Disser Ta Cao

ELIVALDO ELENILDO DA SILVA
OTIMIZAO DE ESTRUTURAS DE
CONCRETO ARMADO UTILIZANDO
ALGORITMOS GENTICOS
Dissertao apresentada Escola Politcnica

da Universidade de So Paulo para obteno
do ttulo de Mestre em Engenharia
So Paulo
2001

Engenheiro Civil pela UFPE, 2000
OTIMIZAO DE ESTRUTURAS DE
CONCRETO ARMADO UTILIZANDO
ALGORITMOS GENTICOS
Dissertao apresentada Escola Politcnica

da Universidade de So Paulo para obteno
do ttulo de Mestre em Engenharia
rea de Concentrao:
Engenharia de Estruturas
Orientador:
Paulo de Mattos Pimenta
So Paulo
2001
FICHA CATALOGRFICA
Silva, Elivaldo Elenildo da
Otimizao
de
estruturas
de
concreto
utilizando algoritmos genticos. So Paulo, 2001.
131 p. + Anexos
Dissertao
(Mestrado)
Universidade de So Paulo.
de Estruturas e Fundaes.
armado
- Escola Politcnica da
Departamento de Engenharia
1.Concreto armado - Otimizao 2.Algoritmos genticos

I.Universidade de So Paulo. Escola Politcnica.
Departamento de Engenharia de Estruturas e Fundaes
II.t.
A Deus,
Aos meus Pais, Elenildo e Josefa,
s minhas Irms, Edilza e Noelisa,
A Karina Moreira
Comece fazendo o que necessrio, depois o que possvel,

e de repente voc estar fazendo o impossvel.
So Francisco de Assis
AGRADECIMENTOS
Ao Prof. Dr. Paulo de Mattos Pimenta, pela orientao brilhante e pelo apoio na
execuo deste trabalho,
Ao Prof. Dr. Ricardo Leopoldo Frana, por sua dedicao ao ensino de Concreto Armado
e pelo perodo de orientao,
Aos Professores do PEF (Departamento de Estruturas e Fundaes) da EPUSP (Escola
Politcnica da Universidade de So Paulo), cuja troca de idias em muito enriqueceu este
trabalho,
Aos funcionrios do PEF, em especial Marly, pelas palavras amigas e pelo apoio,
Aos meus colegas do Curso de Graduao pelo incentivo e apoio em minha deciso,
Aos
grandes
amigos
Jamilton
Lopes
Pacheco
Evandro
Rossi
Dasambiagio
pela
constante troca de idias,

Aos amigos de Ps-Graduao pela
conversa sempre amigvel e pela pacincia nos
momentos difceis,
A
CAPES, pela concesso de uma bolsa de Mestrado durante estes dois anos de
trabalho.
R E SU M O
Neste trabalho so apresentadas duas importantes reas de pesquisa voltadas para

problemas de otimizao: a Programao Matemtica e, especialmente, os Algoritmos
Genticos.
So classificados grande parte dos mtodos clssicos da Programao Matemtica,
com uma breve apresentao das suas classes de subproblemas, bem como detalhes de
alguns mtodos.
O desenvolvimento da cincia que explica a evoluo das espcies descrito, como
uma ponte para a compreenso da tcnica dos Algoritmos Genticos.
Apresentam-se as diferenas bsicas entre os Mtodos Clssicos e os Algoritmos
Genticos, com posterior anlise das vantagens e desvantagens entre estas duas classes de
ferramentas de otimizao.
So apresentados os principais parmetros de influncia no funcionamento de um
Algoritmo Gentico e algumas recomendaes quanto s suas configuraes.
A essncia desse trabalho se constitui em alguns exemplos de otimizao de
estruturas de concreto armado, como o de um trecho de Pilar dimensionado Flexo
Composta Obliqua e um Prtico Plano de Concreto Armado de Cinco Pavimentos.
Finalizando, conclui-se pela tendncia promissora dos Algoritmos Genticos para os
prximos anos, o que tornar esta tcnica uma das mais importantes e empregadas na
resoluo de uma vasta gama de aplicaes.
ABSTRACT
This work addresses two important issues of Optimization: Mathematical

Programming and Genetic Algorithms.
First, classes of optimization problems, that can be handled by the classical
methods of Mathematical Programming, are briefly presented.
After that, the techniques of Genetic Algorithms are displayed in detail. Such
methods are inspired by the laws that rules the evolution of the species.
The basic differences between the Mathematical Programming and Genetic
Algorithms are deeply discussed.
The main parameters that control Genetic Algorithms are described and some
recommendations about their values are made.
The work is concluded by some optimization examples of reinforced concrete
structures, as a column under combined axial load and bi-axial bending and a five floor
reinforced concrete plane frame.
C o n te d o
C ONTEDO
1. Introduo
1.1. Introduo..........................................................................................................
1.2. Objetivos............................................................................................................
1.3. Escopo da Dissertao.......................................................................................
2. Elementos de Matemtica Aplicada
2.1. Notao..............................................................................................................
2.1.1. Vetores............................................................................................................
2.1.2. Matrizes..........................................................................................................
2.1.3. Funo Real de Vrias Variveis....................................................................
2.1.4. Funo Vetorial..............................................................................................
2.1.5. Convexidade...................................................................................................
10
2.1.6. Mnimo Local e Mnimo Global.....................................................................
10
2.2. Sistemas de Equaes Lineares.........................................................................
11
2.2.1. Mtodos Diretos.............................................................................................
12
2.2.1.1. Mtodo de Crout..........................................................................................
12
2.2.1.2. Mtodo de Choleski.....................................................................................
14
2.2.2. Mtodos Indiretos.........................................................................................
15
2.2.2.1. Mtodo de Jacobi.........................................................................................
15
2.2.2.2. Mtodo de Gauss-Seidel..............................................................................
16
2.3. Sistemas de Equaes No-Lineares.................................................................
17
3. Programao Matemtica
18
3.1. Introduo..........................................................................................................
19
3.2. Definies Bsicas - Terminologia....................................................................
19
3.3. Algoritmos de Programao Matemtica..........................................................
22
3.3.1. Programao Linear........................................................................................
23
3.3.2. Programao No-Linear................................................................................
24
3.3.2.1. Otimizao sem Restries..........................................................................
24
3.3.2.1.1. Mtodo de Newton-Raphson....................................................................
26
3.3.2.1.2. Mtodo Quase-Newton (BFGS) ..............................................................
27
C o n te d o
ii
3.3.2.1.3. Mtodo Quase-Newton (DFP) .................................................................
29
3.3.2.2. Otimizao com Restries.........................................................................
31
3.3.2.2.1. Otimizao com Restries de Igualdade.................................................
31
3.3.2.2.1.1. Mtodo do Lagrangiano.........................................................................
33
3.3.2.2.1.2. Mtodo da Penalidade............................................................................
35
3.3.2.2.1.3. Mtodo do Lagrangiano Aumentado.....................................................
36
3.3.2.2.2. Otimizao com Restries de Desigualdade...........................................
36
38
38
3.3.2.2.3. Otimizao com Restries Mistas...........................................................
39
39
40
3.3.3. Programao Multi-Objetivos........................................................................
40
4. Algoritmos Genticos
42
4.1. Introduo..........................................................................................................
43
4.2. Histrico............................................................................................................
45
4.3. Definies Bsicas - Terminologia....................................................................
47
4.4. Representao dos Parmetros..........................................................................
49
4.5. Algoritmos Genticos e Otimizao Convencional...........................................
49
4.6. Diferenas entre os AGs e os Mtodos Clssicos..............................................
52
4.7. Estrutura dos Algoritmos Genticos..................................................................
53
4.7.2. Algoritmo Gentico Geracional......................................................................
53
4.7.3. Algoritmo Gentico em Regime.....................................................................
54
4.8. Principais Aspectos dos Algoritmos Genticos.................................................
55
4.8.1. A Funo Objetivo..........................................................................................
55
4.8.2. As Restries..................................................................................................
56
4.8.3. Problemas de Convergncia...........................................................................
58
4.8.4. Critrios de Parada..........................................................................................
59
4.8.5. Representao e Codificao..........................................................................
59
4.8.6. Gerao da Populao Inicial.........................................................................
60
4.8.7. Avaliao da Populao..................................................................................
60
4.8.9. Processo de Seleo......................................................................................
61
4.8.9.1. Mapeamento da Funo Objetivo................................................................
61
4.8.9.1.1. Ordenamento.............................................................................................
61
C o n te d o
iii
4.8.9.1.2. Escalonamento Linear..............................................................................
62
4.8.9.2. Mtodo da Roleta.........................................................................................
63
4.8.9.3. Processo de Seleo por Torneio.................................................................
64
4.8.10. Reproduo ou Cruzamento.........................................................................
64
4.8.10.1. Operadores Genticos................................................................................
65
4.8.10.1.1. Cruzamento.............................................................................................
65
4.5.10.1.1.1. Cruzamento de 1 Ponto.......................................................................
65
4.8.10.1.1.2. Cruzamentos de 2 Pontos e N Pontos.................................................
66
4.8.10.1.1.3. Cruzamento Uniforme.........................................................................
66
4.8.10.1.2. Mutao..................................................................................................
67
4.8.10.1.3. Elitismo...................................................................................................
68
4.9. Representao Binria x Real............................................................................
69
4.10. Parmetros de Influncia e Configurao.......................................................
69
4.10.1. Tamanho da Populao.................................................................................
69
4.10.2. Taxa ou Probabilidade de Cruzamento.........................................................
70
4.10.3. Taxa ou Probabilidade de Mutao..............................................................
70
4.11. Vantagens e Desvantagens dos AGs................................................................
71
4.11.1. Vantagens dos Algoritmos Genticos...........................................................
71
4.11.2. Desvantagens dos Algoritmos Genticos.....................................................
72
4.12. Estratgias Empregveis aos AGs...................................................................
72
4.12.1. Hibridizao.................................................................................................
72
4.12.2. Computao Paralela....................................................................................
72
5. Anlise Estrutural
74
5.1. Introduo..........................................................................................................
75
5.2. Anlise Matricial de Estruturas.........................................................................
77
5.2.1. Matriz de Rigidez de um Elemento de Barra..................................................
79
5 .2 .2 . C arregam ento s no E lem ento ...................................................................................
80
5.2.3. Matriz de Transformao................................................................................
80
5.2.4. Espalhamento da Matriz de Rigidez Local na Matriz de Rigidez Global .....
82
5.2.5. Resoluo do Sistema de Equaes ...............................................................
83
5.2.6. Obteno dos Esforos nas Extremidades de cada Elemento......................
84
5.3. Estados Limites..................................................................................................
85
5.3.1. Estado Limite ltimo ....................................................................................
85
5.3.2 Estado Limite de utilizao ou de Servio......................................................
86
C o n te d o
iv
5.4. Domnios de Deformao.................................................................................
86
5.5. Materiais ...........................................................................................................
87
5.5.1. Ao..................................................................................................................
87
5.5.2. Concreto..........................................................................................................
5.6. Flexo Composta Oblqua - FCO......................................................................
88
5.6.1. Integrais dos Esforos Resistentes..................................................................
90
5.6.2. Clculo da Matriz Jacobiana dos Esforos Resistentes..................................
91
5.7. Flexo Composta Normal - FCN.......................................................................
93
5.7.1. Integrais dos Esforos Resistentes..................................................................
96
5.7.2. Calculo da Matriz Jacobiana para FCN.........................................................
96
5.8. Critrios Normativos.........................................................................................
98
5.8.1. Segurana em Relao aos ELU.....................................................................
98
5.8.2. Segurana em Relao aos ELS ....................................................................
99
5.8.3. Taxas da Armadura.........................................................................................
99
5.8.3.1. Princpios Bsicos........................................................................................
99
5.8.3.2. Taxa de Armadura para Vigas.....................................................................
99
89
5.8.3.3. Taxa de Armadura para Pilares.................................................................... 100

5.8.4. Distribuio das Armaduras........................................................................... 101
5.8.4.1. Espaamento entre Barras da Armadura nas Vigas..................................... 101
5.8.4.2. Espaamentos entre Armaduras nos Pilares................................................ 101
5.8.5 Deslocamentos Limites.................................................................................... 102
6. Aplicaes ao Concreto Armado
104
6.1. Otimizao de um Trecho de Pilar a Flexo Composta Oblqua....................... 105

6.1.1. Descrio do Problema de Otimizao........................................................... 105
6.1.1.1. Descrio das Variveis............................................................................... 106
6.1.1.2. A Funo Objetivo....................................................................................... 106
6.1.1.3. As Restries do Problema.......................................................................... 106
6.1.2. Exemplos........................................................................................................ 107
6.1.2.1. Exemplo 1-A................................................................................................ 109
6.1.2.2. Exemplo 1-B................................................................................................ 110
6.1.3. Exemplo 1-C................................................................................................... 112
6.1.4. Concluses Preliminares................................................................................. 114
6.2. Otimizao de um Prtico Plano de Concreto Armado..................................... 115
6.2.1. Descrio do Problema de Otimizao........................................................... 116
C o n te d o
6.2.1.1. Descrio das Variveis............................................................................... 116

6.2.1.2. A Funo Objetivo....................................................................................... 117
6.2.1.3. As Restries do Problema.......................................................................... 117
6.2.1.4. Funes de Penalizao............................................................................... 118
6.2.1.5. Critrios de Parada (Convergncia) ............................................................ 119
6.2.2. Esquema Estrutural do Prtico....................................................................... 120
6.2.3. Concluses Preliminares................................................................................. 122
7. Concluses e Comentrios
124
7.1. Sobre a Otimizao de Estruturas...................................................................... 125

7.2. Sobre os Algoritmos Genticos......................................................................... 126
7.3. Sobre a Anlise Estrutural................................................................................. 127
7.4. Sobre os Exemplos Elaborados......................................................................... 129
7.5. Sugestes para Trabalhos Futuros..................................................................... 130
Bibliografia
Anexo A
Anexo B
Anexo C
Captulo 1 Introduo
CAPTULO 1
INTRODUO
este
captulo
apresentam-se as motivaes que levaram escolha
desse tema, objetivos pretendidos e uma breve descrio do contedo
dos demais captulos desta dissertao. Encontram-se tambm indicados para cada um
dos captulos uma bibliografia bsica que estar representada entre colchetes com a
seguinte notao [ Letra Nmero ] .
As boas idias no tem idade, apenas tm futuro.

Robert Mallet
Captulo 1 Introduo
1.1. INTRODUO
Nos ltimos anos, o mercado competitivo criado entre as empresas de engenharia
aumentou a preocupao com a reduo de custos dos empreendimentos. Atualmente a
otimizao de estruturas tem se mostrado uma ferramenta importante para tornar as
empresas mais competitivas num mercado globalizado. A otimizao pode ser entendida
como
uma
maneira
hbil
de
se
identificar
(AGs)
no
so
melhor
soluo
dentre
as
inmeras
disponveis.
Algoritmos
otimizao,
eles
Genticos
exploram
com
eficincia
simples
informaes
que
algoritmos
serviro
aleatrios
para
de
auxiliar na
busca de novas solues melhorando o seu desempenho a cada gerao. As pesquisas

com algoritmos aleatrios tm alcanado grande importncia devido sua eficincia na
otimizao de problemas complexos em contraste com
sua relativa simplicidade de
programao.
A otimizao de estruturas com adequao s caractersticas prticas de projeto
hoje algo com um grande potencial para ser aplicado nos escritrios de clculo. O
processamento
completo
de
estruturas
utilizando
AGs
bastante
dispendioso
computacionalmente, j que cada indivduo da populao uma nova estrutura a ser

resolvida. Como o nmero de variveis nos projetos bastante grande, o tamanho da
populao de indivduos a ser analisada tambm o ser, o que resulta na necessidade de
algoritmos e mtodos cada vez mais eficientes, no desenvolvimento de tais mtodos
pode-se optar pela interao entre Algoritmos Genticos e outras tcnicas de otimizao.
Os Algoritmos Genticos se adaptam muito bem s tcnicas de Processamento Paralelo,
atualmente em grande desenvolvimento, podendo desta forma resolver problemas cada
vez maiores em menor tempo.
A utilizao macia de computadores na atividade de projeto estrutural tornou
usual a anlise de prticos espaciais. O dimensionamento pelos esforos obtidos dessa
anlise torna-se complexo uma vez que as peas estruturais passam a trabalhar sob a ao
de esforos solicitantes combinados (flexo composta, toro, cortante). As variveis de
projeto so muitas (geometria da seo, materiais, bitolas das barras de ao, distribuio
da armadura, etc). Dessa forma, adotando-se diversos desses parmetros e verificando o
equilbrio e as diversas restries previstas pelas normas, o problema passa a ser de
verificao e no de dimensionamento. Aliando esse processo com um critrio, como o
Captulo 1 Introduo
de mnimo custo por exemplo, pode-se buscar a estrutura tima dentre as diversas
combinaes possveis. Partindo-se de uma populao inicial de estruturas, o computador
passa a fazer todas as verificaes necessrias, criando novas populaes a partir da
gerao anterior at obter, entre seus indivduos, a estrutura que possui o menor custo.
1.2. OBJETIVOS
Os objetivos que se pretende alcanar ao longo deste trabalho podem ser descritos
como :
Melhor entendimento dos processos de otimizao empregados, bem como as

diferenas existentes entre eles ;
Estudo
detalhado
dos
Algoritmos
Genticos,
visando
conhecer
suas
caractersticas, vantagens e aplicabilidade ;
Otimizao de Elementos Estruturais, a saber: Pilares e Vigas ;
A elaborao de um programa para Otimizao de Prticos Planos de Concreto

Armado (OTIMPORCA);
Formular exemplos de validao para os programas implementados;
Comparar
os
resultados
obtidos
pelo
programa
com
os
obtidos
da
forma
convencional.
1.3. ESCOPO DA DISSERTAO

Abaixo ser descrito de forma bastante sucinta como est organizada esta
dissertao:
No Captulo 2 feita uma apresentao da nomenclatura utilizada e das principais
ferramentas matemticas empregadas ao longo do texto. Os tpicos abordados neste
captulo so: vetores, matrizes, funo real de vrias variveis, convexidade, mnimo
local e global, sistemas de equaes lineares e sistema de equaes no-lineares.
No Captulo 3 so descritos os conceitos envolvidos na resoluo dos problemas
de otimizao via Mtodos de Programao Matemtica ([F-1], [F-2], [G-1], [H-1], [L3]). Estes mtodos sero apresentados de forma rpida e objetiva com enfoque nas suas
principais caractersticas.
Os Algoritmos Genticos so abordados no Captulo 4. Este captulo apresentar
a origem e os fundamentos dos Algoritmos Genticos ([A-1], [D-1], [G-2], [L-1], [M-7],
Captulo 1 Introduo
[S-1], [W-1]), e seus principais aspectos e caractersticas que o tornaram uma ferramenta
de busca e otimizao bastante promissora para a soluo de uma vasta gama de
aplicaes. Sero tambm mostradas as diversas operaes utilizadas pelos Algoritmos
Genticos. Para cada um destes processos ser dado um exemplo para tornar mais claro o
seu significado.
No Captulo 5 sero apresentados alguns conceitos da anlise de estruturas
reticuladas e tambm a verificao de estruturas de concreto armado. Como o enfoque
principal desta dissertao ser a Otimizao de Estruturas de Concreto Armado, neste
captulo haver um breve resumo dos tpicos que sero abordados nos exemplos de
validao do captulo seguinte.
Tpicos abordados neste captulo:
Materiais Empregados;
Aspectos sobre a verificao de estruturas de Concreto Armado ([F-4], [L-2], [M1], [P-1]): Estado Limite ltimo (ELU) e Estado Limite de Servio (ELS);
Para validar a implementao feita, no Captulo 6 so apresentadas algumas
aplicaes em estruturas convencionais de concreto armado e feitos alguns comentrios

sobre
eficincia
dos
processos
utilizados.
Neste
captulo
tambm
feita
uma
comparao entre um projeto feito da forma convencional com o mesmo feito totalmente
pelo programa implementado.
Os
exemplos
apresentados
neste
captulo
serviro
como
validao
para
os
programas elaborados. Estes exemplos esto especificados abaixo:

o Otimizao de um tramo de pilar de Concreto Armado (CA) com verificao
da Flexo Composta Oblqua (FCO);
o Otimizao de um Prtico de Concreto Armado.
Finalizando com o Captulo 7 no qual so apresentadas as concluses obtidas

com o desenvolvimento do trabalho e onde so apresentadas algumas propostas para
outros possveis trabalhos nesta rea.
Nos anexos sero colocados alguns algoritmos para os Mtodos de Programao
Matemtica bem como um manual de utilizao do OTIMPORCA. Ao final dos anexos
consta tambm um fluxograma dos mdulos desenvolvidos com uma pequena descrio
Captulo 1 Introduo
para cada mdulo. Este manual de utilizao juntamente com os fluxogramas tm a

funo de facilitar a outros usurios o acesso aos dados desta pesquisa.
Os anexos esto assim distribudos:
No Anexo A encontram-se os algoritmos para os mtodos de otimizao via

programao matemtica.
No Anexo B encontra-se um exemplo de arquivo de entrada e o respectivo

arquivo de sada (resultados) do programa OTIMPORCA.
No Anexo C esto comentados os diversos mdulos do programa.
C a p tu lo 2 E le m e n to s d e M a te m tic a A p lic a d a
C A P T U L O 2
E L E M E N T O S D E M A T E M T IC A A P L IC A D A
este cap tu lo sero intro d u zid as algu m as no ta es e
ap resentad o s
algu ns co nceito s m atem tico s so b re veto res, m atrizes, fu n es reais
d e vrias variveis, fu n es veto riais, co nvexid ad e, m xim o s e m nim o s d e fu n es,

sistem as d e eq u a es lineares e sistem as d e eq u a es no -lineares.
"F a a a s co isa s o m a is sim p les q u e vo c p u d er,

p o rm n o a s m a is sim p les .
Albert Einstein
2.1 . N O T A O
N este cap tu lo sero intro d u zid o s o s co nceito s m atem tico s b sico s p ara veto res,
m atrizes, fu n es reais d e vrias variveis, fu n es veto riais, co nvexid ad e, m nim o s d e
fu n es e o tim izao . C ad a u m d o s co nceito s ser ab o rd ad o d e fo rm a rp id a, tend o
ap enas a fu no d e fam iliarizar o leito r co m a no tao q u e ser u tilizad a no s d em ais
cap tu lo s d esta d issertao .
2.1.1 . V E T O R E S
U m veto r em n ser ind icad o p o r
x1
x
2
x = ,

xn
o nd e xi p ara i = 1,2,
,n so as i-sim as co m p o nentes d o veto r em relao a u m a
b ase p r-d efinid a.

O p ro d u to escalar d e x e y em n ser d efinid o p o r
n
x y = xi yi = x T y .
i =1
A no rm a E u clid iana d e u m veto r x d e n d efinid a p o r

x =
D iz-se q u e o s veto res

linearm ente
a1 = a2 =
ind ep end entes
(x
2
1
+ x22 +
{x1 , x 2 ,
(L I)
se
+ xn2 =
xT x .
, xm } , o nd e xi p ara i=1,2,
a1 x1 + a2 x2 +
+ am xm = 0
= an = 0 , caso co ntrrio so linearm ente d ep end entes (L D ).
A d istncia entre d o is p o nto s x e y em n ser d efinid a p ela no tao

d ( x, y ) = y x .
,m , so
im p licar
em
U sa-se a no tao
p ara o s C o lchete d e M c C au ley d efinid o s co m o

0, se x 0
x =
.
x, se x 0
A m esm a d efinio
ser u tilizad a no caso d e fu n es, o u seja,

, se f ( x ) 0
0
f (x) =
.
f ( x ) , se f ( x ) 0
2.1.2 . M A T R IZ E S
U m a m atriz em mn ser ind icad a p o r
a11 a12
a
a22
A = 21
am1 am 2

a1n
a2 n
= a ,
ij
amn

o nd e m o n m ero d e linhas d a m atriz e n o n m ero d e co lu nas d a m esm a.
A p resenta-se a segu ir algu m as no ta es e p ro p ried ad es d e m atrizes q u e sero

u tilizad as ao lo ngo d o texto :
i.
AT : m atriz transp o sta d e A = aij , o nd e AT = a ji
ii. I
aij = 1 se i = j
: m atriz id entid ad e, o nd e:
aij = 0 se i j
iii. A1 : m atriz inversa d e A

iv. U m a m atriz q u ad rad a A sim trica se:
v. U m a m atriz A sem i-d efinid a p o sitiva se:
aij = a ji p ara to d o i e j
x T A x 0 x n
v i. U m a m atriz A d efinid a p o sitiva se e so m ente se :

x T A x 0 x n
T
x A x = 0 x = 0
vii. D efine-se p o r det( A) o d eterm inante d a m atriz A , cu jo algo ritm o d e clcu lo ser
ap resentad o p o sterio rm ente.
2.1.3 . F U N O R E A L D E V R IA S V A R I V E IS
A s fu n es q u e sero tratad as nesta d issertao so d efinid as nu m co nju nto
n e assu m em valo res em , isto , f : .
O veto r d as d erivad as p arciais d e f ( x ) em u m p o nto x , d eno m inad o d e veto r
grad iente e ser ind icad o p o r
f ( x )
x1
f ( x )
f ( x )
= f ( x ) =
= x2 .
xi
f ( x )
xn

A m atriz d as d erivad as p arciais d e segu nd a o rd em d e f ( x ) em u m p o nto x ,

d eno m inad a d e m atriz H essiana ser ind icad a p o r
2 f ( x )
x1 x1
2 f ( x )
2
f
x
(
)
= 2 f ( x ) =
= x2 x1
xi x j
2 f ( x )
xn x1
2 f ( x )
x1 x2

2 f ( x )
x2 x2

2 f ( x )
xn x2
2 f ( x )
x1 xn
2 f ( x )
x2 xn .
2
f (x)
xn xn

2.1.4 . F U N O V E T O R IA L
O co nju nto d e vrias fu n es a valo res reais f1 , f 2 ,

, f m em n , p o d e ser visto
co m o u m a fu no veto rial f ( x ) . E ssa fu no d eterm ina o veto r f ( x ) d efinid o p o r

f : n m , o u seja,
f ( x ) = f1 ( x )
T
f2 ( x )

f m ( x ) .
10
S u p o nd o q u e a fu no f ( x ) seja co ntnu a co m d erivad as p arciais co ntnu as, a

m atriz

d as d erivad as p arciais d e fi em relao s variveis x j , d eno m ina-se m atriz
Jaco b iana e ser ind icad a p o r
f1 ( x )
x1
f ( x )
fi ( x ) 2
= f ( x ) =
= x1
x j
f n ( x )
x1

f1 ( x )
x2
f 2 ( x )
x2
f n ( x )
x2
f1 ( x )
xn
f 2 ( x )
xn .
f n ( x )
xn
2.1.5 . C O N V E X ID A D E
D iz-se q u e u m co nju nto no vazio em n co nvexo se p ara d o is p o nto s
q u aisq u er x1 , x2 o p o nto x1 + (1 ) x2 , p ara to d o 0 1
U m a fu no real f ( x ) d efinid a em u m co nju nto co nvexo em n , d iz-se
co nvexa se p ara d o is p o nto s q u aisq u er x1 , x2 e q u alq u er real, 0 1 tem -se
f ( x1 + (1 ) x2 ) f ( x1 ) + (1 ) f ( x2 ) .
2.1.6 . M N IM O L O C A L E M N IM O G L O B A L
N o s p ro cesso d e m inim izao d e fu n es p o d em o s o b ter co m o so lu o d o s
p ro b lem as, d iverso s tip o s d e p o nto s d e m nim o . A b aixo esto d escrito s d e fo rm a b astante
su cinta estes d iferentes tip o s.
T ip o s d e P o nto s d e M nim o :
o M nim o L o cal: x *
S e nu m a vizinhana ab erta d e x * , a (x * ,r) f(x) f(x * ) x a (x * ,r)
o M nim o L o cal E strito : x *
S e nu m a vizinhana ab erta d e x * , a (x * ,r) f(x) > f(x * ) x a (x * ,r) e
x x*
o M nim o G lo b al: x *
S e nu m a vizinhana ab erta d e x * , a (x * ,r) f(x) f(x * ) x
o M nim o G lo b al E strito : x *
S e nu m a vizinhana ab erta d e x * , a (x * ,r) f(x)> f(x * ) x e x x *
11
F igu ra 2 - 1 M nim o G lo b al e M nim o L o cal
2.2 . S IST E M A S D E E Q U A E S L IN E A R E S
D efini-se co m o E q u ao L inear s eq u a es d o tip o
ax = b x =
b
,a 0.
a
D a m esm a fo rm a q u e p ara E q u a es L ineares p o d e-se d efinir u m S istem a d e

E q u a es L ineares d a segu inte fo rm a A x = b
x = A 1 b , det ( A ) 0 , o nd e A
u m a m atriz q u ad rad a n x n .
P o d e-se tam b m escrever u m S istem a d e E q u a es L ineares d a segu inte fo rm a
a11 x1 + a12 x2 +
a x + a x +
21 1 22 2
an1 x1 + an 2 x2 +
+ a1n xn = b1

+ a2 n xn = b2

+ ann xn = bn
E xistem d iverso s m to d o s p ara so lu o d e tais sistem as, q u e p o d em ser

classificad o s co m o :
M to d o s D ireto s
N o caso d o s m to d o s d ireto s, x enco ntrad o ap s u m n m ero p revisvel d e
o p era es.
M to d o s Ind ireto s
N este caso x enco ntrad o ap s u m n m ero no p revisvel d e o p era es.
12
2.2.1 . M T O D O S D IR E T O S
O s M to d o s D ireto s d e so lu o d e sistem as d e eq u a es lineares sero
ap resentad o s d e fo rm a b astante resu m id a. M ais d etalhes so b re tais m to d o s p o d em ser
enco ntrad as em ([R -1 ], [D -2 ]). A p resentarem o s aq u i ap enas d o is d estes m to d o s:
M to d o d e C ro u t e o M to d o d e C ho leski.
2.2.1.1. M T O D O D E C R O U T
O M to d o d e C ro u t co nsiste em fazer u m a d eco m p o sio d a m atriz A em trs
m atrizes L , D e U co m a segu inte p ro p ried ad e A = L D U .
A s m atrizes L , D e U so d efinid as co m o ,
a11 a12
a
a22
21
A=
an1
an ,n 1
1
l
21
L=
ln1

0
1
d11 0
0 d
22
D=
ln ,n 1
sem p re
d eterm inar
d nn

p o ssvel
a1n
an 1,n
ann
um a
1 u12
0 1
U =
d eco m p o sio
L D U
u1n
un 1,n
1

d esd e
que
det ( A ) 0 , o nd e L u m a m atriz triangu lar inferio r d e d iago nal u nitria, D u m a

m atriz d iago nal e U u m a m atriz triangu lar su p erio r d e d iago nal u nitria, d esta fo rm a
p o d em o s escrever as m atrizes L , D e U a p artir d a m atriz A . A s eq u a es escritas
ab aixo d a segu inte fo rm a,
d11 = a11
i 1
dij = aij lik d kk ukj
i = j >1
k =1
u1 j =
a1 j
i = 1, j > i
d11
i 1
uij =
aij lik d kk ukj

k =1
d ii
i > 1, j > i
l1 j =
13
ai1
d11
j = 1, i > j
j 1
aij lik d kk ukj
lij =
S e a m atriz
j > 1, i > j
k =1
d jj
A fo r sim trica p o d e-se m o strar q u e
L = UT
e, p o rtanto ,
A = U T D U , o b tend o -se as segu intes exp ress es,

d11 = a11
i 1
dij = aij uki d kk ukj
i = j >1
k =1
a1 j
u1 j =
i = 1, j > i .
d11
i 1
uij =
aij uki d kk ukj
i > 1, j > i
k =1
dii
D ep o is d e d eco m p o sta a m atriz A o sistem a d e eq u a es lineares p o d e ser

escrito co m o ,
L D U x = b ,
faz-se D U x = y o b tend o -se
u m no vo sistem a L y = b q u e p o d e ser reso lvid o p o r
red u o p ro gressiva, o u seja,

i 1
yi = bi lik yk .
k =1
F az-se ago ra U x = z o b tend o o u tro sistem a
D z = y q u e facilm ente
reso lvid o p o r red u o d iago nal,

zi =
yi
.
dii
P o r u ltim o o b tm -se o sistem a U x = z q u e reso lvid o p o r red u o retro ativa,

xi = zi
ik
xk .
k = i +1
O d eterm inante d a m atriz A igu al ao d eterm inante d a m atriz D , o u seja,

n
det ( A ) = det ( D ) = d kk .
k =1
14
2.2.1.2. M T O D O D E C H O L E SK I
O M to d o d e C ho leski s p o d e ser u tilizad o p ara reso lu o d e sistem as d e
eq u a es lineares, q u and o a m atriz A fo r sim trica e d efinid a p o sitiva.
P ara a reso lu o d o sistem a d e eq u a es lineares A x = b p elo M to d o d e
C ho leski, d evem o s d eco m p o r a m atriz A d a segu inte fo rm a A = C T C .
D esta fo rm a o sistem a d e eq u a es fica d escrito p ela eq u ao C T C x = b , co m
C = D 2 U , o nd e
1
D u m a m atriz d iago nal, U u m a m atriz triangu lar su p erio r d e
d iago nal u nitria e d esta fo rm a C u m a m atriz triangu lar su p erio r.

P o d e-se o b ter as m atrizes D e U p elo segu inte algo ritm o :
c11 = a11
c1 j =
a1 j
i = 1, j > i
c11
i 1
cij = aij (cki )
i = j >1
k =1
i 1
cij =
aij (cki ckj )
i > 1, j > 1, j > i
k =1
cii
dij = (cij )
i= j
uij = 1
i= j
uij =
cij
i< j
dii
F az-se C x = y , d esta fo rm a terem o s q u e reso lver o C T y = b e p o r red u o

p ro gressiva p o d em o s escrever q u e
i 1
yi =
bi cki yk
k =1
cii
P o r fim reso lve-se o sistem a C x = y q u e p o r red u o retro ativa p o d e-se

escrever
xi =
yi
k = i +1
cii
ik
xk
.
15
E m p ro b lem as estru tu rais envo lvend o o m to d o d o s elem ento s finito s, a m atriz d e

rigid ez A tem u m a estru tu ra sim trica e esp arsa, co nhecid a co m o p erfil skyline. U m a
d as vantagens d e u tilizarm o s o s M to d o s d e C ro u t e C ho leski, q u e am b o s m antm o
p erfil o u envelo p e d a m atriz A , eco no m izand o m em ria. U m a d as d esvantagens d estes
m to d o s, q u e q u and o existem m u ito s zero s interno s ao p erfil, to rna-se d ifcil tirar
p ro veito d esta esp arsid ad e.
O M to d o d e C ro u t u tilizad o em q u alq u er m atriz no singu lar, enq u anto q u e no
M to d o d e C ho leski, a m atriz alm d e ser no singu lar tem q u e ser sim trica e d efinid a
p o sitiva.
2.2.2 . M T O D O S I N D IR E T O S
D a m esm a fo rm a q u e no s m to d o s d ireto s d e so lu o d e sistem as d e eq u a es
lineares ap resentarem o s ap enas d o is m to d o s ind ireto s d e reso lu o : M to d o d e Jaco b i e
o M to d o d e G au ss-S eid el. M ais d etalhes so b re estes m to d o s e so b re o s d em ais m to d o s
d e reso lu o p o d em ser enco ntrad o s em ([R -1 ], [D -2 ]).
2.2.2 .1 M T O D O D E J A C O B I
O M to d o d e Jaco b i co nsiste na d eco m p o sio d a m atriz A na so m a d e trs
m atrizes L , D e U o nd e L u m a m atriz triangu lar inferio r d e d iago nal nu la, D u m a
m atriz d iago nal e U u m a m atriz triangu lar su p erio r d e d iago nal nu la, to d as o b tid as a
p artir d a m atriz A d a segu inte fo rm a
D x = b (L + U ) x
A = L + D +U
0
a
21
L=
an1

0
0

an, n 1
a11 0
0 a
22
D=
0

ann

0 a12
0 0
U =
0

a1n
an 1,n
0

O m to d o iterativo co nsiste em se arb itrar u m a ap ro xim ao inicial p ara o veto r

x co m o send o x 0 e o b ter o s d em ais a p artir d a eq u ao
x k +1 = D 1 b ( L + U ) x k .
16
C o m o D u m a m atriz d iago nal su a inversa facilm ente o b tid a d ivid ind o o s

term o s d a d iago nal p elo d eterm inante d a m atriz, d a segu inte fo rm a
D 1 = [dii ] =
1
1
,
d ii
send o n a d im enso d a m atriz.
2.2.2.2. M T O D O D E G A U SS -S E ID E L
O M to d o d e G au ss-S eid el co nsiste na d eco m p o sio d a m atriz A na so m a d e
trs m atrizes L , D e U o nd e L u m a m atriz triangu lar inferio r d e d iago nal nu la, D
u m a m atriz d iago nal e U u m a m atriz triangu lar su p erio r d e d iago nal nu la, to d as
o b tid as a p artir d a m atriz A d a segu inte fo rm a
A x = b
A = L + D +U
0
a
21
L=
an1

0
0

an, n 1
(L + D) x = b U x
a11 0
0 a
22
D=
0

ann

0 a12
0 0
U =
0

a1n
an 1,n
0

O m to d o iterativo co nsiste em se arb itrar u m a ap ro xim ao inicial p ara o veto r

x co m o send o x 0 e o b ter o s d em ais a p artir d a eq u ao
x k +1 = ( L + D ) b U x k ,
1
o u tro artifcio tam b m u tilizad o u sar w co m o u m co eficiente p ara m elho rar a

co nvergncia d o m to d o ficand o a eq u ao d a segu inte fo rm a
L + (1 w ) D x k +1 = b (U + w D ) x k ,
send o este p ro cesso co nhecid o co m o M to d o d a R elaxao D inm ica.
17
2.3. S IST E M A S D E E Q U A E S N O -L IN E A R E S
P ara so lu o d e sistem as d e eq u a es no -lineares, ap resenta-se ap enas o M to d o
d e N ew to n. O u tro s m to d o s d e reso lu o d e sistem as no -lineares p o d em ser visto s em
[D -2 ].
O M to d o d e N ew to n o riginal p o d e ser fo rm u lad o d a segu inte fo rm a

f (x) = 0
Solucionar
x n
o nd e a fu no veto rial f : n n co ntnu a co m d erivad as p arciais co ntnu as at a

p rim eira o rd em .
E xp and ind o a fu no
f ( x ) em srie d e T aylo r em to rno d o p o nto x k e
tru ncand o -a no term o d e p rim eira o rd em , o b tem o s a segu inte exp resso ap ro xim ad a
( )
( )(
f ( x ) f x k + f x k x x k .
O M to d o d e N ew to n iterativo , o u seja no d eco rrer d o p ro b lem a gerad a u m a
seq ncia d e p o nto s a p artir d e u m p o nto inicial x 0 . N a k-sim a iterao , o p o nto x k +1
gerad o a p artir d o p o nto anterio r x k p ela fu no
x k +1 = x k
( )
f xk .
O p ro cesso iterativo d o M to d o d e N ew to n p ara fu n es d e u m a varivel real

p o d e ser o b servad o na F igu ra 2 - 2 . A so lu o x* calcu lad a p elo M to d o d as
T angentes. O no vo p o nto x k +1 estim ad o p elo p o nto no q u al a tangente co rta o eixo d as
ab scissas.
f (x)
x*
x2
x1
x0
k +1
=x
k
F igu ra 2 - 2 M to d o d e N ew to n U nid im ensio nal
( )
f (x )
f xk
C a p tu lo 3 P r o g r a m a o M a te m tic a
18
C A P T U L O 3
P R O G R A M A O M A T E M T IC A
este cap tu lo ap resentad a u m a ab o rd agem geral, rp id a e o b jetiva so b re a

P ro gram ao M atem tica, co m enfo q u e em algu ns d o s p rincip ais m to d o s
em p regad o s em p ro b lem as d e o tim izao , ap resentand o su as id ias b sicas e algu ns

co m entrio s relevantes. E m cad a m to d o ser d escrita su a fo rm u lao e as referncias
b ib lio grficas nas q u ais p o d em ser enco ntrad o s d e fo rm a m ais d etalhad a. N o s anexo s
co nstam algu ns algo ritm o s ilu strand o o s m to d o s freq entem ente ap licad o s. E sto inclu d o s
nestes anexo s o s algo ritm o s p ara o s m to d o s ab o rd ad o s nesta d issertao .
V m a is lo n g e a g a ivo ta q u e vo a m a is a lto
R ich a rd B a ch
19
3.1. I N T R O D U O
A P ro gram ao M atem tica trata d o estu d o d o s p ro b lem as d e o tim izao ju nto co m a
d eterm inao d o algo ritm o m ais ad eq u ad o p ara su a so lu o . P ara isso necessrio u m estu d o
d a estru tu ra d e cad a u m d esses m to d o s visand o u m m elho r entend im ento d o s p ro cesso s
m atem tico s envo lvid o s.
E nco ntrar a so lu o d e u m p ro b lem a d e o tim izao significa d esco b rir o (s) p o nto (s)
d e m xim o o u d e m nim o d a fu no q u e o d escreve. E sse p ro cesso envo lve co nceito s e
d efini es largam ente em p regad o s p ela literatu ra e q u e, p o rtanto , sero ap resentad o s a segu ir.
D efine-se o P ro b lem a C lssico d e O tim izao d a segu inte fo rm a
Minimizar
Sujeito a
f (x)
g ( x ) = 0
g ( x ) = 0
x
o nd e I o co nju nto d e nd ices co m restri es d e co m p o rtam ento , D o co nju nto d e nd ices
co m restri es laterais e x * d eno m inad o d e so lu o o u p o nto tim o .
S e u m p o nto x o b ed ece s co nd i es d e restrio ele d ito u m p o nto vivel e o
co nju nto d e to d o s o s p o nto s viveis d eno m inad o d e regio vivel.
A d m ite-se q u e a fu no f ( x ) seja co ntnu a e p o ssu a d erivad as p arciais co ntnu as at
segu nd a o rd em e as fu n es
g ( x ) e g ( x ) sejam co ntnu as e p o ssu am d erivad as p arciais
co ntnu as at p rim eira o rd em .
3.2. D E F IN I E S B SIC A S - T E R M IN O L O G IA
V a ri veis d e P ro jeto : A s variveis d e p ro jeto so aq u elas q u e se alteram d u rante o
p ro cesso d e o tim izao . E las p o d em ser co ntnu as (reais), inteiras o u d iscretas
(valo res co m p reend id o s d entro d e u m certo co nju nto fixo ).
D e u m p o nto d e vista fsico , as variveis d e p ro jeto p o d em rep resentar as segu intes
info rm a es so b re a estru tu ra:
o P ro p ried ad es m ecnicas o u fsicas d o m aterial;
o A to p o lo gia d a estru tu ra, isto , o p ad ro d e co nexo d o s elem ento s o u o
n m ero d e elem ento s nu m a estru tu ra;
20
o A co nfigu rao o u a fo rm a geo m trica d a estru tu ra;

o D im ens es d e se es transversais o u co m p rim ento d o s elem ento s.
R estri es: A s restri es so fu n es d e igu ald ad e o u d esigu ald ad e q u e d escrevem
situ a es ind esejveis d e p ro jeto . P o d em ser d ivid id as em d o is gru p o s:
o Restries L aterais: E fetu ad as d iretam ente so b re as variveis d e p ro jeto ,
lim itand o seu s valo res;
o Restries de Com portam ento: C o nd i es d esejveis d e lim ites d e tens es,
d eslo cam ento s, freq ncias natu rais d e vib rao , etc.
E sp a o d e B u sca o u R eg i o V i vel: o co nju nto , esp ao o u regio q u e co m p reend e
as so lu es p o ssveis o u viveis d o p ro b lem a a ser o tim izad o . caracterizad o p elas
fu n es d e restrio .
F u n o O b jetivo o u d e A va lia o : a fu no q u e se q u er o tim izar. P o d e ser d e u m a
o u m ais variveis, classificad as co m o o tim izao u nid im ensio nal e m u ltid im ensio nal
resp ectivam ente.
P o n to tim o : o p o nto caracterizad o p elo veto r x * = ( x1 , x2 ,
, xn ) , fo rm ad o p elas
variveis d e p ro jeto q u e m inim izam a fu no o b jetivo e satisfazem as restri es d o

p ro b lem a.
V a lo r tim o : o valo r d a fu no o b jetivo f ( x * ) no p o nto tim o .
S o lu o tim a : o p ar (d e so lu o ) fo rm ad o p elo p o nto tim o e valo r
tim o x* , f ( x* ) , p o d end o aind a ser:
o L ocal: Q u and o o valo r tim o lo calizad o (vizinhana);
o G lobal: Q u and o o valo r tim o glo b al na regio vivel;
o Restringida: Q u and o atend e to d as as restri es;
o N o-restringida: Q u and o no atend e a algu m a d as restri es.
T o d o s o s m to d o s m atem tico s q u e sero citad o s, u su alm ente ap resentam teo rem as
p ro vand o a su a co nvergncia. E ntretanto , nenhu m d eles garante q u e a so lu o o b tid a seja o
p o nto d e tim o glo b al, a so lu o o b tid a d ep end e em geral d o p o nto d e p artid a fo rnecid o .
21
E sta caracterstica d o s m to d o s clssico s o u m atem tico s u m a d as su as fraq u ezas

q u e h m u ito se p ro cu ra su p erar, p o rm , aind a sem su cesso .
D e aco rd o co m as caractersticas d a fu no o b jetivo e d as restri es, classificam -se o s
p ro b lem as d e o tim izao nas segu intes su b -reas d a P ro gram ao M atem tica:
P ro g ra m a o L in ea r: Q u and o a fu no o b jetivo e as restri es so fu n es lineares
d as variveis d e p ro jeto ;
P ro g ra m a o N o -L in ea r: Q u and o a fu no o b jetivo o u p elo m eno s u m a d as
restri es fu no no -linear d as variveis d e p ro jeto .
P o sterio rm ente, o u tras su b reas fo ram
ap arecend o co m
o o b jetivo d e m aio r
esp ecializao no s p ro b lem as a serem reso lvid o s, d este m o d o tem -se:

P ro g ra m a o Q u a d r tica : Q u and o a fu no o b jetivo q u ad rtica e as restri es so
fu n es lineares d as variveis d e p ro jeto ;
U m a extenso d a P ro gram ao M atem tica, sem no entanto fazer p arte d ela, seria a
P ro gram ao M u lti-O b jetivo , q u e trata o p ro b lem a d e o tim izao d e m aneira d iferente d a
anterio rm ente ap resentad a, o u seja, ao invs d e u m a, tm -se vrias fu n es o b jetivo a serem
o tim izad as.
E m b o ra u m p ro b lem a d e o tim izao clssico p o ssa ser reso lvid o p ela p ro gram ao
M u lti-O b jetivo , d eve-se d estacar q u e as m eto d o lo gias, co nceito s e id ias so d iferentes entre
as d u as fo rm u la es.
O s p ro b lem as d e o tim izao no p recisam necessariam ente ap resentar restri es,
caracterizand o a d iviso d o s p ro b lem as em d u as grand es classes: P ro b lem as d e O tim izao
co m restri es e sem restri es.
In m ero s so o s m to d o s criad o s p ara tratam ento d e p ro b lem as d e o tim izao , b em
co m o in m eras so as classifica es realizad as p elo s au to res p ara estes m to d o s. N a F igu ra
3 -1 ap resentad a u m a p o ssvel classificao geral d e u m a vasta gam a d e m to d o s existentes.
C o m o o n m ero d e m to d o s d esenvo lvid o s p ara p ro b lem as d e o tim izao vasto ,
este trab alho ap resenta ap enas info rm a es gerais d as classes d e p ro b lem as m ais co m u ns,
b em co m o co m entrio s o u enfo q u es em d eterm inad o s m to d o s. P ara cad a u m d eles ser
ap resentad a u m a b ib lio grafia na q u al o assu nto d esenvo lvid o d e fo rm a m ais d etalhad a.
PROGRAMAO LINEAR
22
MTODO SIMPLEX
MTODO DE FIBONACCI
MTODO DA SEO
UREA (GOLDEN SECTION)
DIRETAS
MTODOS
UNIDIMENSIONAIS
REDUO SUCESSIVAS
DE INTERVALOS
APROXIMAO
PARA POLINMIOS
MTODO DSC-POWELL
MTODO DA BISSEO
MTODO DA SECANTE
MTODO DE NEWTON
MINIMIZAO
SEM
RESTRIO
MTODOS SEM CLCULO

DE DERIVADAS
HOOKE e JEEVES
ROSEMBROCK
POWELL (Direes conjugadas)
NELDER
MTODOS COM CLCULO

DE DERIVADAS
DERIVADAS 1a ORDEM (Steepest Descent)

DERIVADAS 2a ORDEM - NEWTON
MTODOS QUASE-NEWTON
MTODOS DE DIREES CONJUGADAS
MTODOS
MULTIDIMENSIONAIS
PROGRAMAO
NO-LINEAR
MTODOS DAS
PENALIDADES
MINIMIZAO
COM
RESTRIO
MTODOS
DAS
BARREIRAS
MTODOS DAS
DIREES VIVEIS
PERTENCE, SEGUNDO VANDERPLAATS,

A UMA CLASSE MAIOR, CORRESPONDENDO
S TCNICAS DE MINIMIZAO NO
RESTRINGIDA SEQENCIAL (SUMT)
MTODO DAS PENALIDADES

MTODO DAS BARREIRAS
MTODO DO LANGRANGEANO
AUMENTADO
MTODO DO GRADIENTE PROJETADO (ROSEN)

MTODO DO GRADIENTE REDUZIDO (WOLFE) / GENERALIZADO
PROGRAMAO LINEAR SEQENCIAL (MTODO DO CORTE DOS PLANOS)
PROGRAMAO QUADRTICA SEQENCIAL
F igu ra 3 - 1 C lassificao G eral d o s M to d o s C lssico s
3.3. A L G O R IT M O S D E P R O G R A M A O M A T E M T IC A
D ep end end o d o tip o d e p ro b lem a d e o tim izao , o u seja, linear o u no -linear, co m o u
sem restri es, ap lica-se d iferentes m to d o s d e p ro gram ao m atem tica p ara reso lv-lo s.
O s m to d o s fo ram d esenvo lvid o s d e fo rm a a agru p ar o s p ro b lem as em fu no d a
fo rm a d a fu no o b jetivo e d as restri es d o p ro b lem a. A ssim , q u anto s restri es d o s
p ro b lem as, irem o s su b d ivid ir o s m to d o s ap resentad o s em trs gru p o s:
1 . M to d o s co m R estri es d e Igu ald ad e
2 . M to d o s co m R estri es d e D esigu ald ad e
3 . M to d o s co m R estri es M istas.
23
N o s ltim o s ano s estes p ro cesso s d e o tim izao tm sid o u tilizad o s em d iversas reas.
E m fu no d o avano co m p u tacio nal, as em p resas tm b u scad o cad a vez m ais u tilizar estas
ferram entas p ara m axim izar lu cro s e m inim izar cu sto s d e p ro cesso s d e p ro d u o , to rnand o
d esta fo rm a a o tim izao u m a rea d e p esq u isa b astante p ro m isso ra.
C o m o a m aio r p arte d o s p ro b lem as d e o tim izao reso lvid a p o r m eio d e
co m p u tad o res e o s p ro b lem as gerad o s so cad a vez m aio res, d eve-se p ro cu rar algo ritm o s
cad a vez m ais eficientes p ara su a so lu o . N este trab alho so ap resentad o s algu ns d o s
algo ritm o s existentes na literatu ra. C o m o se ver a segu ir so visto s m ais d etalhad am ente
ap enas o s algo ritm o s d e p ro gram ao no -linear.
3.3.1. P R O G R A M A O L IN E A R
A p ro gram ao linear est ligad a a so lu o d e u m tip o m u ito esp ecial d e p ro b lem a
aq u ele no q u al to d as as rela es entre as variveis so lineares, tanto nas restri es co m o na
fu no a ser o tim izad a (fu no o b jetivo ).
P o d e-se d efinir o p ro b lem a geral d a P ro gram ao L inear d a segu inte fo rm a, d ad o u m
co nju nto d e m d esigu ald ad es o u eq u a es lineares em r variveis, q u erem o s d eterm inar
valo res no negativo s d essas variveis q u e satisfaro as restri es e m inim izaro algu m a
fu no linear d as variveis.
M atem aticam ente isto p o d e ser escrito p ela eq u ao

Minimizar
f (x)
Sujeito a A x = b
ou A x b
ou A x b
xj 0
.
j = 1 q
U m a p ro p ried ad e im p o rtante d o s p ro b lem as d e P ro gram ao L inear o rigina-se d o fato

d e n s p o d erm o s garantir q u e a so lu o tim a enco ntra-se no co nto rno d a regio d e so lu es
viveis.
O m to d o m ais co nhecid o e largam ente u sad o p ara a so lu o d e p ro b lem as d e
p ro gram ao linear cham ad o d e M to d o S im p lex, q u e fo i d esenvo lvid o p o r G eo rge D antzig
em 1 9 5 5 .
H o je tem o s j algu m as m o d ifica es em relao ao m to d o o riginal p ro p o sto q u e so :
24
M to d o S im p lex G eneralizad o
M to d o S im p lex R evisad o
co m u m , no em p rego d o m to d o , a transfo rm ao d o p ro b lem a a ser reso lvid o nu m a
fo rm a co nhecid a co m o fo rm a p ad ro , q u e intro d u z variveis d e fo lga nas restri es d e
d esigu ald ad e p ara o b ter-se so m ente restri es d e igu ald ad e, alm d e variveis artificiais nas
restri es o riginalm ente d e igu ald ad e.
Q u and o se tem variveis d e p ro jeto q u e ad m itam valo res negativo s, transfo rm am -se
as m esm as p ela so m a d e valo res alto s, o b jetivand o -se trab alhar co m to d as as variveis
p o sitivas, o q u e m elho ra a co nvergncia co m p u tacio nal d o m to d o .
M ais d etalhes so b re o M to d o S im p lex
p o d em ser
o b tid o s nas
referencias [F -2 ],
[H -1 ] e [L -3 ] ap resentad as na b ib lio grafia.
3.3.2. P R O G R A M A O N O -L IN E A R
A P ro gram ao N o -L inear trata d o s p ro b lem as o nd e, o u a fu no o b jetivo o u algu m a
d as restri es so fu n es no -lineares d as variveis d e p ro jeto . O s p ro b lem as se d ivid em em
restrito s o u no -restrito s e u ni o u m u ltid im ensio nais, o nd e p ara cad a caso h u m a eno rm id ad e
d e m to d o s ap licveis, algu ns d eles ap resentad o s na classificao geral d o s m to d o s d e
P ro gram ao M atem tica anterio rm ente exib id a na F igu ra 3 - 1 .
O s m to d o s d e P ro gram ao N o -L inear sero aq u i su b d ivid id o s d a segu inte fo rm a:
1 . O tim izao sem R estri es
2 . O tim izao co m R estri es
3.3.2.1. OTIMIZAO SEM RESTRIES

O s algo ritm o s d e o tim izao p ara p ro b lem as d e P ro gram ao N o -L inear sem
restri es p o ssu em , em geral, u m a estru tu ra co m u m d e reso lu o q u e co nsiste em se ap licar,
d e fo rm a iterativa, a eq u ao d e reco rrncia x k = x k 1 +
variveis d e p ro jeto ,

d k , o nd e x o veto r d as
d a d ireo d e b u sca e o nd ice k rep resenta
a iterao co rrente.
A diferena bsica entre os diversos algoritmos de soluo de problemas de
otimizao consiste na estratgia empregada para obteno do vetor d k , correspondente s
sucessivas direes de busca. Entre os vrios mtodos existentes para soluo de problemas
de Programao No-Linear sem restries, alguns necessitam apenas informaes sobre o
25
valor da funo, outros, alm do valor da funo, utilizam a primeira derivada; e h ainda os
que utilizam a segunda derivada. Estes mtodos so denominados mtodos de ordem zero,
um e dois, respectivamente. Inmeros so os mtodos empregveis a esta classe de
problemas, dentre os quais: Gradiente, Newton e Quase-Newton [F-1].
O p ro b lem a geral neste caso co nsiste em

Minimizar f ( x ) ,
x n
A s co nd i es necessrias e su ficientes p ara se ter u m m nim o lo cal so :

1 ) C o nd io
necessria
f ( x * ) = 0
de
p rim eira
o rd em
f ( x * ) = 0 ,
send o
x* u m p o nto estacio nrio
f ( x * ) = 0
2 ) C o nd io necessria d e segu nd a o rd em :
T
2
*
d 0
d f ( x ) d 0
f ( x * ) = 0
3 ) C o nd io su ficiente d e segu nd a o rd em :
T
2
*
d 0
d f ( x ) d > 0
O s M to d o s q u e sero ap resentad o s p ara reso lu o d e P ro b lem as d e o tim izao sem

restri es so o s segu intes:
M to d o d e N ew to n-R ap hso n
M to d o Q u ase-N ew to n (B F G S )
M to d o Q u ase-N ew to n (D F P )
N o s anexo s tem o s o s algo ritm o s p ara estes m to d o s b em co m o o algo ritm o p ara o
M to d o d e N ew to n/Q u ase-N ew to n q u e u tiliza as id ias tanto d o M to d o d e N ew to n co m o a
ap ro xim ao feita p elo B F G S [F -1 ].
26
3.3.2.1.1. M T O D O D E N E W T O N -R A PH SO N
C o sid ere-se o p ro b lem a d e o tim izao d ad o p o r
Minimizar
f (x)
x n ,
send o f ( x ) co ntnu a co m d erivad as p arciais co ntnu as at a segu nd a o rd em .

P o d e-se fo rm u lar o M to d o d e N ew to n o riginal p ara este p ro b lem a d a segu inte fo rm a
Sol.
f (x) = 0
x n
e
f : n ,
o nd e f ( x ) co ntnu a co m d erivad as p arciais co ntnu as at a segu nd a o rd em .
E xp and ind o a fu no f ( x ) em srie d e T aylo r em to rno d o p o nto x k e tru ncand o -a
no term o d e p rim eira o rd em , o b tm -se q u e
f ( x ) f ( x k ) + f ( x k ) ( x x k ) ,
d esta fo rm a su b stitu ind o f ( x ) = 0 na eq u ao acim a, tem -se
x x k f ( x k ) f ( x k ) ,
1
co m isso fo rm u la-se finalm ente a exp resso

x k +1 = x k f ( x k ) f ( x k )
1
q u e a fo rm u la iterativa u tilizad a p ara reso lu o d o p ro b lem a.

O algo ritm o p ara o M to d o d e N ew to n p o d e ser visto no A n exo A no algo ritm o A -3 .1 .
A s p rincip ais caractersticas d este m to d o so :
O m to d o tem co nvergncia q u ad rtica;
P elas co nd i es su ficientes d e segu nd a o rd em , p ara q u e u m p o nto x * seja u m
m nim o lo cal d o p ro b lem a, a m atriz H essiana
2 f ( x* )
d eve ser p o sitiva
d efinid a, d esta fo rm a, em u m p o nto p r xim o a x * ela tam b m o ser garantind o

u m b o m co m p o rtam ento d o m to d o p erto d a so lu o .
P ara valo res d istantes d a so lu o , o M to d o d e N ew to n p erd e su a eficincia.
27
U m a m o d ificao u su al q u e se faz ao M to d o d e N ew to n a intro d u o d a B u sca

U nid im ensio nal, o u seja, u m p arm etro s intro d u zid o resu ltand o na segu inte eq u ao
x k +1 = x k s k 2 f ( x k ) f ( x k ) ,
1
o nd e s k u m escalar p o sitivo q u e m inim iza f ( x ) na d ireo d k , d ad a p o r

d k = 2 f ( x k ) f ( x k ) ,
1
p erto d a so lu o terem o s s k 1 .
O M to d o d e N ew to n co m b u sca u nid im ensio nal est esq u em aticam ente d escrito no
A n exo A no A lgo ritm o A -3 .3 e o algo ritm o d a B u sca U nid im ensio nal ap resentad o no A n exo
A no A lgo ritm o A -3 .2 .
3.3.2.1.2. M T O D O Q U A SE -N E W T O N (B F G S )
S eja o p ro b lem a d e o tim izao d ad o p o r
Minimizar
f (x)
x n ,
send o f ( x ) co ntnu a co m d erivad as p arciais co ntnu as at a segu nd a o rd em .

P ara q u e se p o ssa d iferenciar este m to d o d o M to d o d e N ew to n ap resentam -se a
segu ir algu m as caractersticas d o m to d o :
O m to d o su rgiu p ara m elho rar o M to d o d e N ew to n, o b tend o u m a verso d o m to d o
q u e tam b m co nvergisse p ara valo res iniciais d istantes d a so lu o .
O s M to d o s Q u ase-N ew to n esto enq u ad rad o s em u m gru p o d e m to d o s d e
d ecrscim o s, q u e geram seq ncias d e p o nto s a p artir d e u m p o nto inicial x 0 . A
so lu o x * calcu lad a p elo M to d o d as S ecantes. N a k-sim a iterao , o p o nto x k +1
gerad o a p artir d o p o nto x k d a segu inte fo rm a: x k +1 = x k s k d k , o nd e s k u m
escalar q u e m inim iza a fu no k n2 e d k u m a d ireo d e d ecrscim o .
C o nsid ere-se a d efinio d o s segu intes veto res
k +1
= f
(!
k +1
) f ( ! )
k
28
A co nd io Q u ase-N ew to n, o u co nd io secante, q u e garante q u e a m atriz,

B k 2 f ( x k )
d efinid a p o r
Bk "
=#
N o s M to d o s Q u ase-N ew to n a seq ncia d e p o nto s d efinid a p o r

x k +1 = x k s k B k f ( x k ) ,
send o s k u m escalar p o sitivo e B k a ap ro xim ao d a inversa d a M atriz H essiana d a fu no
f ( x ) e neste caso a d ireo d e d ecrscim o d efinid a p o r
d k = B k f ( x k ) .
A s p rincip ais d iferenas entre este m to d o e o M to d o d e N ew to n o riginal so
ap resentad as na seq ncia:
1 . A crscim o s d o co eficiente s k (B u sca u nid im ensio nal);
2 . A p ro xim ao d a inversa d a M atriz H essiana.
A atu alizao d a inversa d a M atriz H essiana se d a p artir d a gerao d e u m a

seq ncia d e m atrizes B 0 , B1 , $ , B k 1 , B k , o nd e em cad a iterao a m atriz B k +1 calcu lad a a
p artir d a m atriz im ed iatam ente anterio r B k . S e no fo r p o ssvel o b ter as info rm a es iniciais
d a M atriz H essiana, ad o ta-se co m o ap ro xim ao inicial d e B 0 a m atriz id entid ad e. D ep o is d e
d eterm inar o p o nto x k +1 , u m a no va ap ro xim ao B k +1 o b tid a atu alizand o B k , o u seja,
B k +1 = B k + U k ,
o nd e U k u m a m atriz d e atu alizao .
A fo rm u la p ara atu alizao d a m atriz H essiana p ara o M to d o Q u ase-N ew to n B F G S
(B ro yd en, F letcher, G o ld farb , S hanno ) ap resentad a a segu ir
("
B k +1 = B k + 1 +
) % &
(' ) &
k T
k T
' k ( ' k )T '
( ' k )T & k
(&
) % + % & (' )
(' ) &
k T
k T
A m esm a exp resso p o d e ser reescrita co m o se segu e
Bk = I + (
()
) ) *
k T
k 1
(+
+,
(-
k T
),
k T
o nd e
0 .
s k k k
=
.
f ( x k 1 ) k
. 0
29
+ k f
k 1
S u b stitu ind o as exp ress es acim a na eq u ao d k = B k f ( x k ) , q u e calcu la o d ireo

d e d ecrscim o , o b tm -se
dk = I + /
) ) 3
(1
k T
k 1
(4
+1
(/
) f ( 2
k T
).
A s p rincip ais caractersticas d o s M to d o s d e Q u ase-N ew to n so :

N ecessita-se ap enas d a p rim eira d erivad a d a fu no f ;
A m atriz B k u m a m atriz p o sitiva d efinid a;
S o realizad as O n 2 m u ltip lica es p o r iterao enq u anto no M to d o d e
N ew to n so realizad as O n3 .
3.3.2.1.3. M T O D O Q U A SE -N E W T O N (D F P )
F o ram p ro p o stas d iversas fo rm u las p ara atu alizao d a m atriz H essiana, o u tra fo rm u la
b astante u tilizad a ser ap resentad a a segu ir e fo i p ro p o sta p o r D avid o n, F letcher e P o w ell
(D F P ).
A atu alizao d a m atriz H essiana neste caso feita d a segu inte fo rm a
k +1
=B +
k
.
0
( )
k T
k T
k
) 3
0
0
( ) 3
k T
k T
fcil m o strar q u e existem algu m as rela es entre as eq u a es o b tid as p ara o s

m to d o s B F G S e D F P , tais rela es so m o strad as lo go ab aixo .
D efinind o -se u m a m atriz H co m o send o a inversa d a m atriz H essiana ap ro xim ad a
o b tid a no s M to d o s Q u ase-N ew to n tem -se
H k = (Bk )
Hk
d esta fo rm a a exp resso d a m atriz H p ara am b o s o s m to d o s d efinid a d a segu inte fo rm a
k +1
H DFP
(5
= H + 1 +
k T
8
7
( )
k T
k +1
BFGS
30
=H +
k
8 k ( 7 k )T 8
( 8 k )T 7 k
k T
k T
8
7
( )
k T
8
7
( )
k T
7
6
( )
k T
k T
k
k
k
k
k T
o u seja,
k +1
k +1
BBFGS
H BFGS
=I
k +1
k +1
BDFP
H DFP
=I.
P o d e-se aind a citar u m a o u tra f rm u la q u e tenta u nir o s d o is m to d o s anterio rm ente

ap resentad o s co m a segu inte exp resso
( k +1)
( k +1)
B( k +1) = (1 ) BDFP
,
+ BBFGS
co m o valo r d e o b tid o p ela F rm u la d e H o shino p ara cad a iterao
8 1 :
9 8
1 7
8
A f rm u la B F G S em p articu lar tm sid o m ais u tilizad a na p rtica, talvez p o r ser

m elho r q u e a f rm u la D F P e j rep resentar a inversa d a m atriz H essiana no send o m ais
necessrio inverter a m atriz no algo ritm o d e reso lu o .
A segu ir so ap resentad as algu m as p ro p ried ad es co m u ns p ara o s M to d o s Q u ase-N ew to n

D FP e BFG S:
P o d e-se d em o nstrar q u e p ara fu n es q u ad rticas:
o C o nclu d as as k itera es B k +1 = 2 f ( x )
o b tend o d esta fo rm a a so lu o
d o p ro b lem a;
o P reserva-se as co nd i es d o M to d o Q u ase-N ew to n;
o O s m to d o s geram d ire es co nju gad as e grad ientes co nju gad o s q u and o
B=I;
Q u and o se tratar d e fu n es em geral, p o d e d em o nstrar q u e:

o O s m to d o s p reservam a m atriz B k co m o p o sitiva d efinid a;
o R eq u er 3 n 2 + k n m u ltip lica es p o r iterao ;
31
o P o ssu em co nvergncia nu m a razo su p er linear;

o P o ssu em co nvergncia glo b al p ara fu n es estritam ente co nvexas;
3.3.2.2. O T IM IZ A O C O M R E ST R I E S
O s m to d o s d e o tim izao co m restri es b u scam d escrever o p ro b lem a d e fo rm a a
transfo rm a-lo em u m p ro b lem a d e o tim izao sem restri es, send o d esta fo rm a p o ssvel
reso lver o s m esm o s co m o s m to d o s anterio rm ente ap resentad o s.
C o nsid ere-se o p ro b lem a geral d e o tim izao co m restri es d a fo rm a
Minimizar
Sujeito a
f (x)
g i ( x ) = 0, i = 1 ; m
g j ( x ) 0,
j = 1; q
x n
= x gi ( x ) = 0, i = 1 ; m e g j ( x ) 0,
o nd e
j = 1; q
d eno m inad a d e regio vivel e co m a fu no f ( x ) co ntnu a e co m d erivad as
p arciais co ntnu as at a segu nd a o rd em e as fu n es gi ( x ) e g j ( x ) co ntnu as e co m

d erivad as p arciais co ntnu as at a p rim eira o rd em .
P ara u m m elho r entend im ento d o s m to d o s q u e sero ap resentad o s a segu ir, estes
sero su b d ivid id o s d a segu inte fo rm a:
1 . M to d o s co m R estri es d e Igu ald ad e
2 . M to d o s co m R estri es d e D esigu ald ad e
3 . M to d o s co m R estri es M istas
3.3.2.2.1. O T IM IZ A O C O M R E ST R I E S D E I G U A L D A D E
C o nsid ere-se o p ro b lem a geral d e o tim izao co m restri es d e igu ald ad e d a fo rm a
Minimizar
Sujeito a
f (x)
g i ( x ) = 0, i = 1 ; m
x n
= x gi ( x ) = 0, i = 1 ; m
A segu ir so ap resentad as algu m as d efini es q u e p o sterio rm ente so u tilizad as no s

m to d o s
<
n u m increm ento vivel em u m p o nto x
<
x + ;
32
D iz-se q u e u m a d ireo d u m a d ireo d e d ecrscim o em x
d T f ( x * ) < 0
e se o p o nto x * u m p o nto d e m nim o lo cal, no existe d tal q u e

d T gi ( x* ) = 0
T
*
d f ( x ) < 0
i = 1= m ;
D iz-se q u e u m p o nto x * , q u e satisfaz as restri es gi ( x ) = 0 p ara i = 1 = m , u m

p o nto regu lar se o s veto res grad ientes g1 ( x * ) , g 2 ( x* ) , , g m ( x * ) fo rem L I;
S end o x * u m p o nto regu lar e co m o o sistem a
d T gi ( x* ) = 0
T
*
d f ( x ) < 0
i = 1= m
no tem so lu o , p o d em o s garantir q u e existem
i* co m i = 1 = m , tais q u e
f ( x ) i* g i ( x * ) = 0 , o nd e o s n m ero s i* so d eno m inad o s M u ltip licad o res

m
i =1
d e L agrange;
D eno m ina-se d e F u no L agrangiana a fu no d efinid a p o r
L ( x, >
)= f
(? ) g (? ) ;
m
i =1
A co nd io necessria d e p rim eira o rd em p ara q u e u m p o nto vivel seja u m m nim o

lo cal, d ad a p o r f ( x * ) i* g i ( x * ) = 0 , o u seja, o grad iente d a fu no
m
i =1
o b jetivo d eve ser u m a co m b inao linear d o s grad ientes d as restri es;

A co nd io necessria d e p rim eira o rd em p ara q u e o p o nto
estacio nrio d a F u no L agrangeana d ad a p o r L ( x * , >
O s m to d o s ap resentad o s nesta seo sero o s segu intes:

M to d o d o L agrangiano
M to d o d a P enalid ad e
M to d o d o L agrangiano A u m entad o
(x ,> )
*
) = 0 , co m
seja u m p o nto

= x.

33
3.3.2.2.1.1. M T O D O D O L A G R A N G IA N O
C o nsid ere-se o segu inte p ro b lem a geral d e o tim izao co m restri es d e igu ald ad e d a
segu inte fo rm a
Minimizar
Sujeito a
f (x)
i = 1@ m
gi ( x ) = 0
x n
co m a fu no f ( x ) co ntnu a e co m d erivad as p arciais co ntnu as at a segu nd a o rd em e a(s)
fu no ( es) gi ( x ) co ntnu a(s) e co m d erivad as p arciais co ntnu as at a p rim eira o rd em .
A co nd io necessria d e p rim eira o rd em p ara q u e o p o nto
estacio nrio d a F u no L agrangiana co m o fo i visto na seo anterio r
L ( x, D
( x , A ) seja p o nto
L ( x , A ) = 0 , o nd e
) = f (E ) B i C i (E ) .
i
m
=1
P o d e-se ago ra d efinir as fu n es f1 ( x* ) e f 2 ( x * ) d a segu inte fo rm a

f1 ( x* ) = f ( x* ) + i* gi ( x* ) = 0
m
i =1
e
g1 ( x * )
g ( x )
f2 ( x* ) = 2 F
=0,
*
g m ( x )
lo go o sistem a acim a p o d e ser rep resentad o p o r
m
*
*
*
+
x
f
( ) i gi ( x )
i =1
f1
x
g1 ( )
t ( x, G ) =
= =H
I
f2
g m ( x )
U tilizand o o M to d o d e N ew to n p ara reso lver o sistem a tem -se

x
J

k +1
x
= t ( x k , J
J
t (K
,J
),
34
o q u e eq u ivale a reso lver t ( x k , L
) M
= t ( N
,O
),
o nd e d k e
t ( x k , O
so
resp ectivam ente

x
dk =
O
k +1
x

O
f1
x
t ( x k , O k ) =
f 2
x
f1
O
.
f 2
O
A p enas escrevend o d e o u tra fo rm a tem -se q u e

m
2
k
x
+
ik 2 g i ( x k ) g ( x k )
f
(
)
i =1
t ( x k , O k ) =
g ( x k )
0
P ara reso lver o sistem a d e eq u a es acim a d escrito ser necessrio inverter a m atriz
t ( x k , O
),
d esta fo rm a p o d e-se fazer sim p lificar o s clcu lo s d a segu inte fo rm a, ad o ta-se
p ara as m atrizes A e B as segu inte exp ress es

A = 2 f ( x k ) + ik 2 gi ( x k )
B = g ( x k ) .
i =1
D esta fo rm a inverter a m atriz t ( x k , O
)o
m esm o q u e d eterm inar as m atrizes C ,
D e E d e fo rm a q u e
A
BT
B C
O D T
D I O
.
=
E O I
P o d e-se facilm ente o b ter a p artir d e algu m as o p era es as exp ress es

C = A-1 - A-1 B ( B T A-1 B ) B T A1 ,
-1
D = A1 B ( BT A1 B ) e
1
E = ( B T A1 B ) .
1
L o go o p ro b lem a fica resu m id o a reso lver o segu inte sistem a d e eq u a es

k
d1
C
d = DT
D f1
,
E f 2
d e o nd e se o b tm as segu intes exp ress es finais

d1 = A1 f1 A1 B d 2
k
k
d 2 = ( BT A1 B ) BT A1 f1 + f2
1
35
O algo ritm o p ara o M to d o d o L agrangiano co m restri es d e igu ald ad e est

ap resentad o no A n exo A p elo A lgo ritm o A -3 .1 0 . N o algo ritm o A -3 .9 d o A n exo A m o strad o
esq u em aticam ente o calcu lo d a d ireo d e d ecrscim o d k p ara o M to d o d o L agrangiano .
3.3.2.2.1.2. M T O D O D A P E N A L ID A D E
O M to d o d a P enalid ad e tem co m o id ia b sica transfo rm ar o p ro b lem a d e o tim izao
co m restri es d e igu ald ad e em u m p ro b lem a sem restri es.
A id ia m o ntar u m a F u no d e P enalid ad e na q u al se co m b inam a fu no o b jetivo
f ( x ) co m as restri es gi ( x ) p o ssib ilitand o d esta fo rm a a m inim izao d e
f ( x ) ao
m esm o tem p o em q u e so satisfeitas as restri es gi ( x ) , p enalizand o -as.

A F u no d e P enalid ad e d o p ro b lem a p o d e ser d efinid a co m o
m
1
P ( x , ) = f ( x ) + g i2 ( x ) ,
2
i =1
o nd e d eno m inad o d e p arm etro d e p enalid ad e.

O p ro cesso d e reso lu o co nsiste em ad o tar u m a seq ncia d e escalares tend end o ao
infinito co m o p o r exem p lo
{1,10,10 ,10 ,10 , P },

2
e reso lver o p ro b lem a atrib u ind o cad a
valo r a ( ) , gerand o assim , u m a seq ncia d e so lu o x ( ) .

m
D em o nstra-se q u e q u and o ( m ) ento x ( m ) x * q u e u m m nim o lo cal d o

p ro b lem a. A lm d isso , a co nvergncia glo b al, o u seja, a co nvergncia d e u m m nim o lo cal
ind ep end e d o valo r inicial ad o tad o .
D a m esm a fo rm a q u e no m to d o anterio r a u tilizao d e u m a fu no nica q u e se
d eseja o tim izar co m as restri es gera u m no vo p ro b lem a q u e rep resentad o p ela
m inim izao d a fu no P ( x , k ) sem restri es, co m isso p o d e-se u tilizar p ara tal q u aisq u er
u m d o s m to d o s d e m inim izao sem restri es anterio rm ente ap resentad o s.
O grad iente d a F u no d e P enalid ad e P ( x , k ) d ad o p ela segu inte eq u ao
P ( x , k ) = f ( x ) + k g i ( x ) g i ( x ) .
m
i =1
O A lgo ritm o d o M to d o d a P enalid ad e co m restri es d e igu ald ad e p o d e ser visto no

A n exo A no A lgo ritm o A -3 .1 1 .
36
3.3.2.2.1.3. M T O D O D O L A G R A N G IA N O A U M E N T A D O
O M to d o d o L agrangiano A u m entad o (M L A ) co nsiste em reso lver u m a srie d e
p ro b lem as d e m inim izao sem restri es. E le u tiliza a id ia d o M to d o d o L agrangiano
d escrito no item 3 .3 .2 .2 .1 .1 acrescentand o na F u no L agrangiana u m term o a m ais q u e
p enaliza as restri es, o u seja, algo eq u ivalente ao M to d o d a P enalid ad e.
O L agrangiano A u m entad o d o p ro b lem a d efinid o d a segu inte fo rm a
A ( x, Q , ) = f
i =1
i =1
( R ) + i g i ( R ) + g i2 ( R ) ,
2
o nd e o p arm etro d e p enalid ad e e
o veto r q u e co ntm o s m u ltip licad o r d e L agrange.
A id ia geral d o m to d o co nsiste em m inim izar a fu no A ( x, Q , ) . O s valo res d e

e
so esco lhid o s e fixad o s no co m eo d e cad a m inim izao sem restri es e
p o sterio rm ente o fu ncio nal A ( x, Q , ) m inim izad o em relao a x .

N o final d e cad a m inim izao , o s valo res d e
so atu alizad o s e o p ro cesso co ntinu a
at atingir a co nvergncia.
A atu alizao d o s M u ltip licad o res d e L agrange p o d e ser feita p ela segu inte eq u ao
k +1
=Q
+ g (R
).
P ara o co rrer a co nvergncia no M L A , o valo r d a p enalid ad e b asta ser finito ,

enq u anto no M to d o d a P enalid ad e este valo r tinha q u e tend er ao infinito o q u e acarreta
p ro b lem as co m p u tacio nais.
O algo ritm o d o M to d o d o L agrangiano A u m entad o co m restri es d e igu ald ad e p o d e
ser visto no A nexo A no algo ritm o A -3 .1 2 .
3.3.2.2.2. O T IM IZ A O C O M R E ST R I E S D E D E SIG U A L D A D E
C o nsid ere-se o p ro b lem a geral d e o tim izao co m restri es d e d esigu ald ad e d a
fo rm a segu inte
Minimizar
Sujeito a
f (x)
g j ( x ) 0,
j = 1S q
x n
= x g j ( x ) 0,
j = 1S q
o nd e
37
d eno m inad a d e regio vivel e a fu no f ( x ) send o co ntnu a e co m d erivad as
p arciais co ntnu as at segu nd a o rd em e as fu n es g j ( x ) co ntnu as e co m d erivad as p arciais

co ntnu as at p rim eira o rd em .
A co nd io necessria d e p rim eira o rd em p ara u m p o nto x * seja u m p o nto d e m nim o
lo cal d o p ro b lem a d e m inim izao d escrito acim a p o d e ser vista p elas eq u a es
f ( x ) *j g j ( x * ) = 0
q
j =1
g j ( x* ) 0
*
j
*
j
g j ( x* ) =
j = 1W q
C o nsid ere-se ( x* ) o co nju nto d as restri es d e d esigu ald ad e ativas na so lu o x * ,

o u seja, ( x* ) o co nju nto d o s nd ices
j tal q u e g j ( x* ) = 0 . E nto , as co nd i es
necessrias p o d em ser escritas d a fo rm a segu inte

f ( x ) *j g j ( x * ) = 0
q
j =1
g j ( x* ) = 0
g j ( x* ) < 0
*
j
*
j
j ( x* )
j ( x* )
Y[ q
j (x )
j=
U m a d as fo rm as d e se reso lver o s p ro b lem as co m restri es d e d esigu ald ad e atravs

d o M to d o d o s C o nju nto s A tivo s q u e tem co m o o b jetivo d efinir a cad a iterao u m co nju nto
d e restri es, cham ad o d e co nju nto d e trab alho , q u e se tratar d e u m a estim ativa d o co nju nto
( x* ) . O m to d o co nsiste em d eterm inar
u m co nju nto d e trab alho atu al, q u e u m
su b co nju nto d as restri es, e efetu ar u m a m inim izao so b restri es d e igu ald ad e p ara este
co nju nto . S e este p o nto no satisfizer as co nd i es d o p ro b lem a, feita u m a atu alizao d o
co nju nto d e trab alho e em segu id a calcu la-se o no vo p o nto . Q u and o a so lu o fo r o b tid a, o
co nju nto d e trab alho p assa a ser o co nju nto ativo co rreto ( x* ) .
D entre o s vrio s m to d o s existentes sero aq u i ap resentad o s ap enas d o is q u e so :
o M to d o d a P enalid ad e
o M to d o d o L agrangiano A u m entad o
38
O s o u tro s m to d o s p o d em ser enco ntrad o s na b ib lio grafia so b re o assu nto citad a no

C a p tu lo 1 d esta d issertao .
N o caso d e p ro b lem as co m restri es d e igu ald ad e, p ara o b term o s u m p o nto q u e
satisfaa s co nd i es necessrias d o p ro b lem a d e o tim izao co m restri es d e d esigu ald ad e
anterio rm ente
ap resentad as,
b asta
reso lverm o s
um
sistem a
no -linear
de
eq u a es.
E ntretanto , em p ro b lem as q u e inclu em restri es d e d esigu ald ad e, alm d a reso lu o d o

sistem a no -linear d e eq u a es, to rna-se necessrio q u e a so lu o d este sistem a satisfaa a
essas restri es. N este caso , co nstr i-se u m a no va F u no d e P enalid ad e.
A no va F u no d e P enalid ad e p ara o p ro b lem a p o d e ser vista d a segu inte fo rm a
2
q
1
P ( x, ) = f ( x ) + g j ( x ) ,
2
j =1
o nd e cham ad o d e p arm etro d e p enalizao .

C o m o estes p ro cesso s so reso lvid o s d e fo rm a iterativa, a cad a p asso d o p ro cesso a
g j ( x ) verificad a em fu no d o valo r d e x p ara esta iterao e d esta fo rm a ser
fu no
co nsid erad o o u no no p ro cesso , o u seja, verificad a se a restrio est o u no ativa.

O algo ritm o p ara o M to d o d a P enalid ad e co m restri es d e d esigu ald ad e p o d e ser
visto no A n exo A no algo ritm o A -3 .1 3 .
D a m esm a fo rm a q u e no M to d o d a P enalid ad e sero feitas algu m as altera es no
fu ncio nal A ( x, \ , ) resu ltand o a eq u ao
A ( x, \ , ) = f
o nd e
(] ) +
j =1
j g j (]
o p arm etro d e p enalid ad e e
q
1
+ g j (]
j =1 2
so o s
m u ltip licad o res d e L agrange. O u tra
d iferena se d na atu alizao d o s m u ltip licad o res d e L agrange q u e nesta verso d o m to d o

so d ad o s p ela eq u ao
\
O
k +1
+ g (]
algo ritm o p ara o M to d o d o L agrangiano A u m entad o co m
d esigu ald ad e p o d e ser visto no A n exo A no algo ritm o A -3 .1 4 .
restri es d e
39
3.3.2.2.3. O T IM IZ A O C O M R E ST R I E S M IST A S
Q u and o falam o s em o tim izao co m restri es m istas estam o s no s referind o ao
p ro b lem a geral d a P ro gram ao M atem tica. O s m to d o s ap resentad o s a segu ir p o d em ser
u tilizad o s p ara reso lu o d e to d o s o s p ro b lem as anterio rm ente ap resentad o s.
D entre d este co ntexto sero aq u i ap resentad o s ap enas d o is m to d o s q u e so :
o M to d o d a P enalid ad e
o M to d o d o L agrangiano A u m entad o
C o nsid ere-se o segu inte p ro b lem a geral d e o tim izao d efinid o d a segu inte fo rm a
f (x)
Minimizar
Sujeito a
gi ( x ) = 0 i = 1 ^ m
g j (x) 0
j = 1^ q
x n
o nd e a fu no f ( x ) co ntnu a e co m d erivad as p arciais co ntnu as at segu nd a o rd em e as
fu n es gi ( x ) e g j ( x ) so co ntnu as e co m d erivad as p arciais co ntnu as at p rim eira
o rd em .
A F u no d e P enalid ad e d o p ro b lem a geral p o d e ser escrita d a segu inte fo rm a
q
m
1
1
P ( x , ) = f ( x ) + g i2 ( x ) + g j ( x )
2
2
i =1
j =1
co m send o o p arm etro d e p enalid ad e. P o d e-se o b servar q u e P ( x, ) a m esm a fu no

d o s p ro b lem as anterio res s q u e neste caso esto co nsid erad o s tanto as restri es d e
igu ald ad e co m o as restri es d e d esigu ald ad e.
D ep o is d e d efinid a a fu no P ( x, ) , b asta ap enas reso lver o p ro b lem a d e fo rm a
iterativa co m o send o u m a m inim izao co m restri es d e igu ald ad e, p o is a cad a iterao a
fu no g j ( x ) p o d e estar ativa o u inativa.
O algo ritm o d o M to d o d a P enalid ad e co m restri es m istas p o d e ser visto no A n exo
A no algo ritm o A -3 .1 5 .
40
C o nsid ere-se o segu inte p ro b lem a geral d e o tim izao d efinid o d a segu inte fo rm a
f (x)
Minimizar
gi ( x ) = 0
Sujeito a
i = 1_ m
j = 1_ q
g j (x) 0
x n
o nd e a fu no f ( x ) co ntnu a e co m d erivad as p arciais co ntnu as at segu nd a o rd em e as
fu n es gi ( x ) e g j ( x ) co ntnu as e co m d erivad as p arciais co ntnu as at p rim eira o rd em .
A fu no d o L agrangiano A u m entad o p ara o p ro b lem a p o d e ser escrita d a segu inte
fo rm a
o nd e
a i2 ( c ) + `
( c ) + `:
i a i (c ) +
2
A ( x, b , ) = f
i =1
i =1
o p arm etro d e p enalid ad e e
j =1
a (c ) + 1 a ( c )
2
j
j =1
so o s m u ltip licad o r d e L agrange. A atu alizao
d o s m u ltip licad o res d e L agrange feita co nfo rm e se m o stra nas eq u a es ab aixo
b
b
k +1
k +1
=b
+ gi ( c
+ g j (c
P ara restri es d e igu ald ad e

P ara restri es d e d esigu ald ad e
D ep o is d e d efinid a a fu no A ( x, b , ) , b asta ap enas reso lver o p ro b lem a d e fo rm a

iterativa co m o send o u m a m inim izao co m restri es d e igu ald ad e, p o is a cad a iterao a
fu no g j ( x ) p o d e estar ativa o u inativa.
O algo ritm o d o M to d o d o L agrangiano A u m entad o co m restri es m istas p o d e ser
visto no A n exo A no algo ritm o A -3 .1 7 .
3.3.3. P R O G R A M A O M U L T I -O B J E T IV O S
Em muitos problemas correntes, no se deseja alcanar to somente um objetivo, e
sim vrios deles. Um exemplo seria o projeto de uma ponte onde o projetista deseja
minimizar o peso da mesma e, ao mesmo tempo, maximizar as freqncias naturais de
vibrao. Ou num projeto de rodovia quando se tem por objetivos minimizar as distncias de
percurso, bem como os volumes de terras transportados.
41
Desta maneira, uma vez que inmeros problemas do cotidiano apresentam mais de
um objetivo a serem perseguidos simultaneamente, surgiu a Programao com Multiobjetivos.
Em geral, qualquer modelo de programao clssica com apenas um objetivo e
vrias restries, pode ser modelado e resolvido empregando-se a tcnica para Multiobjetivos, contudo, muitas diferenas existem na formulao e conceitos entre estas duas
tcnicas de otimizao.
Um dos mtodos mais utilizados na programao com Multi-objetivos o Goal
Programming, que funciona verdadeiramente como um tomador de decises. As diferenas
entre as formulaes so to grandes que um problema de otimizao que sequer apresente
uma regio vivel e que, com tratamento clssico seria de impossvel resoluo, com o Goal
Programming obtm-se uma soluo. Embora esta soluo viole alguma ou algumas das
restries, ela ser a melhor soluo encontrada para aquelas metas estabelecidas.
Captulo 4 Algoritmos Genticos
42
CAPTULO 4
ALGORITMOS GENTICOS
ste captulo apresenta a origem, os fundamentos dos Algoritmos

Genticos e seus principais aspectos e caractersticas que o tornam
uma ferramenta de busca e otimizao bastante promissora para uma vasta gama de
aplicaes.
Pretende-se tambm, mostrar as diversas operaes utilizadas pelos algoritmos
genticos no processo de otimizao. So descritos os parmetros de controle do
processo de otimizao, sua forma de codificao e de avaliao da funo objetivo.
Finalmente so feitos comentrios sobre as vantagens e desvantagens do uso desta
tcnica de otimizao.
A imaginao mais importante que o conhecimento.

Albert Einstein
43
4.1. INTRODUO
H muito tempo, o homem tem se servido das caractersticas e princpios
existentes na natureza para a criao de mquinas, mtodos e tcnicas que melhorem
sua qualidade de vida neste planeta. Alguns exemplos tpicos desta afirmao so os
avies baseados nas caractersticas dos pssaros, submarinos com sistemas de imerso
semelhante ao dos peixes, sonares baseados nos morcegos, entre outros.
O homem inspirado na natureza ou na biologia cria novas tcnicas, como as
Redes Neurais , baseadas no funcionamento do crebro humano, para possibilitar aos
computadores a chamada Inteligncia Artificial.
Dentro deste contexto, surgiu em meados do sculo XIX um dos mais
importantes princpios no campo da evoluo da vida, A Seleo Natural de Darwin,
que defendia a idia de que na natureza dos seres vivos, aqueles com melhores
caractersticas, adaptabilidades, tendem a sobreviver frente aos demais. Desde ento,
a medicina e suas cincias afins vm numa busca acelerada tentando mapear todas as
informaes da gentica humana, relacionando deste modo cada gene de cada
cromossomo s caractersticas que eles representam nos indivduos: hereditrias, fsicas
e funcionais.
H oito anos comeou o projeto Genoma em diversos centros do mundo,
liderados pelo instituto Nacional de Sade dos Estados Unidos, que contou com
investimento inicial de trs bilhes de dlares. O principal objetivo do projeto
descobrir, at o ano 2005, todos os genes do corpo humano e identificar mais de trs
bilhes de seqncias genticas de cromossomos.
Os cientistas querem conhecer, antes do nascimento, a possibilidade de cada ser
humano desenvolver doenas com fatores hereditrios, podendo assim, evitar o
desenvolvimento do mal, seja com terapias genticas, se a doena for congnita, ou com
a interferncia no estilo de vida do portador da mutao. Eles calculam que 2/3 dos 30
mil genes do organismo humano j tenham sido mapeados, embora se conhea a funo
de apenas 4% deles.
Foi nos ltimos anos que a gentica alavancou-se com as primeiras clonagens
realizadas no mundo, tendo como marco a famosa ovelha Dolly na Inglaterra.
44
A clonagem, assim como os possveis objetivos e conseqncias desta

descoberta provocaram inmeras discordncias e precaues por todo o planeta, afinal,
quais seriam os rumos da aplicao destes conhecimentos. Indiscutveis so as
vantagens oferecidas na preveno de doenas, contudo, assustadoras so as
possibilidades da criao de novas doenas, mutaes, clonagens individuais, entre
outras mais.
Cercadas por todas estas discusses, outras cincias, aliadas s vantagens
computacionais hoje oferecidas, inspiram-se mais uma vez nestes princpios para a
soluo numrica de problemas prticos, dando origem a mais uma tcnica de
inteligncia artificial denominada Algoritmos Genticos.
Os Algoritmos Genticos so algoritmos de busca, fundamentados no processo
da seleo natural proposto por Charles Darwin, inicialmente propostos por John
Holland em seu livro no ano de 1975.
Os Algoritmos Genticos (AGs) so muito utilizados em problemas onde, dado
um conjunto de elementos ou indivduos, deseja-se encontrar aquele ou aqueles que
melhor atendam a certas condies previamente especificadas.
Os AGs, a partir de uma populao de indivduos, cada um com um valor de
adaptabilidade associado chamado aptido, desenvolvem, atravs de operaes
genticas como cruzamentos e mutaes, uma nova gerao de indivduos usando os
princpios Darwinianos de reproduo e sobrevivncia dos mais aptos. Cada indivduo
na populao representa uma possvel soluo para um dado problema. O que o
Algoritmo Gentico faz procurar aquela que seja muito boa ou a melhor, visando
otimizao da funo objetivo.
Representando de forma abstrata no eixo das abscissas todos os problemas cujas
solues podem ser obtidas por algoritmos de otimizao e no eixo das ordenadas suas
respectivas eficincias, pode-se determinar curvas indicativas da Aplicabilidade x
Eficincia dos mtodos disponveis, conforme Figura 4 - 1.
Atravs desse recurso, pode-se distinguir trs tipos extremos de mtodos, que
so ilustrados a seguir :
45
Figura 4 - 1- Aplicabilidade em Problemas x Eficincia de Resoluo dos Mtodos

o Mtodo 1 : Pouco eficientes para a totalidade dos problemas existentes.
o Mtodo 2: Altamente eficiente para uma pequena faixa de problemas,
entretanto, pouco eficiente ou nem aplicvel para a maior parte deles.
o Mtodo 3: Razoavelmente eficiente para a totalidade dos problemas
existentes.
Dentro deste contexto, os AGs se aproximariam da terceira classe de mtodos,
no sendo mais eficiente que aqueles projetados especificamente para determinado
problema, contudo, perturbaes no problema original trariam poucos, ou quase
nenhum, prejuzo aos AGs, mas possivelmente, a inutilidade de outros mtodos.
4.2. HISTRICO
A seleo natural apenas um dos elementos da adaptao que se une a outros
como a relao entre organismo e ambiente e a hereditariedade. Alm disso, preciso
distinguir adaptao de adaptabilidade. Enquanto adaptao o preparo do organismo
para sobreviver num ambiente, adaptabilidade a capacidade de tirar partido do
ambiente e, at mesmo, control-lo. No sentido de adaptabilidade, o homem
indubitavelmente o rei da criao. Mas, embora toda histria da civilizao humana
nada mais seja que uma constante mudana no sentido de aumentar a amplitude e
variedade do ajustamento ao ambiente, a evoluo nos ensina que o homem no fruto
de uma criao especial, pois faz parte da natureza e feito da mesma essncia de tudo
o que vivo.
O desenvolvimento da gentica estabeleceu que as caractersticas hereditrias
so transmitidas atravs de genes (unidades qumicas que se localizam no ncleo das
clulas). Os genes so constitudos por uma substncia qumica, o ADN, ou cido
46
desoxirribonuclico. Dispem-se aos pares, dentro de filamentos visveis ao

microscpio, chamados cromossomos. A propriedade fundamental dos genes que eles
se auto-reproduzem fielmente. Entretanto, no h uma preciso absoluta nessa autoreproduo,
podendo ocorrer mutaes gnicas ou seja,
o gene que at aquele
momento produzia determinada caracterstica passa a produzir outra.

Uma Breve Histria da Gentica:
1866 - Ao cultivar ervilhas, o monge austraco George Mendel percebe

que uma gerao de plantas pode passar certas caractersticas s seguintes.
Com isso, estabelece as leis da hereditariedade;
1910 - Ao estudar as moscas da fruta, as drosfilas, o americano Thomas

Morgan demonstra que os cromossomos contm os genes, unidade bsica
da herana gentica;
1954 - O americano James Watson e o ingls Francis Crick enxergam

pela primeira vez a estrutura do DNA como uma escada espiralada;
1961 - Descobre-se que o funcionamento do cdigo gentico em todos os

seres vivos, do vrus ao homem, passando por bactrias, plantas e animais,
usa o mesmo mecanismo para instruir as clulas a produzirem protenas;
1977 - Pesquisadores decodificam o cdigo gentico do primeiro ser vivo,

um vrus;
1978 - Alteraes genticas em bactrias as transformam nas primeiras

fbricas biolgicas de insulina;
1984 - Surge a tcnica que permite identificar pessoas pelo DNA;
1989 - Lanado o Projeto Genoma, o ambicioso projeto de mapear a

seqncia gentica do DNA humano;
1997 - Nasce a ovelha Dolly, o primeiro mamfero clonado produzido a

partir de uma clula comum de um animal adulto;
2000 - Apresentao do primeiro esboo do Genoma Humano.
Nas dcadas de 50 e 60, muitos bilogos comearam a desenvolver simulaes

computacionais de sistemas genticos, entretanto, foi John Holland quem comeou,
47
seriamente, a refinar idias sobre o tema, culminando, em 1975, na publicao de seu

livro, Adaptation in Natural and Artificial Systems, hoje considerado um marco dos
Algoritmos Genticos. Desde ento, tais algoritmos vm sendo aplicados com sucesso
nas mais diversas reas, entre elas a otimizao e o aprendizado de mquinas.
4.3. DEFINIES BSICAS - TERMINOLOGIA

Na biologia, a teoria da evoluo diz que o meio ambiente seleciona, em cada
gerao, os seres vivos mais aptos de uma populao. Como resultado, somente os mais
aptos conseguem se reproduzir, uma vez que os menos adaptados geralmente so
eliminados antes de gerarem descendentes. Durante a reproduo, ocorrem, entre outros,
fenmenos como mutaes e cruzamentos, que atuam sobre o material gentico
armazenado nos cromossomos. Estes fenmenos levam variabilidade dos seres vivos
da populao. Sobre esta populao diversificada age a seleo natural, permitindo a
sobrevivncia apenas dos seres mais adaptados.
Um Algoritmo Gentico (AG) a metfora desses fenmenos, o que explica
porque AGs possuem muitos termos originados da biologia. A lista apresentada a seguir
descreve os principais termos encontrados na literatura.
As principais definies relacionadas com os AGs so:
Cromossomo e Genoma: Na biologia, genoma o conjunto completo de genes

de um organismo. Um genoma pode ter vrios cromossomos. Nos AGs, os dois
representam a estrutura de dados que codifica uma soluo para um problema,
ou seja, um cromossomo ou genoma representa um simples ponto do espao de
busca.
Gen ou Gene: Na biologia, a unidade de hereditariedade que transmitida

pelo cromossomo e que controla as caractersticas do organismo. Nos AGs, um
parmetro codificado no cromossomo, ou seja, um elemento do vetor que
representa o cromossomo.
Indivduo: Um simples membro da populao. Nos AGs, um indivduo

formado pelo cromossomo e sua aptido.
Gentipo: Na biologia, representa a composio gentica contida no Genoma.

Nos AGs, representa a informao contida no cromossomo ou genoma.
48
Fentipo: Nos Algoritmos Genticos, representa o objeto, estrutura ou

organismo construdo a partir das informaes do gentipo. o cromossomo
decodificado. Por exemplo, considere que o cromossomo codifica parmetros
como as dimenses das vigas em um projeto de construo de um edifcio, ou as
conexes e pesos de uma Rede Neural. O fentipo seria o edifcio construdo ou
a Rede Neural.
Alelo: Na biologia, representa uma das formas alternativas de um gene. Nos

AGs, representa os valores que o gene pode assumir. Por exemplo, um gene que
representa o parmetro cor de um objeto poderia ter o alelo azul, preto, verde,
etc.
Epistasia: Interao entre genes do cromossomo, isto , quando um valor de

gene influncia o valor de outro gene. Problemas com alta epistasia so de difcil
soluo por AGs.
Populao: Conjunto de cromossomos ou solues.
Gerao: O nmero da iterao que o Algoritmo Gentico executa.
Operaes Genticas: Operaes que o Algoritmo Gentico realiza sobre cada

um dos cromossomos.
Espao de Busca ou Regio Vivel: o conjunto, espao ou regio que

compreende as solues possveis ou viveis do problema a ser otimizado. Deve
ser caracterizado pelas funes de restrio, que definem as solues de forma
vivel ao problema a ser resolvido.
Funo Objetivo ou de Avaliao: a funo que se quer otimizar. Ela contm

a informao numrica do desempenho de cada cromossomo na populao. Nela
esto representadas as caractersticas do problema que o Algoritmo Gentico
necessita para realizar seu objetivo, sendo expressa normalmente como
! = f ( x1 , x2 ,! , xn ) , onde x1 , x2 ,! , xn so as variveis que o algoritmo procura
determinar para otimizar ! . Esta funo objetivo em princpio, calculada para
cada cromossomo i da populao.
49
4.4. REPRESENTAO DOS PARMETROS

Um AG processa populaes de cromossomos. Um cromossomo i uma
estrutura de dados, geralmente vetor ou cadeia de bits (cadeia de bits a estrutura mais
tradicional, porm nem sempre a melhor) que representa uma possvel soluo do
problema a ser otimizado. Em geral, um cromossomo representa um conjunto de
parmetros da funo objetivo cuja resposta ser maximizada ou minimizada. O
conjunto de todas as configuraes que o cromossomo pode assumir forma o seu espao
de busca. Se o cromossomo representa n parmetros de uma funo, ento o espao de
busca um espao com n dimenses.
Vale observar que funes objetivo com mltiplos parmetros, tem os mesmos
representados na mesma cadeia de bits, com cada um ocupando uma parte da cadeia. A
cada cromossomo i atribuda uma aptido !i . Aptido uma nota que mede quo
boa a soluo codificada em i . baseada no valor da funo objetivo, e ser
discutida posteriormente.
4.5. ALGORITMOS GENTICOS E OTIMIZAO CONVENCIONAL

Visando situar Algoritmos Genticos no contexto de otimizao em geral,
considerem-se algumas das principais classes de mtodos de otimizao:
Gerar-e-Testar: O algoritmo Gerar-e-testar (tambm conhecido como mtodo

da busca exaustiva ou aleatria) uma abordagem tipo fora bruta. Emprega
dois mdulos: o mdulo de gerao, que enumera possveis solues de forma
sistemtica ou aleatria, e o mdulo de teste, que avalia cada possvel soluo,
podendo aceit-la ou rejeit-la. O mdulo gerador pode produzir todas as
possveis solues antes do mdulo de teste comear a agir. O mais comum o
uso intercalado destes dois mdulos. O mtodo pode encerrar sua execuo
quando uma soluo satisfatria for encontrada, depois de encontrar um nmero
de solues satisfatrias ou continuar at que todas as possveis solues sejam
obtidas.
Mtodos Analticos: Os mtodos analticos utilizam tcnicas do Clculo

Diferencial para determinar os pontos extremos de uma funo e apresentam
vrias desvantagens: no informam se o ponto encontrado um ponto de
50
mnimo local ou global; requerem funes com derivadas e, alm disso, quando
existe grande nmero de parmetros torna-se difcil encontrar, analiticamente,
todos os pontos de mnimo e mximo. Tornando estes mtodos impraticveis
para otimizar diversos problemas do mundo real.
Subida de Encosta: Os Mtodos de Subida de Encosta investigam os pontos

adjacentes do espao de busca e move-se na direo que melhore o valor da
funo objetivo. Observa-se, porm, que para funes com muitos timos locais,
um mtodo de Subida de Encosta ter dificuldades em localizar qual encosta
leva ao timo global. Mtodos de Subida de Encosta tambm tm dificuldades
quando existem plancies ou plats na superfcie de busca. Contudo, mtodos de
Subida de Encosta so geralmente rpidos. Um grande nmero de tcnicas
importantes de otimizao segue os princpios da Subida de Encosta. Um
exemplo o mtodo do gradiente.
Os mtodos Gerar-e-Testar possuem a caracterstica de explorar pontos
inteiramente novos do espao de busca. Os mtodos de Subida de Encosta, por outro

lado, caracterizam-se por utilizar a informao oriunda de pontos anteriormente
visitados para encontrar os melhores. Um algoritmo de otimizao eficiente deve usar
estas duas tcnicas (denominadas de Exploration e Exploitation, respectivamente) para
encontrar o timo global da funo objetivo. Ambas as tcnicas tm a mesma traduo
para o portugus, explorao. Entretanto, Exploitation significa explorao no sentido
de tirar informaes presentes nas solues encontradas e Exploration diz respeito
explorao no sentido de visitar pontos desconhecidos no espao de busca a procura por
novas solues.
O cruzamento e a mutao so dois mecanismos de busca dos AGs que levam
explorao de pontos inteiramente novos do espao de busca (Exploration). Enquanto a
seleo dirige a busca em direo aos melhores pontos do espao de busca
(Exploitation), a presso da seleo, dada pela razo entre aptido mxima da populao
e a aptido mdia, influencia a quantidade de Exploitation e Exploration. Quando a
presso de seleo muito baixa (i.e., a aptido praticamente a mesma para toda a
populao), o AG assume um comportamento aleatrio, pois no h seleo. Isto torna o
AG semelhante busca aleatria dos mtodos Gerar-e-Testar (muito Exploration).
Quando a presso de seleo muito alta, o AG assume o comportamento dos mtodos
51
de Subida de Encosta (muito Exploitation). Na prtica, difcil determinar qual a

presso de seleo que fornece o equilbrio ideal.
O primeiro passo de um Algoritmo Gentico tpico a gerao de uma
populao inicial de cromossomos, que formada por um conjunto aleatrio de
cromossomos que representam possveis solues do problema a ser resolvido. Durante
o processo evolutivo, esta populao avaliada e cada cromossomo recebe uma nota
(denominada de aptido no jargo da literatura de AGs), refletindo a qualidade da
soluo que ele representa.
A 4.1 - ALGORITMO GENTICO TPICO

Seja !k a populao de cromossomos na gerao k.
k0
iniciar !k
avaliar !k
Enquanto o critrio de parada no for satisfeito faa
k k +1
selecionar !k a partir de !k 1
aplicar cruzamento sobre !k
aplicar mutao sobre !k
avaliar !k
Fim enquanto
Algoritmo 4 - 1 - Algoritmo Gentico Tpico
Em geral, os cromossomos mais aptos so selecionados e os menos aptos so

descartados (Darwinismo). Os membros selecionados podem sofrer modificaes em
suas caractersticas fundamentais atravs dos operadores de cruzamento e mutao,
gerando descendentes para a prxima gerao. Este processo repetido at que uma
soluo satisfatria seja encontrada. O Algoritmo 4 - 1 ilustra este procedimento. Na
seo 4.9. so descritos com mais detalhes cada uma das etapas deste algoritmo.
52
4.6. DIFERENAS ENTRE OS AGS E OS MTODOS CLSSICOS

Os mtodos clssicos de otimizao iniciam-se com um nico candidato,
chamado de soluo bsica, e pelo clculo de derivadas se determina para qual direo
se deve caminhar na busca do prximo candidato. Por trabalharem com o clculo de
derivadas, so denominados algoritmos de ordem n , onde n a maior derivada
utilizada.
Exemplos tpicos so o Mtodo dos Gradientes Conjugados e o Mtodo de
Newton que, por utilizarem respectivamente derivadas primeiras e segundas, so
caracterizados como algoritmos de primeira e segunda ordem. Todavia, classificaes
intermedirias tambm so possveis, como o caso dos Mtodos Quase-Newton que se
situaria entre os dois anteriores.
O maior problema destes algoritmos matemticos que no existe nenhuma
garantia da obteno de um ponto extremo global, ou seja, o algoritmo convergir para
o extremo local mais prximo da direo de busca determinada pelas derivadas. Por esta
razo, tais algoritmos so mais convenientemente empregados para problemas
unimodais, aqueles que apresentam apenas um extremo no intervalo considerado. A
aplicao destes algoritmos para problemas multimodais no to simples, j que a
soluo encontrada depender do ponto de partida inicial, podendo na maioria das vezes
se encontrar uma soluo extrema local distante da soluo tima global procurada.
Os Algoritmos Genticos representam uma classe de ferramentas muito verstil
e robusta a ser empregada na soluo de problemas de otimizao, embora no devam
ser considerados estritamente extremizadores de funes. Assim como outros mtodos,
por no empregarem o clculo de derivadas, mas sim atuarem diretamente na busca das
solues no espao vivel, ele classificado como mtodo direto ou de ordem zero.
Quando utilizado no contexto de otimizao, os Algoritmos Genticos
distinguem-se dos mtodos clssicos de Programao Matemtica basicamente pelos
seguintes aspectos:
o Emprega sempre uma populao de indivduos, ou solues;
o Opera com uma codificao das possveis solues (gentipos) e no
com as solues propriamente ditas (fentipos);
o Trabalha com regras de transio probabilsticas;
53
o No requer informaes adicionais (derivadas, por exemplo) sobre a

funo a otimizar.
Deste modo, a busca por solues pode ser feita sobre conjuntos no-convexos e
mesmo disjuntos, com funes objetivo tambm no convexas e no-diferenciveis e
simultaneamente com variveis reais, lgicas e inteiras.
Outra grande diferena dos mtodos clssicos para os Algoritmos Genticos
que estes no se prendem to facilmente a extremos locais, uma vez que trabalha com
uma populao de indivduos e realiza a busca dentro de toda a regio vivel disponvel.
4.7. ESTRUTURA DOS ALGORITMOS GENTICOS

Existem inmeras verses dos Algoritmos Genticos, quanto aos passos e
operadores empregados. Entretanto, as duas formas mais freqentes quanto estrutura
dos Algoritmos Genticos Genricos so:
Algoritmo Gentico Geracional
Algoritmo Gentico em Regime
4.7.2. ALGORITMO GENTICO GERACIONAL

Neste extremo de algoritmo, toda a populao substituda por novos
indivduos gerados pelo processo de seleo e aplicao dos operadores genticos.
Deve-se observar que como toda a gerao (de Pais) integralmente
substituda por outra mais nova (de filhos), no existe convivncia, havendo a
perda de bons indivduos no processo. Por esta razo, especialmente em problemas de
otimizao, um procedimento freqentemente empregado o elitismo, ou seja, o(s)
melhor (es) indivduo(s) de uma gerao (so) preservado(s), passando diretamente
para a gerao seguinte. O elitismo ou estratgia elitista ser apresentado na seqncia
no tpico 4.8.10.1.3.
O processo mostrado esquematicamente no algoritmo a seguir:
54
A 4.2 - ALGORITMO GENTICO GERACIONAL

Passo 1: Inicie a populao !k de cromossomos (k = 1)
Passo 2: Avalie indivduos na populao !k
Passo 3: (repita este processo at obter a convergncia)
Repetir
1) Repetir
I. Selecione 2 indivduos em !k para reproduo;
II. Aplique operador de recombinao, probabilidade #" ;
III. Aplique operador de mutao, probabilidade #m ;
IV. Insira novo indivduo em !k ;
At
populao !k completa
2) Avalie indivduos na populao !k

3) k = k +1
4) !k !k1
At objetivo final ou mximo de geraes
Algoritmo 4 - 2 - Algoritmo Gentico Geracional
4.7.3. ALGORITMO GENTICO EM REGIME

Neste outro extremo de algoritmo, apenas um indivduo criado de cada vez
e, depois de sua avaliao, ele ser inserido na populao em substituio a algum outro
elemento, por exemplo, o pior de todos j existentes. Caso ele seja pior que todos os j
existentes ento nada alterado e procede-se uma nova criao de indivduo.
Com o intuito de facilitar a comparao do indivduo gerado com os indivduos
j existentes na populao, utiliza-se um ranking dentro da populao, desta forma, o
indivduo gerado comparado apenas com o ltimo indivduo do ranking, caso seja
superior a ele, assumir sua posio correspondente no ranking, sendo o ltimo
eliminado pela seleo natural.
55
A 4.3 - ALGORITMO GENTICO EM REGIME

Passo 1: Inicie a populao !" de cromossomos
Passo 2: Avalie indivduos na populao !"
Passo 3: (repita este processo at obter a convergncia)
Repetir
1) Selecione operador gentico;
2) Selecione indivduo(s) para reproduo;
3) Aplique operador gentico selecionado;
4) Avalie indivduo(s) gerado(s);
5) Selecione indivduo para sobreviver;
6) Se melhor que o pior elemento de !" ento
Insira em !" de acordo com seu ranking
At objetivo final ou mximo de geraes
Algoritmo 4 - 3 - Algoritmo Gentico em Regime
Entre estes dois extremos de algoritmos situam-se outros que somente uma parte
da populao substituda: pais e filhos podem vir a coexistir. Outros esquemas de
reproduo podem tambm ser encontrados na literatura.
4.8. PRINCIPAIS ASPECTOS DOS ALGORITMOS GENTICOS

4.8.1. A FUNO OBJETIVO
A funo objetivo em alguns problemas pode ser bastante complicada,
demandando um alto custo computacional. Por exemplo, h problemas em que, para
avaliar um cromossomo necessria uma simulao completa do processo, o que pode
chegar a consumir horas. Haupt e Haupt (1998) fornecem algumas sugestes para lidar
com tais funes objetivo, propondo cuidados a serem tomados para no avaliar
cromossomos idnticos mais de uma vez, reutilizando deste modo a avaliao feita
anteriormente.
56
Isto pode ser feito de vrias maneiras:

1. Evitando gerar cromossomos idnticos na populao inicial;
2. Verificando se foi aplicado cruzamento ou mutao nos pais, pois, caso
contrrio, os filhos sero iguais aos pais;
3. Observando se o filho igual a um dos pais;
4. Mantendo a populao com todos os cromossomos distintos entre si, o que
tambm ajuda na manuteno da diversidade (no AG do tipo Steady State
isto feito evitando insero de cromossomos duplicatas na populao);
5. Antes de avaliar um filho, verificar se j existe um cromossomo igual a este
filho na populao.
Em situaes mais extremas, deve-se armazenar todos os cromossomos da
gerao atual e passada, verificando se algum deles igual ao novo filho gerado. claro
que tais abordagens tambm incorporam um custo computacional extra ao AG. Deve-se
analisar se este custo extra, compensar o tempo economizado na avaliao da funo
objetivo.
Uma outra abordagem utilizar uma verso simplificada da funo objetivo nas
geraes iniciais para acelerar a busca por regies promissoras do espao. Nas geraes
finais, a verso completa da funo objetivo passa a ser utilizada para melhorar a
preciso da soluo.
Outro mtodo usar o AG para localizar a encosta do mximo global, e
posteriormente, substituir o AG por um Mtodo de Subida de Encosta que rapidamente
encontre a soluo (os AGs so bons para localizar velozmente as regies promissoras
do espao de busca, porm so lentos para refinar as solues).
Os parmetros da funo objetivo podem ser contnuos ou discretos. Otimizao
com parmetros contnuos possui um nmero infinito de solues. Otimizao de
parmetros discretos, em geral tem somente um nmero finito de possveis solues,
resultante de uma certa combinao dos parmetros.
4.8.2. AS RESTRIES
Embora os Algoritmos Genticos tenham sido inicialmente aplicados com
sucesso em problemas de otimizao sem restries, foi apenas uma questo de tempo
57
para surgirem as primeiras utilizaes da tcnica na resoluo de problemas com

restries.
Uma abordagem para lidar com restries nos AGs simplesmente atribuir
aptido zero aos cromossomos infactveis (i.e. aqueles que no satisfazem as restries).
Porm, os cromossomos infactveis prximos das regies factveis podem conter
informaes importantes para gerar filhos factveis. Portanto, ao invs de zerar a aptido
de tais cromossomos, pode-se apenas penalizar a aptido. Para isto, usa-se uma funo
de pnalti j ( x ) , que define o quo a soluo x viola a restrio j. (i.e. o quo
distante o cromossomo infactvel est da regio factvel).
Quando a restrio j uma inequao, a funo de pnalti dada por ,
j ( x ) = max ( 0, g j ( x )) .
Quando a restrio j uma equao, a funo de pnalti dada da seguinte
forma,
j (x) = g j (x) .
Agora o problema de otimizao torna-se irrestrito com a soma da antiga funo
objetivo com o termo de pnalti, isto ,
Minimizar
h ( x ) = f ( x ) + r j =1 2j ( x )
m
onde r a constante de pnalti (serve para controlar o tamanho da penalidade).

Uma outra abordagem fazer de cada restrio uma funo objetivo diferente e
resolver o problema como um problema de otimizao Multi-objetivo. Mais detalhes
sobre restries ver (Michalewicz, 1997a, 1997b).
Na maioria das aplicaes, so empregadas funes de penalizao, de forma a
embutirem as restries na funo objetivo, tcnica esta tambm utilizada por uma
parcela de mtodos matemticos de otimizao. Todavia, j se encontram sugeridas
formas de abordagem deste problema sem o emprego de funes de penalizao ou
mesmo outras alternativas mais inovadoras como os algoritmos co-evolucionrios que
preservam mais de uma populao interagindo.
58
4.8.3. PROBLEMAS DE CONVERGNCIA

O desaparecimento de determinados genes da populao no decorrer das
geraes impossibilita um Algoritmo Gentico de explorar completamente o espao de
busca. Como resultado, o AG pode convergir para um mnimo ou mximo local. Este
problema conhecido como Convergncia Prematura. Com taxas adequadas de
mutao, possvel manter uma boa diversidade de genes da populao a fim de
compensar estas perdas de genes.
A convergncia prematura um conhecido problema dos AGs. Ocorre com o
surgimento de cromossomos de alta aptido, mas no com aptido tima, enquanto os
cromossomos realmente timos ainda no esto presentes na populao. Tais
cromossomos (chamados de superindivduos) geram um nmero excessivo de filhos que
dominam a populao, uma vez que a mesma finita. Estes cromossomos espalham
seus genes por toda a populao, enquanto outros genes desaparecem. Como
conseqncia, o algoritmo converge para um mximo ou mnimo local, conforme a
ilustra Figura 4 - 2.
Combate-se convergncia prematura limitando o nmero de filhos por
cromossomos. Esta limitao pode ser realizada atravs do escalonamento da aptido,
ordenamento e outras tcnicas a serem descritas mais adiante.
Uma outra alternativa de combate convergncia prematura a manuteno da
diversidade dos cromossomos na populao. Isto pode ser alcanado atravs do aumento
da taxa de mutao, e tambm evitando-se a insero de filhos duplicados na populao.
Figura 4 - 2 - Convergncia Prematura
59
4.8.4. CRITRIOS DE PARADA

Alguns dos possveis critrios de parada para os AGs, so:
1. Quando o AG atingir um dado nmero de geraes (ou avaliaes);
2. Chegada a um determinado valor da funo objetivo, definido a priori;
3. Convergncia, isto , quando no ocorrer melhoramento significativo no
cromossomo de maior aptido por um dado nmero de geraes.
Outras alternativas podem ser adotadas, como por exemplo, considerando que
um gene converge se 90% da populao tm o mesmo valor para este gene. Se entre
90% e 95% dos genes convergiram, o AG convergiu.
4.8.5. REPRESENTAO E CODIFICAO

A representao ou codificao das variveis de projeto a serem otimizadas
proporciona um grande impacto no desempenho da busca, devendo ser a mais simples
possvel, sem no entanto perder as caractersticas de representao do problema tratado.
Existem inmeras formas de representao das variveis, tais como: binria,
nmeros inteiros e nmeros reais. A maioria dos trabalhos desenvolvidos utiliza a
codificao binria, onde cada cromossomo um vetor composto por zeros e uns, com
cada bit representando um gene.
Para problemas de otimizao com variveis reais, uma codificao binria pode
ser introduzida pela converso de valores numricos de ponto flutuante para valores
binrios de comprimentos fixos, sendo sempre necessrio posteriormente, realizar o
caminho inverso para avaliao da funo de aptido. Existe assim, uma grande
desvantagem no caso da representao binria, que seriam as constantes converses
entre valores de pontos flutuantes e binrios.
Uma vez definidas as variveis de projeto relevantes para a resoluo do
problema de otimizao e a forma como sero representadas, deve-se justap-las de
modo a formarem os cromossomos. Existe ainda a possibilidade de associar mais de um
cromossomo a cada indivduo, analogamente ao que ocorre na biologia, onde o Homo
Sapiens, por exemplo, diplide, isto , possui dois cromossomos.
60
4.8.6. GERAO DA POPULAO INICIAL

A populao inicial de indivduos ou cromossomos pode ser gerada de vrias
maneiras, na maioria das vezes realizada de forma aleatria, embora haja ocasies onde
mais apropriada uma seleo heurstica introduzindo, logo de incio, um ou mais
indivduos interessantes, como por exemplo, solues aproximadas conhecidas
contendo algum tipo de informao prvia.
Se uma populao inicial pequena for gerada aleatoriamente, provavelmente,
algumas regies do espao de busca no sero representadas. Este problema pode ser
minimizado gerando a populao inicial com uma distribuio uniforme. Outra
alternativa gerar a primeira metade da populao aleatoriamente e a segunda metade a
partir da primeira, invertendo os bits. Isto garante que cada posio da cadeia de bits
tenha um representante na populao com os valores 0 e 1.
Pode ser interessante usar uma populao inicial maior que a utilizada nas
geraes subseqentes, visando melhorar a representao do espao de busca.
Uma tcnica denominada seeding pode ser til em vrios problemas prticos.
Consiste em colocar, na populao inicial, solues encontradas por outros mtodos de
otimizao. Isto garante que a soluo gerada pelos AGs seja, no mnimo, to boa
quanto a gerada por esses mtodos.
4.8.7. AVALIAO DA POPULAO

A avaliao da populao realizada pela funo de aptido, que deve indicar a
qualidade de cada indivduo na populao. Para problemas de otimizao ela est
intimamente ligada funo objetivo cujo extremo global deseja-se obter. Para
problemas de maximizao, a funo de aptido pode ser tomada da forma
f ( x ) = g ( x ) + C , onde C uma constante introduzida para casos onde o processo de
seleo exige que a aptido seja positiva. Com o processo natural de evoluo, os
indivduos passam a ter aptido cada vez mais semelhante entre si e pode ser necessrio
aumentar a presso de seleo adotando-se algo como: f ( x ) = h ( g ( x )) com uma certa
funo h convenientemente escolhida.
61
No h a necessidade de se calcular as derivadas da funo objetivo e, portanto,

um algoritmo gentico pode ser utilizado sem nenhuma modificao, para otimizar
funes no diferenciveis.
preciso lembrar, entretanto, que a escolha da funo de aptido , para a
maioria das aplicaes, a etapa crtica do processo, j que dever ser avaliada para cada
cromossomo de cada populao durante todo o processo evolutivo.
4.8.9. PROCESSO DE SELEO

A seleo dos indivduos da populao baseia-se no princpio da sobrevivncia
dos melhores indivduos, onde os cromossomos com mais alta probabilidade de
sobrevivncia so copiados de forma semi-randmica uma ou mais vezes para um novo
conjunto que formar a prxima gerao, denominada populao temporria. Em
contrapartida, os indivduos com baixa aptido sero descartados da populao.
Inmeros esquemas de seleo j foram propostos e aplicados aos Algoritmos
Genticos, todavia, apenas os mais empregados so aqui apresentados.
4.8.9.1. MAPEAMENTO DA FUNO OBJETIVO

Os valores da funo objetivo nem sempre so adequados para serem utilizados
como valores de aptido. Por exemplo, a funo objetivo pode assumir valores
negativos (o Mtodo da Roleta no funciona), pode fornecer valores muitos prximos
(torna a seleo aleatria), alguns valores podem ser muito elevados em relao ao resto
da populao (causa a convergncia prematura), etc.
O mapeamento da funo objetivo para o valor da aptido pode ser feito de
vrios modos, alguns dos quais sero discutidos a seguir.
4.8.9.1.1. ORDENAMENTO
No Mtodo de Ordenamento Linear (Baker, 1987) e (Whitle, 1989), a aptido
dada pela equao,
!k = Min + ( Max Min)
$ k
,
$ 1
em que k o ndice do cromossomo na populao em ordem decrescente de valor da

funo objetivo e $ o tamanho da populao. Normalmente utilizado 1 Max
62
2 e Max + Min = 2. Vale notar que deste modo a aptido representa o nmero de filhos
esperados do cromossomo e Max - Min representa a presso de seleo (razo entre a
maior aptido e a aptido mdia, !max / ! ).
No Mtodo de Ordenamento Exponencial (Michalewicz, 1994), a aptido dada
da seguinte forma !k = q (1 q) k 1 , onde que q [0, 1] e k o ndice do cromossomo
na populao em ordem decrescente de valor da funo objetivo. Alternativamente, a
aptido pode ser normalizada dividindo a equao anterior pelo fator 1 (1 q) ! . O
ordenamento exponencial permite maior presso de seleo do que o ordenamento
linear.
4.8.9.1.2. ESCALONAMENTO LINEAR

No Mtodo de Escalonamento Linear, a aptido obtida pela equao,
! = ag + b em que g o valor da funo objetivo (ver Figura 4 - 3 ). Os coeficientes a
e b so determinados de forma a limitar o nmero esperado de filhos dos cromossomos
(filhos em excesso causam perda de diversidade). O escalonamento linear (Goldberg,
1989) transforma as aptides de modo que a aptido mdia torna-se igual ao valor
mdio da funo objetivo (i.e. ! = g ), e a aptido mxima igual a C vezes a aptido
mdia (i.e. !max = Cg ). Tipicamente, o valor de C est entre 1.20 e 2.0. Quando o
escalonamento gera aptides negativas, os coeficientes a e b so calculados de outro
modo (impondo !min = 0 ).
! m ax
!
! m in
g m in
gm ax
Figura 4 - 3 - Grfico de Escalonamento da Aptido
63
4.8.9.2. MTODO DA ROLETA

Um dos mtodos largamente empregados para tal finalidade o conhecido
Mtodo da Roleta, onde cada indivduo da populao representado de forma
proporcional ao seu valor de aptido. Assim, os indivduos com alta aptido recebem
uma poro maior da roleta, enquanto que os de baixa aptido ocuparo uma poro
relativamente menor. Deste modo, a roleta rodada tantas vezes quanto o nmero de
indivduos da populao, escolhendo-se assim aqueles que daro origem a prxima
gerao.
32.0%
14.0%
S1
S2
S3
S4
S5
S6
7.0%
15.0%
21.0%
11.0%
Figura 4 - 4 - Exemplo do Mtodo da Roleta

O Mtodo da Roleta tem a desvantagem de possuir uma alta varincia, podendo
levar a um grande nmero de cpias de um bom cromossomo, diminuindo a
variabilidade da populao.
Uma outra idia, entretanto, abandonar a magnitude da aptido de cada
elemento e utilizar somente a posio (o ranking) de cada indivduo na populao.
Deste modo, mantendo-se a populao ordenada por valores decrescentes da aptido, a
probabilidade de seleo de um indivduo para a etapa de recombinao cresce com o
seu ranking ou seja, o primeiro do ranking tem maior probabilidade de seleo.
64
4.8.9.3. PROCESSO DE SELEO POR TORNEIO

Neste mtodo, so escolhidos aleatoriamente (com probabilidades iguais) n
cromossomos da populao, e o cromossomo com maior aptido selecionado para a
populao intermediria. O processo repete-se at preencher a populao intermediria.
Utiliza-se, geralmente, o valor n = 2 .
A seleo por torneio no precisa de escalonamento da aptido e nem de
ordenamento. Em uma outra verso, a seleo por torneio utiliza probabilidades
diferenciadas. Se o torneio envolve dois cromossomos, o primeiro ganha o torneio com
probabilidade q (onde 0,5 < q < 1); e o segundo, com probabilidade (1 q ) . Para um
torneio entre n cromossomos, o primeiro cromossomo ganha o torneio com
probabilidade q, o segundo com probabilidade q (1 q ) , o terceiro com q (1 q ) , e
2
assim por diante (vale notar que se n= $ , tal seleo equivalente seleo com
ordenamento exponencial).
Aumentando o nmero n de cromossomos do torneio ou a probabilidade q do
primeiro cromossomo vencer, aumenta-se a presso de seleo, isto , cromossomos
com aptido acima da mdia tero mais chances de serem selecionados.
4.8.10. REPRODUO OU CRUZAMENTO

O processo de seleo no introduz novos indivduos na populao temporria,
apenas os chamados progenitores, que serviro como pais para a nova gerao,
composta pelos filhos.
Na etapa de reproduo, o algoritmo tenta criar novas e melhores solues
(indivduos mais aptos). A forma mais simples e natural de cruzamento o chamado
cruzamento em um ponto.
Como passo inicial, toda a populao temporria agrupada aleatoriamente por
pares para gerar um conjunto de $ 2 de progenitores potenciais.
O cruzamento aprovado por um processo de deciso semelhante ao de um
lanamento de moeda. Para isto, deve-se escolher uma probabilidade de cruzamento
#C igual para cada par. O lanamento de moeda corresponde a gerar, para cada par, um
valor aleatrio entre 0 e 1. Se o valor gerado for inferior a #C , o cruzamento
permitido, caso contrrio, os progenitores so mantidos inalterados.
65
No processo de reproduo ou cruzamento, deve-se aplicar um operador

gentico sobre os progenitores de forma a serem formados novos indivduos.
4.8.10.1. OPERADORES GENTICOS

O princpio bsico dos operadores genticos transformar a populao atravs
de sucessivas geraes, de forma a obter um resultado satisfatrio no final do processo.
Deste modo, eles so extremamente necessrios para que a populao se diversifique e
mantenha as caractersticas de adaptao adquiridas pelas geraes anteriores.
4.8.10.1.1. CRUZAMENTO
Com o cruzamento de pelo menos dois progenitores, uma ou mais novas
solues so criadas a partir do intercmbio de suas informaes genticas, em um ou
mais pontos que tambm so selecionados aleatoriamente. Este operador pode ser
utilizado de vrias maneiras. As mais empregadas so:
o Cruzamento de um Ponto
o Cruzamento Multipontos
o Cruzamento Uniforme
4.5.10.1.1.1. CRUZAMENTO DE 1 PONTO

Os operadores de cruzamento e de mutao so os principais mecanismos dos
AGs para explorar regies desconhecidas do espao de busca. O operador cruzamento
aplicado a um par de cromossomos retirado da populao intermediria, gerando dois
cromossomos filhos. Cada um dos cromossomos pais tem sua cadeia de bits cortada em
uma posio aleatria, produzindo duas cabeas e duas caudas. As caudas so trocadas,
gerando dois novos cromossomos. A Figura 4 - 5 ilustra o comportamento deste
operador.
Pai1 :
Pai2 :
1
1
0
1
1 1 1 0 0 0 1 1
0 1 0 0 1 0 0 1
filho1 :
filho2 :
1
1
0
1
1 1 1
0 1 0
0
0
1
0
0
0
0
1
Figura 4 - 5 - Cruzamento de 1 Ponto
1
1
66
O cruzamento aplicado com uma dada probabilidade a cada par de

cromossomos selecionados. Na prtica, esta probabilidade, denominada de taxa de
cruzamento, varia entre 60% e 90%. No ocorrendo o cruzamento, os filhos sero iguais
aos pais (isto permite que algumas solues sejam preservadas). Isto pode ser
implementado, gerando nmeros aleatrios no intervalo [0,1]. Assim, o cruzamento s
aplicado se o nmero gerado for menor que a taxa de cruzamento.
4.8.10.1.1.2. CRUZAMENTOS DE 2 PONTOS
EN
PONTOS
Os tipos de operadores cruzamento mais conhecidos para cadeias de bits so o

de n pontos e o uniforme. O cruzamento de 1 ponto o mesmo apresentado na Seo
4.5.10.1.1.1. O de 2 pontos apresentado na Figura 4 - 6. Os dois pontos de corte so
escolhidos aleatoriamente, e as sees entre os dois pontos so trocadas entre os pais.
Pai1 :
Pai2 :
1
1
0
1
1 1 1 0 0 0 1 1
0 1 0 0 1 0 0 1
filho1 :
filho2 :
1
1
0
1
1
0
1
1
0
1
0
0
1
0
0
0
1
0
1
1
Figura 4 - 6 - Cruzamento de 2 Pontos

O cruzamento de N pontos tende a manter juntos os genes que so codificados
prximos um do outro. Existe um operador denominado Inverso (Holland, 1975) que
busca o ordenamento ideal dos genes no cromossomo. Dois pontos aleatrios so
escolhidos no cromossomo e os genes entre eles so invertidos. Vale frisar que a
inverso no um tipo de mutao brutal. Na verdade no ocorre mutao. A cada gene
associado um nmero para identificar quem quem depois da troca de posio. Este
operador, no entanto, tem sido raramente utilizado na prtica.
4.8.10.1.1.3. CRUZAMENTO UNIFORME

O cruzamento uniforme apresentado na Figura 4 - 7. Para cada par de pais
gerada uma mscara de bits aleatrios. Se o primeiro bit da mscara possui o valor 1,
ento o primeiro bit do Pai1 copiado para o primeiro bit do filho1. Caso contrrio, o
primeiro bit do Pai2 copiado para o primeiro bit do filho1. O processo se repete para os
bits restantes do filho1. Na gerao do filho2 o procedimento invertido, ou seja, se o bit
da mscara 1, ento ser copiado o bit do Pai2. Se o bit for igual a 0, ento ser
copiado o bit do Pai1. Vale notar que o cruzamento uniforme no a mesma coisa que o
67
cruzamento de (l-1) pontos (l o nmero de bits do cromossomo), uma vez que este
sempre leva a metade dos bits de cada pai.
Mascara 1
Pai1 :

filho1 : 0 0 0
Pai2 :

0 1 0 0 0 1 1

1 0 0 1
1 0 1
0 0

1 1 0 1
Figura 4 - 7 - Cruzamento Uniforme

Segundo Grefenstette (1986), os AGs so robustos de tal modo que, dentro de
uma faixa relativamente larga de variao de parmetros (taxas de cruzamento e
mutao, tamanho da populao, etc.), no ocorre alterao significativa em seu
desempenho.
4.8.10.1.2. MUTAO
O operador de mutao necessrio para a introduo e manuteno da
diversidade gentica da populao, alterando arbitrariamente um ou mais componentes
de uma estrutura escolhida, fornecendo assim, meios para introduo de novos
elementos na populao. Desta forma, a mutao assegura que a probabilidade de se
chegar a qualquer ponto do espao de busca nunca ser zero, alm de contornar o
problema de mnimos locais.
O operador de mutao aplicado aos indivduos com uma probabilidade dada
pela taxa de mutao #m . Geralmente utiliza-se uma taxa de mutao pequena, por se
tratar de um operador gentico secundrio.
Aps a operao de cruzamento, o operador de mutao aplicado, com uma
determinada probabilidade, em cada bit dos dois filhos. O operador de mutao inverte
os valores de bits, de 1 para 0 ou de 0 para 1. A Figura 4 - 8 apresenta um exemplo do
processo de mutao. A mutao melhora a diversidade dos cromossomos na populao
porm, destri parte da informao contida, logo, deve ser utilizada uma taxa de
mutao pequena (normalmente entre 0,1% a 5%), mas suficiente para assegurar a
diversidade.
68
Antes
filho1 :
filho2 :
0
1
1
0
1
1
1
1
0
1
0
0
0
1
1
1
0
1
Depois
filho1 :
filho2 :
0
1
0
0
1
1
1
1
1
1
0
0
0
1
1
1
0
1
Figura 4 - 8 - Mutao
4.8.10.1.3. ELITISMO
Nos AGs quando geramos novas populaes utilizando os operadores mostrados
nos itens anteriores podemos facilmente observar que em muitos casos o melhor
indivduo de uma gerao desaparece na gerao seguinte. Para melhorar a eficincia
dos AGs interessante transferir o melhor cromossomo de uma gerao para outra sem
alteraes. Esta estratgia denominada Elitismo, sendo muito comum nos AGs
tradicionais.
O Elitismo foi proposto por DeJong (1975), em um dos trabalhos pioneiros sobre
AGs. A Figura 4 - 9 ilustra este processo de forma esquemtica, onde em cada gerao o
indivduo com menor (minimizao) valor da funo objetivo copiado para gerao
seguinte sem alteraes, garantindo desta forma que sempre a melhor soluo
encontrada em qualquer uma das geraes ser mantida at o final do processo.
Gerao [k-1]
f ( )
0
1
1
1
1
0
0
1
0
1
1
1
0
0
1
1
1
0
0
0
0
Gerao [k]
1
1
1
1
0
1
1
0
1
1
1
0
0
1
21
12
11
9
20
18
28
f ( )
1
0
1
0
1
1
1
1
0
0
0
1
0
0
0
0
1
0
0
0
0
Gerao [k+1]
1
0
1
1
1
1
0
1
0
1
0
1
1
1
9
12
12
18
9
11
8
Figura 4 - 9 - Processo Elitista
f ( )
1
0
1
0
1
1
1
0
1
1
1
1
1
0
0
1
1
1
1
1
1
0
1
0
1
0
0
1
1
0
0
1
0
0
0
8
21
7
6
13
13
7
69
4.9. REPRESENTAO BINRIA X REAL

A representao binria historicamente importante, uma vez que foi utilizada
nos trabalhos pioneiros de Holland (1975). a representao tradicional, fcil de
utilizar e manipular e de simples anlise terica. Contudo, se um problema tem
parmetros contnuos e o usurio quer trabalhar com boa preciso numrica, ele
precisar armazenar cromossomos longos na memria, uma vez que, para cada casa
decimal acrescentada na preciso, necessrio adicionar 3.3 bits na cadeia. Caso sejam
necessrias 8 casas decimais, 83.3 27 bits sero utilizados para cada parmetro.
Quando h muitos parmetros, obtm-se longas cadeias de bits que podem fazer o
algoritmo convergir vagarosamente. Alm disso, no h uniformidade nos operadores.
Por exemplo, a mutao afeta mais a aptido quando esta se processa nos primeiros bits
do gene.
A representao real (i.e. com ponto flutuante) gera cromossomos menores e
compreendida mais naturalmente pelo ser humano do que a cadeia de bits. Outra
vantagem da representao real a facilidade de criar novos operadores.
4.10. PARMETROS DE INFLUNCIA E CONFIGURAO

A correta configurao dos parmetros de influncia , sem dvida, um dos
aspectos mais relevantes dentro da estratgia dos Algoritmos Genticos. No existe
muita literatura sobre este tema, uma vez que tais configuraes iro depender entre
outras coisas da aplicao resolvida, entretanto, intuitivo perceber que este passo de
grande importncia no desempenho do mecanismo de busca. A eficincia e
funcionamento de um Algoritmo Gentico so altamente dependentes dos seus
parmetros de controle, cujos tipos bsicos so descritos a seguir.
4.10.1. TAMANHO DA POPULAO - $

O tamanho da populao indica o nmero de cromossomos em cada populao,
normalmente constante durante a evoluo.
Uma grande populao apresentar uma maior diversidade de solues, contudo,
computacionalmente ser dispendioso efetuar tantas avaliaes da funo de aptido.
Assim, as principais influncias deste parmetro esto relacionados com o desempenho
global e com a eficincia dos AGs.
70
Com uma populao pequena o desempenho pode cair, pois a mesma

representaria apenas uma pequena parte do espao de busca do problema. Uma grande
populao geralmente fornece uma cobertura representativa do domnio do problema,
alm de prevenir convergncias prematuras para solues locais ao invs de globais. No
entanto, para se trabalhar com grandes populaes, so necessrios maiores recursos
computacionais, ou conviver com tempos maiores de processamento.
Uma idia interessante relacionar o tamanho da populao com o tamanho do
cromossomo, ou seja, quanto maior for o cromossomo maior dever ser o tamanho da
populao para uma diversidade razovel.
Muitos pesquisadores sugerem a ttulo de grandeza, tamanhos de populao
entre 10 e 100 cromossomos.
4.10.2. TAXA OU PROBABILIDADE DE CRUZAMENTO #C

Este parmetro indica com qual taxa ou probabilidade ir ocorrer o cruzamento
entre indivduos selecionados na populao.
Quanto maior for esta taxa, mais rapidamente novos indivduos sero
introduzidas na populao, em contrapartida, se for muito alta, indivduos com boas
aptides podero ser retirados mais rapidamente da populao, ocorrendo perda de
indivduos de alta aptido. Valores baixos podem tornar lenta a convergncia do
algoritmo.
Usualmente, a taxa de cruzamento varia entre 0.50 e 0.95, todavia, estes
nmeros indicam apenas uma ordem de grandeza, j que existem vrios tipos possveis
de cruzamentos, limitados apenas pela capacidade criativa do pesquisador.
4.10.3. TAXA OU PROBABILIDADE DE MUTAO #m

A taxa de mutao indica a probabilidade ou taxa em que haver a mutao de
cromossomos nas populaes ao longo da evoluo.
A mutao empregada para fornecer novas informaes dentro das populaes,
prevenindo que as mesmas tornem-se saturadas com cromossomos similares na medida
em que aumenta a diversidade populacional, possibilitando ainda uma maior varredura
do espao de busca.
71
H de se tomar cuidado, pois com uma taxa muito alta a busca pode tornar-se
essencialmente aleatria.
Assim como os demais parmetros, a taxa de mutao ideal depender da
aplicao a ser resolvida, todavia, a maioria das taxas utilizadas varia entre 0.001 e 0.1.
4.11. VANTAGENS E DESVANTAGENS DOS AGS

4.11.1. VANTAGENS DOS ALGORITMOS GENTICOS
Os Algoritmos Genticos tm sido empregados em problemas complicados de
otimizao em que, muitas vezes, os demais mtodos falham. Algumas vantagens dos
AGs so:
Funcionam tanto com parmetros contnuos como discretos ou uma combinao

deles.
Realizam buscas simultneas em vrias regies do espao de busca, pois

trabalham com uma populao e no com um nico ponto.
Utilizam informaes de custo ou recompensa e no derivadas ou outro

conhecimento auxiliar.
Otimizam um nmero grande de variveis.
Otimizam parmetros de funes objetivos com superfcies complexas e

complicadas, reduzindo a incidncia de mnimos locais.
Adaptam-se bem a computadores paralelos.
Trabalham com uma codificao do conjunto de parmetros e no com os

prprios parmetros.
Fornecem uma lista de parmetros timos e no uma simples soluo.
Trabalham com dados gerados experimentalmente e so tolerantes a rudos e

dados incompletos.
So fceis de serem implementados em computadores.
So modulares e portteis, no sentido que o mecanismo de evoluo separado

da representao particular do problema considerado. Assim, eles podem ser
transferidos de um problema para outro.
So flexveis para trabalhar com restries arbitrrias e otimizar mltiplas

funes com objetivos conflitantes.
So tambm facilmente hibridizados com outras tcnicas heursticas.
So robustos e aplicveis a uma grande variedade de problemas.
So mais resistentes a se prenderem a timos locais.
Apresentam um bom desempenho para uma grande escala de problemas.
72
Apesar dessas vantagens, os AGs no so eficientes para muitos problemas. So

bastante lentos e no raro ainda esto avaliando a populao inicial enquanto muitos
mtodos de Subida de Encosta j tm encontrado a soluo. O principal campo de
aplicao dos AGs em problemas complexos, com mltiplos mnimos/mximos e para
os quais no existe um algoritmo de otimizao eficiente conhecido para resolv-los.
4.11.2. DESVANTAGENS DOS ALGORITMOS GENTICOS

As principais desvantagens dos Algoritmos Genticos esto apresentadas nos
tpicos abaixo:
Dificuldade para achar o timo global exato;
Requerem um grande nmero de avaliaes das funes de aptido e suas
restries;
Grandes possibilidades de configuraes podendo complicar a resoluo.
4.12. ESTRATGIAS EMPREGVEIS AOS AGS

4.12.1. HIBRIDIZAO
Uma alternativa para melhorar o funcionamento dos Algoritmos Genticos a
hibridizao, que visa acoplar algoritmos distintos com o intuito de tirar o melhor
proveito de cada um deles. Assim, possvel acoplar-se aos Algoritmos Genticos
outros mtodos matemticos que efetuem uma busca local mais agressiva. Esta
alternativa hbrida resultante possui a capacidade de explorao global da regio vivel
aliada eficincia nas buscas locais.
4.12.2. COMPUTAO PARALELA

Os Algoritmos Genticos so por si s um mtodo naturalmente paralelo, uma
vez que a etapa de avaliao da aptido de cada indivduo da populao independente
das demais. Por esta razo, empregar computao paralela a Algoritmos Genticos
73
uma estratgia que deve sempre ser considerada, pois resulta em ganho no tempo de
processamento.
A etapa de seleo j necessita de certa centralizao, devendo os valores de
aptido de todos os indivduos da populao estarem disponveis simultaneamente em
algum processador para a seleo natural dos indivduos. Em seguida, aplicam-se os
operadores genticos escolhidos sobre os indivduos (cromossomos) desejados para a
evoluo do processo.
Quando o paralelismo natural como descrito acima, o resultado encontrado o
mesmo daquele encontrado pelo Algoritmo Gentico seqencial que lhe deu origem,
contudo, pode-se implementar estratgias mais ousadas para se efetuar tanto a seleo
quanto a criao de novos indivduos localmente em cada processador, visando com isto
a diminuio das comunicaes para envio e recebimento de dados, como a aptido e o
cromossomo, por exemplo. Nestas alternativas no est garantida a obteno das
mesmas solues encontradas seqencialmente, tratando-se de um novo Algoritmo
Gentico.
Uma outra idia a subdiviso da populao original de p indivduos em n
subpopulaes, residentes nos n processadores disponveis, submetida cada uma a um
Algoritmo Gentico independente. Caso no ocorra nenhuma comunicao entre os
processadores, tudo acontece como se o problema estivesse sendo resolvido n vezes.
Entretanto, ao se permitir algumas comunicaes entre eles, por exemplo, a
migrao de alguns indivduos de certa subpopulao para outra(s), obtm-se um novo
Algoritmo Gentico. Para estes casos, novos parmetros de controle devem ser
adicionados com o objetivo de definir quando, quais, quantos e para onde os
indivduos iro migrar, e de que modo sero inseridos na nova populao.
Assim como a maior parte dos assuntos relacionados aos Algoritmos Genticos,
a implementao computacional distribuda ainda se encontra em evoluo: evolui a
tcnica baseada na evoluo, principalmente, pela infinidade de alternativas possveis,
restritas apenas pela prpria imaginao.
C a p tu lo 5 A n lis e E s tr u tu r a l
74
C A P T U L O 5
A N L ISE E ST R U T U R A L
ste captulo sero abordados os conceitos referentes a anlise

matricial de estruturas, a verificao de estruturas de concreto
armado e adequao de projetos aos critrios normativos. Como
se
ver
no
desenvolvimento do captulo os tpicos abordados tero sua formulao elaborada de

forma a transformar os problemas de verificao das sees de concreto armado em
procedimentos relacionados a programao matemtica usando desta forma os conceitos
j apresentados nos captulos anteriores desta dissertao.
A dvida o princpio da Sabedoria

Aristteles
75
5.1. INTRODUO
Antes de apresentar os exemplos sobre otimizao de estruturas de concreto
armado sero apresentados neste captulo os conceitos bsicos sobre anlise matricial e
verificao de estruturas de concreto armado.
Este um assunto bem mais abrangente do que ser apresentado, porm os
tpicos que sero abordados so suficientes para o entendimento dos processos
utilizados junto com os mdulos do programa de otimizao. As verificaes das sees
transversais representam algumas das restries que devem ser impostas na otimizao
de estruturas de concreto armado.
Este captulo est subdivido em quatro partes que cobrem todas as equaes que
foram utilizadas dentro dos mdulos do OTIMPORCA e tambm na otimizao de um
trecho de pilar a FCO, a saber:
1. Anlise Matricial de Estruturas
2. Verificao de Sees Transversais a Flexo Composta Oblqua - FCO
3. Verificao de Sees Transversais a Flexo Composta Normal - FCN
4. Critrios normativos quanto a dimenses, distribuio de armadura,
taxas de armadura, flechas mxima e mnima e bitolas comerciais.
Utiliza-se Anlise Matricial de Estruturas (AME), uma vez que sero feitas
apenas anlises lineares e por sua implementao ser mais simples que o Mtodo dos
Elementos Finitos.
A Anlise Matricial de Estruturas ser utilizada para obteno dos esforos
nodais nos extremos dos elementos do prtico plano que sero posteriormente utilizados
na verificao das sees transversais. Para este fim foi elaborado um programa
computacional em FORTRAN 90 composto de diversos mdulos, dentre eles:
Clculo de Vigas Contnuas
Calculo de Trelias Planas
Calculo de Trelias Espaciais
Calculo de Grelhas
Calculo de Prticos Planos
Calculo de Prticos Espaciais
76
Dentre estes mdulos ser apenas utilizado o mdulo para resoluo de prticos
planos acoplado ao programa de otimizao via Algoritmos Genticos.
Foram elaborados dois mdulos de verificao de sees transversais: um para
FCO e outro para FCN. O mdulo para verificao de sees a FCO foi utilizado
juntamente com o programa de minimizao do custo do pilar e o mdulo de FCN foi
desenvolvido para ser acoplado ao programa de otimizao de Prticos Planos de
Concreto Armado.
O mdulo de verificao da FCO foi desenvolvido de forma a ser extremamente
eficiente e dar como resposta os cdigos 0 caso a seo resista aos esforos solicitantes
ou 1 caso contrrio. Para isso utilizou-se o Mtodo de Newton que com 5 iteraes em
mdia fornece o resultado com uma boa preciso.
Ao utilizar otimizao via Algoritmos Genticos observou-se que a minimizao
do custo do pilar no foi eficiente em alguns casos pois, como os indivduos reprovados
pelo mdulo de FCO eram eliminados da populao, suas caractersticas eram perdidas.
Desta forma o mdulo de verificao a FCN fornecer uma informao a mais que o
mdulo de FCO que a distncia em relao ao Estado Limite Ultimo (ELU) que
servir para penalizar os indivduos que infringirem a esta restrio. O mesmo foi feito
em relao s demais restries do problema de minimizao do custo do Prtico Plano
de Concreto Armado. Para cada uma das restries do problema foi associada uma
funo de penalizao e desta forma nenhum indivduo ser descartado ao longo do
processo de otimizao.
A seguir ser apresentado de forma seqencial cada um dos quatro itens citados
anteriormente. Por serem estes tpicos clssicos da anlise estrutural aqui sero
apresentados de forma bastante rpida, e s ser detalhado o item referente a FCN com
incluso de um parmetro a mais para verificao da distncia dos pontos de esforos
solicitantes em relao ao ELU por ser algo novo e desenvolvido especificamente para
ser acoplado ao OTIMPORCA. Este parmetro ser posteriormente utilizado na funo
de penalizao das barras do prtico plano que no atingirem o equilbrio.
77
5.2. ANLISE MATRICIAL DE ESTRUTURAS

Uma primeira idia importante quando se trata da anlise matricial de estruturas
pelo mtodo dos deslocamentos que,
Os deslocamentos nas extremidades de uma barra e o carregamento na barra
definem de forma nica os esforos nas suas extremidades e, conseqentemente, os
esforos na barra.
Antes de dar prosseguimento formulao da anlise matricial ser necessrio
definir de forma mais clara os conceitos referentes a Matriz de Rigidez de uma barra,
desta forma
MATRIZ DE RIGIDEZ DE UMA BARRA : calcular a matriz de rigidez de uma

barra significa calcular os esforos resultantes nas suas extremidades, devido a
deslocamentos unitrios aplicados nessas mesmas extremidades, ou seja,
significa encontrar a rigidez da barra para cada um de seus possveis
deslocamentos nodais. Pode-se fazer uma analogia com uma mola elstica que
possui apenas 1 grau de liberdade. Para uma mola vale a seguinte relao
F = k. x ,
se quisermos encontrar o coeficiente de rigidez k da mola, basta aplicarmos um
deslocamento
unitrio
em sua extremidade livre e medir o esforo
correspondente. Dessa forma obtm-se

k=F
No estudo das estruturas planas, uma barra possui at 6 graus de liberdade e,
portanto, possui 6 coeficientes de rigidez (3 em cada extremidade) para cada um desses
6 graus de liberdade.
Considere-se uma barra no plano zy. As sees transversais desta barra
pertencem ao plano xy e devem possuir simetria em relao ao eixo y (se esta simetria
no existir no se pode garantir que a estrutura, quando submetida aos carregamentos,
permanea no plano zy). Utilizando-se a hiptese de Bernoulli-Euler (sees planas
permanecem planas e perpendiculares ao eixo da barra) juntamente com a hiptese de
linearidade geomtrica, pode-se obter a equao da linha elstica da barra, onde w
representa o deslocamento do eixo da barra no sentido contrrio do eixo y
78
Ee I e
d 4w
=0 ,
dy 4
integrando-se 4 (quatro) vezes a equao acima se obtm
Ee I e w ( y ) =
C1 y 3 C2 y 2
+
+ C3 y + C4 ,
6
2
onde C1 , C2 , C3 e C4 so constantes a serem determinadas pelas condies de

contorno de cada um dos casos de carregamento (deslocamentos nodais).
Define-se pelas integrais abaixo as Ae e I e como sendo a rea da seo do
elemento e o momento de inrcia da seo respectivamente.
Ae = dxdy
Ae
I e = y 2 dxdy
Ae
Representam-se os graus de liberdade da barra no sistema local pela varivel ui ,

onde o ndice i identifica cada um dos graus de liberdade conforme a Figura 5-1.
y
u2
u3
u5
u1
u6
u4
F igu ra 5 - 1 -
G rau s d e
L ib erd ad e d o E lem ento no S istem a L o cal
Para cada grau de liberdade est associado um esforo nodal externo f i , onde o
ndice i identifica o nmero do grau de liberdade a que se refere cada esforo nodal.
y
f2
f3
f1
f5
f6
f4
F igu ra 5 - 2 - E sfo ro s N o d ais d o E lem ento no S istem a L o cal
79
5.2.1. MATRIZ DE RIGIDEZ DE UM ELEMENTO DE BARRA

Para obter a segunda coluna da Matriz de Rigidez para Barra de Bernoulli-Euler,
aplica-se um deslocamento unitrio na direo do 2 grau de liberdade, ou seja, u2 = 1 ,
desta forma pode-se descrever o deslocamento do eixo da barra da seguinte forma
y = 0 w ( y ) = 1 e w ( y ) = 0
y = Le
w ( y ) = 0 e w ( y ) = 0 ,
substituindo na equao da linha elstica obtm-se o valor das constantes

C1 =
12 Ee I e
L3e
C2 =
6 Ee I e
L2e
C3 = 0
C4 = Ee I e ,
e com elas os esforos generalizados

M ( y) =
12 Ee I e
6 Ee I e
y
3
Le
L2e
V ( y) =
12 Ee I e
,
L3e
relacionando os esforos generalizados com as constantes da matriz de rigidez obtm-se

e
K 22
= V (0 ) =
e
K12e = K 42
=0
K 52e = V ( Le ) =
12 Ee I e
L3e
12 Ee I e
L3e
e
K 32
= M (0 ) =
K 62e = M ( Le ) =
6 Ee I e
L2e
6 Ee I e
L2e
Analogamente podem ser obtidos os outros 15 termos da matriz de rigidez

(lembrando que a matriz de rigidez simtrica). Desta forma pode-se escrever a matriz
e
da seguinte forma
K local
e
K local
Ee Ae
L
e
sim.
0
12
Ee Ae
Le
Ee I e
L3e
Ee I e
L2e
12
Ee I e
L3e
Ee I e
Le
Ee I e
L2e
Ee Ae
Le
0
12
Ee I e
L3e
Ee I e
6 2
Le
Ee I e
2
Le
.
Ee I e
6 2
Le
Ee I e
4
Le
0
80
5.2.2. CARREGAMENTOS NO ELEMENTO

Na anlise matricial de estruturas feita a hiptese de que os elementos s
possuem foras aplicadas em seus ns, portanto, quando houver carregamentos
aplicados ao longo da barra, deve-se transform-los em esforos nodais equivalentes.
Como exemplo, para um carregamento uniformemente distribudo (perpendicular ao
eixo do elemento) com q constante, obtm-se os seguintes esforos nodais
y
q Le
2
q Le
2
q L2e
12
q L2e
12
z
q
Figura 5 - 3 - Esforos Nodais de Engastamento do Elemento no Sistema Local
Estes esforos podem ser escritos vetorialmente da seguinte forma
f = 0
q Le
2
q L2e
12
q Le
2
q L2e
.
12
5.2.3. MATRIZ DE TRANSFORMAO

A matriz de rigidez do elemento obtida no sistema local de referncia, bem
como as foras nodais equivalentes aos carregamentos distribudos no elemento. O
equilbrio da estrutura, no entanto, obtido no sistema global de referncia.
Esta transformao feita atravs da Matriz de Rotao que, quando aplicada
aos deslocamentos globais, fornece os deslocamentos locais. Esta matriz definida da
seguinte forma
cos
sen
0
Te =
0
0
sen
cos
0
0
0
0
0
0
1
cos
sen
0
0
0
0
sen
cos
0
0
0
0
0
0
0
0
0
0
,
0
0
onde o ngulo de inclinao da barra em relao ao sistema global medido no

sentido anti-horrio.
81
y
u5
u5
u4
u6
u4
u6
u1
u2
u2
u3
u3
u1
Figura 5 - 4 - Transformao dos Graus de Liberdade para o Sistema Global

Organizando os deslocamentos nodais em vetores (locais e globais) da seguinte
maneira
u1e
e
u2
u3e
e
u = e
u4
u5e
e
u6
u1e
e
u2
u3e
e
u = e ,
u4
u5e
e
u6
desta forma tais vetores podem ser relacionados da seguinte forma

ue = Te u e .
A mesma matriz de rotao pode ser utilizada para a transformao das foras
nodais no sistema local ( f ) e no sistema global ( f ), definidas por
f1e
e
f2
f 3e
e
f = e
f4
f 5e
e
f 6
ou seja,
f e = Te f e
f1e
e
f2
f 3e
e
f = e
f4
f 5e
e
f 6
82
A matriz de rigidez local quando multiplicada pelos deslocamentos nodais

fornece o vetor das foras nodais internas (no sistema local). Esta relao pode ser
colocada no seguinte formato
e
K local
ue = f e ,
desta forma fcil demonstrar que a matriz de rigidez do elemento no sistema global de
referncia fica da seguinte forma
e
e
K global
= T T K local
T .
5.2.4. ESPALHAMENTO DA MATRIZ

RIGIDEZ GLOBAL
DE
RIGIDEZ LOCAL
NA
MATRIZ
DE
Os graus de liberdade do elemento sempre so numerados de 1 a 6 (de 1 a 3 para

os graus de liberdade do n inicial e de 4 a 6 para os graus de liberdade do n final). A
estrutura composta por vrios ns numerados seqencialmente pelo projetista. Devese, portanto, relacionar os graus de liberdade do elemento no sistema local com os graus
de liberdade no sistema global. A operao de identificao dos nmeros dos graus de
liberdade no sistema global de referncia a partir dos graus de liberdade locais
normalmente realizada atravs da matriz de incidncia. Tradicionalmente a matriz de
incidncia tem uma linha para cada elemento da estrutura e duas colunas armazenando o
nmero do n inicial e o nmero do n final do elemento.
Pode-se montar, para um elemento e que possua o n inicial de nmero ni no
sistema global e n final de nmero n f , um vetor v com os nmeros de seus graus de
liberdade no sistema global da seguinte forma
3 (ni 1) + 1
3 (ni 1) + 2
3 (ni 1) + 3
v = 3 n 1 + 1 .
)
( f
3 (n f 1) + 2
3 (n f 1) + 3
A montagem da Matriz de Rigidez Global pode ser feita com o seguinte
algoritmo:
83
A 5.1 - M O N T A G E M D A M A T R IZ D E R IG ID E Z G L O B A L
1.
Atribuir zero a todos os elementos da Matriz de Rigidez Global ( K global 0 )

e aos elementos do vetor das foras desequilibradas ( fglobal 0 )
2. Para os elementos e (variando de 1 at o nmero de elementos) da estrutura

execute todos os passos seguintes:
i. Montar a matriz de rotao Te do elemento, montar o vetor com o
nmero dos graus de liberdade do elemento v , montar a matriz de
e
rigidez local K local
e montar o vetor de foras desbalanceadas no
e
sistema local flocal
.
ii. Obter a matriz de rigidez do elemento e no sistema global:

e
e
K global
= TeT K local
T
vetor
de
foras
desbalanceadas
e
e
fglobal
= TeT flocal
iii. Varie i de 1 at 6 e execute todos os passos seguintes

e
a) f global v f global v + f global

i
i
i
e
b) Varie j de 1 a 6 e faa K global v v K global + K global

vi , v j
i, j
i, j
A lgo ritm o 5 - 1 - A lgo ritm o p ara M o ntagem d a M atriz d e R igid ez G lo b al

Desta forma obtm-se a matriz de rigidez da estrutura no sistema global de
coordenadas K global e o vetor das foras desbalanceadas no sistema global fglobal . A
matriz de rigidez tem 3 N ns linhas e 3 N ns colunas e o vetor das foras
desbalanceadas tem 3 N ns linhas, onde N ns o nmero total de ns da estrutura.
5.2.5. RESOLUO DO SISTEMA DE EQUAES

Depois de obtidos a matriz de rigidez da estrutura no sistema global de
coordenadas K global e o vetor das foras desbalanceadas no sistema global fglobal , ser
necessrio resolver o seguinte sistema de equaes:
K global uglobal = fglobal
84
para isto, pode-se utilizar um dos processos de resoluo de sistemas de equaes

apresentado no Captulo 2 desta dissertao.
Apenas a ttulo de observao, o sistema acima ainda deveria ser um pouco
modificado pois seria necessrio eliminar os graus de liberdade restritos ou utilizar
alguma outra tcnica para incluso das condies de contorno do problema como por
exemplo a tcnica do nmero grande, a qual soma um valor de rigidez bastante alto
diretamente na matriz de rigidez da estrutura nos graus de liberdade que se deseja impor
as restries. Esta tcnica muito fcil de ser programada porm nunca estaremos
resolvendo exatamente o problema em funo da alterao feita na matriz de rigidez do
problema.
5.2.6. OBTENO
ELEMENTO
DOS
ESFOROS
NAS
EXTREMIDADES
DE
CADA
Depois de resolvido o sistema de equaes e obtidos os deslocamentos nodais da

estrutura, necessrio fazer o processo inverso, separando para cada barra os seu 6
deslocamentos globais u e dentre os deslocamentos de toda estrutura uglobal . Este
processo feito diretamente pela matriz de incidncia.
Desta forma possvel obter tanto os esforos na barra no sistema global quanto
no sistema local que ser posteriormente utilizado para a verificao das sees
transversais.
e
f e = K global
ue
f e = Te f e
A estes esforos obtidos pela equao acima ainda devero ser acrescidos os
esforos nodais de engastamento perfeito de cada elemento, obtendo os esforos
seccionais finais.
A 5.2 A L G O R IT M O G E R A L PA R A A N L ISE M A T R IC IA L D E E ST R U T U R A S
1. Definir a incidncia das Barras
2. Associar para cada barra os graus de liberdade de suas extremidades com os
graus de liberdade da estrutura. (Ver item 5.2.4)
3. Montar para cada barra
i.
Vetor de Esforo de Engastamento somados as Fora Nodais aplicadas:

e
e
e fglobal
flocal
85
e
e
ii. Matriz de Rigidez Local e Global: K local
e K global
4.
Montar a Matriz de Rigidez Global
e o vetor das foras
K global
desequilibradas fglobal pelo Algoritmo A5.1

5. Resolver o Sistema de Equaes K global uglobal = fglobal
6. Para cada elemento calcula
i. Deslocamento no sistema local: ue = Te u e
e
ii. Calcular os Esforos Nodais: f e = K global
ue
f e = Te f e
A lgo ritm o 5 - 2 - A lgo ritm o G eral p ara A nlise M atricial d e E stru tu ras
5.3. ESTADOS LIMITES

5.3.1. ESTADO LIMITE LTIMO
O colapso das peas de concreto armado caracterizado pela ruptura do banzo
comprimido do concreto (estado ltimo de ruptura) ou pelo alongamento excessivo da
armadura tracionada (estado ltimo de alongamento plstico excessivo). Como
conseqncia do incio do fenmeno fsico de ruptura do concreto ser de difcil
identificao experimental, convencionou-se que o concreto atinge a ruptura quando seu
encurtamento atinge determinados valores experimentalmente justificados (estado
ltimo de encurtamento do concreto).
Tendo em vista as dificuldades de caracterizao do esgotamento da capacidade
resistente das peas submetidas a solicitaes normais, considera-se um estado limite
ltimo convencional, designado por estado limite ltimo de ruptura ou de deformao
plstica excessiva. Este estado limite ltimo alcanado quando na fibra mais
comprimida do concreto o encurtamento atinge um valor ltimo convencional ccu , ou
quando na armadura tracionada a barra de ao mais deformada tem seu alongamento
igual a um valor ltimo convencional su . Para ser alcanado o estado limite ltimo,
necessariamente dever estar satisfeita pelo menos uma das duas condies ltimas
Estado Limite ltimo de Ruptura do Concreto : 2 ccu 3.5
Estado Limite ltimo de Alongamento Excessivo do Ao : su = 10
86
5.3.2 ESTADO LIMITE DE UTILIZAO OU DE SERVIO

Os estados limites de servio so aqueles relacionados durabilidade das
estruturas, aparncia, conforto do usurio e a sua utilizao funcional, seja em relao
aos usurios, s mquinas ou aos equipamentos utilizados.
A segurana das estruturas de concreto pode exigir, segundo a NBR 6118, a
verificao de alguns dos seguintes estados limites de servio:
a) Estado limite de formao de fissuras;
b) Estado limite de abertura de fissuras;
c) Estado limite de deformaes excessivas;
d) Estado limite de descompresso;
e) Estado limite de compresso excessiva
f) Estado limite de vibraes excessivas.
5.4. D O M N IO S D E D E F O R M A O
As possveis configuraes ltimas do diagrama de deformaes especficas ao
longo da seo transversal da pea definem os cinco domnios de deformao. Os
domnios 1 e 2 so fixados pelo ponto A, os domnios 3 e 4 pelo ponto B e o domnio 5
pelo ponto C. Os diagramas de deformaes referentes aos diferentes domnios variam
desde a trao uniforme, at a compresso uniforme.
3.5
B
3
h
7
3
C
2
4
10
Figura 5 - 5 - Domnios de Deformao
87
O ponto C encontra-se a uma distncia igual a
3
h , contada a partir da borda
7
mais comprimida (ponto de giro da seo).

Abaixo feita uma pequena descrio de cada um dos domnios de deformao
apresentados na Figura 5 - 5.
Domnio 1 : caracterizado pela seo totalmente tracionada e deformao
sd = 10 na armadura. A linha neutra externa seo transversal. Abrange os casos

de trao axial e trao com pequena excentricidade. O concreto est totalmente
fissurado e os esforos so resistidos apenas pelas armaduras.
Domnio 2 : caracterizado pela deformao sd = 10 na armadura. A linha
neutra corta a seo transversal, havendo um banzo tracionado e outro comprimido.
Domnio 3 : caracterizado pela deformao sd = 3.5 . A linha neutra corta a
seo transversal, havendo um banzo tracionado e outro comprimido. Na situao
ltima, a deformao pelo menos igual deformao de incio de escoamento. Assim,
a ruptura do concreto ocorre simultaneamente com o escoamento da armadura.
Domnio 4 : caracterizado pela deformao sd = 3.5 . A linha neutra corta a
seo transversal, havendo um banzo tracionado e outro comprimido. No estado ltimo,
a deformao da armadura inferior deformao de incio de escoamento.
Domnio 5 : abrange os casos de flexo-compresso com pequena excentricidade
e o caso limite de compresso centrada. A linha neutra no corta a seo transversal,
totalmente comprimida. Neste domnio, a deformao ltima do concreto varia de 2
na compresso uniforme a 3.5 na flexo-compresso com linha neutra tangente
seo.
5.5. MATERIAIS
5.5.1. AO
Para os aos das armaduras passivas adota-se o mdulo de deformao
Es = 210.000 MPa
(1 MPa = 10 kgf/cm 2 )
Para esses aos, admite-se um comportamento na compresso simtrico ao

comportamento na trao. Pelo fato do concreto solidrio s armaduras sofrer ruptura
88
com encurtamentos no superiores a 3.5 , o diagrama truncado nesse valor na

regio de compresso
s
f yk
f yd =
f yk
f yd
yd
f ycd = f yd
yd
yd
f yd
=
Es
- f yd
Figura 5 - 6 - Diagrama Tenso x Deformao para o Ao

f yd
s = Es . s
f
yd
para s < yd
para yd s yd
para s > yd
5.5.2. CONCRETO
O diagrama de tenso x deformao para o concreto pode ser visto na
Figura 5 - 7 mostrada abaixo (diagrama parbola-retngulo).
c
cd
2 .0
3 .5
c [ ]
Figura 5 - 7 - Diagrama Tenso x Deformao para o Concreto
cd = 0.85
f ck
c
c = cd
para c < 0
2
para 0 c < 2
c c
4
para 2 c 3.5
cd
89
5.6. FLEXO COMPOSTA OBLQUA - FCO

A teoria apresentada nesta seo ser utilizada no primeiro exemplo do Captulo
6 no qual ser otimizado um trecho de pilar solicitado por dois momentos fletores M Sxd
e M Syd e um esforo normal N Sd . O processo de verificao da FCO nos dar como
resultado os valores da deformao axial 0 e das curvaturas x e y . Se a
determinao destes valores for possvel isto nos garante que o equilbrio da seo
transversal possvel. Este processo de verificao est mais amplamente discutido em
([M-3], [M-4] e [M-5]). Um outro mdulo foi acoplado a este programa para que sejam
feitas as verificaes referentes s deformaes mximas, permitidas pela Norma
Brasileira (Domnios de Deformao).
Pode-se definir a deformao de um ponto qualquer ( x, y ) de uma seo pela
seguinte equao
( 0 , x , y ) = 0 + y x x y
onde, 0 deformao axial na origem do sistema de coordenadas e x e y so os
mdulos das curvaturas da seo na direo x e y respectivamente.
Nas equaes a seguir ser adotada a seguinte conveno de sinais:
y
y
[+ ] compresso
[+ ] compresso
N [+ ] compresso
M [+ ] Regra da mo direita
Pode-se definir o problema na forma de minimizao para que possa resolver

pelo Mtodo de Newton. Para isso estaremos definindo uma f ( x ) que contm as 3
equaes de equilbrio da seo transversal da seguinte forma
90
N Sd N Rd
f ( x ) = M Sxd M Rxd = 0
M M
Ryd
Syd
onde temos,
0

x = x
y
resolver este sistema de equaes no-lineares pelo Mtodo de Newton significa
resolver o seguinte problema,
0

x
y
k +1
0
k
k 1

= x f ( x ) f ( 0 , x , y ) ,
utilizando a notao da matriz Jacobiana j apresentada anteriormente tem-se a seguinte

equao iterativa
x k +1 = x k
f ( x k ) .
1
Nos passos seguintes sero descritas as expresses para calculo de cada um dos
termos desta equao.
5 .6 .2 I N T E G R A IS D O S E SFO R O S R E SIST E N T E S
O calculo dos esforos resistentes da seo transversal ser aqui subdividido em
duas partes, uma parcela dos esforos resistentes devido ao concreto c e uma segunda
parcela referente ao ao s.
N Rd ( 0 , x , y ) = N Rcd ( 0 , x , y ) + N Rsd ( 0 , x , y )
M Rxd ( 0 , x , y ) = M Rxcd ( 0 , x , y ) + M Rxsd ( 0 , x , y )
M Ryd ( 0 , x , y ) = M Rycd ( 0 , x , y ) + M Rysd ( 0 , x , y )
As equaes abaixo fornecem os esforos resistentes da seo e desta forma a
funo f ( x ) para cada iterao do mtodo.
N Rcd = c ( ) dxdy
Ac
M Rxcd = c ( ) y dxdy
Ac
M Rycd = c ( ) x dxdy
Ac
ns
N Rsd = s ( ) As
i =1
91
ns
M Rxsd = s ( ) y s As
i =1
ns
M Rysd = s ( ) x s As
i =1
onde ns o nmero de barras de ao na seo transversal e As a rea de cada barra de

ao.
5 .6 .2 C L C U L O D A J A C O B IA N A D O S E SFO R O S R E SIST E N T E S
Pode-se subdividir a Matriz Jacobiana em duas parcelas, uma referente ao
concreto e a outra referente ao ao, ou seja,
N
Rcd
M
Rxcd
=
0
M Rycd
0
N Rcd
x
M Rxcd
x
M Rycd
x
=
+
N Rcd
y
M Rxcd
M Rycd
y
N
Rsd
M
Rxsd
=
0
M Rysd
0
N Rsd
y
M Rxsd
M Rysd
y
N Rsd
x
M Rxsd
x
M Rysd
x
A seguir so apresentadas as equaes para cada um dos termos das Matrizes

Jacobianas dos esforos resistentes mostradas acima, desta forma esto apresentados
abaixo os 18 termos destas matrizes.
=1
0
= y
x
=x
y
As expresses referentes aos termos do concreto para o calculo de

so:
c ( )
N Rcd
=
dxdy
0
Ac
c ( )
N Rcd
=
y dxdy
x
Ac
c ( )
N Rcd
=
x dxdy
y
Ac
c ( )
M Rxcd
=
y dxdy
0
Ac
c ( ) 2
M Rxcd
=
y dxdy
x
Ac
c ( )
M Rxcd
=
y x dxdy
y
Ac
92
M Rycd
c ( )
=
x dxdy
0
Ac
M Rycd
=
y
M Rycd
c ( )
=
x y dxdy
x
Ac
c ( ) 2
x dxdy
Ac
Da mesma forma que para o concreto, tm-se as parcelas da matriz

para o
ao mostradas abaixo:
ns
( )
N Rsd
= s
As
0
i =1
i
ns
( )
N Rsd
= s
y s As
x
i =1
i
ns
( )
N Rsd
= s
xs As
y
i =1
i
ns
( )
M Rxsd
= s
y s As
0
i =1
i
ns
( ) 2
M Rxsd
= s
ys As
x
i =1
i
ns
( )
M Rxsd
= s
y s xs As
y
i =1
i
ns
M Rysd
( )
= s
xs As
0
i =1
i
ns
M Rysd
( )
= s
y s xs As
x
i =1
i
ns
M Rysd
( ) 2
= s
xs As
y
i =1
i
Definindo-se as funes Dc ( ) e Ds ( ) como mostrado a seguir

0
se < 0
c ( )

Dc ( ) =
= 1000 cd 1 se 0 2
0
se > 2
0
d s ( )
= Es
Ds ( ) =
d
0
possvel escrever a matriz Jacobiana

se < yd
se yd yd
se > yd
que ser utilizado no Mtodo de Newton de
forma simplificada pelas seguintes expresses
93
D
x
dxdy
Dc ( ) y dxdy
(
)
Dc ( ) dxdy
A c
Ac
Ac
Dc ( ) y 2 dxdy
= Dc ( ) y dxdy
Dc ( ) x y dxdy
Ac
Ac
Ac
2
Dc ( ) x dxdy
Dc ( ) x dxdy Dc ( ) x y dxdy
Ac
Ac
Ac
e para o ao tem-se
ns
Ds ( ) As i
i =1
ns
= Ds ( ) ys As i
i =1
ns
Ds ( ) xs As i
i =1
ns
D ( ) x
s
i =1
ns
D ( ) y
i =1
2
s
i =1
ns
Ds ( ) xs ys As i
i =1
ns
2
Ds ( ) xs As
i
i =1
ns
Ds ( ) y s As i
As i
ns
Ds ( ) xs ys As i
i =1
As i
Com as expresses acima possvel resolver de forma rpida e eficiente o

problema da verificao de sees transversais sujeitas Flexo Composta Oblqua.
5.7. FLEXO COMPOSTA NORMAL - FCN

A formulao para verificao das sees transversais das vigas e pilares do
prtico Flexo Composta Normal, feita de forma anloga ao apresentado para
verificao da FCO. Para evitar que indivduos que possuam um ou mais de seus
elementos reprovados pela verificao sejam eliminados, introduziu-se um parmetro
que representa o quanto esto afastados do equilbrio.
Esse parmetro utilizado na penalizao
proporcional desses indivduos,
diminuindo sua probabilidade de transmitir caractersticas durante o cruzamento, sem

elimin-los do processo.
Esse parmetro representa uma inovao no processo de verificao de sees
transversais. Na formulao proposta por MENDES (2000) [M-3], quando o equilbrio
no possvel, o Mtodo de Newton no converge, e interrompido aps um nmero
mximo de iteraes no fornecendo informao sobre o quo distante se encontra a
condio de equilbrio. Com o parmetro
precisamente essa situao.
introduzido, possvel avaliar
94
Como a capacidade resistente da seo sempre calculado no ELU, tambm

possvel utilizar-se do mtodo para calcular o excesso de segurana dos elementos,
situaes onde o coeficiente assume valores menores que 1.
A extenso desse processo para FCO aliada otimizao, pode servir de
ferramenta para uma nova metodologia de segurana para dimensionamento de
estruturas de concreto armado.
Na FCN, cada seo solicitada por um par de esforos ( N S , M S ) que deve ser
resistido pela seo transversal de concreto armado.
Pode-se definir a deformao de um ponto qualquer de uma seo pela
seguinte equao,
( 0 , x ) = 0 x y
onde, 0 deformao axial na origem do sistema de coordenadas e x o mdulo da
curvatura da seo na direo x .
Ser adotada a seguinte conveno de sinais
y
[+ ] compresso
[+ ] compresso
N [+ ] compresso
M [+ ] Regra da mo direita
Definindo o problema na forma de minimizao para que possa resolver pelo

Mtodo de Newton define-se uma f ( x ) que contm as 2 equaes de equilbrio da
seo transversal da seguinte forma
N Sd N Rd f1
f (x) =
= =0
M Sxd M Rxd f 2
onde temos,
x
x=

95
resolver este sistema de equaes pelo Mtodo de Newton significa resolver o seguinte
problema,
x

k +1
x
k 1
k
= f ( x ) f ( x , ) ,
utilizando a notao da Matriz Jacobiana j apresentada anteriormente teremos a

seguinte equao iterativa
x k +1 = x k

f ( x k ) .
1
Os esforos resistentes da seo transversal so funo de 0 e x , porm, para

resolver o problema de verificao que neste caso possui 2 equaes de equilbrio e
passou a ter 3 incgnitas, 0 , x e . acrescentou-se mais uma equao ao problema,
obtida a partir das correlaes existentes dentro de cada um dos domnios de
deformao entre 0 e x . Desta forma podemos escrever as seguintes equaes:
1. Para os Domnios 1 e 2
x =
10 + 0
h
d
2
2. Para os Domnios 3 e 4
x =
2 ( 0 3.5 )
h
3. Para o Domnio 5
x =
14 ( 0 2.0 )
h
Desta forma possvel escrever as equaes para N Rd e M Rd apenas em funo

de x .
O Mtodo de Newton aplicado dentro de cada um dos trs grupos: Domnios 1
e 2, Domnios 3 e 4 ou Domnio 5, encontrando o equilbrio da seo em um deles.
No programa computacional implementado, uma vez encontrado o equilbrio em
qualquer um dos 3 casos, pode-se parar a verificao e no verificar os demais casos
ainda restantes (caso no seja este o ultimo a ser verificado). A ordem de busca dentro
do algoritmo foi feita de forma a tornar o algoritmo o mais rpido possvel. Como a
estrutura a ser otimizada um prtico plano, sabe-se que a maior parte das sees
96
estaro dentro dos Domnios 3 e 4, depois so testados os Domnios 1 e 2 e por ltimo

testado o Domnio 5.
Abaixo so apresentadas as expresses utilizadas no clculo da funo f ( x ) e
na Matriz Jacobiana

que compem a frmula iterativa do Mtodo de Newton.
5 .7 .1 . I N T E G R A IS D O S E SFO R O S R E SIST E N T E S
O clculo dos esforos resistentes da seo transversal ser aqui subdividido em
duas partes, uma parcela dos esforos resistentes devido ao concreto c e u m a segu nd a
p arcela referente ao ao s .
N Rd ( 0 , x ) = N Rcd ( 0 , x ) + N Rsd ( 0 , x )
M Rd ( 0 , x ) = M Rcd ( 0 , x ) + M Rsd ( 0 , x )
As equaes abaixo fornecem os esforos resistentes da seo e desta forma a
funo f ( x ) para cada iterao do mtodo.
N Rcd = c ( ) dxdy
Ac
ns
N Rsd = s ( ) As
i =1
M Rcd = c ( ) y dxdy
Ac
ns
M Rsd = s ( ) y s As
i =1
onde ns o nmero de barras de ao na seo transversal e As a rea de cada barra de

ao.
5 .7 .2 . C L C U L O D A M A T R IZ J A C O B IA N A PA R A F C N
Pode-se subdividir a Matriz Jacobiana em duas parcelas, uma referente ao
concreto e a outra referente ao ao, ou seja,
f1

x
=
f 2

x
f1

f 2

97
N
f1
N Rsd
= Rcd +
x
x
x
M Rcd M Rsd
f 2
=
+
x
x
x
f1
= ( N Rcd + N Rsd )
f 2
= ( M Rcd + M Rsd )
Como os esforos N Rcd , N Rsd , M Rcd e M Rsd so funes de 0 e x , as

derivadas da funo f em relao a varivel x ficam da seguinte forma
N
f1
N Rcd 0 N Rsd N Rsd 0
= Rcd +
+
+
x
0 x
x
0 x
x
M Rcd M Rcd 0 M Rsd M Rsd 0
f 2
=
+
+
+
,
x
0 x
x
0 x
x
e a partir destas expresses que se obtm a Matriz Jacobiana.
As expresses desenvolvidas para os Domnios 1 e 2 so,
h
0
= d
2
x
c ( )
f1
N
=
y dxdy Rcd
A
x
0
c
M Rcd M Rcd
f 2
=
x
0
x
h N
N
d + Rsd Rsd
2 x
0
h M Rsd M Rsd
d +
2 x
0
d
2
As expresses desenvolvidas para os Domnios 3 e 4 so,

0 h
=
x 2
N
f1
N Rcd h N Rsd N Rsd h
= Rcd +
+
+

2
2
x
x
x
0
0
M Rcd M Rcd h M Rsd M Rsd h

f 2
=
+
+
+

x
0 2
x
0 2
x
As expresses desenvolvidas para o Domnio 5 so,
d
2
98
h
0
=
x 14
N
f1
N Rcd h N Rsd N Rsd h
= Rcd +
+
+

x
0 14 x
0 14
x
M Rcd M Rcd h M Rsd M Rsd h
f 2
=
+
+
+

x
0 14
x
0 14
x
As expresses referentes aos termos do concreto so :
c ( )
N Rcd
=
y dxdy
x
Ac
M Rcd
=
x
c ( ) 2
y dxdy
Ac
c ( )
N Rcd
=
dxdy
0
Ac
c ( )
M Rcd
=
y dxdy
0
Ac
Da mesma forma que para o concreto, tm-se das derivadas parciais para o ao
ns
( )
N Rsd
= s
y s As
x
i =1
i
ns
( )
N Rsd
= s
As
0
i =1
i
ns
( ) 2
M Rsd
= s
y s As
x
i =1
i
ns
( )
M Rsd
= s
y s As
0
i =1
i
Com as expresses acima possvel resolver de forma rpida e eficiente o

problema da verificao de sees transversais sujeitas Flexo Composta Normal.
5.8. CRITRIOS NORMATIVOS

Os dados que constam no texto a seguir forma retirados do Projeto de Reviso
da NBR 6118 2000. Boa parte deles foi implementada no programa de otimizao de
prticos de concreto armado sob a forma de restries.
5.8.1. SEGURANA EM RELAO AOS ELU

Quando se dimensiona ou se verifica uma estrutura, preciso ter em mente que
estamos verificando sees de elementos.
a segurana dessas sees que pode, usualmente, ser expressa analiticamente.
99
fundamental que essa segurana seja estendida ao restante dos elementos,

atravs de um detalhamento adequado que permita solidarizar elementos que cheguem a
um mesmo n e suas partes.
Em relao aos ELU, alm de se garantir a segurana adequada, isto , uma
probabilidade suficientemente pequena de runa, necessrio garantir uma boa
dutilidade, de forma que uma eventual runa ocorra de forma suficientemente avisada,
alertando os usurios.
5.8.2. SEGURANA EM RELAO AOS ELS (DESEMPENHO EM SERVIO)

Na verificao da segurana em relao aos ELS, tambm devem ser satisfeitas
expresses analticas de segurana e regras construtivas.
Para garantir o bom desempenho de uma estrutura em servio, deve-se respeitar
limitaes de flechas, de abertura de fissuras, ou de vibraes, juntamente com aspectos
relativos a estanqueidade, conforto trmico ou acstico, etc.
5.8.3. TAXAS DA ARMADURA

5.8.3.1. PRINCPIOS BSICOS
a) Armaduras Mnimas: par evitar a ruptura frgil das sees transversais,
quando da formao da primeira fissura, considerando-se, para o clculo das armaduras,
um momento correspondente ao que levaria ruptura da seo de concreto simples,
supondo que a resistncia a trao do concreto seja dada por f ct ,ksup .
b) Armaduras Mximas: a especificao de valores mximos para as armaduras
decorre da necessidade de se assegurar condies de dutilidade e de se respeitar o
campo de validade dos ensaios que deram origem s prescries de funcionamento do
conjunto ao-concreto.
5.8.3.2. TAXA DE ARMADURA PARA VIGAS
A armadura mnima de trao, em peas armadas, aquela determinada pelo
dimensionamento da seo a um momento fletor mnimo dado pela expresso abaixo
M d ,min = 0.80 W0 f ctk,sup ,
100
onde W0 o mdulo de resistncia da seo transversal bruta de concreto, relativo

fibra mais tracionada e f ct ,ksup a resistncia caracterstica superior do concreto
trao.
O dimensionamento para M d ,min considerado atendido se forem respeitadas as
taxas mnimas de armadura da Tabela 5 - 1.
T ab ela 5 - 1 - T axas M nim a d e A rm ad u ra d e F lexo p ara V igas [N B R 6 1 1 8 ]

Os valores mximos para as armaduras de trao e de compresso podem ser
dados da seguinte forma, a soma das armaduras de trao e de compresso As + As
no deve ter valor maior que 4.0% Ac , contado fora da zona de emendas.
5.8.3.3. TAXA DE ARMADURA PARA PILARES
A taxa de armadura definida como =
As
.
Ac
Para as armaduras longitudinais de pilares e tirantes, os valores mnimos devem

ser:
min = 0.15
onde =
f cd
0.40% ,
f yd
Nd
o valor da fora normal em termos adimensionais.
Ac f cd
A maior taxa de armadura possvel em pilares de 8% da seo real,

considerando-se a sobreposio de armadura existente em regies de emenda, ou seja,
max = 8.0% .
101
5.8.4. DISTRIBUIO DAS ARMADURAS

5.8.4.1. E SPA A M E N T O E N T R E B A R R A S D A A R M A D U R A N A S V IG A S
O espaamento mnimo livre entre as faces das barras longitudinais, medido no
plano da seo transversal, deve ser igual ou superior ao maior dos seguintes valores:
a) no sentido horizontal:
20mm
ah dimetro da barra
1.2 vezes o dimetro mximo do agregado
b) no sentido vertical:
20mm
av dimetro da barra
0.5 vezes o dimetro mximo do agregado
Esses valores se aplicam tambm s regies de emendas por transpasse das

barras.
5.8.4.2. E SPA A M E N T O S E N T R E A R M A D U R A S N O S P IL A R E S
As armaduras longitudinais devem ser dispostas na seo transversal de forma a
garantir a adequada resistncia da pea. Em sees poligonais, deve existir pelo menos
uma barra em cada vrtice; em sees circulares, no mnimo seis barras distribudas ao
longo do permetro.
O espaamento livre entre as armaduras, medido no plano da seo transversal,
fora da regio de emendas, deve ser igual ou superior ao maior dos seguintes valores:
1. 40 mm;
2. 4 vezes o dimetro da barra;
3. O mnimo de 1.2 vezes o dimetro mximo do agregado, inclusive nas emendas.
Quando estiver previsto no plano de concretagem o adensamento atravs de
abertura lateral na face da forma, o espaamento das armaduras deve ser suficiente para
permitir a passagem do vibrador.
102
O espaamento mximo entre eixos das barras, ou de centros de feixes de barras,

deve ser menor ou igual a 2 vezes a menor dimenso no trecho considerado, sem
exceder 400 mm.
5.8.5. D E SL O C A M E N T O S L IM IT E S
Deslocamentos limites so valores prticos utilizados para verificao do estado
limite de deformaes excessivas da estrutura.
Deslocamentos excessivos e tendncia vibrao dos elementos estruturais
podem ser indesejveis por diversos motivos.
Esses motivos podem ser classificados em quatro grupos bsicos, conforme
detalhados a seguir e indicados na Tabela 5 - 2.
Aceitabilidade sensorial
Estrutura em servio
Efeitos em elementos no estruturais
Efeitos em elementos estruturais
Observaes:
1) Todos os valores limites de deslocamentos supem elementos de vo L,
suportados em ambas as extremidades por apoios que no se movem. Quando se
tratar de balanos, o vo equivalente a ser considerado deve ser o dobro do
comprimento do balano.
2) Para o caso de elementos de superfcie, os limites consideram que o valor L
o menor vo, exceto em casos de verificao de paredes e divisrias, onde
interessa a direo na qual a parede ou divisria se desenvolve, limitando-se este
valor a duas vezes o vo menor.
3) O deslocamento total ser obtido a partir da combinao das aes
caractersticas ponderadas pelos coeficientes de acompanhamento definidos no
captulo 12.
4) Deslocamentos excessivos podem ser parcialmente compensados por
contraflechas.
T ab ela 5 - 2 - L im ites p ara D eslo cam ento s [N B R 6 1 1 8 ]
103
C a p itu lo 6 A p lic a es a o C o n c r eto A r m a d o
104
C A P T U L O 6
A P L IC A E S A O C O N C R E T O A R M A D O
este captulo sero apresentadas trs aplicaes para os mtodos de

otimizao via Algoritmos Genticos. Os exemplos propostos neste
capitulo serviram como validao dos programas implementados. Cada um dos mdulos
foram testados com diversos outros exemplos, de forma a garantir o funcionamento do
programa para todos os casos prticos possveis.
Se teus esforos forem vistos com indiferena, no desanimes, pois o sol ao

nascer d um espetculo todo especial, e no entanto a platia continua dormindo.
Charles Chaplin
105
Os exemplos que aqui sero apresentados foram elaborados de forma a explorar

os diversos conceitos que envolvem tanto os aspectos referentes ao clculo de estruturas
de concreto armado como os referentes ao uso dos algoritmos genticos como
ferramenta na otimizao estrutural. Os exemplos pretendem mostrar o quanto robusto
este mtodo de otimizao e como pode ser aplicado a grandes sistemas estruturais.
Alguns dos exemplos no obtiveram bons resultados em funo da forma como foram
elaborados, mesmo assim so apresentados para mostrar que a eficincia deste mtodo
est intimamente ligada forma como so escolhidas as variveis, maneira como so
codificadas e como so dispostas nos cromossomos.
6.1. O T IM IZ A O D E U M T R E C H O D E P IL A R A F L E X O
C O M P O ST A O B L Q U A
O exemplo a seguir apresenta a metodologia utilizada na aplicao de AGs na
otimizao de um trecho de pilar sujeito Flexo Composta Oblqua, com armadura
qualquer e com diversas combinaes de carregamento. Para isso, desenvolveu-se um
programa utilizando o MathCad, o que se mostrou bastante til pois possibilitou
entender os diversos passos do algoritmo e foi o incio de todo este trabalho.
Sero apresentados 3 exemplos de aplicao deste programa, que possibilitaram
diversas concluses extremamente teis para a implementao do programa de
otimizao do prtico plano, tema principal desta dissertao. importante salientar
que a forma como o primeiro exemplo foi implementado no a mais adequada.
No Anexo C encontra-se um fluxograma desse programa onde esto
apresentados os passos do processo de otimizao.
6.1.1. D E SC R I O D O P R O B L E M A D E O T IM IZ A O
O problema que se deseja resolver nestes exemplos consiste em se obter a seo
retangular e o respectivo arranjo de armadura que resistam a um determinado conjunto
de esforos e que possua o menor custo. Neste processo de otimizao diversas
restries quanto distribuio das armaduras devem ser verificadas.
106
6.1.1.1. D E SC R I O D A S V A R I V E IS
As variveis escolhidas para o problema so h , e Nbar que representam
respectivamente a altura da seo do pilar, a bitola das barras de ao e o nmero de
barras utilizado. A largura da seo considerada constante para cada um dos
exemplos.
O nmero mnimo e mximo de barras obedece aos critrios estabelecidos pela
NBR 6118. A altura da seo igual a hmin + Passoh , isto , uma altura mnima,
adotada 20 cm, mais um mltiplo do passo estabelecido, e inferior a 5 b . As bitolas
que podem ser escolhidas so : 10.0 mm, 12.5 mm, 16.0 mm, 20.0 mm e 25.0 mm, que
so as bitolas comerciais comumente usadas em projeto.
6.1.1.2. A F U N O O B JE T IV O
A funo objetivo para este problema corresponde ao custo por metro da seo
de concreto que se deseja dimensionar e definida da seguinte forma
Custo(h, , Nbar ) = CC b h + CA Nbar Area ( ) + CF (2 b + 2 h) ,
e as variveis CC, CA e CF so respectivamente o custo do concreto em R$/m3, o
custo do ao em R$/Kg e o custo da forma em R$/m2.
6.1.1.3. A S R E ST R I E S D O P R O B L E M A
As restries impostas para problema so:
1. Verificao a Flexo Composta Oblqua (FCO)
1.1. Equilbrio

Taxa de Armadura Mxima !"#%$&'()+*-,../0
1.2. Deformaes Admissveis (Domnios de Deformao)

2. Taxa de Armadura Mnima
3.
Por ser o primeiro exemplo apresentado, procurou-se reduzir o nmero de

restries aplicadas durante o processo de otimizao. Desta forma, as recomendaes
de norma quanto ao espaamento entre barras, bitolas utilizadas ou nmero de camadas
de armadura foram impostas diretamente sobre os indivduos durante sua gerao.
107
Todos os indivduos da populao inicial so gerados atendendo a essas

recomendaes.
Foram criadas funes que enumeram todas as possveis solues para o
problema, a partir dos dados inicias.
Primeira Funo: existe uma relao entre as variveis h , e Nbar pois

depende de h e Nbar uma funo de , b e h , desta forma a melhor forma
de criar esta funo atravs de uma matriz onde cada um de seus elementos
tambm so matrizes. Para cada h calcula-se os valores de Nbar mximo e
mnimo para cada valor de e desta forma so enumerados todos os pontos do
espao de busca de forma seqenciada.
Segunda Funo: optou-se por enumerar para todos os valores de h o Nbar

mximo e mnimo para cada valor de , desta forma, todas as sees que
possuem a mesma bitola esto reunidas em um mesmo bloco do espao de
busca. Na funo anterior Primeira Funo todas as sees com a mesma altura
da seo h que estavam reunidas de forma seqencial.
Nas Figuras 6-2 e 6-3 esto representados os pontos do espao de busca em
funo do custo. Pode-se observar que a distribuio dos pontos bastante irregular.
Outros comentrios sobre esta forma de codificao sero feitos juntamente com os
exemplos elaborados.
6.1.2. E X E M PL O S
Os dados gerais para os trs exemplos que sero apresentados a seguir esto
descritos logo abaixo:
1) PARMETROS DO ALGORITMO GENTICO:
Tamanho da Populao = 20 indivduos
Nmero Mximo de Geraes = 10 Geraes
Probabilidade de Cruzamentos = 0,80 [80%]
Probabilidade de Mutao = 0,05 [5%]
108
2) DADOS DOS MATERIAIS :

Resistncia Caracterstica do Concreto [ f ck ] = 20 MPa
Resistncia Caracterstica do Ao [ f yk ] = 500 MPa
Mdulo de Elasticidade do Ao [ Es ] = 210 GPa
3) COEFICIENTES DE MINORAO E MAJORAO:
Coeficiente de Majorao dos Esforos [ f ] = 1,40
Coeficiente de Minorao da Resistncia do Concreto [ c ] = 1,40
Coeficiente de Minorao da Resistncia do Ao [ s ] = 1,15
4) DADOS GEOMTRICOS DA SEO:
Espaamento mnimo entre barras = 5 cm
Espaamento mximo entre barras = 40 cm
Passo de h = 5 cm
Altura Mnima = 20 cm
Cobrimento = 3 cm
5) ESFOROS SOLICITANTES:
Esforos na Base do Pilar
Esforos na Base do Pilar

Nbk
= 2000 KN
Ntk
= 2000 KN
Mxbk = 50 KN.m
Mxtk = 70 KN.m
Mybk = 100 KN.m
Mytk = 150 KN.m
6) PREO DOS MATERIAIS :

3
Custo do Concreto = 120 R$/ m

Custo do Ao = 3 R$/Kg
2
Custo da Forma = 10 R$/ m
109
Esses dados se mantm constantes para todos os exemplos, variando-se apenas o

valor da base da seo do pilar b. Nota-se, ao final, que a eficincia dos AGs varia em
funo da forma da funo objetivo que se pretende otimizar.
6.1.2.1. E X E M PL O 1-A
Para este primeiro exemplo optou-se por utilizar b = 20 cm , desta forma o
nmero total de indivduos com Geometria Vivel obtidos pela enumerao de todos
os pontos discretos do espao de busca perfazem um total de 627. Para comparar o
ponto de mnimo obtido pelo programa de otimizao com o ponto de mnimo exato foi
implementado um outro programa que percorre todos os indivduos do espao de busca,
verifica o equilbrio e calculo o custo de cada indivduo obtendo assim o custo mnimo.
So 11 os indivduos que atendem condio de equilbrio da FCO e, dentre
estes o custo mnimo obtido (mnimo global) foi de R$ 180.80 por metro,
correspondente seguinte configurao de seo,
h = 95 cm
= 20.0 mm
Nbarx = 2
Nbary = 9
Nbar = 18
No primeiro exemplo pode-se observar que o nmero de indivduos viveis era

muito pequeno em relao ao nmero total de indivduos da populao e como o
nmero de indivduos de cada gerao era de 20 indivduos o programa demorava muito
tempo tentando montar uma primeira populao de indivduos viveis sem obter
sucesso. Mesmo quando se reduziu o nmero de indivduos para 10 o processo tornouse extremamente demorado. O que se pode notar que, neste caso, o algoritmo gentico
foi menos eficiente que o processo de verificao de todos os indivduos da populao.
Isso ocorre porque cada indivduo gerado de forma aleatria e, como o nmero total
de indivduos viveis muito pequeno, o algoritmo gera diversas vezes o mesmo
indivduo no vivel e o verifica para poder completar a populao e, ento, iniciar o
processo.
110
6.1.2.2. E X E M PL O 1-B
Para este exemplo se optou por utilizar b = 30 cm , desta forma o nmero total de
indivduos com Geometria Vivel obtidos pela enumerao de todos os pontos
discretos do espao de busca perfazem um total de 3117 elementos.
Verificando-se todos os indivduos da populao, observou-se que 2470
indivduos atendem condio de equilbrio da FCO e, dentre estes o custo mnimo
obtido (mnimo global) foi de R$ 82.40 por metro, correspondente seguinte
configurao de seo,
h = 85 cm
= 16.0 mm
Nbarx = 2
Nbary = 3
Nbar = 6
Atravs do programa de AGs implementado, obteve-se como soluo, aps 10

geraes, o custo mnimo de R$ 82.86 por metro, correspondente seguinte
configurao da seo transversal,
h = 90 cm
= 10.0 mm
Nbarx = 3
Nbary = 6
Nbar = 14
Neste caso pode-se observar que o programa efetuou, nas 10 geraes, 210
verificaes da seo e obteve um valor muito prximo do mnimo global exato.
Comparando com o nmero total de indivduos da populao que de 3117 indivduos
que foram verificados anteriormente para obteno do ponto de mnimo global, pode-se
observar que o algoritmo gentico verificou aproximadamente apenas 6.7% da
populao obtendo um resultado muito prximo em custo em relao ao mnimo exato.
Este exemplo mostra claramente que pontos com caractersticas completamente
111
diferentes podem ter valores de custo muito prximos, dificultando a obteno do timo
global. A forma como os indivduos esto distribudos mostrado nos grficos abaixo.
140
120
100
80
Media do Custo
Melhor Indivduo
60
40
20
0
1
10
11
Figura 6 - 1 Convergncia ao longo das 10 Geraes
400
350
300
Custo
250
200
150
100
50
0
0
500
1000
1500
2000
2500
3000
Nmero do Ponto
F igu ra 6 - 2 D istrib u io d o s ind ivd u o s p ela fu no d e enu m erao 1
3500
112
400
350
300
Custo
250
200
150
100
50
0
0
500
1000
1500
2000
2500
3000
3500
Nmero do Ponto
F igu ra 6 - 3 D istrib u io d o s ind ivd u o s p ela fu no d e enu m erao 2
6.1.3. E X E M PL O 1-C
Para este exemplo se optou por utilizar b = 40 cm , desta forma o nmero total de
indivduos com Geometria Vivel obtidos pela enumerao de todos os pontos
discretos do espao de busca perfazem um total de 8364.
O nmero de indivduos da populao que verificam a FCO de 8001 e dentre
estes o valor do custo mnimo foi de 69.40 R$/m.
Caractersticas do Indivduo:
h = 55 cm
= 12.5 mm
Nbarx = 2
Nbary = 4
Nbar = 8
Utilizando o programa de AGs, obteve-se, aps 10 geraes, o indivduo timo

correspondente ao custo mnimo de R$ 70.72 / m.
113
Caractersticas do Indivduo:
h = 70 cm
= 10.0 mm
Nbarx = 2
Nbary = 4
Nbar = 8
Neste caso, o programa efetuou, nas 10 geraes, 210 verificaes de seo e

obteve um valor muito prximo do mnimo global exato. Comparando com o nmero
total de indivduos da regio vivel que de 8364 indivduos que foram verificados
anteriormente para obteno do ponto de mnimo global, pode-se observar que o
algoritmo gentico verificou apenas 2.5% da populao obtendo um resultado muito
prximo, em custo, em relao ao anterior.
250
Custo Total
200
150
Custo Mdio
Custo Mnimo
100
50
0
1
10 11
Geraes
F igu ra 6 - 4 C o nvergncia ao lo ngo d as 1 0 G era es

Como est mostrado na Figura 6 - 4 esta forma de enumerao dos parmetros
faz com que o processo, mesmo obtendo pontos prximos do mnimo global, no tenha
a convergncia esperada, pois o custo mdio aps 10 geraes ainda continua bastante
diferente do custo mnimo. Na Figura 6 - 2 Pode-se notar que temos pontos de mnimo
local bastante prximos em praticamente todas as bitolas, porm, quando fazemos o
cruzamento entre eles podemos obter facilmente indivduos com custo superior aos de
seus progenitores.
114
6.1.4. C O N C L U S E S P R E L IM IN A R E S
Na verso inicialmente implementada para estes exemplos, as recomendaes de
norma como espaamentos mximos e mnimos entre barras, relao entre b e h e
outras, foram introduzidas como restries a serem atendidas durante o processo de
otimizao. Observou-se, porm, que a maioria dos indivduos gerados no atendiam a
essas restries e eram, portanto, descartados da populao. Optou-se, ento, pelos
processos de enumerao j descritos, onde todos os indivduos eram gerados dentro das
recomendaes de norma, obtendo, assim, um processo mais eficaz que o anterior. Esse
procedimento, embora eficiente para o caso estudado, no vivel para os problemas de
otimizao em geral pois :
1. A forma da funo objetivo pode tornar-se bastante irregular cheia de
mximos e mnimos locais;
2. Nem sempre possvel enumerar todas as possveis solues de um problema,
principalmente quando o nmero de variveis for muito grande;
3. Neste exemplo foi possvel criar uma funo que, para cada indivduo, associa
um nico ponto do espao de busca, mas, para problemas complicados, mesmo
que se consiga enumerar todos os possveis indivduos, a obteno destas
funes pode no ser fcil. Desta forma pode ser necessrio armazenar todos
os indivduos criados em algum arquivo que ser lido ao longo do processo,
tornando o processo mais lento.
Com isso possvel concluir que, ao tratar de problemas mais complexos, como
sero os prximos abordados, mais eficiente utilizar funes de penalizao para as
diversas restries do problema, nunca descartando indivduos da populao. Aos que
no atendem uma ou mais restries, tero acrescentado em seu custo (funo objetivo)
um custo fictcio que representa o quanto este indivduo est infringindo a esta(s)
restrio(es). No prximo exemplo sero detalhadas de forma mais clara as funes de
penalizao.
Pode-se observar tambm que a utilizao do Mathcad para problemas grandes
de otimizao tornaria o processo muito lento, desta forma optou-se por elaborar, em
FORTRAN 90, o programa OTIMPORCA para otimizao de prticos de concreto
armado.
115
6.2. O T IM IZ A O D E U M P R T IC O P L A N O D E C O N C R E T O
ARM ADO
Os exemplos que sero apresentados a seguir pretendem mostrar a eficincia da
utilizao dos AGs na otimizao de estruturas complexas como o caso dos Prticos
de Concreto Armado. Ao longo da descrio do problema sero comentados os diversos
mdulos do programa e suas respectivas funes. O Exemplo apresentado nesta seo
pode ser encontrado de forma mais detalhada nos Anexos B e C.
O problema que se deseja resolver consiste em obter o prtico de concreto
armado de menor custo e que resista a um determinado carregamento. Como se ver na
seqncia, o carregamento devido o peso prprio da estrutura ser recalculado para cada
indivduo (prtico) em funo das suas dimenses.
A estrutura considerada tima ser a que atender s seguintes condies:
1. O menor custo total
2. Verificar as restries quanto s flechas horizontais e verticais mximas
prescritas pela Norma Brasileira (NBR6118)
3. Verificar as restries quanto s dimenses mximas e mnimas das
sees dos pilares a das vigas.
4. Verificar as restries quanto aos espaamentos da armadura mximos e
mnimos tanto para as vigas como para os pilares.
5. Verificar as restries quanto s taxas de armadura mxima e mnima
prescrita na Norma.
6. Verificar o equilbrio das sees transversais das vigas e dos pilares.
(Equilbrio Deformaes Admissveis) - ELU
Alm destas, pode-se citar outras duas verificaes que deveriam ser feitas,
porm neste trabalho foram desconsiderados devido a sua dificuldade de clculo, que
so:
1. Verificao da fissurao das peas de concreto em relao a abertura
mxima de fissuras prescrita na Norma Brasileira.
2. Verificao da estabilidade da estrutura.
116
No Anexo C podemos encontrar um fluxograma do programa implementado para

este exemplo, nele esto detalhados cada um dos passos do processo de otimizao
utilizado.
Para facilitar a compreenso do processo de otimizao de prticos de concreto
armado, optou-se por subdividir sua anlise em duas etapas:
1. Otimizar as dimenses (alturas das sees de vigas e pilares) como variveis
discretas e as reas de ao ( As e As ) como variveis reais[OTIMPORCA 1]
2. Otimizar as reas de ao de forma exata, considerando sua distribuio
segundo os critrios da norma e as bitolas comerciais [OTIMPORCA 2]
6.2.1. D E SC R I O D O P R O B L E M A D E O T IM IZ A O
O problema de otimizao consiste em determinar o prtico de concreto armado
de menor custo que satisfaa as condies de contorno.
Primeiramente faremos a otimizao das dimenses como variveis discretas e
das reas de ao como variveis reais [OTIMPORCA 1] para em seguida adaptar as
reas de ao obtidas para as bitolas comerciais [OTIMPORCA 2]. Isso foi feito porque,
no primeiro caso, o prtico precisa ser recalculado a cada iterao, pois a altura das
peas se alteram, enquanto no segundo o prtico calculado apenas 1 vez, passando
para a otimizao do arranjo da armadura.
6.2.1.1. D E SC R I O D A S V A R I V E IS
As variveis escolhidas para o problema so
(hvigas , hpilares , As , As ) , que
representaro respectivamente a altura da seo da viga, do pilar e respectivas reas de

ao. So criados 4 cromossomos para representar cada indivduo da populao, um para
cada varivel do problema.
No OTIMPORCA 1, o primeiro cromossomo possui informaes sobre as
alturas das vigas, o segundo sobre a altura dos pilares, o terceiro sobre as reas de ao
As usadas nas vigas e pilares e o ltimo sobre a rea de ao As usadas nas vigas.
No OTIMPORCA 2, o primeiro cromossomo carrega informaes sobre a bitola
das armaduras As das vigas e pilares, o segundo sobre a bitola da armadura As das
117
vigas, o terceiro sobre o nmero de barras relativas a As e o ltimo sobre o nmero de

barras referentes a As . No segundo processamento, as reas de ao obtidas so ajustadas
para as bitolas comerciais existentes.
As bitolas que podem ser escolhidas so: 8.0 mm, 10.0mm, 12.5mm, 16.0mm e
20.0mm para as vigas, e 10.0mm, 12.5mm, 16.0mm, 20.0mm e 25.0mm para os pilares.
6.2.1.2. A F U N O O B JE T IV O
A funo objetivo foi escolhida como sendo a somatria dos custos de cada um
dos elementos do prtico e definida da seguinte forma,
Custo(hvigas , h pilaes , As , As ) =
nvigas
Custoviga +
npilares
i =1
Custo pilar
i =1
Custoviga ( hviga , As , As ) = CCviga b hviga + CA Nbar Area( ) + CFviga (b + 2 hviga ) Lviga

Custo pilar (h pilar , As ) = CC pilar b h pilar + CA Nbar Area ( ) + CFpilar (2 b + 2 h pilar ) LPilar
onde temos
CCviga = Custo do Concreto das Vigas em R$/m3 (lanado e vibrado)
CCpilar = Custo do Concreto dos Pilares em R$/m3 (lanado e vibrado)
CA = Custo do Ao em R$/Kg
CFviga = Custo da Forma das Vigas em R$/m2
CFpilar = Custo da Forma dos Pilares em R$/m2
Lviga = Comprimento do Trecho de Viga em metros
Lpilar = Comprimento do Trecho de Pilar em metros
Para os pilares adota-se sempre armadura simtrica, desta forma as informaes
sobre a armadura dos pilares estaro contidas no cromossomo As .
6.2.1.3. A S R E ST R I E S D O P R O B L E M A
As restries impostas a este problema foram :
1. Flechas horizontais e verticais mximas prescritas pela Norma Brasileira
[NBR-6118].
2. Dimenses mximas e mnimas das sees dos pilares e vigas.
118
3. Espaamentos mximos e mnimos da armadura, tanto para as vigas

como para os pilares.
4. Taxas de armadura mxima e mnima prescrita pela Norma.
5. Equilbrio das sees transversais das vigas e dos pilares.
6. Domnios de Deformao.
No foi imposta a restrio
h
5 (hiptese das sees planas permanecerem
b
planas), com o intuito de se reduzir o nmero de restries do problema. Desta forma

cada vez que um indivduo gerado possuir h > 5 b , ser adotada a altura mxima 5 b .
As restries do problema foram impostas atravs de funes de penalizao que
oneram o custo do indivduo. Para cada uma das 5 restries acima admitiu-se um
parmetro de penalidade, desta forma nenhum dos indivduos da populao descartado
durante o processo de otimizao.
6.2.1.4. F U N E S D E P E N A L IZ A O
So as seguintes as funes de penalizao, caracterizadas por diferentes
parmetros :
A funo de penalizao para a taxa de armadura mxima expressa por
P ,max = (Custoviga ou Custo pilar ) 10 ,max
onde, ,max expresso pela seguinte equao
,max =
max
.
max
A funo de penalizao para a taxa de armadura mxima expressa por

P ,min = (Custoviga ou Custo pilar ) 10 ,min
onde, ,min expresso pela seguinte equao
,min =
min
.
min
119
Para flexo composta normal (equilbrio da seo): FCN obtido diretamente

na rotina de verificao de FCN
PFCN = (Custoviga ou Custo pilar ) 10 FCN 1
A funo de penalizao para flecha mxima horizontal expressa por

Phorizontal
Custorefer . 350 f H
=
1
H portico
A funo de penalizao para flecha mxima horizontal expressa por

Pvertical
Custorefer . 500 fV
=
1
2
Lviga
onde Custorefer o custo referente ao projeto feito pela MRITO Engenharia

(R$1.600,00) , f H e fV so, respectivamente, a maior flecha horizontal e vertical
obtidas no processamento, H portico a altura total do prtico e Lviga o comprimento da
viga correspondente a maior flecha vertical.
6.2.1.5. C R IT R IO S D E P A R A D A (C O N V E R G N C IA )
U tilizo u -se d o is p arm etro s d e co ntro le p ara serem u tilizad o s co m o critrio d e
p arad a d o p ro cessam ento :
1. Nmero de geraes Valor mximo : o processamento interrompido sem
que o indivduo de custo mnimo seja obtido;
2.
Customin
TOL : o processamento interrompido com a obteno do
Customedio
indivduo timo;
120
6.2.2. E SQ U E M A E ST R U T U R A L D O P R T IC O
3,0 m
4 Pavimento - Tipo
3,0 m
3 Pavimento - Tipo
3,0 m
2 Pavimento - Tipo
3,0 m
1 Pavimento - Tipo
3,0 m
4,5m
1,0m
Figura 6 - 5 Esquema Estrutural do Prtico de Concreto Armado
121
Para o exemplo apresentado so mostradas abaixo a variao do custo dos

indivduos ao longo das geraes.
3
4
5
6 7
12
17 18
32 33 34
35 36 37 38 39
41
40
42 43 4445
43
27 28
29 30 31
40
25 26
37
22 23
24
22
20 21
19
16
13
10
19
34
16
31
13 14 15
28
10 11
25
8 9
3100
2950
2800
2650
2500
2350
2200
2050
1900
1750
1600
1450
1300
1150
1000
Figura 6 - 6 Custo Mdio e Custo Mnimo dos Indivduos em cada Gerao
41
44
18
22
21
3
5
17
30
23
38
31
24
8 9 10 11
20
13 14 15 16
19
34
29
43
35
36
37
40
42
43
32
31
28
25
22
19
16
13
10
27 28
39
33
34
25 26
40
12
37
6 7
8500
8000
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
2500
2000
1500
1000
Figura 6 - 7 Custo Mximo, Mdio e Mnimo dos Indivduos em cada Gerao
45
122
6.2.3. C O N C L U S E S P R E L IM IN A R E S
Os cromossomos que descrevem cada um dos indivduos so bastante grandes,
chegando a possuir cerca de 1000 bits de informao codificada. O cruzamento de
indivduos codificados dessa forma no eficiente pois demora muito a gerar
populaes suficientemente diversificadas, o que retarda a convergncia do mtodo. A
estratgia adotada para contornar o problema foi dividir o cromossomo principal em 4
outros cromossomos, cada um deles carregando informao sobre uma determinada
varivel, o que permite ainda uma maior facilidade na sua codificao e decodificao.
Essa abordagem revelou-se bastante eficaz, dando origem a populaes
diversificadas, convergindo mais rapidamente para o ponto de mnimo da funo
objetivo.
Outro procedimento utilizado, que tambm revelou-se muito eficiente, o
Mtodo da Penalizao amplamente discutido anteriormente. Penalizar os indivduos
que no atendem s restries, permitindo que continuem cruzando e transmitindo suas
caractersticas s geraes seguintes, contribui para a diversidade das populaes e para
a convergncia do mtodo. importante notar que esses indivduos, embora
transgridam algumas das restries, possuem outras caractersticas boas, que no
devem ser eliminadas.
Embora o exemplo apresentado seja de um prtico de 5 pavimentos, os
programas OTIMPORCA 1 e 2 funcionam para qualquer tipo de prtico plano, com os
tipos de carregamento usuais.
A otimizao de prticos de concreto se apresentou como uma ferramenta vivel
para outros estudos, desta forma deve-se a partir de agora buscar ampliar os aspectos
abordados nesta dissertao incluindo outros parmetros no processo de otimizao
buscando cada vez mais obter solues viveis e econmicas.
Os Algoritmos Genticos so extremamente versteis, o que facilitou bastante o
uso da tcnica para otimizao de prticos de concreto armado, idia que se considerava
extremamente complicada. Pode-se perceber que a problematica dos processos de
otimizao via algoritmos genticos est muito mais ligada a descrio do problema que
se deseja otimizar do que na tcnica de minimizao em si.
123
Espera-se que com o desenvolvimento de formulao que demandem de menos

restries do que as apresentadas neste trabalho possam tornar estes algoritmos mais
rpidos. O tempo de processamento desta estrutura demorou em mdia 30 minutos num
Pentium II 233 MHz com 128 Mb de memria RAM.
C a p itu lo 7 C o n c lu s e s e C o m e n t r io s
124
C A P T U L O 7
C O N C L U S E S E C O M E N T R IO S
O nico lugar onde o sucesso vem antes do trabalho no dicionrio

Albert Einstein
125
7.1. S O B R E A O T IM IZ A O D E E ST R U T U R A S
Um dos importantes avanos da Engenharia de Estruturas da segunda metade do
sculo XX ocorreu na rea de Mtodos Numricos para Anlise de Tenses,
principalmente atravs do Mtodo dos Elementos Finitos. Dada uma estrutura, seja ela
formada por barras, placas, cascas, slidos ou uma combinao destes elementos, j
possvel obter os respectivos campos de deslocamentos, deformaes e tenses, estudar
modos de vibrao natural, condies de instabilidade, etc. Estes desenvolvimentos
aliados aos avanos ocorridos na rea de computao, propiciaram a massificao do
uso de computadores nas empresas de clculo de projetos estruturais, possibilitando
anlises muito mais precisas e detalhadas que as realizadas h uma ou duas dcadas
passadas.
A fronteira de conhecimento que agora se coloca, determinar qual a estrutura
capaz de atender a todas as condies de segurana e que, alm disso, seja tima em
relao a um ou mais critrios pr-estabelecidos, tais como, menor peso, menor custo
dentre outros.
nesse cenrio que surgem os processos de otimizao tentando tornar os
computadores cada vez mais capazes de fazer escolhas sobre qual ou quais estruturas
so mais viveis dimensionar. Dentre os diversos processos de otimizao, os AGs
tem se mostrado extremamente eficazes na resoluo de problemas de engenharia
estrutural pois se adaptam bem a problemas com variveis discretas, funes objetivo
complicadas e restries as mais diversas possveis.
Vale observar que a otimizao de estruturas multidisciplinar pois, alm da
engenharia estrutural, ela abrange outras reas como estatstica, mtodos construtivos,
planejamento de obras, metodologia de compra e contratao de servios, alm de ser
varivel no tempo pois, a estrutura mais econmica hoje no necessariamente a
mesma para o perodo subseqente.
No h dvida que a prxima e importante vantagem competitiva a ser buscada
pelo mercado de engenharia de projetos estruturais so os mtodos de otimizao,
principalmente pelo critrio econmico, e cabe aos pesquisadores desenvolv-los para
que o mercado os utilize.
126
Embora de uso ainda restrito, seja pela dificuldade de utilizao ou pelo alto
custo de aquisio, j existem programas de anlise estrutural pelo Mtodo dos
Elementos Finitos, disponveis no mercado, capazes de fazer otimizao de estruturas,
porm, por serem programas de aplicao geral, demandam conhecimento terico e
experincia para a modelagem, processamento e interpretao dos resultados.
H um amplo espao no mercado de softwares para anlise de estruturas de
concreto armado capazes de, de forma amigvel e especializada, modelar as estruturas
mais usuais (prticos espaciais combinados com elementos de casca), efetuar anlises
lineares e, principalmente, no-lineares e processar estudos de otimizao topolgica e
de componentes.
Com certeza, esse desenvolvimento trar grande impacto na maneira como se
introduz a segurana na metodologia de projeto, possibilitando dar tratamento distinto
aos coeficientes de segurana de diferentes partes da estrutura (pilares, vigas e lajes) e
de diferentes arranjos estruturais (hiperestaticidade).
7.2. S O B R E O S A L G O R IT M O S G E N T IC O S
Embora este trabalho tenha dado uma maior abordagem da utilizao dos
Algoritmos Genticos para a resoluo de problemas de otimizao estrutural, inmeras
outras aplicaes da tcnica so possveis e j foram empregadas, tais como:
Modelagem e estudo de problemas em Ecologia, gentica populacional e na

relao entre aprendizagem do indivduo e evoluo da espcie;
Construo automtica de programas para a realizao de tarefas especficas e

outras estruturas computacionais como redes neurais;
Criao de imagens, texturas, msicas e estruturas complexas.

Pelas suas caractersticas de robustez, flexibilidade e relativa facilidade de
implementao, os Algoritmos Genticos iro ganhar uma maior ateno com o

decorrer do tempo, principalmente, pela rpida evoluo dos computadores que tornaro
suas aplicaes cada vez mais viveis e engenhosas.
Para os prximos anos um maior nmero de alternativas mistas da idia
gentica com outras estratgias, que lhe agreguem novas capacidades, sero
127
desenvolvidas, aprimoradas e difundidas no meio tcnico, aumentando o leque de

aplicaes e trazendo novos benefcios na resoluo dos problemas j tratados.
Outras sofisticaes tm sido desenvolvidas e incorporadas aos Algoritmos
Genticos para aumentarem suas potencialidades, tais como Adaptao e Distribuio
Uniforme da Populao Inicial.
A adaptao usualmente esttica, ou seja, so escolhidos parmetros, funes
e/ou operadores no incio do algoritmo e levados at o fim da execuo. Entretanto, uma
maior ateno vem sendo dada adaptao dinmica, isto , dentro do processo
evolutivo o prprio algoritmo seleciona os parmetros de configurao e/ou os
operadores genticos a serem utilizados, e possivelmente, at mesmo a funo objetivo,
principalmente em casos de aplicao de penalidades.
As vantagens da utilizao dos Algoritmos Genticos para problemas de
otimizao so inegveis, enquanto que suas desvantagens sero sanadas por uma maior
consolidao da tcnica e pelo desenvolvimento de computadores com uma maior
capacidade de processamento.
7.3. S O B R E A A N L ISE E ST R U T U R A L
A determinao dos esforos solicitantes necessrios para o dimensionamento
das sees transversais dos elementos do prtico (vigas e pilares) foi feita por um
programa de anlise matricial que, sendo vlidas as hipteses de linearidade fsica e
geomtrica, fornece a soluo exata. Mantendo a topologia, a otimizao ocorre tanto
pela alterao dos parmetros das sees quanto pela conseqente redistribuio dos
esforos pelo prtico. Efeitos devido ao comportamento no-linear do concreto
(viscosidade e plasticidade) e no-linearidade geomtrica (grandes deslocamentos e
deformaes) poderiam ter sido considerados de forma aproximada seguindo as
recomendaes de norma. Optou-se, porm, em faz-lo de forma exata na tese de
doutorado que dar seqncia a esse trabalho, atravs de um programa de anlise nolinear que utiliza o Mtodo dos Elementos Finitos.
A anlise no-linear possibilitar a considerao da deformao lenta do
concreto (viscosidade), plastificao de sees e a conseqente redistribuio dos
esforos, determinao precisa dos parmetros de instabilidade da estrutura e
considerao exata dos efeitos devido a carregamentos horizontais (vento). Embora os
128
efeitos devido deformao lenta onerem a estrutura, os demais combinados levaro a

economias importantes quando comparados com os resultados obtidos pela anlise
linear.
O processo usual de verificao de barras sujeitas a FCN consiste em percorrer
uma grande quantidade de pontos
( c , s )
obedecendo aos limites impostos pelos
Domnios de Deformao, integrando os diagramas de tenses correspondentes e

plotando os esforos resistentes ( N Rd , M Rd ) , obtendo assim os chamados Diagramas de
Interao.
A verificao da FCO feita a partir de duas FCN, ajustadas por parmetros
fornecidos pela norma. fcil perceber que este processo se presta muito bem para
clculos manuais de verificao, no sendo apropriado, porm, para automatizao.
O algoritmo de verificao da FCO utilizado nos exemplos dos pilares isolados,
resolve um sistema no-linear de equaes de equilbrio, pelo Mtodo de Newton,
obtendo a resposta em termos da deformao axial 0 e das curvaturas x e y , com as
quais, facilmente, se obtm o vetor dos esforos resistentes da seo transversal. Esse
algoritmo bastante eficaz, fornecendo os resultados, quando o equilbrio possvel,
em, no mximo, 5 iteraes. Para validao dos resultados obtidos preciso comparlos com os valores admissveis dos Domnios de Deformao. Caso no os satisfaam, o
equilbrio considerado no possvel.
O prtico analisado, por ser plano e com carregamento no seu plano, no possui
peas sujeitas a FCO, apenas a FCN, cuja verificao pode ser feita de modo anlogo ao
descrito para FCO. Porm, para evitar que indivduos com elementos (pilares)
reprovados fossem descartados, introduziu-se um parmetro que mede o quo
distante a seo se encontra do equilbrio para, ento, penaliz-la proporcionalmente a
este valor. Isso possibilita que esses indivduos passem suas caractersticas para as
geraes seguintes.
A Norma de Concreto Armado composta por um conjunto de regras de fcil
aplicao para metodologias de projeto manuais ou pouco automatizadas, diferentes das
atuais, onde se utiliza informtica de forma macia. A automatizao das rotinas de
dimensionamento e verificao de peas de concreto armado precisa de um conjunto de
recomendaes elaboradas de modo a facilitar sua implementao. Espera-se que a
129
reviso da norma de concreto armado, prestes a entrar em vigor, contemple essa nova
realidade.
7.4. S O B R E O S E X E M P L O S E L A B O R A D O S
Pode-se observar no exemplo de otimizao do pilar que, a estratgia de
enumerar todos os indivduos da populao que j satisfaam a um certo nmero de
restries, no eficaz, pois pode resultar em funes objetivo extremamente
descontnuas e com diversos pontos de mnimo local, o que dificulta bastante a pesquisa
do ponto extremo da funo objetivo pelo AG. Mesmo assim, pode-se observar que
dentre os trs casos apresentados, o AG convergiu rapidamente para o ponto de mnimo
nos local em apenas dois,
nos quais o nmero de indivduos da regio vivel era
suficientemente superior ao nmero mximo de indivduos de cada gerao, atingindo

valores muito prximos dos mnimos globais da funo. Dependendo do tipo de
problema esta tcnica pode resultar em solues bastante distintas do mnimo da funo,
sendo desaconselhvel o seu uso.
Nos exemplos de otimizao do prtico de concreto, pode-se observar que os
AGs so bastante eficientes na busca de solues, mesmo para problemas complexos,
com grande nmero de variveis envolvidas e sujeitos a vrias restries como este
caso. Desta forma pode-se pensar agora em generalizar os conceitos desenvolvidos na
otimizao de estruturas de grande porte ou mesmo estruturas tridimensionais.
A estratgia de penalizao dos indivduos no aptos mostrou-se ser mais
eficiente que a eliminao dos indivduos da populao. Outra vantagem do processo de
penalizao consiste na facilidade com que pode ser acoplada aos AGs, somando-se
diretamente funo objetivo do problema. Desta forma as verificaes de penalizao
sero sempre um ps-processamento nos problemas de otimizao de estruturas de
concreto, no influindo nas sub-rotinas de verificao das sees transversais.
Mesmo tendo-se feito a otimizao de estruturas de concreto com uma anlise
linear, observou-se no exemplo apresentado uma economia de 22.7% em relao a
soluo pelo programa comercial EBERICK, feita tanto por mim quanto pela MRITO
Engenharia onde foi pedido ao projetista que tentasse obter a estrutura de concreto
armado mais econmica possvel, mostrando o quo promissor o mtodo. Desta forma
se pretende dar continuidade idia inicial do trabalho propondo processos de clculo
130
de esforos computacionalmente mais eficientes e passando a incluir otimizao

topolgica em seu escopo.
Deve-se ainda ressaltar que, embora a nfase deste trabalho tenham sido as
sees retangulares de concreto armado, a grande maioria dos conceitos e discusses
apresentados podem, sem dificuldade, ser transpostos a qualquer outra seo com
materiais elsticos, homognea ou no. Tanto a obteno dos esforos resistentes das
sees transversais quanto a anlise do prtico plano propriamente dito so, de certa
forma, genricas, ou seja, no esto relacionadas a um material em particular. A
extenso fica restrita s consideraes sobre o Estado Limite Ultimo que bastante
particular ao concreto armado.
7.5 . S U G E ST E S P A R A T R A B A L H O S F U T U R O S
Abaixo so expostas algumas sugestes para trabalhos futuros nesta rea:
Otimizao de Prticos Planos de Concreto Armado com consideraes de no

linearidade geomtrica e fsica exatos e comparar com os resultados obtidos com
o mesmo problema resolvido com os mtodos aproximando para considerao
da no-linearidade fsica e geomtrica propostos pela NBR-6118;
Generalizao da verificao de sees transversais para o caso da Flexo

Composta Oblqua de forma a se poder verificar o equilbrio da seo transversal
sem que se faa necessrios usar os Domnios de Deformao propostos pela
Norma Brasileira, de forma a tornar o processo mais eficiente;
Otimizao de Prticos Espaciais de Concreto Armado;
Otimizao de Estruturas de Concreto Armado baseado em conceitos de

Segurana e Confiabilidade, usando critrios estatsticos para considerao da
variabilidade dos materiais e a determinao a influncia da hiperestaticidade da
estrutura;
Otimizao Topolgica de Estruturas de Concreto Armado utilizando

Algoritmos Genticos;
Determinao de parmetros de calibrao dos Algoritmos Genticos para

problemas complicados como por exemplo o caso de otimizao de prticos,
onde haja mais de um cromossomo para caracterizao dos indivduos.
131
Um assunto que ainda merece estudo mais aprofundado a caracterizao da

segurana nas anlises no-lineares de estruturas. Os exemplos realizados neste trabalho
sempre se utilizaram dos mesmos materiais (e coeficiente de segurana) tanto para
anlise quanto para a verificao (de sees) no Estado Limite ltimo. Pretende-se dar
continuidade a este trabalho de forma a propor formulaes de segurana em anlises
no-lineares de estruturas de concreto armado, usando a otimizao como ferramenta
para determinao de parmetros que possam correlacionar as anlises no-lineares com
as anlises lineares convencionais garantindo a segurana das estruturas.
Referncias Bibliogrficas
REFERNCIAS BIBLIOGRFICAS
[A-1]
AMADIEU,
O.;
PARISOT,
C.
Algoritmes
Gntiques,
http://www.essi.fr/
~parisot/GA200/ga.html, 1997.
[A-2]
ASSOCIAO BRASILERIA DE NORMAS TECNICAS ABNT. Projeto e

execuo de Obras de Concreto Armado e Protendido NBR 6118. Rio de
Janeiro, 1980.
[B-1]
BARCELLOS,
J.
C.
H.
Algoritmos
Genticos
Adaptativos:
um
estudo
comparativo (Dissertao de Mestrado), EPUSP, So Paulo, 2000.
[B-2]
BANDEIRA,
A.
A. Uma Introduo Anlise de Problemas de Contado,
(Dissertao de Mestrado), EPUSP, So Paulo, 1997.
[C-1]
CASTRO
E.
R.;
BARBOSA,
H.
J.
C.
Otimizao
Estrutural
com
Multi-
S. A
Simple
Objetivos Via Algoritmos Genticos, COPPE/UFRJ, Rio de Janeiro, 1998.
[C-2]
COELLO,
Genetic
C.
C.;
Algorithm
CHRISTAINSEN,
for
the
Design
A.
of
D.;
HERNNDEZ,
Reinforced
F.
Concrete
Beams, United
States, Engineering with Computers, Vol. 13, pp. 185-196, 1997.
[C-3]
COELLO,
Algorithm
C.
for
C.;
CHRISTAINSEN,
the
Optimal
A.
D.;
FARRERA,
Design
of
Axially
Columns, Civil Engineering Systems, Vol. 14, pp. 111-146, 1996.
F.
Loaded
A.
Genetic
Non-Prismatic
[D-1]
DAVIS,
L.
Handbook of Genetic Algorithms, Van
Nostrand
Reinhold, New
York, 1991.
[D-2]
DEMIDOVICH,
B.
P.;
MARON,
Computational
Mathematics,
Mir
Publishers,
Moscow, 1976.
[F-1]
FLETCHER,
R.
Practical
Methods
of
Optimization
Unconstrained
Optimization, University of Dundee, Scotland, 1985.
[F-2]
FLETCHER,
R.
Practical
Methods
of
Optimization
Constrained
Optimization, University of Dundee, Scotland, 1985.
[F-3]
FUSCO, P. B. Tcnicas de Armar as Estruturas de Concreto, PINI, So Paulo,

1995.
[F-4]
FUSCO,
P.
B.
Estruturas de Concreto
Solicitaes Normais, Guanabara
Dois, So Paulo, 1986.
[G-1]
GILL,
P.
E.;
MURRAY,
W.
Numerical
Methods
for
Constrained
Optimization + Practical Optimization, New York: Academic Press, 1974.
[G-2]
GOLDENBER,
D.
E.
Genetic
Algorithms
in
Search,
Optimization
and
Machine Learning, Addison Wesley Publishing Company, USA, 1989.
[G-3]
GERE,
J.
M.;
WEAVER
JUNIOR,
W.
Anlise
Matricial
de
Estruturas
Reticuladas, Guanabara Dois, 1981.
[H-1]
HOROWITZ,
B.
Desing
of
Columns
Structural Jornal, November-December 1989.
Subjected
to
Biaxial
Bending, ACI
[H-2]
HANN, B. D.
Fortran 90 for Scientists and Engineers, University of Cape
Town, Department of Applied Mathematics, 1993.
[L-1]
LACERDA,
M.J.S.,
E.G.M.,
VIEIRA,
CARVALHO,
V.P.P.B.,
A.C.P.L.F.,
DINIZ,
GALVO,
L.S.,
C.O.,
LUDERMIR,
VALENA,
T.B.
Sistemas
Inteligentes Aplicaes a Recursos Hdricos e Cincias Ambientais, Editora

da Universidade/ UFRGS/ABRH, 1999.
[L-2]
LEONHARDT, F.; MONNIG, E. Construes de Concreto, Intercincia,
Rio
de Janeiro, 1977.
[L-3]
LUENBERGER,
D.G. Programacion
Linear
No
Linear, Stanford
University,
California, 1989.
[M-1]
MACGREGOR,
J.
G.
Reinforced
Concrete:
Mechanics
and
Design,
Englewood Cliffs, N.J. : Prentice Hall, 1996.
[M-2]
MEDRANO,
M.
S.
A plicaes
de
Programao
Matemtica
em
Anlise
Estrutural (Dissertao de Mestrado), EPUSP, So Paulo, 1994.
[M-3]
MENDES, N. F. Tpicos sobre a Anlise No-Linear de prticos Planos de

Concreto Armado (Tese de Doutorado), EPUSP, So Paulo, 2000.
[M-4]
MENDES, N. F.; PIMENTA, P. M.

Retangulares
de
Concreto
Armado
Anlise Eficiente de Sees Transversais

submetidas
Flexo
Normal
IV Simpsio EPUSP sobre Estruturas de Concreto, So Paulo, So Paulo, 2000.
Composta,
[M-5]
Sobre o Clculo dos Esforos Seccionais
Resistentes,
Iberian
XX
CILANCE
(20th
Latin-American
Congress
on
Computational Methods in Engineering), So Paulo, 1999.
[M-6]
Consideraes sobre o Diagrama de
Domnios para o Dimensionamento e a Verificao de Sees Transversais

de Concreto Armado, IV Simpsio EPUSP sobre Estruturas de Concreto, So
Paulo, So Paulo, 2000.
[M-7]
MICHALEWICZ,
Z.
Genetic
Algorithms
Data
Structures
Evolution
Programs, Springer-Verlag, New York, USA, 1996.
[N-1]
NEVES, F. A.
Programao com Multi-Ojetivos Aplicada otimizao de
Pontes Estaiadas, (Tese de Doutorado), COPPE / UFRJ, Rio de Janeiro, 1997.
[N-2]
NONATO, L. V. Tpicos sobre a Anlise No-Linear de Prticos de Concreto

Armado (Tese de Doutoramento), EPUSP, So Paulo, 2000.
[N-3]
NETO,
F.
M.
levantamentos
Aplicao
Oceanogrficos
de
Algoritmos
(Tese
de
Genticos
ao
Doutoramento),
Palnejamento
de
EPUSP, So Paulo,
1997.
[O-1]
OLIVEIRA, S. R. O Algoritmo Gentico na Otimizao do Projeto Estrutural

de Embarcaes, (Tese de Doutorado), EPUSP, So Paulo, 1998.
[O-2]
OLIVEIRA, R. S. Anlise de pavimentos de edifcios de concreto armado com

a
considerao
da
no-linearidade
fsica
modelagem
aplicao a projetos, (Tese de Doutorado), EESC/USP, So Paulo , 1998.
metodologia
de
[P-1]
PFEIL,
W.
Concreto
Protendido:
Processos
Construtivos,
Perdas
de
Protenso, EDC ed.didtica e Cientfica, Rio de Janeiro, 1991.
[P-2]
PINTO,
C. M. Algoritmos Genticos Aplicados na Engenharia de Estruturas
(Dissertao de Mestrado), EPUSP, So Paulo, 2001.
[P-3]
PERDIGO,
R. S. Roteiro para Dimensionamento No Linear de edifcios
de
Armado
Concreto
Segundo
as
Normas
Norte-Americanas (Dissertao
de
Mestrado), UFPE, Recife, 2000.
[R-1]
RICE, J. R. Numerical Methods, Software, and Analysis, McGraw-Hill, Purdue

University, 1983.
[S-1]
SHAFFER,
R.
Practical
Guide
to
Genetic
Algorithms,
Naval
Research
Laboratory, Chemistry Division, http://www.chem1.nrl.navy.mil.
[S-2]
SILVA,
M.
A.
Sobre
Otimizao
de
Estruturas
Submetidas
Carregamento Dinmico, (Tese de Doutorado), EPUSP, So Paulo, 2000.
[S-3]
SOARES,
R.
C.
Um
estudo
sobre
modelos
mecnico-probabilstico
para
prticos de concreto armado , (Tese de Doutorado), EESC/USP, So Paulo,

2000.
[W-1]
WHITLEY, D. A Genetic Algorithm Tutorial, Statistic and Computing, Vol. 4,

pp. 65-85, 1994.
Anexo - A
A -1
A NEXO A
Abaixo esto listados alguns dos algoritmos utilizados nos Mtodos de Programao
Matemtica para determinao dos pontos de mnimo de funes:
A 3 .1 - A L G O R IT M O P A R A O M T O D O D E N E W T O N -R A P H S O N
P a sso 1 : k = 0 estim ar x 0
P a sso 2 : calcu lar f ( x k )
P a sso 3 : se f ( x k ) < TOL , o nd e TOL = f ( x 0 ) , p are x k so lu o
caso co ntrrio v p ara o P a sso 4
P a sso 4 : C alcu le a Jaco b iana: f ( x k )
P a sso 5 : R eso lva
T
f ( x k ) d k = f ( x k )
P a sso 6 :
x k +1 = x k d k
P a sso 7 :
k = k+ 1 e v ao P a sso 2
Algoritmo 3 - 1 - Algoritmo para o Mtodo de Newton-Raphson

A 3 .2 - A L G O R IT M O P A R A B U S C A U N ID IM E N S IO N A L
P a sso 1 : Inicialm ente faa
s =1
P a sso 2 : calcu lar

Gc = f ( x k ) d k
G ( s ) = f ( x k s d k ) d k
P a sso 3 : E stim ar u m valo r S T O L (to lerncia)
S e G ( s ) > STOL Gc
ou G (s ) GC < 0 , ento , itere p ara
s (0,1] at G ( s ) STOL Gc
Algoritmo 3 - 2 - Algoritmo para Busca Unidimensional
Anexo - A
A -2
A 3 .3 - A L G O R IT M O P A R A O M T O D O D E N -R
COM
B U S C A U N ID IM E N S IO N A L
P a sso 1 : k = 0 estim ar x 0
P a sso 2 : C alcu lar f ( x k )
P a sso 3 : se f ( x k ) < TOL p are x k so lu o , caso co ntrrio v p ara o P a sso 4
P a sso 4 : C alcu le a H essiana: 2 f ( x k )
T
P a sso 5 : R eso lva: 2 f ( x k ) d k = f ( x k )

P a sso 6 : B u sca U nid im ensio nal (calcu lar s k )
Minimizar
{ (s ) = f ( x
s dk
)} , co m s 0 em relao s.
s k a so lu o d o p ro b lem a d e m inim izao acim a

P a sso 7 :
Passo 8:
x k +1 = x k s k d k
k = k+1 e v ao Passo 2
Algoritmo 3 - 3 - Algoritmo para o Mtodo de N R com Busca Unidimensional
Descrio do Passo 6 do algoritmo 3-3

Minimizar
(s ) = f ( x s d
(s )
s = 0 (0 ) = f ( x k )
k
k
s = 1 (1) = f ( x d )
0
s*
o escalar s deve pertencer a intervalo s (0,1] , de forma a garantir o decrscimo suficiente.

A busca unidimensional tem como objetivo resolver o problema de minimizao
d
acima mencionado. A condio necessria de mnimo de ( s ) dada por
(s ) = 0 ,
ds
logo
d
( s ) = G ( s ) = f ( x k s d k ).d k = 0
ds
s (0,1] , se s k estiver fora desse intervalo, adotamos o valor 1 para s k .
Anexo - A
A -3
A 3 .4 - A L G O R IT M O P A R A O M T O D O D E Q U A S E -N E W T O N (B F G S )
P a sso 1 : k = 0 estim ar x 0 e B 0
P a sso 2 : calcu lar: f ( x k )
P a sso 3 : se f ( x k ) < TOL , o nd e TOL = f ( x 0 )
p are x k so lu o
caso co ntrrio v p ara o P a sso 4
P a sso 4 : C alcu le a d ireo d k
d k = B k f ( x k )
ver A lgo ritm o 3 - 5
P a sso 5 : B u sca U nid im ensio nal

C alcu lar s k
{ (s ) = f ( x
Minimizar
s dk
)}
ver A lgo ritm o 3 - 2
C o m s 0 em relao s.
s k a so lu o d o p ro b lem a d e m inim izao acim a
P a sso 6 :
x k +1 = x k s k d k
P a sso 7 :
k = k+ 1 e v ao P a sso 2
Algoritmo 3 - 4 - Algoritmo para o Mtodo Quase-Newton (BFGS)

k
k +1
Bk
(
k +1
k
B = B + 1 +
= f
=
k
(
k +1
) f ( )
k
) ( ) ( ) + (
( ) ( )
( )
k T
k T
k T
k T
k T
k T
k T
Anexo - A
A -4
A 3 .5 - A L G O R IT M O P A R A R E S O L U O D O S IS T E M A
P a sso 1 : k = o m esm o co ntad o r d a iterao d o B F G S
p = f ( x k )
P a sso 2 : Itere em i, d e i = k at i = 1 d e 1 em 1
( ( ) )
p= I+
P a sso 3 : q = B 0 p
P a sso 4 : Itere em i, d e i = 1 at i = k d e 1 em 1
( ( ) )
q= I+
E nto a d ireo d k = q
Algoritmo 3 - 5 - Algoritmo para Resoluo do Sistema
As equaes esto comentadas no item 3.3.2.1.2. do Captulo 3.
=

s k k k
=
f ( x k 1 ) k
k
( ( ) ) ( + ( ) ) f (
dk = I +
k T
k 1
k T
+ k f
k 1
Anexo - A
A -5
A 3 .6 - A L G O R IT M O P A R A O M T O D O N E W T O N / Q U A S E -N E W T O N
P a sso 1 :
a) E stim ar o s valo res d e x 0
( )
( )
b ) C alcu le o valo r d a fu no f x 0 e d a H essiana 2 f x 0

c) C alcu le a d ireo inicial d 0 reso lvend o a eq u ao linear:
( )
( )
2 f x 0 d 0 = f x 0
d ) Inicie Gc = d 0 f ( x 0 ) e faa GI = Gc
e) Inicie o co ntad o r j d as itera es d o B F G S , o co ntad o r i d o m to d o d e

N ew to n e o co ntad o r k d o L agrangiano : i = 0 ; j = 0 .
P a sso 2 : Itere em i at atingir a so lu o :
a) B u sca u nid im ensio nal
i) Inicialm ente faa
ii) C alcu lar
si = 1
G ( s i ) = d i f ( x i s i d i )
iii) E stim ar u m valo r S T O L (to lerncia)

S e G ( s i ) > STOL Gc
ou G ( s i ) GC < 0 , ento , itere p ara
s (0,1] at G ( s i ) STOL Gc
iv) Increm ente: x i +1 = x i s i d i
b ) T este a d ivergncia:
( )
S e f x i +1 > f x i , ento v p ara o A lgo ritm o 3 - 7

c) T este a so lu o d o p ro b lem a:
S e Gc ETOL GI , ento v p ara o P a sso 3 , so lu o satisfeita
d ) A nalise o p asso d a b u sca:
S e s i < 0.001 , ento v p ara o A lgo ritm o 3 - 7
e) T este o lim ite d e itera es d o B F G S :
S e j = maxBFGS ento v p ara o A lgo ritm o 3 - 7
f) V p ara o A lgo ritm o 3 - 8
Algoritmo 3 - 6 - Algoritmo para o Mtodo de Newton / Quase-Newton
Anexo - A
A -6
A 3 .7 C A L C U L O D A D IR E O d i P E L O M T O D O D E N E W T O N
P a sso 1 : Increm ente o co ntad o r d a iterao : i = i + 1
( )
( )
i)
C alcu le o valo r d a fu no f x i e d a H essiana 2 f x i
ii)
C alcu le a d ireo inicial d i reso lvend o o sistem a d e eq u a es
( )
( )
lineares: 2 f x i d i = f x i
iii)
A tu alize Gc = d i f ( x i )
iv )
F aa j = 0 e v p ara o P a sso 2 d o A lgo ritm o 3 - 6
Algoritmo 3 - 7 - Algoritmo para o Clculo da direo d i pelo Mtodo de Newton
A 3 .8 C A L C U L O D A D IR E O d i M T O D O D O B F G S
P a sso 1 : Increm ente as itera es: i = i + 1 ; j = j + 1
e
P a sso 2 : (F rm u la d o P ro d u to d o B F G S )
i
C alcu le o s veto res

i)
ii)
iii)
, o nd e:
d i 1
( ( )
( ))
d i 1 f x i f x i 1
( ( )
( ))
s i 1 f x i f x i 1 d i 1
( ) d
f x
i 1
i 1
( ( ) f ( )) +
= f
i 1
( )
iv) B j = I +
iT
j 1
( )
i 1
( + )
i
iT
( )
P a sso 3 : C alcu le d i reso lvend o o sistem a d i = B i f x i p elo A lgo ritm o 3 - 5

P a sso 4 : A tu alize Gc = d i f ( x i )
P a sso 5 : V p ara o P a sso 2 d o A lgo ritm o 3 - 6
Algoritmo 3 - 8 - Algoritmo para o Clculo da direo d i pelo Mtodo BFGS
Anexo - A
A -7
A 3 .9 - A L G O R IT M O P A R A D E T E R M IN A R A D IR E O D E D E C R S C IM O
P A R A O M T O D O D O L A G R A N G IA N O
P a sso 1 : C alcu lar : A1
=
! "
1
# "
P a sso 2 : C alcu lar :
w = BT +
P a sso 3 : R eso lver o sistem a d e eq u a es lineares: d 2k

B T A 1 B d 2k = w
P a sso 4 : C alcu lar o veto r inc gnita: d1k
# $ '
% &
1
d1k =
k
2
Algoritmo 3 - 9 - Algoritmo para determinar a Direo de Decrscimo

A 3 .1 0 - A L G O R IT M O P A R A O M T O D O D O L A G R A N G IA N O
C O M R E S T R I E S D E I G U A L D A D E
P a sso 1 : R eso lver o segu inte sistem a d e eq u a es no -lineares:
m
*
f
+
i* gi ( x * )
x
(
)
i =1
g
x
)
1(
=0
g m ( x )
U tilizand o o M to d o d e N ew to n tem -se

x

k +1
x
= t x k ,

(*
),
fazend o
A = 2 f ( x k ) + ik 2 gi ( x k ) e B = g ( x k ) p o d e-se reso lver o p ro b lem a p elo
m
i =1
A lgo ritm o 3 - 9 .
Algoritmo 3 - 10 - Algoritmo para o Mtodo do Lagrangiano com Restries
de Igualdade
Anexo - A
A -8
A 3 .1 1 - A L G O R IT M O P A R A O M T O D O D A P E N A L ID A D E
P a sso 1 : E sco lha u m a seq ncia { k } p o r exem p lo {1,10,102 ,103 ,104 ,
P a sso 2 : R eso lva o p ro b lem a d e m inim izao ab aixo :

P ( x, k )
Minimizar
m
1
P x , k = f ( x ) + k g i2 ( x )
2
i =1
o b tend o co m o so lu o x k
P a sso 3 : S eja T O L u m p arm etro d e co nvergncia.
S e x k satisfizer g ( x ) < TOL p arar
C o so co ntrrio , faa k +1 igu al ao p r xim o valo r d a seq ncia e v p ara
o P a sso 2 .
Algoritmo 3 - 11 - Algoritmo para o Mtodo da Penalidade com Restries
de Igualdade
A 3 .1 2 - A L G O R IT M O P A R A O M T O D O D O L A G R A N G IA N O A U M E N T A D O
P a sso 1 : E stim ar o s valo res d e e
e faa k = 0

Minimizar
C o m A x,
A ( x, , )
k
, = f
( ) + i k g i ( ) + g i2 ( )
2
i =1
i =1

S e x k ,
satisfizer A x k ,
) < TOL
p arar
-)
C o so co ntrrio , v p ara o P a sso 4 .

P a sso 4 : A tu alize :
k +1
+ g (
P a sso 5 : k = k + 1 , e v ao P a sso 2 .
Algoritmo 3 - 12 - Algoritmo para o Mtodo Lagrangiano Aumentado com
Restries de Igualdade
Anexo - A
A -9
Algumas observaes sobre o Mtodo da Penalidade:

1. A
seq ncia
dos
n m ero s
pode
ser
arb itrria,
ou
seja,
no
necessariam ente a ap resentad a ju ntam ente co m o algo ritm o ;

2 . D eve-se o b servar q u e ao serem so m ad o s n m ero s m u ito grand es em fu no
d e valo res alto s d o p arm etro k , o sistem a d e eq u a es resu ltantes p o d e
to rnar-se m al co nd icio nad o , o u m esm o p erd er info rm a es im p o rtantes em
fu no d o s critrio s d a aritm tica d e p o nto flu tu ante;
3 . N u nca co nsegu irem o s o b ter o resu ltad o exato d e u m p ro b lem a u sand o o
m to d o d a P enalid ad e p o is isto o co rreria q u and o k o q u e no
p o ssvel d e ser feito co m p u tacio nalm ente.
A 3.13 - A L G O R IT M O P A R A O M T O D O D A P E N A L ID A D E
COM
R E ST R I E S D E D E SIG U A L D A D E

Minimizar
P x,
P ( x, k )
q
1
= f ( x ) + k g j ( x )
2
j =1
o P a sso 2 .
de Desigualdade
Anexo - A
A -1 0
A 3.14 - A L G O R IT M O P A R A O M T O D O D O L A G R A N G IA N O A U M E N T A D O
C O M R E ST R I E S D E D E SIG U A L D A D E
P a sso 1 : E stim ar o s valo res d e e
e faa k = 0

Minimizar
C o m A x,
A x,
k
, = f
)
q
( ) + jk
j =1
gj (
0 ) + 1 g (0 )
q
j =1

S e x k ,
satisfizer A x k ,
) < TOL
p arar
0)
C aso co ntrrio , v p ara o P a sso 4 .

P a sso 4 : A tu alize
k +1
+ g (
P a sso 5 : k = k + 1 , e v ao P a sso 2 .
Algoritmo 3 - 14 - Algoritmo para o Mtodo do Lagrangiano Aumentado com
Restries de Desigualdade
A 3 .1 5 - A L G O R IT M O P A R A O M T O D O D A P E N A L ID A D E
C O M R E S T R I E S M IS T A S

Minimizar
P ( x, k )
q
m
2
1
1
P x , k = f ( x ) + k ( g i ( x )) + k g j ( x )
2
2
i =1
j =1
o P a sso 2 .
Mistas
Anexo - A
A -1 1
A 3 .1 6 M IN IM IZA O P E L O M T O D O D E N E W T O N
P a sso 1 : Increm ente o co ntad o r d a iterao ; i = i + 1
a) C alcu le o valo r d a fu no A x i ,
, e d a H essiana 2 A x i ,
b ) C alcu le a d ireo inicial d i reso lvend o o sistem a d e eq u a es lineares:
2 A x i ,
(4
= A
c) A tu alize Gc = d i A x i ,
d ) F aa j = 0 e v p ara o P a sso 2 d o A lgo ritm o 3 - 1 7

Algoritmo 3 - 16 - Algoritmo para o Minimizao pelo Mtodo de Newton
A 3 .1 7 - A L G O R IT M O P A R A O M T O D O D O L A G R A N G IA N O A U M E N T A D O
C O M R E S T R I E S M IS T A S
P a sso 1 : (P ro cesso d e inicializao d as itera es)
a) E stim ar o s valo res d e ,
b)
C alcu le
2 A x0 ,
o
,
valo r
da
e x0
A x 0 ,
fu no
da
H essiana
c) C alcu le a d ireo inicial d 0 reso lvend o a eq u ao linear:
2 A x 0 ,
d ) Inicie Gc = d 0 A x 0 ,
= A
(4
, e faa GI = Gc
e) Inicie o co ntad o r j d as itera es d o B F G S , o co ntad o r i d o M to d o d e

N ew to n e o co ntad o r k d o L agrangiano :
i=0 ; j=0 ; k=0
P a sso 2 : Itere em i at atingir a so lu o :
a) B u sca u nid im ensio nal
i) Inicialm ente faa
ii) C alcu lar
si = 1
G ( s i ) = d i A( x i s i d i ,
iii) E stim ar u m valo r S T O L (to lerncia)
, )
Anexo - A
A -1 2
S e G ( s i ) > STOL Gc
ou G (s i ) Gc < 0 , ento , itere
p ara s i (0,1] at G ( s i ) STOL Gc

b ) T este a d ivergncia:
S e A x i +1 ,
) > A ( 6
, , ento v p ara o A lgo ritm o 3 - 1 6
c) T este a so lu o d o p ro b lem a:
S e Gc ETOL GI , ento v p ara o P a sso 3 , so lu o satisfeita
d ) A nalise o p asso d a b u sca:
S e s i < 0, 001 , ento v p ara o A lgo ritm o 3 - 1 6
e) T este o lim ite d e itera es d o B F G S :
S e j = maxBFGS ento v p ara o A lgo ritm o 3 - 1 6
f) V p ara o A lgo ritm o 3 - 1 8
P a sso 3 : A tu alizao d o s m u ltip licad o res d e L agrange:
a) C alcu le o s no vo s m u ltip licad o res
6)
5 = 5 + g (6 )
k +1
k +1
+ g (
tr
: p ara to d as as restri es
Para restries de igualdade

Para restries de desigualdade
b ) T este a C o nvergncia d o s M u ltip licad o res:
5 5
5
k +1
KTOL P arar co m as itera es
c) A tu alize o s M u ltip licad o res:

i.
k +1
tr
ii. k = k + 1
d ) R einicialize co m o s no vo s M u ltip licad o res:
i. C alcu le o no vo R esd u o : A x i ,
ii. C alcu le a d ireo inicial reso lvend o o sistem a d e

lineares:
eq u a es
Anexo - A
A -1 3
lineares: 2 A x i ,
iii. A tu alize: Gc = d i A x i ,
= A
(9
e) R ep etir at atingir a so lu o : v ao P a sso 2

Algoritmo 3 - 17 - Algoritmo para o Mtodo do Lagrangiano Aumentado
com Restries Mistas
A 3 .1 8 M IN IM IZA O P E L O M T O D O D O B F G S
: e;
P a sso 1 : Increm ente as itera es: i = i + 1 ; j = j + 1
P a sso 2 : (F rm u la d o P ro d u to d o B F G S ) - C alcu le o s veto res

i.
d i 1
( ( )
iii.
, o nd e:
( ))
d i 1 f x i f x i 1
ii. =
j
( ( )
( ))
s i 1 f x i f x i 1 d i 1
( )
f x i 1 d i 1
( ( 9 ) f ( 9 )) +
= f
i 1
( : ; ) <
iv. B j = I +
iT
j 1
(= + ; : )
i
(9 )
i 1
iT
P a sso 3 : C alcu le d i reso lvend o o sistem a d i = B j A x i ,

5
P a sso 4 : A tu alize Gc = d i A x i ,
via A lgo ritm o 3 -
P a sso 5 : V p ara o P a sso 2 d o A lgo ritm o 3 - 1 7

Algoritmo 3 - 18 - Algoritmo para Minimizao pelo Mtodo BFGS
Anexo - B
B-1
ANEXO B
Abaixo est apresentada a seqncia de comandos que compem o arquivo de
entrada do programa OTIMPORCA.
1. Nome para Estrutura

[Nome]
2. Parmetro de Controle
[N Ns] [N Elementos] [Cond. Contorno] [N Mat.] [N Sc.] [Cdigo]
Obs.: O cdigo neste caso [3] para utilizao do mdulo de prtico plano
3. Coordenadas dos Ns da Estrutura (m)
Para cada N acrescentar uma linha com as seguintes informaes:
[N Nos] [Coord. X] [Coord. Y]
4. Conectividade e Materiais
Para cada Elemento acrescentar uma linha contendo as informaes:
[N Elem.] [N N Inic.] [N N Fin.] [N Mat.] [N Sec.] [Cdigo]
Obs.: O cdigo neste caso [1] para vigas e [2] para pilares
5. Materiais
Para cada Material acrescentar uma linha contendo as informaes:
[N Material] [Mod. Elast. Longit.] [Mod. Elast. Tansv.]
6. Definio das Sees
Para cada Seo acrescentar uma linha com as seguintes informaes:
[N Seo] [Base] [Cdigo] OTIMPORCA 1
ou
[N Seo] [Base] [Altura] [Cdigo] - OTIMPORCA 2
Obs.: O cdigo neste caso [1] para vigas e [2] para pilares;
7. Definio das Restries
Para cada Restrio acrescentar uma linha contendo as informaes:
[N N.] [Cdigo.] [Desl. X.] [Desl. Y.] [Desl. Z.]
Obs.: O cdigo neste representado por um conjunto de 6 nmeros que podem
ser [0] ou [1] em funo dos 6 graus de liberdade do n em questo serem livres ou
restritos respectivamente.
8. Nmero de Casos de Carregamento
[N Carregamentos]
Anexo - B
Para cada caso de carregamento entre com:

a. Nome do Caso de Carregamento
[Nome Caso]
b. Cargas Concentradas (tf)
Para cada Carga Concentrada a mais acrescentar uma linha contendo:
[N N.] [Fora X] [Fora Y]
Para concluir colocar uma linha com zeros
c. Cargas Distribudas (tf/m)
Para cada Carga Distribuda a mais acrescentar uma linha contendo:
[N Elemento.] [Fora X] [Fora Y]
Para concluir colocar uma linha com zeros
9. Nmero de Indivduos da Populao por Gerao
[N Indivduos]
10. Nmero Mximo de Geraes
[Maxgen]
11. Probabilidade Inicial de Cruzamento
[Pcros inicial]
12. Probabilidade Final de Cruzamento
[Pcros fianl]
13. Probabilidade Inicial de Mutao
[Pmut inicial]
14. Probabilidade Final de Mutao
[Pmut final]
15. Fck das Vigas (MPa)
[Fck Vigas]
16. Fck dos Pilares (MPa)
[Fck Pilares]
17. Fyk das Vigas (MPa)
[Fyk Vigas]
18. Fyk dos Pilares (MPa)
[Fyk Pilares]
19. Cobrimento da Armadura nas Vigas (cm)
[Cob. Vigas]
20. Cobrimento da Armadura nos Pilares (cm)
[Cob. Pilares]
B-2
Anexo - B
B-3
21. Altura Mnima da Seo para as Vigas (cm)

[Hmin Vigas]
22. Altura Mnima da Seo para Pilares (cm)
[Hmin Pilares]
23. Passo de H [altura da seo] para Vigas (cm)
[Passo H_V]
24. Passo de H [altura da seo] para os Pilares (cm)
[Passo H_P]
25. Nmero de faixas para integrao de tenses nas sees das vigas
[N faixas Vigas]
26. Nmero de faixas para integrao de tenses nas sees dos pilares
[N faixas Pilares]
27. Preo do Concreto por metro cbico para Vigas (R$/m3 )
[Custo Concreto Vigas]
28. Preo do Concreto por metro cbico para Pilares (R$/m3 )
[Custo Concreto Pilares]
29. Preo da Forma por metro quadrado para Vigas (R$/m2 )
[Custo Forma Vigas]
30. Preo da Forma por metro quadrado para Pilares (R$/m2 )
[Custo Forma Pilares]
31. Preo do Ao (R$/Kg)
[Custo Ao]
Abaixo mostrado um arquivo de entrada do OTIMPORCA. Os dados esto
dispostos em duas colunas apenas para impresso do arquivo.
ARQUIVO DE ENTRADA
** PORTICO **
47 50 2 1 12 3
01 0.00 0.00
02 4.50 0.00
03 0.00 3.00
04 0.75 3.00
05 1.50 3.00
06 2.25 3.00
07 3.00 3.00
08 3.75 3.00
09 4.50 3.00
10
11
12
13
14
15
16
17
18
19
20
5.00
5.50
0.00
0.75
1.50
2.25
3.00
3.75
4.50
5.00
5.50
3.00
3.00
6.00
6.00
6.00
6.00
6.00
6.00
6.00
6.00
6.00
Anexo - B
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
0.00 9.00
0.75 9.00
1.50 9.00
2.25 9.00
3.00 9.00
3.75 9.00
4.50 9.00
5.00 9.00
5.50 9.00
0.00 12.00
0.75 12.00
1.50 12.00
2.25 12.00
3.00 12.00
3.75 12.00
4.50 12.00
5.00 12.00
5.50 12.00
0.00 15.00
0.75 15.00
1.50 15.00
2.25 15.00
3.00 15.00
3.75 15.00
4.50 15.00
5.00 15.00
5.50 15.00
01 03 1 01
03 12 1 03
12 21 1 05
21 30 1 07
30 39 1 09
02 9 1 02
09 18 1 04
18 27 1 06
27 36 1 08
36 45 1 10
03 04 1 11
04 05 1 11
05 06 1 11
06 07 1 11
07 08 1 11
08 09 1 11
09 10 1 11
10 11 1 11
12 13 1 11
13 14 1 11
14 15 1 11
15 16 1 11
16 17 1 11
B-4
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
24 17 18 1 11 1
25 18 19 1 11 1
26 19 20 1 11 1
27 21 22 1 11 1
28 22 23 1 11 1
29 23 24 1 11 1
30 24 25 1 11 1
31 25 26 1 11 1
32 26 27 1 11 1
33 27 28 1 11 1
34 28 29 1 11 1
35 30 31 1 11 1
36 31 32 1 11 1
37 32 33 1 11 1
38 33 34 1 11 1
39 34 35 1 11 1
40 35 36 1 11 1
41 36 37 1 11 1
42 37 38 1 11 1
43 39 40 1 12 1
44 40 41 1 12 1
45 41 42 1 12 1
46 42 43 1 12 1
47 43 44 1 12 1
48 44 45 1 12 1
49 45 46 1 12 1
50 46 47 1 12 1
1 2.10E+6 8.400E+5
1 20.0 2
2 20.0 2
3 20.0 2
4 20.0 2
5 20.0 2
6 20.0 2
7 20.0 2
8 20.0 2
9 20.0 2
10 20.0 2
11 15.0 1
12 15.0 1
1 111111 0.0 0.0 0.0
2 111111 0.0 0.0 0.0
01
SOBREC_VENTO
03 0.50 0.00 0.00
12 0.50 0.00 0.00
21 0.75 0.00 0.00
30 0.75 0.00 0.00
39 1.00 0.00 0.00
05 0.00 -1.00 0.00
Anexo - B
07
14
16
23
25
32
34
41
43
11
20
29
38
47
00
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
B-5
-1.00
-1.00
-1.00
-1.00
-1.00
-1.00
-1.00
-1.00
-1.00
-0.80
-0.80
-0.80
-0.80
-0.80
0.00
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
36 0.00
37 0.00
38 0.00
39 0.00
40 0.00
41 0.00
42 0.00
43 0.00
44 0.00
45 0.00
46 0.00
47 0.00
48 0.00
49 0.00
50 0.00
00 0.00
100
30
0.85
0.95
0.03
0.001
20
25
500
500
3.0
3.0
20.0
20.0
5.0
5.0
20
20
130
150
5
5
2.5
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
-0.50
0.00
Arquivo de sada com os resultados obtidos pelo OTIMPORCA. Neste arquivo

esto apenas as caractersticas do melhor indivduo da populao. Outros arquivos so
gerados com os dados de todos os indivduos de todas as geraes.
Anexo - B
B-6
***********************************************************************
*
UNIVERSIDADE DE SAO PAULO
*
* DEPARTAMENTO DE ESTRUTURAS E FUNDACOES *
*
*
* PROGRAMA PARA OTIMIZACAO DE PORTICOS DE *
*
CONCRETO ARMADO
*
**********************************************************************
***
DADOS GEOMETRICOS DO PORTICO DE CONCRETO
***
____________________________________________________________
PORTICO
Numero de pontos nodais :
Numero de elementos :
Numero de condies de contorno :
Numero de tipos de material :
Numero de tipos de seo :
Numero do tipo de elemento :
Coordenadas de pontos nodais :

No
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Cord. X Cord.Y
0.00
4.50
0.00
0.75
1.50
2.25
3.00
3.75
4.50
5.00
5.50
0.00
0.75
1.50
2.25
3.00
3.75
4.50
5.00
5.50
0.00
0.75
1.50
2.25
0.00
0.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
6.00
6.00
6.00
6.00
6.00
6.00
6.00
6.00
6.00
9.00
9.00
9.00
9.00
47
50
2
1
12
3
Anexo - B
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
3.00
3.75
4.50
5.00
5.50
0.00
0.75
1.50
2.25
3.00
3.75
4.50
5.00
5.50
0.00
0.75
1.50
2.25
3.00
3.75
4.50
5.00
5.50
B-7
9.00
9.00
9.00
9.00
9.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
Caracterizao dos Elementos :

Elemento
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
No inicial
1
3
12
21
30
2
9
18
27
36
3
4
5
6
7
8
9
10
12
13
14
15
No final Material
3
12
21
30
39
9
18
27
36
45
4
5
6
7
8
9
10
11
13
14
15
16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Seo
3
5
7
9
11
4
6
8
10
12
1
1
1
1
1
1
1
1
1
1
1
1
Viga ou Pilar
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1
Anexo - B
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
B-8
16
17
18
19
21
22
23
24
25
26
27
28
30
31
32
33
34
35
36
37
39
40
41
42
43
44
45
46
17
18
19
20
22
23
24
25
26
27
28
29
31
32
33
34
35
36
37
38
40
41
42
43
44
45
46
47
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
Propriedades de Material :
Material Mod.Elast.Long. Mod.Elast.Transv.
1
Seo
1
2
3
4
5
6
7
8
9
10
11
12
2100000.
Base [cm]
15.
15.
20.
20.
20.
20.
20.
20.
20.
20.
20.
20.
840000.
Altura [cm]
40.
40.
30.
30.
30.
30.
30.
30.
30.
30.
30.
30.
Viga[1] ou Pilar[2]
1
1
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Anexo - B
B-9
Condies de apoio :
No Restring.
1
2
Codigo
Desl. X
Desl. Y
Rot. Z
111111
0.000E+00
0.000E+00 0.000E+00
111111
0.000E+00
0.000E+00 0.000E+00
Desl.X,Y, e Z so deslocamentos prescritos ou apoios elsticos

Numero de Casos de Carregamento : 1
Dados do Carregamento : 1
Carga Concentradas
SOBR
No Forca X Forca Y Momento Z
03
12
21
30
39
05
07
14
16
23
25
32
34
41
43
11
20
29
38
47
0.500
0.500
0.750
0.750
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-0.800
-0.800
-0.800
-0.800
-0.800
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Carga Distribuidas
Elemento
Q Distr X
11
12
13
14
15
16
0.000
0.000
0.000
0.000
0.000
0.000
Q Distr Y
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
Anexo - B
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
B-10
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
-0.500
*** DADOS DE CALIBRACAO DO ALGORITMO GENETICO ***

________________________________________________________________
Tamanho da Populao =
180
Numero Maximo de Geraes =
80
Probabilidade de Cruzamentos Inicial[0.80] = 0.800
Probabilidade de Cruzamentos Final [1.00] = 1.000
Probabilidade de Mutao Inicial [0.05] = 0.050
Probabilidade de Mutao Final [0.01] = 0.010
*** DADOS DOS MATERIAIS DO PROTICO ***

________________________________________________________________
Fck das Vigas [MPa] = 20.0
Anexo - B
B-11
Fck dos Pilares [MPa]= 25.0

Fyk das Vigas [MPa]= 500.0
Fyk Dos Pilares [MPa]= 500.0
Cobrimento para Vigas [cm]= 3.0
Cobrimento para Pilares [cm]= 3.0
Altura Mnima das Vigas [cm]=
20.0
Altura Mnima dos Pilares [cm]=
20.0
Variao da Altura das Vigas [cm] = 5.0
Variao da Altura dos Pilares [cm] = 5.0
Numero de Fatias para Integrao das Vigas =
Numero de Fatias para Integrao dos Pilares =
40
40
*** DADOS DE CUSTO DOS MATERIAIS DO PORTICO ***

_______________________________________________________________
Custo do Concreto das Vigas [R$/m3] = 130.00
Custo do Concreto dos Pilares [R$/m3]= 150.00
Custo da Forma para Vigas [R$/m2]=
5.00
Custo da Forma para pilares [R$/m2]=
5.00
Custo do Ao por Quilo [R$/kg]=
2.50
Propriedades da Seo :
Seo
rea
01
02
03
04
05
06
07
08
09
10
11
12
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
0.600E-01
Inrcia
0.800E-03
0.800E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
0.450E-03
rea cort.
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
0.000E+00
Resultados do Caso de Carregamento : 1

Deslocamentos nodais [m]:
No
Desl. X
Desl. Y
Rot. Z
01 0.4636E-15 -0.2165E-14 -0.9539E-15
Anexo - B
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
0.6232E-15
0.7515E-02
0.7515E-02
0.7514E-02
0.7514E-02
0.7514E-02
0.7514E-02
0.7513E-02
0.7513E-02
0.7513E-02
0.1781E-01
0.1781E-01
0.1781E-01
0.1781E-01
0.1781E-01
0.1780E-01
0.1780E-01
0.1780E-01
0.1780E-01
0.2704E-01
0.2704E-01
0.2704E-01
0.2704E-01
0.2703E-01
0.2703E-01
0.2703E-01
0.2703E-01
0.2703E-01
0.3420E-01
0.3420E-01
0.3420E-01
0.3420E-01
0.3419E-01
0.3419E-01
0.3419E-01
0.3419E-01
0.3419E-01
0.3906E-01
0.3905E-01
0.3904E-01
0.3904E-01
0.3903E-01
0.3902E-01
0.3902E-01
0.3902E-01
0.3902E-01
B-12
-0.9136E-14
-0.1605E-03
-0.1639E-02
-0.2113E-02
-0.1719E-02
-0.8814E-03
-0.2330E-03
-0.6948E-03
-0.1674E-02
-0.2727E-02
-0.3018E-03
-0.1764E-02
-0.2279E-02
-0.1965E-02
-0.1229E-02
-0.6845E-03
-0.1236E-02
-0.2265E-02
-0.3369E-02
-0.4222E-03
-0.1786E-02
-0.2390E-02
-0.2254E-02
-0.1688E-02
-0.1209E-02
-0.1624E-02
-0.2474E-02
-0.3398E-02
-0.5124E-03
-0.1647E-02
-0.2286E-02
-0.2328E-02
-0.1962E-02
-0.1581E-02
-0.1870E-02
-0.2533E-02
-0.3271E-02
-0.5609E-03
-0.1752E-02
-0.2599E-02
-0.2874E-02
-0.2637E-02
-0.2155E-02
-0.1984E-02
-0.2194E-02
-0.2477E-02
-0.1113E-14
-0.2641E-02
-0.1294E-02
0.9171E-05
0.9385E-03
0.1163E-02
0.3521E-03
-0.1825E-02
-0.2060E-02
-0.2128E-02
-0.2574E-02
-0.1315E-02
-0.7554E-04
0.8136E-03
0.1022E-02
0.2191E-03
-0.1926E-02
-0.2161E-02
-0.2229E-02
-0.2276E-02
-0.1330E-02
-0.2748E-03
0.5598E-03
0.8432E-03
0.2446E-03
-0.1567E-02
-0.1802E-02
-0.1869E-02
-0.1737E-02
-0.1228E-02
-0.4450E-03
0.2804E-03
0.6178E-03
0.2366E-03
-0.1194E-02
-0.1429E-02
-0.1496E-02
-0.1655E-02
-0.1433E-02
-0.7670E-03
0.1106E-04
0.5710E-03
0.5821E-03
-0.2862E-03
-0.5211E-03
-0.5887E-03
Esforos de extremidade nos elemento :
Anexo - B
B-13
Elemento
No
Normal
Cortante
M.Fletor
01
1
3
3
12
12
21
21
30
30
39
2
9
9
8
18
27
27
36
36
45
3
4
3
4
5
6
6
7
7
8
8
9
9
10
10
11
12
13
13
14
14
15
15
16
16
17
17
18
6.967
-6.517
6.160
-5.710
5.281
-4.831
4.015
-3.565
2.261
-0.097
29.407
28.957
22.940
-22.490
16.544
-16.094
10.535
-10.085
5.014
-4.564
0.047
-0.047
0.047
-0.047
0.047
-0.047
0.047
-0.047
0.047
-0.047
0.047
-0.047
0.000
0.000
0.000
0.000
0.282
-0.282
0.282
-0.282
0.282
-0.282
0.282
-0.282
0.282
-0.282
0.282
-0.282
1.492
-1.492
1.040
-1.040
0.822
-0.822
0.477
-0.477
-0.172
-1.811
2.006
-2.006
1.959
-1.959
1.675
-1.675
1.269
-1.269
1.094
-1.094
0.357
0.130
0.357
0.130
-1.618
2.105
-2.105
-1.353
-3.593
0.408
-4.080
3.286
1.450
1.125
1.125
0.481
0.429
-2.720
-0.058
-2.859
-1.546
-2.632
-2.033
-1.290
-3.521
0.417
-4.008
3.241
3.070
1.406
1.538
1.581
1.139
1.327
0.546
0.885
0.097
-0.120
3.584
2.434
2.970
2.906
2.399
2.625
1.787
2.021
1.355
1.927
-2.944
3.030
-2.944
3.030
-2.749
1.353
2.593
-0.408
4.080
-3.286
4.568
-6.528
-1.125
-0.481
-0.800
0.000
0.058
2.859
0.546
2.632
2.033
1.290
2.521
-0.417
4.008
-3.241
4.496
-6.430
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Anexo - B
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
B-14
18
19
19
20
21
22
22
23
23
24
24
25
25
26
26
27
27
28
28
29
30
31
31
32
32
33
33
34
34
35
35
36
36
37
37
38
39
40
40
41
41
42
42
43
43
44
44
45
45
46
0.000
0.000
0.000
0.000
0.405
-0.405
0.405
-0.405
0.405
-0.405
0.405
-0.405
0.405
-0.405
0.405
-0.405
0.000
0.000
0.000
0.000
0.177
-0.177
0.177
-0.177
0.177
-0.177
0.177
-0.177
0.177
-0.177
0.177
-0.177
0.000
0.000
0.000
0.000
1.097
-1.097
1.097
-1.097
1.097
-1.097
1.097
-1.097
1.097
-1.097
1.097
-1.097
0.000
0.000
1.450
1.125
1.125
0.481
0.816
-1.873
0.328
-2.302
-1.159
-2.365
-1.647
-1.313
-3.134
0.105
-3.622
2.638
1.450
1.125
1.125
0.481
1.304
-0.713
0.816
-1.508
-0.671
-1.938
-1.159
-1.251
-2.646
-0.199
-3.134
1.968
1.450
1.125
1.125
0.481
1.811
0.120
1.323
-1.056
-0.164
-1.865
-0.652
-1.560
-2.139
-0.888
-2.627
0.899
1.450
1.125
-1.125
-0.481
-0.800
0.000
-0.328
2.302
0.159
2.365
1.647
1.313
2.134
-0.105
3.622
-2.638
4.109
-5.537
-1.125
-0.481
-0.800
0.000
-0.816
1.508
-0.329
1.938
1.159
1.251
1.646
0.199
3.134
-1.968
3.621
-4.501
-1.125
-0.481
-0.800
0.000
-1.323
1.056
-0.836
1.865
0.652
1.560
1.139
0.888
2.627
-0.899
3.114
-3.052
-1.125
-0.481
Anexo - B
B-15
50
46
47
0.000
0.000
1.125
0.481
-0.800
0.000
Reaes de Apoio :
No Restring. Forca X Forca Y Momento
1
2
-1.492 6.967 3.070

-2.006 29.407 3.584
Soma do Carregamento Aplicado

Momento Calculado em Relao a Origem
3.500 -36.375 -139.031
3.501
Diferena de Equilbrio :
0.002 0.000 -0.044
CROMOSSOMO NUMERO = 163
ELEMENTO
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
BITOLA As BITOLA Asl CAM_1 CAM_2 CAM_3 CAM_4

10.0
10.0
3
1
3
1
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
10.0
10.0
2
0
2
0
12.5
12.5
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
3
0
2
1
8.0
16.0
3
0
2
1
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
3
0
2
1
8.0
16.0
3
0
2
1
8.0
16.0
2
0
2
0
8.0
16.0
3
0
2
1
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
3
0
2
1
8.0
16.0
3
0
2
1
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
8.0
16.0
2
0
2
0
Anexo - B
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
B-16
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
8.0
ELEMENTO ALFA [FCN1]

01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
1.040
0.701
0.465
0.164
0.056
1.049
0.881
0.740
0.601
0.452
0.615
0.526
0.454
0.254
0.101
0.597
0.205
0.121
0.449
0.597
0.521
0.243
0.097
0.585
0.205
0.121
0.371
16.0
16.0
16.0
16.0
16.0
16.0
16.0
16.0
16.0
16.0
16.0
16.0
10.0
10.0
10.0
10.0
10.0
10.0
10.0
10.0
3
3
3
3
2
3
2
2
2
3
2
2
2
3
3
3
2
3
3
2
ALFA [FCN2]
0.368
0.770
0.644
0.402
0.042
0.772
0.862
0.862
0.777
0.780
0.633
0.454
0.223
0.101
0.823
1.086
0.088
0.000
0.472
0.521
0.243
0.097
0.804
1.065
0.088
0.000
0.480
1
1
1
1
0
0
0
0
0
0
0
0
0
0
1
1
0
1
1
0
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
2
2
3
3
2
ALFA [RO]
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
2
2
2
1
0
1
0
0
0
0
0
0
0
0
0
0
0
1
1
0
Anexo - B
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
B-17
0.480
0.468
0.247
0.020
0.386
0.166
0.087
0.168
0.833
0.384
0.235
0.156
0.483
0.282
0.121
0.036
0.552
0.824
0.675
0.650
0.236
0.358
0.290
0.468
0.247
0.022
0.386
0.812
0.071
0.000
0.299
0.320
0.235
0.156
0.488
1.014
0.121
0.000
0.804
1.059
0.675
0.349
0.436
0.920
0.153
0.000
CUSTO TOTAL DO PRTICO [R$] = 1304.493
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
Anexo - B
B-18
Figura B-1 - Numerao dos Ns da Estrutura
Anexo - B
B-19
Figura B-2 - Numerao dos Elementos de Barra do Prtico de Concreto Armado
Anexo - B
B-20
Figura B-3 - Numerao das Propriedades das Sees dos Elementos
Anexo - B
B-21
Figura B-4 - Cargas Concentradas Aplicadas nos Ns da Estrutura
Anexo - B
B-22
Figura B-5 - Cargas Distribudas Aplicadas nas Vigas da Estrutura
Anexo - B
B-23
Figura B-6 - Forma da Deformada do Prtico de Concreto Armado
Anexo - B
Figura B-7 - Diagrama de Esforo Normal do Prtico de Concreto Armado
B-24
Anexo - B
Figura B-8 - Diagrama de Momentos Fletores do Prtico de Concreto Armado
B-25
Anexo C
C-1
ANEXO C
Os diversos mdulos que foram implementados para o OTIMPORCA esto
enumerados nos itens a seguir:
1. Mdulo de Leitura dos Dados de Entrada;
2. Gerador de Nmeros Aleatrios;
3. Gerador de Cromossomos Codificador (cadeia de bits);
4. Decodificadores para dada um dos diversos cromossomos;
5. Operador para de Cruzamento de 2 Pontos;
6. Operador para Mutao Uniforme;
7. Ordenador de Nmero;
8. Mdulo para fazer o Ranking dos Indivduos;
9. Operadores de Seleo de Indivduos para Cruzamentos;
10. Mdulo de Anlise Matricial de Estruturas Clculo dos Esforos do Prtico;
11. Mdulo de Verificao das Sees Transversais FCN (Penalizao);
a. Verificao de Equilbrio;
b. Verificao de Deformaes Compatveis.
12. Mdulo para Clculo do Custo da Estrutura;
13. Mdulo Verificador das Dimenses e Distribuio das Armaduras (Penalizao);
14. Mdulo para Clculo das Flechas Horizontal e Vertical (Penalizao);
15. Mdulo para Clculo das Taxas de Armadura das Sees (Penalizao);
16. Mdulo de Clculo da Mdia do Custo dos indivduos e verificao da
Convergncia;
17. Operador de Elitismo da Populao (10% melhores so guardados para prxima
gerao);
18. Mdulo de Gerao dos Arquivos de Sada.
a. Arquivo com os dados de cada da populao;
b. Arquivo com o resumo para cada gerao;
c. Arquivo com os dados do melhor indivduo obtido .
Para que se possa visualizar melhor o processo de otimizao de estruturas de
concreto armado, so apresentados a seguir alguns fluxogramas tanto para o exemplo de
Otimizao do Pilar Isolado como para o OTIMPORCA 1, a diferena entre a verso 1 e 2
est apenas na escolha das variveis para o problema como discutido no Capitulo 6.
Anexo C
C-2
Abaixo ser apresentado o fluxograma para o programa de otimizao de pilares

sujeito solicitados por FCO:
POPULAO
I NI CI AL
GERA N INDI VI DUOS
INDI VDUO VALOR REAL ASSOCIADO
PROCURA NA TABELA OS DADOS DO INDIVDUO
VERIFICAO DA FCO
DEFROM AES
EQUI L BRIO
MONTA A TABELA COM A SA DA DOS DADOS
SEPARA OS I NDIVIDUOS VI VEI S
CALCULA O CUSTO DE CADA INDI V DUO
ORDENA OS INDIVDUOS EM FUNO DO CUSTO

Fluxograma C-1 Otimizao de um Trecho de Pilar a FCO - [1/2]
Anexo C
C-3
SELECIONA
N/2 P ARES
D E IN IV ID U O S
PARA CADA
GERAO
SEGUINTE
NOVA
POPULAO
MUTAO
CRUZAMENTO
INDIVDUO GRAY INDIVDUO BINRIO
INDIVDUO BINRIO VALOR REAL ASSOCIADO
PROCURA NA TABELA OS DADOS DO INDIVDUO
EQUILBRIO
VERIFICAO DA FCO
DEFORMAES
SEPARA OS INDIVIDUOS VIVEIS
CALCULA O CUSTO DE CADA INDIVDUO NOVO
CRIT RIO DE
PA RA DA
NO CONVERGIU
CONVERGIU
Fluxograma C-2 Otimizao de um Trecho de Pilar a FCO - [2/2]
Anexo C
C-4
Abaixo ser apresentado um fluxograma com os mdulos que foram implementados

para o OTIMPORCA 1. O fluxograma apresenta as principais etapas do algoritmo de
otimizao, desta forma esta apresentao apenas ilustrativa para processo, no contendo
todos os detalhes da implementao.
LEITURA DADOS
DE ENTRADA
POPULAAO INICIAL
GERAAO DOS CROMOSSOMOS
CROM OSSOM O
AS
CROM OSSOM O
H PILA RES
CROM OSSOM O
H VIGA S
EQCR
UOIL
BSRSIOOMO
MO
PARA CADA INDIVDUO

DECODIFICAR O INDIVDUO
PROCESSAMENTO DO PRTICO
ESFOROS
DESLOCA M ENTO
PENALIZAO
VERIFICAO DAS SEES A FCN

PENALIZAO
Fluxograma C-3 Fluxograma para o OTIMPORCA 1 [1/4]
A SL
Anexo C
C-5
Continuao do Mdulo da Primeira Gerao
CALCULA O CUSTO DE CADA INDIVDUO

+
PENALIZAES
FORMAR UM RANKING EM FUNO DO CUSTO DE CADA
AT COMPLETAR A NOVA GERAO
SELECIONAR 2 INDIVDUOS PARA CRUZAMENTO
APLICAR O CRUZAMENTO PARA OS 4 CROMOSSOMOS

DOS INDIVDUOS
APLICAR O MUTAO PARA OS 4 CROMOSSOMOS

DOS INDIVDUOS
MONTAR A NOVA GERAO E APLICAR O ELITISMO
Fluxograma C-4 Fluxograma para o OTIMPORCA 1 - [2/4]
Anexo C
C-6
Para as demais Geraes Seguir os Fluxogramas mostrados logo abaixo:

PARA CADA
GERAO
CROMOSSOMOS GERADOS NA
GERAO ANTEIOR
CROM OSSOM O
AS
CROM OSSOM O
H PILA RES
CROM OSSOM O
H VIGA S
EQCU
ILMO
BSRSIOOMO
RO
A SL
PARA CADA INDIVDUO

DECODIFICAR O INDIVDUO
PROCESSAMENTO DO PRTICO
ESFOROS
DESLOCA M ENTO
PENALIZAO
VERIFICAO DAS SEES A FCN

PENALIZAO
Anexo C
C-7
CALCULA O CUSTO DE CADA INDIVDUO

+
PENALIZAES
CUSTO MNIMO
CUSTO MDIO
CUSTO MXIMO
VERIFICAO DO CRITRIO DE PARADA
SE CONVERGIU PARAR, CASO CONTRRIO V AO PASSO SEGUINTE
FORMAR UM RANKING EM FUNO DO CUSTO DE CADA INDIVDUO

AT COMPLETAR A NOVA GERAO
SELECIONAR 2 INDIVDUOS PARA CRUZAMENTO
APLICAR O CRUZAMENTO PARA OS 4 CROMOSSOMOS

DOS INDIVDUOS
APLICAR O MUTAO PARA OS 4 CROMOSSOMOS

DOS INDIVDUOS
MONTAR A NOVA GERAO E APLICAR O ELITISMO

Disser Ta Cao

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

Disser Ta Cao

Enviado por

Direitos autorais:

Formatos disponíveis

ELIVALDO ELENILDO DA SILVA

Dissertao apresentada Escola Politcnica

ELIVALDO ELENILDO DA SILVA

Dissertao apresentada Escola Politcnica

1.Concreto armado - Otimizao 2.Algoritmos genticos

Comece fazendo o que necessrio, depois o que possvel,

constante troca de idias,

conversa sempre amigvel e pela pacincia nos

Neste trabalho so apresentadas duas importantes reas de pesquisa voltadas para

This work addresses two important issues of Optimization: Mathematical

1.3. Escopo da Dissertao.......................................................................................

2. Elementos de Matemtica Aplicada

2.1.3. Funo Real de Vrias Variveis....................................................................

2.1.4. Funo Vetorial..............................................................................................

2.1.6. Mnimo Local e Mnimo Global.....................................................................

2.2. Sistemas de Equaes Lineares.........................................................................

2.2.1. Mtodos Diretos.............................................................................................

2.2.1.1. Mtodo de Crout..........................................................................................

2.2.1.2. Mtodo de Choleski.....................................................................................

2.2.2. Mtodos Indiretos.........................................................................................

2.2.2.1. Mtodo de Jacobi.........................................................................................

2.2.2.2. Mtodo de Gauss-Seidel..............................................................................

2.3. Sistemas de Equaes No-Lineares.................................................................

3.2. Definies Bsicas - Terminologia....................................................................

3.3. Algoritmos de Programao Matemtica..........................................................

3.3.1. Programao Linear........................................................................................

3.3.2. Programao No-Linear................................................................................

3.3.2.1. Otimizao sem Restries..........................................................................

3.3.2.1.1. Mtodo de Newton-Raphson....................................................................

3.3.2.1.2. Mtodo Quase-Newton (BFGS) ..............................................................

3.3.2.1.3. Mtodo Quase-Newton (DFP) .................................................................

3.3.2.2. Otimizao com Restries.........................................................................

3.3.2.2.1. Otimizao com Restries de Igualdade.................................................

3.3.2.2.1.1. Mtodo do Lagrangiano.........................................................................

3.3.2.2.1.2. Mtodo da Penalidade............................................................................

3.3.2.2.1.3. Mtodo do Lagrangiano Aumentado.....................................................

3.3.2.2.2. Otimizao com Restries de Desigualdade...........................................

3.3.2.2.2.1. Mtodo da Penalidade............................................................................

3.3.2.2.2.2. Mtodo do Lagrangiano Aumentado.....................................................

3.3.2.2.3. Otimizao com Restries Mistas...........................................................

3.3.2.2.3.1. Mtodo da Penalidade............................................................................

3.3.2.2.3.2. Mtodo do Lagrangiano Aumentado.....................................................

3.3.3. Programao Multi-Objetivos........................................................................

4.3. Definies Bsicas - Terminologia....................................................................

4.4. Representao dos Parmetros..........................................................................

4.5. Algoritmos Genticos e Otimizao Convencional...........................................

4.6. Diferenas entre os AGs e os Mtodos Clssicos..............................................

4.7. Estrutura dos Algoritmos Genticos..................................................................

4.7.2. Algoritmo Gentico Geracional......................................................................

4.7.3. Algoritmo Gentico em Regime.....................................................................

4.8. Principais Aspectos dos Algoritmos Genticos.................................................

4.8.1. A Funo Objetivo..........................................................................................

4.8.3. Problemas de Convergncia...........................................................................

4.8.4. Critrios de Parada..........................................................................................

4.8.5. Representao e Codificao..........................................................................

4.8.6. Gerao da Populao Inicial.........................................................................

4.8.7. Avaliao da Populao..................................................................................

4.8.9. Processo de Seleo......................................................................................

4.8.9.1. Mapeamento da Funo Objetivo................................................................

4.8.9.1.2. Escalonamento Linear..............................................................................

4.8.9.2. Mtodo da Roleta.........................................................................................

4.8.9.3. Processo de Seleo por Torneio.................................................................

4.8.10. Reproduo ou Cruzamento.........................................................................

4.8.10.1. Operadores Genticos................................................................................