Teoria e Prtica na Engenharia Civil, n.15, p.

29-39, Abril, 2010

Comparao de algoritmos genticos e programao quadrtica

seqencial para otimizao de problemas em engenharia

Genetic algorithms and sequential quadratic programming

comparisons for engineering problems optimization
Mateus Lembi Teles1, Herbert Martins Gomes2
Universidade Federal do Rio Grande do Sul, UFRGS, Porto Alegre, RS,
1
e-mail: mateus@victum.com.br 2e-mail: herbert@mecanica.ufrgs.br

RESUMO: Um dos objetivos do presente trabalho a comparao do Algoritmo Gentico, utilizado como
mtodo de otimizao paramtrica de estruturas de engenharia, com a soluo da literatura e com o mtodo
de Programao Quadrtica Seqencial (Sequential Quadratic Programming - SQP) para determinados
casos utilizados como benchmarks, como, por exemplo, trelias planas e espaciais. Tambm se estuda o
comportamento e desempenho do referido algoritmo para variaes em seus parmetros de entrada nestes
mesmos exemplos analisados. Conforme os resultados apresentados, em termos de preciso, os mtodos
tiveram desempenho equivalente. Com o que apresentado, pode-se concluir que a utilizao do
Algoritmo Gentico como mtodo de otimizao paramtrica de estruturas de engenharia vivel devido
eficincia e robustez do mesmo.

ABSTRACT: One of the aims of this study is to compare the genetic algorithm used as a method of
parametric optimization of engineering structures, with the solution of literature and the method of
Sequential Quadratic Programming (Sequential Quadratic Programming: SQP) for specific cases as
benchmarks, such as planar and spatial trusses. It is also studied the behavior and performance of this
algorithm to variations in their input parameters in these same samples analyzed. According to results
presented in terms of accuracy, the methods have equivalent performance. By the presented results, it can
be concluded that the use of genetic algorithm as a method of parametric optimization of engineering
structures is feasible due to its efficiency and robustness.

1. INTRODUO Quadratic Programming: SQP), para determinados

Um aspecto importante dos processos
construtivos de estruturas na engenharia como, por
exemplo, molas e trelias, a minimizao dos
custos de produo, onde esto envolvidos os custos
de material, de fabricao e de montagem, entre
outros. Neste sentido, os mtodos de otimizao so
considerados de fundamental importncia. Portanto,
este trabalho mostra-se relevante, pois tem como
foco o uso de um mtodo de otimizao aplicado a
estruturas de engenharia. Alm disso, o mtodo
utilizado, o Algoritmo Gentico (AG), considerado
pouco tradicional e suas adaptaes so bastante
robustas e fornece uma resposta razovel para vrios
problemas de otimizao, o que causou interesse
quanto utilizao do mesmo. Sendo assim, um dos
objetivos deste trabalho a comparao do
Algoritmo Gentico com a soluo da literatura e
com outro mtodo de otimizao, o mtodo de
Programao Quadrtica Seqencial (Sequential
casos utilizados como benchmarks (casos de
referncia). Outro objetivo estudar o
comportamento e desempenho do referido algoritmo
para variaes em seus parmetros de
entrada/utilizao nestes mesmos exemplos
analisados.
2. REVISO BIBLIOGRFICA
Segundo Braga (Souza Jr. [16]), ferramentas
computacionais de anlise de estruturas utilizando
tcnicas numricas (elementos finitos, elementos de
contorno, etc) contriburam muito para o avano dos
mtodos de otimizao. Devido ao grande nmero de
incgnitas com que estas ferramentas trabalham,
poderia-se contentar apenas com a anlise atravs de
processos de "tentativa e erro". Para diminuir o
esforo computacional nos procedimentos de
programas computacionais de elementos finitos, os
cdigos comerciais foram equipados com
30 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
otimizadores, conforme se verifica hoje em dia nos
programas comerciais de grande desempenho como o
Ansys, Nastran, entre outros. Como se percebe, a
otimizao uma das ferramentas de aplicao falham.
imediata mais importante da atualidade, empregada
na resoluo dos mais variados problemas nas
diversas reas da engenharia. Como alguns exemplos
recentes, o mtodo dos algoritmos genticos foi
utilizado por Souza Jr. [16] na soluo de problemas
de dimensionamento de estruturas tubulares
metlicas espaciais com barras cruzadas para
coberturas. Malaquias [8] aplicou os AGs em alguns
problemas de otimizao de rotas de distribuio de
medicamentos. Romo [14] empregaram os AGs no
controle de um processo trmico. O mtodo dos AGs
foi aplicado por Konzen [5] para otimizao de
mtodos de controle de qualidade de frmacos. De
modo geral, todos os mtodos de otimizao
experimentam, em maior ou menor intensidade,
dificuldades relacionadas no convergncia e
existncia de mltiplos pontos timos locais da
funo objetivo. Independente do mtodo utilizado,
como vantagens no uso de procedimentos de
otimizao podem ser citados os seguintes aspectos:
-Diminuio do tempo dedicado ao projeto;
-Possibilidade de tratamento simultneo de uma
grande quantidade de variveis e de restries de
difcil visualizao grfica ou tabular;
-Possibilidade de obteno de algo melhor
(geralmente um projeto mais barato), mesmo que no
seja um timo global;
-Reduo de custo em relao aos modelos
experimentais.
Como desvantagens no uso da otimizao podem
ser consideradas algumas dificuldades para a sua
aplicao, tais como:
-Aumento do tempo computacional;
-Quando as funes envolvidas so descontnuas (ou
de gradientes descontnuos), pode haver
convergncia lenta;
-Presena de muitos pontos timos locais (ponto
timo global raramente obtido);
Para superar alguns dos problemas no uso da
otimizao foram desenvolvidos diversos mtodos
de busca pela soluo tima. A escolha de um ou
outro mtodo de busca deve estar estritamente
relacionada ao problema a ser otimizado. Dessa
maneira, o uso de AGs deve ser limitado apenas
quelas situaes em que no h um algoritmo resolvido. Essa populao geralmente gerada de
exato capaz de resolver o problema em um tempo
razovel, dentro de uma memria finita. Por outro
lado, apesar de a execuo de um algoritmo
gentico ser relativamente lenta, ela produz a
soluo para problemas difceis com mltiplos
timos e funes no suaves ou contnuas, o que
compensador, pois nesses casos os algoritmos
tradicionais baseados em gradientes muitas vezes
Os algoritmos genticos (AGs) so uma classe de
algoritmos evolutivos que tiveram sua origem no
incio da dcada de 70 atravs dos trabalhos
desenvolvidos na Universidade de Michigan pelo
professor John Holland [4] e seus alunos. A partir
dos trabalhos publicados por Holland, principalmente
o livro Adaptation in Natural and Artificial
Systems de 1975, a evoluo pde ser encarada
como um processo de otimizao e os algoritmos
genticos foram utilizados com sucesso em diversos
problemas de otimizao (Coello et al [1], Fonseca et
al [3], Miasaki [10], Sandrini [15], Souza jr.[16]). O
algoritmo gentico (AG) constitui um mtodo de
busca aleatria direcionada capaz de obter a soluo
tima global num espao de busca complexo (com
ou sem restries). O AG considerado um mtodo
robusto, utilizado basicamente para resolver
problemas em pesquisas numricas, otimizao de
funes e aprendizagem de mquina, dentre outras
reas. Basicamente, os AGs operam num conjunto de
solues aplicando o princpio da sobrevivncia dos
indivduos mais aptos para produzir uma soluo
cada vez melhor, diferentemente de outros mtodos
que partem de um ponto do espao de busca para
encontrar a soluo tima. Dessa maneira, gerao
aps gerao, um novo conjunto de indivduos
criado pelo processo de seleo dos indivduos
progenitores, de acordo com o nvel de aptido
associado ao problema. A procriao feita entre os
progenitores atravs de operadores extrados da
gentica natural. Este processo leva evoluo de
indivduos que se adaptam melhor ao problema, de
modo semelhante adaptao natural. Os AGs , de
acordo com Goldberg [17], modelam os processos
genticos naturais bsicos, tais como: seleo,
cruzamento e mutao, atravs de operadores
matemticos.
2.1 Algoritmos Genticos
Os algoritmos genticos bsicos funcionam da
seguinte forma:
1. Gerao da populao inicial que consiste de um
conjunto de possveis solues para o problema a ser
forma aleatria;
2. A populao avaliada (de acordo com uma
funo chamada funo de custo) e cada
cromossomo recebe um valor que reflete sua
qualidade para resoluo do problema;
 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
3. Depois de avaliados, os indivduos passam por um
processo de seleo onde os indivduos mais aptos
so selecionados e os menos aptos so descartados;
4. So aplicados os operadores genticos nos
cromossomos selecionados. Os operadores genticos
mais conhecidos so o de cruzamento e o de
mutao;
5. Uma nova gerao de solues obtida contendo
os descendentes gerados pelas modificaes
realizadas na etapa 4;
6. As etapas de 2 a 5 so repetidas at que seja
encontrada uma soluo satisfatria. As etapas
mencionadas podem ser melhor entendidas atravs
de um algoritmo, mostrado na Figura 1 segundo
Rodrigues [13]:
Algoritmo Gentico
Inicialize a populao
Avalie os indivduos da populao
Repita
Selecione indivduos da populao
para reproduo
Aplique os operadores Genticos
Avalie os indivduos da populao
Selecione indivduos para sobreviver
At satisfeito critrio de parada
Fim
Fig. 1 - O Pseudocdigo Algoritmo Gentico.
Populao inicial - Gerada de forma aleatria, a
populao inicial o ponto de partida para a
evoluo do algoritmo gentico. Cada um dos
indivduos da populao representa uma possvel
soluo para o problema. Uma vez gerada, a
populao avaliada pela funo de custo. A
populao de um AG formada por indivduos. A
representao desses indivduos define como a
estrutura ser manipulada. Essa representao
depende do tipo de problema a ser resolvido. Os
principais tipos de representao so a binria, real e
simblica. A representao binria utilizada para
problemas inteiros e numricos, sendo que os
problemas numricos tambm podem fazer uso de
representao real. A desvantagem da utilizao da
representao binria est na limitao da resoluo
que esta abordagem induz nos valores assumidos
pelas variveis de projeto. J a representao de
permutao de smbolos recomendada para ser
utilizada em problemas baseados em ordem. Neste
trabalho foi utilizada a codificao real para a
representao dos indivduos.
Avaliao - A Funo de Custo, que uma funo
matemtica responsvel por realizar o processo de
avaliao dos indivduos, faz o papel do meio
ambiente e o valor retornado (medida de sua aptido)
31
representa a adaptabilidade do indivduo ao seu
habitat e a sua capacidade de sobrevivncia. Em
conjunto com a Funo de Custo, pode-se criar uma
Funo de Penalizao para que os indivduos que
violarem alguma das restries do problema venham
a ter uma avaliao baixa a fim de que no possam
ser escolhidos como soluo tima. Neste trabalho
adotou-se uma funo de penalizao que pune os
indivduos de maneira proporcional sua violao da
restrio do problema.
Seleo - A idia bsica do processo de seleo em
um algoritmo gentico permitir que os indivduos
mais adaptados (melhor aptido) tenham maiores
chances de reproduo. Ou seja, o processo de
seleo escolhe os melhores pais para o processo de
reproduo, garantindo com isto a evoluo dos
indivduos (solues).
A escolha dos indivduos reprodutores pode ser
feita de inmeras formas. Dentre os mtodos mais
importantes encontrados na literatura, destacam-se:
Seleo por Mtodo da Roleta e Seleo por Torneio.
A seleo pelo mtodo da roleta consiste em colocar
todos os indivduos em uma roleta, onde a posio de
cada indivduo proporcional sua aptido. A roleta
rodada N vezes, sendo que N o nmero de
indivduos que sero necessrios para se realizar os
operadores genticos. Quanto maior a aptido do
indivduo, mais chances de ele ser escolhido. J a
seleo por torneio uma das formas mais utilizadas
devido sua eficincia e simplicidade na
implementao em problemas de otimizao. Essa
seleo preserva melhor a diversidade da populao
porque a escolha realizada apenas comparando o
valor da funo de custo entre os indivduos que
participam do torneio. Neste mtodo, existe um
parmetro denominado tamanho do torneio (K)
que define quantos indivduos so selecionados
aleatoriamente dentro da populao para competir.
Uma vez definidos os competidores, aquele dentre
eles que possui a melhor avaliao selecionado
para a aplicao do operador. Quanto maior o
tamanho do torneio, maior tambm a perda da
diversidade: em um torneio de tamanho cinco,
cerca de metade da populao perdida a cada
gerao. Por isso, o valor usual K = 2 de acordo
com Linden [7]. Neste trabalho adotou-se a
Seleo por Torneio de tamanho dois por ser
considerado um dos mtodos de seleo mais
eficientes Linden [7].
Reproduo - Segundo a teoria Darwinista, o
principal mecanismo responsvel pela evoluo
dos seres vivos a reproduo, pois os seres vivos
vo modificando-se e adaptando-se ao meio
medida que vo se reproduzindo. Nos algoritmos
32 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
genticos a reproduo se d pela aplicao dos cruzamento, determina se duas configuraes
operadores genticos, num processo que pode ser
visto da seguinte forma:
Geracional - Sua principal caracterstica a
substituio total da populao a cada gerao,
tendo como conseqncia a possibilidade de perda
de material gentico de boa qualidade. Uma
tentativa de solucionar este problema adotar um
processo de seleo elitista, onde os melhores
indivduos de uma gerao passam para a prxima
sem serem alterados. Neste trabalho garantiu-se a
presena de dois indivduos melhores adaptados
nas geraes futuras.
2.2 Operadores genticos
O princpio bsico dos operadores genticos
transformar a populao atravs de sucessivas
geraes. Os operadores genticos so necessrios
para que a populao se diversifique e mantenha as
caractersticas de adaptao adquiridas nas
geraes anteriores, de acordo com Goldberg [17].
Os algoritmos genticos sem os operadores
genticos perderiam o sentido, pois eles so os
responsveis por manter a diversidade de
indivduos em uma populao (propagao de
cromossomos com potenciais de gerar indivduos
aptos e possibilidade de aleatoriamente mudar as
caractersticas genticas fugindo de regies de
mnimos locais). Os principais operadores
genticos so o de Cruzamento e o de Mutao. A
seguir, esses dois tipos de operadores so melhor
descritos.
Cruzamento - O cruzamento o operador
responsvel pela propagao das caractersticas
dos indivduos mais aptos da populao, por meio
da troca de material gentico entre os pais,
permitindo que os filhos herdem essas
caractersticas. Este operador deve ser aplicado
com maior freqncia devido sua grande
eficincia. Existem vrios tipos de cruzamentos,
dentre eles: cruzamento simples e heurstico.
- Cruzamento simples O mais simples dos
operadores de cruzamento consiste em selecionar
um ponto de forma aleatria nos dois pais e ento,
as informaes anteriores ao ponto de cruzamento
num pai so combinadas com as informaes
posteriores ao ponto de cruzamento no outro pai,
resultando assim, em um filho, segundo Rodrigues
[13]. De forma similar, se obtm o segundo filho,
conforme a Figura 2. Um nmero gerado
aleatoriamente, comparado com uma taxa de
selecionadas sero submetidas ao cruzamento.
Fig. 2- Cruzamento simples em representao real.
- Cruzamento heurstico - Consiste em estabelecer
um intervalo fechado para cada par de valores de
cromossomos, de uma distncia [0,2] abaixo do
menor valor armazenado na posio at uma
distncia acima do maior valor armazenado na
posio e escolher um valor aleatrio pertencente a
este intervalo, segundo Linden [7]. O valor de
adotado neste trabalho foi igual a dois. Pode-se ver
um exemplo do funcionamento deste cruzamento
na Figura 3.
Fig. 3 Cruzamento heurstico em representao
real para = 0,5.
Para este trabalho adotou-se o cruzamento
heurstico, pois ele permite que o gene do
cromossomo assuma um valor dentro de uma faixa
mais ampla em relao ao cruzamento simples,
aumentando, assim, o espao de busca da soluo
tima.
Mutao - O operador gentico de mutao
aplicado com uma pequena probabilidade aps a
realizao do cruzamento. responsvel pela
introduo e manuteno da diversidade do
material gentico da populao alterando
aleatoriamente o valor de um gene de um
cromossomo, como mostrado na Figura 4. Os
limites para o sorteio devem ser conhecidos a
priori e representam o espao de busca para aquela
posio.
Fig. 4 Mutao aleatria em representao real.
A diversidade introduzida pela mutao garante
a probabilidade de se chegar a qualquer ponto do
 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
espao de busca, alm de contornar o problema
dos mximos locais alterando levemente o espao
de busca. Uma taxa de mutao indica a
probabilidade do indivduo sofrer mudanas em
suas caractersticas hereditrias.
2.3 Parmetros de Controle
A qualidade de um algoritmo gentico est
relacionada com a maneira de se escolher a
populao inicial, com o critrio de parada e com a
definio dos parmetros de controle. A seguir,
alguns desses tipos de parmetros:
-Tamanho da populao: diz quantos indivduos
faro parte da populao a cada gerao.
-Taxa de Cruzamento: probabilidade dos
indivduos sofrerem a ao desse operador.
- Taxa de Mutao: a probabilidade do contedo
de um indivduo ser modificado.
-Tipo de Cruzamento: Parmetro qualitativo. Nele
se define qual tipo de cruzamento utilizado
(simples e heurstico).
-Tipo de Seleo: tambm um parmetro
qualitativo em que se tem o tipo de seleo
utilizado no desenvolvimento do AG.
2.4 Critrio de Parada
Como critrio de parada para os algoritmos
genticos utiliza-se, normalmente, o nmero
mximo de geraes, o tempo limite de
processamento ou o critrio da estagnao, ou seja,
quando no se observa melhoria da populao
depois de vrias geraes consecutivas. No
algoritmo implementado foram utilizados os
critrios da estagnao (50) e do nmero mximo
de geraes (100) cujos valores foram os valores
padro para o toolbox do Matlab.
3. PROGRAMAO QUADRTICA
SEQENCIAL
Problemas de otimizao, como citados no item
2, podem ser resolvidos atravs de mtodos de
programao no-linear baseados em gradientes.
Um dos mtodos mais promissores o de
Programao Quadrtica Seqencial (Sequential
Quadratic Programming- SQP) o qual,
basicamente, consiste na aproximao seqencial
do problema de Programao No-Linear como
um problema de Programao Quadrtica. Como
todo mtodo baseado em gradientes, no SQP existe
33
a necessidade de calcular, durante o processo de
busca da soluo tima, as derivadas tanto da
funo objetivo (massa de uma estrutura, por
exemplo) como dos vnculos ou restries
(restrio de tenses, por exemplo). Estas
derivadas podem ser estimadas numericamente,
mas a convergncia pode no ser boa. A melhor
opo a determinao analtica dessas derivadas.
Minimizar f ( x)
Sujeito a h( x) = 0 (1)
g ( x) 0
Ao contrrio de outros mtodos que tentam
converter o problema em uma seqncia de
subproblemas de otimizao sem restries, o SQP
tenta resolver o problema de otimizao
iterativamente, onde a soluo em cada passo
obtida pela soluo de uma aproximao do
problema no-linear onde o objetivo (f(x))
substitudo por uma aproximao quadrtica e as
restries no-lineares (h(x) e g(x)) so
substitudas por aproximaes lineares. O mtodo
SQP, a cada iterao, resolve o seguinte problema
de programao quadrtica:
1
min T f ( x k )d + d T H ( x k , k , k )d
2
h( x ) + T h( x k )d = 0
k
Sujeito a (2)
g ( x) + g ( x )d 0
T k
para determinar a melhor direo de busca a partir
do ponto ( x k ) e ento proceder a atualizao para o
prximo ponto x k +1 = x k + ak d k . Assim como no
mtodo de Newton, apesar de o valor timo do
passo ser ak = 1 valores de ak (0,1] so
determinados para garantir as propriedades de
convergncia global do mtodo. Este procedimento
geralmente feito com o uso de tcnicas de
linesearch (minimizao unidirecional de uma
funo de mrito) ou pela limitao do problema
quadrtico indicado na regio de confiana. A
matriz H ( x k , k , k ) uma aproximao positiva
definida da matriz Hessiana da funo de
Lagrange, que pode ser atualizada por qualquer
mtodo da mtrica varivel (DFP David
Fletcher - Powell, BFGS Broyden Fletcher
Goldfarb - Shanno, etc.) de acordo com
Sandrini[15]. Para resolver os problemas deste
34 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
trabalho, foi utilizada a funo fmincon do pacote
optimization do software MATLAB. Para a
atualizao da matriz Hessiana foi utilizado o
mtodo BFGS. Para maiores detalhes do
funcionamento do mtodo SQP consultar
Sandrini[15].
4. APRESENTAO DOS PROBLEMAS
4.1 Metodologia
Neste trabalho sero tratados trs problemas
considerados benchmarks (casos de referncia) por
terem sido muito explorados e estudados por parte
de diversos autores da literatura para avaliar o
desempenho dos algoritmos genticos aplicados
otimizao paramtrica de estruturas de
engenharia. Dessa maneira, este trabalho ser
realizado em duas etapas. A primeira etapa a
comparao do Algoritmo Gentico com o mtodo
SQP para os casos utilizados como benchmarks. A
segunda etapa estudar o comportamento e
desempenho do referido algoritmo para variao
em seus parmetros de entrada/utilizao nestes
mesmos exemplos analisados.
Para realizar as duas etapas, pretende-se fazer o
uso de um programa de computador especfico
para Algoritmo Gentico. Este programa o
GATOOL, o toolbox de algoritmos genticos do
MATLAB, software consagrado como ferramenta
poderosa, de qualidade e de grande utilizao pela
literatura. O GATOOL permite a execuo das
rotinas relacionadas otimizao dos trs casos
benchmarks que so escritas e editadas no prprio
MATLAB. A Tabela 3.1 mostra em resumo os
parmetros de entrada do AG.
Tabela 1 Parmetros de entrada do AG.
Tamanho de Populao Especfico para cada problema
Taxa de Cruzamento Especfica para cada problema
Taxa de Mutao Especfica para cada problema
Mtodo de Seleo Torneio de tamanho dois
Tipo de Cruzamento Heurstico
Elitismo Dois indiv. para cada gerao
4.2. Problema da Mola 3 variveis a serem
otimizadas
O Problema da Mola, segundo Montes [11],
consiste em projetar uma mola do tipo helicoidal
para cargas de trao e compresso como mostrada
na Figura 5. O problema determinar o dimetro
mdio d do fio de que feita, o dimetro externo
D da mola e o nmero de espiras ativas n que
resultam no mnimo volume para a mola de forma
a suportar a carga com as restries de projeto do
material, freqncias naturais e deformaes
mximas.
Fig. 5 Mola do tipo helicoidal para cargas de
trao e compresso.
Volume da Mola = Funo de Custo = (n+2) Dd2,
ou em termos das variveis de projeto:
r
f ( x ) = ( x3 + 2) x 2 x12 (3)
onde ( x1 , x 2 , x3 ) = (d , D, n)
Restrio de Deformao Mxima:
r x23 x3
g1 ( x ) = 1 0 (4)
71.785 x14
Restrio da Tenso de Cisalhamento:
r x2 (4 x2 x1 ) 1
g2 ( x) = + 1 0 (5)
12.566 x1 ( x2 x1 ) 5.108 x12
3
Restrio de Freqncia Natural:
r 140,45 x1
g3 ( x) = 1 0 (6)
x 22 x3
Restrio do Dimetro Externo:
r x + x1
g 4 ( x) = 2 1 0 (7)
1,5
Limites das variveis de projeto: 0,05 < x1 < 0,2;
0,25 < x2 < 1,3 e 2 < x3 < 15 (com as mesmas
unidades que o trabalho original).
Este problema foi resolvido pelo mtodo SQP e
pelo mtodo dos AGs. O mtodo SQP apresenta
uma nica soluo por se tratar de um mtodo
determinstico. J o mtodo dos Algoritmos
Genticos apresenta diferentes solues para cada
combinao de dados de entrada (tamanho de
populao, taxa de cruzamento e taxa de mutao).
Dessa maneira, o mtodo SQP chegou a uma
soluo que viola ligeiramente a restrio da
tenso de cisalhamento (g2(x) = 0,00031 > 0). J o
mtodo dos AGs teve em sua melhor soluo o
cumprimento estrito de todas as restries do
problema. Para se chegar a melhor soluo pelo
mtodo dos AGs, o programa deste problema foi
executado vrias vezes para o ajuste dos
parmetros de entrada. Inicialmente, os valores dos
parmetros utilizados foram os recomendados pela
 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010 35

literatura, segundo Fonseca [3], conforme a Tabela A Figura 7 exibe o percentual de execues de
2. As solues encontradas para ambos os mtodos sucesso para cada tipo de dado de entrada
podem ser vistas na Tabela 3 onde tambm h um analisado de maneira isolada, sendo que a Figura
comparativo com a soluo encontrada pela 7(a) mostra o Tamanho de Populao, a Figura
literatura, segundo Leite [6] (Na tabela 3 esto os 7(b) exibe a Taxa de Cruzamento e a Figura 7(c)
melhores resultados dos AG). ilustra a Taxa de Mutao versus Percentual de
execues de sucesso.
Tabela 2 Valores para os parmetros do AG.

Tamanho de Populao 100, 200 e 400 Tamanho de

Populao = 100 ;
Taxa de Cruzamento 60%, 80% e 100% 19% de sucesso
Taxa de Mutao 1%, 5% e 10%
Tamanho de
Populao = 400 ;
Tabela 3 Comparao entre as solues dos 49% de sucesso
Tamanho de
Populao = 200 ;
mtodos SQP e AG com a soluo da literatura. 32% de sucesso

Mtodo Volume(cm3) d(cm) D(cm) n

Literatura 0,20779 0,1373 0,9068 11,29
100 200 400
SQP 0,20910 0,1373 1,0580 8,48
Diferena(%) 0,63 5,46 16,68 -24,88
(a) (b)
AG 0,20992 0,1310 0,8927 11,72
Diferena(%) 1,03 -0,27 -1,56 3,78

A Figura 6 mostra as 27 combinaes possveis

de dados de entrada para o AG com o percentual
de sucesso de execuo de cada combinao num
total de 100%. Cabe salientar que se considerou
execuo de sucesso a execuo que obteve o
valor timo das variveis sem violar nenhuma
restrio do problema. Para cada combinao, (c)
executou-se dez vezes o programa de AG (total de Fig. 7 (a) Tamanho de populao x execues de
270 execues) para realizar a comparao das sucesso [%]; (b) Taxa de cruzamento [%] e (c)
execues de sucesso. Pode-se perceber que a Taxa de mutao [%].
combinao que obteve maior xito foi a seguinte:
Tamanho de Populao = 400, Taxa de Vistos de modo isolado, pode-se concluir que
Cruzamento = 80% e Taxa de Mutao = 1%. os dados de entrada com melhores resultados so:
Tambm notvel que, para as combinaes Taxa Tamanho de Populao = 400, Taxa de
de Cruzamento = 80%, Taxa de Mutao = 10% e Cruzamento = 60% e Taxa de Mutao = 1%.
Tamanho de Populao = 100, 200 e 400, no Entretanto, isto diverge do que foi observado na
houve execues de sucesso bem como para as anlise da Figura 7 onde a combinao de melhor
combinaes Taxa de Cruzamento = 100%, Taxa xito encontrada foi com a Taxa de Cruzamento de
de Mutao = 10% e Tamanho de Populao = 100 80% em vez de 60%. Isto demonstra muito bem o
e 200. fato de que os parmetros de entrada do AG
12

11
400 interagem de forma complexa e dependente da
10 funo que est sendo otimizada .
9
Execues de Sucesso [%]

8
400 200 200 400 400
7

6 100 400
4.3. Problema da Trelia Espacial de 25 Barras
5
200 200 200 400
8 variveis a serem otimizadas
4
400 100 200 100 400 100
3

1
100 100 100 200
O Problema da Trelia Espacial de 25 Barras,
0
60%_1% 60%_5% 60%_10% 80%_1% 80%_5%
100 200 400

80%_10% 100%_1% 100%_5%

100 200

100%_10%
segundo Pyrz [12], consiste em minimizar a massa
Taxa de Cruzamento & Taxa de Mutao

Tamanho de Populao = 100 Tamanho de Populao = 200 Tamanho de Populao = 400

da estrutura mostrada na Figura 8 atravs de
Figura 6 Taxa de cruzamento & mutao versus mtodos de otimizao (AG e SQP), com os
percentual de execues de sucesso. esforos calculados atravs de um programa de
36 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010

anlise de trelia especial que considera um
comportamento linear-elstico para as barras da
estrutura. O problema determinar as reas timas
das barras que resultaro na menor massa da
estrutura sujeitas aos condicionantes abaixo
indicados. Dados do material: Mdulo de
Elasticidade = 6,89x104 MPa e Densidade = 2,770
[kg/m3]. Restries de deslocamentos nos ns 1 e
2: |x1| < 8,89 mm, |x2| < 8,89 mm, |y1| < 8,89 mm,
|y2| < 8,89 mm, |z1| < 8,89 mm e |z2| < 8,89 mm.
Restries de tenses nas barras da estrutura:
|admissvel| < 275,79 MPa. Dados geomtricos da
estrutura esto nas Tabelas 4, 5 e 6.
Novamente, este problema foi resolvido pelo
mtodo SQP e pelo mtodo dos AGs. Para se
chegar melhor soluo pelo mtodo dos AGs, o
programa deste problema foi executado vrias
vezes para o ajuste dos parmetros de entrada.
Inicialmente, os valores dos parmetros utilizados
foram os recomendados pela literatura, segundo
Fonseca [3]. O mtodo SQP chegou a uma soluo
que no transgride nenhuma restrio do problema.
J o mtodo dos AGs teve, em todas as suas
solues, o descumprimento das restries de
deslocamentos na direo y nos ns um e dois do
problema na faixa de 3% a 7%. As solues para
ambos os mtodos podem ser vistas na Tabela 7
onde tambm h um comparativo com a soluo
encontrada pela literatura segundo Coello e
Christiansen [1] usando uma variao de
algoritmos genticos.
Tabela 7 Comparao entre as solues da
literatura, do mtodo SQP e do mtodo do AG.

Mtodo Literatura SQP Dif. AG Dif.

Massa(Kg) 224,05 211,22 -5,73 204,04 -8,93
A1(cm2) 0,645 0,323 -50,0 0,399 -91,7
A2(cm2) 4,516 0,323 -92,9 0,374 -91,7
A3(cm2) 20,645 23,432 13,5 21,503 4,2
Fig. 8 Trelia espacial de 25 barras. A4(cm2) 0,645 0,323 -50,0 0,673 4,3
A5(cm2) 9,032 12,850 42,3 12,226 35,4
Tabela 4- Cargas na estrutura. A6(cm2) 7,097 5,015 -29,3 4,744 -33,2
A7(cm2) 3,226 1,021 -68,4 0,466 -85,5
N Fx [kN] Fy [kN] Fz [kN] A8(cm2) 21,935 25,270 15,2 24,679 12,5
1 4,450 -44,5 -44,5
2 0 -44,5 -44,5
3 2,225 0 0 Apesar de apresentar descumprimento em
6 2,268 0 0 algumas restries do problema, a soluo via
Obs.: Cada barra pode ter sua rea modificada entre 32,26 e 2.580,64 mm2. mtodo dos AGs obteve reduo de massa na faixa
de 2,16% e 8,93%. Sendo que o valor de 8,93%
Tabela 5 Grupos de barras com mesma rea. corresponde melhor soluo. Alm disso, a
combinao de parmetros do AG correspondente
Grupo A1 A2 A3 A4 A5 A6 A7 A8 melhor soluo foi a seguinte: Tamanho de
Conectividades 1-2 1-4, 2-4, 3-6, 3-4, 3-10, 4-7, 6-10, Populao = 400, Taxa de Cruzamento = 80% e
das barras 2-3, 2-5, 4-5 5-6 6-7, 3-8, 3-7, Taxa de Mutao = 10%.
1-5, 1-3, 4-9, 5-10, 4-8,
2-6 1-6 5-8 6-9 5-9
4.4. Problema da Trelia Espacial de 72 Barras
Tabela 6 - Coordenadas dos ns. 16 variveis a serem otimizadas

N 1 2 3 4 5 6 7 8 9 10 O Problema da Trelia Espacial de 72 Barras,

x -0,95 0,95 -0,95 0,95 0,95 -0,95 -2,54 2,54 2,54 -2,54
segundo Erbatur [2], consiste em minimizar a
massa da estrutura mostrada na Figura 9 atravs de
y 0 0 0,95 0,95 -0,95 -0,95 2,54 2,54 -2,54 -2,54 mtodos de otimizao (AG e SQP) programa de
z 5,08 5,08 2,54 2,54 2,54 2,54 0 0 0 0
anlise de trelia especial que considera um
comportamento linear-elstico para as barras da
estrutura. O problema determinar as reas timas
das barras que resultaro na menor massa da
 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010 37

estrutura sujeitas aos condicionantes indicados. comparativo com a soluo encontrada pela
Dados do material: Mdulo de Elasticidade = literatura segundo Erbatur [2] usando um
6,89x104 MPa e Densidade = 2.770 [kg/m3]. algoritmo gentico modificado.
Restries de deslocamentos em todos os ns nas
direes x e y: |deslocamento| < 6,35 mm. Restries Tabela 9 Valores para os parmetros do AG.
de tenses nas barras da estrutura: |admissvel| <
172,37 MPa. Como cargas na estrutura tem-se no Tamanho de Populao 25, 50 e 100
n 1 Fx=22,24 kN, Fy =22,24 kN e Fz -22,24 kN. Taxa de Cruzamento 60%, 80% e 100%
Taxa de Mutao 1%, 5% e 10%
Obs.: Cada barra pode ter sua rea modificada
entre 64,52 e 1.290,32 mm2.
Tabela 10 Comparao entre as solues da
Tabela 8 Grupos de barras com mesma rea. literatura, do mtodo SQP e do mtodo do AG.

Grupo A1 A2 A3 A4 A5 A6 A7 A8 Mtodo Literatura SQP Dif.(%) AGs Dif.(%)

Barras 1-4 6-12 13-16 17-18 19-22 23-30 31-34 35-36 Massa(kg) 174,98 260,62 40,98 166,37 -4,92
Grupo A9 A10 A11 A12 A13 A14 A15 A16 A1(cm2) 1,0 6,7 565,6 0,7 -29,4
Barras 37-40 42-48 49-52 53-54 55-58 59-66 67-70 71-72 A2(cm2) 3,5 3,9 13,6 3,7 6,2
A3(cm2) 3,1 3,9 26,6 3,2 1,8
A4(cm2) 3,4 5,7 68,4 3,5 3,6
A5(cm2) 3,0 6,7 124,3 3,5 16,6
A6(cm2) 3,4 3,9 14,7 3,4 -0,1
A7(cm2) 0,8 3,9 406,5 0,6 -16,1
A8(cm2) 1,1 3,9 268,4 0,7 -37,5
A9(cm2) 7,5 6,7 -10,7 7,1 -4,3
A10(cm2) 3,8 3,9 3,9 3,4 -10,3
A11(cm2) 0,6 3,9 507,8 0,9 35,1
A12(cm2) 0,6 3,9 507,8 0,8 17,8
A13(cm2) 11,3 6,7 -41,2 10,2 -9,5
A14(cm2) 3,3 4,2 29,7 3,2 -1,1
A15(cm2) 0,7 3,9 478,9 0,7 -2,6
A16(cm2) 1,0 4,4 336,4 0,7 -30,6

Apesar de cumprir todas as restries do

Fig. 9 Trelia espacial de 25 barras.
Este problema foi resolvido pelo mtodo SQP e
pelo mtodo dos AGs. Para se chegar a melhor
soluo pelo mtodo dos AGs, o programa deste
problema foi executado vrias vezes para o ajuste
dos parmetros de entrada. Inicialmente, os valores
dos parmetros utilizados foram os recomendados
pela literatura, segundo Fonseca e Neves (2004),
conforme a Tabela 9. O mtodo SQP chegou a
uma soluo que no transgride nenhuma restrio
do problema assim como o mtodo dos AGs.
As solues para ambos os mtodos podem ser
vistas na Tabela 10 onde tambm h um
problema, a soluo via mtodo SQP no obteve
reduo de massa, pelo contrrio, a massa obtida
ficou 48,94% maior em relao da literatura. Por
outro lado, as solues via mtodo dos AGs
conseguiram reduo de massa de at 4,92%,
sendo que o valor de 4,92% corresponde melhor
soluo. Alm disso, a combinao de parmetros
do AG correspondente melhor soluo foi:
Tamanho de Populao = 100, Taxa de
Cruzamento = 60% e Taxa de Mutao = 5%.
Dentre as 27 solues diferentes obtidas via
mtodo dos algoritmos genticos, nem todas
conseguiram reduo de massa da estrutura em
relao resposta da literatura sendo notvel que o
pior desempenho se deu para as nove combinaes
de parmetros que possuam Taxa de Cruzamento
= 100%, onde as respostas destas combinaes
tiveram aumento de massa na faixa de 25% a 65%
em relao da literatura. Em contrapartida, sete
das 27 combinaes possveis resultaram em
reduo de massa na faixa de 0,3% a 4,92%. Estas
sete combinaes esto mostradas na Tabela 11
38 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
juntamente com a reduo de massa
correspondente.
Tabela 11 Combinaes dos parmetros de
entrada dos AGs com reduo de massa.
Combinao A B C D E F G execuo, pois para cada um dos trs problemas
Tam. Pop. 50 50 50 100 100 100 100
Taxa Cruz.(%) 60 60 80 60 70 60 80
Taxa Mut.(%) 5 10 10 5 5 10 10
Reduo Massa(%) 2,37 0,58 3,22 4,92 1,99 2,41 2,75
Observando-se a Tabela 11 possvel notar que
ocorreu reduo da massa da estrutura para as
combinaes que possuam os parmetros
Tamanho de populao = 50 ou 100, Taxa de
cruzamento = 60% ou 80% e Taxa de mutao =
5% ou 10%, ou seja, para os parmetros Tamanho
de populao = 25, Taxa de cruzamento = 100% e
Taxa de mutao = 1% no houve reduo de
massa em suas solues, mas em muitas delas a
massa da estrutura praticamente se igualou ao
valor alcanado pela literatura.
4. CONCLUSO
Com o que foi apresentado, pode-se concluir
que a utilizao do Algoritmo Gentico como
mtodo de otimizao paramtrica de estruturas de
engenharia vivel, pois, para os trs problemas
propostos, o mtodo atingiu respostas
relativamente melhores que s encontradas pela
literatura sem desrespeitar alguma restrio, exceto
para o Problema da Trelia Espacial de 25 Barras
onde houve descumprimento na faixa de 3% a 7%
das restries de deslocamentos na direo y nos
ns um e dois do problema. Isto pode ter ocorrido
devido Funo de Penalizao no ter sido Mutao = 10%. Entretanto, isto ocorreu com
suficiente para fazer com que os indivduos que
violaram alguma das restries do problema
viessem a ter uma avaliao baixa a fim de que no
pudessem ser escolhidos como soluo tima.
Alm disso, o Algoritmo Gentico mostrou melhor
desempenho que o mtodo SQP em dois dos trs
problemas propostos, quais sejam, o Problema da
Mola e o Problema da Trelia Espacial de 72
Barras sendo que, no Problema da Mola, o mtodo
SQP violou ligeiramente a restrio da tenso de
cisalhamento da mola e no Problema da Trelia
Espacial de 72 Barras chegou a um valor timo
da massa da estrutura 48,94% maior em relao ao
da literatura quando, em contrapartida, o mtodo
dos AGs obteve um valor timo 4,92% menor em
relao ao da literatura.
Tambm se pode perceber que o desempenho
do mtodo dos AGs, por ser um mtodo
probabilstico, extremamente sensvel aos
parmetros de entrada escolhidos para sua
encontrou-se uma combinao de parmetros
distinta que fez com que o algoritmo alcanasse o
seu melhor desempenho.
Para o problema da mola, pde-se concluir que
os dados de entrada com melhores resultados so:
Tamanho de Populao = 400, Taxa de
Cruzamento = 60% e Taxa de Mutao = 1%.
Entretanto, isto divergiu do que foi observado na
anlise da Figura 7 onde a combinao de melhor
xito encontrada foi com a Taxa de Cruzamento de
80% em vez de 60%. Pde-se perceber, tambm,
que, para as combinaes Taxa de Cruzamento =
80%, Taxa de Mutao = 10% e Tamanho de
Populao = 100, 200 e 400, no houve execues
de sucesso bem como para as combinaes Taxa
de Cruzamento = 100%, Taxa de Mutao = 10% e
Tamanho de Populao = 100 e 200. Isto pode ter
ocorrido, pois uma alta taxa de cruzamento permite
uma explorao maior do espao de busca e reduz
as chances de convergncia para um timo local.
Entretanto, se essa taxa for muito alta pode resultar
na perda de tempo computacional devido
explorao de regies no promissoras dentro do
espao de busca (Souza Jr. [16]).
Para o Problema da Trelia Espacial de 25
Barras, as solues de todas as combinaes de
parmetros do AG obtiveram reduo de massa,
sendo que a combinao correspondente melhor
soluo foi a seguinte: Tamanho de Populao =
400, Taxa de Cruzamento = 80% e Taxa de
descumprimento das restries de deslocamentos
na direo y nos ns um e dois do problema.
No Problema da Trelia Espacial de 72 Barras,
foi possvel notar que ocorreu reduo da massa da
estrutura para as combinaes que possuam os
parmetros Tamanho de Populao = 50 ou 100,
Taxa de Cruzamento = 60% ou 80% e Taxa de
Mutao = 5% ou 10%, ou seja, para os
parmetros Tamanho de Populao = 25, Taxa de
Cruzamento = 100% e Taxa de Mutao = 1% no
houve reduo de massa em suas solues, mas em
muitas delas a massa da estrutura praticamente se
igualou ao valor alcanado pela literatura. Os
resultados mostram que o algoritmo gentico
 Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril, 2010
torna-se mais eficiente quando h uma maior
populao. Isto se explica pelo fato de o tamanho
da populao influenciar o nmero de pontos do
espao de busca analisados a cada iterao,
contudo, caso este nmero seja grande demais, o
algoritmo demorar demais e pode estar se
aproximando de uma busca exaustiva. Alm disso,
se o valor da probabilidade atribuda ao operador
de mutao for baixo demais, ele agir de forma
extremamente moderada e a populao no ter
diversidade depois de certo nmero de geraes,
estagnando rapidamente devido convergncia
gentica.
Como proposta de trabalhos futuros sugere-se a
determinao dos parmetros de entrada dos
algoritmos genticos de forma evolutiva e
automtica, criando-se, assim, um algoritmo onde
os parmetros so variveis a fim de melhorar o
desempenho dos resultados referentes funo de
custo e uma maior estabilidade destes resultados
em iteraes distintas evitando o uso de
parmetros iniciais fixos e constantes ao longo das
iteraes.
REFERNCIAS
1. Coello, C. A.;Christiansen, A. D.,
Multiobjective optimization of trusses using
genetic algorithms. Computers and structures,
Cambridge, n. 75, p. 647-660, 2000.
2. Erbatur, F.; Hasanebi, O.; Ttnc, I.; Kili,
H., Optimal design of planar and space
structures with genetic algorithms. Computers
and Structures, Cambridge, n. 75, p. 209-224,
2000.
3. Fonseca, M.; Neves, F.A., Algoritmos
genticos aplicados otimizao discreta de
estruturas treliadas espaciais. Universidade
Federal de Ouro Preto, 2004. 15f.
4. Holland, J.H., Adaptation in natural and
artificial systems. Michigan: University of
Michigan Press, Ann Harbor, 1975.
5. Konzen, P.H.A.; Furtado, J.C.; Carvalho,
C.W.; Ferro, M.F.; Molz, R.F.; Bassani, I.A.;
Hning, S.L., Otimizao de mtodos de
controle de qualidade de frmacos usando
algoritmo gentico e busca tabu. Universidade
de Santa Cruz do Sul, 2002. 19 f.
6. Leite, J.P.B.; Topping, B.H.V., Improved
genetic operators for structural engineering
optimization. Advances in engineering
39
software, Cambridge, v. 29, n. 8, p. 529-562,
1998.
7. Linden, R., Algoritmos genticos: uma
importante ferramenta da inteligncia
computacional. Rio de Janeiro: Brasport,
2006.
8. Malaquias, N.G.L., Uso dos algoritmos
genticos para a otimizao de rotas de
distribuio. Dissertao de Mestrado
Universidade Federal de Uberlndia, 2006.
113 f.
9. Matlab, Optimization toolbox users guide.
Natick: Mathworks, 2007.
10. Miasaki, C.T., Planejamento da expanso do
sistema de transmisso de energia eltrica
utilizando controladores facts. Tese de
Doutorado Universidade Estadual Paulista,
Ilha Solteira, 2006. 158 f.
11. Montes, E.M.; Coello, A.A.C.; Becerra, R. L.,
Engineering optimization using a simple
evolutionary algorithm, in: International
conference on tools with artificial intelligence,
15, 2003, California.
12. Pyrz, M.; Zawidska, J., Optimal discrete truss
design using improved sequential and genetic
algorithm. Engineering computations,
Bingley, v. 18, n. 8, p. 1078-1090, 2001.
13. Rodrigues, N.M., Um algoritmo cultural para
problemas de despacho de energia eltrica.
Dissertao de Mestrado Universidade
Estadual de Maring, 2007. 99 f.
14. Romo, W.; Niederauer, C.A.P.; Martins, A.;
Tcholakian, A.; Pacheco, R.C.S., Algoritmos
genticos e conjuntos difusos aplicados ao
controle de um processo trmico.
Universidade Federal de Santa Catarina,
florianpolis, 1997. 14 f.
15. Sandrini, V.S., Um estudo da otimizao da
geometria de um pra-quedas simplificado.
Dissertao de Mestrado Universidade
Federal do Rio Grande do Sul, Porto Alegre,
2005. 93 f.
16. Souza jr., D.A., Otimizao pelo mtodo dos
algoritmos genticos e dimensionamento de
estruturas tubulares metlicas espaciais com
barras cruzadas para coberturas. Tese de
doutorado Universidade Federal de
Uberlndia, 2005. 145 f.
17. Goldberg, D.E., Genetic Algorithms in search,
optimization and machine learning. Reading
Addison-Wesley Publishing, MA, 1989.