Escolar Documentos
Profissional Documentos
Cultura Documentos
So Paulo
2011
MARINA LEMOS RIO LIMA
So Paulo
2011
MARINA LEMOS RIO LIMA
rea de concentrao:
Engenharia de Estruturas
Orientador:
Paulo de Mattos Pimenta
So Paulo
2011
Este exemplar foi revisado e alterado em relao verso original, sob
responsabilidade nica do autor e com a anuncia de seu orientador.
FICHA CATALOGRFICA
Ao meu pai, minha me, meus irmos e toda minha famlia pelo apoio e
compreenso.
Universidade de So Paulo.
(Abraham Maslow)
RESUMO
This work presents a study and applicattion using Genetic Algorithms (GAs) to solve
problems that optmization structures, more specifically concrete beans. The GAs
are search algorithms, non-deterministics that works with a population of solutions.
Its inspired on the evolutions theory of the species to solve problems.
In this dissertation sought to show the most used techniques and parameters about
this subject. The primary objective was (through the knowledge obtained during this
research) to apply it in the topological and parametrical optimization of concrete
beams, submitted by a distributed load. Lateral and behavioral constraineds are
used. It was tried to work with a discrete variables, which represent more really the
context of structures designer.
To apply this technique a program was implemented, using the Java language
through the oriented object paradigm. The program was tested applying a
optimization problem approached by other authors. One of them used a deterministic
approach to solution the problem. Another used a probabilistic approach, but with
continuous variable. In 85% of the cases the program (called AGEN) get success. It
was concluded that genetic algorithms are a very robust technique, which provides
significant results, especially in complex problems with discrete variables and
constraints on dynamic changes. The weaknesses of this technique are the high
dependence on initial population, its computational cost and the parameters
calibration.
1 INTRODUO ................................................................................................... 14
4.6 ESPCIE...................................................................................................... 34
7 APLICAO....................................................................................................... 66
10 CONCLUSES .............................................................................................. 98
1 INTRODUO
1.1 MOTIVAO
Uma rea bastante explorada na engenharia civil no que diz respeito busca por
solues otimizadas das estruturas. Encontrar a melhor combinao de material,
seo transversal e arranjos no posicionamento dos elementos que torne o elemento
estrutural o mais econmico possvel.
Por ser uma cincia aplicada, a engenharia civil encontra um significativo obstculo
na aplicao das suas teorias: o seu carter prtico, que introduz restries no
concebidas em um ambiente ideal, como medidas padronizadas pelo mercado, por
exemplo. Com isso, a busca se desenvolve no em torno da soluo mais otimizada,
e sim em busca da melhor soluo, dentre as alternativas cabveis no mercado em
determinado perodo. E variveis como regio, disponibilidade de material e tempo
tambm influenciam no resultado. As tcnicas tradicionais de otimizao necessitam
de algumas informaes que nem sempre possvel se obter, como por exemplo,
que a funo seja contnua, ou que sua primeira derivada exista. Busca-se ento,
outras tcnicas que no necessitem destas informaes e que sejam mais flexveis e
adaptveis quanto s constantes mudanas de concepo dos projetos.
1.2 OBJETIVO
1.3 JUSTIFICATIVAS
Nos ltimos captulos a aplicao que envolve o problema apresentada com seus
respectivos testes e resultados. O ltimo captulo apresenta as principais idias e
concluses obtidas atravs desta dissertao. No apndice apresentada uma
validao do programa implementado aplicado a um caso conhecido e tratado
anteriormente por outros autores. Abaixo segue a descrio de cada captulo desta
dissertao:
46% dos trabalhos probabilsticos trataram de estruturas tipo arco, 27% eram
trelias planas, 10% trelias espaciais e apenas 7% barras.
41% dos trabalhos probabilsticos tinham como critrio de restrio tanto o
estado limite de servio (ELS) quanto o estado limite ltimo (ELU). 32%
tratava apenas do ELS e 27% apenas do ELU. interessante comparar estes
resultados com os resultados obtidos nos trabalhos que utilizaram abordagem
determinstica. Apenas 4% dos trabalhos que utilizaram este tipo de
abordagem adotaram como critrio ambos os estados limites (ELU e ELS).
Acredita-se que seja pelo fato da dificuldade de acrescentar mais restries
na modelagem matemtica.
Aps 1994 muita pesquisa no campo de otimizao estrutural utilizando AGs foi
realizada. Abaixo apresentada uma tabela com a relao de alguns dos principais
1
importante ressaltar que a pesquisa elaborada por Cohn levantou trabalhos desde 1960 a 1994.
Aps esse perodo, muita pesquisa foi produzida.
20
Genetic
(Koumousis e Algorithm in
Topolgica e
Georgiou discrete Vigas Ao
Paramtrica
1994) optimization of
steel truss roofs
Otimizao de
estruturas multi-
Barras e
(Castro, 2001) objetivos via Paramtrica Ao
trelias
algoritmos
genticos
Optimum Life
Cycle cost design
(Cho, Min e Topolgica e
of orthotropic Grelha Ao
Lee 2001) Paramtrica
steel deck
bridges
Design of truss
structures for
(Deb e Gulati Topolgica e
minimum weight Trelia Ao
2001) Paramtrica
using Genetic
Algorithm
Otimizao de
componentes de
concreto pr-
(Castilho moldado
Paramtrica Lajes Concreto
2003) protendido
mediante
algoritmos
genticos
Otimizao de
estruturas
(Pizzirani
utilizando Paramtrica Vigas Concreto
2003)
Algoritmos
Genticos
21
Otimizao de
Estruturas de
Concreto Armado Pilares e
(Silva 2001) Paramtrica Concreto
utilizando Prtico Plano
Algoritmos
Genticos
Design of Steel
(Sakla e Roofs Subjected
Topolgica e
Elbeltagi to Drifted Snow Vigas Ao
Paramtrica
2003) using Genetic
Optimization
A Genetic
(Croce,
Algorithm for
Ferreira e Topolgica e
Structural Trelia Ao
Lemonge Paramtrica
Optimization of
2004)
steel Truss Roof
Evolutionary
Multiobjetive
(Kicinger e
Optmization of Topolgica e
Arciszewski Prtico Plano Ao
Steel Structural Paramtrica
2004)
Systems in tall
buildings
Otimizao de
projeto de pontes
protendidas pr-
(Olivieri 2004) moldadas pelo Paramtrica Vigas Concreto
mtodo dos
Algoritmos
Genticos
Genetic
Algorithm
(Del Savio, et
optimization of Paramtrica Prtico Plano Ao
al. 2005)
semi-rigid steel
structures
Na Improved
(Gantovnik Genetic Algorithm
Paramtrica Vigas Ao
2005) of Composite
Structures
22
Optimization of
Shape, Size and
Topology design
Topolgica e
(Gillman 2005) variables in Trelia Ao
Paramtrica
trusses with a
Genetic
Algorithm
Multiple Optimum
size/shape/topolo
gy designs for Topolgica e Skeletal
(Gillman 2005) Ao
skeletal structures Paramtrica Structures
using a Genetic
Algorithm
Otimizao de
estruturas
(Guerra 2008) treliadas por Paramtrica Trelia Ao
Algoritmos
genticos
Weight
optimization of
(Hultman
steel trusses by a Topolgica Trelia Ao
2010)
Genetic
Algorithm
Dos trabalhos listados, 77% utilizaram como material o ao. Apenas 23%
trabalharam com concreto (todos de pesquisadores brasileiros). Nota-se que ainda
existe uma predileo pelo ao como material, mas tambm no se pode ignorar
que o concreto vem ganhando cada vez mais espao. A otimizao estrutural
utilizando Algoritmos Genticos ainda no uma tcnica abordada pela maioria dos
pesquisadores, em parte devido ao seu carter probabilstico. Porm, espera-se
que, com o desenvolvimento de mais pesquisas na rea, alguns preconceitos
possam ser quebrados e com isso desenvolver mais este campo.
23
3 MTODOS DE OTIMIZAO
3.1 PREAMBULO
Seja : , : , :
Sujeito a:
Mtodos determinsticos e
Mtodos probabilsticos.
Em seu trabalho (Silva 2001) organizou uma classificao geral de uma vasta gama
de mtodos determinsticos existentes, como se pode observar a seguir:
seguir
A Computao Evolutiva surgiu em meados dos anos 50. Porm durante quase 30
anos ficou estagnada, devido falta de computadores eficientes na poca. Apenas
aps os trabalhos de Holland e outros pesquisadores (em meados dos anos 70)
que a computao evolutiva voltou e se desenvolveu, sendo utilizada cada vez mais.
No inicio do sculo XX, devido aos avanos nas pesquisas no campo da gentica,
os cientistas fizeram vrias descobertas, criando-se, assim, uma nova teoria
baseada nos princpios da seleo natural, essa teoria hbrida comumente
chamada de neodarwinismo, pois se baseia no modelo de Darwin, porm consegue
32
4.1 GENE
4.2 ALELOS
4.3 CROMOSSOMO
O cromossomo constitudo por uma longa fita dupla de DNA. O DNA o material
que constitui os genes. Ou seja, o cromossomo o pacote que contem um
determinado agrupamento de genes. Toda espcie possui um nmero definido de
cromossomos e eles esto contidos no ncleo de todas as clulas do organismo. Os
cromossomos encontram-se organizados em pares, a estes pares de cromossomos
com genes de caractersticas similares (alelos) chamamos de cromossomos
homlogos. A espcie humana possui 46 cromossomos, ou seja, 23 pares de
cromossomos.
4.4 GENTIPO
4.5 FENTIPO
4.6 ESPCIE
4.7 POPULAO
4.8 AMBIENTE
4.9 MUTAO
2
Procurou-se citar o termo em ingls devido ao seu vasto uso nos trabalhos no s internacionais
quanto nacionais tambm. Muitos autores preferem manter o termo em ingls, ao invs de traduzi-lo.
36
5 ALGORITMOS GENTICOS
Faa i=0
No
FIM
obedecidas utiliza-se artifcios tais como penalizaes na aptido dos indivduos que
no atendam as restries necessrias (este assunto ser tratado com maiores
detalhes no item 5.4, sobre penalizaes).
INDIVDUO SOLUO*
CODIFICAO QUE
CROMOSSOMO
REPRESENTA O INDIVDUO
CODIFICAO QUE
GENE
REPRESENTA A VARIVEL
Representao;
Cromossomos e Genes;
Funo de Aptido;
Penalizao
41
Seleo;
Cruzamento;
Mutao e
Elitismo.
5.1 REPRESENTAO
Para que o indivduo seja manipulado nas diversas operaes do algoritmo ele
precisa estar codificado. Ou seja, necessrio que se transforme todas as
informaes relevantes e que sero tomadas como variveis do problema em uma
codificao. Esta codificao pode ser feita de diversas maneiras. As mais usuais
so:
Representao binria e
Representao real.
"#$%&
"#$()*
!= +1
#!+,-./01
Equao 1
70 20
!= + 1 = 11
5
Varivel
Largura
1 2 3 4
Como se sabe, um nmero em binrio com quatro bits pode representar at o inteiro
n15, portanto haver uma faixa de nmeros que ocasionalmente podero existir e
que no sero vlidos, neste caso, por exemplo, so os nmeros: 0,12,13,14 e 15. O
programador dever prever estes casos em sua implementao fazendo uma
validao dos mesmos. A forma como se deve fazer esta validao varia de caso a
caso e inerente ao programador.
"#$%&
"#$()* 100 20
!= +1= + 1 = 17
#!+,-./01 5
Varivel
Altura
1 2 3 4 5
Logo, pode-se observar que uma pequena mudana em um desses bits causaria um
grande deslocamento da varivel no universo de busca, o que nem sempre
desejado.
44
Fazendo uma analogia com a gentica, um gene pode ser considerado uma
caracterstica inerente ao problema, ou seja, uma varivel. Um conjunto de variveis
(genes) constitui um cromossomo, que vem a representar um indivduo. Na verdade
um indivduo pode vir a ser caracterizado tambm por mais de um cromossomo.
45
Gene 1
Gene 2 (Varivel 1)
(Varivel
2)
Gene 3
(Varivel
3)
CROMOSSOMO "n"
INDIVDUO
Novamente fazendo-se uma analogia com a gentica, pode-se dizer que a funo de
aptido representa o gentipo do indivduo. Para se descobrir qual o fentipo
associado necessrio que este gentipo seja decodificado. Para cada aplicao de
um problema existe uma funo de aptido que o caracteriza.
Varivel
2
Varivel Varivel
1 n
Funo
de
Aptido
Aptido
5.4 PENALIZAO
Minimizar f(x)
Sujeito a h(x)=0
Minimizar f(x)
Sujeito a g(x) 0
k m
Onde:
5.5 SELEO
#
O( =
)QR
Outro problema que pode ocorrer o caso da populao inicial ser muito
homognea, ou seja, formada por indivduos parecidos. Sendo assim, ser difcil
fazer a populao evoluir, pois a tendncia ser ela se tornar cada vez mais
homognea. Uma opo para resolver este problema seria a mutao, que ser
explicada em tpico posterior.
R (XR
O# = TGUV GUV G() W )
S SXR
Onde:
i = Posio do indivduo;
= Tamanho da populao;
5.6 CRUZAMENTO
GENITORES
CROMOSSOMO A CROMOSSOMO B
1 0 0 1 1 0 1 0 0 0 1 1 0 0 1 0 0 0 1 1 1 1 1 0
DESCENDENTES
CROMOSSOMO A1 CROMOSSOMO B1
1 0 0 1 0 0 1 1 1 1 1 0 0 0 1 0 1 0 1 0 0 0 1 1
5.7 MUTAO
1
O = \
Y
Z
. [ ]
[(
["()* , "%&
]
5.8 ELITISMO
O elitismo foi proposto por DeJong (1975), em um dos trabalhos pioneiros sobre
AGs. Existem diversas formas de elitismo. Abaixo so citados alguns autores da
bibliografia e a forma como aplicaram e/ou sugerem o elitismo nos seus trabalhos:
2
^_O =
Y
6 APRESENTAO DO PROBLEMA
6.1 PREAMBULO
Faz-se necessrio informar que a proposta inicial para este trabalho era realizar
otimizao topolgica e paramtrica de pavimentos tipo de edifcio, incluindo a
iterao de todas as vigas de um pavimento, com suas respectivas lajes e pilares.
Para que o proposto trabalho fosse resolvido muitas caractersticas foram includas
ao problema que de certa forma, se analisados isoladamente no possuem
significado algum, sendo assim desnecessrios, porm, se levado o problema
inicialmente pensado, estas caractersticas so relevantes. Apesar deste objetivo
inicial no ter sido alcanado, optou-se em no exclu-las da formulao e aplicao
da teoria. Portanto, em alguns trechos, se observar que alguns itens so
dispensveis. Buscou-se ser o mais didtico possvel a fim de que, caso algum
pesquisador queira continuar este trabalho isto ser til. Fazendo-se uma analogia
com a biologia, funciona como os rgos residuais que os animais possuem. Em um
momento do desenvolvimento do animal estes rgos eram necessrios, porm com
a sua evoluo apesar deles no serem mais utilizados, seus vestgios continuaram.
No caso deste projeto, trata-se de um conceito similar, porm oposto. Caso se
queira que o projeto evolua as ferramentas necessrias j foram preparadas.
58
6.2 FORMULAO
ns dls
dw c/ sw
ni dli
b
Figura 13 Seo transversal da viga modelo
3
Estas possveis posies vm de aspectos pr-determinados de projeto, como por exemplo,
posies de pilares, definidos pela arquitetura.
59
Onde:
100
`a, = `b c + `U d!# ef(, + !g ef%, + 0i ei, j + `k c + 2
gh
Onde:
4
interessante ressaltar que existem outros fatores que entram no custo de uma viga e poderiam ser
colocados como determinantes, como por exemplo, a mo-de-obra.
60
Restries Laterais:
m0# = { 1.0, 1.25, 1.6, 2.0, 2.5, 3.2}, m0# ,$ u$. (3)
m0g = { 6.3, 8.0, 1.0, 1.25, 1.6, 2.0, 2.5}, m0g ,$ u$. (4)
2 !# 8 , g,!m1 !# (6)
2 !g 8 , g,!m1 !g (7)
Restries de Comportamento:
|q
}~ |~
q
(10)
|X
}~ |~
X
(11)
Onde,
D
q
= Momento Positivo5 solicitante de clculo da viga.
D
q
= Momento Positivo resistente de clculo da viga.
D
X
= Momento Negativo solicitante de clculo da viga.
D
X
= Momento Negativo resistente de clculo da viga.
Variveis Topolgicas:
Variveis Paramtricas:
c = Base da viga;
= Altura da viga;
m0#= Dimetro da barra longitudinal inferior;
m0g = Dimetro da barra longitudinal superior;
mh = Dimetro dos estribos;
!# = Quantidade de barras longitudinais inferiores;
!g = Quantidade de barras longitudinais superiores;
gh = Espaamento entre estribos.
6.4 RESTRIES
Critrios de resistncia e;
Critrios de execuo.
rea
Comprimida l 0.85fcd
y x Rc y
Linha
Neutra
h d z Mu
As %
Rs
As Deformaes Tenses
no
b Concreto
y=0,8x
Sendo:
Para que esta configurao seja vlida, algumas hipteses foram admitidas:
O domnio 2 abrange casos onde ocorre flexo simples ou composta sem ruptura a
compresso do concreto e ao com alongamento mximo permitido.
D = u E = g E (1)
u = g (2)
Fazendo-se:
D = _% m 0,5 (3)
_% = 0,85 c l (5)
Com (5) determina-se o valor de y e, por conseguinte, determina-se Mrd que dever
ser comparado ao Msd.
7 APLICAO
7.1 PREMBULO
PROBLEMA APLICAO DO AG
VIGA INDIVDUO
Gene Ns Intermedirios(25bits)
6
Os genes posio e validao, s sero utilizados nos casos em que tratam de todo um pavimento.
Para a aplicao do AG entre vigas de uma mesma posio eles so irrelevantes, conforme
informado no item 6.1 do Captulo 6.
68
N 1 N 2 N 3 N 4 N 5
b h dli dls dw ni ns sw
O gene seo de uma viga possui 26 Bits. Ele formado por doze grupos que
correspondem s variveis paramtricas do projeto (Ver Figura 13), so elas: base
(b), altura (h), dimetro da armao longitudinal inferior (dli), dimetro da armao
longitudinal superior (dls), dimetro dos estribos (dw), quantidade de barras
longitudinais inferiores (ni), quantidade de barras longitudinais superiores (ns) e
espaamento entre estribos (sw). Todos codificados em binrio e conforme limites
apresentados no capitulo anterior.
69
7.3 PENALIZAES
[ = H $F[0, ( ]
(QR
Onde:
= 10000;
D
q
R = q 1
D
D
X
= X 1
D
Sendo assim, funo que determina o custo unitrio de cada viga acrescentada
a funo de penalizao:
`a, = `a, + [
A esta funo nomeou-se custo lquido de uma viga. Correspondendo ao real custo
unitrio de uma viga que ser levado em considerao no processo de otimizao
da populao. O valor de foi determinado aps inmeros testes para calibrao de
parmetros (Ver Captulo 9).
70
7.4 ADEQUAO
1
_( =
`a,
Equao 14 Adequao
Onde:
Ai = Adequao do indivduo i ;
Este recurso utilizado apenas com a finalidade de tornar a seleo mais clara. O
indivduo que tiver maior valor de adequao ter maiores chances de ser
selecionado.
Utilizou-se como mtodo para a seleo dos indivduos o mtodo da roleta, proposto
inicialmente por Holland.
360 _(
_(, =
)QR _
Onde
Ai = Adequao do indivduo i;
Viga 10 Viga 1
39 Viga 2
56
21
Viga 9
14
Viga 3
31
Viga 8
46
Viga 4
Viga 7 87
20
Viga 6
29 Viga 5
17
Viga 1 39 39
Viga 2 21 60
Viga 3 31 91
Viga 4 87 178
Viga 5 17 195
74
Viga 6 29 224
Viga 7 20 244
Viga 8 46 290
Viga 9 14 304
Viga 10 56 360
So estas somas parciais indicadas a cada indivduo que iro servir como
parmetro de seleo por roleta. Simula-se ento a roleta, gerando-se um nmero
aleatoriamente entre 0 e 360. O indivduo que contiver a faixa na qual o nmero
gerado se encontra o que ser selecionado. Por exemplo, digamos que o nmero
gerado aleatoriamente tenha sido o nmero 71. O indivduo selecionado ento seria
o indivduo 3, pois ele contem a faixa entre os nmeros 61 e 91. Este passo ento
executado o nmero de vezes correspondente ao tamanho da populao (tendo em
vista que o programa implementado mantm a populao sempre com um tamanho
fixo). Fazendo-se uma simulao para este exemplo, temos:
222 Viga 6
153 Viga 4
35 Viga 1
164 Viga 4
75
155 Viga 4
110 Viga 4
324 Viga 10
170 Viga 4
242 Viga 7
174 Viga 4
7.6 CRUZAMENTO
0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 1 0 1 0 0 1 0
b h dli dls dw ni ns nw
0 1 1 0 1 0 0 0 1 0 0 1 1 1 1 0 1 1 0 0 0 1 1 1 1 0
b h dli dls dw ni ns nw
7.7 MUTAO
Na primeira fase deste trabalho, antes da adoo da mutao como uma operao
do AG tinha-se muitos problemas de mnimos locais. Ou seja, o programa convergia
rapidamente para um mnimo local. Com a adoo de uma taxa de mutao notou-
se que a populao ficou mais diversificada resolvendo o problema anterior.
7.8 ELITISMO
8 ESTRUTURA DO AGEN
8.1 PREAMBULO
O programa capaz de: dada uma viga com seu n inicial, n final e possveis ns
intermedirios, fazer otimizao topolgica e paramtrica da mesma utilizando, para
isso, algoritmos genticos. As restries laterais e de comportamento adotadas, bem
como a funo objetivo e de penalizao j foram introduzidas em captulos
anteriores.
7
Para mais detalhes sobre POO recomenda-se o livro: Head First Object Oriented Analysis &
Design de Brett D. McLaughlin, Gary Pollice e Dave West.
79
AGEN
GenePosicao
GeneSecaoConcreto Seo
PRINCIPAIS Individuo o Retangular
CLASSES (Incompleto) o Circular
RibossomoViga o Bitola
o PerfilI
Armadura
Material
o Aco
o Concreto
ListaDeSecoes
ListaDeMateriais
8
Nome dado ao programa implementado.
80
Nos prximos tpicos estes pacotes sero apresentados com maiores detalhes.
importante destacar que para manipulao de matrizes utilizou-se o pacote de
lgebra linear Jama, elaborado pela MathWorks e pelo NIST (National Institute of
Standards and Technology).
81
8.3 PACOTE AG
Figura 20 - Pacote AG
82
Binrio: Classe que caracteriza o tipo binrio, que a base para a codificao
do cromossomo.
Secao: caracteriza uma seo transversal. Ela pode ser circular, retangular,
perfil I, etc.
9
Inicialmente o tipo de material da viga (concreto ou ao) tambm entrava como varivel e os tipos
de vigas metlicas que se utilizava eram perfis I. Com os testes viu-se que nunca os perfis metlicos
conseguiam ser soluo do problema (devido ao custo elevado), portanto eles foram removidos da
formulao do problema. Pode-se traz-lo facilmente de volta ao programa e torn-los competitivos; o
fator praticidade e rapidez, se entrados na funo objetivo favoreceriam o perfil metlico.
86
O pacote sistema o que possui a classe main (classe principal) que faz a ligao
entre os pacotes do programa. Alm disso, no pacote Sistema que se encontra a
classe que trata da interface grfica do programa.
9.1 PREAMBULO
Para validar o programa apresentado anteriormente fez-se necessrio que ele fosse
aplicado a um caso j tratado pela literatura, onde seus resultados j fossem
conhecidos, a fim de se poder ter parmetros de comparao quanto sua
funcionalidade. No apndice A, apresentada uma aplicao do programa AGEN
em um problema tratado por dois autores, com duas abordagens distintas. Um autor
utilizou abordagem determinstica enquanto o segundo adotou uma abordagem
probabilstica, utilizando algoritmos genticos, porm em ambos os casos as
variveis eram contnuas. Em 85% dos testes realizados o programa (AGEN)
encontrou a soluo tima. Pode-se considerar uma boa taxa de aprovao, tendo
em vista que os algoritmos genticos, bem como os demais mtodos evolucionrios,
no garantem 100% de resultado. Como se trata de um mtodo probabilstico
existem alguns fatores que fazem com que o algoritmo no convirja, ou convirja para
um mnimo local. Parmetros como: tamanho da populao, tamanho do
cromossomo, taxa de mutao, nmero mximo de geraes, critrios de parada,
populao inicial, funo de penalizao entre outros so fatores que se verificou
que influenciavam bastante para o bom funcionamento do programa. Assim como
um instrumento novo que precisa ser afinado, o AG, por ser um mtodo genrico,
tambm precisa de uma calibragem de seus parmetros. Tendo em vista que cada
caso um caso.
GXX-PH Significa que ele parou na gerao XX devido ao fato da populao ter
ficado homognea (PH).
GXX-MG Significa que ele parou na gerao XX devido ao fato da populao ter
alcanado o nmero mximo de geraes permitidas.
TAMANHO DA
TESTE
POPULAO
1A 10
1B 100
1C 1000
1D 10000
90
Parmetros fixos:
TESTE 1A
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 1,4 55 50 3 16 4 20 1861,99 G3 - PH
2 1,4 20 145 4 12,5 4 20 2202,65 G8 - PH
3 2 75 110 7 25 7 16 4940,51 G4 - PH
4 2,4 40 90 3 25 48 3048,77 G2 - PH
5 2,4 55 110 7 10 3 25 3442,76 G12 - PH
6 1,2,3,4 70 100 7 10 7 10 4208,25 G6 - PH
7 0 80 145 4 16 7 10 6171,13 G3 - PH
8 1,4 30 75 2 25 2 25 1759,11 G3 - PH
9 1,2,3,4 30 165 7 10 7 10 3401,29 G2 - PH
10 3,4 60 35 7 20 7 20 1877,09 G4 - PH
MDIA (R$) 3291,36
Tabela 7 Teste 1A
10
A populao considerada homognea quando todos os seus indivduos so iguais.
91
TESTE 1B
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 1,4 70 90 6 25 6 20 4169,38 G45 - PH
2 1,3,4 40 150 7 10 3 16 3804,95 G45 - PH
3 1,2 25 85 5 25 6 20 2142,53 G45 - PH
4 1,3,4 30 175 720 2 12,5 3560,67 G45 - PH
5 2,4 25 95 525 5 12,5 2153,32 G45 - PH
6 3,4 25 120 725 5 25 3185,03 G45 - PH
7 2,4 20 65 620 725 1985,23 G45 - PH
8 3,4 30 95 225 6 16 2304,02 G45 - PH
9 3,4 20 100 316 412,5 1605,29 G45 - PH
10 1,2,4 25 135 425 325 2726,50 G45 - PH
MDIA (R$) 2763,69
Tabela 8 - Teste 1B
TESTE 1C
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 1,3,4 35 85 5 25 620 2533,53 G100-MG
2 1,3,4 20 80 7 10 712,5 1373,56 G100-MG
3 1,4 20 40 6 12,5 412,5 2715,51 G48-PH
4 4 25 100 6 16 712,5 2151,80 G100-MG
5 1,3,4 25 145 6 25 612,5 3025,34 G100-MG
6 2,3,4 20 65 7 12,5 420 1329,76 G90-PH
7 2,3,4 20 75 516 720 1609,43 G77-PH
8 2,3,4 25 75 710 420 1544,93 G87-PH
9 1,2,3,4 20 120 312,5 520 2024,53 G40-PH
10 2,3,4 45 130 4 12,5 412,5 3372,16 G100-MG
MDIA (R$) 2168,06
Tabela 9 - Teste 1C
92
TESTE 1D
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 2,3,4 35 90 316 320 2202,19 G67-PH
2 1,2,4 25 160 310 516 2778,99 G100-MG
3 1,4 25 100 525 520 2320,67 G81-PH
4 3,4 30 155 712,5 616 3278,67 G39-PH
5 2,3,4 20 120 712,5 420 2095,88 G100-MG
6 1,2,3,4 25 145 620 620 2991,88 G77-PH
7 2,3,4 30 145 420 320 3249,14 G86-PH
8 1,4 25 60 416 712,5 1378,63 G51-PH
9 4 40 75 616 620 2316,74 G100-MG
10 2,4 45 80 212,5 712,5 2378,42 G100-MG
MDIA (R$) 2499,12
Tabela 10 - Teste 1D
Teste 1
Custo (Tamanho Populao x Mdia Custo)
3500,00
3000,00
2500,00
2000,00
500,00
0,00 Tamanho da
0 2000 4000 6000 8000 10000 12000 populao
PROBABILIDADE
TESTE
DE MUTAO
2A 0.05
2B 0.01
2C 0.001
2D 0.0001
Parmetros fixos:
TESTE 2A
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 4 20 90 5 16 4 16 1577,65 G38 - PH
2 1,4 20 80 7 12,5 3 25 1573,97 G100- MG
3 1,2,4 25 75 3 20 5 20 1705,38 G100- MG
4 2,3,4 25 135 7 25 4 12,5 2898,57 G100- MG
5 2,3,4 40 110 3 16 7 20 3071,98 G100- MG
6 3,4 35 85 7 25 4 12,5 2443,54 G100- MG
7 1,3,4 20 75 5 12,5 4 20 1403,95 G33 - PH
8 4 35 110 3 20 7 16 2701,41 G32 - PH
9 1,2,4 20 80 6 16 4 20 1534,06 G84 - PH
10 2,4 35 90 6 20 7 25 2783,08 G100- MG
MDIA (R$) 2169,36
Tabela 11 - Teste 2A
TESTE 2B
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 4 30 45 7 16 6 16 1528,59 G81 - PH
2 2,3,4 25 65 7 12,5 6 116 1411,59 G100- MG
3 4 20 110 7 12,5 7 20 2031,46 G100- MG
4 1,3,4 40 80 6 16 6 16 2251,71 G100- MG
5 2,4 20 170 4 20 6 12,5 2648,80 G81- PH
6 3,4 65 175 7 12,5 3 25 6204,55 G70- PH
7 2,4 30 125 3 12,5 3 20 2548,16 G83- PH
8 1,4 40 110 7 25 3 16 3205,06 G72- PH
9 4 30 160 4 25 7 16 3735,77 G43- PH
10 2,4 30 80 2 20 5 20 2179,10 G95- PH
MDIA (R$) 2774,48
Tabela 12 - Teste 2B
95
TESTE 2C
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 1,2,3,4 30 85 6 10 4 16 2117,91 G100- MG
2 1,2,3,4 35 160 4 20 4 25 3716,47 G21- PH
3 1,3,4 20 80 4 25 3 16 1615,46 G43- PH
4 1,2,3,4 40 105 7 12,5 6 10 2619,53 G100- MG
5 4 5 70 3 20 4 16 2095,48 G100- MG
6 1,2,3,4 80 90 7 16 7 10 4029,42 G70- PH
7 3,4 20 150 3 25 2 25 2521,09 G100- MG
8 1,2,4 45 60 7 20 4 20 2220,48 G83- PH
9 1,2,3,4 25 85 2 16 6 20 1954,43 G87- PH
10 4 20 90 3 25 4 25 1836,55 G100- MG
MDIA (R$) 2472,68
Tabela 13 - Teste 2C
TESTE 2D
N NS BASE ALTURA As As R$ PARADA
INTERM. (cm) (cm)
1 4 20 110 7 10 6 16 1894,37 G100- MG
2 1,4 20 100 4 25 3 16 1891,22 G100- MG
3 4 35 140 2 25 5 12,5 3288,20 G49- PH
4 2,3,4 35 65 7 20 7 20 2136,47 G100- MG
5 1,2,3,4 25 85 3 25 5 25 2088,19 G68- PH
6 3,4 20 150 3 12,5 6 16 2402,29 G74- PH
7 2,3,4 25 140 7 25 7 16 3197,89 G65- PH
8 1,3,4 55 70 2 25 5 12,5 2416,54 G100- MG
9 4 20 115 6 20 3 16 2054,11 G100- MG
10 3,4 40 95 3 25 7 20 2796,68 G100- MG
MDIA (R$) 2416,60
Tabela 14 - Teste 2D
Teste 2
Custo (Probabilidade de Mutao x Mdia Custo)
3000,00
2500,00
2000,00
1500,00
Mdia custos
1000,00
500,00
0,00 Probabilidade de
0 0,01 0,02 0,03 0,04 0,05 0,06 Mutao
10 CONCLUSES
Feito isso um problema que se utiliza de Algoritmos Genticos para encontrar sua
soluo ter um resultado bastante satisfatrio. A questo do custo computacional
um tema importante a ser tratado nos AGs, porm para resolver este problema
pode-se utilizar paralelismo, ou seja, deixar vrias mquinas trabalhando
simultaneamente num mesmo problema, tendo em vista que eles podem ser
tratados independentemente. Alm disso, os hardwares de computadores tm
evoludo consideravelmente ao longo dos anos.
REFERNCIAS
[1] Atherly, A.G., J.R. Girton, e J.F. McDonald. The Science of Genetics. Harcourt
Brace College Publishers; 1 edition, 1998.
[4] Briggs, R. R. A Genetic Algorithm that Finds all Optimum Topologies of Skeletal.
2004. 131p. Dissertao (Mestrado) - Brigham Young University, Utah, 2004.
[7] Castro, R.E. Otimizao. 1999. 87 p. Monografia (Proposta para insc. direta no
Doutorado) - COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro,
1999.
[9] Chiam, S.C., C.K. Gom, e K.C. Tan. Issues of Binary Representation in
Evolutionary Algorithms. In Cibernetics and Intelligent Systems, 2006 IEEE
Conference, 2006.
[10] Cho, H-.N., D-.H. Min, e K.M. Lee. Optimum Life-Cycle Cost Design of
Orthotropic Steel Deck Bridges. In: International Journal of Korean Society of
Steel Construction, Vol.1, n2, pp.141-153, 2001.
[12] Croce, E.S., E.G. Ferreira, e A.C.C. Lemonge. A Genetic Algorithm for
Structural Optimization of Steel Truss Roofs. In: Congress Iberian Latin-American
on Computational Methods in Engineering (CILAMCE), XXV, 2004, Recife.
Proceedings. Pernambuco, 2004.
[14] Deb, K., e S. Gulati. Design of Truss Structures for Minimum Weight Using
Genetic Algorithms. In Journal of Finit Element in Analysis and Design. v.37. n. 5,
2001.
[15] Del Savio, A.A., S.A.L. Andrade, P.C.G.S Vellasco, e L.F. Martha. Genetic
Algorithm optimization of semi-rigid steel structures. In B.H.V. Topping -
Internacional Conference on the Aplication of Artificial Inteligence to Civil,
Structural and Enviromental Engineering. VIII. 2005. Stirlingshire. Proceedings.
Paper 24. Uk, 2005.
[18] Gillman, K.M. Optimization of Shape, Size and Topology Design Variables in
Trusses with a Genetic Algorithm. 2005. 82p. Dissertao (Mestrado) - Brigham
Young University, Utah, 2005.
[20] Grierson, D.E., e W.H. Pack. Optimal Sizing, Geometrical and Topological
design using a genetic Algorithm. Journal of Structural Optimization, 6, 151-159,
1993.
[28] Lima, C.R.N. Anlise de Deformao por Fluencia em uma viga de Concreto
Armado e protendido: Retroanlise a Algoritmos Genticos. 2007. 76 p.
Dissertao (Mestrado) Escola Politecnica, Universidade de So Paulo, So
Paulo, 2007.
[34] Sakla, S., e E. Elbeltagi. Design of Steel Roofs Subjected to Drifed Snow
Using Genetic Optimization. In: Journal of Computers and Structures, Elsevier
Publishier, vol. 81, n6, pp339-348, 2003.
[41] Woon, S.Y., O.M. Querin, e G.P. Steven. Structural Application of a Shape
Optimization Method Based on Genetic Algorithm. In: Structural and
Multidisciplinary Optimization. 2001. vol.22, n1,p. 57-64, 2001.
APNDICE A
VALIDAO DO PROGRAMA UMA APLICAO DO AGEN PARA
OTIMIZAO DE SEO TRANSVERSAL DE UMA VIGA DE CONCRETO
Sujeito a:
10
F2
1 0
0,075 F1
D
10
D&
107
50 F1 80 (cm)
Onde:
x2 = rea de armadura;
Mu = Momento resistente.
L= 8m;
d' = 0.03 m;
bw = 0.15m;
Ao: CA50;
Resultados Obtidos
Autor Mtodo Utilizado
H(cm) As (cm)
Multiplicadores de Lagrange
(Soares 1997) 67.25 4.13
(Determinstico)
Algoritmos Genticos,
(Castilho 2003) utilizando variveis continuas 67.25 4.33
(Probabilistico)
`a, = `b c + `U !# ef( + `k c + 2
Sujeito a:
2 !# 8 , g,!m1 !#
D
q
D
q
Onde,
109
b = 0.15 m
CC = 0.3 (R$/m)
CA = 0.3 (R$/Kg)
CF = 0.4 (R$/m)
Critrios de parada:
Populao Homognea ou ;
h = 65cm e (Asi 4.5) <= 0.5; (Teste 1)
h = 70 cm e (Asi 4.5) <= 0.5; (Teste 2)
Para cada teste o programa foi aplicado 20 vezes, a fim de verificar a veracidade
dos resultados. Abaixo segue tabela com os resultados obtidos:
Teste 1 Teste 2
Homo
gnea Homo
15% gnea
18%
Sol. Sol.
tima tima
85% 82%
APENDICE B
TABELA RESUMO COM A FREQUENCIA DE DIVERSOS TRABALHOS DE
OTIMIZAO ESTRUTURAL ORGANIZADOS POR ALGUMAS
CARACTERISTICAS BSICAS (Cohn, et al. 1994)