinao das retas
definida pelo quadrado da relao entre os pesos
1
e
2
.
Estado da Arte 34


Figura 2.4. Interseco da Fronteira de Pareto com a funo de ponderao.
Uma abordagem pouco eficiente para a construo da Fronteira de Pareto consiste
em definir diversas funes de ponderao; cuja otimizao resultar em um conjunto de
pontos que aproximaro a Fronteira de Pareto. Esse mtodo costuma ser denominado
busca exploratria e certamente foi utilizado nos primeiros trabalhos envolvendo
otimizao de problemas multiobjetivo.
Uma segunda abordagem consiste em otimizar um dos objetivos estabelecendo
valores limites para os outros. Neste caso parte das funes objetivo transformada em
funes de restries, e o problema passa a ser mono-objetivo:

1 ) ( : ) (
) ( ) (
1
<
=
j mximo valor X f X G
X f X F
j j
p
(2.8)
No exemplo da compra do caminho, pode-se reformular o problema de acordo com
essa abordagem. Considere-se que o problema passe a ser encontrar o caminho com a
maior capacidade de carga e com custo inferior a X, ou ento encontrar o caminho com o
menor custo capaz de levar uma quantidade de carga mnima de Y.
Em ambas as abordagens o problema multiobjetivo passa a ser um problema mono-
objetivo, e os mtodos tradicionais podem ser facilmente empregados. Existem, porm,
diferenas fundamentais entre a otimizao multiobjetivo e mono-objetivo, que so
detalhadas na figura 2.5.
Estado da Arte 35


Figura 2.5. Comparao entre a otimizao mono-objetivo e multiobjetivo. Rabeau (2006).
Por fim, existem as abordagens que tratam esse tipo de problema com um enfoque
realmente multiobjetivo, dispensando os artifcios e tcnicas tradicionais. Entre as tcnicas
para a resoluo de problemas multiobjetivo mais promissoras esto os algoritmos
genticos, cujos princpios sero descritos a seguir.
2.1.7.4 Os algoritmos genticos
Segundo Goldberg (1989) os algoritmos genticos so tcnicas de busca inspiradas
em mecanismos de gentica e seleo natural. Dada uma populao inicial de solues,
esta evolui at os indivduos convergirem para uma soluo, por meio da aplicao de
operadores genticos de seleo, cruzamento e mutao.
Considerando um problema de otimizao qualquer, os algoritmos genticos iniciam
a busca da melhor soluo a partir de um conjunto inicial de solues aleatrias. Cada
elemento do conjunto inicial de solues denominado indivduo ou cromossomo. Um
indivduo representado por uma cadeia de smbolos, geralmente, uma cadeia binria.
importante que cada indivduo da populao seja capaz de representar completamente uma
possvel soluo do problema tratado.
Em seguida, uma nova populao ou gerao construda a partir da populao
inicial. Para criar os indivduos da nova populao, so utilizados operadores genticos de
cruzamento e mutao. Uma populao obtida a partir da anterior aplicando-se o
cruzamento para aqueles indivduos com maior valor de aptido, simulando o processo de
seleo natural.
Estado da Arte 36


O valor de aptido calculado para cada indivduo por meio de uma funo chamada
funo de aptido que considera o conceito de dominncia de Pareto conforme discutido na
seo 2.1.7.2.
O processo de gerao de novas populaes repetido iterativamente at que o
algoritmo gentico chegue a uma soluo aceitvel, ou satisfaa alguma condio de
parada. A representao do algoritmo gentico na forma de fluxograma est ilustrada na
figura 2.6.

Figura 2.6. Representao do algoritmo gentico na forma de fluxograma.
2.1.8 Operadores genticos
Nesta seo sero abordados os principais operadores genticos. importante
ressaltar que os conceitos aqui descritos representam as linhas gerais do processo vistas
por exemplo em Kalyanmoy (2001), pois cada algoritmo evolucionrio pode apresentar
variaes especificas nestes procedimentos.
Estado da Arte 37


2.1.8.1 Seleo para reproduo
A seleo o processo pelo qual os indivduos com melhor valor de aptido tm a
maior probabilidade de gerar um ou mais descendentes para a gerao seguinte. Esse
operador a verso artificial da seleo das espcies do Darwinismo, que estabelece que
os seres mais aptos tm maiores chances de sobreviver, ou seja, os mais fortes e menos
vulnerveis aos predadores e doenas.
O objetivo principal do operador de seleo copiar boas solues, eliminando
solues de baixa aptido, mantendo o tamanho da populao constante. As melhores
solues so guardadas em uma lista de solues escolhidas e utilizadas para realizar as
operaes de cruzamento e mutao.
Existe um grande nmero de estratgias de seleo. As mais comuns so: seleo
por torneio, seleo proporcional, seleo por ranking e seleo por sorteio.
Na seleo por torneio, so realizados vrias competies entre duas solues, e a
melhor soluo selecionada. Esse processo repetido at preencher a lista. Segundo
Kalyanmoy (2001), esse mtodo possui uma convergncia igual s outras estratgias de
seleo, ou at mesmo melhor que elas, alm de exigir menor complexidade computacional.
Na estratgia de seleo proporcional, o nmero de cpias de uma soluo na lista
de solues escolhidas proporcional ao seu valor de aptido. Ou seja, as solues com
melhor valor de aptido tero mais copias na lista de solues.
A seleo proporcional apresenta o problema de escalonamento, pois quando existe
uma soluo com um valor de aptido muito maior comparado com o resto da populao,
esta super-soluo ter uma probabilidade de escolha perto de 1 e ter muitas cpias na
lista de solues. Por outro lado, caso todas as solues possuam valores similares de
aptido, tero a mesma probabilidade de serem escolhidas, e cada uma delas ser copiada
na lista de solues. Isto equivalente a no realizar operao de seleo.
Como destaca Ribeiro (2006), outra estratgia comumente utilizada a seleo por
sorteio. Nesse caso o intervalo de sorteio divido em fraes cujos tamanhos so
proporcionais ao valor de aptido de cada soluo da populao. Dessa forma, solues
melhores tm maior chance de serem sorteadas e, portanto, selecionadas.
Por fim, a seleo pelo ranking ordena as solues da populao conforme seu valor
de aptido, desde a pior soluo (ranking 1) at a melhor (ranking N). Depois, o nmero de
copias das solues proporcional ao valor de ranking.
Estado da Arte 38


2.1.8.2 Cruzamento
Este operador gera novas solues (filhas) a partir de solues escolhidas da lista de
solues (pais) produzida no processo de seleo. O operador de cruzamento possui
diferentes variaes, muitas delas especficas de um determinado problema. A forma mais
simples de cruzamento conhecida como cruzamento em um ponto, ilustrada na figura 2.7.
Este procedimento consiste em escolher arbitrariamente dois indivduos na lista de
solues, selecionar dentro da cadeia do indivduo uma posio k chamada posio de
cruzamento e, por fim, criar novos descendentes trocando as cadeias parciais de cada um
dos indivduos.

Figura 2.7. Operador de cruzamento em um ponto.
Apesar das operaes de seleo e cruzamento parecerem muito simples, nelas
que se concentra o poder dos algoritmos genticos. Goldberg (1989).
2.1.8.3 Mutao
A mutao um operador que produz uma alterao aleatria em uma posio de
um pequeno nmero de indivduos. A mutao a segunda maneira de os algoritmos
genticos explorarem o espao de busca. Essa pequena alterao impede que o algoritmo
tenha convergncia muito rpida, evitando sua estabilizao em regies de mnimos locais.
2.1.8.4 Elitismo
O operador de elitismo transfere as melhores solues encontradas para a gerao
seguinte, evitando que a melhor soluo se deteriore ao longo das geraes.
Uma forma de implementar elitismo copiar diretamente as melhores solues da
populao atual para a populao seguinte. As demais solues so geradas usando os
operadores genticos de cruzamento e mutao sobre a populao atual. Desta forma, as
melhores solues passam diretamente para a populao seguinte, alm de participar da
criao do restante das solues da populao seguinte.
Estado da Arte 39


Outra forma de elitismo consiste em criar a populao seguinte a partir da populao
atual utilizando os operadores genticos usuais e escolher as melhores solues de ambas
as populaes para compor a gerao seguinte.
2.1.9 O desenvolvimento histrico dos algoritmos evolucionrios
Nesta seo sero descritos os principais algoritmos evolucionrios desenvolvidos
para a otimizao com mltiplos objetivos. Para manter o escopo do trabalho, sero
comentados apenas os aspectos mais relevantes de cada algoritmo. Informaes adicionais
podem ser encontradas em Ticona (2003), Castro (2001) e Rabeau (20006).
A primeira implementao de um algoritmo evolucionrio para a otimizao
multiobjetivo foi proposta por Schaffer (1984). O modelo sugerido foi denominado VEGA
(Vector Evaluated Genetic Algorithm) e foi desenvolvido a partir de uma modificao no
algoritmo gentico clssico para avaliar cada objetivo separadamente. Como observado por
Castro (2001), um dos problemas do VEGA, que esse algoritmo no obtm boa
diversidade nas solues da Fronteira de Pareto, pois privilegia uma funo objetivo em
detrimento das outras.
Conforme visto em Ticona (2003), Goldberg (1989) criou um procedimento para
ordenao de solues baseado no conceito de dominncia. Esse mtodo fornece um valor
de aptido para uma soluo i proporcional ao nmero de solues que i domina. Desta
forma, as solues no dominadas so enfatizadas e tero maior quantidade de cpias na
lista de solues. Para manter a diversidade das solues, Goldberg sugeriu o emprego de
um mtodo de compartilhamento para valorizar solues em regies distintas da Fronteira
de Pareto. As idias propostas por Goldberg foram a base para o desenvolvimento de vrios
modelos de algoritmos evolucionrios para problemas multiobjetivo.
Dois anos aps o trabalho de Goldberg, Kursawe (1991) publicou um mtodo de
otimizao multiobjetivo denominado VOES (Vector Optimized Evolution Strategy). Embora
contivesse grande parte das idias de Goldberg, foi aplicado somente a problemas simples,
e sua aplicabilidade a problemas complexos foi questionada, como visto em Rabeau (2006).
O trabalho apresentado por Hajela e Lin (1992) prope um algoritmo baseado na
agregao dos objetivos que recebeu o nome HLGA em homenagem a seus autores. Neste
procedimento usado o mtodo da soma dos produtos entre os objetivos e seus
correspondentes pesos para o clculo da funo de aptido: (f=wi.fi). Normalmente os
valores dos objetivos devem ser normalizados para o caso de magnitudes muito diferentes,
Estado da Arte 40


embora em seu estudo original a normalizao no tenha sido empregada devido natureza
dos problemas testes utilizados.
Os pesos variam no intervalo ]0, 1[ tal que o somatrio de todos resulte na unidade.
A excluso dos limites do intervalo evita que o problema multiobjetivo seja convertido em um
problema mono-objetivo. Para buscar por mltiplas solues em paralelo, os pesos no so
fixos e sim codificados no prprio gentipo. Por esse motivo este mtodo ficou conhecido
tambm por WBGA (Weight Based Genetic Algorithm).
O trabalho de Fonseca (1993) implementa as sugestes de Goldberg de um modo
diferente, o MOGA (Multi-objective Optimization Genetic Algorithm) utiliza um procedimento
de ordenamento no-dominado. Toda a populao verificada, e todos os indivduos no-
dominados recebem uma posio ou ordem 1. Outros indivduos so posicionados segundo
a no dominncia deles em relao ao restante da populao do seguinte modo: para cada
indivduo, o nmero de solues que o dominam determinado, logo, a posio deste
indivduo no ordenamento ser este nmero mais 1. Desta forma, no final desse
procedimento podero existir muitos indivduos compartilhando a mesma posio no
ordenamento. A rotina de seleo utiliza esse ordenamento para selecionar ou remover
blocos de pontos at escolher os indivduos para reproduo. Esse tipo de atribuio de
aptido por blocos exerce grande presso de seleo que pode causar convergncia
prematura do problema.
A implementao proposta por Fonseca tambm utiliza o mtodo de formao de
nichos para distribuir a populao atravs da regio tima de Pareto, alm de compartilhar
os valores da funo de aptido. Como ressaltado por Castro (2002), embora isto mantenha
a diversidade nos valores da funo de aptido, pode no manter a diversidade no conjunto
das variveis, assim, o MOGA pode no estar apto a achar as mltiplas solues em
problemas em que diferentes pontos timos de Pareto correspondam aos mesmos valores
de aptides.
Desenvolvido no mesmo ano que o trabalho de Fonseca, a implementao de Horn
(1993) prope um algoritmo gentico em que nem todos os indivduos so substitudos de
uma gerao para outra. Esse algoritmo foi denominado NPGA (Niched Pareto Genetic
Algorithm) e faz uso de um procedimento de ordenamento na etapa de seleo baseado no
conceito de no dominncia. Esse mtodo se caracteriza por no utilizar a funo de
aptido. Ao contrrio, utiliza um mtodo de seleo por torneio denominado Torneio de
Pareto, baseado unicamente no conceito de dominncia.
Estado da Arte 41


Um conjunto de comparao compreendido de um nmero especfico de indivduos
tomado randomicamente da populao no incio de cada processo de seleo. Em seguida,
dois indivduos so retirados da populao para selecionar um vencedor conforme o
seguinte procedimento: ambas as solues so comparadas com os membros desse
conjunto de comparao para determinar a dominncia segundo as funes objetivo. Se um
deles no-dominado, e o outro dominado, ento o ponto no-dominado selecionado,
mas caso ambos sejam no-dominados ou dominados, um contador de nicho criado para
cada indivduo na populao inteira. O contador baseado no nmero de solues da
populao com uma distncia do indivduo inferior a um valor pr-definido. Assim, a soluo
que apresentar o menor contador de nicho selecionada.
Como discutido por Ticona (2003), o conceito de formao de nichos entre os pontos
no-dominados o aspecto mais relevante desse algoritmo, que tem como desvantagem a
introduo de dois parmetros (o tamanho do subconjunto e a distncia de referncia) que
devem ser corretamente configurados.
Srinivas (1994) desenvolveu mais uma implementao baseada nas sugestes de
Goldberg denominada NSGA (Nondominated Sorting Genetic Algorithm). A idia por trs do
algoritmo a utilizao de um procedimento de seleo por ordenamento, juntamente com
um mtodo para a criao de nichos (destinado a manter a diversidade da populao).
A diferena desta implementao em relao a um algoritmo gentico simples est
apenas no modo como os indivduos so selecionados. Antes de o procedimento de seleo
ser aplicado, a populao ordenada com base no nvel de no-dominncia dos indivduos,
isto , todas as solues no-dominadas da populao corrente recebem valores altos de
aptido. Essa aptido a mesma para todos os indivduos no-dominados, garantindo
assim que todos possuam mesmo potencial reprodutivo.
Para manter a diversidade na populao, as solues no-dominadas compartilham
os seus valores de aptido segundo suas distncias euclidianas. Finalmente, divide-se o
valor da aptido de cada indivduo pelo contador de nichos (proporcional ao nmero de
vizinhos ao seu redor).
Esse procedimento proporciona a coexistncia de pontos timos mltiplos na
populao. O pior valor de aptido compartilhada da primeira fronteira no-dominada
ento guardado para uso posterior. Depois que o compartilhamento executado, e que as
aptides so modificadas, os indivduos no-dominados so ignorados temporariamente no
processamento do restante da populao.
Estado da Arte 42


O procedimento para determinar novas solues no-dominadas (segundo nvel)
novamente executado, sendo que agora eles recebem um valor de aptido um pouco menor
que o pior valor de aptido compartilhada no nvel anterior.
Uma vez mais, o procedimento de compartilhamento executado entre as solues
no-dominadas do segundo nvel, e as novas aptides so calculadas como antes. Esse
processo continuado at que todos os membros da populao tenham um valor de aptido
compartilhada.
A reproduo da populao efetuada utilizando-se a aptido compartilhada, ou
seja, como o primeiro nvel de solues no-dominadas possui as mais altas aptides, um
nmero maior de cpias dos seus indivduos ser realizado e conduzir a busca para a
Fronteira de Pareto. Porm, assim como o NPGA, o NSGA apresenta a desvantagem de
introduzir novos parmetros a serem determinados.
Recentemente foi sugerido por Zitzler (1998) o SPEA (Strength Pareto Evolutionary
Algorithm), um algoritmo evolucionrio multiobjetivo elitista com conceitos de no
dominncia. Este algoritmo funciona com a manuteno de uma populao externa a cada
gerao a qual armazena um conjunto de solues no-dominadas desde a populao
inicial, alm de participar das operaes genticas.
A aptido de cada indivduo na populao corrente e na populao externa
decidida com base no nmero de solues dominadas pelo procedimento a seguir descrito.
Inicialmente, uma populao combinada pela populao corrente e a externa construda. A
seguir, todas as solues no-dominadas nesta populao recebem um valor de aptido
baseado no nmero de solues que elas dominam e na menor distncia euclidiana at
outra soluo no dominada, mantendo assim, a diversidade. Toma-se o cuidado de no
atribuir para as solues no-dominadas uma aptido pior que a das melhores solues
dominadas, para que a busca caminhe na direo da fronteira no-dominada e garanta a
diversidade entre os indivduos dominados e no-dominados.
Como destaque do mtodo cita-se a ausncia de quaisquer parmetros de distncia,
tais como raio de nicho, e o fato de que a aptido dos indivduos determinada apenas
pelas solues armazenadas no conjunto de Pareto externo.
Uma cronologia sobre o desenvolvimento dos principais algoritmos evolucionrios
para a otimizao de problemas multiobjetivo pode ser vista na figura 2.8.
Estado da Arte 43


Figura 2.8. Cronologia de aparecimento dos diferentes algoritmos evolucionrios. Rabeau (2006).
A diferena fundamental dos algoritmos genticos multiobjetivo em relao aos
algoritmos evolutivos tradicionais reside, portanto, basicamente no operador de seleo,
dado que a comparao entre duas solues deve realizar-se conforme o conceito de
dominncia de Pareto. Em alguns mtodos, como o MOGA e o SPEA, o valor de aptido
proporcional dominncia da soluo. Outros mtodos, como NPGA, utilizam apenas a
dominncia de Pareto e no calculam um valor de aptido.
2.1.9.1 Elitismo
Os modelos de algoritmos genticos multiobjetivo so classificados por Kalyanmoy
(2001) em dois tipos:
No elitistas: so aqueles modelos que, como indica o prprio nome, no
utilizam nenhuma forma de elitismo nas suas iteraes.
Elitistas: modelos que utilizam alguma forma o elitismo. Alguns modelos,
como o SPEA e o PESA, utilizam uma populao externa em que so
guardadas as solues no dominadas encontradas at o momento. Outros
mtodos, como o NSGA-II, combinam a populao atual com a populao
posterior para preservar as melhores solues de ambas.
O estudo realizado por Zitzler (2000) conclui que o elitismo melhora as solues
encontradas por um modelo de algoritmo gentico multiobjetivo. A partir deste trabalho, os
mtodos desenvolvidos, em sua grande maioria, passaram a incorporar sempre alguma
estratgia de elitismo.
Estado da Arte 44


2.1.9.2 Comparao entre algoritmos genticos multiobjetivo
A otimizao de problemas multiobjetivo um assunto em pleno desenvolvimento
nos fruns internacionais, resultando constantemente na publicao de novos mtodos ou
variaes dos mtodos existentes.
Os recentes trabalhos de Zitzler (2000) e Groan (2002) descrevem esse cenrio e
estabelecem procedimentos para comparao e classificao dos algoritmos genticos
multiobjetivo.
A seguir os dados relativos aos diferentes algoritmos genticos multiobjetivo
apresentados at o momento sero resumidos na tabela 2.1.
Tabela 2.1. Comparao entre os diferentes algoritmos evolucionrios multiobjetivo.*
Algoritmo Clculo de aptido
Mecanismo para
diversidade
Elitismo
Populao
externa
Vantagens Desvantagens
VEGA
Cada populao
avaliada emdireo a
umobjetivo diferente
Nenhum No No
Primeiro algoritmo
evolucionrio
multiobjetivo, fcil
implementao
Tendncia a convergir
sobre os extremos de
cada objetivo
VOES
HLGA
MOGA Dominncia de Pareto
Clculo de
aptido por nichos
No No
Simples extenso de um
algoritmo gentico
mono-objetivo
Convergncia
geralmente lenta,
problemas relacionados
como tamanho dos
nichos
NSGA
Ranking que no
considera a
dominncia de Pareto
Clculo de
aptido por nichos
No No Rpida convergncia
Problemas relacionados
como tamanho dos
nichos
NPGA
Semclculo de
aptido, seleo por
torneio
Nichos utilizados
como desempate
na seleo por
torneio
No No
Processo de seleo
simples
Problemas relacionados
como tamanho dos
nichos
SPEA
SPEA-2 Fora de dominncia
Densidade
baseada sobre o
vizinho mais
prximo
Sim Sim
SPEA melhorado,
assegura a conservao
dos extremos
Clculo de aptido e
densidade da populao
lentos
NSGA-II
PAES
PESA
Nenhumclculo de
aptido
Densidade das
clulas
Sim Sim
Facilidade de
implementao,
eficincia
A performance depende
do tamanho das clulas,
problemas relacionados
como tamanho dos
nichos
* Traduzido de Rabeau (2006).
2.1.10 Problemas multidisciplinares
Durante o projeto de estruturas navais e ocenicas (como, por exemplo, grandes
plataformas de explorao de petrleo) comum se deparar com relaes de trade-off
envolvidas no projeto. Em geral, a busca pela melhor soluo passa pelo compromisso entre
Estado da Arte 45


diferentes critrios de qualificao. Esses critrios so influenciados por diversos
parmetros, e a obteno da melhor soluo depende de ciclos sucessivos de projeto.
Nesse caso, como em Silva (2007), um algoritmo de otimizao deve ser capaz de realizar
mudanas no projeto, direcionando-o para a soluo otimizada.
Como visto no captulo anterior, a estratgia de otimizao multidisciplinar vem
ganhando corpo entre os escritrios de projeto e os laboratrios de pesquisa, agregando
mltiplos objetivos pertencentes a diferentes campos do conhecimento num mesmo projeto.
Um dos primeiros trabalhos interessante sobre o assunto pode ser visto em Birk
(2001) e trata da otimizao de formas de embarcaes e plataformas offshore, agregando
os objetivos hidrodinmicos aos objetivos estruturais.
O trabalho de Birk prope o projeto automatizado de linhas de casco utilizando um
algoritmo de otimizao para obter a melhor soluo. Embora esse algoritmo dependa
fortemente de ferramentas de anlise de performance, o algoritmo por si s, quando bem
utilizado, pode representar importante ferramenta no apenas para acelerar a convergncia
do processo cclico de projeto, mas tambm para permitir que se explorem arranjos
inovadores para o projeto.
Trabalhando com o downtime
7
como critrio qualificador, os resultados obtidos por
Birk so bastante animadores e representam uma diminuio de at 30% do downtime de
uma plataforma, em comparao com a performance sem a otimizao multidisciplinar. A
geometria inovadora determinada por Birk pode ser vista na figura 2.9.

Figura 2.9. Otimizao multidisciplinar com objetivos estruturais e hidrodinmicos. Birk (2001).
Muitos outros trabalhos tm sido publicados sobre o emprego da otimizao
multidisciplinar em problemas de engenharia. Ainda na rea da engenharia naval e ocenica
pode-se destacar o trabalho de Belegundu (2000) e o recente trabalho de Campana

7
O termo downtime pode ser traduzido como tempo morto. Nesse caso se refere ao perodo de tempo que a plataforma
de petrleo deixa de produzir em virtude do comportamento no mar.
Estado da Arte 46


(2007). J na industria mecnica vale citar os trabalhos de Batill (1999) e, mais
recentemente, de Peri (2008).
Essas aplicaes bem sucedidas incentivam a aplicao da otimizao
multidisciplinar em projetos de engenharia, ainda que, mesmo internacionalmente, a
aplicao de otimizao multidisciplinar em projetos de engenharia seja muito restrita e
afeita a crculos acadmicos menos tradicionalistas.
2.1.10.1 A terminologia do problema multidisciplinar
Nesta seo sero apresentadas as principais definies envolvidas na otimizao
de problemas multidisciplinares.
Disciplina: sub conjunto do problema que compe ao menos uma funo
objetivo. Pode incluir variveis e restries especificas da disciplina.
Variveis Comuns: vetor de variveis que interferem em todas as
disciplinas envolvidas no problema.
Acoplamentos: cada acoplamento representa uma igualdade entre uma
varivel especifica de uma disciplina e um parmetro (funo de restrio ou
funo objetivo) de outra disciplina. Podem-se tratar os acoplamentos como
restries globais do problema.
importante observar que alguns autores assinalam a possibilidade de que os
acoplamentos sejam definidos por uma igualdade entre uma varivel e um parmetro
qualquer de outra disciplina, no necessariamente uma restrio ou objetivo. Entretanto,
pode-se transformar qualquer parmetro em uma restrio, estipulando um valor
arbitrariamente grande de tal forma que tal restrio nunca venha a ser violada, nem afete a
otimizao do problema.
2.1.10.2 Formulao do problema multidisciplinar
Pode-se formular o problema de otimizao multidisciplinar separando o problema
multiobjetivo em disciplinas acopladas. O primeiro passo separar o vetor de variveis, visto
na equao 2.1, em um vetor de variveis comuns (a todas as disciplinas) e n
d
vetores, cada
um contendo as variveis especificas de cada disciplina, como mostrado na equao 2.9.

d
n III II I C
X X X X X X ... + + + = (2.9)
Os vetores disciplinares devem contm tambm variveis artificiais, que
correspondem a parmetros de acoplamentos oriundos de outras disciplinas.
Estado da Arte 47


O passo seguinte agrupar as funes de restrio e as funes objetivo de acordo
com as disciplinas a que se referem:

0 ) (
...) , ..., , ( min ) ( min
0 ) (
...) , ..., , ( min ) ( min
,
2 , 1 , 2 , 1 , , ,
,
2 , 1 , 2 , 1 , , ,
+
= +
+
= +
II C j II
II II c c i II II C i II
I C j I
I I c c i I I C i I
X X g
x x x x f X X f
II Disciplina
X X g
x x x x f X X f
I Disciplina
(2.10)
Por fim, descrevem-se os acoplamentos indicando a que disciplina e funo
correspondem cada varivel artificial introduzida:

) ; ( :
, , , ng nd nf nd nv nd k
g f x A
os Acoplament
=
(2.11)
A figura 2.10 permite visualizar melhor a formulao do problema multidisciplinar.

Figura 2.10. Fluxograma do problema multidisciplinar.
Pode-se observar que esta a formulao completa de um problema multidisciplinar,
incluindo variveis comuns, acoplamentos e funes globais de restrio e objetivo. Porm
alguns problemas podem apresentar apenas alguns destes elementos.
Estado da Arte 48


Embora funes globais de restrio e objetivo possam ser definidas, em alguns
casos, pode-se convert-las em restries e objetivos locais para melhor se adequarem a
estratgia de otimizao multidisciplinar utilizada.
importante observar que a otimizao multidisciplinar um conceito muito mais
prximo da engenharia do que da matemtica, visto que a separao do problema em
disciplinas artificial e destina-se a facilitar o processo de projeto e anlise. Por esse motivo
alguns autores, como Rabeau (2006), preferem denominar os problemas multidisciplinares
como problemas multiobjetivo do tipo multidisciplinares.
2.1.11 O desenvolvimento histrico das estratgias multidisciplinares
Entre todas as indstrias, a indstria aeroespacial talvez seja aquela submetida aos
mais rigorosos critrios e restries. Por isso, no espanta que os primeiros conceitos de
otimizao multidisciplinar tenham surgido nesse contexto. O trabalho de Kodiyalam (1998)
um dos muitos produzidos pela National Aeronautics and Space Administration (NASA) no
ano de 1998 e ainda uma das referncias mais importantes sobre o assunto.
De maneira geral, os mtodos multidisciplinares podem ser classificados em duas
categorias de acordo com a abordagem do problema de otimizao: mono-nvel e multi-
nvel.
A abordagem mono-nvel assim chamada por utilizar uma nica rotina de
otimizao localizada no nvel global do problema multidisciplinar. Tal abordagem implica
uma anlise por decomposio, embora a concepo e a otimizao continuem
centralizadas.
Como visto em Cramer (1993) e Allison (2004), a abordagem mono-nvel rene 3
mtodos multidisciplinares: MDF (Multidisciplinary Feasible), IDF (Individual Disciplinary
Feasible) e AAO (All-at-Once).
Os trs maiores inconvenientes dos mtodos mono-nvel que favoreceram o
desenvolvimento das abordagens multi-nvel so:
a centralizao completa do projeto no se adqua ao novo paradigma de
projeto distribudo descrito na introduo deste relatrio;
a expressiva quantidade de mensagens trocadas, em funo do processo
centralizado;
a excluso da otimizao das disciplinas individualmente.
Estado da Arte 49


Em oposio aos mtodos mono-nvel esto os mtodos multi-nvel que realizam
uma otimizao descentralizada, conduzindo, em algum momento, processos de otimizao
mono-disciplinares independentes.
Entre os mtodos mais relevantes a utilizar a abordagem multi-nvel esto os
seguintes: DCF (Disciplinary Constraint Feasible), CSSO (Concurrent Sub-Space
Optimization), BLISS (Bi-Level Integrated System Synthesis), ATC (Analytic Target
Cascading), etc.
No grupo da famlia de mtodos denominadas DCF encontram-se as abordagens CO
(Collaborative Optimization), MORDACE (Multidisciplinary Optimisation and Robust Design
Approaches Applied to Concurrent Engineering) e COSMOS (Collaborative Optimization
Stratgie for Multi-Objective Systems).
Na figura 2.11 so apresentadas, sob a forma de fluxograma, as diferentes
estratgias de otimizao multidisciplinar.

Figura 2.11. Principais estratgias de otimizao multidisciplinar. Adaptado de Rabeau (2006).
2.1.12 Mtodos de otimizao multidisciplinar mono-nvel.
Nesta seo sero apresentadas as trs principais estratgias de otimizao
multidisciplinar mono-nvel, enfatizando-se as principais diferenas entre elas.
Estado da Arte 50


2.1.12.1 Multi-Disciplinary Feasible Design (MDF)
Segundo Cramer (1993), o mtodo MDF possui a formulao mais simples entre
todos os mtodos existentes para a resoluo de problemas multidisciplinares. Esta
formulao une um mdulo de anlise multidisciplinar (MDA) com um mdulo de otimizao,
mostrados na figura 2.12.

Figura 2.12. Fluxograma do mtodo MDF.
O processo determina o vetor timo global z e as variveis locais x para a funo
objetivo sujeito a restries. A soluo multidisciplinar encontrada vivel para todo o
conjunto de disciplinas. No mdulo de anlise multidisciplinar, as variveis y so
determinadas por iteraes Gauss-Seidel entre vrias anlises disciplinares (realizadas com
base em um conjunto de parmetros x, z e valores de acoplamento estimados). A
abordagem MDF pode ser descrita pela equao 2.12:

0 )) , , ( , (
,..., 1 , ) ), , , ( , ( min
=
z y x y z g
i j n j i x z y x y z f
j i
j i
(2.12)
2.1.12.2 Individual Discipline Feasible (IDF)
O mtodo IDF fornece uma abordagem que permite evitar a otimizao unicamente
atravs do mdulo de anlise multidisciplinar presente no mtodo MDF.
Como visto em Dennis (1994), este mtodo desacopla as anlises disciplinares,
todavia mantm um mdulo de otimizao unificado, como mostrado na figura 2.13. Isto
permite ao mdulo de otimizao conduzir processos para cada disciplina individualmente,
porm impondo restries atravs de variveis extras de acoplamento y que so
introduzidas na formulao, conforme discutido por Haftka (1992) e Balling (1994).
Estado da Arte 51


Figura 2.13. Fluxograma do mtodo IDF.
Cada disciplina local pode ser vivel, porm o sistema completo pode no ser vivel
at que o processo convirja. A abordagem IDF pode ser descrita pela equao 2.13:

0 ) , , (
0 ) ), , , ( , (
,..., 1 , ) ), , , ( , ( min
' '
'
'
=

=
z y x y y
x z y x y z g
i j n j i x z y x y z f
j i i
j i
j i
(2.13)
onde y' um vetor de variveis extras de acoplamento, criado para desacoplar as
anlises disciplinares.
2.1.12.3 All-at-Once (AAO)
Conforme apresentado por Cramer (1993), o mtodo AAO se caracteriza por uma
formulao cuja otimizao altamente centralizada e lembra a formulao do mtodo IDF,
porm com a diferena de incluir uma restrio auxiliar que visa anular os resduos para a
convergncia do problema. O fluxograma do AAO pode ser visto na figura 2.14.

Figura 2.14. Fluxograma do mtodo AAO.
Estado da Arte 52


Neste mtodo a anlise do sistema e as anlises dos subsistemas so realizadas
simultaneamente (por isso o nome All-at-Once), enquanto a viabilidade da soluo
garantida em segundo plano com as restries residuais.
Segundo Rabeau (2006), os algoritmos genticos de otimizao se adquam muito
bem a este mtodo, pois os indivduos (cromossomos) gerados podem representar o
conjunto completo das variveis de concepo. Ainda segundo Rabeau, esse mtodo, no
entanto, s apresenta boa performance para problemas pouco complexos; do contrrio, uma
simplificao do problema pode ser necessria.
2.1.12.4 Comparao entre as estratgias multidisciplinares mono-nvel
Na tabela 2.2 so reunidas as principais caractersticas das estratgias de otimizao
multidisciplinar apresentadas nessa seo.
Tabela 2.2. Comparao entre as principais estratgias multidisciplinares mono-nvel.*
AAO IDF MDF
Utilizao de processos locais para
cada uma das disciplinas
No Sim
Sim, necessita de um
acoplamento
Satisfao das equaes que regemo
sistema
Somente na convergncia A cada iterao de otimizao A cada iterao de otimizao
Coerncia do sistema Somente na convergncia Somente na convergncia A cada iterao de otimizao
Variveis de deciso da otimizao
( )
] .. 1 [
, , ,
s disciplina n i
S Y X X X
c i
= ( )
] .. 1 [
, ,
s disciplina n i
Y X X X
c i
= ( )
] .. 1 [
,
s disciplina n i
X X X
c i
=
Velocidade de convergncia Rpida Mdia Fraca
Robustez Desconhecida Alta Mdia
* Traduzido de Rabeau (2006).
2.1.13 Mtodos de otimizao multidisciplinar multi-nvel.
Nesta seo sero apresentadas as principais estratgias de otimizao
multidisciplinar multi-nvel, enfatizando-se as principais diferenas entre elas. Essas
estratgias so importantes por utilizarem uma abordagem descentralizada que permite a
utilizao de superfcies de resposta, bem como o projeto e processamento distribudo;
sendo, por isso, apropriadas para o ambiente desenvolvido.
2.1.13.1 Collaborative Optimization (CO)
A Otimizao Colaborativa (CO) introduz ao processo de otimizao a decomposio
e a descentralizao em dois nveis, como descrito por Braun (1996) e como pode ser visto
na figura 2.15.
Estado da Arte 53


Figura 2.15. Fluxograma do mtodo CO.
A otimizao no nvel global responsvel por fornecer para o projeto global as
variveis z e as respostas do sistema y. Enquanto que a otimizao no nvel das disciplinas
assegura que as discrepncias entre as disciplinas sejam eliminadas (para assegurar a
viabilidade multidisciplinar), aplicando restries de compatibilidade.
Esta modelagem visa minimizar as discrepncias interdisciplinares enquanto satisfaz
as restries locais. A formulao do mtodo CO pode ser descrita pela equao 2.14:

i j n j i z y x y y z z J
y z f
i i i i SL i SL i
SL SL
= = ,..., 1 , 0 )) , , ( , , , (
) , ( min
* * * *
(2.14)
onde J representa as restries de compatibilidade, uma para cada disciplina. Os
parmetros z*, y* e x* so os resultados obtidos na otimizao no nvel disciplinar. A
otimizao no nvel disciplinar de nmero i pode ser formulado pela equao 2.15:

0 )) , , ( , , (
) ( ) ( min
2 2
+ =

i i i i i i i
i SL i SL i
z y x y z x g
y y z z J
(2.15)
2.1.13.2 Concurrent Subspace Optimization (CSSO)
O mtodo CSSO utiliza uma estratgia de decomposio a qual permite a otimizao
simultnea. A vantagem desse mtodo, segundo Sellar (1996), o fato de as aproximaes
Estado da Arte 54


dos estados locais
8
ajudarem na compreenso de como as variveis locais influenciam as
restries e objetivos globais.
Uma condio especifica aproximada a cada otimizao disciplinar para simular as
variveis de estado de outras disciplinas. De forma anloga, a otimizao global utiliza
modelos de aproximao para substituir as anlises disciplinares. Ento, os modelos
disciplinares locais so atualizados com base nas solues disciplinares otimizadas. A
otimizao local da disciplina i pode ser representada pela equao 2.16:

0 ) ), , , ( , , (
,..., 1 , ) ), , , ( , ( min
=
app
j i
app
j i i i i
app
i i
app
j i
y z y x y z x g
i j n j i y z y x y z f
(2.16)
onde y
j
app
= y
j
app
(z,x
j
) representa a resposta aproximada de outra disciplina.
Uma anlise multidisciplinar completa realizada para cada soluo no nvel global
de projeto para gerar uma soluo multidisciplinar vivel utilizada para atualizar o modelo
global aproximado. A formulao da otimizao global do problema pode ser vista na
equao 2.17:

0 ) , (
) , ( min
app
app
y z g
y z f
(2.17)
Para completar o processo, anlises multidisciplinares so realizadas com as
solues disciplinares locais para aprimorar os modelos.
2.1.13.3 Bi-Level Integrated System Synthesis Method
O mtodo BLISS, proposto por Sobieszczanski-Sobieski (1998), uma
decomposio extensa das equaes de sensibilidade global.
9
Este mtodo calcula a
derivada total dos valores de acoplamento y com relao ao local de sensibilidade.
Cada disciplina otimizada por meio da modificao das variveis locais x,
mantendo as variveis globais z constantes e minimizando o objetivo das disciplinas sobre
as restries locais. As variveis globais so utilizadas apenas para a otimizao global. As

8
Originalmente: approximations of non-local disciplinary states
9
As equaes de sensibilidade global (GSE) foram propostas 10 anos antes por Sobieszczanski-Sobieski (1988) para a
resoluo de sistemas acoplados, e, de forma simplificada, pode-se dizer que representam a derivada do vetor das funes
globais em relao ao vetor de variveis globais.
Estado da Arte 55


derivadas totais, obtidas a partir das equaes de sensibilidade global, so usadas para
predizer os efeitos de cada conjunto de variveis da funo objetivo. A otimizao da
disciplina i obtida por meio da equao 2.18.

0 ) (
) , ( min

i i
i
T
i
x g
x x f d
(2.18)
onde d(f,x
i
)
T
a derivada da funo objetivo em relao as variveis locais e inclui os
efeitos indiretos destas variveis em outras disciplinas. O termo d(f,x
i
)
T
xi corresponde
previso de primeira ordem da mudana da funo objetivo em relao mudana de x
i
.
O objetivo global na formulao BLISS fortemente relacionado com as funes
objetivo das disciplinas, as quais so expressas por meio de termos de primeira ordem da
srie de Taylor:

) ), , ( , (
... ) , ( ) , ( min
2 2 , 2 1 1 , 1
x z x y z g
x x y d x x y d
i
T
i
T
i
+ + =
(2.19)
2.1.14 As estratgias MORDACE e COSMOS
Pressionado pelo paradigma de projeto distribudo e inspirado por trabalhos como o
de Alexandrov (1999), que apresenta um comparativo entre a estratgia de Otimizao
Colaborativa e as demais estratgias multidisciplinares, Giassi (2004) props uma nova
estratgia denominada MORDACE (Multidisciplinary Optimisation and Robust Design
Approaches Applied to Concurrent Engineering).
O mtodo MORDACE foi desenvolvido a partir da colaborao entre a Ecole Centrale
de Nantes, o Institut de Recherche en Communications et Cyberntique de Nantes e a
Sociedade Sirehna.
10

O desenvolvimento do MORDACE levou em considerao as vantagens e limitaes
das estratgias de otimizao multidisciplinares existentes: reduo do tempo de
concepo, flexibilidade e a garantia da implementao de solues satisfatrias e
exeqveis

10
Criada em 1986, nas vizinhanas do Laboratrio de Mecnica dos Fluidos da Escola Centrale de Nantes (ECN/LMF), a
sociedade Sirehna destinou-se a transferir as pesquisas acadmicas para a o desenvolvimento de aplicaes industriais.
Estado da Arte 56


A estratgia MORDACE baseada em uma abordagem de concepo robusta: o
objetivo encontrar as solues robustas levando em considerao as diferenas nas
variveis entre as diferentes disciplinas. O mtodo permite a otimizao paralela de cada
disciplina como representado na figura 2.16.

Figura 2.16. Fluxograma do mtodo MORDACE.
Prosseguindo o trabalho de Giassi, Rabeau (2006) modificou o MORDACE e
desenvolveu sua prpria estratgia de otimizao multidisciplinar que foi denominada
COSMOS (Collaborative Optimization Stratgie for Multi-Objective Systems). O fluxograma
do mtodo COSMOS pode ser visto na figura 2.17.

Figura 2.17. Fluxograma do mtodo COSMOS.
Estado da Arte 57


2.1.14.1 A comparao entre estratgias de otimizao multidisciplinares
A correta resoluo de um problema de otimizao multidisciplinar no depende
somente da eficincia do algoritmo, mas tambm da efetividade da formulao da
arquitetura. Portanto, necessrio levar ambos os aspectos em considerao quando se
comparam as estratgias de otimizao multidisciplinar. Behdinan (2005) prope um
conjunto de parmetros para avaliar e comparar diferentes estratgias de otimizao
multidisciplinar. Os parmetros propostos por Behdinan so:
Simplicidade facilidade de implementao e modificao. Mtodos
simples requerem menos tempo para serem modificados e so mais
facilmente adaptados a diferentes problemas. A simplicidade medida em
termos do nmero total de processos de otimizao e variveis requeridas.
Transparncia a capacidade de se entender o modelo matemtico do
qual o mtodo deriva, e estend-lo a outros problemas.
Portabilidade a viabilidade de integrar o mtodo em uma estrutura
organizacional. Esta mtrica leva em considerao a habilidade de uma
arquitetura em aproveitar a diviso do trabalho e a autonomia das disciplinas.
Eficincia o custo computacional requerido para obter uma soluo
multidisciplinar tima vivel. Normalmente medida com base no nmero
total de avaliaes disciplinares.
Preciso a capacidade de obter a soluo multidisciplinar tima vivel
exata dentro dos limites de projeto.
Com base nestes parmetros, Behdinan comparou as estratgias de otimizao
multidisciplinar mais utilizadas; os resultados obtidos so mostrados na tabela 2.3.
Tabela 2.3. Comparao entre as diferentes estratgias multidisciplinares.*
Classificao* Preciso Eficincia Transparncia Simplicidade Portabilidade
1 MDF IDF MDF MDF CO
2 IDF BLISS IDF IDF CSSO
3 BLISS CSSO CO CO BLISS
4 CO CO CSSO CSSO IDF
5 CSSO MDF BLISS BLISS MDF
* Quanto menor a classificao, melhor a performance da estratgia segundo Behdinan.
Como pode ser observado na tabela 2.3 os mtodos mono-nvel so mais precisos
(visto que no utilizam aproximaes para as funes de acoplamento) porm so os de
menor eficincia e portabilidade, pois utilizam uma formulao centralizada.
Estado da Arte 58


Por essa razo, os mtodos multi-nvel, em especial aqueles baseados em
Otimizao Colaborativa, so os mais adequados ao ambiente de otimizao desenvolvido,
pois valorizam os conceitos de projeto e processamento distribudo.
2.2 Superfcies de resposta
Nesta seo sero apresentados os conceitos fundamentais sobre superfcies de
resposta, incluindo as principais abordagens existentes. Sero apresentados tambm, os
conceitos fundamentais associados utilizao de redes neurais artificiais na representao
de superfcies de respostas.
2.2.1 Principais aplicaes de superfcies de resposta
O avano dos recursos computacionais, bem como a popularizao dos algoritmos
de otimizao, determinaram um novo paradigma para projetos de engenharia. Como
mostram Shyy (2001) e Birk (2001), o objetivo passou a ser no apenas atender aos
requisitos propostos, mas ao mesmo tempo encontrar uma vantagem competitiva que
explore o melhor resultado entre vrios objetivos avaliados (muitas vezes imersos em
disciplinas diferentes), privilegiando uma viso global do sistema.
Projetos de grandes sistemas multidisciplinares, como as plataformas de petrleo e
os navios, so objetos ideais para serem abordados utilizando tcnicas de otimizao
multidisciplinar. Como discutido em Giassi (2004), a colaborao entre empresas (ou
centros de pesquisa) tem sido uma das caractersticas mais marcantes na nova tendncia
mundial.
Os engenheiros inseridos nesse contexto de projeto tm encontrado dois problemas
para desenvolver seus trabalhos. Por um lado, projetos de engenharia, especialmente no
contexto da indstria naval, envolvem a utilizao de parmetros que so tabelados ou
descritos na forma de grficos e diagramas fornecidos por regras de sociedades
classificadoras ou estudos especficos sobre particularidades do assunto. A utilizao de tais
grficos e diagramas inviabiliza a automatizao do processo e, portanto, a otimizao,
tornando a anlise um processo lento e manual.
Classicamente, existem duas abordagens para automatizar o processo. A primeira
consiste em tabelar uma quantidade significativa de pontos e, ao se solicitar um dado,
utilizar uma interpolao linear entre os dados prximos. Esta abordagem, embora demande
grande trabalho inicial, funciona com relativa preciso para funes e superfcies regulares
com at duas variveis.
Estado da Arte 59


Por outro lado, pode-se tentar encontrar, por meio de regresso ou outra abordagem
estatstica, uma descrio matemtica para a funo ou superfcie utilizada. Essa
abordagem tem o claro inconveniente de que muitos diagramas e grficos no so
facilmente representados analiticamente. Nielsen (2002) segue nesta linha propondo um
complexo algoritmo de interpolao de superfcies utilizando funes de base radial.
O outro problema encontrado o fato de que classicamente, como descrito por
Augusto (1996), sistemas complexos de engenharia consomem longo tempo de trabalho e
de recursos computacionais para a anlise de uma nica configurao, o que inviabiliza
processos de otimizao que demandem grande nmero de iteraes, de modo que se
adota, muitas vezes, a primeira soluo a satisfazer as restries do projeto, como a
soluo de projeto.
A utilizao de superfcies de respostas um recurso conhecido para a reduo do
tempo gasto para a anlise de ciclos sucessivos de otimizao. Zeboudi (2005), Edwards
(1997), Anjum (1997), Agatonovic-Kustrin (1998), por exemplo, demonstram que o uso de
superfcies de resposta para aumentar a eficincia do processo de otimizao bem
difundido, sendo empregado nos mais diferentes tipos de problema.
2.2.2 Abordagens para a utilizao de superfcies de resposta
As superfcies de resposta podem ser representadas por redes neurais artificiais,
como visto em Takahara (1997) ou por uma abordagem analtica, como proposto por
Shuaeib (2007). Classicamente existem duas abordagens para o uso dessas superfcies em
processos de otimizao.
A primeira, e mais popular, utiliza superfcies de resposta estticas, construdas a
partir de um conjunto inicial de avaliaes. Tal abordagem, no entanto, normalmente falha
ao utilizar uma superfcie de resposta inicial que ao longo dos ciclos de projeto se mostra
distante da superfcie real do problema associado, o que conduz o processo de otimizao
por caminhos equivocados e, muitas vezes, acaba por eliminar a vantagem terica de se
utilizar uma superfcie de resposta.
Takahara (1997) prope duas alternativas para viabilizar o uso de superfcies de
resposta estticas. A primeira alternativa consiste em utilizar um grande nmero de
avaliaes iniciais para assegurar a correta convergncia do problema, enquanto a segunda
alternativa consiste em realizar parte das avaliaes sobre a superfcie de resposta e parte
das avaliaes sem a superfcie de resposta.
Estado da Arte 60


Ambas as alternativas, no entanto, possuem a mesma fraqueza: um alto nmero de
avaliaes do problema, reduzindo a eficincia do processo para problemas nos quais cada
anlise requer um alto tempo computacional.
O recente trabalho de Zarei (2006) prope uma segunda abordagem para a
utilizao de superfcies de resposta, construir a cada ciclo de otimizao uma nova
superfcie de resposta incluindo, alm dos pontos existentes no histrico, as solues
encontradas a cada ciclo. O trabalho desenvolvido por Zarei, no entanto, no inclui a
representao das superfcies de resposta por meio de redes neurais e, portanto, a
construo de cada nova superfcie ignora as superfcies preexistentes, desprezando a
memria do processo.
2.2.3 Conceitos fundamentais sobre redes neurais artificiais
Redes neurais artificiais
11
so tcnicas computacionais que apresentam um modelo
matemtico inspirado na estrutura neural de organismos inteligentes e que adquirem
conhecimento atravs da experincia.
O sistema nervoso, essencial para o raciocnio, constitudo por um conjunto
extremamente complexo de clulas, os neurnios. Os neurnios so formados pelos
dendritos, que so um conjunto de terminais de entrada, pelo corpo central, e pelos axnios
que so longos terminais de sada, como visto na figura 2.18.

Figura 2.18. Representao de um neurnio.

11
O termo artificiais visa diferenciar as tcnicas computacionais que simulam os processos neurais, das recentes
pesquisas que utilizam estruturas neurais biolgicas. Porm, em alguns casos, para simplificar o texto, o termo ser omitido.
Estado da Arte 61


Os neurnios se comunicam atravs de sinapses. Sinapse a regio onde dois
neurnios entram em contato e atravs da qual os impulsos nervosos so transmitidos entre
eles. Em mdia, cada neurnio forma entre mil e dez mil sinapses. O crebro humano
possui cerca de 10
11
neurnios, e o nmero de sinapses de mais de 10
14
, possibilitando a
formao de redes muito complexa.
As primeiras pesquisas sobre o assunto foram publicas por McCulloch (1943), que
props um modelo de unidade de processamento simples para simular o funcionamento de
um neurnio, representado na figura 2.19.

Figura 2.19. Modelagem de um neurnio proposta por McCullock (1943).
O funcionamento da unidade de processamento, proposta por McCullock, pode ser
resumida da seguinte maneira:
Sinais x
i
so apresentados entrada;
Cada sinal multiplicado por um nmero (peso) w
i
que indica a sua
influncia na sada da unidade;
feita a soma ponderada dos sinais que produz um nvel de excitao;
Se este nvel de excitao exceder um certo limite (threshold)
12
a unidade
produz uma determinada resposta de sada y.
As respostas geradas pelas unidades so calculadas atravs de uma funo de
ativao. Como visto em Murray (1995), existem vrios tipos de funes de ativao, as
mais comuns so: Hard Limiter, Threshold Logic e Sigmoid. Para grande parte das
aplicaes, a funo Sigmoid, apresentada na figura 2.20, obtm bons resultados. O
parmetro T indica a taxa de inclinao da funo.

12
Embora o termo em ingls seja muito utilizado por autores brasileiros, pode ser traduzido como limite de ativao.
Estado da Arte 62


Figura 2.20. Funo de ativao do tipo Sigmoid.
Embora o sistema nervoso humano possua milhes de neurnios, uma rede neural
artificial composta por algumas unidades de processamento, conectadas por canais de
comunicao, aos quais esto associados diferentes valores de pesos.
Cada unidade de processamento realiza operaes apenas sobre seus dados locais
(as entradas recebidas por suas conexes). O comportamento inteligente de uma rede
neural artificial vem das interaes entre as diferentes unidades de processamento da rede.
Este modelo foi proposto pela primeira vez por Hebb (1949), e at hoje uma das
referncias mais importantes sobre o assunto.
A propriedade mais importante das redes neurais a habilidade de aprender a partir
de experimentos e, dessa maneira, melhorar seu desempenho. Isso feito atravs de um
processo iterativo de ajustes dos pesos e dos limites de ativao denominado treinamento.
Existem muitos tipos de algoritmos de aprendizado, especficos para determinados
modelos de redes neurais, que diferem entre si principalmente pelo modo como os pesos
so modificados.
Uma das contribuies mais importantes sobre o aprendizado de redes neurais foi
proposta por Rosemblatt (1958). O modelo Perceptron de aprendizado supervisionado,
proposto por Rosemblatt e apresentado na figura 2.21, consiste em, para cada experimento
(conjunto de dados de entrada e sada), modificar os pesos de cada conexo de maneira
proporcional ao erro apresentado pela rede.
Estado da Arte 63


Figura 2.21. Modelo Perceptron de aprendizado supervisionado. Rosemblatt (1958).
A taxa de aprendizado uma constante positiva, que corresponde velocidade do
aprendizado. Idealmente, o processo de treinamento requer que sejam tomados passos
infinitesimais. Assim quanto maior for essa constante, maior ser a mudana nos pesos,
aumentando a velocidade do aprendizado, o que pode levar a uma oscilao do modelo na
superfcie de erro em torno de um ponto de mnimo. O ideal seria utilizar a maior taxa de
aprendizado possvel que no levasse uma oscilao, resultando em um aprendizado
mais rpido.
Durante o processo de aprendizado, denomina-se ciclo de treinamento uma
apresentao de todos os N pares (entrada e sada) do conjunto de treinamento. A correo
dos pesos em um ciclo de treinamento pode ser executado de dois modos:
Modo Padro: A correo dos pesos acontece a cada par do conjunto de
treinamento apresentado rede. Cada correo de pesos baseia-se somente
no erro do exemplo apresentado naquela iterao. Assim, em cada ciclo
ocorrem N correes.
Modo Batch: Apenas uma correo feita por ciclo. Todos os exemplos do
conjunto de treinamento so apresentados rede, seu erro mdio
calculado e a partir deste erro fazem-se as correes dos pesos.
Quando redes neurais artificiais de uma s camada so utilizadas, no possvel a
formao de uma representao interna. Tal restrio implica que padres de entrada
similares resultem em padres de sada similares, o que leva o sistema incapacidade de
Estado da Arte 64


aprender importantes mapeamentos, nos quais entradas similares levem a sadas
diferentes.
Esse fato limitou a aplicao das redes neurais por muitos anos at a publicao dos
trabalhos de Hopfield (1982), relatando a utilizao de redes simtricas para otimizao, e
de Rumelhart (1986), que introduziu o poderoso mtodo back-propagation para o
treinamento de redes neurais com camadas intermedirias.
13

O desenvolvimento do algoritmo de treinamento back-propagation resultou no
modelo de redes neurais artificiais mais utilizado atualmente, as redes Multilayer
Perceptrons (MLP), treinadas com o algoritmo back-propagation, cujo exemplo pode ser
visto na figura 2.22.

Figura 2.22. Rede neural artificial do tipo Multilayer Perceptrons.
Conforme visto em Silva (2000), cada camada de uma rede Multilayer Perceptrons
tem uma funo especfica.
Na camada de entrada os padres so apresentados rede. A camada de
sada recebe os estmulos da camada intermediria e constri o padro que ser a
resposta. As camadas intermedirias funcionam como extratoras de caractersticas,
seus pesos so uma codificao de caractersticas apresentadas nos padres de
entrada e permitem que a rede crie sua prpria representao, mais rica e complexa,
do problema.

13
Embora a autoria do algoritmo de treinamento back-propagation (ou treinamento com retropropagao) seja creditado
ao trabalho de Rumelhart (1986), tentativas similares foram registradas em anos anteriores.
Estado da Arte 65


O treinamento supervisionado da rede MLP utilizando back-propagation consiste em
apresentar um padro s unidades da camada de entrada e, a partir desta camada, calcular
a resposta produzida na camada de sada. O erro obtido entre a resposta calculada e a
resposta original (do padro apresentado) propagado, a partir da camada de sada, at a
camada de entrada, modificando-se os pesos das conexes por meio da regra delta
generalizada. Dessa maneira, o erro vai sendo progressivamente diminudo a cada padro
apresentado.
14

Como provou Cybenko (1989), a partir de extenses do Teorema de Kolmogoroff,
so necessrias no mximo duas camadas intermedirias, com um nmero suficiente de
unidades por camada, para se produzir quaisquer mapeamentos. Tambm foi provado que
apenas uma camada intermediria suficiente para aproximar qualquer funo contnua.
2.2.4 O uso de redes neurais na representao de superfcies de resposta
O conceito de redes neurais artificiais vem se popularizando como uma ferramenta
interessante na representao de padres e predio de resultados para problemas de difcil
formulao, mas de histrico conhecido.

Outra caracterstica importante das redes neurais a capacidade destas em se
adaptarem a cada novo evento, incorporando novas experincias e preservando a memria
do processo.
A utilizao desse potencial para representar superfcies de respostas capazes de
predizer resultados de forma rpida, sem necessidade de se recorrer a mtodos robustos
que dependam de malhas e consumam excessivo tempo de processamento assunto em
pleno desenvolvimento nos meios acadmicos, como pode ser visto nos trabalhos de
Takahara (1997), Ba (2007) e Zhu (1998).
Essas superfcies de respostas seriam calibradas por um pequeno histrico
construdo por anlises clssicas feitas com softwares de anlise numrica, como os
baseados no mtodo dos elementos finitos, e recalibradas a cada ciclo de otimizao.

14
A regra delta generalizada, como o prprio nome indica, uma generalizao do treinamento supervisionado de
Rosemblatt, apresentado na figura 2.21, para a correo dos pesos e limites de ativao em redes neurais com mltiplas
camadas.
Estado da Arte 66


2.3 Processamento paralelo e distribudo
Nesta seo sero apresentados os principais conceitos do processamento paralelo,
alm de uma reviso bibliogrfica sobre o assunto. Sero apresentados os diferentes
mtodos de processamento paralelo, a medida de qualidade de um algoritmo paralelo, o
protocolo MPI para programao distribuda e o conceito de escalonamento.
2.3.1 Breve histrico sobre processamento paralelo e distribudo
Entre os assuntos que fervilham na comunidade cientfica, (Andrews (1999) e
Duncan (1990), por exemplo), certamente est o desenvolvimento do paralelismo em
longos algoritmos computacionais que, mais velozes, permitem aos engenheiros explorarem
um nmero maior de possibilidades; potenciando a descoberta de arranjos ousados nunca
antes imaginados.
O aumento da quantidade de dados a serem processados, em conjunto com a
necessidade de obter resultados em prazos cada vez menores, provocou aumento
significativo na capacidade computacional requerida. Algoritmos seqenciais mostraram-se
computacionalmente ineficazes diante destes novos paradigmas.
Tendo em vista esta ineficcia, a alternativa encontrada foi a programao paralela e
distribuda, na qual diversos processadores podem trabalhar simultaneamente em um
mesmo problema, tornando sua implementao vivel.
Conforme relatado em Almasi (1994), o aumento de desempenho a maior razo
para o uso do processamento paralelo, tendo em vista que esse tipo de processamento
pode reduzir consideravelmente o tempo de resoluo de um problema.
A histria da programao paralela seguiu os mesmos estgios de outras reas
experimentais da Cincia da Computao. Segundo Andrews (1999), a programao
paralela se originou nos anos 60, sendo motivada pela inveno de unidades de hardware
denominadas controladoras de dispositivos.
15

Pouco aps a inveno das controladoras de dispositivo, engenheiros de hardware
criaram o projeto de mquinas multiprocessadas. Porm, como apontado por Quinn (1994)
foi necessria uma espera de mais de vinte anos para que os computadores paralelos

15
Sem se aprofundar na arquitetura de computadores, pode-se dizer de forma simplificada que estes dispositivos
permitem que as operaes de entrada e sada sejam realizadas simultaneamente com as instrues executadas pelo
processador central.
Estado da Arte 67


fizessem a transio dos laboratrios para o mercado de trabalho. Andrews (1999) justifica
esta demora pelo alto preo dos computadores multiprocessados at ento.
Em meados dos anos 80, deu-se o advento dos computadores paralelos
microprocessados comerciais. Atualmente todos os computadores de grande porte so
multiprocessados, sendo que os maiores possuem centenas de processadores e so
chamados de MPPs (Massively Parallel Processors ou Processadores Paralelos Massivos).
Alm do aumento de desempenho, descrito por Almasi (1994), outra importante
razo que faz jus ao uso da programao paralela e distribuda o fato de que, como
apontado por Monte-Mor (2002), alguns problemas so de natureza paralela, e sua
implementao seqencial no produz resultados satisfatrios.
Como se ver adiante, a otimizao de problemas multidisciplinares utilizando
superfcies de resposta pode, dependendo do algoritmo de otimizao utilizado, ser um
exemplo de problema de natureza paralela.
2.3.2 A computao de grande porte
Segundo Brasil (2006), a computao de grande porte definida como um sistema
de alta capacidade de computao, tambm conhecida como Alta Plataforma", e
caracterizada pela utilizao de mainframes e supercomputadores.
16

Trata-se de computadores que geralmente ocupam grande espao fsico e
necessitam de ambiente especial para funcionarem. Os mainframes nasceram em 1946 e
foram constantemente aperfeioados, sendo o ano de 1964 considerado como um dos
marcos mais importantes em sua evoluo, visto que, nesse ano, a IBM apresentou o
System/360", mainframe que, na poca, representou um salto considervel de performance
em relao a seus predecessores.
A dcada de 60 tambm marcou o surgimento dos primeiros supercomputadores
criados por Seymour Cray que dominou o mercado da supercomputao durante 25 anos
(1965-1990).

16
A distino entre supercomputadores e mainframes no clara, nem direta, mas, como visto em Brasil (2006), eles
podem ser genericamente diferenciados pelas tarefas a que so submetidos: os supercomputadores so utilizados na soluo
de problemas em que o tempo de clculo um fator preponderante, enquanto os mainframes so utilizados em tarefas que
exigem alta disponibilidade envolvendo alta taxa de transferncia de dados e acessos simultneos. Dentro desta definio, os
supercomputadores so equipamentos mais adequados para a resoluo dos problemas de otimizao.
Estado da Arte 68


Alm dos altos custos de implantao, os supercomputadores apresentam o
problema de que quando o limite de processamento do equipamento alcanado, torna-se
necessrio realizar um upgrade, geralmente caracterizado pela substituio do equipamento
original por um novo, ou pela incorporao de novo hardware ao equipamento original.
Qualquer uma das alternativas provocar elevado custo financeiro.
Para contornar esse problema foram desenvolvidos os clusters, um tipo de
supercomputador criado a partir da cooperao de vrios computadores convencionais. Por
utilizar componentes fsicos comuns em sua arquitetura, um ambiente cluster apresenta
facilidade de dimensionamento da capacidade de processamento, pois medida que a
carga aumenta, novos componentes fsicos podem ser facilmente alocados para suprir a
necessidade de processamento.
Os clusters, entretanto, ainda exigiam que os componentes fsicos estivessem
alocados em um mesmo ambiente. Em meados dos anos 90, surgiram os Grids
computacionais com a promessa de viabilizar a execuo de aplicaes paralelas em
recursos geograficamente dispersos e pertencentes a mltiplas organizaes. Tal proposta
tinha o objetivo de fornecer uma plataforma muito mais barata para execuo de aplicaes
distribudas (em comparao com os supercomputadores paralelos).
17

Uma comparao das vantagens e desvantagens entre os ambientes de computao
de grande porte apresentada na tabela 2.4.
Tabela 2.4. Comparao entre as solues para a computao de grande porte.*
Mainframes Clusters e Grids
- Alto custo de implementao - Baixo custo de implementao
- Dependncia de fornecedor nico - Independncia de fornecedores; facilidade de negociao
- Utilizao de hardware especfico - Utilizao de hardware comum, padro PC
- Alto custo de manuteno - Baixo custo de manuteno
- Dificuldade de redimensionamento do ambiente - Facilidade de redimensionamento do ambiente
- Utilizao parcial da capacidade de processamento - Maximizao da capacidade de processamento
- Grande custo total de propriedade - Baixo custo total de propriedade
- Tecnologia estabelecida no mercado - Tecnologia inovadora
* Adaptado de Brasil (2006).
Apesar de recentes, a evoluo dos Clusters e Grids criou uma nova alternativa para
os ambientes computacionais de grande porte. A utilizao desses ambientes para

17
Brasil (2006) destaca ainda o enorme potencial que os Grids possuem como plataforma de servios sob demanda
utilizando a Internet como meio de conexo. No entanto, o servio de execuo remota amplia a preocupao com questes
como segurana e escalonamento.
Estado da Arte 69


computao de alta performance vem crescendo rapidamente e j quase predominante
para as grandes mquinas utilizadas nos dias de hoje.
Para esclarecer um pouco mais a diferena entre os Grids e outras plataformas de
computao de grande porte, podemos citar algumas caractersticas intrnsecas aos Grids:
Heterogeneidade: Os componentes que formam a infra-estrutura tendem a
ser extremamente heterogneos. Ou seja, importante ter em mente que
qualquer soluo para Grids computacionais dever lidar com recursos de
vrias geraes, softwares de vrias verses e sistemas operacionais
diversos.
Alta disperso geogrfica: Essa caracterstica se refere escala que um
Grid pode atingir. Nesse sentido, Grids podem ter escala global, agregando
servios localizados em vrias partes do planeta.
Mltiplos domnios administrativos: Grids renem recursos de vrias
instituies. Sendo assim, alm da heterogeneidade mencionada
anteriormente, possvel tambm a existncia de vrias polticas de acesso
e uso dos servios.
Os aspectos apresentados nesta seo justificam a escolha do desenvolvimento de
um ambiente para a otimizao de complexos projetos de engenharia baseados no
paradigma do Grid computacional.
2.3.3 Principais conceitos do processamento paralelo e distribudo
Nesta seo sero apresentados os principais conceitos sobre a utilizao de
processamento paralelo e distribudo em processos de otimizao, que como demonstram
os trabalhos de Junior (2002), Andrews (1999), Ziviani (1993) e Almasi (1994), representa
uma soluo eficiente para aumentar a velocidade desse tipo de processo.
2.3.3.1 O paralelismo real e o paralelismo lgico
A maioria dos computadores atuais de grande desempenho permite realizar tarefas
concorrentes.
18
Porm, segundo Quinn (1994), no se deve chamar todos os computadores
modernos de computadores paralelos. O tratamento de concorrncia em muitas mquinas
simulado e transparente ao usurio. Portanto, a seguinte definio utilizada:

18
Embora o dicionrio no registre concorrente como sinnimo de simultneo, Quinn utiliza esse termo em seu livro,
quando o correto seria concomitante.
Estado da Arte 70


Processamento Paralelo o processamento de informao que enfatiza a
manipulao concorrente de dados relativos a um ou mais processos pertencentes a
um nico programa. Quinn (1994)
19

Uma arquitetura paralela fornece uma estrutura de alto nvel para o desenvolvimento
de solues atravs do processamento paralelo, utilizando mltiplos processadores, simples
ou complexos, que cooperam para resolver problemas por meio da execuo concorrente.
Em computadores seqenciais existe o que chamado de concorrncia lgica, ou
seja, o tempo de processamento compartilhado entre os processos concorrentes, de modo
que apenas um processo executado por vez. O usurio, por sua vez, tem a impresso de
um processamento paralelo, visto que o escalonamento dos processos no visvel, como
mostrado na figura 2.23a.
Em computadores paralelos, todavia, existe uma concorrncia real entre os
processos, pois cada um dos processadores executa um processo distinto. importante
salientar que, ao dividir-se as tarefas entre os diferentes processadores, obtm-se uma
reduo no tempo de processamento, e a diviso dessas tarefas entre seus respectivos
processadores fica a cargo do programador. A execuo de processos com o paralelismo
real mostrada na figura 2.23b.

Figura 2.23. Diferena entre o paralelismo lgico e o paralelismo real. Junior (2002).
2.3.3.2 O modelo PRAM de processamento paralelo
Conforme visto em Quinn (1994), o modelo PRAM (Parallel Random Access
Machine) permite aos programadores tratar o poder computacional como um recurso

19
Deve-se aqui, explicitar a diferena entre processo e programa: Programa pode ser entendido como sendo o cdigo
fonte, de natureza esttica, enquanto que o processo representa os programas em execuo, possuindo natureza dinmica,
sendo que o mesmo programa pode disparar vrios processos independentes.
Estado da Arte 71


ilimitado. Apesar de ser o mais conhecido modelo de processamento paralelo ele no
realista, pois ignora a complexidade de comunicao entre os processadores.
Como a complexidade de comunicao ignorada, os criadores de
algoritmos paralelos podem focar suas atenes no desenvolvimento do paralelismo
inerente computao. Quinn (1994).
Segundo Fortune (1978), o modelo PRAM consiste de uma unidade de controle,
uma memria global e um nmero ilimitado de processadores, cada qual com sua memria
local.
Uma computao, no modelo PRAM, inicia com a entrada armazenada na memria
global e apenas um processador ativo. Durante cada ciclo da computao um processador
ativo pode ler um valor da memria local ou global, realizar uma operao sobre este valor e
escrev-lo na memria local ou global. Alternativamente, ele pode ativar outro processador.
Cada processador ativo deve executar a mesma instruo em diferentes locais da memria.
A computao chega ao fim quando o ltimo processador termina a execuo.
O modelo PRAM de programao paralela importante, pois representa a base de
qualquer aplicao de programao paralela ou distribuda.
Um dos obstculos paralelizao de um mtodo qualquer so os problemas
denominados conflitos de escrita e leitura que ocorrem quando dois ou mais processadores
tentam ler ou escrever na mesma posio de memria simultaneamente. Qualquer
aplicao de programao paralela deve, portanto, se preocupar com a transmisso e
sincronizao dos dados.
2.3.3.3 Medidas de desempenho para algoritmos paralelos
Em se tratando de algoritmos paralelos, as medidas de qualidade ficam a cargo de
dois parmetros: speedup e eficincia. O ganho de desempenho obtido com a paralelizao
do algoritmo chamado de speedup, que a razo entre o tempo de execuo do algoritmo
seqencial mais eficiente e o tempo de execuo do algoritmo paralelo correspondente
utilizando p processadores.
20

20
importante ressaltar que nunca se deve comparar o tempo de execuo do algoritmo paralelo em um ambiente
seqencial com o tempo de execuo do mesmo algoritmo em um ambiente paralelo, pois neste caso os custos de
paralelizao e sincronizao esto sendo incorretamente incorporados ao problema seqencial. A comparao deve ser feita
sempre entre algoritmos especficos para os ambientes seqencial e paralelo.
Estado da Arte 72


Embora teoricamente o speedup timo seja diretamente proporcional ao nmero de
processadores utilizados, na prtica esta hiptese provou-se errada, visto que o speedup
no se mostrou proporcional ao nmero de processadores. Apesar disso, um speedup
acima do linear possvel em alguns problemas particulares.
21

Por outro lado, Quinn (1994) explica que a queda no speedup ao se aumentar muito
o nmero de processadores pode ser explicada pela sobrecarga (overhead) de tempo de
comunicao entre os processadores fato ignorado pelo modelo PRAM e a existncia de
tarefas inerentemente seqenciais, mesmo em algoritmos paralelos.
Com o aumento do nmero de processadores o tempo de computao torna-se cada
vez menor, ao passo que o excesso de tempo de comunicao pode tornar o
processamento final mais lento. O tempo de computao inversamente proporcional ao
nmero de processadores utilizados, enquanto que o tempo de comunicao entre os
processadores cresce linearmente com o aumento do nmero dos processadores.
Conclui-se que, para cada problema, existe um nmero de processadores que
maximiza o speedup, a partir do qual o aumento do tempo de comunicao maior que a
diminuio do tempo de computao, e o tempo total comea a aumentar. Na figura 2.24
mostrado um grfico dessa relao.

Figura 2.24. Tempo de comunicao x Tempo de computao. Quinn (1994).

21
Um exemplo clssico o da busca de um elemento em um vetor de tamanho n. Enquanto o algoritmo seqencial, a
cada elemento analisado, tem 1/n chances de encontrar o elemento e encerrar a busca, o algoritmo paralelo com k
processadores tem k/n chances e, portanto, estatisticamente pode apresentar speedup acima do valor linear de k vezes.
Estado da Arte 73


O conceito de mximo speedup foi proposto originalmente por Amdahl (1967) e ficou
conhecido como lei de Amdahl.
Pode-se definir a eficincia de um algoritmo paralelo executado em uma mquina
com p processadores como sendo a razo entre o speedup alcanado e o nmero de
processadores utilizados.
Como se ver, a otimizao multidisciplinar sobre neuro superfcies de resposta
oferece grande potencial para speedup, sendo possvel determinar o nmero de
computadores que maximiza o speedup do processo.
2.3.3.4 A programao paralela com memria compartilhada e no compartilhada
Desde o surgimento da programao paralela e distribuda, diversos mecanismos
foram desenvolvidos para realizar a comunicao entre os processadores responsveis pela
execuo do programa paralelo.
Estes mecanismos podem ser separados em dois grupos: os que atuam sobre
memria compartilhada e os que atuam sobre memria no compartilhada. Na arquitetura
de memria compartilhada (figura 2.25a) os processadores esto conectados por uma rede
de comunicao, e os processos dividem a memria principal. Por outro lado, na arquitetura
de memria distribuda (figura 2.25b) os processadores tambm esto conectados por uma
rede de comunicao, possuindo, porm, uma memria prpria.

Figura 2.25. Programao com memria compartilhada e no compartilhada. Brasil (2006).
De maneira geral, as aplicaes que utilizam memria compartilhada so
denominadas de programao paralela, ao passo que as aplicaes que utilizam memria
no compartilhada so denominadas programao distribuda.
No entanto, existem mecanismos para emular uma memria compartilhada mesmo
em arquiteturas no compartilhadas. Portanto, na prtica, uma aplicao paralela
Estado da Arte 74


caracterizada por ser iniciada em um nico computador, a partir do qual so iniciados os
demais processos paralelos. J na aplicao distribuda necessrio iniciar um processo
em cada computador do ambiente, que so sincronizados por meio da passagem de
mensagem.
Entre os mecanismos que atuam sobre memria no compartilhada esto os
mecanismos de trocas de mensagens, cujo expoente o MPI (Message Passing Interface),
amplamente utilizado atualmente.
2.3.3.5 Biblioteca disponvel para o processamento distribudo: MPI
A interface de troca de mensagens MPI uma biblioteca de rotinas de envio e
recebimento de mensagens. Quando o MPI usado, os processos de um programa
distribudo so escritos seqencialmente em C ou em Fortran. Esses processos se
comunicam e so sincronizados por meio de chamadas s funes MPI.
A API (Application Programmers Interface) do MPI foi definida em meados dos anos
90 por um grande conjunto de representantes de faculdades, governos e indstrias
[www.lam-mpi.org]. A interface reflete as experincias passadas dos representantes com as
bibliotecas de trocas de mensagens anteriores (como o PVM (Parallel Virtual Machine)). O
objetivo do grupo era desenvolver uma biblioteca nica que poderia ser facilmente
implementada em uma diversidade de mquinas multiprocessadas. Segundo Andrews
(1999), o MPI vem se tornando um padro cada vez mais usado, e diversas implementaes
esto disponveis.
Infelizmente, conforme se ver no captulo seguinte, a biblioteca MPI est limitada a
programao utilizando C ou Fortran, o que impossibilita seu uso direto no ambiente Delphi.
No entanto, a aplicao desenvolvida utiliza o paradigma de memria distribuda, onde cada
processador possui apenas acesso a sua prpria memria, e a sincronizao feita por
passagem de mensagem, no caso, pela Internet atravs do protocolo TCP/IP utilizando os
padres estabelecidos no MPI.
2.3.3.6 O paralelismo de dados e de controle
Pode-se classificar a programao paralela entre dois paradigmas:
Paralelismo de dados: representa o uso de mltiplas unidades para se
aplicar a mesma operao simultaneamente em um dado conjunto de
elementos. Segundo Quinn (1994), K unidades de processamento adicionais
geram um aumento de K vezes no nmero de respostas por segundo. A
Estado da Arte 75


execuo deste tipo de algoritmo pode ser verificada, por exemplo, em
algoritmos paralelos de multiplicao de matrizes.
Paralelismo de controle: diferentemente do paralelismo de dados em que o
paralelismo atingido por meio de diversas unidades de processamento
executando uma nica instruo, atinge-se o paralelismo com a aplicao de
diferentes operaes a diferentes conjuntos de dados simultaneamente.
Conforme Quinn (1994), o fluxo de dados sobre este processo pode ser
arbitrariamente complexo. No paralelismo de controle, a computao
dividida em passos, chamados segmentos ou estgios, que so distribudos
entre os processadores. Cada segmento realiza uma parte do
processamento e pode ser possvel que a entrada de um segmento seja a
soluo gerada na sada do segmento anterior.
2.3.3.7 Escalabilidade
um algoritmo escalvel se o nvel de paralelismo aumenta pelo menos
linearmente com o tamanho do problema; uma arquitetura escalvel se o
desempenho de cada processador no se altera quando se aumenta o nmero de
processadores. Quinn (1994).
Como regra geral, pode-se dizer que tanto a escalabilidade algortmica, quanto a
arquitetural so importantes, pois podem-se resolver problemas maiores por meio da
aquisio de um computador paralelo com mais processadores.
Os algoritmos baseados no paralelismo de dados so mais escalveis que os
baseados no paralelismo de controle, visto que, no caso do paralelismo de controle o nvel
de paralelismo geralmente uma constante, enquanto no paralelismo de dados, o nvel de
paralelismo uma funo crescente com o aumento do tamanho do problema.


3 Desenvolvimento
3.1 Abordagem conceitual 76
3.2 Implementao 78
3.2.1 Programao orientada a objetos 79
3.3 O cliente de otimizao 79
3.3.1 Interface 80
3.3.2 Objeto para gerao de grficos 81
3.3.3 Objeto para edio do problema 82
3.3.4 Objeto para resoluo vetorial de expresses strings 83
3.3.5 Regies tabus 85
3.3.6 Algoritmos 86
3.3.7 A otimizao em regies viveis normalizadas 87
3.3.8 A otimizao em regies viveis discretas 88
3.3.9 Superfcies de Resposta 89
3.3.10 Mdulos de anlises 90
3.3.11 Exportao de Dados 91
3.4 O ambiente de programao distribuda desenvolvido 92
3.4.1 Requisitos do sistema 93
3.4.2 Implementao da programao distribuda 95
3.4.3 Iniciando o ambiente de programao distribuda. 95
3.4.4 A otimizao utilizando ambiente distribudo 98
"The first 90 percent of the code accounts for the first
90 percent of the development time
The remaining 10 percent of the code accounts for
the other 90 percent of the development time.
Tom Cargill
este captulo ser descrita a fase de implementao do ambiente para a
otimizao multidisciplinar distribuda de complexos projetos de engenharia.
Embora muito do que ser descrito possa parecer um problema mais de implementao
computacional do que de engenharia, foram absolutamente vitais no desenvolvimento das
contribuies descritas no capitulo seguinte.
3.1 Abordagem conceitual
O conceito utilizado no ambiente desenvolvido tem como inspirao a metodologia
de projeto em espiral, muito empregada na engenharia de sistemas navais e ocenicos.
Esta abordagem consiste em realizar ciclos sucessivos de analise, otimizao e
readaptao das superfcies de resposta at a convergncia do processo, como mostrado
na figura 3.1.
N
Desenvolvimento 77


Figura 3.1. Abordagem em espiral do ambiente desenvolvido.
Antes de iniciar o projeto, o engenheiro deve modelar o problema em questo,
determinando as variveis, restries e objetivos que constituiro o modelo a ser analisado.
Para os problemas que requerem anlises utilizando aplicativos computacionais, deve-se
ainda parametrizar as macros utilizadas nas anlises, conforme exigido por cada aplicativo.
O processo inicia com a avaliao de um conjunto de pontos selecionados para a
construo de um histrico inicial, a partir do qual so treinadas as superfcies de resposta
exigidas pelo problema.
A seguir, a estratgia de otimizao adequada ao problema utilizada, realizando a
maior parte das anlises por meio das superfcies de respostas iniciais. O nmero de
solues encontradas determinado pelo tipo de problema analisado. Como visto na seo
2.1.7.2, problemas multiobjetivo resultam em um conjunto de solues, enquanto problemas
mono-objetivo resultam em apenas uma nica soluo.
Com base nas solues encontradas, verifica-se se as superfcies de resposta no
so anmalas ou viciadas. Nestes casos, uma regio tabu criada para redirecionar o
prximo ciclo de otimizao.
As solues encontradas so analisadas sem o uso das superfcies de resposta e os
resultados obtidos so comparados com aqueles calculados com o uso das superfcies de
Desenvolvimento 78


respostas. Casos os resultados sejam diferentes, as superfcies de respostas so
readaptadas e o processo reinicia utilizando as novas superfcies de resposta.
O processo continua at que as solues encontradas estejam dentro do limite de
convergncia e todas as regies tabus tenham sido removidas. Caso o problema no utilize
superfcies de resposta, ou caso o usurio desative-as, apenas 1 ciclo de otimizao
necessrio.
Cada uma das etapas pode ser paralelizada para acelerar o processo de
convergncia, conforme visto na seo 2.3.
3.2 Implementao
Para o desenvolvimento e testes foi utilizado um laptop Aspire 3003LCI equipado
com um processador Sempron 3000+ 512 mb DDR com o sistema operacional Windows XP
Home Edition.
Todo o desenvolvimento computacional foi feito utilizando a linguagem Delphi de
programao. A escolha pela linguagem Delphi ocorreu de forma natural, dada a
experincia pr-existente e a adequao do ambiente Delphi para o rpido desenvolvimento
de projetos complexos de programao.
22

Embora natural, tal escolha est longe de ser uma unanimidade. O debate sobre
ambientes de programao representa uma discusso que beira a filosofia ou religio,
sendo inadequado at mesmo citar referncias sobre o assunto.
Puritanos defendem fervorosamente a utilizao de linguagens que classicamente
so utilizadas na programao de ferramentas numricas, tais como Fortran ou C. De outro
lado esto os admiradores dos ambientes de desenvolvimento rpido como Visual Basic e
Delphi. No centro dessa discusso esto os apaixonados por Java ou tecnologias .net.
No convm a este trabalho entrar nessa discusso, mas apenas apontar que o
Delphi rene condies suficientes para a execuo deste projeto: programao orientada a
objetos e programao estruturada simultneas, fcil portabilidade para Linux, ambiente de
desenvolvimento rpido, farta documentao e independncia de bibliotecas externas.

22
Nota pessoal: Durante sua experincia internacional o autor observou que pesquisadores europeus tm a tendncia
de desenvolver seus projetos utilizando o MatLab. A utilizao de MatLab reflete um desenvolvimento mais acadmico e
fortemente baseado na abordagem matemtica do problema, pois reduz parte das dificuldades na implementao
computacional, porm em contrapartida, restringe outros aspectos do projeto.
Desenvolvimento 79


3.2.1 Programao orientada a objetos
Inicialmente o projeto foi desenvolvido utilizando a programao estruturada. O
decorrer do trabalho, porm, levou constatao de que, mesmo utilizando mdulos
isolados, a complexidade das rotinas impossibilitava essa abordagem.
A partir desse momento praticamente todas as rotinas relevantes foram
implementadas na forma de objetos. Embora mais difcil na fase inicial, a implementao da
programao orientada a objetos simplificou enormemente a manuteno e o
desacoplamento dos diferentes mdulos do sistema.
O sistema desenvolvido possui dezenas de objetos que podem ser modificados
livremente sem afetar o restante do sistema. Por exemplo: uma modificao no algoritmo de
otimizao pode ser feita modificando-se unicamente o objeto de otimizao, sem afetar
outros objetos. Pode-se substituir um mtodo de otimizao por outro ou mesmo criar vrios
processos de otimizao simultneos.
Embora seja um problema voltado ao campo da computao, essa estrutura de
programao representa um dos objetivos desta pesquisa, o de desenvolver um ambiente
de projeto que possa unir diferentes tcnicas existentes e permitir a rpida implementao
de novas tcnicas ou modificaes.
Por outro lado, a programao orientada a objeto requer controle rigoroso do
gerenciamento de memria durante a execuo do sistema. comum que programadores
inexperientes permitam que objetos no utilizados ocupem espao na memria. A esta
ocorrncia dado o nome de vazamento de memria. Um programa com vazamento de
memria costuma ocupar mais memria a cada iterao do processo, o que pode se tornar
extremamente crtico em algoritmos de otimizao. O sistema desenvolvido passou por
rigoroso controle para eliminar os vazamentos de memria e permitir que o programa no
sofresse queda de desempenho em funo da quantidade de memria alocada ao longo do
processo.
3.3 O cliente de otimizao
Nessa seo ser descrito de forma detalhada o principal mdulo do ambiente
desenvolvido, o cliente de otimizao.
Desenvolvimento 80


3.3.1 Interface
A interface visa promover a interao entre o usurio (ou usurios) e a ferramenta
computacional propriamente dita. A interface desenvolvida para o cliente de otimizao
segue o modelo clssico dos programas para Windows, com 3 linhas horizontais de
controles:
Na primeira linha est o menu de opes. Todas as configuraes e
comandos do problema so realizados por meio desse menu.
A segunda linha composta por 6 campos grficos e 3 campos de texto
que apresentam todos os dados durante o processo de otimizao. Em
problemas multidisciplinares pode-se trocar a disciplina em exibio por meio
das abas localizadas sobre os campos grficos.
Por fim, a barra de status apresenta informaes sobre o estgio do
processo, a quantidade de memria utilizada, o status da conexo com a
Internet e o idioma utilizado no programa. Embora o programa detecte o
idioma mais apropriado ao usurio (com base na configurao do Windows),
pode-se trocar o idioma a qualquer momento.
A interface do mdulo de otimizao desenvolvido pode ser vista na figura 3.2.

Figura 3.2. Interface multidisciplinar do mdulo de otimizao.
Desenvolvimento 81


3.3.2 Objeto para gerao de grficos
Um dos mdulos mais importantes para a interface do ambiente desenvolvido o
mdulo de plotagem de grficos.
Desenvolvido na forma de um objeto, podem ser implementados diversos grficos
simultneos tendo como parmetro de entrada um formulrio padro do Delphi e as
coordenadas que definem a posio e o tamanho do grfico utilizado.
Na figura 3.3 so exibidos 6 exemplos de grficos gerados usando o objeto
desenvolvido que pode ser utilizado para plotar grficos de sries com 1, 2 (como o grfico
do canto inferior esquerdo) ou 3 parmetros (como o grfico do canto superior esquerdo),
grficos circulares (como o grfico do canto inferior direito), figuras (como o grfico do canto
superior direito) e fluxogramas (como o grfico do centro inferior). Podem-se incluir mltiplas
sries alm de uma linha de tendncia polinomial.

Figura 3.3. Exemplos de grficos construdos utilizando o objeto de grficos desenvolvido.
O objeto permite configurar ainda os ttulos dos eixos, a presena de legenda, o tipo
de marca, as cores dos pontos das sries e da linha. Por fim, possvel criar, em um
mesmo objeto, diferentes grficos que so acessados por meio de uma barra de abas
Desenvolvimento 82


superior. No caso de grficos de sries pode-se configurar o objeto para destacar um ponto
sobre o mouse e apresentar os valores do ponto em destaque.
O objeto construdo sobre um componente padro do tipo TPanel configurado para
utilizar buffer duplo, de forma a evitar o flick e apresentar uma atualizao suave durante o
processo. Outra caracterstica importante do objeto apresentar a capacidade de zoom. Ao
sofrer um click do mouse, a imagem no grfico reproduzida em uma janela ampliada.
3.3.3 Objeto para edio do problema
Por definio, uma interface deve permitir a interao do usurio com a ferramenta
computacional. Normalmente, em programas desse tipo, a entrada de dados feita na
forma de um arquivo de texto ou, em casos particulares, diretamente no cdigo fonte.
Para resolver esse problema o programa desenvolvido possui um objeto de edio
que permite editar todos os parmetros do problema, como visto na figura 3.4.

Figura 3.4. Objeto para edio do problema por blocos.
Esse objeto permite a edio por blocos, alm de aceitar a presena de comentrios
que auxiliam a compreenso do arquivo de entradas. Alm disso, a contagem de linhas, o
destaque da linha em edio, a formatao por cores e a caixa de ajuda dinmica, auxiliam
o usurio a modelar de forma rpida o problema de otimizao.
Desenvolvimento 83


3.3.4 Objeto para resoluo vetorial de expresses strings
Conforme visto na seo anterior, a entrada de dados para o problema de otimizao
feita por meio de um arquivo de texto contendo, entre outras coisas, equaes que
representam parmetros, funes objetivo ou de restries.
Ao contrrio dos ambientes de desenvolvimento cientifico (tais como MatLab, Excel e
Mathematica), as linguagens de programao no possuem rotinas nativas e otimizadas
para a resoluo de expresses escritas na forma de texto.
Esse problema facilmente percebido por pesquisadores que se empenham em
desenvolver sistemas cientficos complexos e que, portanto, exigem interfaces de entradas
de dados simples, normalmente alimentadas por arquivos texto.
Normalmente a sada utilizada por pesquisadores no desenvolvimento de sistemas
cientficos utilizar as rotinas de resoluo de expresses que utilizam buscas de padres e
substituio de variveis para calcular as respostas. A origem dessa tcnica encontra-se
nas interfaces de sistemas CAD (Computer Aided Design). Idealizados para serem
programas complexos de desenho, grande parte dos sistemas CAD incorporaram rotinas de
resoluo de expresses texto baseadas em substituio de padres. Com essas rotinas, o
usurio podia inserir coordenadas relativas ou resultados de construes matemticas
diretamente na forma de expresses, enquanto o programa se responsabilizava por resolver
a expresso e encontrar as coordenadas corretas de desenho. Essa tcnica se popularizou
e se espalhou por outros tipos de programas. Nesses casos a expresso resolvida uma
nica vez, e a diferena entre milissegundos e segundos no afeta o trabalho do usurio.
O procedimento extremamente lento e, quando repetido grande nmero de vezes,
reduz significativamente a eficincia de algoritmos complexos. Para resolver esse problema
foi desenvolvido um objeto para a resoluo de expresses em formato de texto de maneira
eficiente.
O principio utilizado foi um processo em duas etapas. A primeira etapa ocorre logo
quando o arquivo aberto. Nesse momento so construdas as expresses na forma
vetorial, utilizando as rotinas para a busca de padres e substituio de variveis. Cada
valor presente armazenado em um vetor de constantes, e cada operao existente
transformada em uma operao vetorial composta de 3 nmeros. O primeiro nmero indica
a posio do primeiro valor no vetor de constantes; o segundo nmero representa o tipo de
operao a ser realizada, e o ltimo nmero indica a posio do segundo valor no vetor de
constantes. Completando o vetor de constantes com os valores intermedirios encontrados,
Desenvolvimento 84


o processo continua at que se converta totalmente a expresso da forma de texto para a
expresso vetorial.
A segunda etapa ocorre todas as vezes em que necessrio resolver a expresso
com um conjunto diferente de dados. Os valores das variveis so substitudos no vetor de
constantes, e a soluo obtida sem as lentas operaes que utilizam strings.
Para verificar a eficincia do objeto de resoluo de expresso utilizando o mtodo
vetorial realizou-se um teste comparativo, cujos resultados so mostrados na tabela 3.1.
Tabela 3.1. Comparao entre mtodos de resoluo de expresses na forma de texto.*
Expresso resolvida 10 mil vezes
N de
operaes
Mtodo String
(milissegundos)
Mtodo Vetorial
(milissegundos)
3 0 0 0
3+5 1 312.5 1.6
(3+5)+(4-2.5) 3 1089.1 1.6
(3+5)*6+(4-2.5)*4 5 1776.5 3.0
(((3+5)*6+(4-2.5)*4))/3+33*1.2-4) 7 3346.9 4.7
(((3+5)*6+(4-2.5)*4))/3+33*(1.2-4)/(2+0.5) 10 4701.5 6.3
* Todos os resultados foram obtidos sobre o mesmo ndice de performance.
Para melhor visualizao, os resultados desta comparao so mostrados na figura
3.5 como uma funo que correlaciona o tempo de resoluo em funo do nmero de
operadores da expresso.
Comparao entre mtodos para resoluo de expresses
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 1 2 3 4 5 6 7 8 9 10
Nmero de Operadores
T
e
m
p
o

(
s
)
String Vetorial

Figura 3.5. Comparao entre mtodos de resoluo de expresses na forma de texto.
Desenvolvimento 85


3.3.5 Regies tabus
A criao de regies tabus tem como inspirao o mtodo Tabu Search,
originalmente proposto por Glover (1989) e Glover (1990). Neste caso algumas sub-regies
da regio vivel so bloqueadas de forma a limitar a movimentao do algoritmo de
otimizao.
No programa desenvolvido possvel criar dois tipos de regies tabus:
Esfricas: onde qualquer ponto a uma distncia cartesiana menor que um
valor definido torna-se restrito.
Circular: onde apenas uma das variveis considerada, e qualquer ponto
cujo valor desta varivel seja arbitrariamente prximo torna-se restrito.
As regies esfricas so utilizadas para a busca de solues alternativas e, como
ser visto no capitulo seguinte, para tratar superfcies anmalas e viciadas.
Um exemplo clssico em que se podem procurar solues alternativas ocorre na
funo f(x) = seno(X) definida em um intervalo maior que [0,2]. Neste caso a funo
apresenta mltiplos pontos igualmente timos, como pode ser visto na figura 3.6.
Funo f(x) = seno(x)
-1.25
-1
-0.75
-0.5
-0.25
0
0.25
0.5
0.75
1
1.25
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
x
s
e
n
o
(
x
)

Figura 3.6. Funo f(x) = seno(x).
Um algoritmo de otimizao pode facilmente encontrar uma das solues em
detrimento da outra. Para evitar isso, pode-se configurar o programa (figura 3.7) para, aps
Desenvolvimento 86


ser encontrada a primeira soluo, criar uma regio tabu esfrica no ponto timo e repetir a
otimizao, encontrando assim mltiplas solues timas.

Figura 3.7. A pesquisa por solues equivalentes usando regies tabus.
Em alguns casos as solues no so idnticas, mas prximas o suficiente para que
o usurio possa escolher entre uma ou outra utilizando critrios no includos na modelagem
do problema, como esttica ou facilidade de fabricao.
3.3.6 Algoritmos
Como foi visto na reviso bibliogrfica, existem muitos tipos de problema de
otimizao e um igual nmero de tcnicas para a resoluo desses problemas.
Ao iniciar um problema, o programa detecta o tipo de problema e seleciona o
algoritmo de otimizao mais adequado a ele. Contudo, em alguns casos, o usurio pode
escolher outro algoritmo de otimizao para a resoluo do problema.
Graas estrutura do programa, baseada em objetos, pode-se facilmente incluir,
substituir ou modificar um algoritmo de otimizao para incluir novas tcnicas ou
modificaes.
Desenvolvimento 87


O esquema de algoritmos utilizados pelo programa est representada na figura 3.8.
Conforme visto na figura, pode-se utilizar um algoritmo mono-objetivo (MBA ou Vrtices
23
)
para resolver problemas de programao linear, embora o oposto no seja possvel.
24

Figura 3.8. Abordagens utilizadas pelo programa de otimizao.
importante observar que internamente cada regio da figura 3.8 representa um
loop de programao. Isto faz com que o algoritmo seja naturalmente mais lento do que
algoritmos especficos para cada um dos tipos de problema. Porm, importante destacar
que no se deseja disputar milissegundos com as solues j existentes, mas sim
desenvolver um ambiente robusto, capaz de resolver o maior nmero de problemas, em
especial os problemas mais complexos de engenharia.
3.3.7 A otimizao em regies viveis normalizadas
Conforme visto no capitulo anterior, a normalizao das variveis e das funes a
serem representadas uma parte fundamental para a gerao das superfcies de resposta.
Porm, para a normalizao das variveis necessrio estabelecer limites para todas as
variveis, o que implica uma regio vivel limitada.

23
O algoritmo Vrtices foi inspirado no mtodo da Dicotomia. Embora no utilize a razo urea para a contrao da
regio vivel, o algoritmo Vrtices utiliza o deslocamento da regio vivel nas iteraes nas quais o vrtice timo diferente
da etapa anterior.
24
Inicialmente planejava-se utilizar a estratgia COSMOS para a resoluo de problemas multidisciplinares. No entanto,
o decorrer do trabalho mostrou que uma nova abordagem, baseada em valores de acoplamento, se adequava melhor ao
ambiente desenvolvido. Essa nova abordagem ser detalhada no captulo seguinte.
Desenvolvimento 88


Analisar pontos fora do domnio pode resultar em erros numricos, ao passo que
truncar os pontos pode produzir pontos colineares que distorcem os resultados. A soluo
encontrada foi no analisar os pontos fora do domnio, atribuindo automaticamente valores
elevados para as funes objetivo, de maneira que estes sejam descartados naturalmente
ao longo do processo de otimizao.
3.3.8 A otimizao em regies viveis discretas
Variveis discretas sempre representaram um desafio para os algoritmos de
otimizao. Normalmente realiza-se a otimizao supondo as variveis contnuas,
arredondando-se as solues para os valores discretos permitidos. Porm, como alerta
Silva (2007), no entanto, que em alguns casos o timo para um conjunto discreto est
distante do timo calculado para as variveis contnuas e depois arredondado.
Para resolver esse problema, pode-ser utilizar nos algoritmos genticos uma
resoluo de tal sorte que os valores utilizados no processo estejam sempre nos intervalos
discretos do problema. Essa abordagem resolve os problemas que possuem variveis
discretas em intervalos regulares. Porm, podem-se resolver os problemas com variveis
discretas no regulares ajustando a resoluo das variveis e atribuindo restries tabus do
tipo cilndricas para os valores de variveis no permitidos.
Outra alternativa transformar as variveis discretas no regulares em variveis
discretas regulares. Essa transformao feita incluindo-se um parmetro definido por uma
funo artificial que relaciona um ndice inteiro e regular aos valores discretos reais do
problema.
O uso de algoritmos genticos implica, todavia, um problema existente em todos os
algoritmos que dependam do particionamento da regio vivel. A definio da resoluo das
variveis implica um particionamento da regio vivel que, em alguns casos, pode deixar
escapar o valor timo. Pode-se observar, por exemplo, que a funo com singularidade
representada na figura 3.9 possui um ponto timo localizado em uma singularidade. Se a
resoluo da varivel for maior do que o espao ocupado pela singularidade, o algoritmo
no ser capaz de detect-la.
Desenvolvimento 89


Figura 3.9. Funo com singularidade.
3.3.9 Superfcies de Resposta
No capitulo anterior, foi apresentada a dificuldade associada ao longo tempo gasto
nas anlises computacionais ao longo de ciclos sucessivos de projeto e otimizao. Como
soluo para acelerar esse processo podem ser utilizadas superfcies de resposta cujo uso
permitir ao algoritmo de otimizao evitar muitas das longas anlises baseadas em
mtodos numricos que requerem alto tempo computacional, de modo a aumentar a
eficincia do ambiente.
Embora, como apresentado, o uso de superfcies de respostas e redes neurais
artificiais seja por vrias vezes discutido e utilizado nos mais diferentes tipos de problemas
de otimizao, este trabalho se diferencia em dois aspectos: por utilizar superfcies de
resposta representadas por redes neurais readaptadas dinamicamente na otimizao de
problemas de engenharia e por propor uma metodologia simples e eficiente para ser
utilizada na automatizao de qualquer projeto que demande a consulta de tabelas, grficos
e diagramas em qualquer fase do projeto.
Na figura 3.10 so apresentadas as diversas opes de configuraes que o
ambiente desenvolvido possui para a utilizao de superfcies de respostas neurais no
processo de otimizao.
Desenvolvimento 90


Figura 3.10. Menu de configurao das superfcies de resposta.
Por definio o programa sugere utilizar redes neurais com 1 camada escondida e 8
neurnios em cada camada escondida. Conforme visto na seo 2.2.3, esta topologia
suficiente para aproximar qualquer superfcie no catica. Para superfcies com grande
nmero de descontinuidades sugere-se aumentar o nmero de camadas escondidas para 2.
Pode-se ainda optar por paralelizar as superfcies de resposta, modificar o conjunto
de pontos de gerao ou desabilitar o treinamento dinmico e o filtro de proximidade.
3.3.10 Mdulos de anlises
Uma das caractersticas mais importantes do ambiente desenvolvido a capacidade
de utilizar diversos programas de anlise em um mesmo projeto otimizado de engenharia,
pois tais ferramentas so imprescindveis aos projetos de engenharia, e normalmente
representam grande limitao otimizao.
Podem ser utilizadas, simultaneamente, anlises com equaes e aplicativos como
ANSYS, SAP, Excel ou ainda interpolaes a partir de tabelas de dados. importante,
ressaltar que a estrutura modulada do programa permite incluir de forma fcil qualquer
programa de anlise que se deseje, desde que este permita a importao e exportao de
dados utilizando arquivos de texto. Entre os exemplos j testados esto: Arena, MatLab,
Desenvolvimento 91


Wamit, entre outros. As anlises podem ser feitas em um ambiente de programao
distribuda ou seqencial.
Graas estrutura de programao distribuda baseada no conceito de Grid,
possvel utilizar recursos geograficamente separados, como discutido no capitulo anterior.
3.3.11 Exportao de Dados
Qualquer ferramenta computacional, para ser realmente til, necessita de uma forma
de armazenar e compartilhar os resultados. Por isso o ambiente desenvolvido possui duas
formas diferentes para exportar os dados, presentes no menu executar, conforme visto na
figura 3.11.

Figura 3.11. Opes para a exportao de dados.
A primeira forma exportar as superfcies de resposta em arquivos compatveis com
o Excel. A planilha gerada permite calcular o valor das funes a partir de qualquer
combinao dos valores das variveis, dentro da regio vivel, como pode ser visto na
figura 3.12.
Como ser tratado no capitulo seguinte, a gerao da planilha com a rede neural
implementada , por si s, uma ferramenta valiosa no projeto de sistemas complexos de
engenharia
Desenvolvimento 92


Figura 3.12. Superfcie de resposta exportada para o Excel.
A segunda forma de exportar os resultados gerar um relatrio de otimizao. O
relatrio pode ser gerado no formato PDF ou TXT e contm todas as informaes do
processo de otimizao: dados do problema, algoritmos utilizados, configuraes, grficos,
solues, superfcies de resposta, tempo do processo, entre outras.
3.4 O ambiente de programao distribuda desenvolvido
No capitulo anterior demonstrou-se o potencial da programao paralela e distribuda
para o aumento da eficincia e reduo do tempo computacional gasto na resoluo de um
problema complexo.
O trabalho desenvolvido aproveita esse potencial ainda latente, em um ambiente
para a elaborao de projeto de engenharia com processamento distribudo pela Internet.
O objetivo desenvolver um ambiente de projeto, em que os ciclos de anlise sejam
distribudos ao longo de diferentes ns de uma arquitetura de programao distribuda com
memria no compartilhada.
Desenvolvimento 93


Cada n realizar tarefas especficas com um conjunto de dados pertencentes ao
domnio de otimizao, podendo apresentar grande heterogeneidade entre os ns. Os
processos sero sincronizados e balanceados pelo servidor de infra-estrutura, o qual
alimentar o mdulo central de otimizao propriamente dito.
A sincronizao ser feita por passagem de mensagem pela Internet utilizando o
protocolo TCP/IP. A comunicao entre os mdulos seguir o modelo clssico MPI,
discutido no captulo anterior.
A arquitetura de programao distribuda no impedir que cada n possua uma
mquina de processamento paralelo para resolver os complexos algoritmos baseados no
Mtodo dos Elementos Finitos.
Portanto, o ambiente proposto no ser homogneo e ter ns formados por
computadores com diferentes capacidades computacionais. Tal estrutura, como visto no
capitulo anterior, claramente classifica o modelo utilizado como Grid computacional.
3.4.1 Requisitos do sistema
Os requisitos do sistema proposto incluem o desenvolvimento de:
um cliente que pode reunir a interface de modelagem e visualizao, bem
como o algoritmo de otimizao propriamente dito;
um servidor de infra-estrutura que distribuir as tarefas e sincronizar os
resultados, fazendo o balano de carga entre os computadores conectados
ao ambiente;
diferentes clientes, construdos sobre uma base padro, capazes de
realizar, autonomamente, as anlises solicitadas pelo servidor de infra-
estrutura. Pode-se destacar em especial o cliente capaz de realizar anlises
utilizando o Mtodo dos Elementos Finitos;
um cliente de redes neurais capaz de treinar constantemente redes que
representem as superfcies de resposta do problema analisado;
Desenvolvimento 94


um cliente opcional de visualizao em realidade aumentada.
25
O sistema
desenvolvido pode incluir um cliente especial para visualizao de dados
remotamente.
Todos os mdulos devem ser sincronizados utilizando passagem de mensagem pela
Internet. O cliente de otimizao deve poder ser executado dentro do ambiente de
programao distribuda ou isoladamente, trabalhando de forma seqencial.
O ambiente desenvolvido pode ser visto na figura 3.13.

Figura 3.13. Representao do ambiente desenvolvido.

25
Os diversos trabalhos publicados sobre Realidade Aumentada discutidos, por exemplo, por Azuma (2001), sinalizam o
potencial que essa rea oferece para a visualizao cientifica e modelagem de complexas estruturas tridimensionais. Entre os
trabalhos mais recentes destaca-se Belcher (2003) que propem a utilizao da Realidade Aumentada para visualizao de
grficos e superfcies tridimensionais, destacando-se por estabelecer um estudo comparativo entre o desempenho de usurios
que utilizam o atual paradigma de visualizao em monitor e usurios que utilizam interfaces baseadas em Realidade
Aumentada. Belcher conclui que tais interfaces podem ser at 30% mais eficientes, embora ressalte a necessidade de novos
estudos para estabelecer mtricas para uma melhor avaliao dessas interfaces.
No decorrer deste trabalho um cliente de visualizao baseado na biblioteca ArToolKit (voltada para o desenvolvimento de
aplicaes em Realidade Aumentada) chegou a ser desenvolvido. Porm, esta biblioteca est limitada linguagem de
programao C++, o que dificulta sobremaneira sua integrao ao ambiente desenvolvido. Por limitaes de tempo e para
manter o foco nos elementos centrais deste trabalho, o desenvolvimento desse mdulo foi interrompido.
Desenvolvimento 95


Um requisito importante que o servidor de infra-estrutura deve ser capaz de
detectar a entrada ou sada de computadores do ambiente de trabalho e assim rebalancear
as cargas, realocando as tarefas conforme a disponibilidade existente.
3.4.2 Implementao da programao distribuda
O problema existente que a biblioteca MPI foi desenvolvida para programas
escritos em linguagem C, o que inviabiliza a sua utilizao nas aplicaes desenvolvidas em
Delphi. Portanto, desenvolveu-se a aplicao baseada nos paradigmas do MPI,
implementando o mesmo conjunto bsico de funes e princpios de sincronizao
existentes.
A simplificao realizada que s possvel trocar dados com a aplicao servidora
(no caso o servidor de infra-estrutura), no sendo possvel a troca de informaes direta
entre os ns do ambiente.
As mensagens trocadas para a sincronizao do processo podem ser blocantes
26
ou
no blocantes. Isto , em alguns casos o programa que enviou a mensagem s pode
continuar o processo se receber a confirmao de que a mensagem enviada foi
corretamente recebida e processada.
3.4.3 Iniciando o ambiente de programao distribuda.
O ambiente composto por, no mnimo, quatro mdulos que podem ser iniciados em
um mesmo computador ou em computadores diferentes.
O primeiro, e mais importante mdulo, o servidor de infra-estrutura. Este mdulo
iniciado em primeiro lugar e no pode ser encerrado at que o ambiente de projeto seja
desfeito.
Um servidor de infra-estrutura pode distribuir e balancear a carga, alm de
sincronizar mais de um ambiente de projeto (ou cliente de otimizao) simultaneamente,
aceitando at 255 conexes remotas. O computador utilizado pelo servidor de infra-estrutura
o nico computador do ambiente a executar uma rotina de servidor, aguardando de forma
passiva que outros computadores se conectem a ele atravs de uma porta TCP/IP
designada.

26
Procura-se ainda uma formalizao da lngua portuguesa para muitos termos utilizados em programao. H quem
prefira o termo bloqueante.
Desenvolvimento 96


Ao ser iniciado, o servidor de infra-estrutura executa um diagnstico verificando a
presena de roteadores, firewalls ou outras barreiras, indicando se est pronto ou no para
iniciar a otimizao distribuda.
A seguir, cada um dos computadores que servir de mdulo de anlise deve ser
iniciado. Toda vez que um mdulo (cliente) de anlise iniciado, ele se comunica com o
servidor de infra-estrutura sinalizando que est disponvel para realizar um tipo de anlise.
Podem-se iniciar clientes de anlise em qualquer instante do processo at o limite de
conexes do servidor de infra-estrutura.
Ao receber uma conexo, o servidor de infra-estrutura identifica o cliente,
determinando sua localizao (Intranet ou Internet) e o tipo de tarefa a que se destina,
exibindo essas informaes na interface, conforme visto na figura 3.14.

Figura 3.14. Interface do servidor de infra-estrutura.
Uma observao interessante que os clientes de anlise podem ser computadores
ou arquiteturas paralelas com grande poder de processamento e que, concluda a anlise,
retornam posio inicial e aguardam uma nova solicitao do servidor de infra-estrutura.
Desenvolvimento 97


Os clientes de redes neurais assim que iniciados tambm se conectam ao servidor
de infra-estrutura e se colocam disposio para realizar treinamento de redes ou fornecer
resultados baseados nas redes j treinadas. Pode-se configurar esse mdulo para exibir as
informaes durante o treinamento, conforme mostrado na figura 3.15.
O mdulo de treinamento neural compreende 4 campos visuais que permitem ao
usurio acompanhar o progresso do treinamento. No campo superior esquerdo so
armazenados os pares normalizados utilizados no treinamento. No campo superior direito
mostrada a topologia da rede neural construda. No campo inferior esquerdo mostrado um
grfico contendo os pares utilizados no treinamento e os pares calculados no ltimo ciclo de
treinamento, permitindo acompanhar a convergncia do treino. Por fim, no campo inferior
direito, so mostrados os erros existentes para cada um dos pares de treinamento.

Figura 3.15. Interface do cliente de redes neurais executando um treinamento remoto.
Por fim, o cliente de otimizao, que pode servir como interface de modelagem e
visualizao do projeto, se conecta ao servidor de infra-estrutura. Ao ser iniciado, o cliente
de otimizao tenta se conectar ao servidor de infra-estrutura. Quando consegue se
conectar, o cliente de otimizao libera a possibilidade de o usurio utilizar a otimizao com
clculo distribudo; caso contrrio, restringe o processo otimizao seqencial.
Desenvolvimento 98


Uma vez que todos os mdulos tenham sido iniciados e conectados ao servidor de
infra-estrutura, o ambiente de projeto est construdo.
Como descrito anteriormente, outros mdulos podem ser iniciados a qualquer
instante, e diferentes processos de otimizao podem ocorrer de forma simultnea,
compartilhando os clientes de anlise e clientes neurais disponveis no ambiente.
Para reduzir o nmero de computadores utilizados, o mesmo computador pode
realizar diferentes funes. A rigor, todos os mdulos poderiam ser iniciados em um mesmo
computador, embora isso reduziria significativamente a eficincia do processo. Porm, para
ambientes com apenas um cliente de otimizao, o mesmo computador pode atuar como
cliente de redes neurais e como cliente de anlise, sem perda de eficincia, pois ambos os
processos no ocorrem simultaneamente.
3.4.4 A otimizao utilizando ambiente distribudo
O processo de otimizao precisa realizar inmeros ciclos de anlise para ento
conduzir o projeto a uma soluo tima que represente algum ganho de eficincia,
desempenho ou custo.
Os parmetros do projeto (variveis, funes objetivo e de restries) e os modelos
(macros) de anlise so desenvolvidos no cliente de otimizao.
A cada iterao do processo, o cliente de otimizao solicita ao servidor de infra-
estrutura anlises numricas associadas ao ponto em questo.
O servidor de infra-estrutura verifica quais computadores do ambiente tm
capacidade no momento para realizar essas anlises. Caso no existam computadores
disponveis, o servidor de infra-estrutura armazena a solicitao em uma fila de processos.
Ao determinar que um computador no ambiente pode realizar a anlise, o servidor de infra-
estrutura transmite ao cliente de anlise apenas os parmetros do ponto relativo quela
anlise.
O cliente de anlise ento processa a anlise e, ao conclu-la, envia os resultados ao
servidor de infra-estrutura, que por sua vez, retransmite os resultados ao cliente de
otimizao. Esse processo se repete continuamente at que o algoritmo de otimizao
encontre a soluo tima para o projeto em desenvolvimento.
Desenvolvimento 99


3.4.4.1 Sincronizao
Como foi descrito, existe grande fluxo de dados entre os mdulos de anlise, os
mdulos de treinamento neural, o mdulo de otimizao e o servidor de infra-estrutura. Esse
fluxo intensificado quando se utilizam mltiplos clientes de otimizao trabalhando
diferentes problemas simultaneamente.
Um problema importante a sincronizao correta das iteraes e seus respectivos
conjuntos de dados e resultados. Essa sincronizao feita mantendo-se um pipe
exclusivo entre o servidor de infra-estrutura e cada um dos mdulos. Dessa forma, os dados
ficam associados ao nmero de cada conexo. Um exemplo de pipe de conexo mostrado
na figura 3.16.

Figura 3.16. Comunicao entre o cliente de redes neurais e o servidor de infra-estrutura.
Todas as mensagens so passadas de forma no blocante, permitindo que se
continuem os processos, porm a cada mensagem exigida uma confirmao de
recebimento e, assim, cada mdulo s pode enviar uma nova mensagem se a anterior tiver
sido processada corretamente.
3.4.4.2 Paralelismo
A aplicao desenvolvida utiliza tanto o paralelismo de dados, (visto que diferentes
processos similares trabalham com partes de um conjunto de dados) quanto o paralelismo
de controle, pois processos distintos utilizam o mesmo conjunto de dados.
Ao avaliar vrios indivduos de uma populao, o sistema pode dividi-los em
mltiplos computadores, de forma a realizar o mesmo procedimento aplicado a diferentes
valores de variveis. Neste caso empregado o conceito de paralelismo de dados. Por
outro lado, uma anlise de um nico indivduo pode incluir, por exemplo, uma subanlise
estrutural e uma subanlise hidrodinmica. Neste caso o sistema pode dividir as subanlises
entre computadores especializados empregando o conceito de paralelismo de controle.
Desenvolvimento 100


3.4.4.3 Segurana
Em funo das possibilidades apresentadas at o momento, algumas consideraes
sobre a segurana do ambiente desenvolvido fazem-se necessrias.
Todos os clientes trabalham com uma conexo direta com o servidor de infra-
estrutura. Portanto, nenhum dos computadores nos quais esses mdulos so iniciados
possuem portas TCP/IP abertas. Alm disso, todas as mensagens trocadas com o servidor
de infra-estrutura podem ser criptografadas e um filtro verifica as macros recebidas em
busca de comandos prejudiciais ao sistema, evitando possveis ataques externos.
O servidor de infra-estrutura o nico computador vulnervel do sistema, pois
mantm portas TCP/IP abertas. Entretanto, o servidor de infra-estrutura tem a funo de
distribuio, balanceamento e sincronizao dos dados, no executando nenhum processo
externo ao mdulo, o que garante a segurana do sistema.


4 Contribuies Relevantes
4.1 O uso de redes neurais artificiais com treinamento dinmico 102
4.1.1 O modelo e topologia da rede neural utilizada 103
4.1.2 A gerao de superfcies de resposta inicial 104
4.1.3 Otimizao e adaptao dinmica 107
4.1.4 Readaptao dinmica da superfcie de resposta 108
4.1.5 Avaliao do uso de superfcies de resposta 109
4.1.6 O problema de interpolao de grficos e diagramas 111
4.1.7 Concluso 111
4.2 Otimizao utilizando ambiente distribudo pela Internet 112
4.2.1 O ambiente desenvolvido 112
4.2.2 Otimizao e sincronizao 113
4.2.3 Consideraes sobre a eficincia do ambiente distribudo 113
4.2.4 Estimativa do tempo total de processo 118
4.2.5 Concluso 119
4.3 Superfcies anmalas e viciadas, tratamento com regies tabus 120
4.3.1 Superfcies anmalas de resposta 120
4.3.2 Superfcies viciadas de resposta 122
4.3.3 Abordagens tradicionais para superfcies anmalas e viciadas 123
4.3.4 Abordagem baseada em regies tabus 124
4.3.5 Avaliao da utilizao de regies tabus com superfcies de resposta 125
4.3.6 Concluso 127
4.4 Otimizao multidisciplinar baseada nos valores de acoplamento 127
4.4.1 Diferena entre acoplamentos fortes e fracos 128
4.4.2 A estratgia multidisciplinar baseada em valores de acoplamento 128
4.4.3 A utilizao de superfcies de resposta 131
4.4.4 Concluso 132
"Genius is one percent inspiration,
ninety-nine percent perspiration.
Thomas Alva Edison
este captulo sero apresentadas as principais contribuies relevantes
desenvolvidas nessa pesquisa. Essas contribuies distanciam esta pesquisa
dos trabalhos apresentados na reviso bibliogrfica e, juntamente com a ferramenta
computacional desenvolvida, representam o principal fruto deste trabalho. O capitulo est
estruturado em 4 sees, correspondendo a cada uma das contribuies relevantes
desenvolvidas.
N
Contribuies Relevantes 102


4.1 O uso de redes neurais artificiais com treinamento dinmico
27

Como visto na seo 2.2.1, os engenheiros inseridos no moderno contexto de
otimizao multidisciplinar de sistemas complexos de engenharia em ambientes distribudos
tm encontrado dois problemas para desenvolver seus trabalhos.
Por um lado, projetos de engenharia, especialmente no contexto da indstria naval,
envolvem a utilizao de parmetros que so tabelados ou descritos na forma de grficos e
diagramas, fornecidos por regras de sociedades classificadoras ou estudos especficos
sobre particularidades do assunto. A utilizao de tais grficos e diagramas tornam a anlise
um procedimento lento e manual, inviabilizando a automatizao do processo e, portanto, a
otimizao.
Por outro lado, classicamente sistemas complexos de engenharia consomem longo
tempo de trabalho e recursos computacionais para a anlise de uma nica configurao, o
que inviabiliza processos de otimizao que demandem grande nmero de iteraes, de
modo que, muitas vezes, se adota a primeira soluo a satisfazer as restries.
O conceito geral proposto, conforme apresentado na seo 2.2.2, automatizar a
representao de funes normalmente descritas em grficos e diagramas e, ao mesmo
tempo, viabilizar a otimizao de complexos sistemas de engenharia, utilizando uma
superfcie de resposta sobre a qual o processo de otimizao conduzido de maneira
acelerada, evitando as lentas anlises numricas normalmente associadas a estes tipos de
projetos.
Como visto na seo 2.2.4, a escolha do uso de superfcies de resposta
representadas por redes neurais artificiais deve-se a simplicidade desta tcnica de
inteligncia computacional que permite criar sinapses que podem intuir resultados
baseando-se em um conjunto de experincias. Desta forma, o uso de redes neurais permite
a adaptao a novos eventos, bem como armazena de forma nativa a experincia do
engenheiro ou da empresa ao longo de anos de projetos ou anlises similares.
Porm, a metodologia proposta por este trabalho se distncia do atual modelo de
otimizao com superfcies de resposta estticas (utilizado, por exemplo, em Edwards

27
Os conceitos discutidos nesta seo foram apresentados na Conferncia Nacional em Inteligncia Computacional
Aplicada Indstria de Petrleo (ICAPetro) , Rio de J aneiro, Brasil, 11-14 J unho, 2007.


(1997)), pois as superfcies so dinamicamente adaptadas durante as iteraes do processo
de otimizao. A adaptao dinmica das superfcies de resposta garante a rpida e
coerente convergncia do processo de otimizao.
4.1.1 O modelo e topologia da rede neural utilizada
Entre os vrios tipos de redes neurais artificiais existentes, as redes do tipo Multilayer
Perceptrons (MLP), discutidas na seo 2.2.3, foram aquelas que se mostraram mais
adequadas para a representao de superfcies de resposta.
28

Para a funo de ativao dos neurnios, optou-se pela clssica funo Sigmoid,
discutida na seo 2.2.3, que apresentou bons resultados de convergncia. Embora alguns
autores, como Nielsen (2002), usem funes de base radial, essa opo no modifica
sensivelmente a eficincia do mtodo.
A primeira questo importante que se coloca o nmero de redes neurais que sero
utilizadas. Existem basicamente duas abordagens diferentes para o mesmo problema:
1 rede neural com n sadas, onde n representa o nmero de parmetros do
problema a serem representadas; (figura 4.1a)
n redes neurais cada uma com 1 sada, onde n representa o nmero de
parmetros do problema a serem representadas; (figura 4.1b)

Figura 4.1. Determinao da Topologia da Rede Neural.

28
Aos leitores interessados, o trabalho de Murray (1995) apresenta uma boa discusso sobre esse e outros tipos de redes
neurais existentes, bem como suas principais aplicaes.


Embora, a favor da simplicidade (todos os parmetros do problema esto
agrupados), o impulso inicial seja utilizar uma nica rede neural com n sadas, a experincia
mostrou que o treinamento de uma rede complexa mais demorado do que o treinamento
de n redes simples com 1 nica sada, especialmente quando aos n parmetros esto
associadas disciplinas diferentes. Alm disso, a existncia de n redes neurais permite que
se utilizem conceitos de processamento distribudo, descritos na seo 2.3, para aumentar a
eficincia total do processo de otimizao, dado que os treinamentos podem ocorrem em
paralelo com custo praticamente zero de sincronizao.
O nmero de entradas da rede corresponde ao nmero de variveis associadas ao
modelo. Em caso de mltiplas redes neurais, podem ser utilizadas apenas as variveis que
influenciem o parmetro representado.
Por fim, o nmero de camadas escondidas e de neurnios em cada camada no
distanciam dos valores usuais para esse tipo de aplicao. Conforme demonstrado por
Cybenko (1989), para superfcies continuas, sugere-se uma camada escondida com 8
neurnios, enquanto superfcies complexas e com alto ndice de descontinuidade podem
requerer at 2 camadas escondidas e um nmero maior de neurnios por camada.
Como regra geral, quanto mais complexa for a topologia da rede, mais lento o
treinamento (no apenas o tempo de cada ciclo de treino maior, mas tambm a taxa de
convergncia menor, exigindo, em geral, mais ciclos para o mesmo erro de aproximao).
No entanto, podem-se alcanar erros menores para redes mais complexas, em virtude da
melhor representao do problema. Por fim, importante destacar que, como alerta Anjum
(1997), para cada ligao neural estabelecida na rede necessrio um nmero maior de
pares para o treinamento.
4.1.2 A gerao de superfcies de resposta inicial
Aps escolher a topologia da rede neural, deve-se determinar o nmero de pares
iniciais que comporo o conjunto de treinamento que adaptar a superfcie de resposta ao
problema em questo. Esse processo, conhecido como planejamento de experimentos,
tem como base os estudos existentes para a determinao dos ensaios realizados em
pesquisas experimentais.
29

29
Embora o termo em portugus seja muito utilizado, algumas publicaes ainda registram a expresso em ingls
design of experiments.


Diversos autores exploram o assunto, entre eles esto Shyy (2001) e Ba (2007). O
recente trabalho de Shuaeib (2007) discute este assunto no contexto da otimizao.

Escolhendo-se um nmero muito elevado de pontos, (abordagem utilizada, por
exemplo, por Agatonovic-Kustrin (1998)) a superfcie apresentar grande aderncia ao
problema proposto, porm demandar um longo tempo de treinamento e, principalmente,
um conjunto inicial muito grande de anlises, de tal sorte que podem ser mais demoradas do
que o prprio processo de otimizao.
Por outro lado, um nmero pequeno de pontos iniciais, apesar de rpido inicialmente,
pode resultar em uma superfcie de resposta com baixa aderncia ao problema real,
potencialmente conduzindo o processo de otimizao para direes equivocadas, exigindo
muitas readaptaes dinmicas da superfcie para a obteno da soluo tima.
A experincia dos testes realizados sugere que devem ser utilizadas ao menos duas
variaes para cada uma das variveis do problema.
Alguns autores acreditam que, exceo das restries do problema, devem-se
deixar as variveis livres, permitindo quaisquer valores possveis, deixando a cargo do
algoritmo de otimizao o direcionamento desses valores aos valores timos.
No entanto, a experincia mostrou que, para a grande maioria dos problemas
prticos, seguro e til estabelecer uma faixa de valores possveis para cada uma das
variveis do problema.
Embora estabelecer uma regio vivel fechada signifique aumentar o nmero de
restries e, portanto, a complexidade do problema, tal medida auxilia questes prticas
(como, por exemplo, a normalizao das variveis, indispensvel no treinamento das redes
neurais) e facilita a convergncia do problema em situaes onde os parmetros
apresentam ordens de grandeza diferentes. Nesses casos, deve-se ter a prudncia de, ao
se encontrar o valor timo sobre um vrtice da regio vivel, avaliar se o subseqente
alargamento do domnio do problema no tende a conduzir o processo a uma nova soluo.
Admitindo que o problema deve ter uma regio vivel fechada, sugere-se a seguinte
regra prtica para a determinao dos pontos que comporo o conjunto inicial para o
treinamento da rede neural:


normalizar todas as variveis tal que X [0,1];
para as variveis cujo efeito na funo objetivo suposto monotnico,
deve-se adotar dois valores iniciais possveis: 0 e 1;
para as variveis cujo comportamento no previsvel, deve-se adotar trs
valores iniciais possveis: 0, 0.5 e 1;
o conjunto de pontos que comporo o treinamento inicial da rede neural
dever ser dado pela combinao de todos os possveis valores de X,
observando as possveis variaes acima descritas.
Evidentemente, o sucesso dessa heurstica depende fortemente das caractersticas
do problema e da experincia do engenheiro em antever quais so as variveis cujo efeito
na funo objetivo seja monotnico.
30
De maneira geral, essa regra prtica garante um
conjunto mnimo de pontos que permitem que uma superfcie de resposta tenha,
inicialmente, a aderncia necessria para garantir a rpida convergncia, ao mesmo tempo
em que permite a rpida readaptao em direo soluo tima.
O processo de treinamento utilizado o clssico mtodo back-propagation com
apresentao padro dos pares, apresentado na seo 2.2.3, e cujo detalhes pode ser visto
em diversas referncias, entre elas, Caudill (1994).
interessante observar que, como visto na figura 4.2, mesmo com poucos ciclos de
treinamento, a rede neural j representa uma superfcie que possui claramente a tendncia
da funo real, permitindo o correto direcionamento do algoritmo de otimizao.
Outra observao importante, vista na figura 4.2, que a rede neural tende a
suavizar comportamentos locais, facilitando o trabalho do algoritmo de otimizao,
evitando que ele fique aprisionado em mnimos locais.

30
Um exemplo clssico de problemas onde as variveis tm claro efeito monotnico so os problemas de otimizao
estrutural. Em geral, nesses problemas, o aumento da quantidade de material conduz reduo das tenses e dos
deslocamentos, mas implica no aumento da massa e do custo. Ao passo que o aumento dos vos livres e cargas resultam no
aumento das tenses e dos deslocamentos. Nestes casos, basta conhecer a influncia associada a cada varivel para que a rede
neural possa antever o comportamento estrutural, com relativa preciso, para qualquer combinao de variveis.


Figura 4.2. Exemplos de superfcies de resposta.
4.1.3 Otimizao e adaptao dinmica
Uma vez construda a superfcie de resposta inicial, pode-se iniciar o processo de
otimizao sobre esta superfcie.
Como descrito por Hafka (1993), o algoritmo utilizado depende das caractersticas do
problema. Porm, importante destacar que, diferentemente do processo clssico de
otimizao, no qual se defini um nico conjunto de critrios de convergncia, na otimizao
com adaptao dinmica, necessrio definir dois conjuntos de critrios de convergncia.
O primeiro conjunto deve possuir tolerncias maiores, suficientes para serem
alcanadas rapidamente com poucas iteraes do processo. Nesse ponto, o algoritmo de
otimizao deve parar o processo e analisar as solues encontradas at o presente
momento, comparando os resultados com aqueles obtidos com o auxlio da superfcie de
resposta.
Caso a diferena entre os resultados seja superior ao limite de tolerncia (tambm
conhecido como limite de aderncia), a superfcie neural ento readaptada e a otimizao
reiniciada. No entanto, se a diferena for menor que o limite de tolerncia, o processo de
otimizao prossegue at que o segundo limite de convergncia seja encontrado, definindo
ento a soluo tima.
A soluo tima tambm deve ser analisada e comparada ao resultado obtido sobre
a superfcie de resposta. Caso o limite de tolerncia seja ultrapassado, a superfcie de
resposta deve ser readaptada e o processo de otimizao reiniciado.


Vale destacar que muitas vezes o vetor da soluo tima corretamente
determinado, porm o valor numrico da funo objetivo diferente. Isso porque, como visto
na figura 4.3, a superfcie neural consegue, com poucos ciclos de treinamento, alcanar a
mesma forma da superfcie real, porm, com valores de mximos e mnimos diferentes.
Normalmente o valor encontrado na superfcie de resposta menor (em mdulo) do que o
valor real.

Figura 4.3. Reduo do mdulo dos valores timos na superfcie de resposta.
Portanto, nos casos onde a superfcie de resposta utilizada para aproximar a
funo objetivo, pode-se encontrar o vetor timo mesmo que a superfcie no apresente o
valor correto da funo objetivo. Nesses casos os limites de aderncia podem ser maiores.
J para os casos onde a superfcie de resposta usada na aproximao de uma restrio,
necessrio um limite de aderncia muito menor para assegurar a correta determinao do
vetor timo.
4.1.4 Readaptao dinmica da superfcie de resposta
A readaptao dinmica da superfcie de resposta a chave para um processo de
otimizao rpido e ao mesmo tempo coerente.
Como j foi mencionado, o algoritmo de otimizao, seja ele qual for, deve possuir
um limite de convergncia grosseiro no qual a aderncia da superfcie neural deve ser
avaliada, readaptando, caso seja necessrio, a superfcie de resposta.
Porm, diferente do treinamento clssico (visto, por exemplo, no trabalho de Zhu
(1998)), algumas observaes devem ser respeitadas durante a readaptao da superfcie:


os pesos iniciais e limites de ativao no devem ser valores randmicos,
mas sim os ltimos valores obtidos no treinamento da rede neural,
mantendo-se a memria do processo;
deve-se fixar no apenas um critrio de convergncia baseado no conjunto
dos pares, mas tambm um critrio associado ao par (ou pares) que
representa a possvel soluo tima. Ou seja, tanto a mdia dos erros deve
estar abaixo do limite de convergncia, quanto o erro na regio da possvel
soluo tima tambm deve ser menor do que o limite de convergncia.
deve-se utilizar durante o treinamento, alm do conjunto original de pares,
uma repetio do par que representa o vetor timo encontrado no processo
de otimizao. Essa repetio deve ter uma intensidade que no
comprometa a aderncia da superfcie, mas aproxime a superfcie neural da
superfcie real, especialmente na regio de interesse (onde possivelmente se
encontra a soluo tima).
Uma estratgia interessante atribuir a cada par um ndice de significncia,
proporcional distncia do par em relao a possvel soluo tima. Esse ndice utilizado
na determinao da freqncia de repetio dos pares durante o treinamento dirigido.
O ndice de significncia pode ser utilizado no clculo da mdia ponderada do erro, a
qual pode substituir a utilizao de dois critrios de convergncia no treinamento dinmico,
visto que os pesos enfatizam a regio da possvel soluo (ou solues) tima.
4.1.5 Avaliao do uso de superfcies de resposta
Nesta seo ser apresentada uma avaliao do desempenho do uso de superfcies
de resposta, as quais, potencialmente, podem acelerar a otimizao de problemas.
Tabela 4.1. Avaliao do uso de Superfcies de Resposta
Problema
Elementos Finitos sem
Superfcie de Resposta (ms)
Elementos Finitos com
Diferena na Funo
Objetivo (%)
Viga emBalano (seo 5.4.1) 2555766 68219 0.0025
Grelha (seo 5.4.2) 21474484 21500 0.0173
Vaso de Presso (seo 5.4.3) 2309969 40563 0.0105

Problema
Analtico sem
Analtico com
Diferena na Funo
Objetivo (%)
Viga emBalano (seo 5.4.1) 344 66906 0.015
Grelha Simples (seo 5.2.3) 391 41656 0.002
Rosenbrock (seo 5.2.1) 328 387125 0.013


Os resultados apresentados permitem concluir que a eficincia da utilizao de
superfcies de resposta fortemente influenciada pelo tempo de cada anlise do problema.
Dessa forma, problemas que utilizam anlises numricas, apresentam alto ganho de
eficincia com o uso de superfcies de resposta. Por outro lado, problemas compostos
apenas de expresses analticas apresentam reduo considervel de performance com o
uso de superfcies de resposta.
Na figura 4.4 apresentada uma correlao entre o tempo de cada anlise do
problema, em milissegundos, e a eficincia da utilizao de superfcies de resposta. Nesta
correlao, valores negativos indicam que o tempo de processo com superfcies de resposta
superior ao tempo de processo sem superfcies de resposta.

Figura 4.4. Desempenho da superfcie de resposta em funo do tempo de cada anlise.
A alta disperso dos pontos existentes na figura 4.4 justificada pela ocorrncia de
comportamentos anmalos e viciados (os quais sero discutidos na seo 4.3) e pela
aleatoriedade do procedimento de treinamento e otimizao. Por essa razo, impossvel
determinar precisamente o tempo de cada anlise do problema a partir do qual a utilizao
de superfcies de resposta representa ganho de desempenho. No entanto, pode-se
estabelecer como regra prtica, que problemas nos quais cada anlise demore mais do que
3 segundos, devem ser otimizados com o auxilio de superfcies de resposta.


4.1.6 O problema de interpolao de grficos e diagramas
Para a representao de grficos e diagramas, inicialmente tabela-se uma
quantidade significativa de dados. A quantidade de pontos iniciais depende do
comportamento da funo a ser representada. Funes com curvaturas suaves exigem uma
quantidade pequena de pontos, enquanto funes caticas demandam um nmero muito
alto de pontos para serem bem descritas.
Os pontos tabelados so chamados pares de treinamento e devem ser normalizados
para que todos os valores estejam entre 0 e 1. Podem-se determinar limites globais ou
ento normalizar cada parmetro ou atributo. Usualmente, normalizar cada varivel resulta
em uma preciso maior, principalmente quando elas possuem ordens de grandeza
diferentes.
Alcanado o limite de erro (ou o nmero de ciclos de treinamento) arbitrado pode-se
escrever a expresso neural utilizando os limites de ativao e os pesos das ligaes
neurais. Esta expresso pode ser utilizada em qualquer ambiente de projeto e permitir a
rpida avaliao de qualquer combinao de variveis para a obteno dos valores de
sada. Deve-se ter o cuidado de transpor tambm os limites de normalizao, pois a
expresso neural s poder ser utilizada com os valores de entrada normalizados e s ter
significado fsico ao converter a sada normalizada da rede (entre 0 e 1) para o valor real.
4.1.7 Concluso
O presente trabalho apresenta uma metodologia simples para a representao de
superfcies de resposta utilizando redes neurais artificiais, que podem facilmente aproximar
superfcies e funes descritas em grficos e diagramas, e cuja capacidade nativa de se
adaptarem a cada novo evento dirigido, se mostra ideal como superfcie base sobre a qual
se realiza o processo de otimizao.
A principal contribuio, que distncia esta pesquisa dos demais trabalhos
publicados sobre o assunto, o procedimento de readaptao dinmica das superfcies de
resposta. Esse procedimento potencialmente acelera a convergncia do processo de
otimizao, pois concentra o treinamento em uma regio prxima da localizao da soluo
(ou solues) tima, garantindo a convergncia coerente do processo e preservando a
memria dos ciclos anteriores de otimizao.
Os resultados apresentados na seo 4.1.5 demonstram que a utilizao de
superfcies de resposta aumenta a eficincia dos problemas nos quais a avaliao de uma
soluo demora mais do que alguns segundos. Como regra prtica tem-se que problemas


que utilizem apenas equaes e expresses analticas no devem ser otimizados com o
auxilio de superfcies de resposta, ao passo que, para todos os outros tipos de problemas, o
uso de superfcies de resposta representa ganho significativo de performance.
importante destacar que o treinamento dinmico no deve ser utilizado na
otimizao de problemas multidisciplinares, pois, nesses casos, toda a regio vivel
igualmente importante.
4.2 Otimizao utilizando ambiente distribudo pela Internet
31

Em 2003, os pesquisadores do IRCCYN publicaram um importante artigo (Giassi
(2003)) sobre as vantagens da utilizao de ambientes distribudos em projetos de
engenharia. Como discutido na seo 2.3.3, esse artigo um dos muitos trabalhos que,
motivados pelo desenvolvimento dos recursos computacionais e a reduo de preo
apresentada por esses dispositivos nos ltimos anos, propem o desenvolvimento de
projetos em ambientes colaborativos e a utilizao de programao distribuda para
aumentar a eficincia de processos de otimizao.
O ambiente para a otimizao de problemas multidisciplinares com processamento
distribudo por passagem de mensagem pela Internet foi apresentado na seo 3.4. Nesta
seo sero discutidas as principais contribuies deste trabalho
O conceito proposto viabilizar a otimizao de sistemas complexos de engenharia,
nos quais, o tempo demandado em cada iterao do processo, inviabiliza a abordagem
linear do problema.
4.2.1 O ambiente desenvolvido
Conforme discutido na seo 3.4, o ambiente desenvolvido composto de mdulos
que se comunicam por passagem de mensagem pela Internet, permitindo assim, a utilizao
de recursos geograficamente dispersos.
A primeira contribuio importante que, diferentemente da abordagem proposta por
Giassi (2004), o ambiente desenvolvido atua em tempo real, pois, enquanto o trabalho de
Giassi realiza a troca de mensagens utilizando o protocolo POP3/SMTP para o envio de
emails, o ambiente desenvolvido utiliza conexes TCP/IP tendo como base o protocolo MPI.

31
Os conceitos discutidos nesta seo foram aceitos na International Conference on Parallel and Distributed
Processing Techniques and Applications (PDPTA'07), Las Vegas, Nevada, USA, J une 25-28, 2007. Porm devido a
impossibilidade do autor em obter um visto de entrada nos EUA antes da conferncia, deixaram de ser apresentados.


A abordagem de Giassi provavelmente deve-se as questes de segurana discutidas
na seo 3.4.4.3. Por outro lado, o ambiente desenvolvido utiliza um servidor de infra-
estrutura independente, que permite a conexo dos mdulos sem que esses se
comuniquem entre si, evitando assim possveis restries de segurana.
A segunda contribuio importante o fato de que, embora o trabalho de Giassi
utilize recursos geograficamente dispersos, no o faz de maneira distribuda. No ambiente
desenvolvido, novos mdulos de anlise podem ser introduzidos ao ambiente a qualquer
momento do processo, permitindo inclusive, incluir novos clientes de otimizao e assim
executar mais de um processo de otimizao simultaneamente.
Para que o ambiente de processamento distribudo funcione corretamente, o servidor
de infra-estrutura deve sincronizar as solicitaes recebidas e realizar o balanceamento das
tarefas entre os mdulos disponveis. O balanceamento de Grids computacionais um
assunto amplamente discutido em fruns internacionais e sua implementao representa um
diferencial deste trabalho.
4.2.2 Otimizao e sincronizao
Embora o funcionamento padro do ambiente desenvolvido tenha sido discutido na
seo 3.4.4, pode-se optar por um procedimento diferente, no qual o ambiente distribudo
melhor aproveitado.
No procedimento convencional, um limite de erro (ou nmero mximo de ciclos)
definido para o treinamento das redes neurais, a partir do qual o treinamento interrompido
e as informaes so retornadas ao cliente de otimizao.
Para aproveitar melhor o potencial da programao distribuda, pode-se continuar o
treinamento das redes neurais em paralelo com o algoritmo de otimizao. Nesse caso, o
treinamento constante tende a produzir redes neurais com uma melhor representao do
problema. Por outro lado, o treinamento constante impede que mais de um processo de
otimizao ocorra simultaneamente, pois ocupa constantemente os mdulos destinados ao
treinamento de redes neurais.
4.2.3 Consideraes sobre a eficincia do ambiente distribudo
Embora, como visto na seo 2.3.3.3, um speedup acima do linear seja possvel em
alguns problemas particulares, isto no ocorre em problemas de otimizao, pois no existe
possibilidade do processo ser encerrado prematuramente.


Um dos aspectos mais relevantes na implementao da programao distribuda
que, conforme discutido na seo 2.3.3.3, existe um limite para a paralelizao do processo,
a partir do qual o custo de paralelizao se torna superior ao ganho de eficincia no
processo.
O ambiente desenvolvido tem um alto custo de sincronizao, pois a conexo pela
Internet extremamente lenta, se comparada a conexo fsica existente em clusters e
supercomputadores. Em funo disso, a experincia mostrou que o ambiente desenvolvido
apresenta ganho de eficincia apenas nos problemas em que o tempo de processamento
superior ao tempo de comunicao.
A eficincia da programao distribuda em problemas de otimizao depende
fortemente do tipo de algoritmo utilizado no processo. Algoritmos que utilizam processos de
busca (MBA e Newton, por exemplo) apresentam baixo ganho de desempenho quando
comparados aos algoritmos do tipo populacional (Genticos e Vrtices, por exemplo), pois
nesse caso existem diversas anlises independentes que podem ser realizadas em paralelo.
O nmero de processadores que maximiza a eficincia do processo determinado
pelas caractersticas do problema e do algoritmo de otimizao utilizado. Um nmero maior
de processadores intil, pois permanecem ociosos durante o processo.
Para problemas com superfcies de resposta, o nmero ideal de processadores para
o treinamento neural corresponde ao nmero de superfcies definidas no problema. Por
outro lado, para a construo das superfcies necessrio um conjunto de avaliaes
iniciais, conforme discutido na seo 4.1.2. Nesse caso, o nmero ideal de processadores
corresponde ao nmero de pares do conjunto de avaliaes iniciais.
Por fim, para a avaliao de solues, o nmero ideal de processadores corresponde
ao nmero de anlises feitas a cada iterao do processo de otimizao. Para algoritmos
genticos, esse nmero igual ao tamanho estabelecido para a populao, enquanto para o
algoritmo Vrtices, corresponde ao nmero de vrtices da regio vivel. Algoritmos de
busca, como o MBA, realizam apenas uma avaliao por ciclo e por isso no devem ser
paralelizados.
4.2.3.1 Avaliao da utilizao do ambiente distribudo
Nesta seo ser apresentada uma avaliao do desempenho do ambiente
distribudo que potencialmente pode acelerar a otimizao de problemas. Em todos os
exemplos apresentados, o ambiente ser constitudo de 2 computadores destinados a


realizao das anlises, bem como 1 computador que servir de servidor de infra-estrutura e
1 computador no qual o mdulo de otimizao executado.
Na tabela 4.2 so apresentados os resultados do processo de otimizao do exemplo
discutido na seo 5.4.1 utilizando o Mtodo dos Elementos Finitos para a estimativa das
tenses e deformaes da estrutura.
Tabela 4.2. Avaliao do uso do ambiente distribudo, abordagem com M.E.F.*
Algoritmo Vrtices MBA
Superfcie de resposta No Sim No Sim
Ambiente distribudo No Sim No Sim No Sim No Sim
Avaliaes para gerao das superfcies 0 0 4 4 0 0 4 4
Avaliaes comM..E.F. 809 809 3 3 1745 2134 3 3
Avaliaes comsuperfcie de resposta 0 0 3233 3233 0 0 3100 2576
Treinamento de redes neurais 0 0 6 6 0 0 7 7
Tempo total do processo (ms) 2555766 1785437 68219 2790229 5512746 9406099 84534 3318248
* Todos os resultados foram obtidos sobre o mesmo ndice de performance e a mesma preciso.
Na tabela 4.3 so apresentados os resultados do processo de otimizao do exemplo
discutido na seo 5.4.1, porm utilizando expresses analticas para a estimativa das
tenses e deformaes da estrutura.
Tabela 4.3. Avaliao do uso do ambiente distribudo, abordagem analtica.*
Superfcie de resposta No Sim No Sim
Ambiente distribudo No Sim No Sim No Sim No Sim
Avaliaes para gerao das superfcies 0 4 4 0 4 4
Avaliaes comM..E.F. 809 3 3 1631 4 3
Avaliaes comsuperfcie de resposta 0 3240 3240 0 3042 3420
Treinamento de redes neurais 0 7 7 0 8 7
Tempo total do processo (ms) 343
**
66906 2777785 906
**
81312 4359329
** O ambiente desenvolvido no permite distribuir a resoluo de expresses analticas.
A partir desses resultados, possvel estabelecer algumas concluses relevantes,
que sero apresentadas a seguir.
Tabela 4.4. Durao mdia de cada etapa do processo.
Etapa do processo Tempo mdio de durao (ms)
Avaliao utilizando o Mtodo dos Elementos Finitos 3159
Avaliao utilizando expresses analticas 0.42
Treinamento das redes neurais, independe do nmero de ciclos 66563
Envio das variveis e retorno de solues por meio de conexo da Internet 1255


Tabela 4.5. Speedup e eficincia dos algoritmos de otimizao.*
Nmero de computadores utilizados ** 2 2
Nmero de pontos avaliados a cada iterao do processo de otimizao 8 1
Speedup do processo utilizando o Mtodo dos Elementos Finitos 1.43 0.59
Eficincia do processo utilizando o Mtodo dos Elementos Finitos 0.72 0.29
Seedup do processo utilizando anlises neurais (Superfcie de Resposta) 0.02 0.03
Eficincia do processo utilizando anlises neurais (Superfcie de Resposta) 0.01 0.01
** Foram considerados apenas os computadores destinados s anlises.
Para demonstrar a diferena de speedup alcanado entre os algoritmos de busca
(como o MBA) e os algoritmos populacionais (como o Vrtices e o Gentico) utilizando
ambientes distribudos, um estudo da projeo de eficincia em funo do nmero de
processadores utilizados apresentado na figura 4.5. Para este estudo foi escolhido o
exemplo discutido na seo 5.4.1 com a abordagem baseada no Mtodo dos Elementos
Finitos.
Speedup e Eficincia em funo do nmero de processadores
0.00
1.00
2.00
3.00
4.00
5.00
6.00
0 1 2 3 4 5 6 7 8 9 10 11 12
Nmero de Processadores
S
p
e
e
d
u
p
0.00
0.20
0.40
0.60
0.80
1.00
1.20
E
f
i
c
i
n
c
i
a
Speedup - Vrtices Speedup - MBA Ef icincia - Vrtices Ef icincia - MBA

Figura 4.5. Projeo do Speedup e eficincia dos algoritmos de otimizao utilizando M.E.F.
O nmero de avaliao do algoritmo MBA aleatrio e depende do complexo de
pontos escolhidos no inicio do processo. Por essa razo, utilizou-se um valor mdio
constante para o clculo de speedup e eficincia, a fim de evitar que os dados fossem
distorcidos por essa aleatoriedade.
Pode-se observar que, para ambientes homogneos (todas as mquinas possuem a
mesma capacidade computacional), o ganho de speedup no ocorre de forma constante,


mas sim em intervalos discretos, que so definidos em funo das caractersticas do
problema e do algoritmo de otimizao utilizado.
No problema em questo, a cada iterao do algoritmo Vrtices de otimizao, 8
pontos precisam ser analisados. Neste caso, o ganho de eficincia ocorre para as seguintes
quantidades de processadores: 1, 2, 3, 4 e 8. Ao se utilizar, por exemplo, 4 processadores, 4
anlises podem ser feitas simultaneamente, restando outras 4 analises para um segundo
lote completo. Essa situao idntica utilizao de 5 processadores, com a diferena de
que, neste caso, durante o segundo lote de analises, 2 processadores permanecem ociosos.
Pela mesma razo, no existe ganho de speedup ao se utilizar mais de 8 processadores.
Por outro lado, o algoritmo MBA executa apenas 1 anlise por iterao do processo
de otimizao e, portanto, no existe ganho ao se utilizar mais de 1 processador, exceto na
gerao do complexo inicial.
Ao contrrio do algoritmo MBA, o algoritmo Vrtices no possui aleatoriedade, logo,
para um limite de erro fixo, o nmero de iteraes constante, sendo ideal para a realizao
dos estudos de eficincia, como a importante relao apresentada na figura 4.6.

Figura 4.6. Speedup em funo do tempo de anlise. Algoritmo Vrtices com 2 processadores.
Como regra prtica pode-se dizer que problemas nos quais a anlise de uma soluo
demore mais do que 3 segundos e cujo algoritmo de otimizao realize mais do que 1
avaliao por iterao, apresentam ganho de eficincia ao se utilizar processamento
distribudo.


4.2.4 Estimativa do tempo total de processo
Os resultados e consideraes apresentados nesta seo permitem estimar o tempo
total de um processo de otimizao em ambiente distribudo por meio da equao:

) ( * ) (
) ( * ) (
) ( * ) (
o comunica anlise cada
res processado
otimizao ciclo por solues
verficao avaliaes
res processado
iterao por avaliaes
otimizao de analises
res processado
iniciais avaliaes
iniciais avaliaes
otimizao de analises verficao avaliaes o treinament iniciais avaliaes
T T
N
N
cima para Arredonda T
T T
N
N
T T
N
N
T T T T total Tempo
+ =
+ =
+ =
+ + + =
(4.1)
Onde:
T
cada anlise
corresponde ao tempo demandado para a avaliao de uma
nica soluo do problema;
T
comunicao
corresponde ao tempo demandado para estabelecer uma
conexo pela Internet. Pode variar em funo do trfico da rede e da
quantidade de informaes a serem transmitidas;
T
treinamento
corresponde ao tempo de treinamento e readaptao das redes
neurais que representam as superfcies de resposta. Varia conforme a
topologia utilizada nas redes neurais e a complexidade do problema;
T
avaliaes iniciais
corresponde ao tempo demandado pelas avaliaes
responsveis pela gerao da superfcie de resposta;
T
avaliaes verificao
responsveis pela verificao da aderncia das superfcies de resposta.
Em problemas mono-objetivo gerada apenas uma nica soluo por ciclo
de otimizao. Por outro lado, em problemas multiobjetivo, o nmero de
solues depende do algoritmo utilizado. Para algoritmos genticos,
correspondem ao tamanho da populao;
T
anlises de otimizao
responsveis pela conduo do processo de otimizao. Em problemas
sem a utilizao de superfcies de resposta corresponde ao T
cada anlise
,
enquanto para problemas com superfcies de resposta corresponde ao
tempo de avaliao utilizando as superfcies de resposta.


Para problemas que no utilizem superfcies de resposta, a equao 4.1 por ser
reduzida a:
) ( * ) (
res processado
iterao por avaliaes
T T
N
N
cima para Arredonda total Tempo + = (4.2)
Onde:
T
cada anlise
corresponde ao tempo demandado para a avaliao de uma
nica soluo do problema;
T
comunicao
corresponde ao tempo demandado para estabelecer uma
conexo pela Internet. Pode variar em funo do trfico da rede e da
quantidade de informaes a serem transmitidas.
4.2.5 Concluso
O principal resultado apresentado um ambiente de otimizao que incorpora
diferentes conceitos como paralelismo, distribuio de processamento em tempo real pela
Internet, passagem de mensagem utilizando o protocolo MPI, servidor de infra-estrutura com
balanceamento de carga, memria no compartilhada e sincronizao de processos
simultneos.
A experincia mostrou que o ganho de eficincia para processos de otimizao
utilizando o ambiente distribudo proporcional ao nmero de processadores utilizados,
desde que esse seja no mximo igual ao nmero de avaliaes realizadas por iterao do
processo de otimizao.
Os processos de construo e treinamento de redes neurais apresentam alto ganho
de eficincia quando paralelizados, desde de que, para o treinamento, o nmero de
processadores seja no mximo igual ao numero de superfcies de resposta do problema,
enquanto para a construo, o nmero de processadores deve ser no mximo igual ao
nmero de pontos iniciais.
Outra importante concluso o fato de que a utilizao do ambiente distribudo
oferece ganho de eficincia nas situaes em que o tempo de anlise computacional
superior ao tempo de comunicao entre os mdulos.


4.3 Superfcies anmalas e viciadas, tratamento com regies tabus
Como visto na seo 2.2, a utilizao de superfcies de resposta uma soluo
conhecida para acelerar processos de otimizao em que as anlises dos pontos exigem
grande esforo computacional.
Embora o uso de tal tcnica resulte significativo ganho de desempenho em muitos
tipos de problemas (como demonstrado na seo 4.1.5), a experincia mostrou que a
utilizao de superfcies de resposta pode, em alguns casos, resultar em superfcies
anmalas ou viciadas, as quais conduziriam o algoritmo de otimizao resultados
distantes da soluo tima.
Nesta seo este problema ser descrito juntamente com as abordagens
tradicionalmente utilizadas para o tratamento de superfcies de resposta anmalas e
viciadas. Por fim, ser apresentada uma abordagem inovadora para o problema, seguida de
alguns exemplos que demonstraro a eficincia de tal abordagem.
4.3.1 Superfcies anmalas de resposta
O problema existente consiste no fato de que a escolha dos indivduos que
constituiro a superfcie de resposta inicial pode determinar a representao de uma
superfcie anmala de resposta. As superfcies anmalas ocorrem quando, ao
representarem restries do problema, todos os pontos escolhidos so inviveis.
Essa caracterstica produz uma superfcie de resposta totalmente localizada na
regio invivel do problema a qual, por causa do mtodo de penalizao (descrito na seo
2.1.6) utilizado em problemas com restries, conduz o processo de otimizao para uma
regio distante da soluo tima.
Para exemplificar esse comportamento, considere a funo g(x) = (x-0.4)
2
como uma
restrio de um problema qualquer de otimizao. Considere que esta funo deve ser
menor do que 0.1 para que a soluo seja considerada vivel. A funo g(x) possui
claramente uma regio vivel e outra regio no vivel, que podem ser vistas na figura 4.7.


Figura 4.7. Superfcie de resposta anmala.
Ao construir a superfcie de resposta, representada em vermelho na figura 4.7, todas
as avaliaes feitas sobre a superfcie de respostas resultam em um valor g(x) invivel. No
importa o valor da funo objetivo, se todos os pontos forem inviveis, a soluo encontrada
no ser a soluo tima, mas sim aquela com o menor valor em mdulo de g(x)-0.1, nesse
caso o ponto x = 0.
O leitor precipitado pode sugerir que a incluso de um ponto mdio entre os valores
iniciais seria suficiente para evitar a superfcie anmala da funo descrita na figura 4.7. No
entanto, fcil demonstrar que, no importa a quantidade de pontos utilizados no
treinamento inicial da superfcie de resposta, sempre existir a possibilidade de que a
superfcie construda seja anmala.
Para exemplificar essa condio, considere a funo g(x) = cos(X) definida no
intervalo [0 , 4], mostrada na figura 4.8. Considere que esta funo deve ser menor do que
0.5 para que a soluo seja considerada vivel. Ao se utilizar 3 pontos iniciais, a superfcie
de resposta, representada em vermelho, apresenta comportamento anmalo e, portanto,
inviabilizar um processo de otimizao coerente.
interessante observar que, assim como o exemplo da figura 4.7, em funo do
mtodo de penalizao, a soluo encontrada ser aquela com o menor valor em mdulo de
g(x)-0.5. No entanto, devido a particularidade do problema, todos os pontos da superfcie de
resposta possuem mesmo valor e o processo ser conduzido pelas equaes restantes do
problema.


Figura 4.8. Superfcie anmala com 3 pontos iniciais.
4.3.2 Superfcies viciadas de resposta
As superfcies viciadas ocorrem quando, ao representarem funes objetivo do
problema, ao final do processo de otimizao, a soluo encontrada corresponde a um dos
pontos utilizados na gerao da superfcie de resposta. Para exemplificar esse
comportamento, considere a funo f(x) = (x-0.2)
2
, mostrada na figura 4.9, como uma funo
objetivo de um problema de otimizao.

Figura 4.9. Superfcie de resposta viciada.


Ao construir a superfcie de resposta, representada em vermelho na figura 4.9, o
processo de otimizao conduzido ao ponto x = 0, pois esse o ponto de mnimo da
superfcie de resposta, que, no entanto, est distante do ponto x = 0.2, mnimo da funo
real do problema.
Aps determinar a soluo, o algoritmo de otimizao deve verificar a aderncia da
superfcie de resposta ao problema real. O ponto x = 0 foi utilizado na gerao da superfcie
de resposta e, por esta razo, o erro associado a esse ponto est abaixo do limite de
aderncia, no exigindo nenhuma readaptao da superfcie de resposta.
A exemplo das superfcies anmalas de resposta, no importa a quantidade de
pontos utilizados na gerao da superfcie, essa sempre poder apresentar um
comportamento viciado durante a otimizao.
4.3.3 Abordagens tradicionais para superfcies anmalas e viciadas
Existem duas abordagens para evitar que o processo de otimizao seja governado
por uma superfcie de resposta anmala ou viciada.
A primeira abordagem, amplamente utilizada, conduzir o processo de otimizao
realizando parte das anlises com o auxilio da superfcie de resposta e parte das anlises
sem a superfcie de resposta. Dessa maneira, as anlises realizadas sem a superfcie de
resposta permitem direcionar corretamente o processo de otimizao. Na figura 4.10
mostrado um esquema dessa abordagem, no qual 90% das anlises durante o processo de
otimizao so realizadas com o uso de superfcies de resposta.

Figura 4.10. Abordagem percentual para a utilizao de superfcies de resposta.
A segunda abordagem empregada, implica em selecionar aleatoriamente os pontos
utilizados no treinamento da superfcie inicial de resposta at que ao menos um dos pontos
seja vivel, evitando assim a gerao de superfcies anmalas.
Porm, ambas as abordagens tm a mesma fraqueza: um grande nmero de
avaliaes do problema sem a utilizao de superfcies de respostas, que, dependendo do


tempo demandado por cada uma das anlises, podem reduzir consideravelmente a
eficincia do processo de otimizao.
4.3.4 Abordagem baseada em regies tabus
A abordagem proposta utilizar regies tabus para limitar a movimentao do
algoritmo de otimizao.
O procedimento proposto consiste em, transcorrido o processo tradicional de gerao
das superfcies iniciais de resposta e a otimizao, verificar, a partir das solues
encontradas, se as superfcies utilizadas apresentam comportamento anmalo ou viciado.
A verificao do comportamento viciado realizada comparando-se as respostas
encontradas no processo de otimizao com os pontos utilizados para a gerao das
superfcies de resposta. Enquanto o comportamento anmalo verificado analisando-se se,
dentre o conjunto de gerao da superfcie, existe algum ponto vivel.
Se superfcies de resposta anmalas ou viciadas forem detectadas, uma regio tabu
esfrica construda em torno das solues encontradas, conforme mostrado na figura
4.11, e o processo de otimizao reiniciado.

Figura 4.11. Regio tabu utilizada no tratamento de superfcie viciada.
As regies tabus esfricas impedem o comportamento anmalo e viciado,
conduzindo o processo a novas solues. Essas novas solues, conforme mostrado na


figura 4.11, apresentam erros superiores ao limite de aderncia (pois no foram utilizadas
durante o processo de gerao) e por essa razo, conduzem a uma readaptao das
superfcies, que se aproximam das superfcies reais do problema.
Aps readaptarem as superfcies de resposta, as regies tabus so removidas e o
processo de otimizao reiniciado. As novas solues so verificadas quanto ao
comportamento anmalo e viciado das superfcies. Embora iterativo, esse processo
converge rapidamente.
O raio da regio tabu pode afetar a conduo do processo de otimizao. Um valor
muito elevado de raio pode fazer o algoritmo oscilar em torno de um ponto timo; ao passo
que um raio muito pequeno provoca sucessivas readaptaes da superfcie. A experincia
mostrou que um valor normalizado de 0.1 (como aquele mostrado na figura 4.11) permite,
para a maioria dos problemas, uma conduo rpida e coerente do processo de otimizao.
O comportamento anmalo, na verdade, poderia ser verificado antes do processo de
otimizao. No entanto, sem o processo de otimizao, no seria possvel posicionar as
regies tabus, que seriam introduzidas aleatoriamente, diminuindo a eficincia do processo.
Neste caso, uma estratgia interessante realizar o primeiro ciclo de otimizao com um
valor nulo para o fator de penalizao, definido na equao 2.4, na esperana de que a
soluo encontrada esteja mais prxima da soluo tima do que aquela encontrada em um
processo conduzido sobre uma superfcie anmala de resposta.
4.3.5 Avaliao da utilizao de regies tabus com superfcies de resposta
Para avaliar a eficincia da abordagem utilizando regies tabus, a funo objetivo
apresentada na figura 4.11 foi otimizada utilizando-se diferentes abordagens. Os resultados
obtidos so mostrados na tabela 4.6.
Tabela 4.6. Abordagens para a utilizao de superfcies de resposta.*
Sem superfcies SR-100 SR-95 SR-90 SR-85
Avaliaes analticas 205 6 68 150 278
Avaliaes utilizando superfcies de resposta 1618 1647 1872 3034
Ciclos de treinamento das redes neurais 4 4 3 5
Analises para a gerao das superfcies de resposta 2 2 2 2
Valor da varivel X 2.00 2.13 2.14 2.15 1.86
Tempo total de processo (ms) 406 15313 14484 13843 68985
Nos exemplos apresentados na tabela 4.6, a otimizao sem superfcies de resposta
atua como controle. A estratgia designada SR-100 realiza 100% das anlises utilizando a


superfcie de resposta, empregando regies tabus para o tratamento da funo viciada. Por
fim, so empregadas trs verses da abordagem tradicional, discutida na seo 4.3.3, cada
uma delas com um percentual diferente de utilizao da superfcie de resposta.
As abordagens SR-95, SR-90 e SR-85 correspondem a processos de otimizao que
realizam 95%, 90% e 85%, respectivamente, das anlises utilizando as superfcies de
resposta.
A realizao de parte das anlises sem o emprego de superfcies de resposta elimina
algumas readaptaes da superfcie, permitindo que o processo de otimizao convirja mais
rapidamente.
No entanto, ao realizar mais de 10% das anlises sem a utilizao de superfcies de
resposta, a quantidade de pontos gerados reduz a velocidade do treinamento das redes
neurais, diminuindo a eficincia do processo de otimizao.
A eficincia de cada abordagem est diretamente associada ao tempo de anlise de
cada soluo do problema. Conforme demonstrado na figura 4.12, pode-se determinar que
problemas nos quais a anlise de uma soluo demora mais do que alguns poucos
milissegundos apresentam ganho de eficincia ao se empregar a estratgia baseada em
regies tabus ao invs das abordagens tradicionais.

Figura 4.12. Comparao entre diferentes abordagens para a utilizao de superfcies de resposta.


4.3.6 Concluso
Em contraponto as estratgias tradicionais discutidas na seo 4.3.3, o presente
trabalho prope uma abordagem inovadora para a utilizao de superfcies de resposta, que
utiliza regies tabus para limitar o movimento do algoritmo de otimizao ao longo da regio
vivel.
A grande vantagem desta estratgia reduzir consideravelmente o nmero de
anlises realizadas sem a utilizao de superfcies de resposta. Assim, quanto maior for o
tempo demandado em cada anlise do problema, maior o ganho de desempenho da
abordagem utilizando regies tabus em relao s abordagens tradicionais.
Por essa razo, problemas compostos unicamente de equaes e expresses
analticas no apresentam ganho de desempenho ao se empregar tal abordagem. No
entanto, como discutido na seo 4.1.7, nesses casos, a prpria utilizao de superfcies de
resposta no adequada.
4.4 Otimizao multidisciplinar baseada nos valores de acoplamento
Como visto na seo 2.1.11, existem vrias estratgias para a otimizao de
problemas multidisciplinares que diferem em relao ao grau de centralizao do processo e
em relao aos mecanismos utilizados para estimar os valores de acoplamento.
Entre as diversas estratgias multidisciplinares, a estratgia de Otimizao
Colaborativa tem se destacado graas ao seu potencial para a otimizao em ambiente
distribudo, conforme discutido na seo 2.1.14.1. Os recentes trabalhos de Giassi (2004) e
Rabeau (2006) utilizam essa abordagem, adaptando-a em duas das mais recentes
estratgias multidisciplinares publicadas.
No entanto, ambos os trabalhos discutem a inviabilidade de se conduzir processos
de otimizao multidisciplinares em problemas que possuam forte acoplamento. Para esse
tipo de problema a abordagem tradicionalmente proposta encapsular o problema
multidisciplinar em um problema multiobjetivo para ento resolv-lo.
A estratgia proposta neste trabalho difere dos outros trabalhos publicados sobre o
assunto justamente por permitir a resoluo de problemas com forte acoplamento.


4.4.1 Diferena entre acoplamentos fortes e fracos
O conceito de acoplamento forte no pode ser definido de maneira rigorosa. Pode-se
dizer, no entanto, que um problema apresenta acoplamento forte se uma pequena mudana
no valor do acoplamento implicar em uma grande mudana em uma das funes objetivo do
problema.
Como sempre, a melhor maneira de entender essa relao considerar dois
exemplos. No projeto do catamar, apresentado na seo 5.8, o modelo de clculo
estrutural considera o regime de pequenas deformaes, no qual a estrutura deformada se
confunde com a estrutura no deformada. Nesse caso, pequenas variaes no
carregamento hidrodinmico no implicam grandes variaes no projeto estrutural. O
acoplamento existe, porm considerado fraco.
Por outro lado, o exemplo apresentado na seo 5.6.2 utiliza duas funes
quadrticas como objetivos do problema. Nesse caso, uma modificao pequena nos
valores de acoplamento tem efeito quadrtico na funo objetivo, sendo, portanto,
considerado um acoplamento forte.
Embora a definio no seja precisa, quanto mais forte o acoplamento, maior a
dificuldade das estratgias multidisciplinares tradicionais para encontrar a soluo (ou
solues) tima.
4.4.2 A estratgia multidisciplinar baseada em valores de acoplamento
Na figura 4.13 mostrada a formulao geral do problema multidisciplinar, conforme
discutido na seo 2.1.10.2.

Figura 4.13. Formulao geral do problema multidisciplinar.
Existem duas categorias de acoplamento em um problema multidisciplinar: as
variveis comuns X
c
e as funes de acoplamento propriamente ditas y
i,j
.


A estratgia proposta consiste em definir um problema de otimizao global a partir
da formulao do problema original. A formulao do problema global pode ser vista na
equao 4.3.

) .. , (
) .. , , .. , , .. , (
) , , .. , (
, 2 , 1 ,
, 2 , 1 , , 2 2 , 2 1 , 2 , 1 2 , 1 1 , 1
2 , 2 2 , 1 , 2 , 1 ,
n global global global global
n global global global n n global
n c c c global
g g g G
f f f f f f f f f F
y y x x x X
=
=
=
(4.3)
O vetor de variveis globais X
global
definido pela unio do vetor de variveis comuns
com as variveis artificiais. Para cada acoplamento existente no problema, uma varivel
artificial includa ao vetor de variveis globais do problema.
O vetor das funes objetivo F
global
definido pelos objetivos de cada disciplina alm
dos objetivos globais do problema original, se existirem.
O vetor das restries globais G
global
definido pelas restries globais do problema
original, se existirem.
A estrutura de otimizao multidisciplinar baseada em valores de acoplamento,
mostrada na figura 4.14, composta de dois mdulos: um mdulo de anlise de solues
globais e um algoritmo de otimizao.

Figura 4.14. Esquema geral da estratgia multidisciplinar.
O problema de otimizao global sempre um problema multiobjetivo e, portanto,
deve ser resolvido utilizando-se um algoritmo de otimizao multiobjetivo, como discutido na
seo 2.1.7.3.
A essncia da estratgia de otimizao baseada em valores de acoplamento reside
no mdulo de anlise do problema global, cujo esquema de funcionamento mostrado na
figura 4.15.


Figura 4.15. Mdulo de anlise para a estratgia multidisciplinar.
Para cada ponto avaliado no problema global, defini-se um vetor X
global
nico, que
determina os valores para cada varivel comum e cada acoplamento existentes no problema
original.
Caso existam restries globais no problema original, essas devem ser verificadas
para o vetor X
global
. Para vetores inviveis, so atribudos s funes objetivo o maior valor
real possvel, conforme discutido na seo 3.3.7, de tal sorte que esses pontos tem alta
probabilidade de serem descartados no processo de otimizao.
Os vetores viveis, por outro lado, so analisados segundo o procedimento descrito a
seguir. Para cada disciplina existente no problema original, conduzido um processo de
otimizao local, fixando-se os valores das variveis comuns e acoplamentos. Os valores
das funes objetivo obtidos nas otimizaes locais so transferidos para o problema global,
completando a anlise do vetor X
global
.
importante destacar que uma nica anlise global pode resultar em diversos
indivduos adicionados populao global. Pois, ao se analisar disciplinas multiobjetivo, o
processo de otimizao local resulta em uma fronteira de solues que compartilham os
mesmo valores de acoplamento. Nesse caso, todas as solues devem ser transferidas
para a populao global de indivduos.
Definido o procedimento de anlise, o algoritmo de otimizao multiobjetivo pode
conduzir o processo de otimizao global at a convergncia da soluo.


4.4.3 A utilizao de superfcies de resposta
Como visto na seo anterior, para cada ponto do problema global analisado, deve-
se conduzir uma otimizao local para cada disciplina existente. Embora robusto, esse
procedimento extremamente ineficiente.
Para aumentar a eficincia e viabilizar o processo de otimizao, pode-se, utilizando-
se os conceitos discutidos nas sees 4.1 e 4.3, construir superfcies de resposta para
representar os processos de otimizao de cada disciplina do problema, acelerando a
convergncia do processo global. O mdulo de anlise utilizando superfcies de resposta
mostrado na figura 4.16.

Figura 4.16. Mdulo de anlise para a estratgia multidisciplinar com superfcies de resposta.
O emprego de superfcies de resposta na representao dos processos de
otimizao local aumenta a eficincia do processo global de otimizao. No entanto,
algumas consideraes precisam ser feitas.
No caso de disciplinas mono-objetivo, para cada vetor X
global
, a superfcie de resposta
fornecer a estimativa de uma nica soluo. Nesse caso o procedimento similar a todas
as outras aplicaes envolvendo superfcie de resposta descritas neste trabalho.
Disciplinas multiobjetivo, por outro lado, tendem a fornecer um conjunto de solues
Pareto-Otimas para cada vetor X
global
. Nesse caso, a utilizao de superfcies de resposta
no capaz de fornecer diferentes solues para um mesmo conjunto de valores de
entrada.


Para resolver esse problema, pode-se utilizar n conjuntos de sadas (ou at mesmo n
redes neurais), onde n representa o nmero de objetivos na disciplina.
Cada rede neural fornecer os valores das funes objetivo para o ponto da fronteira
de pareto que maximiza o valor de uma das funes objetivo, conforme exemplificado na
figura 4.17. Dessa maneira as solues locais so transferidas para a populao global de
modo paritrio.

Figura 4.17. Exemplo de utilizao de superfcies de resposta para uma disciplina multiobjetivo.
Embora a utilizao dos extremos da Fronteira de Pareto limite a diversidade das
solues em problemas multiobjetivo, essa abordagem suficiente para que o processo de
otimizao global se desenvolva de maneira eficiente e coerente. Ainda assim, se desejvel,
possvel incluir um nmero maior de superfcies de resposta para aumentar a diversidade
das solues transferidas dos problemas locais para o problema global.
Como discutido na seo 4.1.5, o ganho de eficincia obtido com a utilizao de
superfcies de resposta est condicionado ao tempo demandado por cada avaliao de cada
uma das disciplina do problema. Quanto maior esse tempo, mais superfcies podem ser
utilizadas, e ainda assim o ganho de eficincia do processo global ser significativo.
4.4.4 Concluso
A principal contribuio apresentada nesta seo uma nova estratgia de
otimizao multidisciplinar baseada em valores de acoplamentos, que, como demonstram os
exemplos apresentados na seo 5, permite resolver uma grande gama de problemas,
incluindo os problemas com acoplamento forte.
No entanto, tal abordagem s se mostra eficiente ao serem utilizadas superfcies de
resposta para a representao das disciplinas, pois do contrrio, o nmero de avaliaes em


cada disciplina, a cada iterao do problema global, reduz consideravelmente a eficincia do
processo.
Outro recurso importante a ser destacado o ganho de eficincia apresentado pela
estratgia de otimizao multidisciplinar baseada em valores de acoplamento em ambientes
distribudos. Pois, nesse caso, pode-se paralelizar tanto os processos de otimizao de
cada disciplina, quanto o treinamento das redes neurais que representam as superfcies de
resposta que correspondem a esses processos.


5 Exemplos de Aplicaes
5.1 Programao Linear 135
5.1.1 Planejamento da Produo 135
5.1.2 Problema de Designao 136
5.2 Otimizao mono-objetiva 137
5.2.1 Problema Rosenbrock 137
5.2.2 Tampa de Escotilha 139
5.2.3 Grelha Simples 141
5.3 Interpolao de grficos e diagramas 143
5.4 Otimizao com anlises numricas 144
5.4.1 Viga em balano 144
5.4.2 Grelha 146
5.4.3 Vaso de Presso 148
5.5 Otimizao multiobjetivo 150
5.5.1 Multiobjetivo Simples 150
5.5.2 Multiobjetivo Complexo 152
5.5.3 Viga I 153
5.6 Otimizao multidisciplinar 155
5.6.1 Multidisciplinar Simples 156
5.6.2 Multidisciplinar Acoplado 157
5.6.3 Mltiplas Funes Objetivo 158
5.7 Redutor de Velocidade 160
5.8 Projeto do hidroflio de uma embarcao catamar 163
5.8.1 Descrio do problema multidisciplinar 165
5.8.2 As caractersticas da embarcao projetada 171
5.8.3 A abordagem racional do problema 171
5.8.4 Resultados da otimizao 172
"Look! It's moving. It's alive. It's alive
Dr. Henry Frankenstein, Mary Shelley
este captulo sero apresentados diferentes problemas matemticos e de
engenharia resolvidos utilizando o sistema desenvolvido e apresentado neste
relatrio. Embora todos os exemplos apresentem alguma contribuio relevante, destacam-
se especialmente trs: o projeto de um vaso de presso utilizando o Mtodo dos Elementos
Finitos, o projeto multidisciplinar de um redutor de velocidade e o projeto do hidroflio de
uma embarcao do tipo catamar.
N
Exemplos de Aplicaes 135


5.1 Programao Linear
Nesta seo sero apresentados dois problemas de programao linear. Para
representar esse grupo de problemas foram escolhidos dois dos mais clssicos exemplos: o
problema de planejamento de produo e o problema de designao.
5.1.1 Planejamento da Produo (Planejamento.txt)
Uma empresa pode fabricar dois produtos (1 e 2). Na fabricao do produto 1 a
empresa gasta nove horas-homem e trs horas-mquina (a tecnologia utilizada intensiva
em mo-de-obra). Na fabricao do produto 2 a empresa gasta uma hora-homem e uma
hora-mquina (a tecnologia intensiva em capital). Sendo x
1
e x
2
as quantidades fabricadas
dos produtos 1 e 2 e sabendo-se que a empresa dispe de 18 horas-homem e 12 horas-
mquina e ainda que os lucros dos produtos so $4 e $1 respectivamente, quanto deve a
empresa fabricar de cada produto para obter o maior lucro possvel?

0 : ) (
0 : ) (
12 * 3 : ) (
18 * 9 : ) (
* 4 min * 4 ) ( max
2 4
1 3
2 1 2
2 1 1
2 1 2 1
+
+
= + =
x X G
x X G
x x X G
x x X G
x x F x x X F
(5.1)
Na figura 5.1 mostram-se as curvas de nvel, para a funo objetivo e as referentes
s funes de restrio.

Figura 5.1. Curvas de nvel para o problema Planejamento da Produo.


5.1.1.1 Soluo do problema Planejamento da Produo

Figura 5.2. Soluo do problema Planejamento da Produo. a) Vrtices. b) Gentico
Tabela 5.1. Soluo do problema Planejamento da Produo.*
Mtodo Referncia Simplex Vrtices MBA MOGA
x
1
1 1 1 1 1
x
2
9 9 9 9 9
F -13 -13 -13 -13 -13
Tempo (ms) 78 609 485 938
5.1.2 Problema de Designao (Designacao..txt)
Uma indstria possui 3 funcionrios (a,b,c) e 3 mquinas (A,B,C). Cada funcionrio
possui uma taxa de desperdcio de matria prima em cada uma das mquinas, mostradas
na tabela 5.2. Cada funcionrio deve trabalhar em uma nica mquina, e todas as mquinas
devem ser usadas. Determine qual funcionrio deve trabalhar em cada mquina para
minimizar o desperdcio de matria prima.
Tabela 5.2. Taxas de desperdcio de cada funcionrio em cada uma das mquinas.
Mquina A Mquina B Mquina C
Funcionrio a 0.3% 3.3% 8.7%
Funcionrio b 4.0% 5.7% 2.5%
Funcionrio c 1.2% 2.1% 4.4%
A formulao clssica do problema de designao apresentada na figura 5.3.
importante observar que a caracterstica mais importante desse tipo de problema o fato de
que as variveis so discretas e binrias, sendo portanto apropriado o uso do Algoritmo
Gentico e do mtodo Simplex.


Figura 5.3. Formulao do problema de Designao.
5.1.2.1 Soluo do problema de Designao
Tabela 5.3. Soluo do problema de Designao.*
x
1
1 1 1
x
2
0 0 0
x
3
0 0 0
x
4
0 0 0
x
5
0 0 0
x
6
1 1 1
x
7
0 0 0
x
8
1 1 1
x
9
0 0 0
F 4.9 4.9 4.9
Tempo (ms) 93 344
Interpretao: O funcionrio a trabalhar na mquina A, o funcionrio b trabalhar na
mquina C e o funcionrio c trabalhar na mquina B.
5.2 Otimizao mono-objetiva
Nesta seo sero apresentados 3 problemas de otimizao mono-objetivo que
serviro para validar o ambiente desenvolvido. Os problemas apresentados foram
originalmente propostos por Augusto (1996) e so inspirados em problemas de engenharia.
5.2.1 Problema Rosenbrock (Rosenbrock.txt)
Conhecido como problema de Rosenbrock (1960), deseja-se encontrar o mnimo da
funo sujeito a quatro restries. Trata-se de um problema puramente matemtico,
envolvendo no linearidade, tanto na funo objetivo, quanto nas funes de restrio.


0 : ) (
0 : ) (
0 1 : ) (
0 * 16 . 0 : ) (
) 1 ( ) ( ) ( min
2 4
1 3
2
2
2
1 2
2 1 1
2
1
2
2
2
1

+ =
x X G
x X G
x x X G
x x X G
x x x X F
(5.2)
Na figura 5.4 mostram-se as curvas de nvel, para a funo objetivo e as referentes
s funes de restrio.

Figura 5.4. Curvas de nvel para o problema Rosenbrock.
5.2.1.1 Soluo do problema Rosenbrock

Figura 5.5. Soluo do problema Rosenbrock. a) Vrtices. b) Gentico


Tabela 5.4. Soluo do problema Rosenbrock.*
x
1
0.664 0.656 0.663 0.661
x
2
0.241 0.244 0.241 0.242
F 0.153 0.153 0.153 0.153
Tempo (ms) 360 1215 1604
5.2.2 Tampa de Escotilha (Tampa Escotilha.txt)
Objetivando o mnimo peso, deseja-se obter as dimenses h e t
b
, mostradas na
figura 5.6, para a tampa de escotilha de poro de carga de uma embarcao. A largura da
escotilha l
0
= 6.0 m, e a tampa formada por segmentos de viga caixo, fabricada em
alumnio (mdulo de elasticidade E = 70 KN/mm
2
, tenso de escoamento,
e
= 70 N/mm
2
,
coeficiente de Poisson, = 0.3) e largura de segmento de b = 600 mm. A presso, a ser
suportada pela escotilha, de p = 10 KN/m
2
. Devem ser verificadas as restries, a seguir,
mencionadas.

Figura 5.6. Ilustrao do problema Tampa de Escotilha.


Na figura 5.7 mostram-se as curvas de nvel para a funo objetivo e as referentes s
funes de restrio.

Figura 5.7. Curvas de nvel para o problema Tampa de Escotilha.
5.2.2.1 Soluo do problema Tampa de Escotilha

Figura 5.8. Soluo do problema Tampa de Escotilha. a) Vrtices. b) Gentico
Tabela 5.5. Soluo do problema Tampa de Escotilha.*
x
1
323.89 328.45 323.81 324.35
x
2
2.93 2.91 2.93 2.93
F 6575 6781.05 6756.95 6759.50
Tempo (ms) 1219 766 7687


5.2.3 Grelha Simples (Grelha Simples.txt)
Deseja-se projetar a grelha da figura 5.9, definindo-se, como variveis de projeto
apenas as reas das sees transversais das vigas que a compem. Para tanto, utiliza-se
uma relao emprica entre a inrcia flexo e mdulo de resistncia em funo da rea do
perfil. A funo objetivo o volume total das duas vigas.

Figura 5.9. Ilustrao do problema Grelha Simples.
Na figura 5.10 mostram-se as curvas de nvel para a funo de mrito e as referentes
s funes de restrio. Pode-se observar que o problema apresenta um mnimo global e
dois mnimos locais que ficam evidenciados pelas concentraes de indivduos aps a
otimizao utilizando o algoritmo gentico.


Figura 5.10. Curvas de nvel para o problema Grelha Simples.
5.2.3.1 Soluo do problema Grelha Simples

Figura 5.11. Soluo do problema Grelha Simples. a) Vrtices. b) Gentico
Tabela 5.6. Soluo do problema Grelha Simples.*
x
1
23.50 26.26 26.26 26.27
x
2
6.32 6.22 6.22 6.23
F 3108 3372.96 3372.93 3374.60
Tempo (ms) 969 735 6766


5.3 Interpolao de grficos e diagramas
Ao tentar automatizar a anlise para otimizar o projeto de navios pesqueiros, Ugarte
(2007) utilizou referncias com bastante aderncia ao tipo de navio que estudava. Porm, os
coeficientes para a estimativa da estabilidade e da cavitao no propulsor eram descritos na
forma de grficos e diagramas, exemplificados na figura 5.12. Para contornar este problema,
Ugarte recorreu ao ambiente desenvolvido nesta pesquisa e conseguiu obter expresses
neurais com perfeita aderncia ao problema real e que mais tarde foram incorporadas ao
algoritmo de otimizao, permitindo a concluso de seu estudo.

Figura 5.12. Diagrama de cavitao simples de Burril.
A superfcie representada por rede neural treinada por Ugarte pode ser vista na
figura 5.13a, bem como o erro associado aos pontos analisados (na figura 5.13b).

Figura 5.13. A superfcie neural para o diagrama de cavitao de Burril, apud Ugarte.


5.4 Otimizao com anlises numricas
Nesta seo sero apresentados 3 exemplos de otimizaes estruturais simples,
cujas as avaliaes utilizam o Mtodo dos Elementos Finitos. Os problemas sero
resolvidos com e sem o uso de superfcies de resposta, a fim de verificar a eficincia de tal
tcnica.
5.4.1 Viga em balano (Viga em Balanco.txt)
Para exemplificar o efeito do uso das superfcies de resposta neurais na otimizao
de problemas de engenharia dependentes de anlises numricas, optou-se pelo mais
simples dos problemas estruturais: o projeto de uma viga em balano.
Uma viga de seo I, cujas dimenses so representadas na figura 5.14, est
engastada em uma das extremidades, tendo na extremidade livre uma carga concentrada
aplicada verticalmente no plano de simetria. Deseja-se minimizar a massa da viga limitando-
se a mxima tenso atuante e o mximo deslocamento da extremidade livre.

Figura 5.14. Representao do problema Viga em balano.
Tabela 5.7. Variveis e constantes do problema Viga em balano.
Varivel Mnimo (m) Mximo (m) Resoluo (m)
Altura da alma da Viga 0.200 1.000 0.001
Largura do Flange da Viga 0.200 0.800 0.001
Espessura da Viga 0.006 0.040 0.001

Constantes Valor
Comprimento da Viga 100 m
Mxima tenso admissvel do material 270 MPa
Mximo deslocamento da extremidade livre 100 mm
Coeficiente de Poisson do material 0.3
Carga vertical no extremo livre da viga 1 N
O problema foi parametrizado para ser resolvido com o Mtodo dos Elementos
Finitos, utilizando-se o programa Ansys. A macro parametrizada mostrada no apndice A.


5.4.1.1 Soluo do problema Viga I

Figura 5.15. Soluo do problema Viga em balano.

Figura 5.16. Distribuio da tenso mxima na soluo final.


Tabela 5.8. Soluo do problema Viga em Balano.*
Analtico sem Superfcie de Resposta Analtico com Superfcie de Resposta
Vrtices MBA MOGA Vrtices MBA MOGA
x
1
0.256 0.258 0.257 0.258 0.258 0.259
x
2
0.2 0.2 0.2 0.2 0.2 0.2
x
3
0.006 0.006 0.006 0.006 0.006 0.006
rea da Seo 0.004 0.004 0.004 0.004 0.004 0.004
Tempo (ms) 344 2533 6828 66906 127953 103406

Elementos Finitos sem Superfcie de Resposta Elementos Finitos com Superfcie de Resposta
Vrtices MBA MOGA Vrtices MBA MOGA
x
1
0.258 0.258 0.258 0.258 0.258 0.258
x
2
0.2 0.2 0.2 0.2 0.2 0.2
x
3
0.006 0.006 0.006 0.006 0.006 0.006
rea da Seo 0.004 0.004 0.004 0.004 0.004 0.004
Tempo (ms) 2555766 18500000 21600000 68219 158797 141031
5.4.2 Grelha (Grelha-FEM.txt)
O projeto de grelhas e painis reforados representa a base de grande parte dos
projetos estruturais. Normalmente esse tipo de projeto feito de forma conservadora,
utilizando modelos de chapa e viga, e desacoplando os elementos longitudinais e
transversais. Neste exemplo busca-se otimizar a grelha ortogonal composta por 2 vigas de
seo I descrita na figura 5.17, de maneira similar a realizada no item 5.2.3.
O problema possui 6 variveis (3 para cada uma das vigas) e deseja-se minimizar a
massa da estrutura sujeita a mxima tenso admissvel do material.

Figura 5.17. Representao do problema Grelha ortogonal com vigas de seo I.
Tabela 5.9. Variveis e constantes do problema Grelha ortogonal.
Varivel Mnimo (m) Mximo (m) Resoluo (m)
Altura da alma da Viga 1 0.200 1.000 0.001
Largura do Flange da Viga 1 0.200 0.800 0.001
Espessura da Viga 1 0.006 0.040 0.001


Altura da alma da Viga 2 0.200 1.000 0.001
Largura do Flange da Viga 2 0.200 0.800 0.001
Espessura da Viga 2 0.006 0.040 0.001

Constantes Resoluo
Comprimento da Viga 1 100 m
Comprimento da Viga 2 100 m
Mxima tenso admissvel do material 270 MPa
Presso sobre a grelha 5 Pa
5.4.2.1 Soluo do problema Grelha

Figura 5.18. Soluo do problema Grelha.
Tabela 5.10. Soluo do problema Grelha.*

Superfcie de Resposta
x
1
0.635 0.664
x
2
0.200 0.200
x
3
0.006 0.006
x
4
0.200 0.200
x
5
0.200 0.200
x
6
0.006 0.006
rea da Seo Viga I +rea da Seo Viga II 0.00981 0.00998
Tempo (ms) 21474484 21500


Figura 5.19. Estrutura deformada na configurao otimizada do problema Grelha.
5.4.3 Vaso de Presso (VasoPressao.txt)
O vaso de presso mostrado na figura 5.20 feito de ferro fundido (mdulo de
elasticidade E = 14.5 Msi, tenso de escoamento,
e
= 20 ksi, coeficiente de Poisson, =
0.3) e contm uma presso interna p = 1700 psi. O vaso cilndrico tem o dimetro interno de
8 in com calotas esfricas em ambas as extremidades. Alm disso existem 2 ranhuras com
raio de 1/8 in ao longo da superfcie interna e uma ranhura central de 2 in de largura por
0.25 in de profundidade ao longo da superfcie externa.

Figura 5.20. Representao do problema Vaso de Presso.


5.4.3.1 Soluo do problema Vaso de Presso

Figura 5.21. Soluo do problema Vaso de Presso.

Figura 5.22. Distribuio da tenso mxima na soluo otimizada.


Figura 5.23. Distribuio da tenso mxima ao logo de uma seo otimizada do vaso.
Tabela 5.11. Soluo do problema Vaso de Presso.*

x
1
0.255 0.269
x
2
0.619 0.616
rea da Seo Viga I +rea da Seo Viga II 12.354 12.484
Tempo (ms) 2309969 40563
5.5 Otimizao multiobjetivo
Nesta seo sero apresentados 3 problemas de otimizao multiobjetivo. Os dois
primeiros problemas so aplicaes matemticas do conceito de otimizao multiobjetivo,
enquanto o ltimo problema mostra a aplicao da otimizao multiobjetivo ao projeto de
uma viga de ao.
5.5.1 Multiobjetivo Simples (Multiobjetivo Simples.txt)
Um problema bastante simples e largamente utilizado para testar otimizadores multi-
objetivos o problema f2 formulado por Schaffer (1984). O problema consiste na
minimizao simultnea de duas funes objetivo. Embora seja um problema fcil para um
algoritmo evolucionrio, ele comumente resolvido pela maioria dos autores como um ponto


inicial de referncia, principalmente para a investigao da distribuio da populao ao
longo da Fronteira de Pareto. O problema definido pelas seguintes funes:

2
2
2
1
) 2 ( =
=
x f
x f
(5.3)
Na figura 5.24 mostram-se as curvas de nvel, para ambas as funes objetivo.

Figura 5.24. Representao grfica do problema Multiobjetivo Simples.
5.5.1.1 Soluo do problema Multiobjetivo Simples

Figura 5.25. Soluo do problema Multiobjetivo Simples.


Tabela 5.12. Soluo do problema Multiobjetivo Simples.
X F
1
F
2
X F
1
F
2

0.05 0.00 3.80 1.38 1.90 0.38
0.20 0.04 3.24 1.54 2.37 0.21
0.36 0.13 2.69 1.58 2.50 0.18
0.60 0.36 1.96 1.66 2.76 0.12
0.79 0.62 1.46 1.72 2.96 0.08
0.91 0.83 1.19 1.80 3.24 0.04
1.00 1.00 1.00 1.85 3.42 0.02
1.09 1.19 0.83 1.89 3.57 0.01
1.19 1.42 0.66 1.93 3.72 0.00
1.27 1.61 0.53 1.99 3.96 0.00
5.5.2 Multiobjetivo Complexo (Multiobjetivo Complexo.txt)
O problema proposto originalmente por Kalyanmoy (1999) e estudado por muitos
outros pesquisadores, como por exemplo Rabeau (2005), prope a otimizao de duas
funes matemticas descritas na equao 5.4.

1
4 . 0
6 . 0
004 . 0
) 2 . 0 (
2
1 1
2
2
2
2
* 8 . 0 2
x
e e
f
x f
x X

=
=
(5.4)
A singularidade presente na funo f
2
o principal desafio deste problema, como
pode ser visto na figura 5.26.

Figura 5.26. Representao da funo f
2
(X) supondo x
1
constante. Kalyanmoy (1999).


5.5.2.1 Soluo do problema Multiobjetivo Complexo

Figura 5.27. Soluo do problema Multiobjetivo Complexo.
Tabela 5.13. Soluo do problema Multiobjetivo Complexo.
X
1
X
2
F
1
F
2
X
1
X
2
F
1
F
2

0.11 0.55 0.11 11.02 0.65 0.20 0.65 1.09
0.16 0.20 0.16 4.41 0.43 0.20 0.43 1.64
0.98 0.20 0.98 0.72 0.31 0.20 0.31 2.28
0.82 0.20 0.82 0.86 0.72 0.20 0.72 0.98
0.10 0.60 0.10 12.00 0.13 0.66 0.13 9.37
0.26 0.20 0.26 2.71
5.5.3 Viga I (VigaI.txt)
O objetivo do problema originalmente proposto por Castro (2001) determinar o
conjunto timo de Pareto decorrente da otimizao multiobjetivo da viga em seo I
apresentada na figura 28. As propriedades da viga e os valores das cargas so:
E = 2 x 104 kN/cm2 (mdulo de Young).
kg = 16 kN/cm2 (tenso de projeto da viga).
P = 600 kN (carga vertical em L/2).
Q = 50 kN (carga horizontal em L/2).
O vetor das variveis de projeto so as dimenses da viga apresentadas em
centmetros, conforme mostrado na figura 5.28. O objetivo minimizar a rea da seo
transversal (equao 5.5) e o deslocamento esttico mximo em L/2 (equao 5.6), sujeita a
restrio de tenso (equao 5.7).


Figura 5.28. Ilustrao do problema Viga I.
) 2 ( 2 ) (
4 1 3 4 2 1
x x x x x X f + = (5.5)

[ ] ) 2 ( 3 4 2 ) 2 (
60000
) (
4 1 1
2
4 4 2
3
4 1 3
2
x x x x x x x x x
X f
+ +
= (5.6)

[ ]
0
2 ) 2 (
15000
) 2 ( 3 4 2 ) 2 (
180000
16 : ) (
3
2 4
3
3 4 1 4 1 1
2
4 4 2
3
4 1 3
1

+
+ +
x x x x x x x x x x x x x x
X G (5.7)
O desenvolvimento completo das equaes do problema, considerando o
carregamento bi-axial, pode ser visto em Castro (2001).
5.5.3.1 Soluo do problema Viga I

Figura 5.29. Soluo do problema Viga I.


Fronteira de Pareto
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.00 100.00 200.00 300.00 400.00 500.00 600.00 700.00 800.00
f1(X)
f
2
(
x
)
Encontrada Ref erncia

Figura 5.30. Comparao entre a soluo obtida e soluo de referncia.
Tabela 5.14. Soluo do problema Viga I.
x
1
x
2
x
3
x
4
F
1
F
2
x
1
x
2
x
3
x
4
F
1
F
2

78.84 38.86 0.90 2.63 270.63 0.02 79.93 49.22 0.90 3.34 394.71 0.01
71.18 49.21 0.90 1.08 168.41 0.03 79.93 14.21 0.90 4.90 202.38 0.02
71.18 42.96 0.90 1.11 157.44 0.04 79.93 19.16 0.90 4.89 250.52 0.02
79.90 39.21 0.90 2.39 255.03 0.02 78.84 46.37 0.90 1.09 170.08 0.03
79.93 44.22 2.95 4.71 624.56 0.01 77.71 34.17 0.90 1.62 177.73 0.03
77.74 42.96 0.90 3.67 378.69 0.01 79.93 29.17 0.90 4.17 307.71 0.01
77.74 39.20 0.91 1.81 209.35 0.02 79.93 33.86 0.90 4.69 381.10 0.01
75.56 46.71 0.90 4.69 497.70 0.01 78.81 46.70 0.91 4.12 449.03 0.01
79.93 31.99 0.90 1.80 183.86 0.02 79.93 41.37 2.95 4.69 596.17 0.01
79.93 41.71 0.90 2.63 286.60 0.01 77.74 36.37 0.90 4.17 365.79 0.01
79.90 49.21 2.95 4.70 670.55 0.01 77.74 37.33 0.90 1.55 182.90 0.03
76.65 29.84 0.90 4.94 354.91 0.01 77.74 19.21 0.90 4.24 225.23 0.02
77.74 46.37 2.95 4.94 658.32 0.01 71.18 46.36 0.90 1.10 164.07 0.03
79.93 42.92 0.90 3.92 401.37 0.01 76.62 26.39 0.90 3.42 243.31 0.02
79.93 49.17 0.90 1.87 252.47 0.02 62.24 38.66 0.91 0.97 129.87 0.06
71.18 32.33 0.90 1.11 133.84 0.04
5.6 Otimizao multidisciplinar
Nesta seo sero apresentados 4 problemas multidisciplinares. Os dois primeiros
problemas so aplicaes matemticas do conceito de otimizao multidisciplinar, enquanto
os dois ltimos problemas mostram a aplicao da otimizao multidisciplinar ao projeto de
uma viga de ao e de um redutor de automvel.


5.6.1 Multidisciplinar Simples (Multidisciplinar Simples.txt)
Um problema bastante simples e largamente utilizado para testar otimizadores multi-
objetivos o problema f2 formulado por Schaffer (1984). Esse problema foi resolvido no
item 5.5.1 deste relatrio com o emprego de uma abordagem multiobjetivo. Nesta seo o
mesmo problema ser resolvido utilizando uma abordagem multidisciplinar. O problema
pode ser formulado modificando-se a equao 5.3 para uma abordagem multidisciplinar.

2
1 , 2
2
1 , 1
) 2 (
2
1
=
=
c
c
x f
Disciplina
x f
Disciplina
(5.8)
A topologia do problema f2 formulado de forma multidisciplinar mostrada na figura
5.31.

Figura 5.31. Topologia do problema Multidisciplinar Simples.
5.6.1.1 Soluo do problema Multidisciplinar Simples

Figura 5.32. Soluo do problema Multidisciplinar Simples.


Tabela 5.15. Soluo do problema Multidisciplinar Simples.
Acoplado Disciplina I Disciplina II
X
c
Xc
1,1
f
1,1
Xc
2,1
f
2,1

0.87 0.86 0.74 0.88 1.25
1.77 1.76 3.10 1.78 0.05
0.66 0.65 0.42 0.67 1.77
1.25 1.24 1.54 1.26 0.55
1.69 1.68 2.82 1.70 0.09
0.23 0.22 0.05 0.24 3.10
1.57 1.56 2.43 1.58 0.18
1.86 1.85 3.42 1.87 0.02
1.37 1.36 1.85 1.38 0.38
1.98 1.97 3.88 1.99 0.00
1.96 1.95 3.80 1.97 0.00
1.72 1.71 2.92 1.73 0.07
1.10 1.09 1.19 1.11 0.79
0.03 0.02 0.00 0.04 3.84
2.01 2.00 4.00 2.00 0.00
Fronteira de Pareto
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2 2.5 3 3.5 4
f1(X)
f
2
(
X
)
Abordagem Multiobjetivo Abordagem Multidisciplinar

Figura 5.33. Comparao entre a abordagem Multiobjetivo e Multidisciplinar.
5.6.2 Multidisciplinar Acoplado (Multidisciplinar Acoplado.txt)
Grande parte das estratgias de otimizao multidisciplinar possuem a limitao de
no resolver problemas com acoplamento forte. O problema proposto a seguir tem como
caracterstica principal justamente a existncia de acoplamentos fortes.
Deseja minimizar as funes objetivo f
1
= f
1
(x
1
,f
2
) e f
2
= f
2
(x
2
,f
1
) como mostrado na
equao 5.9.


1 , 1 2 , 2 2
1 , 2 2 , 1 1
2
2 , 2
2
1 , 2 1 , 2
2
2 , 1
2
1 , 1 1 , 1
:
:
) 8 ( ) 8 (
2
) 2 ( ) 2 (
1
f x A
f x A
os Acoplament
x x f
Disciplina
x x f
Disciplina
=
=
+ =
+ =
(5.9)
A topologia do problema Multidisciplinar Acoplado formulado de forma multidisciplinar
mostrada na figura 5.34.

Figura 5.34. Topologia do problema Multidisciplinar Acoplado.
5.6.2.1 Soluo do problema Multidisciplinar Acoplado

Figura 5.35. Soluo do problema Multidisciplinar Acoplado.
5.6.3 Mltiplas Funes Objetivo (4Variaveis4Funcoes.txt)
Este problema foi proposto originalmente em Rabeau (2006) para avaliar o algoritmo
COSMOS por ele formulado.


( ) ( )
( ) ( )
( ) ( )
( ) ( )
[ ] [ ] [ ] [ ] [ ] 10 ; 0 ; 20 ; 0 ; 20 ; 0 ; 20 ; 0 ; 20 ; 0
9 5
5 3
2
7 3
3 1
1
2 , 2 1 , 2 2 , 1 1 , 1
2 2
2 , 2 2 , 2
2 2
1 , 2 1 , 2
2 2
2 , 1 2 , 1
2 2
1 , 1 1 , 1

+ =
+ =
+ =
+ =
c
c
c
c
c
x x x x x
x x f
x x f
Disciplina
x x f
x x f
Disciplina
(5.10)
A topologia do problema Mltiplas Funes Objetivo formulado de forma
multidisciplinar mostrada na figura 5.36.

Figura 5.36. Topologia do problema Mltiplas Funes Objetivo
5.6.3.1 Soluo do problema Mltiplas Funes Objetivo
5 ; 3 ; 3 ; 1
2 , 2 1 , 2 2 , 1 1 , 1
= = = = x x x x

Figura 5.37. Soluo do problema Mltiplas Funes Objetivo


Tabela 5.16. Soluo do problema Mltiplas Funes Objetivo.
Acoplado Disciplina 1 Disciplina 2
N x
c
x
c
x
1
x
2
f
1
f
2
x
c
x
1
x
2
f
1
f
2

1 3.05 3.06 1.25 3 0.07 15.52 3.06 3 5 3.76 35.28
2 5.80 5.80 1 3.13 7.84 1.46 5.79 3 5.16 0.62 10.33
3 3.32 3.31 1 3.14 0.10 13.64 3.33 3 5 2.79 32.15
4 7.83 7.82 1 3 23.23 0.67 7.82 3 5.08 7.95 1.40
5 2.94 2.95 1 3 0.00 16.40 2.95 3 5 4.20 36.60
6 4.74 4.75 0.94 3 3.07 5.06 4.75 3 5 0.06 18.06
7 4.33 4.32 1 2.97 1.74 7.18 4.34 3 5 0.44 21.72
8 4.37 4.38 0.94 3 1.91 6.86 4.38 3 5 0.38 21.34
9 3.61 3.62 1.56 3 0.70 11.42 3.62 3 5 1.90 28.94
10 8.73 8.72 1 3 32.72 2.96 8.72 2.77 5 13.89 0.08
11 3.12 3.13 1.25 3 0.08 14.98 3.13 3 5 3.50 34.46
12 5.64 5.63 1 2.81 6.92 1.91 5.63 3 5.25 0.40 11.42
13 3.22 3.23 0.79 3 0.10 14.21 3.23 3 5 3.13 33.29
14 3.45 3.46 1 2.82 0.21 12.56 3.46 3 5 2.37 30.69
15 6.65 6.64 1 2.97 13.25 0.13 6.64 3 5 2.69 5.57
interessante observar que a soluo apresentada por Rabeau define que a
Fronteira de Pareto dada por ] 7 ; 5 [
c
X quando na verdade ] 9 ; 3 [
c
X , fato
facilmente verificvel uma vez que a soluo 3 =
c
X ou 9 =
c
X no dominada por
nenhuma soluo com ] 7 ; 5 [
c
X .
5.7 Redutor de Velocidade (Redutor.txt)
Nesta seo ser apresentado um exemplo de aplicao do mtodo de otimizao
multidisciplinar baseado em valores de acoplamento. O problema analisado em Rabeau
(2006) consiste na otimizao de um redutor de velocidade mono estgio e foi proposto
originalmente em Golinski (1970). Este mesmo problema foi formulado pela primeira vez de
maneira multidisciplinar em Gunawan (2003).
O objetivo minimizar o volume e a constante elstica de cada rvore respeitando as
restries mecnicas do redutor. Uma representao tridimensional do redutor de
velocidade mostrada da figura 5.38, juntamente com as variveis de projeto descritas na
tabela 5.17.
A proposio de Gunawan foi separar a formulao de cada rvore em uma
disciplina mantendo a formulao dos dentes como o vinculo no problema multidisciplinar.


Figura 5.38. Representao tridimensional do Redutor
Tabela 5.17. Variveis do problema Redutor como formulado por Golinski.*
Varivel Mnimo Mximo Resoluo
x
1
: espaamento entre dentes da engrenagem 2.6 3.6 0.1
x
2
: mdulo dos dentes da engrenagem 0.7 0.8 0.01
x
3
: nmero de dentes da engrenagemmenor 17 28 1
x
4
: espaamento entre rolamentos da rvore menor 7.3 8.3 0.1
x
5
: espaamento entre rolamentos da rvore maior 7.3 8.3 0.1
x
6
: dimetro da rvore menor 2.9 3.9 0.1
x
7
: dimetro da rvore maior 5.0 5.5 0.1
* A varivel x
3
uma varivel natural e portanto deve ser tratada obrigatoriamente com resoluo 1.
A correlao entre as variveis propostas por Golinski e as variveis da formulao
multidisciplinar de Gunawan mostrada na tabela 5.18.
Tabela 5.18. Variveis do problema Redutor como formulado por Gunawan.
Varivel Disciplina Denominao
x
1
: espaamento entre dentes da engrenagem 1,2 x
c,1
x
2
: mdulo dos dentes da engrenagem 1,2 x
c,2

x
3
: nmero de dentes da engrenagemmenor 1,2 x
c,3

x
4
: espaamento entre rolamentos da rvore menor 1 x
1,1

x
5
: espaamento entre rolamentos da rvore maior 2 x
2,1

x
6
: dimetro da rvore menor 1 x
1,2

x
7
: dimetro da rvore maior 2 x
2,2

Na equao 5.11 mostrado o sub-sistema para a disciplina 1, enquanto na equao
5.12 mostrado o sub-sistema para a disciplina 2. Por fim, na equao 5.13 so
apresentadas as restries globais do problema.
32

32
Existe uma divergncia entre a restrio g
s,2
apresentada por Rabeau e por Gunawan. Optou-se pela expresso
apresentada por Gunawan, mais coerente ao problema.


+
=
+ + =
0 1300 :
0 5 . 1 9 . 1 :
0
93 . 1
1
:
1 . 0
10 * 69 . 1 )
745
(
7854 . 0 508 . 1 ) 0934 . 43 933 . 14
3
10
( 7854 . 0
2 , 1 3 , 1
2 , 1 1 , 1 2 , 1
4
2 , 1 3 2
3
1 , 1
1 , 1
2
2 , 1
7 2
3 2
2
1 , 1
2 , 1
2
2 , 1 1 , 1
2
2 , 1 1 3
2
3 2
2 1 1 , 1
f g
x x g
x x x
x
g
x
x x
x
f
x x x x x
x
x x f
c c
c c
c c
c
c c
(5.11)

+

+
=
+ + =
0 1100 :
0 1 . 1 9 . 1 :
0
93 . 1
1
:
1 . 0
10 * 575 . 1 )
745
(
7854 . 0 477 . 7 508 . 1
2 , 2 3 , 2
2 , 2 1 , 2 2 , 2
4
2 , 2 3 2
3
1 , 2
1 , 2
3
2 , 2
8 2
3 2
1 , 2
2 , 2
2
2 , 2 1 , 2
3
2 , 2
2
2 , 2 1 1 , 2
f g
x x g
x x x
x
g
x
x x
x
f
x x x x x f
c c
c c
c
(5.12)

0 1100 :
0 12 :
0 40 :
0
5 . 397
1 1
:
0
27
1 1
:
2 , 2 5 ,
2
1
4 ,
3 2 3 ,
2
3
2
2 1
2 ,
3
2
2 1
1 ,
f g
x
x
g
x x g
x x x
g
x x x
g
s
c
c
s
c c s
c c c
s
c c c
s
(5.13)
O acoplamento do problema dado unicamente pelo vetor de variveis comuns,
conforme mostrado na figura 5.39.


Figura 5.39. Topologia do problema Redutor
5.7.1.1 Soluo do problema Redutor
Tabela 5.19. Soluo do problema Redutor.
Acoplado Disciplina 1 Disciplina 2
N x
c1
x
c2
x
c3
x
c1
x
c2
x
c3
x
1
x
2
f
1
f
2
x
c1
x
c2
x
c3
x
1
x
2
f
1
f
2

1 2.82 0.75 23.23 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 2.9 0.76 23.3 7.4 5.0 970.6 1020.8
2 2.70 0.79 25.36 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 2.8 0.80 25.5 7.6 5.1 1037.3 959.4
3 2.69 0.80 20.44 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 2.8 0.80 20.5 8.0 5.5 1306.3 774.3
4 3.47 0.71 17.94 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.6 0.72 18.0 7.6 5.1 1005.9 978.6
5 3.46 0.77 20.79 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.5 0.78 20.9 7.7 5.2 1072.1 913.1
6 3.44 0.77 19.71 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.5 0.78 19.8 7.9 5.4 1204.4 819.6
7 3.29 0.75 18.24 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.4 0.76 18.3 7.8 5.3 1141.2 870.9
8 2.80 0.78 21.93 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 2.9 0.79 22.0 7.8 5.3 1162.4 861.0
9 3.24 0.79 25.18 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.3 0.80 25.3 7.6 5.1 1017.7 959.6
10 3.47 0.72 19.17 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.6 0.73 19.3 7.8 5.3 1132.7 870.2
11 2.91 0.74 20.10 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.0 0.75 20.2 7.9 5.4 1226.4 820.5
12 3.51 0.74 22.19 2.7 0.79 20.3 7.6 3.8 2189.5 3399.7 3.6 0.75 22.3 7.8 5.3 1132.7 862.4
13 2.81 0.79 25.95 2.9 0.80 26.0 7.6 3.8 3810.9 3187.1 2.9 0.80 26.0 8.0 5.5 1301.8 766.8
14 2.62 0.78 20.22 2.9 0.80 26.0 7.6 3.8 3810.9 3187.1 2.7 0.79 20.3 7.8 5.3 1170.9 864.1
15 3.51 0.76 26.38 2.9 0.80 26.0 7.6 3.8 3810.9 3187.1 3.6 0.77 26.5 7.9 5.4 1200.0 810.0
5.8 Projeto do hidroflio de uma embarcao catamar
33

O problema consiste no projeto do hidroflio de uma embarcao do tipo catamar.
Este projeto um importante objeto de estudo, pois est inserido no moderno contexto de
otimizao multidisciplinar, bem como no conceito de projeto e processamento distribudo,
apresentados neste trabalho.

33
O desenvolvimento desse exemplo foi apresentado no 12
o
International Congress of the International Maritime
Association of the Mediterranean (IMAM 2007), Varna, Bulgaria, 2-6 September, 2007 e, a seguir, convidado para ser
publicado Journal of Engineering for the Maritime Environment, Vol. 222 Part M, pp 91-104.


Em 2005 a Universidade de So Paulo (Brasil) e a Ecole Centrale de Nantes
(Frana) desenvolveram uma pesquisa sobre o projeto desse tipo de embarcao, e parte
dos resultados obtidos pode ser vista em Dreyer (2005).
Existem diversas opes para melhorar a velocidade de uma embarcao: reduo
de peso, aprimoramento hidrodinmico, planeio, melhorias na propulso, etc. A utilizao de
hidroflios uma maneira eficiente de melhorar a velocidade, pois reduz consideravelmente
o arrasto. Por essa razo, a cada dia, mais e mais barcos de alta velocidade so
construdos utilizando hidroflios.
Um catamar uma embarcao construda sobre dois cascos finos separados
transversalmente. Graas a essa configurao, o catamar pode alcanar boas velocidades,
pois os cascos so finos e a relao comprimento por boca (de cada um) excelente. Outra
vantagem o conforto, pois a grande largura da superestrutura permite a instalao de
cabines confortveis. Uma representao de um catamar com hidroflios mostrada na
figura 5.40.

Figura 5.40. Layout bsico de um catamar com hidroflios. Dreyer (2005).
A composio do catamar com dois cascos assegura grande estabilidade
transversal quando este se desloca com os cascos submersos na gua. Porm, uma vez
que a embarcao alcance uma velocidade especifica, o catamar entra no regime de
planeio, onde a sustentao dos hidroflios suspende os cascos para fora da gua,
minimizando consideravelmente o arrasto.


Durante o regime de planeio, os cascos da embarcao no tocam a gua e,
portanto, no interferem na performance do catamar. Por essa razo, as caractersticas
dos cascos so importantes apenas para garantirem que a embarcao possa atingir o
regime de planeio, fazendo desta uma das restries mais importante do problema.
5.8.1 Descrio do problema multidisciplinar
Assim como o projeto de outros sistemas complexos, o catamar pode ser dividido
em diversos subsistemas, sendo excelente para o desenvolvimento em ambiente distribudo.
O objetivo otimizar o projeto para alcanar a maior velocidade mdia ao longo de
uma rota predeterminada. O fluxograma do processo de projeto mostrada na figura 5.41.

Figura 5.41. Fluxograma do processo de projeto. Dreyer (2005).
O problema que esta no uma otimizao simples, pois existem aspectos
hidrodinmicos e aspectos estruturais, cada qual com seus prprios objetivos e restries,
que podem ser conflitantes.
A abordagem proposta para o problema separar o projeto em dois subsistemas,
que, em geral, so desenvolvidos por equipes especializadas. O acoplamento entre as
disciplinas representado pelas funes de acoplamento y
i,j
e pelo vetor de variveis
comuns X
c
. Essa diviso do problema mostrada na figura 5.42.


Figura 5.42. As duas disciplinas envolvidas no projeto e o acoplamento entre elas.
O modelo matemtico completo do problema no assunto para este trabalho,
porm pode ser visto em Dreyer (2005).
5.8.1.1 O acoplamento entre o problema estrutural e hidrodinmico
O projeto do hidroflio do catamar normalmente envolve um projeto estrutural e um
projeto hidrodinmico, ento as variveis de projeto devem maximizar os objetivos
estruturais e hidrodinmicos concomitantemente.
Normalmente o projeto deve minimizar a massa estrutural e aumentar a performance
da embarcao, alem de alcanar o regime de planeio sem comprometer a integridade
estrutural dos hidroflios.
As principais foras que atuam sobre a estrutura provm dos efeitos hidrodinmicos
de arrasto e sustentao, as quais so fortemente influenciadas pelo ngulo de ataque do
hidroflio em relao ao fluido.
A resistncia estrutural est diretamente associada deformao do hidroflio, que
por sua vez, influencia diretamente o ngulo de ataque deste com o fluido. Logo, a mudana
do projeto estrutural resulta em um ngulo de ataque diferente, o qual, por sua vez,
influencia o projeto hidrodinmico. Entretanto, a mudana no projeto hidrodinmico modifica
as foras hidrodinmicas responsveis pela deformao estrutural.
Portanto, existe um claro acoplamento entre o projeto estrutural e o projeto
hidrodinmico. Neste caso a faixa de possibilidades consideradas deve prever uma soluo
de compromisso que no necessariamente ser a melhor soluo para um dos critrios
especficos.


5.8.1.2 O problema hidrodinmico
Como proposto por Masuyana (1987), o hidroflio trabalha da mesma maneira que a
asa de um avio, com uma exceo: submerso em gua. Assim, os mesmos princpios
estabelecidos para aeronaves podem ser aplicados ao projeto de embarcaes dotadas de
hidroflios.
Uma embarcao dotada de hidroflios possui dois modos de operao: o modo
normal (com os cascos submersos) e o modo planeio (com os cascos completamente fora
da gua e os hidroflios submersos). A capacidade hidrodinmica para se manter fora da
gua depende, principalmente, do peso da embarcao e da forma dos hidroflios
(responsveis pela sustentao).
O comportamento hidrodinmico esperado para uma embarcao com hidroflios
pode ser visto na figura 5.43. Pode-se observar que para veculos de alta velocidade,
quando o casco deixa completamente a gua, a resistncia reduzida significativamente.
Entretanto, existe um pico de resistncia que deve ser superado, a partir do qual a
sustentao gerada pelos hidroflios eleva o casco da gua e a resistncia ao avano
diminui.

Figura 5.43. Hidrodinmica de uma embarcao com hidroflios. Adaptado de Molland (1996).


Este modelo de resistncia importante e deve ser considerado como uma restrio
do projeto hidrodinmico, pois caso o regime de planeio no seja alcanado, o processo de
otimizao deve buscar outras solues.
Utilizando o modelo proposto por Holtrop (1982) e a condio de equilbrio
(somatria de foras e momentos igual a zero), possvel calcular as foras de sustentao
e arrasto em funo da velocidade.
Algumas hipteses do modelo hidrodinmico:
as foras (peso, sustentao e empuxo) so aplicadas no centro de
gravidade da embarcao;
a embarcao atinge o regime de planeio sem angulo de trim ou roll;
a superfcie da gua calma e sem ondas;
os efeitos de cavitao e aerao nos hidroflios so ignorados.
Portanto, pode-se definir o problema hidrodinmico como a busca da maior
velocidade obtida em regime de planeio, uma vez assegurado que a embarcao consiga
atingir tal regime.
5.8.1.3 O problema estrutural
Como vistos anteriormente, os hidroflios so montados em estruturas sobre o
casco. O problema estrutural consiste na minimizao do peso desta estrutura respeitando o
limite de escoamento do material empregado.
Uma vez escolhido o tipo de seo do hidroflio, existem poucas variveis de projeto
a serem definidas, as quais so mostradas na figura 5.44.

Figura 5.44. Variveis de projeto para a seo do hidroflio.
No modo planeio essencial monitorar a deflexo dos hidroflios, que deve ser
sincronizada com o projeto hidrodinmico, para adaptar o clculo da fora de sustentao,
conforme discutido na seo 5.8.1.1.


A deflexo, mostrada na figura 5.45, pode exigir reforos para que a estrutura se
torne mais rgida. Evidentemente, esta soluo aumenta o peso da estrutura e ento a
embarcao ter mais dificuldades em atingir o regime de planeio.

Figura 5.45. Deflexo do hidroflio e distribuio das tenses de von Mises.
O modelo estrutural dividido em 4 partes: a viga horizontal de suporte, a regio de
transio, o hidroflio e, por fim, a barra de reforo transversal. Na figura 5.46 possvel
observar todas as regies e variveis do projeto estrutural.
A primeira regio possui uma das extremidades fixadas ao casco do catamar,
enquanto a outra, conectada ao hidroflio. Esta regio assumida como horizontal e todos
os deslocamentos e deformaes so calculados em relao a esta horizontal.
Em seguida, existe uma regio de transio, com um raio de curvatura r, entre a viga
horizontal e o hidroflio propriamente dito. Por fim, a barra de reforo transversal limita a
deflexo do hidroflio.
As vigas: horizontal, transversal e de transio possuem sees tubulares.


Figura 5.46. Variveis do projeto estrutural do hidroflio.
A integridade do hidroflio essencial para a embarcao, fazendo desta a mais
importante restrio do projeto estrutural, cuja modelagem considerou todas as hipteses
usuais da teoria de vigas.
5.8.1.4 Definio do carregamento
Como visto na figura 5.46, o modelo estrutural do hidroflio dividido em partes,
cada uma definida por dois ns. As foras hidrodinmicas (de sustentao e arrasto) so
calculadas para cada um dos ns
A fora de sustentao atua sempre perpendicularmente ao fluido e pode ser
decomposta em uma componente vertical, responsvel por elevar a embarcao at o
regime de planeio, e uma componente horizontal, anulada em virtude da simetria (bombordo
- estibordo) da embarcao. A decomposio das foras hidrodinmicas mostrada na
figura 5.47, A fora de arrasto perpendicular ao plano definido pelas componentes da
sustentao e no est representada na figura.
As foras hidrodinmicas que atuam em cada ponto do hidroflio podem ser
modeladas em funo do calado (no ponto considerado), do angulo de ataque em relao
ao fluido e da seo NACA utilizada.


Figura 5.47. Decomposio das foras hidrodinmicas.
5.8.2 As caractersticas da embarcao projetada
As dimenses do catamar projetado so apresentadas na tabela 5.20.
Tabela 5.20. Dimenses do catamar.*
Dimenso Valor
Comprimento entre perpendiculares (m) 6.430
Comprimento na linha da gua (m) 6.340
Boca mxima (m) 0.440
Boca na linha da gua (m) 0.370
Calado (m) 0.220
Pontal (m) 0.520
Superfcie molhada (m
2
) 3.053
Deslocamento (m
3
)** 0.220

L/B B/H Cb Cp Cm Cwp Cv
17.14 1.680 0.429 0.660 0.650 0.741 0.867
* Relativos a apenas um casco.
** A variao da massa resultante da otimizao estrutural menor do que a variao estatstica da massa da tripulao. Por
essa razo, neste caso, possvel considerar a massa como uma constante.
5.8.3 A abordagem racional do problema
Embora este problema possa ser resolvido utilizando-se as estratgias de otimizao
multidisciplinar discutidas na seo 2.1.11, o objetivo concentrar o estudo na aplicao do
ambiente de projeto distribudo e na utilizao de superfcies dinmicas de resposta, e para
uma melhor comparao com os resultados obtidos por Dreyer (2005), optou-se pela
abordagem racional utilizada naquela oportunidade.
O objetivo determinar o valor das variveis de projeto que, a um s tempo,
maximizem a velocidade da embarcao e minimizem a massa da estrutura, respeitando as
restries estruturais e hidrodinmicas.
Como discutido na seo 5.8.1.1, existe um claro acoplamento entre as disciplinas do
projeto. Entretanto, a massa da estrutura dada pela soma das massas do casco e do


hidroflio da embarcao. Logo, a otimizao estrutural do hidroflio modifica apenas uma
pequena parcela da massa total da embarcao, e, sabendo que essa modificao inferior
a variao estatstica da massa da tripulao, pode-se consider-la constante,
desacoplando parte do problema.
Assim, o problema se concentra apenas na deformao do hidroflio e na velocidade
alcanada pela embarcao, sendo possvel construir uma Fronteira de Pareto
determinando a velocidade mxima alcanada para cada valor de deformao do hidroflio.
Para cada ponto da Fronteira de Pareto, os valores das variveis estruturais so
determinados pelo processo de otimizao estrutural, fixando-se a deformao do hidroflio.
De maneira anloga, os valores das variveis hidrodinmicas so determinados pelo
processo de otimizao hidrodinmica, fixando-se o carregamento dinmico considerado.
34

5.8.4 Resultados da otimizao
O objetivo maximizar a velocidade do catamar ao longo de uma rota
predeterminada; o que implica em maximizar a velocidade do catamar para diferentes
direes do vento. A melhor maneira de representar essa condio maximizar a rea do
grfico polar representado na figura 5.48. Os valores otimizados das variveis de projeto so
apresentados na tabela 5.21.
Tabela 5.21. Resultados da otimizao do hidroflio do catamar.*
Varivel Mnimo Mximo timo
Foil Length 1 (m) 0.5 m 4.0 m 1.23 m
Foil Length 2 (m) 0.5 m 4.0 m 1.23 m
Foil Length 3 (m) 0.2 m 3.0 m 1.79 m
Foil Chord 1 (m) 0.1 m 0.6 m 0.21 m
Foil Chord 2 (m) 0.1 m 0.6 m 0.21 m
Foil Chord 3 (m) 0.1 m 0.6 m 0.18 m
Rudder Chord (m) 0.1 m 0.6 m 0.29 m
Foil Initial Angle 1 () -10 10 -6.43
Dihedral Angle () -10 70 25.54
* A otimizao foi realizada considerando o ngulo de vento entre 139 e 221, com variao de 2 e velocidade 20 knots.
** Os ngulos iniciais so diferentes dos ngulos da estrutura deformada (ngulos reais de operao).

34
interesse observar que essa abordagem inspirou o desenvolvimento da estratgia de otimizao multidisciplinar
baseada em valores de acoplamento descrita na seo 4.4. No entanto, neste caso a Fronteira de Pareto foi construda
manualmente utilizando-se intervalos discretos predeterminados e otimizaes disciplinares independentes.


Figura 5.48. Funo objetivo maximizada para velocidade do vento de 20 knots.
Os resultados obtidos so consideravelmente prximos aos obtidos em Dreyer
(2005), visto que a abordagem e todos os modelos utilizados so os mesmo.
Como visto na seo 2.1.5, normalmente algoritmos de otimizao so comparados
em relao ao nmero de iteraes que realizam. No entanto, neste caso, impossvel
comparar o nmero de iteraes, visto que as iteraes dividem-se em avaliaes reais e
avaliaes utilizando superfcies de respostas. Logo, o resultado mais significativo a
reduo do tempo total do processo. Em Dreyer, sem o uso de superfcies de resposta ou
processamento distribudo, a durao do processo foi de 85 horas, enquanto que no
ambiente desenvolvido, a durao foi quase 10 vezes menor.
35

Quatro computadores foram utilizados no processo, sendo: dois para o treinamento
de superfcies de resposta, um para as anlises estruturais e um para o cliente de
otimizao (que ao mesmo tempo atuou como servidor de infra-estrutura).
Observa-se ainda que, utilizando o algoritmo MBA, o nmero de computadores no
relevante, pois apenas 1 avaliao realizada a cada iterao do algoritmo. Mas, se for
utilizado o algoritmo gentico, a velocidade de otimizao proporcional ao nmero de

35
importante observar que os computadores utilizados so similares ao computador utilizado em Dreyer (2005), um
Pentium III 800 Mhz com 128MB de RAM. Mesmo considerando o aumento da performance computacional (hardware), o
ganho de desempenho do processo real.


computadores utilizados para as avaliaes estruturais, pois neste caso, todos os indivduos
da populao so avaliados a cada iterao do processo.
5.8.4.1 A neuro superfcie de resposta para o modelo Holtrop de resistncia
Nesta seo mostrado um exemplo de superfcie de resposta calculada durante o
processo de otimizao. Nesse caso, a superfcie de resposta, mostrada na figura 5.49, foi
utilizada no problema hidrodinmico para estimar a resistncia ao avano da embarcao.
Superfcie de Resposta do modelo Holtrop de resistncia
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Velocidade / Velocidade Mxima
R
e
s
i
s
t
n
c
i
a

/

R
e
s
i
s
t
n
c
i
a

M
x
i
m
a
Holtrop Superf cie de Resposta

Figura 5.49. Superfcie de resposta calculada para representar o modelo de resistncia de Holtrop.
A superfcie apresentada na figura 5.49 foi calculada utilizando uma rede neural do
tipo MLP com 1 camada escondida composta de 8 neurnios. A superfcie foi treinada
utilizando um histrico com 11 pares, 1% de erro e 100.000 iteraes.


6 Concluses
6.1 Concluses 175
6.2 Perspectivas de pesquisa 178
6.2.1 Contribuies tericas 178
6.2.2 Implementaes computacionais 180
"S erra quem produz. Mas, s
produz quem no tem medo de errar."
Octavio Paz
este captulo sero apresentadas as principais concluses alcanadas nesta
pesquisa, bem como perspectivas para novas pesquisas, que por falta de
tempo, no puderam ser exploradas.
6.1 Concluses
Muito tempo decorreu e um longo caminho foi percorrido desde que as primeiras
idias desta pesquisa surgiram. Uma caminhada que atravessou muitos campos do
conhecimento e cruzou dois continentes.
Os ltimos meses foram gastos no esforo em construir um relatrio agradvel aos
leitores, que no se detenha em preciosismos matemticos desnecessrios e que no fuja
ao escopo deste trabalho. O relatrio se dedica a definir o problema proposto, relatar as
atividades desenvolvidas, bem como os principais resultados e contribuies realizadas.
Como resultado final deste trabalho tem-se um conjunto de mdulos funcionais
capazes de atuar como ambiente para otimizao de projetos multidisciplinares sobre neuro
superfcies de resposta dinmicas com processamento distribudo pela Internet.
A primeira contribuio importante foi a utilizao da programao distribuda
utilizando o paradigma de Grid e o protocolo MPI para a troca de mensagens pela Internet.
Entre os trabalhos discutidos na seo 2.3, o trabalho de Giassi (2004) se destaca por
propor uma otimizao distribuda dividindo as anlises de cada disciplina em computadores
geograficamente separados. Seu trabalho, no entanto, utilizava o protocolo POP3/SMTP
para enviar emails, responsveis pela troca de mensagens. Dessa forma o sistema proposto
N
Concluses 176


por Giassi no atua em tempo real e, embora possua otimizao distribuda, no o faz de
forma paralela.
Os testes de desempenho revelaram que o custo de sincronizao e paralelismo,
discutidos na seo 2.3.3.3, muito baixo em relao ao ganho de desempenho ao se
utilizar o processamento distribudo, e representa uma possibilidade interessante e de baixo
custo para o desenvolvimento de projetos complexos com otimizao multidisciplinar. A
estabilidade e largura da banda de conexo com a Internet mostraram-se suficientes para a
passagem das mensagens e no influenciaram o desempenho do ambiente.
Destaca-se ainda a constatao de que a escolha do algoritmo de otimizao
influencia diretamente o ganho de desempenho proporcionado pela utilizao do
processamento distribudo. A utilizao de superfcies de resposta paralelas e algoritmos
populacionais mostraram os maiores ganhos de performance ao se utilizar processamento
distribudo.
A segunda contribuio relevante ocorreu na gerao das superfcies de resposta
para a acelerao da convergncia do problema. Como visto na seo 2.2, diversos
trabalhos exploraram a capacidade de representar padres e predizer resultados das redes
neurais para a representao de superfcies de resposta.
O trabalho de Giassi (2004), tambm utiliza redes neurais artificiais para a
representao de superfcies de resposta. Embora poucos detalhes sejam fornecidos, sabe-
se que o modelo de rede utilizado o Multilayer Feed-forward Neural Network, em linhas
gerais o mesmo modelo utilizado nesta pesquisa. A contribuio apresentada, diferente das
abordagens vistas em outros trabalhos, a proposta de uma nova forma de treinamento
dinmico das redes neurais. O treinamento dinmico prope uma readaptao da superfcie
de resposta enfatizando uma de suas regies, onde se supe esteja localizado o ponto
timo do problema. Inclui-se ainda no algoritmo a utilizao de um filtro que elimina pontos
prximos, acelerando o processo de treinamento e portanto de convergncia.
Vale ressaltar tambm que o ambiente desenvolvido permite desacoplar uma
superfcie de resposta complexa (representando vrias funes objetivo ou de restrio) em
mltiplas superfcies de resposta, cada uma representando uma nica funo, e em seguida
distribuir o processo de treinamento em mltiplos computadores, aumentando
consideravelmente a velocidade de convergncia do problema.
A terceira contribuio relevante tambm est localizada na utilizao das superfcies
de resposta. Percebeu-se que qualquer modelo de representao de superfcies de resposta
Concluses 177


(neural ou no) pode, em alguns problemas, apresentar superfcies anmalas ou viciadas. A
abordagem clssica para esses casos realizar uma parte das anlises utilizando a
superfcie de resposta e uma parte das anlises utilizando o problema real.
Essa abordagem extremamente eficiente para problemas nos quais cada anlise
demanda pouco esforo computacional, pois as anlises reais no aumentam
consideravelmente o tempo de processo. Para problemas complexos de engenharia, no
entanto, uma nica anlise pode representar a maior parte do processo de otimizao.
Para solucionar este problema foi proposta uma abordagem utilizando-se regies
tabus para isolar os pontos das superfcies anmalas ou viciadas e assim induzir a
otimizao a uma segunda soluo. Essa segunda soluo analisada para ento recalibrar
as superfcies; desta forma reduz-se consideravelmente o nmero de anlises reais, e
aumenta-se a velocidade de convergncia do processo.
A ltima contribuio ocorre, por fim, na estratgia de otimizao multidisciplinar
adotada. Como visto anteriormente existem diversas estratgias de otimizao
multidisciplinares com diferentes nveis de centralizao.
Como visto na seo 2.1.14, Giassi (2004) utilizou uma variao da estratgia de
Otimizao Colaborativa (CO) que denominou MORDACE. Aps seu trabalho, Rabeau
(2006) modificou a estratgia MORDACE e desenvolveu a estratgia COSMOS. Ambos os
trabalhos, porm, afirmam categoricamente que problemas multidisciplinares s podem ser
resolvidos se apresentarem acoplamento fraco.
A pesquisa realizada e descrita neste relatrio prope uma abordagem inovadora
para o processo. Em vez de se modificar o grau de centralizao e de se criarem
mecanismos para estimar os valores de acoplamento, o que se faz buscar quais so os
valores de acoplamento que resultam nas melhores solues para o problema.
Essa estratgia tem, contudo, o inconveniente de aumentar consideravelmente o
nmero de iteraes e avaliaes do problema, pois a cada par analisado no problema
global (o de determinar os valores de acoplamento que otimizam o problema), deve-se
realizar uma otimizao local para determinar quais os valores timos das funes de cada
disciplina fixados os valores de acoplamento.
Uma estrutura de superfcies de resposta robusta e eficiente pode, porm, facilmente
ser construda, reduzindo esse esforo computacional e viabilizando a implementao da
estratgia de otimizao multidisciplinar baseada em valores dos acoplamentos.
Concluses 178


As possibilidades abertas pelo ambiente desenvolvido permitem considerar que uma
nova metodologia de projeto deva ser utilizada pelos engenheiros.
O atual paradigma de projeto (seja utilizando concepo linear, espiral ou
simultnea) baseado em ciclos de anlise direcionadas por um algoritmo de otimizao,
como mostrado no fluxograma da figura 5.41, pode no ser adequado as novas ferramentas
e recursos computacionais existentes.
Nessa nova metodologia, o problema deve ser pensado sempre globalmente, e o
maior esforo deve ser empregado na parametrizao e acoplamento dos modelos
disciplinares utilizados.
Espera-se que este trabalho abra caminho para muitos outros, pois o potencial est
provado, e que em breve possamos optar por novas formas de interface com um novo
paradigma de processamento, que possa auxiliar o engenheiro libertando-o para explorar
solues mais complexas e arrojadas.
6.2 Perspectivas de pesquisa
Nesta seo sero discutidos assuntos que, por falta de tempo, no foram
amplamente abordados na pesquisa, representando perspectivas ainda a serem exploradas.
Dividem-se esses assuntos em dois grupos: as contribuies tericas e as implementaes
computacionais.
6.2.1 Contribuies tericas
6.2.1.1 Aumentar a eficincia do treinamento neural com a inverso do erro
O uso de redes neurais artificiais na representao de superfcies de resposta para a
acelerao do processo de otimizao foi amplamente discutido neste relatrio.
Observou-se que, em muitos casos, com poucos ciclos de treinamento, a superfcie
de resposta adquire a forma da superfcie real do problema; fornecendo ao algoritmo de
otimizao a tendncia real do problema.
Esses casos so especialmente importantes quando as superfcies de respostas so
utilizadas na representao das funes objetivo, pois permitem determinar corretamente o
vetor de variveis que representam a soluo tima do problema, sem contudo obter o valor
correto da funo.
Concluses 179


O primeiro passo no treinamento de uma rede neural que represente uma superfcie
de resposta deve ser, portanto, a busca pela tendncia correta da funo. Sugere-se alterar
o procedimento de treinamento neural para amplificar o erro dos pares que representem
uma inverso do erro, e com isso acelerar a convergncia do processo de otimizao.
A inverso do erro (mudana de sinal na diferena entre o valor real e o valor
estimado pela superfcie entre dois pontos prximos) representa m aderncia entre a
superfcie neural e o problema real, visto que as inflexes das funes reais do problema
esto mal caracterizadas nas superfcies de resposta.
6.2.1.2 Trabalhar a Fronteira de Pareto utilizando um polinmio interpolador
Como visto na reviso bibliogrfica, Ticona (2003) apud Kalyanmoy (2001) destaca
duas importantes metas na otimizao de problemas multiobjetivo:
um conjunto de solues o mais prximo possvel da Fronteira de Pareto.
um conjunto de solues com a maior diversidade possvel.
Sugere-se que seja possvel condicionar, em alguns momentos, o processo de
otimizao de tal forma que os resultados obedeam a essas metas.
O conceito geral a ser trabalhado o de utilizar um polinmio interpolador, ou outra
tcnica estatstica qualquer para aproximar a Fronteira de Pareto e, a partir dessa
aproximao, sugerir pontos que pertenam Fronteira de Pareto e aumentem a
diversidade da fronteira.
Esses pontos seriam introduzidos populao inicial de cada gerao. Esse
processo poderia ser classificado como um Elitismo Externo, pois introduziria pontos
fortemente candidatos a pontos timos de maneira artificial evoluo gentica.
6.2.1.3 Reajustar os pesos neurais aps o ajuste dos limites de normalizao
Um dos maiores custos computacionais envolvidos no ambiente desenvolvido reside
sem dvida na readaptao das superfcies de resposta.
Como descrito anteriormente, o correto funcionamento das redes neurais artificiais na
representao de superfcies de resposta depende fortemente da normalizao das funes
representadas. Porm, a pergunta que se sucede como normalizar uma funo da qual
no se conhecem os limites?
Concluses 180


Para solucionar esse problema adotou-se uma estratgia de limites dinmicos, que
se modificam ao longo do processo de otimizao. Tal abordagem implica, no entanto, que a
cada mudana dos limites de normalizao uma readaptao dos pesos e limites de
ativao seja feita.
A abordagem convencional reiniciar o treinamento fazendo com que o processo
clssico de treinamento se encarregue do ajuste de pesos e limites de ativao. Esse
procedimento robusto e confivel, porm tem a clara desvantagem de representar um
grande esforo de treinamento repetido a cada modificao dos limites de normalizao.
Mesmo utilizando uma modificao de limites com margens de 15%, o nmero de
readaptaes devido modificao dos limites de normalizao, em alguns casos,
superior ao nmero de readaptaes para a convergncia do problema.
Sugere-se que seja possvel formular um procedimento para ajustar os pesos e
limites de ativao a partir da variao dos limites de normalizao das funes
representadas.
6.2.2 Implementaes computacionais
6.2.2.1 Otimizao do uso da conexo TCP/IP
Quando o procedimento de otimizao distribuda foi implementado, utilizaram-se os
padres estabelecidos pelo protocolo MPI com passagem de mensagem pela Internet.
A estrutura desenvolvida utilizando um servidor de infra-estrutura para centralizar e
balancear a distribuio de cargas se mostrou altamente robusta e eficiente. Entretanto, um
problema de implementao computacional reduz a eficincia do sistema.
A implementao mais simples foi utilizar, para cada etapa do processo de
otimizao a ser distribuda, uma conexo independente entre o cliente de otimizao e o
servidor de infra-estrutura. Esse procedimento se mostrou confivel pois era facilmente
controlado, e os dados no se misturavam. Por essa razo foi utilizado ao longo de todo o
desenvolvimento da pesquisa.
O custo computacional para se estabelecer uma conexo TCP/IP para cada
procedimento a ser paralelizado diminui, no entanto, a eficincia do processo. Sugere-se
implementar uma rotina que utilize apenas uma conexo TCP/IP ao longo de todo o
processo, distribuindo os fluxos de dados por meio de sockets ou mesmo por mensagem
codificada.
Concluses 181


6.2.2.2 Vetor dinmico para o uso de superfcies de resposta
Existem basicamente duas formas de se definir um vetor de dados em programao.
A primeira forma, mais simples, definir um vetor de tamanho fixo. Neste caso o
sistema operacional reserva uma quantidade de memria igual ao tamanho do vetor definido
no programa. Esta maneira especialmente til para vetores com poucos elementos ou
elementos que consumam pouca memria.
A segunda maneira definir um vetor dinmico, cujo tamanho modificado ao longo
do processo de acordo com a necessidade do problema. Cada linguagem de programao
possui uma estrutura prpria para definir e redimensionar os vetores dinmicos. O problema
envolvido nessa abordagem o cuidado necessrio para ajustar esses vetores sob pena de
erros numricos ou lgicos.
Por limitaes de tempo, o vetor que contm os objetos do tipo superfcie de
resposta foi definido como um vetor fixo; a quantidade de superfcies mximas em um
problema est, portanto, limitada pelo tamanho definido no cdigo de programao.
Essa condio especialmente prejudicial ao se implementar a estratgia de
otimizao multidisciplinar que exige a gerao de diversos vetores de objetos de
otimizao, cada qual com seus vetores de superfcies de resposta. Ao se definir um
nmero elevado de superfcies, a quantidade de memria reservada pelo sistema
operacional pode chegar a vrias dezenas de megabytes.
Sugere-se modificar essa implementao, para que o programa utilize vetores
dinmicos para alocar as superfcies de resposta.
6.2.2.3 Implementar o paralelismo na estratgia de otimizao multidisciplinar
Na estratgia de otimizao multidisciplinar baseada em valores de acoplamento, a
cada avaliao do processo global de otimizao multidisciplinar realizado um processo de
otimizao local para cada disciplina existente.
Portanto possvel paralelizar esse procedimento, para que as otimizaes locais
sejam feitas de forma simultnea, aumentando consideravelmente a velocidade de
convergncia do processo.

Thiago Pontin Tancredi


7 Referencias
Artigos, teses e dissertaes consultadas e disponveis no CD-ROM anexo.
Livros consultados nas bibliotecas da Universidade de So Paulo.
Artigos consultados, porm no disponveis no CD-ROM anexo.
"Where is the wisdom we have lost in knowledge?
Where is the knowledge we have lost in information?
T.S. Eliot
Agatonovic-Kustrin, S., Zecevic, M., Zivanovic, Lj. and Tucker, I. G., Application of
neural networks for response surface modeling in HPLC optimization. Analytica Chimica
Acta, Vol. 364, Issues 1-3, May, pp 265-273, 1998.
Allison J., Complex system optimization: a review of analytical target cascading,
collaborative optimization and other formulations, Masters thesis, University of
Michigan, 2004.
Almasi, G. S. and Gottlieb, A., A Highly Parallel Computing, 2ed., The Benjamins
Cumming Publishing Company, 1994.
Amdahl, G. M., Validity of the single processor approach to achieving large scale computing
capabilities, AFIPS spring joint computer conference, 1967.
Andrews, G. R., Foundations of Multithread, Parallel and Distributed Programming, USA,
1999.
Anjum, M. F., Tasadduq, I. and Tasadduq, K., Response surface methodology: A neural
network approach, European Journal of Operational Research, Vol. 101, Issue 1,
August, pp. 65-73, 1997.
Augusto, O. B., Processos de Busca no Linear para o Projeto da Estrutura do Navio,
BT/PNV/23, EPUSP, Brasil, 1996.
Azuma, R. T., Baillot, Y., Behringer, R., Feiner, S., Julier, S. and MacIntyre, B., Recent
Advances in Augmented Reality, IEEE Computer Graphics and Applications vol.21(6),
pp. 34-47, 2001.
Balling, R. J. and Sobieszczanski-Sobieski, J., "Optimization of Coupled Systems: A
Critical Overview of Approaches", American Institute of Aeronautics and Astronautics,
AIAA Paper 94-4330-CP, pp. 753-773, 1994.
Ba D. and Boyac, . H., Modeling and optimization II: Comparison of estimation capabilities
of response surface methodology with artificial neural networks in a bio-chemical
reaction, Journal of Food Engineering, Vol. 78, Issue 3, February, pp. 846-854, 2007.
Referencias 183


Batill, S. M., Stelmack M. A. and Yu, X. Q., Multidisciplinary design optimization of an
electric-powered unmanned air vehicle, Aircraft Design, vol.2, pp. 1-18, 1999.
Belcher, D. and Billinghurst, M., Using Augmented Reality for Visualizing Complex Graphs
in Three Dimensions, Proceedings of the Second IEEE and ACM International
Symposium on Mixed and Augmented Reality (ISMAR 03), 2003.
Behdinan, K., Perez, R. E. and Liu, H. T., Multidisciplinary Design Optimization of
Aerospace Systems, Canadian Design Engineering Network, 2005.
Belegundu, A. D., Halberg, E., Yukish, M. A. and Simpson, T. W., Attribute-Based Multi-
disciplinary Optimization of Undersea Vehicles, 8th AIAA / USAF / NASA / ISSMO
Symposium on Multidisciplinary Analysis and Optimization, Long Beach, 2000.
Birk, L. and Clauss, G. F., Automated hull optimization of offshore structures based on
rational seakeeping criteria, Proc. of 11th Int. Offshore and Polar Engineering
Conference ISOPE, Stavanger, Norway 2001.
Brasil, Guia de Estruturao e Administrao do Ambiente de Cluster e Grid, Secretaria de
Logstica e Tecnologia da Informao, v1.0, Braslia, 2006.
Braun R., Gage P., Kroo I., and Sobieszczanski-Sobieski J., Implementation and
Performance Issues in Collaborative Optimization, Proceedings 5th AIAA/USAF MDO
symposium, AIAA Paper 96-4017, Bellevue, WA, Sept.1996.
Campana, E. F., Fasano, G., Peri, D. and Pinto, A., Nonlinear Programming Approaches
in the Multidisciplinary Design Optimization of a Sailing Yacht Keel Fin, 9th International
Conference on Numerical Ship Hydrodynamics, Michigan, 2007.
Castro, R. E., Otimizao de estruturas com multi-objetivos via algoritmos genticos,
Dissertao de Doutorado, Universidade Federal do Rio de Janeiro, 2001.
Chase, N., Rademacher M., Goodman E., Averill, R. and Sidhu, R., A Benchmark Study
of Optimization Search Algorithms, Michigan State University, East Lansing, MI, 2008.
Caudill, M. and Butler, C., Understanding Neural Networks computer explorations
volume 1: Basic Net-works, MIT Press, London, England, 1994.
Coutinho, K. D., Mtodo de Otimizao Topolgica em estruturas tridimensionais,
Dissertao de Mestrado, Universidade Federal do Rio Grande do Norte, 2006.
Cramer, E., Dennis, J. J., Frank, P., Lewis, R., and Shubin, G., Problem formulation for
multidisciplinary optimization, AIAA Symposium on Multidisciplinary Design Optimization,
1993.
Cybenko, G. V., Approximation by Superpositions of a Sigmoidal function, Mathematics of
Control, Signals and Systems, Vol. 2, no. 4, pp. 303-314, 1989.
Dennis, J. E., and Lewis, R. M., Problem Formulations and Other Optimization Issues in
Multidisciplinary Optimization, AIAA Paper 94-2196, AIAA Symposium on Fluid
Dynamics, Colorado Springs, CO, June 1994.
Dreyer, T., Augusto, O. B. and Fouad, B., Catamaran Project: Report about the structural
model of an hydrofoil, Universidade de Sao Paulo, Brazil, 2005.
Referencias 184


Duncan, R., A Survey of Parallel Computers Architectures, IEEE Computer, pp. 5-16,
Fevereiro 1990.
Edwards, I. M. and Jutan, A., Optimization and control using response surface methods,
Journal of Computers & Chemical Engineering, Vol. 21, Issue 4, December, pp. 441-453,
1997.
Fletcher, R., An exact penalty function for nonlinear programming with inequalities.
Mathematical Programming, Vol. 5, pp. 129-150, 1973.
Fonseca, C. M. and Fleming, P. J., Genetic Algorithms for Multiobjective Optimization:
Formulation, Discussion and Generalization, Proceedings of the Fifth International
Conference on Genetic Algorithms, pp. 416-423, 1993.
Fortune, S. and Wyllie, J., Parallelism in Random Access Machines, in Proc. 10th ACM
Symp. Theory of Computing, San Diego, CA., May 1978.
Giassi, A., Bennis, F. and Maisonneuve, J., Multi-Objective Optimization of Ship Hull with
Distributed Applications, Proceedings of Design Engineering Technical Conferences and
Computers and Information in Engineering Conference, DAC-48732, USA, 2003.
Giassi, A., Optimisation et Conception Collaborative dans le cadre de L'ingenierie
Simultanee, Thse de Doctorat, Ecole Centrale de Nantes, France, 2004.
Glover, F., Tabu Search Part I, ORSA Journal on Computing 1, pp. 190-206, 1989.
Glover, F., Tabu Search Part II, ORSA Journal on Computing 2, pp. 4-32, 1990.
Goldberg, D. E., Genetic Algorithms in Search, Optimization, and Machine Learning,
Addison-Wesley Publishing Company, Inc., Reading, MA, 1989.
Golinski, J., Optimal Synthesis Problems Solved by Means of Nonlinear Programming and
Random Methods, Journal of Mechanisms, Vol. 5, pp. 287309, 1970.
Groan, C. and Dumitrescu, D., A Comparison Of Multiobjective Evolutionary Algorithms,
Acta Universitatis Apulensis, Acta 4, 2002.
Gunawan, S., Farhang, A., and Azarm, S., Multi-level Multi-objective Genetic Algorithm
Using Entropy to Preserve Diversity, Proceedings of the 2nd International Conference on
Evolutionary Multi-Criterion Optimization, LNCS (Springer, ed.), Vol. 2632, pp. 148161,
2003.
Haftka, R. T., "Elements of Structural Optimization (Solid Mechanics and its Applications),
Kluwer Academic Publishers, Dordrecht, Netherlands, 1993.
Haftka, R. T., Sobieszczanski-Sobieski J., and Padula S. L., "On Options for
Interdisciplinary Analysis and Design Optimization", Structural Optimization, Vol.4/2, pp.
65-74, 1992.
Hajela, P. and Lin, C. Y., Genetic Search Strategies in Multicriterion Optimal Design,
Structural Optimization, v. 4, pp. 99-107, 1992.
Hebb, D. O., The organization of behavior: A neuropsychological theory, New York: Wiley,
1949.
Referencias 185


Holtrop, J. and Mennen, G. G. J., An Approximate Power Prediction Method, International
Shipbuilding Progress, Vol. 29, pp. 166-170, 1982.
Hopfield, J. J., Neural networks and physical systems with emergent collective
computational abilities, Proceedings of the National Academy of Sciences USA, Vol. 79,
pp. 2554-2558, 1982.
Horn, J., and Nafpliotis, N., Multiobjective Optimization Using the Niched Pareto Genetic
Algorithm, IlliGAL Report No. 93005, Illinois Genetic Algorithms Laboratory, University of
Illinois, Urbana, Champaign, 1993.
Huang, Y. M. and Wang, K. J., Optimization of bicycle frames using genetic algorithms,
ASME International Design Engineering Technical Conferences & Computers and
Information in Engineering Conference, USA, 2007.
Jnior, W. F. P., Hiperquicksort: uma anlise prtica com Implementao em MPI,
Monografia de Graduao, Lavras, Minas Gerais, 2002.
Kalyanmoy, D., Multi-objective genetic algorithms: Problem difficulties and construction of
test problems. Evolutionary Computation, vol.7, pp. 205230, 1999.
Kalyanmoy, D., Multi-Objective Optimization using Evolutionary Algorithms, John Wiley &
Sons, New York, USA, 2001.
Kodiyalam, S., Evaluation of Methods for Multidisciplinary Design Optimization (MDO),
Phase I, Langley Research Center, NASA, 1998.
Kursawe F., A variant of evolution strategies for vector optimization, Proceedings of the 1st
parallel problem solving form nature (Schwefel H.-P. et Reinhard Manner S. V., eds.),
pp. 193197, 1991.
McCulloch, W. S. and Pitts, W., A logical calculus of the ideas immanent in nervous
activity, Bulletin of Mathematical Biology, Vol. 5, n4, pp. 115-133, 1943.
Masuyana,Y., Stability analysis and prediction of performance for a hydrofoil sailing boat I:
Equilibrium sailing state analysis, International Shipbuilding Progress, Vol. 33, pp. 134-
143,1986.
Molland, A. F., Wellicome, J. F. and Couser, P. R., Resistance experiments on a
systematic series of high speed displacement catamarans forms: variation of length-
displacement ratio and breadth-draught ratio, Transactions, Royal Institution of Naval
Architects, Vol. 138A, 1996.
Monte-Mor, J. A., Paralelizao de um Mtodo de Aprendizado Indutivo de Mquina
Baseado na Teoria de Conjuntos Aproximados, Brasil, 2002.
Murray, A. F., Applications of Neural Networks, The University of Edinbugh, Kluwer
Academic Pub, 1995.
Nielsen, H. B., Lophaven, S. N. and Sndergaard, J., DACE - A MATLAB Kriging
Toolbox, Technical Report IMM-TR-2002-12, Informatics and mathematical modeling,
Technical University of Denmark, 2002.
Referencias 186


Novotny, A., Feijo, R., Taroco, E. and Padra, C., Derivada topolgica via anlise de
sensibilidade mudana de forma na Otimizao Topolgica, Revista Internacional de
Mtodos Numricos para Clculo y Diseo em Ingeniera, vol. 18, pp. 499-519, 2002.
Peri, D., Fasano, G., Dessi, D. and Campana, E. F., Global Optimization Algorithms in
Multi-disciplinary Design Optimization, 2th AIAA/ISSMO Multidisciplinary Analysis and
Optimization Conference, pp. 10-12, Canada, 2008.
Quinn, M. J., Parallel Computing Theory and Practice, McGraw-Hill, 1994.
Rabeau, S., Dpinc, Ph., Bennis, F. and Augusto, O. B., Amelioration de la vitesse de
rsolution des problmes multi-objectifs laide dalgorithmes gntiques, 17me
Congrs Franais de Mcanique, 2005.
Rabeau, S., Optimisation multi-objectif en conception collaborative, These de Doctorat,
Ecole Centrale de Nantes, France, 2006.
Ribeiro, S. A., Sistema imune artificial para o problema de escalonamento Job Shop,
Dissertao de Mestrado, Universidade Federal do Esprito Santo, Brasil, 2006.
Rosenblatt, F., The Perceptron: A Probabilistic Model for Information Storage and
Organization in the Brain, Psychological Review, Vol. 65, pp. 386-408,1958.
Rosenbrock, H. H., An Automated Method of Finding the Greatest or Least Value of a
Function, Computer Journal, Vol. 3, No. 3, Oct., pp. 175-184, 1960.
Rumelhart, D. E., Hinton, G. E. and Williams, R. J., Learning representations by back-
propagating errors, Nature, Vol. 323, pp. 533-536, 1986.
Schaffer, J. D., Some Experiments in Machine Learning Using Vector Evaluated Genetic
Algorithms, D.Sc. Thesis, Department of Electrical Engineering, Vanderbilt University,
1984.
Sellar R. S., Batill S. M., and Renaud J. E., Response Surface Based Concurrent
Subspace Optimization for Multidisciplinary System Design, American Institute of
Aeronautics and Astronautics, AIAA Paper 96-0714, 1996.
Shuaeib, F. M., Hamouda, A. M. S., Wong, S. V., Umar, R. S. and Ahmed, M. M. H., A
new motorcycle helmet liner material: The finite element simulation and design of
experiment optimization, Materials & Design, Vol. 28, Issue 1, pp. 182-195, 2007.
Shyy, W., Papila, N., Vaidyanathan R. and Tucker, K., Global design optimization for
aerodynamics and rocket propulsion component, Progress in Aerospace Sciences 37,
pp. 59-118, 2001.
Silva, D., Rede Neural Artificial Aplicada ao Reconhecimento de Padres usando o Mtodo
Back-Propagation, Monografia apresentada para a obteno do grau de Bacharel,
Universitrio do Tringulo, Uberlndia, Brasil, 2000.
Silva, E. C. N., Otimizao aplicada ao projeto de sistemas mecnicos, Departamento de
Engenharia Mecatrnica e Sistemas Mecnicos, Universidade de So Paulo, 2007.
Smith, J., Hodgins, J., Oppenheim, I. and Witkin, A., Creating Models of Truss Structures
with Optimization, International Conference on Computer Graphics and Interactive
Techniques, USA, 2002.
Referencias 187


Sobieszczanski-Sobieski J., On The Sensitivity Of Complex, Internally Coupled Systems,
National Aeronautics and Space Administration, Technical Memorandum, NASA/TM-
100537, January,1988.
Sobieszczanski-Sobieski J., Jeremy S. A. and Robert R. S. Jr., Bi-Level Integrated
System Synthesis (BLISS), National Aeronautics and Space Administration Technical
Manual NASA/TM-1998-208715, August,1998.
Srinivas, N. and Deb, K., Multiobjective Optimization Using Nondominated Sorting in
Genetic Algorithms, Journal of Evolutionary Computation, Vol.2 n.3, pp.221-248,1994.
Stump, F. V., Otimizao Topolgica aplicada ao projeto de estruturas tradicionais e
estruturas com gradao funcional sujeitas a restrio de tenso, Dissertao de
Mestrado, Universidade de So Paulo, 2006.
Takahara, J., Takayama, K., Isowa, K. and Nagai, T., Multi-objective simultaneous
optimization based on artificial neural network in a ketoprofen hydrogel formula
containing O-ethylmenthol as a percutaneous absorption enhancer, International Journal
of Pharmaceutics, Vol. 158, Issue 2, December, pp. 203-210, 1997.
Takahara, J., Takayama, K. and Nagai, T., Multi-objective simultaneous optimization
technique based on an artificial neural network in sustained release formulations,
Journal of Controlled Release, Vol. 49, Issue 1, November, pp. 11-20, 1997.
Ticona, W. G. C., Aplicao de algoritmos genticos multi-objetivo para alinhamento de
seqncias biolgicas, Dissertao de Mestrado, Universidade de So Carlos, Brasil,
2003.
Wangdahl, G. E., The External Penalty Function Optimization Technique and Its Application
to Ship Design, The University of Michigan, Department of Naval Architecture and
Marine Engineering, Report N. 129, June, 1972.
Ugarte, E. C. T., Otimizao do projeto de embarcaes pesqueiras, Dissertao
apresentada Escola Politcnica da Universidade de So Paulo para obteno do ttulo
de Mestre em Engenharia, So Paulo, 2007.
Vanderplaats, G. N., "Numerical Optimization Techniques for Engineering Design With
Applications", McGraw-Hill, Inc., NY, USA, 1984.
Zeboudj, S., Eboudj, S., Belhaneche-Bensemra, N. and Belabbes, R., Use of surface
response methodology for the optimization of the concentration of the sweet orange
essential oil of Algeria by wiped film evaporator, Journal of food engineering, ISSN 0260-
8774, Vol. 67, no 4, pp. 507-512, 2005.
Zitzler, E. and Thiele, L., An Evolutionary Algorithm for Multiobjective Optimization: The
Strength Pareto Approach, Computer Engineering and Communication Networks Lab
(TIK), Swiss Federal Institute of Technology (ETH), Zurich, TIK-Report No. 43, 1998.
Zitzler, E., Kalyanmoy, D. and Thiele, L., Comparison of Multiobjective Evolutionary
Algorithms: Empirical Results, Evolutionary Computation, Vol. 8, pp. 173195, 2000.
Zhu, J. Z., Chang, C. S., Yan, W. and Xu, G. Y., Reactive power optimization using an
analytic hierarchical process and a nonlinear optimization neural network approach,
IEEE Pvoc.-Genev. Transm. Disfrib., Vol. 145, No. 1, January, 1998.


APNDICE A
Neste apndice mostrado um exemplo de macro utilizada no ambiente
desenvolvido: a macro do problema Viga em Balano com a anlise estrutural utilizando o
aplicativo Ansys.
A1 - Macro para o ambiente desenvolvido. (Viga em Balanco-FEM-SR.txt)
Viga I - Elementos FInitos - Superficie de Resposta
//nmero de disciplinas
1
//nmero de variveis da disciplina 1
3
//nmero de restries da disciplina 1
2
//nmero de objetivos da disciplina 1
1
//valor mnimo para a varivel 1
0.200
//valor mximo para a varivel 1
1.000
//resoluo usada emalgoritmos genticos para a varivel 1
0.001
0.200
0.800
0.001
0.006
0.040
0.001
//nmero de parmetros extras
0
//tipo da primeira restrio, 3 =ansys
3
//nome do arquivo de sada que contmo valor da restrio calculada pela macro
TensaoEQVM
//utilizar superfcie de resposta? 1 =sim 0 =no
1
//variveis que influenciamnesta restrio: x1 =1 (sim) x2 =1 (sim) x3 =1 (sim)
111
//valor limite para a restrio 1
<270000
//tipo da segunda restrio, 3 =ansys
3
//nome do arquivo de sada que contmo valor da restrio calculada pela macro
Deslocamentos
1
//variveis que influenciamnesta restrio: x1 =1 (sim) x2 =1 (sim) x3 =1 (sim)
111
//valor limite para a restrio 2
<1000
//tipo da funo objetivo, 2 =expresso analtica
2
//expresso analtica
X1*X3+2*X2*X3
0
//descrio das variveis, restries, objetivos, parmetros utilizados
Altura da Alma: // m
Largura do Flange: // m
Espessura Alma/Flange: // m
Apndice A 189


Tenso Mxima Longitudinal: // KPa
Deslocamento Maximo: // m
Massa da Estrutura: // m
//descrio da disciplina
Viga I - Elementos FInitos - Superficie de Resposta
//nmero de arquivos de imagemgerados pela anlise ansys
1
//nome do arquivo de imagemgerado pela anlise ansys
Estrutura
//nome da macro parametrizada para o ansys
VigaEmbalanco.mac
A2 - Macro para anlise estrutural utilizando o aplicativo Ansys. (VigaEmBalanco.mac)
/NOPR ! Suppress printing of UNDO process
FINISH ! Make sure we are at BEGIN level
/CLEAR,NOSTART ! Clear model since no SAVE found
*SET, X1, ValorX1
*SET, X2, ValorX2
*SET, X3, ValorX3
*SET, Area, 2*X3*X2+X1*X3
*SET, Izz, X1*X3**3/12+2*X3*X2**3/12
*SET, Iyyp, X1**3*X3/12+2*X3**3*X2/12
*SET, Iyyt, 2*X3*X2*(X1+X3)/2*(X1+X3)/2
*SET, TKz, X1+2*X3
*SET, TKy, X2
/PREP7
K,1,0,0,0,
K,2,100,0,0,
LSTR, 1, 2
ET,1,BEAM4
R,1,Area,Iyyp+Iyyt,Izz,TKy,TKz,,
RMORE, , , , , , ,
MPTEMP,1,0
MPDATA,EX,1,,270000000
MPDATA,PRXY,1,,0.3
SECTYPE, 1, BEAM, I, , 0
SECOFFSET, CENT
SECDATA,X2,X2,X1+2*X3,X3,X3,X3,0,0,0,0
TYPE, 1
MAT, 1
REAL, 1
ESYS, 0
SECNUM, 1
LESIZE,1,1, , , , , , ,1
LMESH, 1
DK,1, ,0, ,0,ALL, , , , , ,
FK,2,FY,-1
FINISH
/SOL
SOLVE
FINISH
/POST1
/DEV,PSFN,NINC
/SHOW,J PEG,,0,8
J PGPRF,500,100,1
/GRAPHICS,POWER
/view,1,-0.75,1.5,2
plnsol,u,y,1
/show,CLOSE
/RENAME,file,jpg,,pathTemp\Estrutura,jpg
ETABLE,SMAXI,NMISC,1
ESEL,S,ELEM,,1,1,1
/output,pathTemp\TensaoEQVM,txt
Pretab,SMAXI,,0,1
/output,pathTemp\Deslocamentos,txt
PRNSOL,u,comp

A cada avaliao os valores de x
1
,x
2 e
x
3
so
substitudos na macro, que ento processada
pelo programa Ansys.
A cada avaliao o caminho pathTemp
substitudo na macro pela pasta de trabalho do
programa de otimizao.


ANEXO A
Neste anexo so apresentados os softwares de otimizao mais utilizados em
engenharia e suas principais reas de atuao, para conhecimento do leitor.
TSO (WASP) - projeto preliminar da asa e cauda de avies com restries
aeroelsticas combina anlise estrutural (modelos simplificados) e otimizao (mtodo de
penalizao interior);
ACCESS, FASTOP, OPSTAT, OPTCOMP, OPTIMUM, ASOP, STARS, DESAP -
integram algoritmos de MEF especficos com otimizao;
OPTSYS - integra os programas de MEF genrico ABAQUS e ASKA com algoritmos
de otimizao;
ASTROS - software de otimizao estrutural baseado no NASTRAN;
NISAOPT (SHAPE e STROPT) - baseado no NISA II;
ADS, DOT e DOC (empresa VMA) - derivados do CONMIN. DOT uma coleo de
subrotinas em FORTRAN para otimizao. DOC um programa de controle que facilita o
uso do DOT na soluo de problemas com mltiplos objetivos;
NEWSUMT - pacote de otimizao baseado em mtodos de penalizao;
OPT - software de otimizao baseado no algoritmo de gradientes reduzidos;
IDESIGN - software de otimizao baseado no PQS (ou SQP);
NASTRAN, I-DEAS, ANSYS - possuem algoritmos de otimizao, clculo de
sensibilidade e otimizao topolgica baseada no mtodo das densidades;
GENESYS - apresenta o MEF j integrado com algoritmos de otimizao, incluindo
otimizao topolgica;
OPSTRUCT (empresa ALTAIR - EUA) e OPTISHAPE (empresa QUINT - Japo) -
softwares de otimizao topolgica baseados no mtodo de homogeneizao;
modeFrontier desenvolvido pela Sociedade Sirehna, incorpora otimizao
multiobjetivo e projeto colaborativo.

Tese Final Thiago Pontin

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese Final Thiago Pontin

Enviado por

Direitos autorais:

Formatos disponíveis

THIAGO PONTIN TANCREDI

Otimizao Multidisciplinar Distribuda

Você também pode gostar