Otimização Multiobjetivo PDF

Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências

Faculdade de Engenharia
Marcelo Silveira Dantas Lizarazu
Otimização Multiobjetivo
Aplicada à Eficiência Energética
de Torres de Resfriamento
Rio de Janeiro
2016
Otimização multiobjetivo
aplicada à eficiência energética
de torres de resfriamento
Dissertação apresentada, como requisito par-

cial para obtenção do tı́tulo de Mestre, ao
Programa de Pós-Graduação em Engenha-
ria Eletrônica, da Universidade do Estado do
Rio de Janeiro. Área de concentração: Siste-
mas Inteligentes e Automação.
Orientadora: Prof.a Dr.a Nadia Nedjah

Orientadora: Prof.a Dr.a Luiza de Macedo Mourelle
Rio de Janeiro
2016
CATALOGAÇÃO NA FONTE
UERJ / REDE SIRIUS / BIBLIOTECA CTC/B
L789 Lizarazu, Marcelo Silveira Dantas.

Otimização multiobjetivo aplicada à eficiência ener-
gética de torres de resfriamento/Marcelo Silveira Dantas
Lizarazu. – 2016.
237f.
Orientadora: Nadia Nedjah.

Coorientadora: Luiza de Macedo Mourelle.
Dissertação (Mestrado) – Universidade do Estado do
Rio de Janeiro, Faculdade de Engenharia.
1. Engenharia Eletrônica. 2. Torres de resfriamento

- Dissertações. 3. Enxame de partı́culas - Otimização
- Dissertações. 4. Algoritmos evolucionários - Disserta-
ções. 5. Eficiência energética - Dissertações. I. Nedjah,
Nadia. II. Mourelle, Luiza de Macedo. III. Universidade
do Estado do Rio de Janeiro. IV. Tı́tulo.
CDU 004.272.2
Autorizo, apenas para fins acadêmicos e cientı́ficos, a reprodução total ou parcial desta
dissertação, desde que citada a fonte.
Assinatura Data
Otimização multiobjetivo
aplicada à eficiência energética
de torres de resfriamento
Dissertação apresentada, como requisito par-

cial para obtenção do tı́tulo de Mestre, ao
Programa de Pós-Graduação em Engenharia
Eletrônica, da Universidade do Estado do Rio
de Janeiro. Área de concentração: Sistemas
Inteligentes e Automação.
Aprovado em: 31 de março de 2016
Banca Examinadora:
Prof.a Dr.a Nadia Nedjah (Orientadora)

Faculdade de Engenharia - UERJ
Prof.a Dr.a Luiza de Macedo Mourelle (Orientadora)

Faculdade de Engenharia - UERJ
Prof. Dr. Amit Bhaya

Programa de Engenharia Elétrica, COPPE/UFRJ
Prof.a Dr.a Aurora Trinidad Ramirez Pozo

Departamento de Informática, UFPR
Rio de Janeiro
2016
DEDICATÓRIA
Dedico este trabalho aos meus pais, principalmente, à minha querida mãe, por ter me
incentivado aos estudos desde cedo, sempre me guiando em busca de novos horizontes. Aos
professores, pela minha formação. Aos demais familiares, pela paciência e compreensão
nos diversos momentos de ausência diante dos desafios impostos por esta longa jornada.
AGRADECIMENTOS
Agradeço ao Programa de Pós-Graduação em Engenharia Eletrônica da UERJ, pelo apren-

dizado e oportunidade de desenvolver o conhecimento e a pesquisa. Em especial, agra-
deço às minhas professoras e orientadoras Nadia Nedjah e Luiza de Macedo Mourelle
pela excelente orientação, ensinamentos e principalmente, pela paciência e compreensão
nos diversos momentos de dificuldade em conciliar o mestrado e o trabalho. Aos demais
professores do PEL-UERJ, pelo conhecimento adquirido. Aos professores Amit Bhaya
e Aurora Trinidad Ramirez Pozo, pela participação na banca examinadora, assim como
pelas contribuições sugeridas no sentido de aprimorar este trabalho.
Agradeço aos colegas de mestrado Alan Oliveira, Carlos Renato, Alexandre Xavier e Tiago
Quirino pelo apoio e companheirismo.
Agradeço à Petrobras, em especial, à gerência da IEINFRA (Implementação de Empreen-

dimentos de Infraestrutura) e a todo o Departamento de Engenharia do Gás & Energia,
principalmente ao gerente setorial Daniel Giffoni, por permitir uma jornada de trabalho
diferenciada, de modo a conciliar o trabalho com as atividades do mestrado. Ao colega
Paulo Vitor Magacho, por todo o apoio e por incentivar a continuidade deste trabalho
junto à Petrobras.
Agradeço à Eletrobras CEPEL (Centro de Pesquisas de Energia Elétrica), em especial, ao

chefe do Departamento de Laboratórios de Adrianópolis, Alexandre Neves, por permitir
a dedicação parcial às atividades do mestrado, sob compensação de horas, de modo a
permitir a conclusão deste trabalho.
O sucesso nasce do querer, da determinação e persistência em se chegar a um
objetivo. Mesmo não atingindo o alvo, quem busca e vence obstáculos, no mı́nimo fará
coisas admiráveis.
José de Alencar
RESUMO
LIZARAZU, Marcelo Silveira Dantas. Otimização multiobjetivo aplicada à eficiência

energética de torres de resfriamento. 2016. 237f. Dissertação (Mestrado em Engenharia
Eletrônica) – Faculdade de Engenharia, Universidade do Estado do Rio de Janeiro, Rio
de Janeiro, 2016.
As torres de resfriamento são equipamentos largamente utilizados em refinarias de

petróleo, usinas geradoras de eletricidade e em grandes edifı́cios comerciais. A função da
torre de resfriamento é recuperar parte do calor rejeitado pelos equipamentos responsáveis
pela refrigeração de ambientes e/ou processos. Nesta dissertação, as torres de resfriamento
são utilizadas em conjunto com chillers de compressão. A crescente preocupação ambien-
tal e o atual cenário de escassez de recursos hı́dricos e energéticos levam à adoção de ações
para obter-se a máxima eficiência energética de equipamentos e processos industriais, o
que justifica a aplicação de técnicas de inteligência computacional na determinação da
melhor condição operacional de um processo. É neste contexto que este trabalho pro-
põe a utilização de algoritmos de otimização multiobjetivo na determinação dos setpoints
ótimos de operação de um sistema de resfriamento baseado em torre de resfriamento e
chillers de compressão. A otimização multiobjetivo aqui proposta proporciona o melhor
compromisso entre dois objetivos conflitantes: maximização da efetividade da troca tér-
mica realizada na torre de resfriamento e minimização do consumo energético global do
sistema de resfriamento considerado. As soluções obtidas levam em consideração as res-
trições operacionais dos equipamentos, de modo a garantir a operação segura do sistema
de resfriamento. Neste trabalho são aplicados os algoritmos NSGA-II, SPEA2, Micro-GA,
MOPSO e MO-TRIBES. Os três primeiros utilizam técnicas evolucionárias, enquanto os
demais utilizam técnicas baseadas em inteligência de enxame. Os resultados obtidos pelos
algoritmos são comparados sob diferentes cenários e modelagens para os equipamentos do
sistema de resfriamento, permitindo eleger o melhor algoritmo para a aplicação proposta.
Palavras-chave: Torre de resfriamento; Chiller de compressão; Otimização multiobjetivo;

Algoritmos evolucionários; Inteligência de enxame.
ABSTRACT
LIZARAZU, Marcelo Silveira Dantas. Multi-objective optimization applied to energy effi-

ciency of cooling towers. 2016. 237f. Dissertação (Mestrado em Engenharia Eletrônica)
– Faculdade de Engenharia, Universidade do Estado do Rio de Janeiro, Rio de Janeiro,
2016.
Cooling towers are a widely used equipment in oil refineries, power plants and
large commercial buildings. The role of cooling tower is to recover the heat rejected by
the equipments responsible for the refrigeration of the environment and/or processes. In
this dissertation, cooling towers are used in conjunction with compression chillers. The
growing environmental concerns and the current scenario of scarce water and energy re-
sources have lead to the adoption of actions to obtain the maximum energy efficiency
in industrial processes and equipments, which justifies the application of computatio-
nal intelligence techniques to determine the best operating conditions of such processes
and equipments. In this context, this work proposes the utilization of multi-objective
optimization algorithms to determine the optimum operational setpoints of the cooling
system, which is based on cooling tower and compression chillers. The multi-objective
optimization proposed here provides the best trade-offs between two conflicting objecti-
ves: maximizing the effectiveness of heat exchange performed in the cooling tower and
minimizing the overall energy consumption of the cooling system considered. The obtai-
ned solutions take into account the operational constraints of the equipments in order to
ensure the safe operation of the cooling system. In this are applied the NSGA-II, SPEA2,
Micro-GA, MOPSO and MO-TRIBES algorithms. The first three algorithms use evolu-
tionary techniques, while the other two use techniques based on swarm intelligence. The
results obtained by the algorithms are compared under different scenarios and models of
the cooling system equipments, allowing for the selection of the best algorithm for the
proposed application.
Keywords: Cooling towers; Compression chillers; Multi-objective optimization; Evolutio-
nary algorithms; Swarm intelligence.
LISTA DE FIGURAS
1 Classificação das torres de resfriamento quanto ao tipo de tiragem. . . . . . . 25

2 Classificação das torres de resfriamento quanto ao tipo de tiragem. . . . . . . 27
3 Funcionamento de uma torre de resfriamento tı́pica. . . . . . . . . . . . . . . . . . 27
4 Tipos de enchimento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5 Sistema de eliminadores de gotas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6 Ventilador axial de torre de resfriamento.. . . . . . . . . . . . . . . . . . . . . . . . . . 32
7 Ciclo de refrigeração por compressão.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
8 Sistema de resfriamento baseado em chiller de compressão e torre de res-
friamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
9 Configuração do sistema de resfriamento. . . . . . . . . . . . . . . . . . . . . . . . . . . 41

10 Regiões com ou sem surge do chiller. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
11 Conjunto de soluções factı́veis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

12 Soluções dominadas e não-dominadas pelo ponto B.. . . . . . . . . . . . . . . . . . 54
13 Balanço energético no modelo de Merkel. . . . . . . . . . . . . . . . . . . . . . . . . . . 115

14 Balanço energético no método da efetividade. . . . . . . . . . . . . . . . . . . . . . . 118
15 Entalpia do ar saturado versus temperatura. . . . . . . . . . . . . . . . . . . . . . . . 120
16 Resultados obtidos para a modelagem da torre de resfriamento, obtidos
com Táguaent = 25, 9◦ C e TBU = 22, 2◦ C. . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
17 Real vs. temperatura estimada de saı́da da torre de resfriamento. . . . . . . . 132
18 Resultado da modelagem do consumo dos ventiladores da torre de resfria-
mento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
19 Consumo real dos ventiladores da torre de resfriamento vs. valores obtidos
utilizando a modelagem adotada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
20 Resultado da modelagem de Qc /Qcn em termos de ∆Tag e Taecond para um
chiller de 1000 TR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
21 Resultado da modelagem de EIR/EIRn em termos de Taecond e Taeevap para
um chiller de 1000 TR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
22 Consumo real dos chillers vs. modelagem utilizando o fator ZCAP1 . . . . . . . 138
23 Consumo real dos chillers vs. modelagem utilizando o fator ZCAP2 . . . . . . . 138
24 Temperatura real de saı́da do condensador vs. modelagem adotada.. . . . . . 139
25 Demanda energética global real vs. modelagem utilizando o fator ZCAP1 . . . 140
26 Demanda energética global real vs. modelagem utilizando o fator ZCAP2 . . . 141
27 Escolha da solução ótima com base na menor média quadrática dos obje-
tivos: maximização de a e minimização de Ptotal normalizados. . . . . . . . . . 147
28 Critério a ser adotado para escolha da solução ótima com base na menor
média quadrática dos objetivos: (1) minimização de 1/a e (2) minimização
de Ptotal normalizados, a partir da fronteira de Pareto obtida utilizando o
algoritmo MOPSO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
29 Critérios não aplicáveis à escolha da solução ótima com base nos objetivos:
minimização de 1/a e minimização de Ptotal normalizados. . . . . . . . . . . . . 149
30 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o NSGA-II, uti-
lizando a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . 151
31 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando
a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . . . . . . . 152
32 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando
a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . . . . . . . 154
33 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operaci-
34 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos opera-
cionais utilizados na implementação da otimização com o Micro-GA, utili-
zando a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . . 157
35 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos opera-
zando a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . . 158
onais utilizados na implementação da otimização com o MOPSO, utilizando
nais utilizados na implementação da otimização com o MOPSO, utilizando
racionais utilizados na implementação da otimização com o MO-TRIBES,
utilizando a modelagem ZCAP1 com critério de parada após 50 iterações. . . 163
39 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos ope-
utilizando a modelagem ZCAP1 com critério de parada após 90 segundos. . . 164
racionais utilizados na implementação da otimização com o NSGA-II, uti-
nais utilizados na implementação da otimização com o NSGA-II, utilizando
43 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operaci-
44 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos opera-
zando a modelagem ZCAP2 com critério de parada após 50 iterações. . . . . . 172
45 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos opera-
zando a modelagem ZCAP2 com critério de parada após 90 segundos. . . . . . 173
onais utilizados na implementação da otimização com o MOPSO, utilizando
nais utilizados na implementação da otimização com o MOPSO, utilizando
utilizando a modelagem ZCAP2 com critério de parada após 50 iterações. . . 178
49 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos ope-
utilizando a modelagem ZCAP2 com critério de parada após 90 segundos. . . 179
50 Comparativo entre a economia média obtida no consumo de energia elétrica

e a consequente redução na efetividade média da torre de resfriamento
utilizando a modelagem ZCAP1 para os algoritmos aplicados. . . . . . . . . . . . 187
51 Comparativo entre a economia média obtida no consumo de energia elétrica
e a consequente redução na efetividade média da torre de resfriamento
utilizando a modelagem ZCAP2 para os algoritmos aplicados. . . . . . . . . . . . 191
LISTA DE TABELAS
1 Determinação da temperatura de bulbo úmido. . . . . . . . . . . . . . . . . . . . . . 34
2 Vazões de entrada nas células das torres de resfriamento, em m3 /h. . . . . . . 43
3 Estratégia de deslocamento em função do passado da partı́cula. . . . . . . . . . 96
4 Coeficientes da modelagem da torre de resfriamento. . . . . . . . . . . . . . . . . . 131

5 Coeficientes da modelagem dos ventiladores da torre.. . . . . . . . . . . . . . . . . 133
6 Coeficientes da modelagem do fator ZCAP1 . . . . . . . . . . . . . . . . . . . . . . . . . 135
7 Coeficientes da modelagem do fator ZCAP2 . . . . . . . . . . . . . . . . . . . . . . . . . 135
8 Coeficientes da modelagem do fator ZEIR . . . . . . . . . . . . . . . . . . . . . . . . . . 135
9 Média dos valores de coverage obtidos para os 35 pontos operacionais, uti-

lizando a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . 181
lizando a modelagem ZCAP2 com critério de parada após 90 segundos. . . . . 182
13 Comparativo de resultados após 50 iterações - Modelagem ZCAP1 . . . . . . . . 184

14 Comparativo de resultados após 90 segundos - Modelagem ZCAP1 . . . . . . . . 184
15 Critério de Escolha do Melhor Algoritmo - 50 iterações - Modelagem ZCAP1 . 186
16 Critério de Escolha do Melhor Algoritmo - 90 segundos - Modelagem ZCAP1 .186
17 Comparativo de resultados após 50 iterações - Modelagem ZCAP2 . . . . . . . . 188
18 Comparativo de resultados após 90 segundos - Modelagem ZCAP2 . . . . . . . . 189
19 Critério de Escolha do Melhor Algoritmo - 50 iterações - Modelagem ZCAP2 . 190
20 Critério de Escolha do Melhor Algoritmo - 90 segundos - Modelagem ZCAP2 .190
A.1 Pontos operacionais utilizados na aplicação dos algoritmos. . . . . . . . . . . . . 214

A.2 NSGA-II - Soluções ótimas obtidas para os 35 pontos operacionais utiliza-
dos nas implementações de otimização usando a modelagem ZCAP1 . . . . . . . 215
A.3 NSGA-II - Soluções ótimas obtidas para os 35 pontos operacionais utiliza-
dos nas implementações de otimização usando a modelagem ZCAP2 . . . . . . . 216
A.4 SPEA2 - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP1 . . . . . . . . . . 217
A.5 SPEA2 - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
A.6 Micro-GA - Soluções ótimas obtidas para os 35 pontos operacionais utili-
zados nas implementações de otimização usando a modelagem ZCAP1 . . . . . 219
A.7 Micro-GA - Soluções ótimas obtidas para os 35 pontos operacionais utili-
zados nas implementações de otimização usando a modelagem ZCAP2 . . . . . 220
A.8 MOPSO - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
A.9 MOPSO - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
A.10 MO-TRIBES - Soluções ótimas obtidas para os 35 pontos operacionais
utilizados nas implementações de otimização usando a modelagem ZCAP1 . . 223
A.11 MO-TRIBES - Soluções ótimas obtidas para os 35 pontos operacionais
utilizados nas implementações de otimização usando a modelagem ZCAP2 . . 224
B.1 NSGA-II - Constatação do atendimento às restrições de funcionamento dos
equipamentos para os 35 pontos operacionais utilizados nas otimizações
com a modelagem ZCAP1 .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
B.2 NSGA-II - Constatação do atendimento às restrições de funcionamento dos
B.3 SPEA2 - Constatação do atendimento às restrições de funcionamento dos
B.4 SPEA2 - Constatação do atendimento às restrições de funcionamento dos
B.5 Micro-GA - Constatação do atendimento às restrições de funcionamento
dos equipamentos para os 35 pontos operacionais utilizados nas otimizações
B.6 Micro-GA - Constatação do atendimento às restrições de funcionamento
B.7 MOPSO - Constatação do atendimento às restrições de funcionamento dos
B.8 MOPSO - Constatação do atendimento às restrições de funcionamento dos
B.9 MO-TRIBES - Constatação do atendimento às restrições de funcionamento
B.10 MO-TRIBES - Constatação do atendimento às restrições de funcionamento
LISTA DE ALGORITMOS
1 Pseudocódigo do Algoritmo Genético. . . . . . . . . . . . . . . . . . . . . . 57

2 Pseudocódigo do algoritmo PSO. . . . . . . . . . . . . . . . . . . . . . . . 66
3 Pseudocódigo do algoritmo Crowding Distance. . . . . . . . . . . . . . . . 79
4 Pseudocódigo do algoritmo NSGA-II. . . . . . . . . . . . . . . . . . . . . . 80
5 Pseudocódigo do algoritmo SPEA2. . . . . . . . . . . . . . . . . . . . . . . 83
6 Pseudocódigo do algoritmo Micro-GA. . . . . . . . . . . . . . . . . . . . . 86
7 Pseudocódigo do operador de mutação do algoritmo MOPSO. . . . . . . . 89
8 Pseudocódigo do algoritmo MOPSO. . . . . . . . . . . . . . . . . . . . . . 91
9 Pseudocódigo do algoritmo Tribes. . . . . . . . . . . . . . . . . . . . . . . 97
10 Pseudocódigo para determinação do tamanho do arquivo no MO-TRIBES. 99
11 Pseudocódigo do algoritmo de atualização do arquivo no MO-TRIBES. . . 100
12 Pseudocódigo do algoritmo de escolha dos informantes no MO-TRIBES. . 101
13 Pseudocódigo do algoritmo MO-TRIBES. . . . . . . . . . . . . . . . . . . . 102
LISTA DE SIGLAS
R2 Coeficiente de Determinação
ACO Ant Colony Optimization
AG Algoritmo Genético
AHU Air Handling Unit
BA Bat Algorithm
BCO Bee Colony Optimization
CAEP Cultural Algorithm with Evolutionary Programming
COP Coeficiente de Performance
EE Estratégias Evolucionárias
FA Firefly Algorithm
FEE Fator de Eficiência Energética
GrEA Grid-Based Evolutionary Algorithm
GSEA Grid Selection Evolutionary Algorithm
GSEA Grid Selection Evolutionary Algorithm
HVAC Heating, Ventilating and Air Conditioning
HyPE Hypervolume Estimation Algorithm for Multiobjective Optimization
IBEA Indicator-Based Selection in Multiobjective Search
INPE Instituto Nacional de Pesquisas Espaciais
IPESA Improved Pareto Envelope-Based Selection Algorithm
M-PAES Mimetic Pareto Archived Evolution Strategy
Micro-GA Micro Genetic Algorithm
MLP Multilayer Perceptron
MO-TRIBES Multiobjective Tribes
MOACSA Multiobjective Ant Colony System Based on ACS

MOGA Multiple Objective Genetic Algorithm
MOMGA Multiobjective Messy Genetic Algorithm
MOPSO Multiobjective Particle Swarm Optimization
MPGA Multi-Population Genetic Algorithm
MSE Mean Square Error
MSOPS Multiple-Single-Objective Pareto Sampling
MTribes Modified-Tribes
NPGA Niched Pareto Genetic Algorithm
NSGA Non-Dominated Sorting Genetic Algorithm
NTU Number of Transfer Units
OAT Optimum Approach Temperature
PAES Pareto Archived Evolution Strategy
ParEGO Pareto Efficient Global Optimization
PE Programação Evolutiva
PESA Pareto Envelope-Based Selection Algorithm
PG Programação Genética
PI Proporcional-integral
PICEA-g Preference-Inspired Co-Evolutionary Algorithm
PLR Part Load Ratio
POM Problema de Otimização Multiobjetivo
PS-EA Particle Swarms Inspired Evolutionary Algorithm
PSO Particle Swarm Optimization
PVC Polyvinyl Chloride
RS Random Selection
S-MOPSO Strength Multiobjective Particle Swarm Optimization
SCADA System Control and Data Aquisition
SPEA Strength Pareto Evolutionary Algorithm
SPF System Perform Factor
Tribes-D Tribes without Multi-dimensional Distance

VEGA Vector Evaluated Genetic Algorithm
VEPSO Vector Evaluated Particle Swarm Evaluation
WBGA Weight-Based Genetic Algorithm

SUMÁRIO
INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 TORRES DE RESFRIAMENTO . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1 Torres de Resfriamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1.1 Método de Transferência de Calor . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1.2 Tipo de Fluxo Relativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1.3 Tipo de Tiragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.1.4 Enchimento de Contato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.1.5 Venezianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.1.6 Eliminadores de Gotas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.1.7 Ventiladores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.1.7.1 Difusor do Ventilador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.1.8 Temperatura de Bulbo Úmido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.1.9 Perdas de água . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.2 Chillers de Compressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.3 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 DESCRIÇÃO DO PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.1 Configuração do Sistema de Resfriamento . . . . . . . . . . . . . . . . . . 40
2.2 Descrição do Problema de Otimização. . . . . . . . . . . . . . . . . . . . . 43
2.3 Definição das Funções Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Definição das Restrições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3 ALGORITMOS DE OTIMIZAÇÃO MULTIOBJETIVO . . . . . . . 51

3.1 Otimização Multiobjetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.1 Definição de um Problema de Otimização Multiobjetivo. . . . . . . . . . . . . 52
3.1.2 Solução de um Problema de Otimização Multiobjetivo. . . . . . . . . . . . . . 52
3.1.2.1 Dominância de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.1.2.2 Otimalidade de Pareto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.1.2.3 Técnicas de Escolha da Solução Ótima . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2 Algoritmos Evolucionários. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.1 Algoritmos Genéticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.2 Algoritmos Evolucionários Multiobjetivo . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2.1 Técnicas de Funções Agregadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.2.2 Técnicas não Baseadas no Conceito de Pareto . . . . . . . . . . . . . . . . . . . 58
3.2.2.3 Técnicas Baseadas no Conceito de Pareto . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Inteligência de Enxames . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.1 Otimização por Enxame de Partı́culas . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.2 Algoritmos de Enxame de Partı́culas Multiobjetivo . . . . . . . . . . . . . . . . 65
3.3.2.1 Técnicas de Funções Agregadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3.2.2 Ordenação Lexicográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3.2.3 Técnicas Baseadas em Subpopulações . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.3.2.4 Técnicas Baseadas no Conceito de Pareto . . . . . . . . . . . . . . . . . . . . . . 68
3.4 Escolha dos Algoritmos Aplicados . . . . . . . . . . . . . . . . . . . . . . . . 72
3.4.1 NSGA-II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.4.2 SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.4.3 Micro-GA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.4.4 MOPSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.4.5 MO-TRIBES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . 103

4.1 Otimização com Busca Extremal . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.2 Otimização com o Algoritmo OAT . . . . . . . . . . . . . . . . . . . . . . . 104
4.3 Otimização com Algoritmos Genéticos . . . . . . . . . . . . . . . . . . . . 105
4.4 Otimização com Enxame de Partı́culas . . . . . . . . . . . . . . . . . . . . 109
5 MODELAGEM MATEMÁTICA . . . . . . . . . . . . . . . . . . . . . . . . . 113

5.1 Modelagem da Torre de Resfriamento . . . . . . . . . . . . . . . . . . . . . 113
5.1.1 Método de Merkel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.1.2 Método da Efetividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.1.3 Modelagem Adotada para a Torre de Resfriamento . . . . . . . . . . . . . . . . 119
5.1.4 Modelagem dos Ventiladores da Torre. . . . . . . . . . . . . . . . . . . . . . . . . 124
5.2 Modelagem do Chiller de Compressão . . . . . . . . . . . . . . . . . . . . . 125
5.3 Aplicação das Modelagens Adotadas . . . . . . . . . . . . . . . . . . . . . . 129
5.3.1 Torre de Resfriamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.2 Chiller de Compressão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.3.3 Demanda Energética Global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
6 ANÁLISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . 142

6.1 Funções Objetivo Implementadas . . . . . . . . . . . . . . . . . . . . . . . . 144
6.2 Metodologia de Escolha da Solução Ótima . . . . . . . . . . . . . . . . . 145
6.3 Resultados da Modelagem ZCAP1 . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.3.1 Resultados com NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.3.2 Resultados com SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
6.3.3 Resultados com Micro-GA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
6.3.4 Resultados com MOPSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.3.5 Resultados com MO-TRIBES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.4 Resultados da Modelagem ZCAP2 . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.4.1 Resultados com NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.4.2 Resultados com SPEA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
6.4.3 Resultados com Micro-GA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.4.4 Resultados com MOPSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.4.5 Resultados com MO-TRIBES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.5 Comparação do Desempenho dos Algoritmos . . . . . . . . . . . . . . . 180
7 COMPARAÇÃO DOS RESULTADOS . . . . . . . . . . . . . . . . . . . . 183

7.1 Quanto ao Resultado Global Usando ZCAP1 . . . . . . . . . . . . . . . . . 184
7.2 Quanto ao Resultado Global Usando ZCAP2 . . . . . . . . . . . . . . . . . 188
7.3 Comparação das Modelagens ZCAP1 e ZCAP2 . . . . . . . . . . . . . . . . . 191
8 CONCLUSÕES E TRABALHOS FUTUROS . . . . . . . . . . . . . . . 193

8.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
APÊNDICE A – Resultados das simulações . . . . . . . . . . . . . . . . . . . . . . 214
APÊNDICE B – Constatação do atendimento às restrições definidas . . . . 225

INTRODUÇÃO
E
M muitos processos industriais, gera-se calor, e este calor, muitas vezes deve ser ex-
traı́do e dissipado. Geralmente é empregada a água como elemento de resfriamento,
como pode ser observado na indústria petroquı́mica e em usinas geradoras de eletricidade.
A água utilizada nos sistemas de resfriamento sempre retorna do processo com
temperaturas mais elevadas, podendo esta ser descartada ou resfriada para reutilização.
O segundo caso é utilizado onde não há abundância de água para a aplicação, ou em casos
onde o consumo de água seria absurdamente dispendioso em termos econômicos.
O descarte da água utilizada em um processo de resfriamento é uma prática am-
bientalmente insustentável, uma vez que a água, nestes casos, geralmente se encontra em
uma temperatura elevada, e seu descarte nestas condições provocaria impactos na flora
e fauna subaquáticas local. Além disso, levando em consideração os desafios atuais para
a obtenção de água potável, a reutilização da água em torres de resfriamento se torna o
meio mais viável em termos econômicos e de sustentabilidade ambiental.
As torres de resfriamento são equipamentos voltados à aplicação em grandes de-
mandas de resfriamento, pois apresentam um modo limpo e muito econômico de se resfriar
a água a ser reutilizada no processo de resfriamento. Por este motivo, também se verifica
sua aplicação em instalações prediais como grandes centros comerciais, hotéis e edifı́cios
de grande porte.
A crescente preocupação ambiental com o uso ineficiente de energia elétrica e sua
crescente demanda, associado à má utilização dos recursos hı́dricos existentes, que estão
cada vez mais escassos, levam a comunidade técnica e cientı́fica à adoção de premissas e
medidas que visam à obtenção da máxima eficiência energética das instalações industriais,
necessitando, portanto, da aplicação de mecanismos sofisticados que permitam alcançar
a melhor eficiência possı́vel de um processo.
Na atualidade, verifica-se uma escassez de recursos energéticos nunca vista antes.
A disponibilidade de energia elétrica na matriz energética brasileira depende em grande
INTRODUÇÃO 20
parte da ocorrência regular de chuvas nas áreas onde as usinas hidrelétricas se encontram
instaladas. Quando isso não ocorre, as usinas termelétricas assumem parte da demanda
energética, mas isso ocasiona uma elevação significativa no custo da energia elétrica, oca-
sionando maiores prejuı́zos econômicos para a indústria em geral.
Além da escassez de recursos hı́dricos para a geração de eletricidade, tem-se con-
juntamente a escassez básica de água, a qual é utilizada em grande volume e sob diversas
formas em indústrias de processo, principalmente nas indústrias de alimentos e bebidas,
petroquı́micas e em usinas geradoras de eletricidade, tanto para fins de obtenção direta do
produto final, como para fins de resfriamento, finalidade esta que se aplica ao propósito
desta dissertação.
Dessa forma, a escassez de água e, consequentemente, de energia elétrica, provoca
um considerável aumento no custo final dos produtos, e em maiores prejuı́zos para os
setores industrial e comercial, causando um impacto ainda maior para as indústrias ou
empresas que não aplicam estratégias para aprimorar ou tornar mais eficientes os consumos
de água e energia elétrica.
É nesse contexto que a utilização de técnicas de inteligência computacional passa
a ser viável para a aplicação de otimização energética, com base em seu baixo custo de
implementação e no elevado poder no auxı́lio à tomada de decisão. Para tal, necessita-se de
informação quantitativa e qualitativamente suficiente para a implementação e obtenção
de resultados satisfatórios. Estes dados geralmente são obtidos a partir da coleta de
dados em campo e de informações disponibilizadas pelos fabricantes dos equipamentos
que compõem o sistema a ser otimizado.
Uma torre de resfriamento opera em conjunto com outros equipamentos, tais como
chillers e bombas de circulação e elevação de água. Além disso, as torres de resfriamento
do tipo tiragem mecânica possuem internamente ventiladores que operam no sentido de
forçar a circulação de ar internamente. Dentre estes equipamentos, os chillers são os
responsáveis pela maior parcela do maior consumo energético do sistema (YU et al., 2011).
Percebe-se que um sistema de resfriamento baseado em torres de resfriamento não
envolve apenas as torres de resfriamento em si, mas sim um conjunto de equipamentos
que operam de forma interdependente, onde a modificação indevida de um determinado
parâmetro ou ajuste operacional em um destes equipamentos pode provocar um efeito
positivo ou negativo em cascata no funcionamento dos demais, podendo desencadear,
INTRODUÇÃO 21
consequentemente, uma série de efeitos não necessariamente satisfatórios ao sistema como

um todo, o que inclui a redução da sua eficiência energética.
Na prática, observa-se que a aplicação de ajustes operacionais indevidos, mal pla-
nejados, ou baseados em poucas informações, tende a levar o sistema de resfriamento
como um todo a um ponto de operação ruim ou com baixo desempenho, ocasionando um
aumento, considerável ou não, no seu consumo energético global. Em geral, no intuito
de otimizar o funcionamento de um determinado equipamento, pode-se, não intencional-
mente, prejudicar o funcionamento de outro.
Apenas uma modelagem global do sistema, obtida a partir do estudo e análise
individual do funcionamento de cada equipamento que compõe o sistema de resfriamento,
pode determinar se a modificação de um determinado parâmetro operacional irá causar
um aumento ou uma redução no desempenho do sistema como um todo.
O consumo de água também pode ser afetado dependendo dos ajustes realizados,
uma vez que sempre existe uma perda de água associada ao funcionamento da torre de
resfriamento, devido ao arraste de água provocado pelos ventiladores da torre. Este fenô-
meno é descrito em maiores detalhes no Capı́tulo 1, e também está associado à eficiência
operacional da torre de resfriamento. Portanto, um ajuste indevido na velocidade dos ven-
tiladores da torre de resfriamento, por exemplo, pode provocar um aumento no arraste
de água da torre devido à redução da sua eficiência operacional, o que, consequentemente
leva a um aumento no consumo de água.
A eficiência operacional de uma torre de resfriamento está relacionada à eficiência
da troca térmica entre a água quente que vem do processo e a massa de ar induzida em
contrafluxo a esta na torre, por meio da utilização de ventiladores. Esta eficiência também
é influenciada por diversos fatores climáticos e operacionais.
Portanto, conclui-se que a utilização de um sistema de apoio à decisão para a
otimização operacional e energética de um sistema de resfriamento é um processo complexo
e que demanda uma modelagem fiel e precisa dos equipamentos que interoperam.
O trabalho apresentado nesta dissertação visa a solucionar um problema de otimi-
zação multiobjetivo composto pelos seguintes objetivos conflitantes:
• Maximização da eficiência da troca térmica realizada pela torre de resfriamento; e
• Minimização do consumo de energia elétrica global do sistema de resfriamento, con-

siderando todos os equipamentos necessários para seu devido funcionamento.
INTRODUÇÃO 22
Neste trabalho são aplicados dois tipos de algoritmos de otimização multiobjetivo:

algoritmos evolucionários e algoritmos de enxame de partı́culas. Os algoritmos evolu-
cionários aplicados são: SPEA2, NSGA-II e Micro-GA. Já os algoritmos de enxame de
partı́culas aplicados são: MOPSO e MO-TRIBES.
Como resultado, estes algoritmos obtêm os melhores parâmetros operacionais para
o sistema de resfriamento envolvendo a torre de resfriamento, o que inclui como principais
equipamentos os ventiladores da torre e os chillers. Estes parâmetros são:
• Setpoint de velocidade dos ventiladores da torre de resfriamento; e
• Setpoint de temperatura da água gelada disponibilizada pelos chillers.
A solução do problema proposto neste trabalho leva em conta as restrições opera-

cionais impostas pelos equipamentos que compõem o sistema de resfriamento, as quais são
definidas com base nas informações disponibilizadas pelos fabricantes dos equipamentos.
Este trabalho considera a utilização de chillers de compressão, sendo apresentadas
duas diferentes modelagens para estes, as quais são comparadas em termos de acurácia
com relação aos dados reais coletados em campo. As duas modelagens obtidas para os
chillers são utilizadas na definição das funções objetivo dos algoritmos de otimização
escolhidos, para fins de comparação de seus resultados.
Os resultados também são comparados sob diferentes cenários em termos de critério
de parada para os algoritmos de otimização. Os resultados obtidos com as diferentes
modelagens e critérios de parada definidos são comparados entre si, de modo a eleger o
melhor algoritmo para cada cenário e o melhor algoritmo para a aplicação.
Inicialmente, o Capı́tulo 1 apresenta o funcionamento do sistema de resfriamento
envolvendo a torre de resfriamento, seus ventiladores e demais acessórios, seguido dos
chillers de compressão.
O Capı́tulo 2 apresenta o problema de otimização multiobjetivo proposto envol-
vendo a torre de resfriamento, por meio da definição das funções objetivo e das restrições
operacionais dos equipamentos que compõem o sistema.
O Capı́tulos 3 apresenta os algoritmos de otimização multiobjetivo, abordando
tanto os algoritmos evolucionários como os baseados em enxame de partı́culas. São apre-
sentados os critérios e técnicas utilizados para a escolha da solução ótima do problema
INTRODUÇÃO 23
multiobjetivo. Também são apresentados em maiores detalhes os algoritmos escolhidos

para aplicação, assim como os critérios considerados para a escolha destes.
O Capı́tulo 4 apresenta os trabalhos relacionados à otimização energética de torres
de resfriamento utilizando inteligência computacional, onde é apresentado o estado da
arte em termos de estratégias implementadas e verificadas na comunidade cientı́fica.
O Capı́tulo 5 apresenta a modelagem matemática dos equipamentos que compõem
o sistema de resfriamento, detalhando o seu princı́pio termodinâmico de funcionamento.
Neste capı́tulo também são apresentados os resultados obtidos com a utilização das mo-
delagens adotadas para os equipamentos considerados, utilizando-se a base de dados do
sistema coletada em campo.
O Capı́tulo 6 apresenta a análise dos resultados obtidos após a aplicação dos algo-
ritmos SPEA2, NSGA-II, Micro-GA, MOPSO e MO-TRIBES. Neste capı́tulo também é
apresentado o critério de decisão utilizado para a escolha da solução ótima para o problema
multiobjetivo.
No Capı́tulo 7 são realizadas as comparações entre os resultados obtidos pelos al-
goritmos, para os diferentes critérios de parada, assim como para as diferentes modelagens
adotadas. As modelagens adotadas são comparadas e determinam-se o melhor algoritmo,
modelagem e critério de parada para a aplicação.
Por fim, o Capı́tulo 8 comenta as conclusões acerca dos resultados obtidos para
os vários algoritmos e cenários considerados, avaliando-se a possibilidade de melhorias
futuras envolvendo a otimização multiobjetivo de sistemas de refrigeração baseados em
torres de resfriamento e chillers de compressão.
Capı́tulo 1
TORRES DE RESFRIAMENTO
E
S te capı́tulo tem por objetivo apresentar os conceitos funcionais básicos sobre os
principais equipamentos que compõem o sistema de resfriamento considerado neste
trabalho, de modo que seja possı́vel a apresentação do problema de otimização envolvendo
a torre de resfriamento e os chillers de compressão.
Os conceitos apresentados neste Capı́tulo servem como base para a modelagem
matemática dos equipamentos, tendo em vista seus princı́pios termodinâmicos de funcio-
namento, conforme indicado no Capı́tulo 5.
1.1 Torres de Resfriamento

As torres de resfriamento são equipamentos utilizados para o resfriamento de água. Esta
água geralmente é proveniente de trocadores de calor em indústrias de processo, ou prove-
niente de condensadores, no caso de usinas de geração elétrica. A reutilização dessa água
é vital para a sustentabilidade ambiental e econômica do processo, tendo em vista o alto
custo de reposição de água, no caso de descarte da água quente de processo.
As torres de resfriamento podem ser classificadas de acordo com o método de
transferência de calor, tipo de fluxo relativo entre ar e água, e tipo de tiragem.
1.1.1 Método de Transferência de Calor
Quanto ao método de transferência de calor, as torres de resfriamento podem ser classifi-

cadas como secas, úmidas ou mistas.
A troca térmica é considerada seca quando a mesma é realizada em circuito fechado,
não havendo contato direto entre os dois fluidos (água quente e massa de ar induzido ou
forçado). Neste caso, os fluidos trocam calor por meio de uma superfı́cie, como uma tu-
1.1. TORRES DE RESFRIAMENTO 25
bulação metálica, por exemplo. Nas trocas térmicas úmidas, há o contato direto entre os
fluidos. Este tipo de torre também é chamado de sistema aberto, e utiliza o princı́pio do
resfriamento evaporativo. Já as torres do tipo mista ou hı́brida utilizam os dois meca-
nismos apresentados acima, porém há a aplicação de água gelada (proveniente de outra
fonte) nos trocadores de calor, favorecendo a troca térmica evaporativa.
As torres de resfriamento consideradas neste trabalho são do tipo úmida. Neste
caso, a água quente é levada do processo até o ponto de aspersão, localizado na parte
superior da torre, através de bombas de elevação. Após atingir este ponto, a água quente
é liberada para que ocorra a troca térmica com o fluxo de ar que flui em sentido contrário.
Após a realização da troca térmica, a água resfriada desce através do enchimento para a
parte inferior da torre, retornando para o processo.
1.1.2 Tipo de Fluxo Relativo
Durante a queda, após ser liberada no ponto de aspersão, a água entra em contato com
a corrente de ar, trocando calor sensı́vel e latente. Sabe-se que parte da água quente
que entra na torre evapora. No entanto, essa perda de água não é significativa durante a
operação em torno do ponto operacional de projeto da torre (ALPINA, 1978).
Outra forma de classificar as torres de resfriamento é quanto ao tipo de fluxo
relativo entre as correntes de água e de ar. Neste caso, podem ser classificadas em torres de
fluxo em contracorrente, conforme ilustrado na Figura 1(a), ou de fluxo cruzado, conforme
ilustrado na Figura 1(b).
(a) fluxo em contracorrente. (b) fluxo cruzado.
Figura 1: Classificação das torres de resfriamento quanto ao tipo de tiragem.

Nas torres com fluxo cruzado, o ar entra pelas paredes laterais e atravessa o enchi-
mento praticamente na horizontal. A água cai por gravidade em ambos os lados da torre,
cruzando a corrente de ar induzida pelo ventilador axial localizado na parte superior da
torre. As principais vantagens deste tipo de torre são a facilidade de manutenção e a
insensibilidade a águas ricas em sólidos suspensos.
Já nas torres com fluxo em contracorrente, o ar entra pela base da torre e atravessa
o enchimento em sentido vertical, portanto, contrário ao da água. Embora exista uma
perda de carga maior no enchimento, em comparação às torres com fluxo cruzado, o que
ocasiona um maior consumo dos ventiladores, as torres de fluxo em contracorrente são
mais eficientes, uma vez que existe uma menor possibilidade de recirculação interna de
ar. Além disso, neste tipo de torre, o ar passa mais tempo em contato com a água, uma
vez que a entrada de ar é realizada na parte inferior da torre, permitindo que ocorra uma
troca térmica mais eficiente.
1.1.3 Tipo de Tiragem
Quanto ao tipo de tiragem, as torres de resfriamento podem ser classificadas em: torres
de tiragem natural (também conhecidas como hiperbólicas) ou torres de tiragem mecânica.
As torres do tipo tiragem natural são de maior porte, podendo alcançar até 200
m de altura por 100 m de diâmetro. Sua construção é aconselhável em áreas onde há
correntes naturais de ventos fortes. Neste tipo de torre não há ventiladores na parte
superior, e o fluxo de ar ocorre naturalmente pela torre devido ao aumento gradativo da
temperatura do ar à medida que troca calor com a água quente (mecanismo da convecção),
e também devido ao seu formato hiperbólico. Este formato faz com que o ar quente seja
acelerado ao longo da subida, devido à restrição de área ao longo do percurso da base da
torre até a sua parte superior. Este tipo de torre está ilustrado na Figura 2(a).
As torres do tipo tiragem mecânica são aquelas que utilizam ventiladores para
provocar a circulação de ar. Estas podem ser do tipo tiragem induzida ou tiragem forçada.
A diferença básica é que no tipo tiragem induzida, os ventiladores são posicionados na saı́da
de ar, geralmente na parte superior da torre; já no tipo tiragem forçada, os ventiladores
são posicionados no nı́vel do solo. A escolha do tipo depende de diversos fatores, como
o espaço disponı́vel, local de instalação e velocidade média do vento ao longo do ano na
região. A Figura 2(b) ilustra uma torre de tiragem induzida.
(a) tiragem natural. (b) tiragem mecânica.
Figura 2: Classificação das torres de resfriamento quanto ao tipo de tiragem.
A Figura 3 descreve o funcionamento de uma torre de resfriamento tı́pica similar

ao modelo a ser adotado neste trabalho. A função da torre de resfriamento consiste em
reduzir a temperatura da água quente de entrada a nı́veis aceitáveis para o funcionamento
adequado dos demais equipamentos de processo que compõem o sistema de resfriamento.

Figura 3: Funcionamento de uma torre de resfriamento tı́pica.
Observa-se na Figura 3 que, além dos equipamentos já citados, tem-se a necessidade
de tratamento quı́mico nos circuitos de água da torre, de modo a evitar corrosões e acúmulo
de sujeira, os quais, se não evitados, provocam aumento da perda de carga, ocasionando
um maior consumo energético para as bombas de elevação de água. As corrosões, quando
não evitadas, provocam pequenos vazamentos, os quais aumentam o consumo de água da
torre, levando à necessidade de intervenções e paradas não programadas para adequação.
1.1.4 Enchimento de Contato
O enchimento da torre tem a função de acelerar a troca térmica entre a água e a corrente
de ar que flui em sentido contrário, pois promove o aumento da superfı́cie entre eles dentro
da torre. Existem enchimentos de diferentes tipos, formatos e tamanhos, cada um com
uma caracterı́stica especı́fica e seguindo critérios de projeto especı́ficos de cada fabricante
de torres de resfriamento. Os tipos de enchimentos mais utilizados são: gotejamento (ou
respingo) e pelı́cula (ou laminar). A Figura 4 ilustra os dois tipos de enchimento citados.
(a) gotejamento. (b) laminar.
Figura 4: Tipos de enchimento.
A escolha do tipo de enchimento para uma determinada torre de resfriamento

envolve a especificação do seu tipo de material construtivo, o qual varia em função da
qualidade e temperatura da água, assim como do tipo de fluxo relativo de ar e água na
torre, cruzado ou em contracorrente.
O tipo de enchimento e suas dimensões influenciam não só na eficiência da troca
térmica, mas também na perda de carga dos ventiladores da torre. A concepção do
projeto da torre de resfriamento, em termos de dimensionamento do enchimento e dos
ventiladores, é realizada pelos fabricantes. Qualquer modificação posterior no tipo de
enchimento depende de uma análise que envolve o conhecimento da nova perda de carga
a ser inserida. Conforme (MOHIUDDIN; KANT, 1996), as perdas de carga diferem para
diversos tipos de enchimento e a modelagem para estimativa da queda de pressão também
depende do tipo utilizado.
Diferentemente do proposto em (MOHIUDDIN; KANT, 1996), a modelagem do con-
sumo dos ventiladores da torre, neste trabalho, é realizada em função apenas de sua
velocidade. No caso, para obtenção da modelagem, varia-se a velocidade dos ventiladores
por meio da utilização de conversores de frequência, seguido de leitura em campo do con-

sumo dos ventiladores em função de cada velocidade ajustada, obtendo-se a modelagem
proposta na Seção 5.1.4. Este procedimento evita a estimativa do consumo com base na
queda de pressão no enchimento, pois se considera que esta já foi previamente definida
no projeto da torre de resfriamento, cuja memória de cálculo pode ser verificada em (AL-
PINA, 2013). Neste trabalho, conforme indicado no Capı́tulo 5, a redução ou aumento da
eficiência da troca térmica na torre de resfriamento é estimada em função da velocidade
dos ventiladores.
1.1.5 Venezianas
As venezianas permitem a entrada do ar na torre, e são dimensionadas considerando os

seguintes objetivos conflitantes:
• Obter uma eficiente admissão de ar na torre; e
• Evitar perda excessiva de água por meio de respingos.
Além disso, o ar de entrada na torre deve ser uniformemente distribuı́do com uma
queda mı́nima de pressão, pois elevadas quedas de pressão significam a necessidade de um
ventilador com potência mais elevada.
Para reduzir a perda de água por respingos, as venezianas devem ser projetadas
com inclinação, largura e espaçamento apropriados. Portanto, o dimensionamento das
venezianas varia com o tipo de torre e segue padrões definidos por cada fabricante. Em
todos os casos, estas devem ser suficientemente resistentes a atmosferas corrosivas.
Geralmente, quanto maior o espaçamento entre as venezianas, maior é o fluxo de ar
de entrada. No entanto, neste caso, aumenta-se a perda de água por respingos. De forma
contrária, ao reduzir o espaçamento entre as venezianas (ou aumentando sua largura) e
aumentar a inclinação destas, tem-se uma redução da perda de água, associada a uma
redução do fluxo de ar de entrada. Portanto, ao dimensionar as venezianas para uma
determinada torre de resfriamento, o fabricante tem por objetivo estabelecer um melhor
compromisso entre a redução na perda de água por respingos e o estabelecimento de um
fluxo de ar adequado para permitir a troca térmica (OMNI, 1989).
Apesar da estrutura das venezianas permitir modificações em seu dimensiona-
mento no intuito de aumentar a eficiência da troca térmica realizada na torre e reduzir a
perda de água por respingos, no caso da otimização energética apresentada neste trabalho,
desconsiderou-se qualquer modificação na disposição, dimensionamento ou inclinação das
venezianas existentes nas torres de resfriamento utilizadas.
1.1.6 Eliminadores de Gotas
Tanto as torres do tipo fluxo cruzada como as do tipo fluxo em contracorrente devem
possuir eliminadores de gotas, os quais se constituem de perfis retentores formados por
um sistema de barras perfiladas, instalados dentro da torre de resfriamento. Os materiais
utilizados para a fabricação deste sistema dependem da qualidade da água que circula na
torre, os quais incluem PVC (Cloreto de Polivinila), aço galvanizado, alumı́nio, plásticos
ou fibrocimento. A Figura 5 ilustra um sistema de eliminadores de gotas.
Figura 5: Sistema de eliminadores de gotas.
O objetivo do sistema de eliminadores de gotas é evitar um excesso de arraste de

água pelo ar induzido na torre, o que evita uma elevação no consumo de água da torre
de resfriamento. Com a utilização dos eliminadores de gotas obtém-se um arrastamento
da ordem de 0, 05% a 0, 1% da vazão de água em circulação (ALPINA, 1978). A torre de
resfriamento considerada neste trabalho utiliza eliminadores de gotas, conforme indicado
em (ALPINA, 2013).
O funcionamento baseia-se em uma mudança na direção do fluxo de ar induzido,
onde a força centrı́fuga resultante separa as gotı́culas de água do ar, depositando-as na
superfı́cie das barras perfiladas. Esta água acumulada escorre de volta para a bacia de
coleta de água fria. Além disso, este sistema também tem o objetivo de uniformizar o
fluxo de ar através do enchimento da torre.
A aplicação de eliminadores de gotas provoca uma perda de carga significativa na

pressão estática do ar induzido na torre. Portanto, seu dimensionamento deve ser realizado
em conjunto com o dimensionamento do ventilador a ser utilizado. O dimensionamento
deste sistema para a torre de resfriamento considerada neste trabalho pode ser consultado
em (ALPINA, 2013).
O arraste de gotı́culas de água, além de provocar um aumento no consumo de
água da torre de resfriamento, também pode ocasionar falha em equipamentos elétricos
localizados nas mediações da torre de resfriamento, devido a um aumento na umidade do
ar em volta da torre, o que pode provocar redução na isolação elétrica destes equipamentos.
1.1.7 Ventiladores
Os ventiladores das torres de resfriamento são responsáveis pela movimentação de grandes

volumes de ar. Seu funcionamento deve ser isento de vibrações e pulsações, as quais podem
danificar os demais componentes mecânicos, como caixa de redução, correias, mancais e
rolamentos, assim como a estrutura da torre, incluindo seu difusor.
As torres de resfriamento utilizam dois tipos de ventiladores: axial ou centrı́fugo,
sendo que a grande maioria das torres utiliza ventiladores axiais. Como as torre conside-
radas neste trabalho utilizam ventiladores axiais, apenas este tipo será abordado.
Os ventiladores axiais permitem a movimentação de grandes volumes de ar com
baixas pressões estáticas (da ordem de 20 mmCA). Estes são de custo relativamente baixo,
podendo ser utilizados em torres de qualquer tamanho, bem como em torres onde deve
ser assegurada uma baixa perda de água por arraste. Em termos de rendimento estático,
estes apresentam, em média, valores em torno de 80% (ALPINA, 1978).
Conforme definido em (ALPINA, 2013), os ventiladores utilizados na torre de resfri-
amento considerada neste trabalho operam com uma pressão estática igual 9, 25 mmCA
e possuem rendimento estático igual a 55%, com ou sem o difusor.
Tem-se que para um mesmo fluxo de ar e mesma velocidade periférica, um venti-
lador com poucas pás requer pás mais largas do que um ventilador com um maior número
de pás. Isto resulta em um maior peso da pá, provocando uma maior pulsação do eixo
do ventilador com o aumento da sua velocidade, o que pode provocar um aumento de
vibração na torre, reduzindo sua vida útil devido a danos nos rolamentos, mancais, assim
como no redutor do ventilador.
Há um consenso entre os fabricantes de torres de resfriamento em considerar a

utilização de seis pás para ventiladores de médio porte e de oito pás para ventiladores de
grandes diâmetros, recomendando-se um limite máximo de doze pás. As pás geralmente
são fabricadas a partir de ligas de alumı́nio, as quais possuem um custo relativamente
baixo e possuem alta resistência à corrosão. Estas também podem ser fabricadas a partir
de latão, aço inoxidável ou aço galvanizado, no entanto, estes já possuem um custo mais
elevado. A Figura 6 ilustra um ventilador de grande porte que utiliza dez pás.
Figura 6: Ventilador axial de torre de resfriamento.
No caso da otimização energética realizada neste trabalho, desconsiderou-se qual-

quer alteração nos ventiladores e pás das células das torres de resfriamento, incluindo
quantidade e ângulo das pás, mantendo-se as especificações definidas em (ALPINA, 2013).
1.1.7.1 Difusor do Ventilador
A função básica do difusor, também denominado cilindro do ventilador, além de protegê-

lo, consiste em proporcionar um fechamento em volta deste, de modo a melhorar seu
rendimento, conduzindo o ar de descarga para longe da entrada de ar da torre, o que
evita a sua recirculação.
O difusor deve ser construı́do utilizando-se material apropriado para resistir a
atmosferas corrosivas, devendo ser suficientemente robusto para resistir às vibrações in-
duzidas pela pulsação do fluxo de ar.
O rendimento do ventilador é muito sensı́vel às condições do fluxo de ar que chega,
assim como ao espaço livre entre o diâmetro externo das pás e o diâmetro interno do
cilindro. O difusor tem a função de garantir o atendimento a estes dois fatores. Quanto
mais suave for a entrada do fluxo de ar no ventilador, maior será seu rendimento, e um
fluxo de ar suave pode ser obtido por meio de um dimensionamento adequado do difusor
do ventilador. Os fabricantes recomendam evitar obstruções estruturais na entrada do
difusor (OMNI, 1989).
Na Figura 6, observa-se o pequeno espaço entre as pás do ventilador e seu difusor.
Quanto menor este espaço, maior será seu rendimento, uma vez que se evita a recirculação
de ar, e mais baixo será o nı́vel de ruı́do do ventilador.
A otimização energética realizada neste trabalho não considerou qualquer modifi-
cação no dimensionamento dos ventiladores e de seus difusores, mantendo-se as especifi-
cações indicadas em (ALPINA, 2013).
1.1.8 Temperatura de Bulbo Úmido
A temperatura de bulbo úmido está diretamente relacionada ao dimensionamento da torre

de resfriamento. Em cada localidade em que se deseja instalar uma torre de resfriamento
deve-se consultar os valores médios de temperatura nos meses de verão. Esta informação
é necessária, uma vez que a temperatura de bulbo úmido instantânea local representa
a menor temperatura possı́vel de ser atingida pela água arrefecida que deixa a torre de
resfriamento após a troca térmica.
Para fins de dimensionamento da capacidade da torre de resfriamento, deve-se
estimar uma temperatura de bulbo úmido para o local onde será instalada a torre. Para
a escolha desta temperatura, os fabricantes utilizam as médias máximas diárias previstas
com base em levantamento de dados climatológicos, que podem ser obtidas em (TéCNICAS,
2008). Nesta norma, para cada localidade há a opção de três valores possı́veis para a
temperatura de bulbo úmido média estimada, sendo cada uma associada a um fator em
percentual (0, 40%, 1, 00% e 2, 00%). Estes fatores indicam o percentual do total de horas
do ano em que a temperatura de bulbo úmido indicada, para cada região, é ultrapassada.
Por exemplo, a Tabela 1 mostra os valores da temperatura de bulbo úmido sugeridos em
(TéCNICAS, 2008) para o estado do Rio de Janeiro, local onde se encontram instaladas as
torres de resfriamento consideradas neste trabalho.
Como as torres de resfriamento consideradas neste trabalho se encontram instala-
das no Centro da cidade do Rio de Janeiro, deve-se utilizar os dados referente ao aeroporto
Tabela 1: Determinação da temperatura de bulbo úmido.
Estado Cidade TBU,0,40% TBU,1,0% TBU,2,0%

RJ Rio de Janeiro - Santos Dummont 26,6 26,2 25,8
RJ Rio de Janeiro - Galeão 28,1 27,5 27,0
Santos Dummont, devido à sua maior proximidade. Para a escolha do fator a ser utilizado
no dimensionamento da torre (0,4%, 1,0% ou 2,0%), deve-se optar entre o critério mais
conservador ou o mais otimista.
O critério mais conservador baseia-se na possibilidade de que valores mais baixos
para a temperatura de bulbo úmido poderão ser atingidos. A escolha baseada neste
critério acarreta a especificação de uma maior capacidade para a torre de resfriamento, de
modo a atingir valores próximos à temperatura de bulbo úmido. Caso este seja o critério
a ser adotado, deve-se escolher a temperatura mais baixa indicada na Tabela 1. Já o
critério mais otimista baseia-se na escolha do valor de temperatura de bulbo úmido mais
elevado indicado na Tabela 1, ocasionando a especificação de uma capacidade menor para
a torre de resfriamento, reduzindo-se levemente a potência dos ventiladores, obtendo-se
então uma certa economia de energia.
Muitos fabricantes de torres de resfriamento estabelecem uma relação entre as
dimensões da torre de resfriamento e a temperatura de bulbo úmido média local por meio
do conceito de approach, o qual representa a diferença entre a temperatura da água fria
que deixa a torre e a de bulbo úmido (OMNI, 1989).
Neste sentido, quanto menor o approach, maior deve ser o tamanho da torre de
resfriamento, uma vez que um menor approach significa fornecer uma água de saı́da com
temperatura mais próxima possı́vel da temperatura de bulbo úmido, ou seja, mais fria.
Isto demanda uma torre de resfriamento com maior capacidade. Este conceito está rela-
cionado à eficiência ou efetividade da torre de resfriamento. Quanto menor a diferença
entre a temperatura da água fria que deixa a torre de resfriamento e a temperatura de
bulbo úmido, maior é a efetividade da torre de resfriamento.
Dessa forma, além de definir um valor médio para a temperatura de bulbo úmido
para fins de dimensionamento da torre de resfriamento, deve-se indicar o approach espe-
rado. No caso da torre de resfriamento considerada neste trabalho, conforme indicado
em (ALPINA, 2013), tem-se uma temperatura de bulbo úmido definida em projeto de
26, 6◦ C, um approach de 2, 4◦ C, e uma eficiência da troca térmica (também denominada
efetividade) de 0, 7551. Neste caso, observa-se que foi considerado o critério mais oti-
mista na escolha da temperatura de bulbo úmido para o projeto da torre de resfriamento,
esperando-se uma economia de energia por meio do dimensionamento de uma capacidade
de rejeição de calor um pouco mais reduzida para a torre, o que ocasiona o dimensio-
namento de ventiladores de porte um pouco mais reduzido, implicando, por último, na
aplicação de motores com potência um pouco menor do que na solução mais conservadora.
1.1.9 Perdas de água
As perdas de água em uma torre de resfriamento são pequenas, e em geral, não superam
2% da vazão da água em circulação (ALPINA, 1978), considerando condições normais de
operação. As perdas de água se devem à:
• Evaporação;
• Arraste de gotas pelos ventiladores;
• Purga de desconcentração;
• Perda por respingos.
As perdas por evaporação dependem da carga térmica do sistema, da vazão da

água em circulação na torre, do diferencial térmico na torre, do approach e das condições
meteorológicas. Dentre estes, predominam as influências do diferencial térmico e das con-
dições meteorológicas. Embora o approach influencie na temperatura de retorno da água
para o processo, este possui menor influência nas perdas por evaporação em comparação
aos demais fatores citados. (ALPINA, 1978).
De um modo geral, tratando-se de torres de resfriamento, nas regiões com clima
tropical, subtropical e temperado, predomina o resfriamento por evaporação, o qual é
baseado em calor latente. Nas demais regiões, verifica-se uma forte influência do resfri-
amento pela troca de calor sensı́vel, com diminuição acentuada da perda de água por
evaporação durante o perı́odo de inverno.
As perdas por arraste não devem ultrapassar 0, 1% da água em circulação na torre
de resfriamento (ALPINA, 1978). Com a utilização de eliminadores de gotas, considera-se,
geralmente, uma perda máxima de até 0, 05%, e que deve ser obtida de fato, uma vez que
1.2. CHILLERS DE COMPRESSÃO 36
a utilização de eliminadores de gotas provoca uma perda de carga considerável dentro da

torre, o que demanda o dimensionamento de um ventilador de maior potência.
Tem-se, portanto, que as perdas por arraste são controláveis por meios constru-
tivos, enquanto as perdas por evaporações estão sujeitas às leis fı́sicas, dependendo da
carga térmica e das condições climáticas, não havendo possibilidade de controle sobre
estas, tratando-se, então, de perdas fixas.
No caso da torre de resfriamento utilizada neste trabalho, a perda de água por
evaporação definida em projeto (ou seja, com os ventiladores operando em sua velocidade
nominal), conforme indicado em (ALPINA, 2013), é de 1, 25%.
1.2 Chillers de Compressão

Um chiller de água é um equipamento que tem como função arrefecer água através de um
ciclo termodinâmico. Os dois principais tipos de chiller são: chiller de compressão (ou
elétrico) e chiller de absorção. O chiller de compressão utiliza um processo fı́sico como
mecanismo de funcionamento, enquanto o chiller de absorção utiliza um princı́pio fı́sico-
quı́mico. O sistema a ser otimizado neste trabalho utiliza apenas chillers de compressão,
portanto, apenas este tipo de chiller será apresentado.
Os chillers de compressão utilizam um compressor mecânico, geralmente acionado
por um motor elétrico, o qual é utilizado para comprimir o gás refrigerante que circula
internamente ao chiller. A compressão do gás refrigerante é apenas uma das etapas do ciclo
termodinâmico necessário para o seu funcionamento. O ciclo termodinâmico completo do
chiller é apresentado na Figura 7. Além do compressor, o chiller de compressão também
inclui outros equipamentos e partes constituintes, sendo os principais: o condensador, o
evaporador e a válvula de expansão (ASHRAE, 2012).
O evaporador, também denominado resfriador, é um trocador de calor composto
por tubos aletados onde, de um lado, tem-se a passagem do fluido refrigerante, e do outro
lado, a circulação da água a ser refrigerada. Portanto, o evaporador tem a função de
resfriar a água que circula mediante a utilização de bombas, denominadas bombas de
circulação ou bombas do circuito secundário. É no evaporador que ocorre a evaporação
do fluido refrigerante, fenômeno este que ocorre após a troca térmica com a água quente
vinda do processo (a qual também circula no evaporador), elevando a temperatura do
fluido refrigerante. Idealmente, este processo deveria ser isobárico. No entanto, na prática,
Rejeita calor
Qcd
Condensador
Compressor
Válvula de
W
expansão
Evaporador
Qev
Absorve calor
Figura 7: Ciclo de refrigeração por compressão.
verifica-se uma pequena redução de pressão no fluido refrigerante após sua passagem pelo
evaporador. O compressor, que pode ser elétrico ou a combustão, compensa esta redução
de pressão do fluido refrigerante, enviando-o ao condensador.
O condensador se trata de um trocador de calor que tem a função de condensar
o fluido refrigerante que se encontra em estado de vapor, estado este atingido após sua
passagem pelo evaporador. O condensador pode ser de dois tipos: condensador resfriado
a ar ou condensador resfriado a lı́quido. No caso do resfriamento a ar, utilizam-se ven-
tiladores para a realização da troca térmica entre o ar forçado e o fluido refrigerante em
estado de vapor, por meio da circulação do fluido refrigerante por tubos aletados. Já no
caso de resfriamento a lı́quido, utilizam-se torres de resfriamento, de modo que a água que
circula pela torre troque calor com o fluido refrigerante em estado de vapor, troca esta
realizada por meio de serpentinas localizadas no interior do condensador, fazendo com
que o fluido refrigerante venha a condensar. A água aquecida resultante deste processo é
elevada por meio de bombas de elevação até a torre de resfriamento, a qual reduz a tem-
peratura da água de condensação, retornando-a, em seguida, ao condensador do chiller,
de modo a permitir uma contı́nua troca térmica com o fluido refrigerante em estado de
vapor proveniente do evaporador.
Próximo ao evaporador encontra-se o dispositivo de expansão, também denominado
válvula termostática ou válvula de expansão. Este se trata de um dispositivo frigorı́fico de
expansão direta, ou seja, a expansão do fluido ocorre no ambiente a ser refrigerado.
Portanto, o ciclo termodinâmico do chiller de compressão ocorre da seguinte forma:

inicialmente, o fluido refrigerante é comprimido no compressor no estado de vapor supe-
raquecido, aumentando sua pressão e temperatura. Em seguida, o fluido refrigerante é
enviado para o condensador, onde o calor ganho no processo de compressão é rejeitado
para o meio exterior, ocasionando assim o resfriamento do fluido refrigerante e sua mu-
dança da fase de vapor para a fase lı́quida. Ao deixar o condensador no estado de lı́quido
sub-resfriado, o fluido refrigerante segue para a válvula de expansão, a qual provoca uma
queda de pressão e consequente queda de temperatura. Por fim, o fluido refrigerante passa
pelo evaporador, onde absorve calor da água a ser resfriada, causando o efeito frigorı́fico.
O fluido refrigerante, então, passa da fase lı́quida para vapor, saindo do evaporador como
vapor superaquecido, retornando ao compressor e iniciando novamente o ciclo.
A Figura 8 ilustra a configuração de um sistema de refrigeração composto por
um chiller de compressão e uma torre de resfriamento, onde podem ser verificadas as
partes que compõem o chiller de compressão, assim como suas interligações com a torre
de resfriamento e o sistema a ser alimentado com água gelada.
Figura 8: Sistema de resfriamento baseado em chiller de compressão e torre de resfria-

mento.
1.3. CONSIDERAÇÕES FINAIS 39
Observa-se que a água aquecida que deixa o condensador do chiller é aquela que
será bombeada até a torre de resfriamento, e que a água resfriada pela torre retorna ao
condensador do chiller. Este se trata do circuito de água de condensação, o qual também é
denominado circuito primário. Pode-se observar que a água gelada que deixa o evaporador
do chiller alimenta os fan-coils, os quais utilizam a água gelada para obter ar refrigerado
e distribui-lo aos vários ambientes da instalação. Após passar pelos fan-coils, a água
inicialmente gelada retorna para o evaporador com uma temperatura mais elevada. Este
se trata do circuito de água gelada, também denominado circuito secundário. Os fan-coils
e demais equipamentos que compõem o circuito secundário, como bombas de circulação de
água, não fazem parte do escopo deste trabalho. Nos fan-coils, a água gelada proveniente
do evaporador do chiller vai para uma serpentina, onde é realizada a troca térmica com
um fluxo de ar induzido através de uma ventilação forçada ocasionada pelos ventiladores
dos fan-coils. O ar refrigerado resultante desta troca térmica é então distribuı́do.
1.3 Considerações Finais

Neste capı́tulo foram apresentados os principais conceitos, terminologia e princı́pios ope-
racionais envolvendo torres de resfriamento e chillers de compressão.
Tendo em vista a quantidade de partes constituintes e demais dispositivos internos
ao chiller de compressão e à torre de resfriamento, permite-se observar que a modelagem
destes equipamentos é necessária para a implementação de um sistema de otimização e
apoio à decisão.
No próximo capı́tulo será apresentada a descrição do problema envolvendo a otimi-
zação multiobjetivo da operação da torre de resfriamento. Será apresentada a configuração
do sistema de resfriamento considerado neste trabalho, assim como as funções objetivo e
restrições operacionais a serem consideradas pelos algoritmos de otimização para a solução
do problema proposto.
Capı́tulo 2
DESCRIÇÃO DO PROBLEMA
E
STE capı́tulo tem por objetivo descrever o problema de otimização multiobjetivo
proposto neste trabalho, assim como definir as funções objetivo do problema. A
Seção 2.1 apresenta a configuração do sistema de resfriamento considerado, assim como
as quantidades e tipos de equipamentos. Por fim, serão apresentadas as restrições opera-
cionais a serem consideradas na obtenção da solução do problema.
2.1 Configuração do Sistema de Resfriamento

O sistema de resfriamento a ser otimizado é composto por chillers a compressão e tor-
res de resfriamento. Esta configuração é comumente utilizada em edifı́cios comerciais e
em instalações industriais para a garantia do conforto térmico de pessoas e refrigeração
adequada de equipamentos e salas elétricas.
A configuração do sistema de refrigeração considerado nesta dissertação é apre-
sentada na Figura 9 e utiliza duas torres de resfriamento com capacidade de 2500 TR
cada, totalizando uma capacidade de 5000 TR. A unidade TR é comumente utilizada em
sistemas de refrigeração, onde 1 TR (tonelada de refrigeração) é a potência de refrigeração
que fornece a quantidade de calor necessária para derreter uma tonelada de gelo em 24
horas, sendo que 1 TR equivale a 3,5168 kW. Cada torre de resfriamento é composta por
três células elementares, conforme indicado na Figura 9, onde em cada célula opera um
ventilador cujo motor elétrico tem potência nominal de 30 CV. As potências de motores
elétricos são geralmente indicadas em CV (cavalo-vapor), onde 1 CV equivale a 735,5 W.
As duas torres de resfriamento devem atender à demanda térmica de quatro chillers de
1000 TR. A potência nominal do motor elétrico que aciona o compressor de cada chiller é
de 586 kW. A potência nominal dos motores das bombas de elevação da água de condensa-
2.1. CONFIGURAÇÃO DO SISTEMA DE RESFRIAMENTO 41
Figura 9: Configuração do sistema de resfriamento.
ção e das bombas de circulação de água gelada é de 120 CV. Destes equipamentos, apenas
os ventiladores das torres de resfriamento permitem variação de velocidade, por meio da
utilização de conversores de frequência, permanecendo os demais sempre operando a uma
velocidade fixa e igual à nominal.
Geralmente, a carga térmica diária é atendida com a utilização de dois chillers.
O terceiro chiller se encontra disponı́vel para uma condição esporádica de carga térmica
adicional, como em dias em que a quantidade de pessoas e de equipamentos ultrapassa
os valores normais de operação ou em dias extremamente quentes no verão. Já o quarto
chiller, só deve operar em situação de rodı́zio operacional, situação em que há alternância
periódica entre os chillers em funcionamento, de modo a evitar o desgaste excessivo de um
determinado equipamento em detrimento a outro, ou em caso de falha de um dos demais.
Portanto, a situação de operação com dois chillers é a mais comum para o sistema de
resfriamento a ser otimizado, conforme considerado nesta dissertação.
Os chillers de compressão utilizados são do fabricante York®, modelo YKLKLLH9-
CZFS, com tensão nominal de 4,16 kV, capacidade térmica de 3517 kW (1000 TR), po-
tência elétrica nominal do motor do compressor de 586 kW, e utilizam o gás refrigerante
R-134A. A especificação completa dos chillers pode ser consultada em (YORK, 2006).
2.1. CONFIGURAÇÃO DO SISTEMA DE RESFRIAMENTO 42
As torres de resfriamento são do tipo seca, com tiragem mecânica induzida em

contracorrente. Cada célula das torres contém duas camadas de enchimento. O fabricante
das torres é a empresa Alpina®, modelo 3-CPL-63/79/50-ASP. As condições nominais
de projeto foram obtidas em (ALPINA, 2013).
Cada célula elementar das torres de resfriamento pode ser representada como uma
unidade independente onde ocorre a troca térmica. As células são independentes entre si
em termos operacionais, possuindo cada uma os seguintes sistemas individuais: sistema
de distribuição de água quente, bicos de aspersão de água, enchimento e um ventilador,
que induz a corrente de ar externo para dentro da célula.
No problema proposto, a otimização da eficiência da troca térmica que ocorre
dentro de cada célula é obtida após determinação da relação ótima entre as vazões de água
e ar. Cada bomba de elevação de água de condensação opera com uma vazão nominal
de 505 m3 /h, e conforme definido em (YORK, 2006), a vazão nominal no condensador do
chiller corresponde a 496,8 m3 /h. Dessa forma, tem-se que a quantidade de bombas de
elevação da água de condensação deve corresponder, no caso em estudo, à quantidade de
chiller em funcionamento, de forma a atender à vazão nominal no condensador do chiller.
Já a decisão sobre quantas células da torre deverão operar, em um dado instante, depende
de quantas bombas de elevação de água de condensação se encontram em funcionamento,
de modo que as vazões de entrada nas células da torre estejam sempre dentro de seus
limites mı́nimo e máximo operacionais. Os limites mı́nimo e máximo operacionais para a
vazão de entrada nas células das torres de resfriamento correspondem, respectivamente,
a 30% abaixo e 20% acima da vazão nominal de entrada, que é de 404 m3 /h, conforme
indicado em (ALPINA, 2013). Portanto, a vazão de entrada em cada célula das torres de
resfriamento deve permanecer entre 282,8 m3 /h e 484,8 m3 /h.
Como, no caso em estudo, a quantidade de bombas de elevação de água de con-
densação em operação deve ser igual à quantidade de chillers em funcionamento, pode-se
afirmar que o total de células em operação nas torres de resfriamento também pode ser
obtido com base na quantidade de chillers em funcionamento. Dessa forma, a Tabela 2 in-
dica os vários cenários possı́veis contemplando as situações com até 4 chillers em operação,
onde pode ser observada a quantidade de bombas de elevação de água de condensação
e o total de células das torres de resfriamento que devem operar em cada situação, de
modo a manter os limites mı́nimo e máximo de vazão para os chillers e as células da torre.
2.2. DESCRIÇÃO DO PROBLEMA DE OTIMIZAÇÃO 43
Na Tabela 2, as vazões indicadas estão em m3 /h. Os pontos em que se verificou a invi-

abilidade de realização de testes reais foram marcados com ”−”, uma vez que, conforme
previsto para o respectivo valor teórico, a vazão real resultante para estes pontos estaria
fora dos limites operacionais das células, o que poderia ocasionar danos aos componentes
da torre. Observa-se que as vazões teóricas previstas consideram o somatório das vazões
das bombas de elevação. No entanto, sabe-se que a associação de bombas centrı́fugas em
paralelo proporciona uma redução não-linear da vazão individual das bombas, e que à
medida que adicionam-se bombas em paralelo, cada bomba passa a operar sempre com
uma vazão inferior à verificada anteriormente. O propósito desta aproximação é obter
uma estimativa para fins de avaliação da realização ou não da medição real das vazões de
entrada nas células da torre, de modo a evitar a sua operação indevida ou possı́vel dano.
Dessa forma, conforme indicado na Tabela 2, no caso em estudo, tem-se que para um
total de n chillers em operação, decidiu-se considerar um total de n + 1 células das torres
em funcionamento, de modo a garantir que estas operem sempre dentro de seus limites
operacionais em termos de vazão de entrada.
Tabela 2: Vazões de entrada nas células das torres de resfriamento, em m3 /h.
n◦ de células (teórico) n◦ de células (real)

chillers bombas
1 2 3 4 5 1 2 3 4 5
1 1 505 252,5 168,3 − − 550 280 170 − −
2 2 1010 505 336,7 252,5 − − 485 330 − −
3 3 1515 775,5 505 378,75 303 − − 410 320 −
4 4 2020 1010 673,3 505 404 − − − − 380
2.2 Descrição do Problema de Otimização

A operação das torres de resfriamento em conjunto com chillers de compressão demandam
um consumo elevado de energia elétrica. No caso do edifı́cio onde se encontra instalado o
sistema de resfriamento considerado nesta dissertação, tem-se que o consumo total deste
sistema corresponde a aproximadamente 60% da energia elétrica total gasta.
A temperatura da água de condensação arrefecida, que parte das torres e vai
para o condensador do chiller, influencia diretamente em seu consumo energético segundo
um modelo não-linear composto por diversas variáveis, conforme modelagem apresentada
no Capı́tulo 4. Geralmente, temperaturas mais elevadas para a água de condensação
provocam um aumento de consumo de energia elétrica no chiller. Para obter temperaturas
mais baixas para a água de condensação, deve-se aumentar a velocidade dos ventiladores
da torre de resfriamento, uma vez que, no caso em estudo, as bombas de elevação da água
de condensação operam com velocidade fixa. No entanto, o incremento de velocidade dos
ventiladores da torre também provoca um aumento no consumo de energia elétrica.
Atualmente, a maioria das torres de resfriamento é operada no intuito de sempre
fornecer a menor temperatura possı́vel para a água de condensação. No entanto, sabe-
se que esta temperatura mı́nima possı́vel de ser atingida está limitada à temperatura de
bulbo úmido no local. Portanto, operacionalmente, pode-se chegar a uma situação em que
não há vantagens em manter os ventiladores operando na sua velocidade nominal, uma
vez que existe um ajuste (setpoint) de velocidade abaixo da nominal que é suficiente para
atingir a temperatura de bulbo úmido. O desafio é obter-se este setpoint de velocidade
para os ventiladores da torre.
Além disso, conforme (LIU; CHUAH, 2011), sabe-se que a estratégia de controlar a
temperatura de saı́da da torre de modo a tentar sempre atingir a temperatura de bulbo
úmido instantânea local nem sempre é a melhor opção, pois há situações em que, a partir
de um determinado valor de temperatura da água de condensação, sua redução passa a
não influenciar mais no consumo do chiller, ocasionando um consumo desnecessário de
energia elétrica nos ventiladores da torre.
Dessa forma, somente com uma modelagem dos equipamentos é possı́vel estimar a
influência das variáveis do processo no consumo de cada equipamento (chillers e ventila-
dores da torre de resfriamento). A partir da modelagem e implementação via um sistema
de otimização e apoio à decisão, podem ser determinados os melhores ajustes operacionais
(setpoints) para o sistema de resfriamento, de modo a obter-se eficiência energética.
Além da eficiência relacionada ao consumo de energia elétrica do sistema de res-
friamento, outro aspecto a ser levado em conta é a eficiência relacionada à troca térmica
realizada na torre de resfriamento, denominada efetividade. A eficiência energética é tão
importante quanto a efetividade da torre, uma vez que a última está associada ao consumo
de água do sistema de resfriamento. Como visto na Seção 1.8, a operação de uma torre
de resfriamento está condicionada a uma perda normal de água, a qual é estimada com
base na efetividade prevista inicialmente na fase de projeto e dimensionamento da torre
de resfriamento. Caso esta opere com uma efetividade aquém da estimada em projeto,
consumirá mais água, seguido do consequente aumento no seu consumo elétrico.
A efetividade a da torre de resfriamento é definida como sua eficiência operacional,

e está relacionada à eficiência da troca térmica entre a água quente que vem do processo
e a massa de ar induzida na torre em contracorrente, por meio de ventiladores. Esta
eficiência é influenciada por diversos fatores, os quais são explicitados na modelagem da
torre de resfriamento, no Capı́tulo 5. Dentre os fatores que influenciam na efetividade da
torre, tem-se:
• A relação entre as vazões de água e ar dentro da torre. Nesta dissertação, a vazão

de água que chega às células da torre só varia em função da quantidade de bombas
que se encontram em funcionamento, i.e, em função da quantidade de chillers em
funcionamento. Já a vazão de ar em cada célula pode variar continuamente por
meio da variação da velocidade dos ventiladores; e
• Fatores climáticos, definidos pelas temperaturas externa e de bulbo úmido.
A temperatura externa influencia na carga térmica a ser atendida pelos chillers,

e a temperatura de bulbo úmido influencia na eficiência da troca térmica da torre, pois
representa a menor temperatura de saı́da possı́vel de ser atingida. Dessa forma, esta
dissertação tem por objetivo explorar algoritmos de otimização multiobjetivo com o intuito
de solucionar o problema composto pelos seguintes objetivos conflitantes:
• Maximização da efetividade a da torre de resfriamento; e
• Minimização do consumo de energia elétrica global do sistema de resfriamento.
Para tal, as variáveis de processo são coletadas em campo a partir da instrumenta-

ção já instalada nas torres de resfriamento. As condições climáticas locais são fornecidas
por uma estação meteorológica instalada e integrada ao sistema de resfriamento. Dessa
forma, com base nos dados do processo disponibilizados pelo sistema SCADA (Supervi-
sory Control and Data Aquisition) existente, as seguintes variáveis devem ser fornecidas
como entradas do sistema de otimização proposto:
• Quantidade de chillers que se encontram em funcionamento.
• Temperatura da água quente que chega à torre de resfriamento.
• Temperatura de bulbo úmido no local.

• Vazão da água que chega à torre de resfriamento.
• Vazão da água que deixa cada chiller.
Nesta dissertação, conforme indicado na Seção 5.2, são implementadas duas mo-
delagens distintas para o chiller de compressão, definidas, respectivamente, pelos fatores
ZCAP1 e ZCAP2 , utilizados na modelagem de seu consumo energético. A implementação
das duas modelagens foi idealizada no intuito de permitir dois cenários distintos para o
sistema de otimização, onde são consideradas diferentes variáveis de busca na implemen-
tação dos algoritmos de otimização, para, em seguida, compará-los, de modo a identificar
o melhor cenário para a aplicação da otimização multiobjetivo proposta. Os dois cenários
são definidos nesta dissertação como:
• Modelagem ZCAP1 : considera apenas ajuste na velocidade dos ventiladores da torre;
• Modelagem ZCAP2 : considera ajustes na velocidade dos ventiladores da torre e na

temperatura de água gelada de saı́da dos chillers.
Portanto, considerando a aplicação da Modelagem ZCAP1 , o sistema de otimização

deve fornecer como saı́da:
• O setpoint ótimo de velocidade dos ventiladores das torres de resfriamento.
Ainda mais, considerando a aplicação da Modelagem ZCAP2 , o sistema de otimização deve

fornecer como saı́da:
• O setpoint ótimo de velocidade dos ventiladores das torres de resfriamento; e
• O setpoint ótimo para a temperatura da água gelada disponibilizada pelos chillers.
Analisando previamente os cenários definidos, observa-se que a modelagem ZCAP1

apresenta como vantagem sobre a modelagem ZCAP2 o fato de possuir apenas uma va-
riável de busca, enquanto a última possui duas. No entanto, inicialmente, nada se pode
afirmar sobre a influência deste fato sobre os resultados a serem apresentados. Com este
estudo, objetiva-se verificar o impacto do incremento de uma variável de busca no tempo
demandado para o sistema de otimização fornecer a solução ótima do problema. Além
disso, serão comparados os resultados da economia de energia elétrica e da efetividade da
torre obtidas após a implementação das otimizações utilizando as duas modelagens.
2.3. DEFINIÇÃO DAS FUNÇÕES OBJETIVO 47
De acordo com as informações contidas neste Capı́tulo, percebe-se que uma torre
de resfriamento opera em conjunto com outros equipamentos. Dentre estes equipamentos,
os chillers representam o maior consumo energético. Uma vez que as bombas de circulação
de água de condensação e de água gelada operam sempre a uma velocidade fixa, a inclusão
destas no cálculo da energia elétrica global demandada pelo sistema de resfriamento não
proporciona qualquer vantagem, uma vez que objetiva-se avaliar a eficiência energética
obtida após aplicação dos algoritmos de otimização. Dessa forma, apenas os consumos
dos chillers e dos ventiladores da torre são considerados na implementação do sistema de
otimização energética proposto.
Como premissa para a implementação, considerou-se que os valores ótimos de
saı́da do sistema de otimização devem ser obtidos com base no melhor compromisso entre
os objetivos estabelecidos acima, respeitando-se os limites operacionais e as restrições
definidos para os equipamentos que compõem o sistema de refrigeração.
O objetivo é obter, a cada intervalo pré-definido de uma hora, o melhor setpoint de
velocidade para os ventiladores da torre e/ou o melhor setpoint de temperatura da água
gelada de saı́da do chiller, a depender do cenário considerado, i.e, da modelagem utilizada.
As simulações de otimização serão realizadas utilizando os algoritmos SPEA2, NSGA-II,
Micro-GA, MOPSO e MO-TRIBES, de modo a comparar os resultados obtidos por estes
para as duas modelagens, ZCAP1 e ZCAP2 , utilizando diferentes critérios de parada.
2.3 Definição das Funções Objetivo

As funções objetivo a serem utilizadas para a solução do problema proposto são duas:
• f1 : Maximizar a eficiência de troca térmica da torre de resfriamento;
• f2 : Minimizar o consumo de energia elétrica do sistema de resfriamento, o qual

é composto pelos seguintes equipamentos: ventiladores da torre de resfriamento,
chillers de compressão e bombas de elevação que levam a água dos chillers para a
torre de resfriamento.
Dentre os equipamentos que compõem o sistema de resfriamento considerado neste

trabalho, conforme descrito na Seção 2.2, apenas os ventiladores da torre permitem a
variação de velocidade, por meio da utilização de conversores de frequência. As bombas
de elevação e os chillers operam com velocidade fixa e igual à nominal. Dessa forma, como
2.4. DEFINIÇÃO DAS RESTRIÇÕES 48
as bombas da água de condensação não sofrem qualquer influência devido à variação de

velocidade dos ventiladores da torre, nem devido à variação da temperatura da água
que passa pelo chillers, tanto no condensador como no evaporador, a demanda energética
destas não será considerado na otimização. Portanto, a otimização levará em consideração
apenas a demanda de energia elétrica dos ventiladores e dos chillers.
Com isso, tem-se que a Equação 1 descreve a função objetivo f1 , referente à efici-
ência da troca térmica da torre de resfriamento. A Equação 2 descreve a função objetivo
f2 , referente à potência elétrica demandada pelo sistema composto pelos chillers e venti-
ladores da torre de resfriamento. Ou seja,
f1 = a (maximizar), (1)
f2 = n1 Pv + n2 Pchiller (minimizar), (2)
onde n1 e n2 são variáveis discretas, que representam, respectivamente, a quantidade de

ventiladores e chillers que deverão operar de modo a atender à demanda térmica solici-
tada e ao compromisso de menor consumo energético. Pv e Pchiller representam, respec-
tivamente, as potências elétricas demandadas pelos ventiladores e chillers. A quantidade
de ventiladores em operação corresponde à quantidade de células da torre necessárias
de modo a garantir seus limites operacionais. Após análise dos valores apresentados na
Tabela 2, e conforme exposto na Seção 2.2, tem-se que:
n1 = n2 + 1. (3)
2.4 Definição das Restrições

Algumas restrições operacionais relacionadas ao sistema de resfriamento considerado fo-
ram identificadas, as quais serão abordadas a seguir.
A primeira restrição g1 diz respeito ao menor valor possı́vel de ser atingido pela
temperatura de saı́da torre de resfriamento, o qual não pode ser inferior à temperatura
de bulbo úmido instantânea local devido à saturação do ar que deixa a torre após a
transferência de calor e massa com a água quente que chega à torre. A temperatura
de bulbo úmido varia ao longo do dia e pode ser calculada em função da temperatura
ambiente e da umidade relativa do ar. Portanto, tem-se que:
g1 : Tas ≥ TBU , (4)

2.4. DEFINIÇÃO DAS RESTRIÇÕES 49
onde Tas representa a temperatura da água de saı́da da torre de resfriamento e TBU

representa a temperatura de bulbo úmido.
A segunda restrição g2 diz respeito às condições operacionais do chiller considerado
neste trabalho. O fabricante do chiller estabelece em (YORK, 2009) uma restrição com
relação à diferença de temperatura entre a entrada e a saı́da de água do condensador. A
curva de surge do chiller é mostrada na Figura 10, onde é possı́vel observar duas zonas de
operação para o chiller: com ou sem surge. A operação na zona de surge do compressor do
chiller provoca uma série de inconvenientes, como vibrações e oscilações de carga, o que
gera desgaste em seus mecanismos e atuações indevidas da proteção elétrica associada
a sobrecarga. Além disso, há uma considerável redução do coeficiente de performance
(COP) do equipamento nesta condição de operação.
O COP (coeficiente de performance) de um chiller representa a relação entre a
capacidade de resfriamento (kWtérmico ) e a potência elétrica demandada (kWelétrico ) para
seu funcionamento.
Conforme indicado na Figura 10, o chiller, preferencialmente, deve operar na zona
abaixo da reta indicada. Ou seja, a reta indicada representa o limite máximo admissı́vel
para a diferença de temperatura entre a entrada e a saı́da de água no condensador em
função da carga do chiller.
ϴ͕Ϭ
ϳ͕Ϭ
Ϳ ϲ͕Ϭ
Σ; ZĞŐŝĆŽ ĂƐĞƌĞǀŝƚĂĚĂͲ ĐŽŵ ^ƵƌŐĞ
ƌŽ ϱ͕Ϭ
ĚĂ
ƐŶ
ĞĚ ϰ͕Ϭ
ŶŽ
Ͳ ϯ͕Ϭ
d
Ăƚů Ϯ͕Ϭ
Ğ
ZĞŐŝĆŽ ĚĞďŽĂ ƉĞƌĨŽƌŵĂŶĐĞ Ͳ ƐĞŵ^ƵƌŐĞ
ϭ͕Ϭ
Ϭ͕Ϭ
Ϭ ϮϬ ϰϬ ϲϬ ϴϬ ϭϬϬ
ĐĂƌŐĂĚŽĐŚŝůůĞƌ;йͿ
Figura 10: Regiões com ou sem surge do chiller.

g2 : ∆Tcond ≤ 7, 3ct − 0, 3, onde (5)
∆Tcond = Tae − Tas . (6)
Nas equações 5 e 6, Tae representa a temperatura da água que deixa o condensador

do chiller e parte em direção à torre de resfriamento, Tas representa a temperatura da
água que deixa a torre de resfriamento e parte em direção à entrada do condensador e ct
representa o fator de carga do chiller, onde ct ∈ [0,15 1].
Pode-se observar na Figura 10 que o fabricante não recomenda a operação do
chiller com carga abaixo de 15%, conforme indicado em (YORK, 2009). Portanto, esta é
a terceira restrição a ser considerada:
g3 : 15% ≤ ct% ≤ 100%. (7)
A quarta restrição diz respeito ao limite máximo da temperatura de entrada de

água na torre de resfriamento. Conforme indicado em (ALPINA, 2013), a temperatura no-
minal de projeto da torre de resfriamento corresponde a 36, 4◦ C. Portanto, temperaturas
acima deste valor devem ser evitadas, uma vez que o fabricante não garante o desempenho
da torre para temperaturas de entrada que ultrapassem o valor nominal. Dessa forma,
tem-se:
g4 : Tae ≤ 36, 4. (8)
Portanto, tem-se um total de quatro restrições a serem consideradas pelo sistema

de otimização multiobjetivo a ser implementado.

Neste capı́tulo foi apresentado o problema de otimização multiobjetivo proposto nesta
dissertação. Também foram definidos os equipamentos que compõem o sistema a ser oti-
mizado, assim como as funções objetivo e as restrições operacionais a serem consideradas.
No próximo capı́tulo serão introduzidas as técnicas aplicáveis à solução de proble-
mas multiobjetivo, assim como os algoritmos de otimização multiobjetivo escolhidos para
aplicação neste trabalho.
Capı́tulo 3
ALGORITMOS DE OTIMIZAÇÃO
MULTIOBJETIVO
C
OMO o trabalho proposto se trata de uma otimização energética que deve atender
a mais de um objetivo, este capı́tulo tem o objetivo de introduzir as técnicas de
solução de problemas de otimização multiobjetivo (POMs - Problemas de Otimização
Multiobjetivo), assim como os algoritmos de otimização que serão aplicados.
Os algoritmos a serem abordados implementam técnicas bio-inspiradas. Conforme
(YANG, 2010) e (CASTRO, 2006), os algoritmos bio-inspirados se dividem em: algoritmos
evolucionária e algoritmos de enxame. Para a solução do problema multiobjetivo proposto
nesta dissertação serão aplicados algoritmos evolucionários e algoritmos de enxame, de
modo a comparar seus resultados e desempenhos para a aplicação.
Neste capı́tulo também serão apresentadas as técnicas mais utilizados para a esco-
lha da solução ótima em problemas de otimização multiobjetivo.
3.1 Otimização Multiobjetivo

A otimização multiobjetivo pode ser definida como um processo que busca encontrar os
valores para um vetor de variáveis de decisão que satisfaçam às restrições pré-estabelecidas
e otimizem uma determinada aplicação, representada por uma ou mais funções objetivo.
Devido à existência de várias funções objetivo, o conceito de ótimo deixa de ser uma
solução simples e passa a ser representado como a tentativa de se obter bons compromissos
entre os diferentes objetivos (trade-offs). Dessa forma, não existe uma única solução
ótima (ou a melhor solução) para um determinado problema, mas sim, um conjunto
de soluções que representam os melhores compromissos, considerando-se os diferentes
objetivos estabelecidos por meio de funções objetivo.
3.1. OTIMIZAÇÃO MULTIOBJETIVO 52
Existindo um conjunto de soluções possı́veis que atendam às restrições pré-estabelecidas

e que tenham um bom compromisso entre as funções objetivo definidas, é necessário que
um tomador de decisões, baseado em informações preferenciais, selecione a solução a ser
adotada.
3.1.1 Definição de um Problema de Otimização Multiobjetivo
De acordo com (ZITZLER; THIELE, 1999a), um problema de otimização multiobjetivo

(POM) é definido por um conjunto de n variáveis de decisão, um conjunto de k funções
objetivo e m restrições. Considerando que o objetivo da otimização seja maximizar:
y = f (x) = (f1 (x), f2 (x), · · · , fk (x)), (9)
e que as restrições sejam
g(x) = (g1 (x), g2 (x), · · · , gm (x)) ≤ 0, (10)
em que, nas Equações (9) e (10), tem-se:
x = x1 , x2 , · · · , xn ∈ X, e (11)
y = y1 , y2 , · · · , yn ∈ Y, (12)
onde x é o vetor de decisão, y é o vetor objetivo, X é o espaço de decisão e Y é o espaço

objetivo, as restrições g determinam o conjunto de soluções factı́veis, ou seja, aquelas que
satisfazem todas as restrições e estão dentro dos limites do espaço de decisão de cada
variável. Caso contrário, a solução é denominada infactı́vel. O conjunto de todas as
soluções factı́veis é denominado região factı́vel, representado por Yf , o qual representa
a imagem do conjunto factı́vel Xf . A Figura 11 ilustra o conjunto de soluções factı́veis
encontrados para duas funções objetivo f1 e f2 .
3.1.2 Solução de um Problema de Otimização Multiobjetivo
De acordo com a Figura 11, percebe-se que, entre os pontos A, B, C, D e E apresentados,

a melhor solução corresponde ao ponto A, pois este representa o melhor compromisso
entre as duas funções objetivo f1 e f2 . Também é possı́vel observar que o ponto B supera
os pontos C e D em ambas as funções f1 e f2 . O ponto C supera o ponto D, pois, mesmo
sendo f2 (C) = f2 (D), verifica-se que f1 (C) > f1 (D).
Figura 11: Conjunto de soluções factı́veis.
Nos casos supracitados, a tomada de decisão é relativamente fácil. No entanto,

ao compararmos os pontos B e E, por exemplo, percebe-se que f1 (B) > f1 (E) e que
f2 (B) < f2 (E). Portanto, caso não haja qualquer outro critério de decisão, não há
solução melhor entre estes pontos, neste caso.
Nesse contexto, surgem as primeiras abordagens da noção de ótimo, originalmente
propostas por Edgeworth, em 1881. Em seguida, a noção de ótimo foi generalizada por
Vilfredo Pareto, em 1896, passando a ser comumente conhecida como Pareto-ótimo (ou
Pareto-optimum). De acordo com (COELLO, 1996), esta última foi a noção do ótimo mais
aceita para a solução de problemas de otimização multiobjetivo.
3.1.2.1 Dominância de Pareto
No conceito de dominância de Pareto, duas soluções são comparadas e classificadas, con-

forme Equações 13–15, onde, para i = 1, · · · , n objetivos:
Se fi (a) > fi (b), logo, a b (a domina b), (13)
se fi (a) ≥ fi (b), e ∃ j ∈ [1, n] ; fj (a) = fj (b), logo, a b (a domina fracamente b), (14)
se fi (a) ≤ fi (b), e ∃ j ∈ [1, n] ; fj (a) < fj (b), logo, a ∼ b (a é indiferente a b), (15)
onde a e b são soluções factı́veis do problema multiobjetivo. Note que as definições acima
são análogas para os problemas de minimização. A dominância entre as soluções é es-
tabelecida após comparação dos resultados obtidos com a aplicação destas em todas as
funções objetivo f definidas no problema.
Dessa forma, utilizando a Figura 11 como base, e utilizando as definições descritas

acima, obtém-se a Figura 12, onde podem ser observados os pontos que são dominados
pelo ponto B, assim como os pontos que dominam o ponto B. Também são apresentados
os pontos que são indiferentes a B. Observa-se que a solução representada pelo ponto A
é a única que não é dominada por nenhuma das outras soluções no espaço objetivo. Tais
soluções são denominadas soluções Pareto-ótimas.
Figura 12: Soluções dominadas e não-dominadas pelo ponto B.
3.1.2.2 Otimalidade de Pareto
Dado um conjunto finito X de soluções factı́veis, e a partir da comparação par a par

entre seus elementos, pode-se encontrar quais soluções são dominadas e quais soluções são
não-dominadas entre si. Assim, é possı́vel obter-se um conjunto XP contendo todas as
soluções não-dominadas, ou seja, as soluções que não são dominadas por nenhuma outra
no espaço factı́vel Xf . O conjunto não-dominado também é chamado de conjunto Pareto-
ótimo. A partir do conjunto Pareto-ótimo dado por XP , obtém-se a frente ou fronteira
de Pareto, definida por YP = f (XP ).
Os pontos tracejados na Figura 11 representam as soluções Pareto-ótimas, as quais
são indiferentes entre si. As soluções Pareto-ótimas apresentam o melhor compromisso
com as funções objetivo definidas. A fronteira de Pareto é formada pelo conjunto de todos
os vetores objetivo obtidos a partir do conjunto Pareto-ótimo.
Dessa forma, a partir dos conjuntos Pareto-ótimo e da fronteira de Pareto, deve-se
estabelecer um procedimento para escolher a melhor solução para a aplicação. A tarefa
3.2. ALGORITMOS EVOLUCIONÁRIOS 55
de escolha da solução ótima depende do estabelecimento de critérios e regras a serem

definidas em função da especificidade da aplicação, o que não é uma tarefa fácil.
3.1.2.3 Técnicas de Escolha da Solução Ótima
De acordo com (DEB, 2001), há duas técnicas básicas de tomada de decisão em problemas
de otimização multiobjetivo. A primeira técnica, conhecida como otimização multiobje-
tivo ideal, utiliza informações qualitativas de alto nı́vel, e a decisão sobre a melhor solução
é realizada com base em informações ou critérios previamente estabelecidos pelo usuário.
Já a segunda técnica, baseada em preferência, considera que a melhor solução é obtida
atribuindo-se pesos a cada objetivo, os quais devem ser proporcionais aos fatores de pre-
ferência atribuı́dos a cada objetivo. É importante observar que na técnica ideal escolhe-se
um valor dentre as soluções obtidas pelo algoritmo, enquanto que na técnica baseada em
preferência obtém-se um novo valor para a solução do problema.
3.2 Algoritmos Evolucionários

O processo de evolução em Algoritmos Evolucionários pode ser visto como a busca, no
conjunto de possı́veis sequências de genes, daqueles que correspondam aos melhores indi-
vı́duos, ou seja, às melhores soluções, para um dado problema.
A regra básica é que as espécies devem evoluir por meio da seleção natural. Dessa
forma, prevalecem as caracterı́sticas favoráveis e as caracterı́sticas prejudiciais são des-
cartadas, uma vez que os indivı́duos com maior aptidão, por menor que esta seja, terão
maior probabilidade de sobreviver e procriar sua espécie.
Inspirados nos mecanismos de evolução natural, foram implementados diversos
tipos de sistemas evolutivos, de forma independente, com base nos vários mecanismos ve-
rificados na evolução natural das espécies, com foco na solução de problemas complexos.
Dentre os algoritmos propostos desde então, tem-se os Algoritmos Genéticos (AGs), pro-
postos por John Holland, em 1962, a Programação Evolutiva (PE), proposta por Fogel,
em 1962, as Estratégias Evolucionárias (EE), desenvolvidas por Rechemberg-Schwefel, em
1964, e a Programação Genética (PG), proposta por John Koza no inı́cio dos anos 90.
3.2.1 Algoritmos Genéticos
Os Algoritmos Genéticos (AGs) representam uma das técnicas de otimização inspirados

nos mecanismos de evolução populacional de seres vivos. A solução dos problemas de
otimização ocorre por meio de um processo adaptativo evolucionário, simulando os me-
canismos de adaptação natural e sobrevivência dos melhores indivı́duos de cada espécie,
conforme ocorre na natureza.
Os AGs iniciam o processo gerando aleatoriamente uma população inicial, contendo
as possı́veis soluções iniciais para o problema. Cada indivı́duo, denominado cromossomo,
constitui uma possı́vel representação completa de uma solução para o problema. Dessa
forma, pode-se associar o cromossomo a uma estrutura de dados, cujos elementos são
denominados genes, os quais representam as caracterı́sticas de uma solução, podendo ser
representados de forma binária, inteira ou real.
As operações básicas do Algoritmo Genético são: seleção, reprodução, cruzamento
e mutação. A cada nova geração (iteração), novos cromossomos filhos são gerados a partir
da combinação de dois cromossomos pais (pertencentes à geração/iteração anterior). Para
tal, são utilizados os operadores genéticos de cruzamento (ou recombinação) e mutação
(dada por uma modificação eventual dos genes). Após várias iterações controladas por
um critério de parada pré-definido, espera-se que o algoritmo convirja para uma solução
pseudo-ótima do problema. O Algoritmo 1 descreve os passos principais do mecanismo
básico do Algoritmo Genético, onde i representa cada indivı́duo, tamP representa o ta-
manho da população, itermax representa a quantidade máxima de iterações como critério
de parada (pode-se utilizar qualquer outro critério), P0 representa a população inicial, e
P representa a população ao longo das iterações.
No entanto, é possı́vel que o melhor indivı́duo de uma determinada população não
produza um novo descendente (offspring) com bom desempenho para a próxima geração
após os processos de recombinação e mutação. Dessa forma, introduziu-se o conceito de
elitismo, que se baseia no armazenamento e transferência do melhor indivı́duo de uma
geração para a seguinte, sem alterações. Em geral, a solução ótima é encontrada mais
rapidamente no AG com elitismo do que no AG sem elitismo (ZITZLER; DEB; THIELE,
2000).
A cada solução é associada uma aptidão (fitness), que pode ser definida como um
valor numérico que representa o grau de atendimento à solução do problema. Esta função
Algoritmo 1 Pseudocódigo do Algoritmo Genético.

entrada tamP , itermax
saı́da solução
1: inicialização randômica da população inicial P0
2: avalia f (i) (fitness)
3: iter := 0 (inicializa o número de iterações)
4: repita
5: para i := 0 → tamP faça
6: Seleção
7: Recombinação
8: Mutação
9: avalia f (i) (fitness)
10: fim para
11: iter := iter + 1
12: até iter = itermax (critério de parada)
13: solução := indivı́duo com melhor fitness pertencente a P
tem um papel crucial no sucesso ou não da convergência do Algoritmo Genético, e deve

ser especı́fica para cada aplicação em particular.
O processo de seleção tem por objetivo selecionar os melhores indivı́duos para a
reprodução, e baseia-se na aptidão dos indivı́duos, onde os mais aptos possuem maior
probabilidade de serem escolhidos para a reprodução.
Os indivı́duos selecionados para compor a população seguinte (a qual representa
uma nova geração de indivı́duos) são combinados por meio do operador cruzamento, onde
os pares de indivı́duos a serem combinados são escolhidos aleatoriamente, gerando-se novos
indivı́duos a partir do material genético dos pais. Os descendentes são diferentes, porém,
com caracterı́sticas genéticas dos pais.
Posteriormente à operação de cruzamento, os indivı́duos são submetidos à operação
de mutação, onde, com base na probabilidade de mutação pré-definida, o conteúdo de uma
determinada posição do cromossomo (que representa o indivı́duo) é alterado.
3.2.2 Algoritmos Evolucionários Multiobjetivo
A utilização de algoritmos evolucionários como possı́vel técnica para a solução de POMs foi
proposta originalmente por (ROSEMBERG, 1967). A partir de então, a primeira tentativa
real de implementação de algoritmos evolucionários na resolução de POMs foi realizada por
(SCHAFFER, 1984). O algoritmo desenvolvido por Schaffer foi o VEGA (Vector Evaluated
Genetic Algorithm).
No entanto, a utilização da noção de ótimo baseada nos conceitos de Pareto só foi
introduzida nos algoritmos evolucionários a partir da década de 90, conforme pode ser
visto em (FONSECA; FLEMING, 1995), (VELDHUIZEN, 1999) e (ZITZLER; THIELE, 1999a).
De acordo com (FONSECA; FLEMING, 1995), os algoritmos evolucionários multiob-
jetivo podem ser classificados em: Técnicas de Funções Agregadas, Técnicas não Baseadas
no Conceito de Pareto e Técnicas Baseadas no Conceito de Pareto.
Como este trabalho tem como objetivo a utilização de técnicas baseadas no Con-
ceito de Pareto, as demais técnicas serão introduzidas de forma bem sucinta.
3.2.2.1 Técnicas de Funções Agregadas
As técnicas de funções agregadas são utilizadas no intuito de obter-se um único ponto

da fronteira de Pareto para problemas multiobjetivo a partir da combinação das várias
funções objetivo em uma única função global. A combinação das funções objetivo é
realizada através da atribuição de operadores de agregação, de forma a transformar um
problema multiobjetivo em um problema de único objetivo, o que é bastante prático. No
entanto, geralmente é difı́cil definir-se os operadores de agregação adequados. Dependendo
das caracterı́sticas do problema de otimização, alguns operadores de agregação podem
levar a uma convergência prematura da solução (NEDJAH; MOURELLE, 2005). A soma
ponderada é o operador de agregação mais utilizado. Como exemplo desta técnica, têm-
se o algoritmo MOEA/D, proposto em (ZHANG; LI, 2007), o qual decompõe um problema
de otimização multiobjetivo em uma combinação escalar de subproblemas e os otimiza.
3.2.2.2 Técnicas não Baseadas no Conceito de Pareto
São técnicas que não incorporam de forma direta os conceitos de dominância e otimali-
dade de Pareto. De acordo com (CHEUNG et al., 2003), estes algoritmos consideram cada
objetivo individualmente e fornecem soluções múltiplas em uma única simulação, a partir
de várias combinações lineares das funções objetivo. Devido a este fato, sugere-se que sua
utilização seja restrita a aplicações limitadas a até três funções objetivo. As principais
técnicas representantes deste grupo são: VEGA (Vector Evaluated Genetic Algorithm),
Ordenamento Lexicográfico e a Teoria dos Jogos.
3.2.2.3 Técnicas Baseadas no Conceito de Pareto
A utilização do conceito de Pareto foi incorporada aos algoritmos evolucionários devido

às limitações apresentadas pelo algoritmo VEGA na solução de determinados problemas
de otimização multiobjetivo. De acordo com (GOLDBERG, 1989a), a seleção de indivı́duos
baseado no conceito de não-dominância proporciona uma convergência mais rápida para
problemas multiobjetivo. Estas técnicas se baseiam em um processo iterativo de hierar-
quização total e/ou parcial da população, de modo a manter sempre os indivı́duos mais
aptos e preservando a diversidade, evitando-se a convergência para os ótimos locais.
As técnicas baseadas no conceito de Pareto podem ser classificadas em técnicas
não-elitistas e técnicas elitistas. MOGA (Multiple Objective Genetic Algorithm), NSGA
(Non-Dominated Sorting Genetic Algorithm), NPGA e NPGA-II (Niched Pareto Genetic
Algorithm II) são exemplos de técnicas não elitistas.
PAES (Pareto Archived Evolution Strategy), M-PAES (Mimetic Pareto Archived
Evolution Strategy), PESA, PESA-II (Pareto Envelope-Based Selection Algorithm II),
SPEA, SPEA2 (Strength Pareto Evolutionary Algorithm 2), NSGA-II (Non-Dominated
Sorting Genetic Algorithm II), MOMGA e MOMGA-II (Multiobjective Messy Genetic
Algorithm II) são exemplos de técnicas elitistas.
De acordo com (LAUMANNS et al., 2002), a implementação do elitismo em algorit-
mos genéticos pode acelerar significativamente o desempenho, prevenindo contra a perda
prematura de boas soluções, conforme resultados apresentados em (ZITZLER; THIELE,
1999a) e (RUDOLPH, 1999). A primeira abordagem utilizando o elitismo foi o SPEA em
(ZITZLER; THIELE, 1998). Em seguida, surgiram o PESA (CORNE; KNOWLES; OATES,
2000), o PAES (KNOWLES; CORNE, 2000), o MOMGA (VELDHUIZEN; LAMONT, 2000) e o
NSGA-II (DEB et al., 2000). Em seguida, verificou-se a utilização sistemática do elitismo.
O elitismo desde então passou a ser implementado em diversas aplicações de enge-
nharia, e é considerado uma boa prática, principalmente por garantir a manutenção dos
melhores indivı́duos, ou seja, das melhores soluções, ao longo das gerações. As soluções
obtidas por meio da utilização do elitismo nos algoritmos são, portanto, consideradas mais
seguras em termos operacionais. Um sistema de apoio à decisão que realiza a alteração
de ajustes (ou setpoints), no sentido de otimizar a operação e, consequentemente, o con-
sumo energético de uma planta de processos industriais, nunca deve descartar os melhores
ajustes previamente obtidos.
Em (COELLO; PULIDO, 2001) propõe-se o Micro-GA, o qual utiliza uma população

extremamente pequena e um processo de reinicialização para a solução de problemas
de otimização multiobjetivo. Em (PULIDO; COELLO, 2003) propõe-se o Micro-GA2 como
melhoramento, o qual considera a implementação de parâmetros auto adaptativos. Possui
dois estágios: exploration e exploitation. A diferença entre estes está nos pesos associados
aos processos de mutação e recombinação. No estágio de exploration, a mutação domina;
já no estágio de exploitation, a recombinação domina.
Em (COCHRAN; HORNG; FOWLER, 2003) propõe-se o MPGA (Multi-Population
Genetic Algorithm), o qual considera a utilização de dois estágios: o primeiro baseado
no algoritmo MOGA; o segundo, baseado no algoritmo VEGA. No segundo estágio, a
população é dividida em subpopulações, cada uma dedicada à busca de soluções para um
dos objetivos definidos.
Em (COELLO; BECERRA, 2000) propõe-se o CAEP (Cultural Algorithm with Evolu-
tionary Programming), o qual implementa o processo em duas etapas: macro evolucionária
e micro evolucionária.
Em 2004, Knowles propõe o ParEGO (Pareto Efficient Global Optimization) (KNO-
WLES, 2000). Este algoritmo foi desenvolvido para operar com poucas avaliações de fitness
(em torno de 100 a 300 iterações).
Em (ZITZLER; KÜNZLI, 2004) é proposto o IBEA (Indicator-Based Selection in
Multiobjective Search), o qual define o objetivo da otimização em termos de um indicador
binário de desempenho para direcionar o processo de busca. No caso, o IBEA integra a in-
formação de preferência do usuário no processo de busca utilizando indicadores arbitrários,
e não requer qualquer mecanismo adicional de preservação da diversidade. Em (ZITZLER;
KÜNZLI, 2004), o IBEA é comparado aos algoritmos NSGA-II e SPEA2, apresentando
resultados superiores em seis dos oito problemas benchmark considerados.
Em (BADER; ZITZLER, 2011) é proposto o HyPE (Hypervolume Estimation Al-
gorithm for Multiobjective Optimization), o qual utiliza um indicador de hipervolume
como métrica da qualidade da dominância de Pareto, onde sempre que um conjunto de
soluções-ótimas Pareto inteiramente dominar outro, tem-se que um melhor indicador.
Este algoritmo utiliza a simulação de Monte Carlo para aproximar os valores exatos de
hipervolume. No caso, os valores reais dos indicadores não são importantes, mas sim a
ordenação das soluções induzidas pelo indicador de hipervolume.
Em 2011, surge um método denominado GSEA (Grid Selection Evolutionary Algo-

rithm), o qual apresenta um bom desempenho em termos de tempo de convergência e com
desempenho global equiparado ao NSGA-II e SPEA2. No entanto, há poucos registros de
aplicações desse método comparado aos demais.
De acordo com (KHARE; YAO; DEB, 2003) e (WAGNER; BEUME; NAUJOKS, 2007), a
maioria dos algoritmos que utilizam o conceito de Pareto, incluindo o SPEA2 e o NSGA-
II, apresentam perda significativa de desempenho em aplicações com mais do que três
objetivos. Com isso, (YANG et al., 2013) apresentaram o GrEA (Grid-Based Evolutio-
nary Algorithm) para aplicações em otimização que envolvem uma quantidade elevada de
objetivos, obtendo resultados promissores.
Mais recentemente, alguns algoritmos elitistas para POMs foram apresentados
pela comunidade cientı́fica como melhoramentos para alguns dos métodos já consagrados,
tais como SPEA2, NSGA-II e PESA-II, como o SPEA2+ (Improved Strength Pareto
Evolutionary Algorithm) (KIM et al., 2004), o Chaotic-NSGA-II (GUO et al., 2010), o IPESA-
II (Improved Pareto Envelope-Based Selection Algorithm II) (LI et al., 2013), e o NSGA-III
(DEB; JAIN, 2014). Entretanto, ainda não há registros de uma quantidade significativa
de aplicações destes algoritmos. A proposta destes métodos melhorados é a obtenção de
maior diversidade e maior velocidade de convergência, de modo a solucionar problemas
extremamente complexos.
Dentre os algoritmos propostos mais recentemente, destaca-se o NSGA-III, o qual
se trata de um melhoramento do NSGA-II para aplicações com muitos objetivos (a partir
de quatro objetivos). Este algoritmo é baseado no conceito de ponto de referência, en-
fatizando os indivı́duos não-dominados próximos a um conjunto de pontos de referência
fornecidos e atualizados ao longo das iterações. Dessa forma, a manutenção da diversi-
dade é obtida por meio da atualização adaptativa dos pontos de referência distribuı́dos no
espaço de busca. No NSGA-III, substituiu-se o operador de crowding distance utilizado
no NSGA-II pelo operador de clustering, o qual opera com base nos pontos de referência
distribuı́dos. Em (DEB; JAIN, 2014), o NSGA-III é comparado ao algoritmo MOEA/D,
apresentados resultados satisfatórios. Algumas propostas de melhoria do NSGA-III fo-
ram propostas em (JAIN; DEB, 2014), (YUAN; XU; WANG, 2014), e em (SEADA; DEB, 2015),
onde é proposto o U-NSGA-III. Até o momento, o SPEA2 e o NSGA-II são os métodos
mais aplicados para a solução de POMs, inclusive, em aplicações de engenharia.
3.3. INTELIGÊNCIA DE ENXAMES 62
3.3 Inteligência de Enxames

A inteligência de enxame é uma técnica de inteligência computacional que estuda o com-
portamento coletivo de agentes descentralizados. Tais agentes, fazendo analogia à natu-
reza, se tratam de indivı́duos integrantes de uma população, os quais interagem localmente
uns com os outros e também com o ambiente para a geração de soluções de um determi-
nado problema (WHITE; PAGUREK, 1998).
A terminologia swarm intelligence foi proposta inicialmente por (BENI, 1988), no
fim da década de 80, e utilizada em aplicações que têm por objetivo resolver problemas de
sistemas auto-organizados, utilizando células de trabalho robotizadas, visando ao desen-
volvimento de máquinas com inteligência distribuı́da, com capacidades adaptativas e de
auto-organização. Posteriormente, este conceito passou a ser aplicado não apenas a siste-
mas robóticos, mas também a algoritmos baseados no comportamento social de espécies
animais, no intuito de reproduzir a maneira como estas interagem entre si e com o meio
externo para a solução de problemas.
A inteligência pode ser interpretada como a capacidade para a adaptação e a so-
brevivência, tanto para humanos como para a maioria das espécies animais. Os seres
humanos e algumas espécies de animais mais desenvolvidas utilizam a inteligência in-
dividual, fruto da capacidade de raciocı́nio pertinente a cada indivı́duo. Já os insetos,
anticorpos e grupos de bactérias, tomam decisões baseadas nas iterações sociais para co-
leta de informações, o que caracteriza uma inteligência distribuı́da. No caso, embora estes
indivı́duos possuam pouca capacidade de raciocı́nio para a realização de tarefas comple-
xas, a alta capacidade de auto-organização e troca de informações permite a sobrevivência
e o alcance de objetivos comuns (WHITE; PAGUREK, 1998).
Em (HOFFMEYER, 1997), é apresentada a definição de enxame como um con-
junto de agentes (móveis) capazes de se comunicar entre si, diretamente ou indiretamente
(agindo no meio ambiente), resolvendo coletivamente um problema distribuı́do.
Nos modelos computacionais baseados em inteligência de enxame, o termo enxame
pode ser interpretado como qualquer tipo de comportamento coletivo. Dessa forma, o
conceito de enxame pode ser aplicado em espaços em que as colisões entre os agentes
(ocupação do mesmo espaço, no mesmo instante) não tem maiores impactos negativos,
como poderia acontecer no mundo natural. No caso, uma colisão pode ser entendida como
uma convergência, mantendo um significado probabilı́stico (BERGH, 2001).
Diversos algoritmos que imitam o comportamento social têm sido propostos e

aplicados para a solução de problemas de otimização (YANG, 2010). Dentre estes, podem
ser citados: ACO (Ant Colony Optimization), BCO (Bee Colony Optimization), PSO
(Particle Swarm Optimization), FA (Firefly Algorithm) e BA (Bat Algorithm).
De acordo com (MILLONAS, 1994) e (EBERHART; SIMPSON; DOBBINS, 1996), os
cinco princı́pios básicos da inteligência de enxames são:
• Proximidade: o enxame deve considerar o espaço simples e possuir uma referência

de tempo;
• Qualidade: o enxame precisa responder aos fatores qualitativos do ambiente;
• Resposta diversificada: o enxame não pode comprometer-se explorando caminhos

muito especı́ficos;
• Estabilidade: o enxame não deve alterar seu comportamento a cada alteração do

ambiente;
• Adaptação: o enxame deve ser capaz de alterar o seu comportamento caso o custo
computacional seja proibitivo.
3.3.1 Otimização por Enxame de Partı́culas
O algoritmo PSO se trata de uma técnica de otimização estocástica proposta por Kennedy
e Eberhart em 1995, desenvolvida com base no comportamento social de cardumes de
peixes e bandos de aves na procura de alimento. As primeira simulações computacionais
do comportamento social com base no voo sincronizado de aves foram reportados em
(REYNOLDS, 1987) e (HEPPNER; GRENANDER, 1990).
No PSO, a população é chamada de enxame, e cada indivı́duo i é chamado de
partı́cula. A posição xi de uma partı́cula no espaço de busca representa uma possı́vel
solução para o problema de otimização. O termo partı́cula é utilizado no sentido de
que os indivı́duos de um enxame são representados por pontos sem massa e sem volume,
portanto, representados apenas por suas coordenadas no espaço de busca.
Cada partı́cula i possui uma velocidade vi definida aleatoriamente no inı́cio do
processo, a qual permite que as partı́culas se movimentem pelo espaço de busca definido.
A movimentação de cada partı́cula do enxame permite a exploração do espaço de busca de
modo a obter a posição ou coordenada que representa a melhor solução para o problema.
Cada partı́cula tem sua aptidão fitness avaliada com base na função objetivo defi-
nida, por meio da qual armazena a posição do melhor valor de aptidão obtido, por meio
de sua percepção individual (memória individual) e pela percepção do enxame (memória
coletiva). A memória individual permite que cada partı́cula i lembre a posição yi (tam-
bém denominada pbesti - personal best) em que esta encontrou o melhor valor de aptidão
individual, assim como a memória coletiva permite que as partı́culas lembrem a posição
yS (também denominada gbest - global best) em que o enxame encontrou o melhor valor
global de aptidão.
A cada iteração, a velocidade vi de cada partı́cula i é atualizada na busca por pon-
tos que possuam melhores aptidões. A modificação da velocidade das partı́culas também
está associada a uma componente randômica, de modo a garantir diversidade e evitar a
convergência precoce para ótimos locais.
Considerando um espaço de busca N-dimensional e um enxame com S partı́culas,
a posição da i-ésima partı́cula na j-ésima dimensão é dada por:
xt+1 t t+1
ij = xij + vij ; 1≤i≤S e 1 ≤ j ≤ N, (16)
onde
vijt+1 = wvijt + c1 r1j
t
(yijt − xtij ) + c2 r2j
t t
(ySj − xtij ), (17)
em que r1j e r2j são valores aleatórios utilizados para representar a natureza estocástica
do algoritmo, mantendo a diversidade da população. As sequências r1j e r2j são definidas
com valores reais entre 0 e 1. O termo yij representa a melhor posição individual da
i-ésima partı́cula na j-ésima dimensão, e o termo ySj representa a melhor posição global
do enxame na j-ésima dimensão. A Equação 17 implementa a topologia estrela para o
algoritmo PSO. Os termos c1 e c2 representam os coeficientes de aceleração e exercem
influência no tamanho do passo máximo que uma partı́cula pode dar em uma iteração. O
coeficiente c1 , em particular, é chamado de coeficiente cognitivo; o coeficiente c2 é chamado
de coeficiente social. O comportamento do PSO muda radicalmente com a modificação
destes coeficientes. Valores elevados para c1 indicam partı́culas com elevada autoconfiança,
enquanto valores elevados para c2 proporcionam maior confiança no enxame (BERGH,
2001). Em (KENNEDY, 1998), sugere-se considerar inicialmente c1 = c2 = 2. Já em
(CARLISLE; DOZIER, 2001), sugere-se a escolha de c1 ≥ c2 , respeitando-se a premissa de
que c1 + c2 ≤ 4. Ainda na Equação 17, o coeficiente w representa o fator de inércia, o
qual determina o quanto a velocidade anterior da partı́cula influencia na velocidade atual,

equivalendo a uma estimativa do nı́vel de autoconfiança da partı́cula.
As velocidades vij estão limitadas ao intervalo [−vmax , vmax ], de modo a evitar
que as partı́culas abandonem o espaço de busca. O estabelecimento de limites máximo e
mı́nimo para a velocidade das partı́culas se mostrou imprescindı́vel para obter-se um bom
desempenho do algoritmo, pois para valores elevados de velocidade as partı́culas passam
pelas boas posições sem as considerar, provocando uma instabilidade no algoritmo. Já
para valores baixos de velocidade ocorre uma busca ineficiente no espaço a ser explorado.
Segundo (ANGELINE, 1998), a falta de um mecanismo de controle para a velocidade no
PSO padrão resulta em uma baixa eficiência do algoritmo quando comparado às técnicas
de computação evolutiva.
O coeficiente de inércia w, proposto por (SHI; EBERHART, 1998), regula o compro-
misso entre as buscas local e global no espaço de busca definido. Valores elevados para
w (próximos a 1) facilitam a busca global, enquanto valores mais baixos (inferiores a 1)
favorecem a busca local. O correto ajuste deste parâmetro resulta em uma convergência
mais rápida para o algoritmo. Resultados mais satisfatórios são atingidos considerando-se
um valor maior de w no inı́cio da busca, promovendo a exploração em um espaço mais
amplo, seguido da gradual redução do valor de w, de modo à realização de buscas locais
mais precisas (SHI; EBERHART, 1998). Sugere-se iniciar a busca com w = 1, 2, com gra-
dual redução de 0, 9 a 0, 4 durante o tempo de execução do algoritmo. O algoritmo PSO
implementado com a utilização do fator de inércia é conhecido como PSO canônico.
A sequência de passos do PSO é indicada no Algoritmo 2, onde tamS representa
o tamanho do enxame de partı́culas, iter representa a iteração atual e itermax representa
número máximo de iterações. No caso, no passo 10 (atualização de vi ), considera-se a
atualização dinâmica de w ao longo das iterações, conforme proposto por (SHI; EBERHART,
1998).
3.3.2 Algoritmos de Enxame de Partı́culas Multiobjetivo
A seguir serão apresentados os algoritmos de enxame com abordagem multiobjetivo ve-

rificados na literatura. De acordo com (REYES-SIERRA; COELLO, 2006) estes podem ser
classificados com base em sua estratégia de obtenção da solução ótima em: técnicas de
funções agregadas, ordenação lexicográfica, técnicas baseadas em subpopulações, técnicas
Algoritmo 2 Pseudocódigo do algoritmo PSO.

entrada tamS ,vmax ,itermax
saı́da gbest
1: para i := 0 → tamS faça
2: gera Si de forma randômica
3: inicia vi de forma randômica, com vi ≤ vmax
4: avalia fitness
5: obtém pbesti
6: obtém gbest
7: fim para;
8: repita
9: para i := 0 → tamS faça
10: atualiza vi
11: xti := xit−1 + vit
12: avalia f itness := f (xi )
13: se f itness < f (pbesti ) então
14: pbesti := xi
15: se f (gbest) < f (pbesti ) então
16: gbest := xi
17: fim se
18: fim se
19: fim para;
20: até iter = itermax (critério de parada)
baseadas no conceito de Pareto e técnicas combinadas, as quais não são apresentadas

neste trabalho, pois fogem do escopo da aplicação proposta.
3.3.2.1 Técnicas de Funções Agregadas
Nesta categoria encontram-se as abordagens onde são estabelecidos pesos para cada ob-
jetivo, transformando o problema em uma otimização de uma função objetivo global
composto pela soma ponderada dos objetivos.
Em (PARSOPOULOS; VRAHATIS, 2002) propõe-se um algoritmo que adota três tipos
de funções de agregação: a primeira se trata de uma função de agregação linear onde os
pesos são fixos durante o processo; a segunda, considera uma função de agregação dinâ-
mica, portanto os pesos são modificados durante o processo; já a terceira, se trata de uma
abordagem denominada bang bang weighted aggregation, onde os pesos são gradualmente
modificados durante o processo. Adota-se uma topologia do tipo estrela.
Em (BAUMGARTNER; MAGELE; RENHART, 2004) propõe-se uma abordagem que
utiliza função de agregação linear em uma topologia do tipo estrela. O enxame é dividido
em vários sub-enxames, onde cada sub-enxame possui um conjunto de pesos distintos
para cada objetivo. Dessa forma, tem-se uma diversidade de parâmetros aplicados no
enxame, permitindo dinâmicas diferentes para cada sub-enxame durante o processo de
busca da solução. Esta abordagem adota uma técnica baseada no cálculo de gradiente
para identificar as soluções-ótimas Pareto.
No Algoritmo FA Firefly Algorithm, desenvolvido por Xin-She Yang em 2007, a
solução de problemas multiobjetivo é realizada através da agregação das funções objetivo
em uma única função global (YANG, 2013). Este algoritmo baseia-se na movimentação de
um enxame de vaga-lumes no espaço de busca, utilizando como mecanismo de movimen-
tação a atratividade entre os vaga-lumes. Cada vaga-lume emite um determinado brilho,
o qual está diretamente relacionado à avaliação da função objetivo. Um vaga-lume com
menor brilho tende a se movimentar em direção ao vaga-lume com maior brilho. Caso
um determinado vaga-lume não encontre outro com brilho superior ao seu, este deve se
mover randomicamente no espaço de busca.
Em (YAGMAHAN; YENISEY, 2010) propõe-se o algoritmo MOACSA (Multiobjective
Ant Colony System Based on ACS) para a solução de um problema de cronograma de
fluxo de compras envolvendo dois objetivos conflitantes.
3.3.2.2 Ordenação Lexicográfica
Neste método, estabelece-se uma regra de preferência entre os objetivos com base nos
graus de importância e prioridade estabelecidos entre estes. Assim, com base na ordenação
de prioridades definida, obtêm-se as soluções ótimas para cada objetivo separadamente,
iniciando pelo objetivo mais prioritário. Este tipo de implementação só se mostra eficaz
com até duas ou três funções objetivo, e é bastante sensı́vel a diferentes ordenações das
funções objetivo.
Uma das primeiras versões do MOPSO (Multiobjective Particle Swarm Optimiza-
tion) foi proposta em (HU; EBERHART, 2002), onde considera-se a utilização da ordena-
ção lexicográfica como técnica para a solução de problemas multiobjetivo. Já em (HU;
EBERHART, 2003), introduz-se a utilização de um arquivo externo intitulado extensão da
memória, que tem por objetivo armazenar as soluções não-dominadas obtidas, reduzindo o
tempo de convergência do algoritmo, assim como outras melhorias para a primeira versão.
3.3.2.3 Técnicas Baseadas em Subpopulações
Existem duas abordagens para a aplicação desta técnica no intuito de solucionar problemas
multiobjetivo, descritas como:
• Abordagem 1: utilização de vários sub-enxames para cada objetivo, de modo que

as populações trocam informações entre si. Dessa forma, cada sub-enxame tenta
otimizar um objetivo em particular.
• Abordagem 2: utilização de várias sub-enxames no intuito de explorar mais efi-

cientemente o espaço de busca. As subpopulações tentam obter as posições que
representam o melhor compromisso entre os objetivos definidos. Os sub-enxames
trocam informações entre si, de modo a convergirem para a melhor solução.
Considerando a utilização da primeira abordagem citada acima, em (PARSOPOU-

LOS; TASOULIS; VRAHATIS, 2004) introduz-se o VEPSO (Vector Evaluated Particle Swarm
Evaluation), o qual implementa duas possı́veis formas de solução do problema multiob-
jetivo: a primeira, utilizando a técnica de funções agregadas (onde são definidos pesos
distintos para cada objetivo, transformando o problema em uma otimização de um ob-
jetivo global composto pela soma ponderada dos objetivos), e a segunda, utilizando o
conceito de Pareto. Divide-se o enxame em dois grupos de partı́culas (um para cada obje-
tivo). A melhor partı́cula do segundo grupo é utilizada para determinar a velocidade das
partı́culas no primeiro grupo, e vice-versa. A desvantagem deste método é que só pode
ser aplicado a problemas com, no máximo, dois objetivos conflitantes.
Ainda com base na primeira abordagem, (CHOW; TSUI, 2004) propõe o algoritmo
Multi-Species PSO, onde são criados vários subgrupos, sendo um para cada objetivo a ser
otimizado. Cada grupo informa aos demais suas melhores posição e velocidade já encon-
tradas, as quais correspondem ao melhor atendimento ao objetivo global definido. Este
algoritmo considera a utilização de uma topologia estrela. Como exemplo de técnicas que
implementam a segunda abordagem, pode-se citar o algoritmo MO-TRIBES (COOREN;
CLERC; SIARRY, 2011).
3.3.2.4 Técnicas Baseadas no Conceito de Pareto
Nesta abordagem, as partı́culas guias são escolhidas com base na dominância de Pareto,
escolhendo-se as partı́culas não-dominadas.
Em (RAY; LIEW, 2002) é apresentado um algoritmo que combina técnicas evolucio-

nárias com enxame de partı́culas, em uma topologia do tipo estrela. A abordagem utiliza
o estimador de densidade baseado no vizinho mais próximo e implementa a seleção por
roleta para a escolha dos lı́deres. O conjunto de lı́deres é mantido em um arquivo externo,
implementando o elitismo.
Em (FIELDSEND; SINGH, 2002), propõe-se uma abordagem que utiliza um arquivo
externo de elite. Esta abordagem utiliza uma estrutura de dados especial, denominada
árvore dominada, para armazenar as partı́culas não-dominadas encontradas ao longo do
processo de busca. O arquivo externo interage com o enxame de modo a definir a partı́cula
guia. Este algoritmo também implementa um operador de turbulência, o qual atua na
velocidade das partı́culas.
Em (COELLO; LECHUNGA, 2002), propõe-se o algoritmo MOPSO (Multiobjective
Particle Swarm Optimization), o qual considera a utilização de um arquivo externo para
armazenar a melhor experiência de cada partı́cula. O espaço de busca é dividido em uma
quantidade pré-definida de hipercubos, avaliando-se após cada iteração a densidade de
cada hipercubo com base nas soluções armazenadas no arquivo externo. Dessa forma, cada
hipercubo recebe uma avaliação. O guia de cada partı́cula (pbest) é escolhido com base na
técnica da roleta, utilizando os valores armazenados no arquivo externo. O melhor global
(gbest) é escolhido após a determinação do hipercubo com melhor avaliação (realizada
com base na menor densidade), sendo a escolha da partı́cula pertencente a este hipercubo
realizada de forma aleatória.
Em (BARTZ-BEIELSTEIN et al., 2003), propõe-se uma abordagem que parte da ideia
de introduzir elitismo ao MOPSO por meio da utilização de um arquivo externo. São ana-
lisados diferentes métodos para inclusão e descarte de soluções armazenadas no arquivo,
com o objetivo de obter uma aproximação satisfatória da fronteira de Pareto.
Em (ZHANG et al., 2003), é proposta uma abordagem baseada no MOPSO com
topologia estrela. Esta abordagem tenta melhorar a seleção do melhor global (gbest)
e da melhor posição de cada partı́cula (pbest) após a atualização da velocidade de cada
partı́cula, definindo o gbest de cada partı́cula como a média do gbest de todas as partı́culas
do enxame. Já o pbest pode ser calculado de forma análoga, ou seja, por meio da média
do pbest do conjunto de partı́culas, ou de forma aleatória, dependendo da relação entre o
pbest frente à dispersão dos valores gbest.
Em (MOSTAGHIM; TEICH, 2003b), propõe-se um MOPSO que adota um método

chamado sigma, onde os melhores guias locais de cada partı́cula são utilizados para ga-
rantir diversidade e convergência. Também é utilizado um operador de turbulência neste
algoritmo. Ainda em 2003, porém, em outro trabalho (MOSTAGHIM; TEICH, 2003a),
verificou-se a influência de uma técnica de dominância de Pareto denominada -dominance
(LAUMANNS et al., 2002) no MOPSO.
Em (LI, 2003), é proposta uma abordagem que incorpora os mecanismos básicos
do NSGA-II no algoritmo PSO. Neste algoritmo, uma vez que as partı́culas do enxame
atualizam sua posição, todas as posições pbest do enxame e todas as novas posições re-
centemente atualizadas são agregadas em um único conjunto e comparadas entre si. O
algoritmo ordena as partı́culas obtidas a cada iteração em vários subconjuntos com base
em seu grau de dominação. As partı́culas não-dominadas são utilizadas para a escolha
randômica do lı́der com base em dois mecanismos: niche count e crowding distance.
O algoritmo PS-EA (Particle Swarms Inspired Evolutionary Algorithm), apresen-
tado em (SRINIVASAN; SEOW, 2003), foi desenvolvido de modo a permitir a busca em um
espaço com múltiplas restrições, devido ao fato de estas serem rigidamente impostas pelas
equações do PSO. Portanto, o PS-EA se trata de um algoritmo que substitui as equações
do PSO por um mecanismo de atualização que emula o trabalho realizado por estas.
Em (MOSTAGHIM; TEICH, 2004), propõe-se um novo método denominado cove-
ringMOPSO (cvMOPSO), o qual opera basicamente em duas etapas: na primeira etapa,
o MOPSO é implementado com um tamanho restrito para o arquivo, objetivando obter
uma boa aproximação inicial para a fronteira de Pareto. Na segunda etapa, as soluções
não-dominadas obtidas na primeira etapa formam o arquivo inicial do cvMOPSO. As par-
tı́culas do enxame do cvMOPSO são divididas em sub-enxames, cada um em torno de uma
solução não-dominada obtida na primeira etapa. A tarefa dos sub-enxames é explorar os
espaços entre as soluções não-dominadas obtidas na primeira etapa.
Em (LI, 2004), propõe-se o maximin PSO, o qual utiliza uma abordagem baseada
em uma adaptação da estratégia Maximin proposta em (BALLING, 2003) para obtenção da
fronteira de Pareto. Uma das vantagens deste método é o fato de não haver necessidade
de implementação de nenhuma técnica adicional de agregação ou nicho, uma vez que a
aptidão da solução apresentada, além de informar se a solução é ou não dominada, tam-
bém informa a proximidade das soluções, o que permite extrair informações a respeito da
diversidade das soluções. Nesta abordagem, cada partı́cula tem um guia distinto, o qual é
escolhido para cada uma das variáveis de busca. De modo a escolher a solução ótima glo-
bal, as partı́culas guias são armazenadas em um arquivo externo, onde são aleatoriamente
escolhidas com base na aptidão obtida pela estratégia Maximimo.
Em (COELLO; PULIDO; LECHUGA, 2004), propõe-se um MOPSO que utiliza a do-
minância de Pareto para determinar a direção de busca de uma partı́cula. O algoritmo
utiliza um arquivo para armazenar as soluções não-dominadas encontradas e adota um
operador de mutação para gerar novas possı́veis soluções dentro do espaço de busca ainda
não explorado. Em (PULIDO; COELLO, 2004), propõe-se um MOPSO que divide o enxame
em vários sub-enxames, adotando técnicas de clusters.
Em (ALVAREZ-BENITEZ; EVERSON; FIELDSEND, 2005) propõem-se um MOPSO
baseado exclusivamente em dominância de Pareto para realizar a escolha dos guias das
partı́culas, por meio do armazenamento de um conjunto de soluções não-dominadas em
um arquivo externo. São apresentadas três técnicas distintas de seleção: a primeira, deno-
minada Rounds, promove exclusivamente a diversidade; a segunda, denominada Random,
promove exclusivamente a convergência; já a terceira, estabelece um compromisso entre
Rounds e Random por meio de uma metodologia probabilı́stica de ponderação. Além
disso, são propostos quatro mecanismos para limitar as partı́culas na região viável. Como
a escolha das partı́culas armazenadas no arquivo é probabilı́stica, obtém-se boa conver-
gência e diversidade na fronteira de Pareto. Esta abordagem também utiliza um operador
de turbulência no intuito de acelerar a convergência do algoritmo.
Em (JANSON; MERKLE, 2005) propõe-se o ClustMPSO, o qual se trata de um
algoritmo hı́brido que combina o PSO com técnicas de clusters para dividir o enxame
em vários sub-enxames. Esta estratégia utiliza o algoritmo K-means. Cada sub-enxame
obtém sua própria fronteira de soluções não-dominadas, e a fronteira de Pareto final é
obtida após a união das fronteiras obtidas por todos os sub-enxames.
Em (CABRERA; COELLO, 2010), propõe-se o micro-MOPSO, o qual se trata de
uma versão multiobjetivo baseada no conceito de Pareto para o algoritmo micro-PSO,
proposto em (CABRERA; COELLO, 2007). O micro-MOPSO utiliza dois arquivos exter-
nos: o primeiro, denominado arquivo auxiliar, é utilizado para armazenar as soluções
não-dominadas que o algoritmo encontra ao longo do processo de busca; o segundo, deno-
minado arquivo final é utilizado para armazenar as soluções não-dominadas finais obtidas.
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 72
O micro-MOPSO realiza a ordenação por não-dominância utilizado pelo NSGA-II e uti-

liza a técnica de crowding distance para a escolha dos lı́deres no enxame de partı́culas.
Inicialmente selecionam-se os lı́deres, e em seguida, seleciona a vizinhança para a criação
do enxame de partı́culas. Este algoritmo implementa um processo de reinicialização para
preservar a diversidade e incorpora um operador de mutação para aumentar a capacidade
exploratória do algoritmo no espaço de busca.
Em (COOREN; CLERC; SIARRY, 2011), propõe-se o algoritmo MO-TRIBES, o qual
é descrito pelos autores como um algoritmo livre de parâmetros, ou seja, auto-adaptativo.
Neste algoritmos o enxame é dividido em tribos, cada tribo possuindo uma certa quanti-
dade de partı́culas, as quais têm por objetivo explorar o espaço de busca à procura das
posições que permitam obter a fronteira de Pareto.
3.4 Escolha dos Algoritmos Aplicados

De acordo com (CHEUNG, 2004), a escolha do método mais eficiente para uma determinada
aplicação não é uma tarefa fácil, pois existem poucos estudos comparativos (SRINIVAS;
DEB, 1994), (ZITZLER; THIELE, 1998), (ZITZLER; DEB; THIELE, 2000), (TAN; LEE; KHOR,
2001), (DEB et al., 2002), (CHEUNG et al., 2003), (KHARE; YAO; DEB, 2003) e (HIROYASU;
NAKAYAMA; MIKI, 2005).
Os resultados obtidos podem variar em função de diversos fatores inerentes a cada
algoritmo em particular ou à aplicação, pois cada algoritmo utiliza parâmetros distintos, os
quais devem ser ajustados de modo que ocorra a convergência dos resultados. A aplicação
é um fator determinante para a escolha do melhor algoritmo a ser utilizado.
Em (ZITZLER; DEB; THIELE, 2000) foi realizada a comparação do desempenho de
oito métodos aplicados a seis funções de teste clássicas. Nesse estudo, foram analisados os
seguintes algoritmos evolucionários multiobjetivo conhecidos na época: VEGA, WBGA
(Weight-Based Genetic Algorithm, chamado de FFGA no estudo citado, fazendo refe-
rência a Fonseca and Flemming’s Multi-objective GA), MOGA, NPGA, NSGA, RAND
(Random Algorithm), SOEA (Single-Objective Evolutionary Algorithm) e SPEA, o único
com elitismo. Os resultados mostraram a superioridade de desempenho do SPEA com
relação aos demais métodos em todas as funções de teste. Além disso, mostrou-se que
entre os métodos não elitistas, o NSGA apresentou o melhor desempenho. Em uma nova
bateria de testes, (ZITZLER; DEB; THIELE, 2000) inseriu o mecanismo de elitismo utilizado
no SPEA nos métodos VEGA, WBGA, NPGA, MOGA e NSGA. Foi observada a melhora
significativa do desempenho dos métodos. Além disso, observou-se que o método NSGA
com elitismo possui desempenho equivalente ao do SPEA. Esse estudo representou um
divisor de águas entre a primeira geração (não elitista) e a segunda geração (elitista) de
algoritmos evolucionários multiobjetivo.
O desempenho do SPEA2 foi comparado com o seu antecessor SPEA, com o PESA
e o NSGA-II em (ZITZLER; LAUMANNS; THIELE, 2001) utilizando cinco funções de teste.
Foi observado que o SPEA2 foi superior ao SPEA em todas as funções de teste. O PESA
apresentou uma rápida convergência, no entanto, falhou em algumas funções de teste por
não manter as soluções da fronteira. Nesse estudo, observou-se que o SPEA2 e o NSGA-II
apresentaram os melhores desempenhos, e que o SPEA2 apresentou vantagens sobre o
PESA e o NSGA-II em aplicações com uma maior quantidade de funções objetivo.
Em (DEB et al., 2002) realizou-se a comparação do desempenho do NSGA-II com o
SPEA e o PAES, aplicando-os a nove funções clássicas de teste. Os resultados mostraram
que o NSGA-II converge melhor em sete das nove funções testadas, sendo que nas outras
duas, o PAES obteve os melhores resultados. Em termos de diversidade das soluções
apresentadas, o NSGA-II apresentou o melhor desempenho nas nove funções testadas,
sendo o pior desempenho neste quesito atribuı́do ao PAES.
De acordo com os resultados apresentados pela maioria dos estudos comparati-
vos analisados, observa-se que os algoritmos elitistas geralmente possuem desempenho
superior aos não elitistas. No entanto, há casos em que métodos não elitistas apresen-
tam desempenho superior a métodos elitistas, como em (CHEUNG, 2004). Portanto, tal
generalização não pode ser feita.
Em (ZITZLER; KÜNZLI, 2004) o algoritmo IBEA é comparado aos algoritmos NSGA-
II e SPEA2, apresentando resultados superiores em seis dos oito problemas benchmark con-
siderados. Aplicações do IBEA comparando-o aos algoritmos MOGA, NSGA-II e SPEA2
podem ser verificadas em (CHEVRIER et al., 2010), (SULIEMAN; JOURDAN; TALBI, 2010),
(FEIJOO et al., 2012), (SAYYAD; MENZIES; AMMAR, 2013), (SAYYAD et al., 2013), (SAYYAD;
GOSEVA-POPSTOJANOVA; MENZIES T. AMMAR, 2013) e (FILHO; VERGILIO, 2015), onde
o algoritmo IBEA é bem avaliado comparado aos demais algoritmos. No entanto, na
literatura, foram encontradas poucas aplicações do algoritmo IBEA em problemas de en-
genharia, comparado aos algoritmos NSGA-II e SPEA2.
Em (WAGNER; BEUME; NAUJOKS, 2007) é apresentado um estudo que demons-

tra o decréscimo de desempenho dos algoritmos NSGA-II e SPEA2 em aplicações com
múltiplos objetivos (a partir de quatro) e com um número elevado de dimensões, com-
parado a algoritmos recém desenvolvidos para este propósito, como -MOEA, MSOPS,
IBEA e SMS-EMOA. No entanto, como o problema proposto nesta dissertação apresenta
somente dois objetivos conflitantes e possui um espaço de busca composto por somente
duas variáveis, descartou-se a necessidade de utilização destes algoritmos.
Em (OLIVERA et al., 2009), os algoritmos IBEA, NSGA-II e SPEA2 são compara-
dos em termos de desempenho para solucionar o BNSP (Bus Network Scheduling Problem,
onde constatou-se que o algoritmo SPEA2 apresentou desempenho superior para a apli-
cação, por meio de um conjunto de soluções melhor distribuı́do. Portanto, observa-se
que embora alguns estudos sugiram que o IBEA supera os algoritmos SPEA2 e NSGA-II,
constata-se que o desempenho destes depende da aplicação.
Outro fato relacionado ao algoritmo IBEA diz respeito à sua pré-disposição e in-
dicação a aplicações onde há a necessidade de estabelecer preferências entre os objetivos
definidos. No caso da aplicação proposta nesta dissertação, conforme será apresentado,
tem-se que os objetivos conflitantes definidos (incremento de efetividade da torre de res-
friamento e redução da energia elétrica global consumida) possuem preferências (pesos)
iguais. Dessa forma, somando-se este fato aos demais já citados, descarta-se a necessidade
de aplicação deste algoritmo no trabalho proposto nesta dissertação.
Em (BADER; ZITZLER, 2011) o algoritmo HyPE é comparado aos algoritmos SHV
(Sampling-Based Hypervolume-Oriented Algorithm), RS (Random Selection), NSGA-II e
SPEA2, com relação aos valores dos indicadores de hipervolume das aproximações obtidas
para as fronteiras de Pareto. Os resultados sugerem o HypE como um algoritmo de oti-
mização multiobjetivo altamente competitivo. Ainda em 2011, o GSEA (Grid Selection
Evolutionary Algorithm), é equiparado ao NSGA-II e SPEA2, apresentando bom desem-
penho em termos de tempo de convergência desempenho global. No entanto, há poucos
registros de aplicações desses métodos comparando aos demais, NSGA-II e SPEA2, prin-
cipalmente no que se diz respeito a aplicações de engenharia.
Em (LIU; LU; YANG, 2012), são comparados os algoritmos HyPE, MSOPS (Multiple-
Single-Objective Pareto Sampling) e NSGA-II, verificando-se que o algoritmo MSOPS su-
pera os demais para a aplicação engenharia relacionada ao projeto de antenas. Em (WANG;
PURSHOUSE; FLEMING, 2013), são comparados os algoritmos PICEA-g (Preference-Inspired
Co-Evolutionary Algorithm), NSGA-II, -MOEA, MOEA/D e HypE, constatando-se que

para problemas com apenas dois objetivos, todos os algoritmos aplicados apresentaram
desempenho equivalente. Já para aplicações com uma quantidade elevada de objetivos,
verificou-se a superioridade dos algoritmos PICEA-g e HyPE sobre os demais.
Em (ISHIBUCHI; AKEDO; NOJIMA, 2015), o HyPE é comparado aos algoritmos
NSGA-II, MOEA/D e SMS-EMOA, verificando-se que para problemas com quantidades
elevadas de objetivos, o NSGA-II é superados por todos os demais. No entanto, o NSGA-II
supera os demais quando os objetivos são altamente correlacionados. No caso, o algoritmo
MOEA/D apresentou comportamento bem distinto ao serem modificados os parâmetros de
preferência, ora trabalhando bem somente com dois objetivos, ora somente com quatro a
dez objetivos. No estudo, observou-se um bom desempenho do HyPE em problemas com
muitos objetivos gerados aleatoriamente. No entanto, este não obteve bons resultados
com problemas altamente correlacionados. Os melhores resultados foram obtidos pelo
NSGA-II.
Embora os algoritmos MOEA/D e HyPE sejam promissores na área de otimização
evolucionária multiobjetivo, tem-se que estes não operam diretamente com o Conceito
de Pareto (premissa esta estabelecida previamente para a escolha dos algoritmos a serem
aplicados). Além disso, como o problema proposto nesta dissertação é composto por
apenas dois objetivos e duas variáveis de busca, tem-se que não há a necessidade de
aplicação de algoritmos desenvolvidos, a priori, para utilização em problemas de extrema
complexidade. Dessa forma, descarta-se a aplicação destes dois algoritmos na aplicação
proposta nesta dissertação.
Em (HADKA; REED, 2012) é realizado um estudo no intuito de avaliar a efetividade,
confiabilidade, eficiência e controlabilidade de diversos MOEAs, no intuito de monitorar
seus controles de busca e modos de falha. Dentre os algoritmos comparados têm-se: Borg
MOEA, -NSGA-II, -MOEA, IBEA, OMOPSO, GDE3, MOEA/D, SPEA2 e NSGA-II.
Percebe-se que os algoritmos SPEA2 e NSGA-II ainda são aplicados nos estudos com-
parativos mais recentes como algoritmos de referência para avaliação e comparação de
desempenho com os algoritmos mais recentemente propostos, o que estimula e sugere a
aplicação destes dois algoritmos com esta mesma finalidade na otimização multiobjetivo
proposta nesta dissertação.
Em (DEB; JAIN, 2014), o NSGA-III é comparado ao algoritmo MOEA/D, apre-

sentados resultados satisfatórios. Em (SEADA; DEB, 2015), algoritmo U-NSGA-III é com-
parado ao NSGA-II e ao NSGA-III, onde é aplicado a problemas com e sem restrições
possuindo um, dois e vários objetivos. Dentre estes, dois se tratam de problemas de oti-
mização de projetos de engenharia. No caso, o U-NSGA-III apresentou resultados bem
promissores.
Como o NSGA-III foi proposto para aplicação em problemas com quantidades
elevadas de objetivos e espaços de busca compostos por uma quantidade elevada de di-
mensões, não se julgou necessário sua aplicação no trabalho proposto nesta dissertação,
pelo fato do problema proposto ser composto de apenas dois objetivos, e que utiliza apenas
duas variáveis de busca. Além disso, até o momento foram verificadas poucas aplicações
na comunidade cientı́fica relacionadas à utilização deste algoritmo.
Em (LIAN; ZHANG, 2015) o algoritmo IVEA é comparado a vários algoritmos de
otimização multiobjetivo, incluindo IBEAHD, IBEA+ , NSGA-II e SPEA-II, sendo es-
tes citados como algoritmos estado-da-arte. No trabalho, o IVEA apresentou resultado
superior aos demais para a aplicação proposta. No entanto, não foi verificada na litera-
tura uma quantidade significativa de aplicações deste algoritmo. Portanto, este não será
aplicado no trabalho proposto nesta dissertação.
Para a aplicação de otimização energética proposta nesta dissertação serão utiliza-
dos apenas algoritmos multiobjetivo baseados no conceito de Pareto e que implementam
elitismo, pois, após o estudo bibliográfico realizado, conforme indicado, verificou-se que
estes apresentam um melhor desempenho na maioria das aplicações. Além disso, devido
ao fato do trabalho proposto nesta dissertação se tratar de uma aplicação de engenharia
que envolve um estudo de viabilidade de implementação de duas diferentes estratégias
de otimização, será priorizada a aplicação de algoritmos de otimização multiobjetivo já
aplicados a problemas de engenharia, com base no estudo bibliográfico realizado. Esta
mesma consideração foi realizada em (SULIEMAN; JOURDAN; TALBI, 2010).
O algoritmo Micro-GA é uma boa opção para a aplicação proposta nesta disser-
tação, uma vez que as restrições operacionais dos equipamentos que compõem o sistema
de refrigeração limitam o espaço de busca a uma região relativamente pequena. Portanto,
neste trabalho, os algoritmos evolucionários multiobjetivo escolhidos para a solução do
problema de otimização proposto são: SPEA2, NSGA-II e Micro-GA.
De acordo com a revisão bibliográfica realizada acerca dos algoritmos de enxame de

partı́culas multiobjetivo, verificou-se que o MOPSO é o algoritmo com maior número de
aplicações verificadas, tanto em termos de melhoramentos propostos no intuito de garantir-
se convergência e diversidade quanto com relação a aplicações práticas, principalmente
pelo fato deste ser baseado no algoritmo PSO.
Em (COELHO; BERNERT, 2009), compara-se o resultado entre os algoritmos Tribes,
MTribes (Modified-Tribes) e PSO, indicando a superioridade do MTribes e Tribes frente ao
algoritmos PSO, principalmente no que diz respeito à quantidade de iterações necessárias
para a solução do problema.
Em (COOREN; CLERC; SIARRY, 2011), o algoritmo MO-TRIBES é comparado aos
algoritmos NSGA-II e MOPSO por meio da aplicação destes em sete problemas multi-
objetivo benchmarks envolvendo variáveis de busca discretas e contı́nuas, verificando-se
bons resultados para as fronteiras de Pareto obtidas. A vantagem do MO-TRIBES sobre
os demais, no caso, é a não necessidade de ajuste de parâmetros, o qual é realizado pelo
próprio algoritmo, de forma adaptativa.
Portanto, com base no estudo bibliográfico realizado, os algoritmos de enxame a
serem utilizados para a solução do problema de otimização proposto nesta dissertação são:
MOPSO e MO-TRIBES.
Dessa forma, ao todo, serão aplicados os seguintes algoritmos: NSGA-II, SPEA2,
Micro-GA, MOPSO e MO-TRIBES.
3.4.1 NSGA-II
O algoritmo NSGA (Non-Dominated Sorting Genetic Algorithm) foi proposto inicialmente

por (SRINIVAS; DEB, 1994) com o objetivo de implementar os conceitos de dominância e de
manutenção de diversidade da população, e segue os conceitos de otimização multiobjetivo
sugeridos por (GOLDBERG, 1989a).
Já o algoritmos NSGA-II foi proposto por (DEB et al., 2000) como uma evolução do
algoritmo NSGA. Como melhoramentos com relação ao NSGA pode-se citar a combinação
da população atual com a população anterior para preservar os melhores indivı́duos. Além
disso, diferentemente do NSGA, o NSGA-II é baseado em uma ordenação elitista por
dominância (Pareto ranking). O princı́pio de ordenação implementado no NSGA-II é
chamado de fast non-dominated sorting, e consiste em classificar os indivı́duos i de um
conjunto I em diversos nı́veis de dominação Nk = N1 ; N2 ; · · · ; Nd , de acordo com o grau

de dominação de cada indivı́duo i, sendo d o número de nı́veis de dominância. Assim,
tem-se que o nı́vel N1 contém os indivı́duos dominantes (ou seja, não-dominados) de todo
o conjunto I. O conjunto N2 possui os indivı́duos dominantes (não-dominados) de I − N1 ,
N3 possui os indivı́duos os indivı́duos dominantes (não-dominados) de I − (N1 ∪ N2 ),e
assim por diante. Ou seja, o conjunto formado pelo nı́vel de dominação N1 domina
N2 , N3 , · · · , Nd , o conjunto formado por N2 domina N3 , · · · , Nd , e Nd−1 domina Nd .
Inicialmente, o NSGA-II gera uma população aleatória P0 , com |P0 | = N . Esta
população inicial é ordenada com base na não-dominação. Dessa forma, nesta primeira
iteração, calcula-se para cada solução um valor de aptidão, o que permite determinar o
seu respectivo nı́vel de dominação.
Para a escolha dos melhores indivı́duos utiliza-se a seleção por torneio. Em se-
guida, utilizam-se os mecanismos de recombinação e mutação para gerar a população de
descendentes. A primeira população de descendentes é denominada Q0 , com |Q0 | = N .
Em seguida, ambas as populações iniciais P0 e Q0 são reunidas em uma única população
R0 = P0 ∪ Q0 , com |R0 | = 2N . Este é o procedimento utilizado para gerar a população
R0 inicial na primeira iteração do algoritmo.
Nas iterações t seguintes, onde t = 1, 2, 3, · · · , T , em que T representa o número
máximo de iterações, manipula-se uma população Rt ordenada por não-dominância. O
elitismo é garantido por meio da combinação das populações prévia e atual em Rt . Após
a ordenação, as soluções não-dominadas são colocadas no nı́vel (ou fronteira) N1 , pas-
sando estas a ocupar um papel preponderante durante o processo. Os demais indivı́duos
(soluções) passam a pertencer aos demais nı́veis N2 , N3 , e assim por diante, até o último
nı́vel Nd , de modo que todos os indivı́duos sejam inseridos em um determinado nı́vel de
dominação. Se o tamanho de N1 é menor do que N , deve-se considerar todos os seus
elementos para formar a nova população Pt+1 . O espaço restante nesta nova população,
ou seja, |N | − |N1 | deverá ser preenchidos pelos elementos dos subsequentes nı́veis não
dominados, utilizando-se o operador crowded-comparison para a seleção das últimas vagas
restantes em Pt+1
A aptidão de cada indivı́duo i é chamada no NSGA-II de rankj , a qual depende
da fronteira ou nı́vel de dominação à qual pertence e do operador crowded-comparison.
Este último, por sua vez, depende do valor da distância da multidão (crowding distance)
disti do indivı́duo avaliado. Dessa forma, cada indivı́duo i é comparado a um indivı́duo j

de modo a escolher-se qual deles deverá pertencer à nova população Pt+1 .
O operador crowded-comparison (≺m ) auxilia no processo de seleção do algoritmo,
de modo a permitir a convergência para a frente ótima de Pareto. O crowded comparison
define que os indivı́duos selecionados para a nova população Pt+1 serão aqueles que pos-
suı́rem um menor valor de rank, portanto, um indivı́duo j será escolhido se possuir um
rank menor do que um indivı́duo p 6= j (ou seja, rankj < rankp ). Se os indivı́duos j e
p possuı́rem o mesmo valor de rank, será escolhido aquele que possuir uma maior valor
de crowding distance. Ou seja, caso rankj = rankp , escolhe-se j se distj > distp . Caso
contrário, escolhe-se o indivı́duo p.
O Algoritmo 3 mostra como calcular a crowding distance, onde ni é o número de
indivı́duos (soluções) contidos no conjunto I, fobj (i) é o valor da obj-ésima função objetivo
para o indivı́duo (solução) i. Os termos fobjmax e fobjmin representam, respectivamente,
os valores máximo e mı́nimos obtidos para cada objetivo, considerando o conjunto I de
indivı́duos (soluções). A utilização do algoritmo de crowding distance permite que os
indivı́duos mais espalhados passem a ocupar as últimas vagas disponı́veis para a formação
da nova população Pt+1 , garantindo a diversidade das soluções. Segundo (DEB, 2001), é
importante manter um bom espalhamento nas soluções das fronteiras já encontradas, de
modo a explorar melhor o espaço de busca.
Algoritmo 3 Pseudocódigo do algoritmo Crowding Distance.

entrada ni , fobj
saı́da disti
1: disti := 0
2: para cada obj faça
3: classificar fobj por obj
4: para i := 0 → ni − 1 faça
f (i+1)−fobj (i−1)
5: disti := disti + obj
fobjmax −fobjmin
6: fim para;
7: fim para;
Após a seleção dos novos indivı́duos de Pt+1 com base nos nı́veis de dominação, no
operador crowded-comparison e no algoritmo de crowding distance, essa população é então
ordenada com base nos nı́veis de dominação de seus indivı́duos, ou seja, as N melhores
soluções selecionadas. Por fim, os operadores genéticos de recombinação e mutação são
aplicados em Pt+1 de modo a gerar a nova população de descendentes Qt+1 . Este processo
é repetido até que se atinja o número máximo de iterações (ou gerações) T , ou até que
outro critério de parada seja atingido. A sequência de passos seguido pelo NSGA-II é
descrita no Algoritmo 4.
Algoritmo 4 Pseudocódigo do algoritmo NSGA-II.

entrada T, N
saı́da Qt+1
1: P0 := Q0 := 0
2: gera P0 de forma randômica, com |P0 | = N
3: t := 0 inicializa o número de gerações
4: Seleção por Torneio
5: Recombinação (crossover)
6: Mutação
7: gera Q0
8: enquanto t < T faça
9: Rt := Pt ∪ Qt
10: ordena Rt por não-dominância
11: Pt+1 := 0
12: i := 1
13: enquanto |Pt+1 | ≤ N faça
14: calcula crowding distance para Ni
15: se |Ni | > |(N − Pt+1 )| últimas vagas em Pt+1 então
16: ordena Ni com base no operador crowded-comparison
17: Pt+1 := Pt+1 ∪ Ni [1 : (|N | − |Pt+1 |)]
18: senão
19: Pt+1 := Pt+1 ∪ Ni
20: fim se
21: i := i + 1
22: fim enquanto
24: Mutação
25: gera Qt+1
26: t := t + 1
27: fim enquanto
3.4.2 SPEA2
O SPEA2 (Strength Pareto Evolutionary Algorithm) foi desenvolvido como um melhora-

mento do SPEA, e incorporou técnicas que melhoraram a eficiência do algoritmo. Este
algoritmo possui como entradas as seguintes variáveis: N , N e T , que representam, res-
pectivamente, o tamanho da população, o tamanho da população externa (arquivo) e o
número máximo de gerações. A única saı́da do sistema é A, que representa o conjunto
de indivı́duos não dominados que estabelecem o melhor compromisso com os objetivos e
restrições definidos. Conforme (ZITZLER; LAUMANNS; THIELE, 2001), o método SPEA2 é

implementado através dos seguintes passos:
Passo 1 – Inicialização: Inicialmente, são geradas duas populações: uma popu-
lação inicial aleatória P0 e uma população externa inicial, denominada arquivo (P0 = ∅),
inicialmente vazia. Define-se t = 0, o qual deverá ser incrementado a cada nova geração
de novos indivı́duos não-dominados.
Passo 2 – Avaliação de Fitness (aptidão): Cada indivı́duo das populações cor-
rentes Pt e Pt é avaliado com relação às funções objetivo. Em seguida, é avaliado com
respeito às relações de dominância. Dessa forma, cada indivı́duo é avaliado com relação
aos indivı́duos dominados por ele e que o dominam. Percebe-se que quando este passo
é executado pela primeira vez, apenas os indivı́duos da população Pt serão avaliados.
Portanto, a cada indivı́duo i da população Pt e no arquivo Pt será atribuı́do um valor
chamado de força (Strength), indicado por S(i), que representa o número de soluções que
ele domina.
S(i) = |{ j|j ∈ Pt ∪ Pt ∧ i j}|. (18)
Na Equação 18, a representação do módulo indica que a força de um dado elemento

i será igual à quantidade de elementos pertencentes ao conjunto de elementos que ele
domina. A cada indivı́duo também será atribuı́do um valor de aptidão crua (Raw Fitness),
equivalente ao somatório das forças dos indivı́duos que dominam o indivı́duo em análise,
tanto na população como no arquivo.
X
R(i) = S(j). (19)
j∈Pt ∪Pt ,ji
Percebe-se que o valor da força de um dado indivı́duo será tanto maior quanto mais
indivı́duos forem dominados por este, e a aptidão crua será tanto menor quanto menos
indivı́duos o dominarem.
Embora o Raw Fitness forneça atribuições aos indivı́duos com base na dominância
de Pareto, caso haja muitos indivı́duos com valores de Raw Fitness idênticos, este meca-
nismo pode falhar. Portanto, o SPEA2 utiliza a informação de densidade da vizinhança
para guiar a busca de forma eficaz. A técnica utilizada é uma adaptação do método do
k-ésimo vizinho mais próximo, onde a densidade em qualquer ponto é função da distância
ao k-ésimo ponto mais próximo. Neste caso, o SPEA2 simplesmente considera o inverso
da distância ao k-ésimo vizinho mais próximo como uma estimativa da densidade.
A forma mais precisa de estimar a densidade da vizinhança é calcular a distância

Euclidiana (na região factı́vel) de um indivı́duo i a cada indivı́duo j do arquivo e da
população e armazenar os valores obtidos em uma lista. Outra forma possı́vel é considerar
p
como ponto comum o termo k = N + N e listar os resultados obtidos para todos os
indivı́duos. Após ordenar a lista em ordem crescente, o k-ésimo elemento será aquele
que fornece a menor distância procurada, denotada por σik . Logo, a densidade D(i),
correspondente ao indivı́duo i, é dada por:
1
D(i) = . (20)
σik +2
Na Equação 20, o termo 2 é adicionado no denominador de modo a garantir que
seu valor seja maior do que zero, e que a densidade seja sempre menor do que 1.
Finalmente, o valor de fitness F (i) de um determinado indivı́duo é definido por:
F (i) = R(i) + D(i). (21)
Logo, quanto menor o valor do Fitness de um indivı́duo, mais apto ele é, e mais
chances ele terá de se propagar ao longo das gerações e disseminar suas caracterı́sticas
para os demais indivı́duos.
Passo 3 – Seleção Ambiental: Nesta etapa, todos os indivı́duos não dominados
da população Pt e do arquivo Pt são copiados para o arquivo da próxima geração, ou seja,
para Pt+1 . Se o tamanho de Pt+1 exceder N , deve-se reduzir o tamanho de Pt+1 com base
no algoritmo de corte. Caso o tamanho de Pt+1 seja inferior a N , deve-se preencher Pt+1
com os melhores indivı́duos dominados em Pt e Pt .
O algoritmo de corte é um processo iterativo que elimina, a cada iteração, o indi-
vı́duo que apresenta a menor distância Euclidiana ao vizinho mais próximo. Em caso de
empate, verifica-se a segunda menor distância Euclidiana, e assim por diante. O processo
iterativo se encerra quando a dimensão da população de Pt+1 = N .
Passo 4 – Término: Se t ≥ T , ou qualquer outro critério de parada tenha sido
satisfeito, define-se A como o conjunto de indivı́duos não-dominados que representam a
melhor solução em Pt+1 e para o processo. Caso as condições citadas acima não tenham
sido atingidas, deve-se prosseguir para o passo 5.
Passo 5 – Seleção para cruzamento: Nesta etapa, os indivı́duos são selecionados
através do operador de seleção por torneio, cujos vencedores são os indivı́duos com menor
valor de Fitness.
Passo 6 – Cruzamento e Mutação: Nesta etapa, os indivı́duos selecionados são

enviados aos operadores de recombinação (cruzamento) e mutação, gerando-se assim os
novos indivı́duos da população Pt+1 . Em seguida, deve-se incrementar o contador de
gerações (t = t + 1) e voltar ao Passo 2. O Algoritmo 5 ilustra o método aplicado pelo
SPEA2 com base nos passos definidos.
Algoritmo 5 Pseudocódigo do algoritmo SPEA2.

entrada N, N , T
saı́da A
1: gera P0 de forma randômica, com |P0 | = N
2: gera P0 = ∅
3: t := 0; inicializa o número de gerações
4: enquanto 1 faça
5: Calcula Fitness em Pt e Pt
6: Copia indivı́duos não-dominados em Pt e Pt para Pt+1
7: se |Pt+1 | > |N | então
8: repita
9: Reduzir |Pt+1 | utilizando o algoritmo de corte
10: até |Pt+1 | = |N |
11: senão se |Pt+1 | < |N | então
12: repita
13: Preencher Pt+1 com Pt e Pt
14: até |Pt+1 | = |N |
15: fim se
16: se t ≥ T então
17: A recebe conjunto de soluções não-dominadas em Pt+1
18: break; (termina SPEA2)
19: senão
20: Seleção por torneio binário com reposição em Pt+1
22: Mutação
23: Pt+1 recebe resultados dos operadores genéticos
24: t := t + 1
25: fim se
26: fim enquanto
3.4.3 Micro-GA
O Micro-GA (Micro Genetic Algorithm) é um algoritmo genético que utiliza uma po-
pulação de tamanho bem pequeno durante um processo de reinicialização. Na verdade,
este processo de reinicialização é, de fato, o Micro-GA, o qual é realizado em conjunto
com a utilização de um arquivo externo para armazenar os vetores não-dominados obtidos
ao longo das iterações. Segundo Coello, seu idealizador, quando bem parametrizado, o
Micro-GA é capaz de obter a fronteira de Pareto com um número reduzido de iterações

(COELLO; PULIDO, 2001). A ideia básica foi sugerida a partir de resultados teóricos obtidos
por (GOLDBERG, 1989b), onde uma população de tamanho igual a 3 foi suficiente para a
convergência do algoritmo genético, independentemente do comprimento do cromossomo.
O Micro-GA possui duas memórias: a memória da população, que é usada para
obter-se diversidade, e a memória externa, utilizada para armazenar os pontos perten-
centes ao conjunto Pareto-ótimo. A memória da população é dividida em duas partes:
uma porção substituı́vel e outra não-substituı́vel. Os percentuais de cada uma das porções
podem ser determinados previamente.
Inicialmente, gera-se uma população randômica, a qual é distribuı́da entre as por-
ções substituı́vel e não-substituı́vel da memória da população. A porção não-substituı́vel
nunca será modificada durante o processo, e tem a função de prover diversidade ao algo-
ritmo. A população inicial do Micro-GA no inı́cio de cada um dos seus ciclos é retirada
de ambas as porções da memória da população.
Durante cada ciclo o Micro-GA implementa os operadores genéticos convencio-
nais: seleção por torneio, recombinação em dois pontos, mutação uniforme e elitismo.
Independentemente da quantidade de vetores não-dominados na população, apenas um é
arbitrariamente escolhido a cada geração para ser utilizado na geração seguinte.
Um ciclo do Micro-GA acaba quando a convergência nominal é atingida. Isto
acontece quando a diferença entre o average fitness e o maximum fitness converge para
um valor menor ou igual a 5%. A convergência nominal também pode ser definida em
termos de certa quantidade (geralmente baixa) de gerações, variando de 2 a 5.
Ao término de um ciclo, escolhem-se dois vetores não-dominados da população final
obtida (o primeiro e o último), os quais serão comparados com os vetores da memória
externa (inicialmente vazia). Caso um ou ambos os vetores escolhidos permaneçam não-
dominados após a comparação, estes serão incluı́dos na memória externa. Em seguida,
descartam-se os vetores dominados da memória externa. Estes dois vetores escolhidos
são também comparados com dois elementos distintos da porção substituı́vel da memória
da população, de modo que permanecerão os não-dominados. Dessa forma, tem-se que,
durante o processo, a porção substituı́vel da memória da população tenderá a possuir mais
vetores não-dominados, sendo alguns destes utilizados na população inicial do Micro-GA
das iterações seguintes, ou seja, nos próximos ciclos.
A abordagem do Micro-GA permite a utilização de três tipos de elitismo. O

primeiro se baseia no fato de que os vetores não-dominados produzidos a cada ciclo do
Micro-GA são armazenados, portanto, nenhuma informação de valor do processo evolutivo
é perdida. O segundo tipo de elitismo se baseia no fato de que as melhores soluções
encontradas após a convergência nominal substituem alguns elementos da memória da
população, o que permite a convergência gradual para a obtenção das melhores soluções,
desde que os operadores genéticos de recombinação e mutação permitam a diversidade
e espalhamento. Já o terceiro tipo de elitismo é aplicado após uma quantidade pré-
estabelecida de iterações, e é chamada de replacement cycle.
O replacement cycle é um processo em que se retiram alguns pontos pertencentes
às várias regiões da fronteira de Pareto até então obtida, no intuito de utilizá-los para
preencher a porção substituı́vel da memória da população. Dependendo do tamanho de-
finido para esta memória, escolhem-se quantos pontos forem necessários para garantir-se
uma boa distribuição.
De modo a manter a diversidade na fronteira de Pareto, utiliza-se uma aborda-
gem similar ao adaptive grid (KNOWLES; CORNE, 2000), onde, uma vez que o arquivo que
armazena as soluções não-dominadas atinge seu limite, divide-se o espaço de busca co-
berto pelo arquivo, indicando-se um conjunto de coordenadas para cada solução. A partir
de então, cada nova solução não-dominada gerada só será aceita se esta pertencer a um
lugar geométrico menos populoso do que as regiões mais densas previamente mapeadas.
Dessa forma, dá-se preferência a soluções que pertençam a regiões menos populosas, fa-
vorecendo o espalhamento dos indivı́duos na fronteira de Pareto. O adaptive grid requer
dois parâmetros:
• Tamanho estimado para a fronteira de Pareto;
• Quantidade de posições em que o espaço de soluções será dividido para cada objetivo.
Tem-se que o primeiro parâmetro do adaptive grid é definido pelo tamanho da

memória externa, o qual é previamente definido. O segundo parâmetro também é pre-
viamente definido, e as aplicações apresentadas em (COELLO; PULIDO, 2001) sugerem a
utilização de valores entre 15 e 25.
Dessa forma, quando a memória externa estiver cheia, utiliza-se o adaptive grid
para decidir qual vetor não dominado será eliminado. O Algoritmo 6 indica o pseudocódigo
do Micro-GA, onde N representa o tamanho da população, P representa a população,

Pi representa a população inicial do Micro-GA, M representa a memória da população,
E representa a memória externa, iter representa a iteração atual, itermax representa o
número máximo de iterações e NRC representa a cada quantas iterações será realizado o
replacement cycle.
Algoritmo 6 Pseudocódigo do algoritmo Micro-GA.

entrada itermax ,NRC
saı́da E
1: gera população randômica inicial P , com |P | = N
2: distribui P entre as duas porções de M
3: iter := 0; inicializa o número de gerações
4: enquanto iter < itermax faça
5: Escolhe a população inicial Pi para o Micro-GA a partir de M
6: repita
7: /* ciclo Micro-GA */
8: Seleção por torneio binário baseada em dominação
9: Recombinação crossover
10: Mutação
11: Elitismo (retém apenas um vetor não-dominado)
12: até convergência nominal é atingida
13: Copia dois vetores não-dominados de Pi para a memória externa E
14: se E estiver cheio ao tentar inserir os vetores não-dominados de Pi então
15: Aplica adaptive grid
16: fim se
17: Copia dois vetores não-dominados de Pi para M (porção substituı́vel)
18: se iter mod NRC então
19: Aplica replacement cycle
20: fim se
22: fim enquanto
3.4.4 MOPSO
O MOPSO (Multi-Objective Particle Swarm Optimization) foi inicialmente proposto por

(MOORE; CHAPMAN, 1999), e partir desta primeira abordagem, surgiram outras, como em
(DEB, 2001), (HU; EBERHART, 2002), (COELLO; LECHUNGA, 2002) e (COELLO; PULIDO;
LECHUGA, 2004).
Encontrar a solução multiobjetivo se trata de encontrar o conjunto de soluções que
otimizam o problema com uma relação de compromisso com todos os objetivos, conjunto
este que corresponde à fronteira de Pareto. Dessa forma, de modo a permitir que as
partı́culas possuam capacidade de produzir diferentes soluções não-dominadas em cada

iteração deve-se, segundo (COELLO; LECHUNGA, 2002):
• Selecionar partı́culas lı́deres de modo a dar preferência a soluções não-dominadas e

ignorar as dominadas;
• Armazenar as solução não-dominadas encontradas durante o processo após compa-

ração com as soluções não-dominadas obtidas anteriormente, de modo a garantir
um bom espalhamento das soluções que compõem a fronteira de Pareto;
• Manter a diversidade das partı́culas no enxame, de modo a evitar a convergência

para mı́nimos ou máximos locais.
Inicialmente, o algoritmo MOPSO gera aleatoriamente a população P , obtendo-se

os valores iniciais de posição xi e velocidade vi das partı́culas. Em seguida, gera-se o
arquivo R, contendo as soluções não-dominadas de P .
No arquivo são armazenadas as soluções não-dominadas obtidas ao longo das ite-
rações. Portanto, ao fim das iterações, o arquivo deverá fornecer a fronteira de Pareto
para o problema de otimização multiobjetivo.
Para a solução de problemas singulares, conforme já apresentado na Seção 3.3.1,
o guia global que cada partı́cula utiliza para a atualização de seu posicionamento é o
mesmo, denominado gbest. Já no caso de problemas multiobjetivo, cada partı́cula poderá
ter um guia diferente das demais. No entanto, cada partı́cula só poderá selecionar um
único guia para a atualização da sua posição. O processo de escolha da partı́cula guia gi
para cada partı́cula i de P é detalhado a seguir.
A escolha do guia gi , a cada iteração, para cada partı́cula i, é realizada da seguinte
forma: o arquivo R, a partir de sua criação, é divido em vários hipercubos (h1 , h2 ,...,
hn ), onde n representa a quantidade de hipercubos definida pelo usuário), os quais são
redimensionados a cada iteração à medida que as coordenadas das novas partı́culas não-
dominadas armazenadas em R extrapolam os limites então atingidos do espaço de busca
do problema. Os hipercubos h que contém mais de uma partı́cula recebem uma avaliação
de fitness que corresponde ao valor de uma constante a > 1 dividida pela quantidade de
partı́culas pertencente ao hipercubo. (COELLO; PULIDO; LECHUGA, 2004) sugere que a =
10. Dessa forma, diminui-se o fitness dos hipercubos que possuem uma quantidade maior
de partı́culas. Essa estratégia pode ser vista como uma forma de fitness sharing, proposta
em (DEB; GOLDBERG, 1989). Em seguida, aplica-se o critério de seleção por roleta usando
os valores de fitness obtidos para os hipercubos, de modo a escolher o hipercubo h de
onde será retirada a partı́cula guia gi para i. Uma vez escolhido o hipercubo, seleciona-se
randomicamente uma das partı́culas ih pertencentes a este hipercubo, partı́cula esta que
será então utilizada como partı́cula guia de i.
As partı́culas da população P são avaliadas por meio das funções objetivo, onde
pbestij funciona como uma memória individual de cada partı́cula i, para as várias di-
mensões j do espaço de busca. O critério de escolha da melhor posição individual pbesti
que será armazenada pela partı́cula i consiste em aplicar a dominância de Pareto a cada
atualização na posição da partı́cula (ou seja, a cada iteração), permanecendo sempre a
solução não-dominada. Se estas são indiferentes, a escolha deve ser realizada randomica-
mente. De acordo com (HU; EBERHART, 2002) e (MOLLAZEI et al., 2007) há várias formas
de selecionar o guia local (pbest) do arquivo, impactando na convergência e diversidade
das soluções. A atualização das velocidades e das posições de cada partı́cula i é obtida
pelas Equações 16 e 17, ambas já definidas na Seção 3.3.1. No caso, a única diferença
entre as equações do PSO residem no fato de que, no MOPSO, cada partı́cula i tem o seu
guia gi , representado por yij na Equação 22, a qual representa a atualização da velocidade
de cada partı́cula i no MOPSO.
vijt+1 = wvijt + c1 r1j

t
(yijt − xtij ) + c2 r2j
t
(yijt − xtij ). (22)
Após a atualização da posição de todas as partı́culas, conforme indicado na Equa-

ção 16, um valor aleatório RT conhecido como fator de turbulência é adicionado à posição
corrente de cada partı́cula, conforme indicado na Equação 23:
xt+1 t t+1
ij = xij + RT xij , (23)
onde RT ∈ [−1, 1].

O fator de turbulência também é conhecido como operador de mutação, devido
à similaridade de sua função com o processo de mutação implementado nos algoritmos
genéticos. Seu objetivo é garantir a diversidade, evitando a rápida convergência das
partı́culas para mı́nimos ou máximos locais. Em (COELLO; PULIDO; LECHUGA, 2004), é
implementado um operador de mutação que no inı́cio do processo de busca é aplicado a
todas as partı́culas. No entanto, ao longo das iterações, reduz-se a quantidade de partı́culas
afetadas pelo operador de mutação. No caso, o operador de mutação não é aplicado apenas
às partı́culas do enxame, mas também aos limites de cada variável de busca do problema
a ser resolvido. Dessa forma, no inı́cio do processo, o espaço de busca é completamente
coberto pelo algoritmo, e à medida que a quantidade de iterações aumenta, reduz-se
o espaço de busca utilizando uma função não-linear. Esta estratégia tem por objetivo
acelerar a convergência do algoritmo. O pseudocódigo do operador de mutação descrito
é apresentado no Algoritmo 7, onde pode-se verificar a função utilizada para redução do
espaço de busca ao longo das iterações, onde i representa a partı́cula a sofrer mutação,
dimmut representa a dimensão a sofrer mutação, dimn representa o número de dimensões
(ou seja, a quantidade de variáveis de busca), dimmut .limsup representa o limite superior
da dimensão a sofre mutação, dimmut .liminf representa o limite inferior da dimensão a
sofrer mutação, muttx representa a taxa de mutação, iter representa a iteração atual e
itermax representa o número máximo de iterações.
Algoritmo 7 Pseudocódigo do operador de mutação do algoritmo MOPSO.

entrada i, dimn , iter, maxiter , mutrate
saı́da i.dimmut
1: iter := iteraoatual
2: se f lip((1 − iter/maxiter )5/mutrate ) então
3: dimmut := random(0, dimn − 1)
4: mutrange := (dimmut .limsup − dimmut .liminf )(1 − iter/maxiter )5/mutrate
5: ls := i.dimmut .limsup + mutrange
6: li := i.dimmut .liminf + mutrange
7: se li < dimmut .liminf então
8: li = dimmut .liminf
9: fim se
10: se ls > dimmut .limsup então
11: ls = dimmut .limsup
12: fim se
13: i.dimmut := random(li, ls)
14: fim se
Ao longo das iterações o arquivo R é atualizado com partı́culas não-dominadas

utilizando a seguinte estratégia: a cada iteração, as soluções não-dominadas da população
P são comparados às soluções não-dominadas já armazenadas no arquivo R. Na inicia-
lização, o arquivo se encontra vazio, logo, as soluções atuais são aceitas. Nas iterações
seguintes, se as novas soluções não-dominadas obtidas em P dominarem as soluções já
armazenadas em R, estas serão substituı́das pelas soluções não-dominadas de P . As solu-
ções não-dominadas de P que forem dominadas por qualquer solução armazenada em R
deverão ser descartadas. Por fim, se o arquivo atinge o seu limite máximo, deve-se aplicar
um procedimento denominado adaptive grid.
O adaptive grid, quando aplicado, tem por objetivo dividir o espaço de busca
explorado pelas partı́culas armazenadas no arquivo em hipercubos h, estabelecendo um
conjunto de coordenadas para cada solução. Os hipercubos são redimensionados à me-
dida que novas soluções extrapolam os limites das soluções já encontradas no espaço de
busca explorado. Cada hipercubo pode ser interpretado como um lugar geométrico que
contém um determinado número de soluções. A quantidade de dimensões dos hipercubos
corresponde à quantidade de variáveis de busca do problema. Dessa forma, uma vez que
uma solução não-dominada de P deve ser armazenada em R e este se encontra no seu
limite máximo, deve-se decidir qual partı́cula de R deve ser descartada para que a nova
partı́cula seja armazenada em R. Esta decisão é tomada com base na densidade popula-
cional dos hipercubos, de modo que se deve dar preferência à escolha de novas partı́culas
não-dominadas que preencham hipercubos menos populosos, descartando-se as partı́culas
pertencentes aos hipercubos mais populosos.
A aplicação do adaptive grid permite obter fronteiras de Pareto bem distribuı́das.
A abordagem utilizada no MOPSO se trata de uma variação do adaptive grid proposto
em (KNOWLES; CORNE, 2000) e também aplicada no Micro-GA (COELLO; PULIDO, 2001).
No caso, é necessário que o usuário forneça o número de subdivisões do grid. A principal
vantagem da utilização do adaptive grid é seu baixo custo computacional quando com-
parado, por exemplo, à técnica de nichos (KNOWLES; CORNE, 2000), exceto se o grid for
atualizado a cada iteração, onde estes custos passam a se tornar equivalentes.
As demais variáveis já foram previamente citadas. indo valores entre [0 1], os
termos c1 e c2 representam os coeficientes de aceleração, w representa o coeficiente de
inércia, o termo pbestgj representa a melhor posı́ção individual da i-ésima partı́cula na
j-ésima dimensãoo, e o termo gbestgj representa o guia local g escolhido no arquivo R para
a j-ésima dimensão. Maiores detalhes sobre os coeficientes e como escolhê-los podem ser
encontrados na Subseção 3.1 do Capı́tulo 3.
Conforme indicado em (COELLO; PULIDO; LECHUGA, 2004), as restrições no MOPSO
são implementadas da seguinte forma: sempre que dois indivı́duos são comparados, verificam-
se suas restrições. Se ambos são factı́veis, aplica-se o critério de dominação para decidir
quem é o vencedor. Se um deles é factı́vel, e o outro, não-factı́vel, o factı́vel domina.
Se ambos são não-factı́veis, domina o que possuir menor teor associado à violação das
restrições. Esta é a mesma abordagem usada no Micro-GA (COELLO; PULIDO, 2001).
O algoritmo MOPSO realizará diversas iterações até que um critério pré-determinado
seja atendido. Ao término da execução, obtém-se um conjunto de soluções Pareto-ótimas
armazenadas no arquivo final. O Algoritmo 8 indica as etapas do algoritmo MOPSO, onde
imax representa quantidade de partı́culas do enxame e itermax , a quantidade máxima de
iterações. As demais variáveis já foram previamente citadas.
Algoritmo 8 Pseudocódigo do algoritmo MOPSO.

entrada itermax
saı́da R
1: para i := 0 → imax faça
2: gera posição randômica inicial x[i] da população P
3: fim para
5: gera velocidade randômica inicial v[i]
6: fim para
7: avalia fitness de cada partı́cula de P
8: armazena as posições xi das partı́culas não-dominadas de P em R
9: gera hipercubos e aloca as partı́culas armazenadas em R
11: pbest[i] := x[i]
12: fim para
13: enquanto iter < itermax faça
15: seleciona h utilizando fitness sharing
16: g[i] := random(R(h))
17: v[i] := wv[i] + c1 r1 (pbest[i] − x[i]) + c2 r2 (g − x[i])
18: x[i] := x[i] + v[i]
19: avalia f itness := f (xi ) das partı́culas de P
20: armazena as posições xi das partı́culas não-dominadas de P em R
21: se E estiver cheio ao tentar inserir os vetores não-dominados de P então
22: Aplica adaptive grid
23: fim se
24: se x[i] domina pbesti então
25: pbesti := x[i]
26: fim se
28: fim para
29: fim enquanto
3.4.5 MO-TRIBES
Inicialmente será apresentado o algoritmo Tribes, o qual é aplicável apenas a problemas

de otimização mono-objetivo. Em seguida, será apresentado o algoritmo MO-TRIBES,
o qual permite aplicação em problemas de otimização multiobjetivo. O MO-TRIBES
aplicado neste trabalho se trata da versão multiobjetivo do algoritmo Tribes-D.
O algoritmo Tribes pode ser considerado um subtipo de PSO, e foi idealizado
por Maurice Clerc, em 2003, inspirado no comportamento de tribos procurando por boas
regiões. Em Tribes, cada tribo é tratada como um sub-enxame (CLERC, 2003). Dessa
forma, o enxame é dividido em tribos de indivı́duos, onde cada tribo atua como um
enxame independente, explorando uma região especı́fica em particular (COOREN; CLERC;
SIARRY, 2008).
Cada indivı́duo do enxame é denominado partı́cula, e cada partı́cula pertence so-
mente a uma única tribo. Cada partı́cula se movimenta em um espaço de busca multidi-
mensional, onde cada dimensão representa uma variável de busca do problema.
Todas as tribos trocam informações sobre as regiões que estão explorando. Um
informante de uma dada partı́cula i é uma partı́cula j que pode passar informação para
i. Geralmente, essa informação inclui a melhor posição já encontrada por j e o valor
de fitness obtido para esta posição. Tem-se, portanto, que o informante j influencia no
comportamento de i.
Em uma tribo, cada partı́cula possui uma memória cognitiva pi , e também recebe
informação das demais partı́culas de sua tribo, denominadas informantes internos. A
melhor partı́cula de uma tribo é denominada shaman, operando esta como um informante
externo com as demais tribos. O conjunto de informantes de uma partı́cula é chamado de
i-group e, portanto, contém todas as partı́culas de sua tribo, mas não limitado a ela. A
memória social pg de uma dada partı́cula é passada pelo informante com menor valor de
fitness para a função objetivo do problema.
Os princı́pios básicos do algoritmo Tribes são (COOREN; CLERC; SIARRY, 2006) e
(CHEN; LI; CAO, 2006):
• O enxame é dividido em tribos;
• No inı́cio, o enxame é composto por uma única partı́cula;

• De acordo com o comportamento das tribos, partı́culas são adicionadas ou removi-

das;
• De acordo do desempenho das partı́culas, suas estratégias de deslocamento são adap-

tadas.
Durante o processo, cada partı́cula se move em direção a uma região mais promis-
sora, com base em seu conhecimento, dado por: sua posição atual xi , a melhor posição pi
já encontrada pela partı́cula, e a melhor posição pg já encontrada em seu i-group.
Uma partı́cula pode ser classificada como boa, excelente ou neutra. Uma partı́-
cula é dita boa quando o seu último movimento proporcionou uma melhoria para a tribo
(f (xi ) < f (pi )). Se os dois últimos movimentos proporcionaram melhorias para a tribo
(ou seja, f (xi )t < f (pi )1 ∧ f (xi )t+1 < f (pi )2 ), esta é classificada como excelente. Se o
último movimento não proporcionou melhoria para a tribo (ou seja, f (xi ) ≥ f (pi )), esta
é classificada como neutra.
Dada uma tribo T , a pior partı́cula i será aquela em que ∀xj 6= xi , f (xj ) ≤ f (xi ).
A melhor partı́cula i da tribo T será aquela em que ∀xj 6= xi , f (xj ) ≥ f (xi ).
A classificação de uma tribo como boa ou ruim depende da quantidade de partı́culas
boas e ruins pertencentes a esta. Quanto maior a quantidade de partı́culas boas em uma
tribo, melhor ela será. O critério de classificação é estabelecido por meio de uma algoritmo
que gera um número aleatório entre 1 e nT , onde nT representa a quantidade total de
partı́culas da tribo. Em seguida, verifica-se se este número aleatório obtido é maior ou
igual a GT , onde GT representa a quantidade de partı́culas boas da tribo. Caso positivo,
a tribo é classificada como boa, caso contrário, a tribo é classificada como ruim (COOREN;
CLERC; SIARRY, 2006).
Após uma determinada quantidade de iterações, as tribos passam por um processo
chamado de reestruturação adaptativa, onde há regras que determinam se uma partı́cula
deve ser adicionada ou removida. Neste processo, boas tribos deverão descartar a pior
partı́cula. Tribos ruins, ao contrário, recebem uma nova partı́cula, de modo a aumentar
a possibilidade de melhoria no desempenho da tribo. O objetivo ao remover a partı́cula
de uma tribo boa é que esta condição se trata de uma oportunidade de reduzir a quan-
tidade de avaliações de fitness das funções objetivo sem impor riscos ao desempenho do
processo (COOREN; CLERC; SIARRY, 2006). No caso de uma tribo representada por uma
única partı́cula, esta só será eliminada se algum dos informantes possuir um desempenho
superior, de modo a não perder a informação da partı́cula a ser eliminada.
A eliminação de uma partı́cula implica na redistribuição dos links. De modo geral,
a melhor partı́cula da tribo passa a assumir os links da partı́cula eliminada. No caso
de uma tribo representada por uma única partı́cula, os links são assumidos pela melhor
partı́cula informante da partı́cula a ser eliminada.
As tribos ruins, pelo contrário, necessitam de informação e, portanto, de partı́culas
para varrer o espaço de busca. Dessa forma, o respectivo shaman de cada tribo ruim gera
duas novas partı́culas e se torna informante destas, estabelecendo então um link destas
com as demais tribos por seu intermédio. Uma das partı́culas é posicionada em um
lugar qualquer do espaço de busca, e a outra é posicionada em uma região bem restrita.
Essas partı́culas são denominadas, respectivamente, partı́cula livre e partı́cula confinada,
e deverão formar uma nova tribo, a qual estabelecerá um link com o shaman da tribo que
as gerou. Esta é a estratégia que permite o avanço das partı́culas para novas posições do
espaço de busca.
A partı́cula livre é gerada de forma randômica a partir de uma distribuição uni-
forme, a qual também é obtida de forma randômica com base em três possı́veis localiza-
ções. Considerando o espaço de busca sendo um hiper-paralelogramo, estas três possı́veis
localizações são:
• Qualquer lugar do espaço de busca;
• Em um dos lados do espaço de busca;
• Em um dos vértices do espaço de busca.
Dado que is representa o shaman da tribo que está gerando as partı́culas, xs

representa sua melhor posição memorizada, ig representa seu melhor informante, e xg
representa a melhor posição que seu melhor informante memorizou, logo, a partı́cula
confinada será gerada randomicamente no espaço representado pela hiperesfera centrada
em xg e com raio igual a ||xg − xs ||.
O objetivo da partı́cula livre não se trata apenas de buscar por novas áreas pro-
missoras no espaço de busca definido, mas também assegurar que a futura trajetória
desta nova partı́cula tenha maior probabilidade de atravessá-las. Já a partı́cula confinada
tem por objetivo intensificar a busca em uma região que já é aparentemente interessante
(COOREN; CLERC; SIARRY, 2006).
A reestruturação adaptativa do enxame não deve ser realizada a cada iteração, uma
vez que são necessárias várias iterações para que as modificações realizadas na estrutura
sejam propagadas através do enxame e seja possı́vel avaliar os resultados. Em teoria,
após cada adaptação, deveria-se calcular o diâmetro do grafo de interconexão entre as
diversas partı́culas do enxame, considerando apenas os pares de partı́culas que pertencem
a diferentes tribos. Portanto, seria necessário calcular o menor caminho de informação
conectando cada par de partı́culas pertencentes a tribos distintas. O maior dos caminhos
mais curtos calculados seria uma estimativa da quantidade de iterações necessárias para
ter certeza de que a informação sob posse de uma partı́cula pode ser transmitida através
de um caminho com deformação aceitável. De modo a simplificar este cálculo, (CLERC,
2003) propõe reavaliar e modificar a estrutura do enxame a cada L/2 iterações, onde L
representa a quantidade de links ou conexões estabelecidos entre as partı́culas do enxame.
Com as regras descritas acima, tem-se que, no inı́cio, existe uma única partı́cula,
representando uma única tribo. Após a primeira iteração, se a situação desta partı́cula não
melhorar, o que é extremamente provável, outra partı́cula deverá ser gerada, formando
uma segunda tribo. Na próxima iteração, se nenhuma das duas partı́culas melhorar sua
situação, as duas tribos simultaneamente gerarão duas partı́culas cada, o que significa que
uma nova tribo de quatro partı́culas será gerada, e assim por diante. Logo, à medida que
as partı́culas não convergem, tribos enormes vão sendo geradas, aumentando a capacidade
de exploração do enxame, mas de forma cada vez mais esporádica. À medida que ocorrem
as adaptações, o enxame passa a ter cada vez mais chance de encontrar a solução. No
entanto, à medida que o esboço de uma solução é encontrado, cada tribo deverá eliminar
gradualmente suas piores partı́culas, possivelmente até ela desaparecer completamente.
Na situação ideal, quando a convergência do algoritmo é confirmada, todas as tribos,
exceto possivelmente a última gerada, são reduzidas a uma única partı́cula.
A estratégia de deslocamento das partı́culas é baseada em seu passado recente. Há
três possibilidades de variação do desempenho de uma partı́cula: deterioração, manuten-
ção do status quo, ou melhoramento, simbolizados, respectivamente por −, = e +. Uma
vez que o passado de uma partı́cula é representado por suas duas últimas avaliações de de-
sempenho, o algoritmo deve distinguir nove possı́veis situações que representam o passado
de uma partı́cula. Por exemplo, pode-se ter uma melhoria seguida de uma manutenção
do status quo, situação esta que é denotada por + =.
As possı́veis situações para o passado de uma partı́cula serão distribuı́das em três
grupos, onde, para cada um é definida uma estratégia de deslocamento para a partı́cula
em análise. A Tabela 3 indica a estratégia a ser utilizada de acordo com o passado de
uma dada partı́cula.
Tabela 3: Estratégia de deslocamento em função do passado da partı́cula.
Passado da partı́cula Estratégia de deslocamento

(−−), (= −), (+−), (− =), (==) Local através de Gaussianas independentes
(+ =), (−+) Disturbed Pivot
(= +), (++) Pivot
Considere pi a melhor posição já alcançada pela partı́cula i, gi a melhor posição já
atingida por seu melhor informante, e f a função objetivo. Logo o deslocamento utilizando
a estratégia pivot será dado por:
xi = C1 · aleaesf (Hp ) + C2 · aleaesf (Hg ), (24)
sendo que
f (pi )
C1 = , (25)
f (pi ) + f (gi )
f (gi )
C2 = , (26)
f (pi ) + f (gi )
onde aleaesf (Hp ) representa um valor aleatório pertencente à hiperesfera de centro pi e
raio ||pi − gi ||, e aleaesf (Hg ) representa um valor aleatório pertencente à hiperesfera de
centro gi e raio ||pi − gi ||.
A estratégia disturbed pivot é similar à estratégia pivot, com a adição de um ruı́do.
De modo a implementar o ruı́do, para cada componente da última posição obtida, gera-
se um número randômico b utilizando uma distribuição Gaussiana centrada com desvio
f (pi )−f (gi )
padrão igual a f (pi )+f (gi )
. Em seguida, cada componente da nova posição obtida é multi-
plicada por (1 + b).
A estratégia local através de Gaussianas independentes é implementada através do
seguinte procedimento: se g = (g1 , · · · , gD ) representa a melhor posição armazenada pelo
melhor informante da partı́cula i, onde D representa o número de dimensões do problema,
logo, o deslocamento da partı́cula é dado por:
xj = gj + aleanormal (gj − xj , ||gj − xj ||), j ∈ 1, · · · , D, (27)

onde aleanormal (gj −xj , ||gj −xj ||) representa um ponto aleatoriamente escolhido utilizando
uma distribuição Gaussiana com média igual a (gj −xj ) e desvio padrão igual a (||gj −xj ||).
Se alguma componente da posição de uma determinada partı́cula tende a ir além
de valores aceitáveis, esta é simplesmente trazida de volta à posição mais próxima dos
limites do espaço de busca. O Algoritmo 9 indica as etapas do Tribes, onde N L representa
o número de links de informação computados na última reestruturação adaptativa, n
representa o número de iterações desde a última reestruturação adaptativa ocorrida, iter
representa a iteração atual e itermax representa a quantidade máxima de iterações.
Até o momento, apenas a abordagem mono-objetivo foi considerada. A seguir, será
apresentado o algoritmo Tribes-D, o qual foi utilizado para a implementação da otimização
multiobjetivo proposta, uma vez que contém a implementação do algoritmo MO-TRIBES,
permitindo tanto aplicações de otimização mono quanto multiobjetivo.
Algoritmo 9 Pseudocódigo do algoritmo Tribes.

entrada itermax
saı́da gi
1: inicialização randômica de uma partı́cula
2: avalia fitness
3: gi := pi := xi
4: iter := 0
5: repita
7: determina a situação da partı́cula i
8: escolhe a estratégia de deslocamento
9: atualiza xi
10: avalia fitness
11: atualiza pi
12: atualiza gi
13: fim para
14: se n > N L então
15: determina a qualidade das tribos
16: aplica reestruturação adaptativa do enxame
17: adiciona/remove partı́culas das tribos
18: reestrutura os links
19: calcula NL
20: fim se
22: até iter = itermax
No algoritmo Tribes clássico, assume-se que é possı́vel calcular a distância Eu-

clidiana entre dois pontos no espaço de busca. Em particular, pontos pertencentes a
hiperesferas. Entretanto, para vários problemas reais, essa abordagem não tem signifi-
cado. Por exemplo, se uma variável x1 representa um custo, e outra x2 representa um peso
qualquer adimensional, a definição da distância ||x1 −x2 || é algo completamente arbitrário
e que pode representar um resultado sem significado prático.
Como melhoramento, o algoritmo Tribes-D (faz alusão a Tribes sem distância
multidimensional), desenvolvido por Maurice Clerc em 2008, não realiza o cálculo de
distância multidimensional. No caso, calcula-se a distância entre dois pontos apenas ao
longo da mesma dimensão, ou seja, a distância entre pontos que representam a mesma
variável de busca. Um dos inconvenientes desta abordagem é que o algoritmo pode não
apresentar um bom desempenho em alguns problemas onde o espaço de busca é um
hipercubo, ou quando o número máximo de avaliações de fitness é pequeno.
O MO-TRIBES é denominado por Maurice Clerc como um otimizador por en-
xame de partı́culas livre de parâmetros e completamente adaptativo para aplicação em
problemas heterogêneos reais. Entende-se por heterogêneos os problemas multidimensi-
onais onde algumas dimensões são discretas e outras são contı́nuas. Quando o espaço
de busca não é um hipercubo, mas sim um hiper-paralelogramo, e quando o problema é
heterogêneo, o MO-TRIBES pode apresentar um excelente desempenho.
No que diz respeito às estratégias de deslocamento das partı́culas, o MO-TRIBES
adiciona um tipo de seleção natural entre estratégias, No caso, uma boa partı́cula mantém
a mesma estratégia com uma probabilidade de 0, 5, não importa qual.
Diferentemente do Tribes clássico, o MO-TRIBES implementa duas maneiras de
aumentar a diversidade em uma tribo ruim:
• Gera uma nova partı́cula; ou
• Modifica a melhor posição de uma partı́cula existente. No entanto, este procedi-

mento só é realizado para a dimensão com menor discrepância considerando toda a
tribo.
O MO-TRIBES utiliza o conceito de Pareto. Para tal, mantém um arquivo sempre

atualizado com as soluções não-dominadas obtidas ao longo das iterações. As soluções
são comparadas com base no critério clássico de dominância, onde as novas soluções
não-dominadas obtidas após cada iteração substituem as soluções do arquivo que são
dominadas por estas.
O tamanho do arquivo é importante, devendo este ser limitado, uma vez que o pro-
cesso de atualização vai se tornando mais complexo à medida que seu tamanho aumenta.
Limitar o tamanho do arquivo significa incluir duas novas regras ao Tribes clássico: uma
regra para escolher quais soluções não-dominadas deverão permanecer no arquivo e outra
regra para ajustar o tamanho do arquivo de forma adaptativa. O Algoritmo 10 indica
como determinar o tamanho do arquivo, onde k representa o número de funções objetivo,
nDomP rev representa o número de soluções não dominadas encontradas na última atu-
alização do tamanho do arquivo e run representa o número de reinicializações do enxame
desde o inı́cio do processo.
O processo de reinicialização do enxame ocorre se após duas readaptações estru-
turais do enxame não houver a inclusão de pelo menos uma solução não dominada ao
enxame, de modo a permitir que possı́veis novas regiões do espaço de busca possam ser
exploradas, o que favorece a diversidade.
O Algoritmo 10 mostra que o tamanho do arquivo é definido como uma função do
número de funções objetivo definidas. Além disso, adiciona-se um mecanismo que verifica
se o algoritmo já foi reinicializado, e caso positivo, o tamanho do arquivo é ajustado de
forma adaptativa de acordo com o número de soluções não-dominadas obtidas na última
atualização de seu tamanho.
Algoritmo 10 Pseudocódigo para determinação do tamanho do arquivo no MO-TRIBES.

entrada k, nDomP rev, run
saı́da arquivotam
1: se run = 0 então
2: arquivotam := ek
3: senão
4: arquivotam := arquivotam + 10 · ln(1 + nDomP rev)
5: fim se
Além do critério de dominância, também é aplicado o método crowding distance

para a escolha das partı́culas que deverão permanecer no arquivo (DEB et al., 2000), de
modo a garantir uma boa distribuição das soluções não-dominadas na fronteira de Pareto
obtida a cada iteração do algoritmo. No caso do MO-TRIBES, o crowding distance só é
aplicado à melhor partı́cula de cada tribo.
O crowding distance estima o tamanho do maior cuboide em torno de cada partı́-
cula i não-dominada pertencente ao arquivo, de modo que o volume compreendido pelo
cuboide não deve conter qualquer outra partı́cula diferente de i. Portanto, o objetivo é
maximizar a crowding distance das partı́culas, de modo a obter uma fronteira de Pareto
com distribuição o mais uniforme possı́vel. O método crowding distance implementado
no MO-TRIBES só permite aplicações envolvendo até três objetivos (KUKKONEN; DEB,
2006)(COOREN; CLERC; SIARRY, 2011).
O Algoritmo 11 indica o processo de atualização do arquivo no MO-TRIBES,
onde T ribeN b representa o número de tribos do enxame, tribe[i].explorerN b representa
a quantidade de partı́culas na i-ésima tribo, tribe[i].part[j] representa a j-ésima partı́-
cula da i-ésima tribo, nomDomCtr representa a quantidade de soluções não-dominadas
armazenadas no arquivo e arquivotam representa o tamanho do arquivo.
Algoritmo 11 Pseudocódigo do algoritmo de atualização do arquivo no MO-TRIBES.

entrada T ribeN b, tribe, nomDimCtr, arquivotam
saı́da arquivo
1: para i := 1 → T ribeN b faça
2: para j := 1 → tribe[i].explorerN b faça
3: se tribe[i].part[j] domina algum elemento do arquivo então
4: descarta elementos dominados
5: fim se
6: se tribe[i].part[j] é não-dominada então
7: se arquivotam 6= nomDomCtr então
8: adiciona tribe[i].part[j] ao arquivo
9: senão
10: calcula crowding distance para as soluções do arquivo
11: ordena as partı́culas do arquivo com base no crowding distance
12: substitui a partı́culas com menor crowding distance por tribe[i].part[j]
13: fim se
14: fim se
15: fim para
16: fim para
Na implementação multiobjetivo do Tribes-D (MO-TRIBES), o conceito de partı́-

cula informante difere do conceito considerado para a solução de problemas mono-objetivo
(COOREN; CLERC; SIARRY, 2011). Dada uma partı́cula i de posição xi , o primeiro infor-
mante é pi (denominado informante cognitivo), o qual representa a influência da própria
experiência da partı́cula no seu comportamento. Em um dado instante t, pi é atualizado
se xi (t) domina pi . Logo, o critério de dominação é utilizado para avaliar a qualidade da
nova posição da partı́cula, e portanto, na atualização do informante cognitivo desta.
O Algoritmo 12 apresenta o pseudocódigo do processo de escolha das partı́cu-
las informantes em um dado instante t, onde tribe[i].part[j] representa a j-ésima par-
tı́cula da i-ésima tribo, tribe[i].part[j].p representa o informante cognitivo da partı́cula

tribe[i].part[j], tribe[i].part[j].g representa o informante social da partı́cula tribe[i].part[j],
tribe[i].part[shaman] representa o shaman da i-ésima tribo e U (arquivo) representa uma
posição randomicamente escolhida no arquivo.
Em MO-TRIBES, o segundo informante da partı́cula i é gi (denominado infor-
mante social). Dessa forma, gi representa a influência da experiência social no compor-
tamento da partı́cula i. No caso de aplicações mono-objetivo, o informante social g é o
shaman da tribo à qual a partı́cula i pertence. No caso de aplicações multiobjetivo, o
conceito de shaman é diferente, pois a noção de melhor posição já encontrada pela tribo
não pode ser definida. Na aplicação multiobjetivo, o shaman de uma tribo é uma partı́cula
randomicamente escolhida na tribo a cada iteração. O objetivo do shaman é atuar como
um lı́der da tribo através de um processo de comunicação com o arquivo. Na prática, a
escolha de gi difere se a partı́cula i na posição xi é ou não o shaman. Se a partı́cula i, posi-
cionada em xi não é o shaman, gi é considerada a melhor posição alcançada pelo shaman;
se a partı́cula i é o shaman da tribo, gi é randomicamente escolhido no arquivo, dando-se
preferência às partı́culas não-dominadas, permitindo a manutenção da diversidade.
Algoritmo 12 Pseudocódigo do algoritmo de escolha dos informantes no MO-TRIBES.

entrada tribeN b, tribe
saı́da tribe[i].part[j].p,tribe[i].part[j].g
1: para i := 1 → tribeN b faça
2: para j := 1 → tribe[i].explorerN b faça
3: se tribe[i].part[j] domina tribe[i].part[j].p então
4: tribe[i].part[j].p := tribe[i].part[j]
5: fim se
6: se tribe[i].part[j] é o shaman da tribo i então
7: tribe[i].part[j].g := U (archive)
8: senão
9: tribe[i].part[j].g := tribe[i].part[shaman].p
10: fim se
11: fim para
12: fim para
O Algoritmo 13 indica as etapas do MO-TRIBES, onde fk (xi ) representa o valor

da função objetivo para cada objetivo k, obtida a partir de uma determinada posição
xi de uma partı́cula i, N L representa o número de links de informação computados na
última reestruturação adaptativa, n representa o número de iterações desde a última
reestruturação adaptativa ocorrida.
Algoritmo 13 Pseudocódigo do algoritmo MO-TRIBES.

entrada itermax
saı́da arquivo
1: calcula o tamanho do arquivo
2: inicialização randômica de uma partı́cula
3: avalia fitness := fk (xi )
4: gi := pi := xi
5: armazena soluções não-dominadas no arquivo
6: iter := 0
7: repita
9: determina a situação da partı́cula i
10: escolhe a estratégia de deslocamento
11: atualiza xi ; avalia fitness := fk (xi )
12: atualiza pi ; atualiza gi ; atualiza o arquivo
13: fim para
14: se n > N L então
15: determina a qualidade das tribos
16: aplica reestruturação adaptativa do enxame
17: adiciona/remove partı́culas das tribos
18: reestrutura os links
19: avalia a possibilidade de reinicialização do enxame
20: se nDomP rev = 0 então
21: reinicia o algoritmo
22: atualiza o tamanho do arquivo
23: fim se
24: calcula NL
25: fim se
27: até iter = itermax

Este capı́tulo abordou os procedimentos e estratégias de solução de problemas de otimi-
zação multiobjetivo. Por fim, foram escolhidos e apresentados os algoritmos aplicados na
solução do problema de otimização multiobjetivo proposta nesta dissertação.
No próximo capı́tulo são apresentados os trabalhos relacionados à implementa-
ção de sistemas inteligentes de apoio à decisão para processos envolvendo a otimização
energética de torres de resfriamento e chillers.
Capı́tulo 4
TRABALHOS RELACIONADOS
N
ESTE capı́tulo, são apresentados os trabalhos mais relevantes que utilizam a inte-
ligência computacional na busca pela eficiência energética de sistemas de resfria-
mento compostos por chillers e torres de resfriamento. A descrição divide os trabalhos
por tipo de algoritmo de otimização utilizado.
4.1 Otimização com Busca Extremal

Em (LI et al., 2012), a eficiência energética do sistema de refrigeração é obtida por meio de
uma estratégia de controle baseada em busca extremal. O processo simulado consiste em
um chiller do tipo parafuso, refrigerado a água, e uma torre de resfriamento do tipo úmida,
com tiragem mecânica em contracorrente. As modelagens dinâmicas dos equipamentos
foram obtidas a partir de bibliotecas da plataforma de simulação Dymola, dedicada à
simulação de sistemas termodinâmicos. O sistema de controle proposto utiliza como
realimentação o consumo de energia elétrica total do sistema, composto por chillers e
ventiladores da torre, e utiliza a variação do setpoint de velocidade dos ventiladores de
modo a atingir a eficiência energética. A busca extremal baseia-se na contı́nua variação
do setpoint do sistema, ora incrementando, ora decrementando seu valor, causando um
incremento ou decremento no consumo total de energia, após um dado intervalo de tempo.
Dessa forma, obtém-se a convergência para o ponto de menor consumo energético global
por meio do monitoramento do gradiente da energia elétrica consumida em um dado
intervalo de tempo. Além da malha de controle principal, há outras duas malhas de
controle PI (proporcional-integral) internas à malha principal, com o objetivo de monitorar
e garantir que as temperaturas da água gelada e de condensação estejam dentro dos limites
operacionais do chiller. Os resultados apresentam uma economia de até 5,7%.
4.2. OTIMIZAÇÃO COM O ALGORITMO OAT 104
O trabalho reportado em (TYAGI; SANE; DARBHA, 2006) apresenta uma estratégia

de busca extremal de forma bastante similar à apresentada em (LI et al., 2012), sendo
que neste, a variável manipulada pelo sistema de controle é a temperatura de saı́da da
torre de resfriamento, ao contrário do trabalho reportado em (LI et al., 2012), que utiliza
a velocidade do ventilador da torre como variável manipulada pelo sistema de controle.
Os resultados apresentados variam em função da carga térmica do chiller, sendo mais
expressivos à medida que esta se aproxima do valor nominal, condição em que apresenta
uma economia de até 13,6%.
Em (LI et al., 2012) e (TYAGI; SANE; DARBHA, 2006), verifica-se que a convergência
dos sistemas baseados em busca extremal tende a ser lenta, pois dependem da estabili-
zação do sistema termodinâmico para posterior avaliação de cada novo ajuste efetuado
no setpoint, uma vez que sistemas térmicos geralmente possuem atrasos de transporte
consideráveis. No caso, em (LI et al., 2012) foi relatado um atraso de transporte da ordem
de três minutos para a estabilização da temperatura após uma mudança do fator de carga
do chiller de 0,7 para 0,7023. Esta abordagem difere da abordagem proposta nesta dis-
sertação, onde o sistema de otimização é baseado em modelagem termodinâmica, o que
permite a predição de uma futura condição operacional do sistema para os vários possı́veis
setpoints de velocidade dos ventiladores da torre de resfriamento e temperatura da água
gelada dos chillers, permitindo obter a melhor condição operacional de forma mais rápida,
favorecendo a economia de energia.
4.2 Otimização com o Algoritmo OAT

Em (LIU; CHUAH, 2011), é proposta uma estratégia de controle definida pelo autor como
OAT (Optimum Approach Temperature) para a otimização energética da torre de resfri-
amento. O termo approach representa a diferença, em um dado instante, entre a tem-
peratura da água de condensação e a temperatura de bulbo úmido. Esta diferença de
temperatura tem uma relação direta com a efetividade da torre de resfriamento. Quanto
menor o approach da torre de resfriamento, maior é sua efetividade, ou seja, maior é o
rendimento da troca térmica realizada. No entanto, em termos de consumo elétrico do
sistema, nem sempre o menor approach representa a melhor condição operacional, pois
esta condição demanda um maior consumo por parte dos ventiladores da torre de resfri-
amento. A partir de um dado ponto, a redução da temperatura da água de condensação
4.3. OTIMIZAÇÃO COM ALGORITMOS GENÉTICOS 105
praticamente não influencia no consumo do chiller, o qual é responsável pela maior par-
cela do consumo de energia elétrica do sistema. O algoritmo OAT se trata, portanto, de
uma estratégia de otimização aplicada somente a torres de resfriamento.
A otimização da torre é avaliado em termos do fator de desempenho do sistema
(System Perform Factor, ou SPF), obtido através da análise do consumo energético após
variação do setpoint da temperatura da água de condensação, com incrementos de 0,1°C
a partir da temperatura de bulbo úmido. Após o levantamento e pré-processamento
dos dados coletados, realiza-se uma regressão linear para a obtenção dos coeficientes da
função que determina a temperatura de approach ótima em termos da temperatura de
bulbo úmido, da carga do chiller e das eficiências da torre e do chiller. Os resultados
utilizando esta estratégia apresentam uma economia de energia entre 4,1% e 4,8% em
uma base de dados que considera o perı́odo equivalente a um ano de operação.
A estratégia utilizando o algoritmo OAT, diferentemente da proposta apresentada
nesta dissertação, não é baseada em uma modelagem termodinâmica do processo, nem dos
equipamentos que o compõem, baseando-se apenas na análise de dados obtidos em campo.
Portanto, a assertividade quanto à definição do melhor setpoint para a temperatura da
água de condensação depende, exclusivamente, da quantidade e qualidade da base de
dados obtida. Nem sempre é possı́vel obter-se uma quantidade de dados significativa para
a modelagem de um sistema composto por diversos equipamentos. No trabalho proposto
nesta dissertação, preferiu-se a abordagem baseada na modelagem termodinâmica dos
equipamentos que compõem o sistema de resfriamento.
4.3 Otimização com Algoritmos Genéticos

O trabalho reportado em (MA; WANG, 2011) apresenta uma estratégia de controle ótimo de
um sistema de resfriamento baseado em chiller, no intuito de melhorar a eficiência energé-
tica global do sistema. No caso, a precisão da modelagem dos equipamentos que compõem
o sistema é garantida através da atualização on-line de seus parâmetros, utilizando-se o
método dos mı́nimos quadrados recursivo. O algoritmo genético é utilizado como fer-
ramenta global de otimização, cuja função de avaliação minimiza o consumo global de
energia demandada pelos chillers, ventiladores e bombas da água de condensação. O cro-
mossomo do algoritmo genético fornece como saı́da os valores das temperaturas da água
gelada, água de condensação e água no trocador de calor. Para simulação do sistema pro-
posto foi utilizado o ambiente de simulação dinâmica TRNSYS. As bombas da água de

condensação e os ventiladores das torres possuem conversores de frequência, permitindo a
variação de suas velocidades para a obtenção da economia de energia desejada. Os resul-
tados indicam uma economia entre 0,73% e 2,55% diários quando comparado à operação
com ajustes convencionais, ou seja, com os equipamentos operando com velocidade fixa
igual à nominal.
Em (KIE; THENG, 2009), propõe-se a utilização de um sistema de otimização energé-
tica baseado em simulação para um sistema de resfriamento que utiliza chillers acionados
através de conversores de frequência. Os ventiladores da torre e as bombas do circuito da
água de condensação possuem velocidade fixa. O sistema de otimização utiliza computa-
ção evolucionária, e tem como função objetivo a minimização do consumo energético do
sistema de resfriamento, considerando como carga: os chillers, os ventiladores das torres
de resfriamento e as bombas da água de condensação. Como restrições operacionais im-
postas, tem-se: 1) em qualquer instante, a capacidade térmica das torres deve ser superior
à carga de refrigeração dos chillers, de modo a evitar o shutdown do sistema; 2) definição
dos limites mı́nimo e máximo para a temperatura da água de condensação; e 3) defini-
ção dos limites mı́nimo e máximo para a vazão da água de condensação. Diferentemente
da estratégia adotada nesta dissertação, onde a variação da velocidade é realizada nos
ventiladores da torre de resfriamento, este trabalho realiza a variação da velocidade dos
chillers. Os resultados apresentam uma redução de 7% no consumo total de energia do
sistema comparado ao sistema com chillers operando com velocidade fixa.
Em (LU et al., 2004), é apresentada uma estratégia de otimização baseada em um
algoritmo genético modificado para um sistema composto por chillers, bombas de água de
condensação e ventiladores da torre de resfriamento. As restrições definidas para o pro-
blema representam a modelagem dos equipamentos e suas interações. Neste trabalho, as
bombas da água de condensação e os ventiladores das torres são acionados através de con-
versores frequência, permitindo a variação de suas velocidades. As variáveis que compõem
o cromossomo do algoritmo genético são: a quantidade de chillers, bombas e ventiladores
da torre que devem permanecer em operação, e as vazões e temperaturas de entrada e
saı́da do circuito de água de condensação. A função de avaliação do algoritmo genético
considera a combinação linear das restrições definidas, utilizando fatores de penalização
para cada restrição. O objetivo é a minimização do consumo energético do sistema. As
principais diferenças com relação ao algoritmo genético clássico são o fato do espaço de
busca se restringir a uma região pré-definida em torno do resultado da otimização ante-
rior, e à utilização da técnica de elitismo, permitindo que os melhores resultados obtidos
sejam mantidos para a próxima geração. O sistema proposto foi testado em uma planta
piloto de HVAC (Heating, Ventilating and Air Conditioning), apresentando resultados
promissores, onde foram comparados três cenários: 1) vazões da água de condensação e
de ar nos ventiladores da torre constantes; 2) vazão da água de condensação constante e
vazão de ar nos ventiladores da torre variável; e 3) vazões de água e ar variáveis na torre.
O terceiro cenário apresentou os melhores resultados. Os resultados mostram que para
valores de PLR (Part Load Ratio - que pode ser definido como o fator de carga térmica
do chiller) em torno de 0,3, pode-se obter uma economia de até 30%, e que para valores
próximos à carga térmica nominal, ou seja, PLR próximos a 1, obtém-se uma economia
em torno de 10%.
Comparando as estratégias de otimização definidas em (MA; WANG, 2011), (KIE;
THENG, 2009) e (LU et al., 2004) om a proposta desta dissertação, tem-se uma diferença
crucial no fato de que nesta, propõe-se uma abordagem multiobjetivo, a qual confere
ao sistema não apenas a otimização em termos de eficiência energética, mas também
em termos da efetividade da troca térmica realizada na torre de resfriamento. Dessa
forma, a abordagem multiobjetivo, em contrapartida aos demais métodos propostos e
apresentados neste capı́tulo, permite que seja estabelecido como critério para escolha da
melhor solução o atendimento ao melhor compromisso entre a economia energética e a
redução na efetividade da torre de resfriamento. A operação de uma torre de resfriamento
fora dos limites da efetividade ótima ocasiona uma redução no seu desempenho e um
aumento no consumo de água do sistema, pois um fluxo de ar imposto pelos ventiladores
de forma deficiente provoca o aumento da perda de água por gotejamento no enchimento
da torre. De outra forma, um fluxo demasiado de ar com relação ao fluxo de água provoca
um aumento no volume de água que é perdido por arraste. Portanto, nesta dissertação, a
abordagem multiobjetivo proposta proporciona uma contribuição significativa comparada
aos trabalhos relacionados indicados neste capı́tulo, pois além da economia de energia
elétrica global do sistema, também considera a efetividade da torre de resfriamento.
Em (CHOW et al., 2002) utilizam-se redes neurais artificiais e algoritmos genéticos
no controle ótimo de um sistema de resfriamento baseado em chiller de absorção LiBr
(ASHRAE, 1998). No caso, a rede neural foi utilizada para a modelagem do sistema, e o
processo de aprendizagem da rede foi realizado a partir de uma base de dados coletados
do sistema. O algoritmo genético foi utilizado como ferramenta de otimização global, cuja
função de avaliação considera o custo total da energia para operação do sistema, o qual
é composto somente por chiller, torre de resfriamento e bombas da água de condensação.
Limites mı́nimos e máximos para a temperatura de água gelada e de condensação foram
impostos. As restrições garantem que a operação do sistema de otimização obedece aos
limites operacionais do chiller de absorção e da torre de resfriamento. A rede neural
utilizada para a modelagem do sistema é do tipo MLP (Multilayer Perceptron) (HAYKIN,
2001) com duas camadas, sendo a camada principal composta por cinco neurônios, e
a camada escondida composta por nove neurônios. A rede neural implementada possui
cinco entradas e quatro saı́das. Como entradas, foram definidas a carga térmica do chiller,
a vazão mássica do circuito de água gelada, a vazão mássica do circuito de água de
condensação, a temperatura da água gelada e a temperatura da água de condensação.
Como saı́das, foram obtidas a taxa de consumo de combustı́vel do chiller, o Coeficiente
de Performance (COP) do chiller, o consumo elétrico da bomba do circuito de água
gelada e o consumo elétrico da bomba do circuito da água de condensação. No caso,
o COP representa a relação entre a capacidade de resfriamento e a potência elétrica
demandada pelo chiller. A rede neural implementada apresentou erro médio quadrático
igual a 0,00285, com fator de correlação R inferior a 8% para as quatro variáveis de
saı́da. Os resultados comparam três cenários: 1) vazões dos circuitos de água gelada e
de condensação constantes; 2) vazão do circuito de água gelada constante e vazão do
circuito da água de condensação variável; e 3) vazões dos circuitos de água gelada e
de água de condensação variáveis. Os resultados para o segundo e terceiro cenários são,
respectivamente, 14,2% e 19,4% de economia global no consumo de energia elétrica, sendo,
portanto, o terceiro caso considerado como o melhor resultado.
O processo de treinamento de uma rede neural com a configuração adotada em
(CHOW et al., 2002) demanda uma grande quantidade de dados do processo, principalmente
devido ao número considerável de entradas e saı́das. Como o foco do trabalho proposto
nesta dissertação é a otimização do sistema de resfriamento, e não a sua modelagem,
estabeleceu-se que o comportamento do sistema seria representado por sua modelagem
termodinâmica, diferentemente do trabalho reportado em (CHOW et al., 2002). Nesta
4.4. OTIMIZAÇÃO COM ENXAME DE PARTÍCULAS 109
dissertação, utiliza-se um algoritmo de regressão não-linear apenas para a obtenção dos

coeficientes da modelagem termodinâmica da torre de resfriamento e do consumo elétrico
do chiller a compressão.
Em (CHOW et al., 2002), o consumo elétrico dos ventiladores da torre de resfria-
mento não é considerado na modelagem da rede neural, pois este consumo é aproxima-
damente igual a 1% do consumo total do sistema. Isto representa um caso à parte, pois
nem sempre esta proporção é válida. No caso do trabalho proposto nesta dissertação, esta
proporção representa 11,3%.
4.4 Otimização com Enxame de Partı́culas

Em (LEE; CHENG, 2012), é apresentada uma implementação utilizando um algoritmo de
otimização hı́brido, por meio da combinação de duas técnicas distintas, para a obten-
ção do menor consumo energético de um sistema de água gelada baseado em chillers.
O sistema considerado neste trabalho é composto por um chiller, bombas e uma torre
de resfriamento. Para a simulação do processo, utilizou-se o simulador EnergyPlus, que
apresenta ferramentas personalizadas para equipamentos e processos termodinâmicos. Os
algoritmos utilizados no sistema de otimização foram o Otimização por Enxame de Par-
tı́culas (PSO) e o algoritmo de Hooke-Jeeves. A otimização é obtida a partir da variação
dos setpoints das temperaturas dos circuitos de condensação e de água gelada. Primei-
ramente, é aplicado o algoritmo PSO, onde o espaço de busca é definido com base no
intervalo admissı́vel para as temperaturas. O resultado obtido pelo PSO é utilizado como
entrada no algoritmo de Hooke-Jeeves, o qual possui um espaço de busca mais reduzido,
estabelecido com base em um intervalo pré-definido a partir do valor obtido pelo algoritmo
PSO. Os resultados indicam uma economia de energia total de 9,4% no verão e de 11,1%
no inverno, comparado ao funcionamento sem o sistema de otimização. Estes resultados
são alcançados através da atualização dos setpoints a cada intervalo de uma hora. Os
resultados também mostram que à medida que se aumenta a frequência de atualização
dos setpoints de temperatura obtidos por meio do sistema de otimização, melhores são os
resultados em termos de economia de energia. Para a obtenção dos resultados, utilizou-se
uma base de dados correspondente a quatro dias de operação no verão e no inverno.
Em (KUSIAK; XU; TANG, 2011), é apresentada a implementação de um sistema de
otimização energética para um sistema de HVAC de um edifı́cio comercial. A modelagem
4.4. OTIMIZAÇÃO COM ENXAME DE PARTÍCULAS 110
do sistema foi obtida por meio do levantamento de dados de seu funcionamento, os quais
foram utilizados para o treinamento de três redes neurais artificiais, de modo a obter um
modelo preditivo do sistema. Neste trabalho, o sistema de resfriamento é composto por
um chiller, uma bomba, um ventilador e um dispositivo de reaquecimento. O sistema
de otimização proposto utiliza o algoritmo S-MOPSO (Strength Multiobjective Particle
Swarm Optimization), que se trata de um algoritmo de Otimização por Enxame de Partı́-
culas Multiobjetivo modificado, para determinar o melhor compromisso entre o consumo
energético e o conforto térmico, sendo este último representado pela temperatura ambiente
e pela umidade relativa do ar. Dessa forma, foram definidos os limites mı́nimos e máxi-
mos permitidos para a temperatura ambiente e umidade relativa do ar que garantem uma
condição de conforto térmico. Os controles de temperatura e umidade do ar são realizados
por uma unidade de tratamento de ar (Air Handling Unit, ou AHU). As redes neurais
implementadas para a modelagem do sistema são do tipo MLP recorrentes. As três redes
neurais são utilizadas para a predição do consumo energético da AHU, da temperatura
local no ambiente que se deseja refrigerar, e, por fim, da umidade relativa do ar no am-
biente refrigerado. Cada rede neural possui duas entradas, representadas pelos setpoints
de temperatura ambiente e de pressão estática. As camadas escondidas são alimentadas
e realimentadas recursivamente pelas seguintes variáveis do processo: posicionamento da
válvula da serpentina do chiller, temperatura do ar misturado, velocidade do ventilador
do ar de retorno, velocidade do ventilador do ar fornecido, temperatura da água que entra
na serpentina do chiller, temperatura do ar externo, umidade do ar fornecido, radiação
infravermelha incidente, concentração de CO2 no ar externo e fluxo solar normal incidente.
Os resultados apresentam uma comparação entre os desempenhos dos algoritmos MOPSO
e S-MOPSO, onde o último apresenta melhores resultados, com uma economia de 13,4%
de energia elétrica. Já o algoritmo MOPSO apresenta uma economia de 3,32%.
Em (KUSIAK; LI; TANG, 2010), é reportada uma proposta similar à reportada em
(KUSIAK; XU; TANG, 2011), com um sistema composto pelos mesmos equipamentos. Neste
trabalho também foram utilizadas redes neurais artificiais do tipo MLP para o levanta-
mento do modelo preditivo do sistema. No entanto, são utilizadas quatro redes neurais,
sendo cada uma utilizada para a predição do consumo energético do chiller, da bomba,
do ventilador e do dispositivo de reaquecimento. As quatro redes neurais possuem nove
entradas e apenas uma saı́da. O algoritmo de otimização utilizado é o Particle Swarm Op-
timization (PSO), o qual obtém os valores da temperatura ambiente e da pressão estática

do ar que melhor atendem à função de custo definida. O sistema de otimização ajusta
continuamente os setpoints de temperatura e pressão estática do ar dentro dos limites
estabelecidos para o espaço de busca definido para cada variável. O objetivo da função
objetivo é minimizar o consumo energético ao longo do dia. Os resultados da otimização
mostram uma redução no consumo energético do sistema de HVAC em torno de 7%.
Dentre as abordagens apresentadas em (LEE; CHENG, 2012), (KUSIAK; XU; TANG,
2011) e (KUSIAK; LI; TANG, 2010), apenas a reportada em (KUSIAK; XU; TANG, 2011)
apresenta abordagem multiobjetivo para a solução do problema envolvendo a busca pela
melhor condição operacional do sistema de resfriamento baseado em chillers. No entanto,
o segundo objetivo considerado é a maximização do conforto térmico, diferentemente
da implementação proposta nesta dissertação, que considera como segundo objetivo a
maximização da efetividade da troca térmica realizada na torre de resfriamento. Além
disso, o sistema de resfriamento proposto em (KUSIAK; XU; TANG, 2011) não é baseado
em torre de resfriamento e chiller, mas sim em chiller com ventilador acoplado.
Do ponto de vista da implementação do sistema, a utilização de redes neurais
apresenta uma desvantagem com relação à modelagem termodinâmica do sistema de res-
friamento. Para a utilização de redes neurais é necessário que se disponha de uma base
de dados considerável para uma correta e adequada modelagem e treinamento da rede, de
modo a garantir não apenas um bom resultado em termos de otimização, mas também em
termos de segurança operacional. Já a modelagem termodinâmica, adotada nesta disser-
tação, necessita de dados do sistema apenas no intuito de avaliar a modelagem concebida
e para a realização de pequenos ajustes na mesma, sendo, portanto, mais confiável em
termos de resultado e de segurança operacional. Além disso, a etapa de treinamento e es-
colha das variáveis e topologia de uma rede MLP é lenta e também depende da quantidade
e qualidade dos dados obtidos.

Neste capı́tulo, foram analisados os principais trabalhos relacionados à otimização ener-
gética de sistemas de resfriamento baseados em torres de resfriamento e chillers. Foram
apresentadas as aplicações mais recentes onde houve a utilização de algoritmos evolucio-
nários e técnicas de enxame de partı́culas para a solução do problema. Observou-se que
há poucas aplicações para este problema utilizando tanto as técnicas evolucionárias como
as técnicas de enxame de partı́culas.
Foram encontrados trabalhos que abordam o critério multiobjetivo no sentido de
otimizar o projeto de sistemas baseados em torres de resfriamento e chillers, considerando
como objetivos a maximização da efetividade da torre e a minimização dos custos rela-
tivos a aquisição, construção, manutenção e operação, de modo a otimizar a quantidade
e dimensionamento dos equipamentos, conforme reportado em (SAYYAADI; NEJATOLAHI,
2011) e (OZCAN; OZDEMIR; CILOGLU, 2013). No entanto, o escopo destes trabalhos não
diz respeito à otimização operacional, não levando em consideração as cargas instantâ-
neas, mas apenas as condições nominais dos equipamentos e seus custos de aquisição e
manutenção, sendo uma ferramenta limitada ao apoio à decisão durante a fase de projeto
e especificação dos equipamentos, não sendo condizente, portanto, com a proposta desta
dissertação.
No próximo capı́tulo são apresentadas as modelagens matemáticas utilizadas para
os equipamentos que compõem o sistema de refrigeração considerado neste trabalho.
Capı́tulo 5
MODELAGEM MATEMÁTICA
E
STE capı́tulo tem por objetivo apresentar a modelagem matemática adotada para
o sistema de refrigeração considerado nesta dissertação. A modelagem do sistema
é necessária para que sejam realizadas as simulações de otimização. Uma vez consolidada
a viabilidade de utilização da modelagem adotada, após análise dos resultados obtidos
com sua utilização, pode-se adotá-la de modo a validar os resultados das otimizações, por
meio da realização de simulações computacionais.
As Seções 5.1 e 5.2 apresentam, respectivamente, as modelagens adotadas para as
torres de resfriamento e para os chillers de compressão. Por fim, a Seção 5.3 apresenta os
resultados obtidos após a aplicação das modelagens adotadas.
5.1 Modelagem da Torre de Resfriamento

A modelagem da torre de resfriamento é necessária para que sejam realizadas as simulações
de otimização, permitindo a validação dos resultados obtidos pelo método de otimização
proposto. Para tal é necessário obter uma equação que relacione a efetividade da torre
com a velocidade dos ventiladores e as temperaturas de entrada e saı́da de água.
Em (MERKEL, 1925), apresentou-se uma teoria para avaliação do desempenho
de torres de resfriamento, sendo este método utilizado desde então pelos fabricantes de
torres de resfriamento para a avaliação de seu desempenho. No entanto, o método de
Merkel baseia-se em várias aproximações de modo a simplificar os cálculos necessários.
Por exemplo, a perda de água por evaporação não é considerada, e o fator de Lewis, o qual
está relacionado à transferência de calor e massa na torre, é fixado em 1 (KERN, 1983).
Em 1970, Poppe apresentou um método mais preciso sem recorrer às aproximações
realizadas por Merkel (POPPE; ROGENER, 1991). A comparação de desempenho entre os
5.1. MODELAGEM DA TORRE DE RESFRIAMENTO 114
dois métodos foi estudada em (KLOPPERS; KROGER, 2001) e em (KLOPPERS; KROGER,

2004). As análises indicaram que as aproximações de Merkel não comprometem os resul-
tados, comprovando sua eficácia.
Em (SUTHERLAND, 1983), também é proposto um modelo baseado em uma análise
mais rigorosa com relação ao modelo de Merkel. Em (BRAUN; KLEIN; MITCHEL, 1989),
desenvolveu-se o método da efetividade, também conhecido como e-NTU (Number of
Transfer Units), o qual também usa algumas simplificações baseadas no modelo de Merkel.
Seu modelo considera a linearização da entalpia de ar saturado e uma modificação na
definição de NTU.
Na literatura sobre torres de resfriamento, são comumente encontrados duas ter-
minologias para o parâmetro de avaliação do desempenho de uma torre de resfriamento:
a efetividade ou eficiência da torre. De acordo com (KHAN; ZUBAIR, 2001), a efetividade
de uma torre de resfriamento é definida como a razão entre a energia que efetivamente é
trocada e o máximo valor possı́vel de energia a ser transferida.
Os métodos de Merkel e Braun são utilizados na modelagem da torre de resfria-
mento utilizada neste trabalho. Portanto, os mesmos são descritos de forma sucinta nas
subseções 5.1.1 e 5.1.2.
5.1.1 Método de Merkel
Dentro das torres de resfriamento ocorrem simultaneamente os processos de transferên-

cia de calor e massa. O calor é transferido da água à atmosfera por dois mecanismos:
convecção (transferência de calor) e evaporação (transferência de massa), ou seja,
dQtotal = dQconv + dQevap , (28)
onde dQtotal é o calor total trocado, dQconv é o calor trocado por convecção e dQevap
é o valor trocado por evaporação. Na transferência de calor por convecção, o calor é
transferido da água para o ar através do gradiente de temperatura estabelecido com ao
escoamento do ar em contato com a água. Portanto, tem-se:
dQconv = hconv (Tágua − Tar )dA, (29)
onde hconv é o coeficiente de transferência de calor por convecção em W/m2 .◦ C, Tágua é a

temperatura da água, Tar é a temperatura do ar e dA é a área de troca de calor.
A Figura 13 ilustra o processo de transferência de calor e massa considerados por

Merkel. As variáveis indicadas serão definidas na modelagem apresentada a seguir, onde
se considera que a temperatura da gota ou pelı́cula de água é constante desde seu centro
até a sua superfı́cie.
O processo de troca de calor por evaporação ocorre devido à transferência de massa
entre a água e o ar. Neste caso, a energia necessária à mudança de estado é retirada da
própria água, provocando assim a diminuição de sua temperatura. A troca térmica por
evaporação é responsável pela maior parte do calor trocado na torre de resfriamento.
Figura 13: Balanço energético no modelo de Merkel.
A massa de água que evapora é transferida para o ar através de dois mecanismos

básicos: o primeiro é a difusão das moléculas de água no ar, junto à interface formada
entre a água e o ar, durante o contato; o segundo é o de arraste das moléculas de água pela
corrente de ar, o qual é induzido mecanicamente por meio da utilização de um ventilador
na torre de resfriamento. Portanto, tem-se:
dQevap = hm Lc (U E2 − U E1 )dA, (30)
onde hm é o coeficiente de transferência de massa, em kg/m2 .s, Lc é o calor latente de

vaporização da água, em kcal/kg, U E2 e U E1 representam a umidade especı́fica do ar
saturado e a umidade especı́fica do ar antes do contato com a água, respectivamente em
kg vapor/kg ar, e dA é a área de troca de calor, em m2 . O calor recebido pelo ar pode
ser expresso por:

dQ = ṁar dhar , (31)
onde ṁar é a vazão mássica do ar, em kg/s, e dhar é a variação de entalpia do ar, em
kcal/kg. A variação de entalpia do ar ocorre devido às parcelas de calor sensı́vel e calor
latente recebidas através da troca térmica com a água. Logo, o valor de har pode ser
aproximado como sendo:
har = cp Tar + Lc U Ear , (32)
onde cp é o calor especı́fico do ar a pressão constante, Tar é a temperatura do ar e U Ear é

a umidade especı́fica do ar. Sabe-se também que o calor sensı́vel transferido da água para
o ar é dado por:
dQ = ṁágua cágua dTágua , (33)
onde cágua é o calor especı́fico da água, ṁágua é a vazão mássica da água e dTágua é a
variação de temperatura da água. Considerando-se que não há perda de massa de água
por evaporação, ou seja, que ṁágua é constante na torre de resfriamento, e utilizando as
equações definidas acima, tem-se que:
dQ = ṁágua cágua dTágua = hconv (Tágua − Tar )dA + hm Lc (U E2 − U E1 )dA. (34)
De outro lado, o fator de Lewis é definido como:
hconv
Lef = . (35)
hm cp
Como no modelo de Merkel, assume-se que Lef = 1, logo,
hm cp = hconv . (36)
Em termos gerais, ao assumir Lef = 1, considera-se que o grau de dificuldade (ou

facilidade) para a transferência de calor por convecção é o mesmo para a transferência
de massa por evaporação. Isto é, a variação de temperatura obtida é igual à variação na
umidade especı́fica do ar. Substituindo a Equação 36 em 34, tem-se:
dQ = ṁágua cágua dTágua = hm cp (Tágua − Tar )dA + hm Lc (U E2 − U E1 )dA, (37)
obtendo-se:
dQ = ṁágua cágua dTágua = hm [(cp Tágua + Lc U E2 ) − (cp Tar + Lc U E1 )] dA. (38)

Aplicando a Equação 32 em 38, obtém-se:
dQ = ṁágua cágua dTágua = hm (harsat − harseco )dA, (39)
onde harsat e harseco representam a entalpia de ar saturado (após a troca térmica) e a

entalpia de ar seco (antes da troca térmica), A partir da Equação 39 obtém-se:
hm dA cágua dTágua
= . (40)
ṁágua harsat − harseco
A Equação 40 é conhecida como a equação de Merkel. Com sua integração, obtém-se:

Z T2
KaV hm ap Ap z cágua dTágua
= = , (41)
L ṁágua T1 harsat − harseco
onde ap representa a área especı́fica do preenchimento da torre, em m2 /m3 , Ap representa

a área da seção transversal frontal do preenchimento, em m2 , e z representa a altura da
torre de resfriamento, em metros.
KaV
Na Equação 41, o termo L
é adimensional e representa o coeficiente global de
desempenho da torre. O termo Ka, em kgs−1 m−3 , é o resultado do produto entre o
coeficiente total de calor K, em kgs−1 m−2 , e a área de transferência de calor por unidade
de volume a, em m2 m−3 . O termo L representa a vazão mássica de água na torre, em
kgs−1 . O termo KaV
L
também é encontrado na literatura como M eM , número de Merkel
ou N T U (Number of Transfer Units) (KLOPPERS; KROGER, 2004) e (FAHMY; SHOUMAN,
2012). O termo N T U é o mais utilizado, e representa o número de vezes que a diferença
de entalpia entre o ar saturado e o seco indicada na Equação 41 é transferida para a água.
5.1.2 Método da Efetividade
O método da efetividade foi apresentado em (BRAUN; KLEIN; MITCHEL, 1989), onde é

considerado que as transferências de calor e massa ocorrem no interior da torre de resfri-
amento conforme indicado na Figura 14.
O balanço de energia do volume de controle considerado na Figura 14 pode ser
analisado através das Equações 42–45 abaixo, as quais representam as conservações de
massa do ar, de calor do ar, de massa da água e de calor da água, respectivamente.
ṁarseco + ṁevap = ṁarsat , (42)
ṁarseco harseco + Qrej − Qevap = ṁarsat harsat , (43)

ṁáguaent − ṁevap = ṁáguasai , (44)
ṁáguaent Táguaent cágua − Qrej + ṁáguarep Táguarep cágua = ṁáguasai Táguasai cágua , (45)
onde ṁarseco representa a vazão mássica do ar seco que entra na torre, ṁarsat é a vazão
mássica do ar saturado que deixa a torre, ṁevap é a vazão mássica do ar que deixa a torre
devido à evaporação, ṁáguarep é a vazão mássica da água de reposição necessária devido
ao volume de água que deixa a torre devido à evaporação, Táguarep é a temperatura da
água de reposição, ṁáguaent é a vazão mássica da água quente que entra na torre, Táguaent
é a temperatura da água quente que entra na torre, ṁáguasai é a vazão mássica da água
fria que sai da torre, Táguasai é a temperatura da água fria que deixa a torre, TBS é a
temperatura de bulbo seco do ar e Qrej representa a quantidade de calor que é transferida
da água ao ar seco, tornando-o ar saturado. Qevap representa a quantidade de calor que é
retirada da água pelo processo de evaporação. A Figura 14 ilustra os processos descritos
pelas Equações 42–45.
Figura 14: Balanço energético no método da efetividade.
A efetividade da torre é dada pela Equação 46,

∗
1 − e−N T U (1−m )
a = , (46)
1 − m∗ e−N T U (1−m∗ )
onde os termos NTU e m∗ são definidos por:

−(1+n)
ṁar
NT U = c , (47)
ṁgua
ṁar CS
m∗ = · , (48)
ṁgua cágua
Na equação 48, CS representa a taxa de variação da entalpia do ar com relação à variação

da temperatura da água. Em (BRAUN; KLEIN; MITCHEL, 1989) é considerado que esta
variação é linear para pequenos intervalos de temperatura, ou seja,
dharsat harsat ,Táguaent − harsat ,Táguasai
CS = ≈ . (49)
dTágua Táguaent − Táguasai
Nas Equações 46 e 47, o termo NTU é adimensional e representa o desempenho
KaV
global da torre de resfriamento. Este termo é similar ao L
indicado na Equação 41.
Na Equação 47, c e n são constantes empı́ricas associadas a cada torre de resfria-
mento em particular. Estas constantes são obtidas pelos fabricantes de torres de resfria-
mento após a realização dos testes de desempenho, antes do inı́cio da operação da torre,
para uma dada temperatura de bulbo úmido. Na Equação 49, os termos harsat ,Táguaent e
harsat ,Táguasai representam a entalpia do ar saturado, respectivamente, nas temperaturas
da água de entrada e da água que deixa a torre.
A partir da efetividade, pode-se obter o calor rejeitado pela torre de resfriamento,
Qrej , que é dado por:
Qrej = a ṁar (harsat ,Táguaent − harseco ,TBS ). (50)
Observa-se que no método da efetividade, a obtenção de CS depende das condições

de saı́da da torre (temperatura da água fria e entalpia do ar saturado), o que requer a
utilização de técnicas recursivas para a solução das Equações 46–49, a partir da definição
de valores iniciais aproximados para as variáveis de saı́da.
5.1.3 Modelagem Adotada para a Torre de Resfriamento
A modelagem adotada para a torre de resfriamento é disponı́vel em (LU; CAI, 2002). Esta
define que a efetividade de uma torre de resfriamento pode ser aproximada por uma
função de segunda ordem, a partir dos modelos de Merkel e Braun, baseando-se nas leis
fundamentais de transferência de calor e massa.
No modelo de Braun, de acordo com a Equação 49, realiza-se uma aproximação
linear para a variação da entalpia do ar saturado com relação à temperatura. No caso,
obtém-se a variação da entalpia de saturação com base na diferença de temperatura ve-
rificada entre a água quente que chega à torre e a água fria que a deixa (BRAUN; KLEIN;
MITCHEL, 1989). Esta foi a premissa adotada por Braun para o cálculo de CS , conforme
indicado na Equação 49.
Do ponto de vista de controle e otimização, a temperatura de saı́da da água Táguasai

e a entalpia do ar saturado que deixa a torre harsat ,Táguasai , ambas indicados na Equação 49,
são variáveis de saı́da. Portanto, são variáveis que precisam ser controladas, não devendo
ser utilizadas como variáveis de entrada, conforme indicam as Equações 46-49.
A Equação 49 pode ser aproximada, com base na Figura 15, como:
dharsat (harsat ,Táguaent − harsat ,TBU ) + f1 (∆h)

CS = ≈ , (51)
dTágua (Táguaent − TBU ) + f2 (∆T )
onde ∆T é definido como o approach da torre de resfriamento. Graficamente, este é

representado na Figura 15 como a diferença entre o comprimento das linhas (4) e (2), ou
seja, entre a temperatura da água que deixa a torre e a temperatura de bulbo úmido local.
∆h, na Equação 51, é a variação de entalpia do ar saturado relacionada ao approach, ∆T .
Nota-se, conforme indicado na Figura 15, que a entalpia de saturação do ar varia com o
approach, ∆T , de forma que quanto maior ∆T , maior a variação da entalpia de saturação.
Figura 15: Entalpia do ar saturado versus temperatura.
O termo CS , conforme indicado na Equação 49, é definido na modelagem de Braun

como uma aproximação linear da curva que relaciona as temperaturas de entrada e saı́da
da água com a entalpia de saturação, e é representado na Figura 15 como a razão entre
os comprimentos das linhas (1) e (2), os quais representam, respectivamente, a variação
da entalpia de saturação do ar, harsat ,Táguaent − harsat ,Táguasai , e a variação de temperatura
da água, Táguaent − Táguasai . Portanto, a Figura 15 ilustra o comportamento da torre no
que diz respeito à variação de entalpia de saturação do ar em função das variações das
temperaturas da água e do ar. Percebe-se que a aproximação do valor de CS tomando
como base a temperatura de bulbo úmido, TBU , ao invés da temperatura de saı́da da água
da torre, Táguasai , diferentemente da abordagem adotada no modelo de Braun (conforme

indicado na Equação 49), faz com que haja a necessidade de uma correção, a qual é obtida
por meio da utilização de f1 (∆h) e f2 (∆T ) na Equação 51.
Dessa forma, com base nas leis de conservação de massa e energia, o approach,
ṁar
∆T , pode ser aproximação em função de ṁágua
e (Táguaent − TBU ). Portanto,

ṁar
f1 (∆T ) = f1 , (Táguaent − TBU ) . (52)
ṁágua
Ainda com base nas leis de conservação de massa e energia, ∆h pode ser definido como
ṁar
função de ∆T , que por sua vez, também é função de ṁágua
e (Táguaent − TBU ), ou seja,

ṁar
f2 (∆h) = f2 , (Táguaent − TBU ) . (53)
ṁágua
Dessa forma, como CS na Equação 51 é dado em função da variação de entalpia

do ar com relação à variação de temperatura da água, com base nas Equações 52 e 53,
conclui-se que CS pode ser descrito como:

ṁar
CS = f3 , (Táguaent − TBU ) . (54)
ṁágua
Através das Equações 46–48, observa-se que a efetividade a é função de N T U e

m∗ , onde N T U é função de ṁar
ṁágua
e CS . Logo, aplicando a Equação 54 às Equações 46–48,
obtém-se uma expressão geral para a efetividade a como sendo:

ṁar
a = f , (Táguaent − TBU ) = f (x, y), (55)
ṁágua
ṁar
onde os termos x e y serão utilizados, respectivamente, para representar ṁágua
e (Táguaent −
TBU ), de modo a simplificar as equações seguintes. Ou seja,
ṁar
x= , e y = (Táguaent − TBU ). (56)
ṁágua
Observa-se que a Equação 55 descreve uma função em que a efetividade da troca

térmica da torre de resfriamento a pode ser obtida em função apenas de variáveis de
entrada, diferentemente do que ocorre nos métodos de Merkel e de Braun. Considerando
que a efetividade a é uma função contı́nua sob condições normais de operação da torre de
resfriamento, pode-se considerá-la derivável. Portanto, pode-se utilizar a série de Taylor
como aproximação para resolver a Equação 55. Devido à caracterı́stica de não-linearidade
da resposta da torre de resfriamento, a série de Taylor será utilizada até a segunda ordem,
de modo a representá-la corretamente.

∂f (x0 , y0 ) ∂f (x0 , y0 )
f (x, y) = f (x0 , y0 ) + (x − x0 ) + (y − y0 )
∂x ∂y
2 2
1 ∂ f (x0 , y0 ) 2 ∂ f (x0 , y0 )
+ · (x − x0 ) + · (y − y0 )2 + (57)
2! ∂x2 ∂y 2
2 2
∂ f (x0 , y0 ) 2 ∂ f (x0 , y0 )
· (y − y0 ) + 2 · (x − x0 )(y − y0 ) .
∂y 2 ∂x∂y
Na Equação 57, (x0 ,y0 ) representa qualquer ponto de operação da torre de resfri-
amento próximo a uma condição hipotética (x,y). O ponto (x0 ,y0 ) pode ser determinado
∂f (x0 ,y0 ) ∂f (x0 ,y0 ) ∂ 2 f (x0 ,y0 )
experimentalmente, permitindo tratar os termos f (x0 , y0 ), ∂x
, ∂y
, ∂x2
,
∂ 2 f (x0 ,y0 ) ∂ 2 f (x0 ,y0 )
∂y 2
e ∂x∂y
como constantes, as quais serão representadas pelos coeficientes c0 ,
ṁar
c1 , c2 , c3 , c4 e c5 . Logo, substituindo ṁágua
e (Táguaent − TBU ), respectivamente, pelas
variáveis x e y na Equação 57, obtém-se:
a = c0 + c1 x + c2 y + c3 x2 + c4 y 2 + c5 xy, (58)
onde os coeficientes c0 a c5 são constantes a serem determinadas.

A curva real de desempenho de uma torre de resfriamento é geralmente fornecida
pelos fabricantes ou levantada em campo durante a realização dos testes de desempenho.
Pode-se então, a partir dos dados levantados em campo, e com a utilização da Equação
59, determinar os coeficientes c0 a c5 através da minimização da diferença entre a curva
levantada e o modelo proposto, utilizando-se de qualquer algoritmo de otimização. Ou
seja, para cada ponto i de uma total de pontos N levantado em campo, devem-se obter
os coeficientes da Equação 58 de modo a minimizar o erro entre a curva levantada e o
modelo proposto, conforme indicado na Equação 59:
N
X 1
min (a − Fdadosi )2 , (59)
i=1
2
onde Fdadosi representa um ponto na curva real obtida através dos levantamentos de
campo, e N é o número de pontos utilizados para a obtenção de Fdados .
De modo a obterem-se bons resultados, a quantidade de pontos adquiridos deve
ser maior do que a quantidade de coeficientes, ou seja, N ≥ 6. Além disso, os pontos
levantados devem apresentar a maior distribuição possı́vel dentro da faixa de operação
da torre de resfriamento. Em (LU; CAI, 2002) utilizou-se os métodos de Gauss-Newton e
Levemberg-Marquardt para a obtenção dos coeficientes c0 a c5 .
Na prática, a medição das vazões mássicas de ar na entrada e na saı́da da torre é di-

fı́cil de ser realizada, pois geralmente este tipo de instrumentação não se encontra disponı́-
vel nestes locais. No entanto, este problema pode ser contornado considerando o princı́pio
da conservação de energia, substituindo ṁar (harsat ,Táguaent − harent ) por cp (Táguaent − TBU )
e aplicando às Equações 50 e 45. Resolvendo para obtenção de a , tem-se:
ṁáguaent Táguaent + ṁáguarep Táguarep − ṁáguasai Táguasai
a = . (60)
ṁáguasai (Táguaent − TBU )
Utilizando as Equações 58 e 60, pode-se obter a temperatura da água que sai da
torre de resfriamento, conforme definido pela Equação 61:

ṁáguaent ṁ
Táguasai = ṁáguasai
Táguaent + ṁágua rep
águasai
Táguarep −
y(c0 + c1 x + c2 y + c3 x 2 + c4 y 2 + c5 xy). (61)
A partir da Equação 61, pode-se estimar como varia a temperatura da água que
deixa a torre de resfriamento em função da vazão mássica de ar induzida na torre, i.e, em
função da velocidade do ventilador. A Equação 61 leva em consideração a temperatura
de saı́da do condensador do chiller, Táguaent , a qual é função da carga térmica do sistema.
Ainda referente à Equação 61, a temperatura de bulbo úmido, TBU , é de extrema
importância para a obtenção da velocidade ótima do ventilador, pois ela representa o
valor mı́nimo teórico de temperatura que pode ser atingido pela água que deixa a torre,
Táguasai . A temperatura desta água nunca poderá ser inferior à temperatura de bulbo
úmido, devido à saturação das moléculas de ar durante o processo de transferência de
massa que ocorre entre a água quente e o ar seco induzido na torre. A temperatura de
bulbo úmido pode ser calculada em função da temperatura ambiente e da umidade relativa
do ar, ambas medidas no local de instalação da torre de resfriamento.
A água que deixa a torre de resfriamento corresponde à água que entra no con-
densador do chiller. Desconsiderando-se as perdas térmicas no trecho entre a saı́da da
torre de resfriamento e a entrada do condensador, conclui-se que a temperatura da água
que deixa a torre é igual à temperatura da água que entra no condensador do chiller.
Esta última influencia diretamente no rendimento do chiller, e consequentemente, em seu
consumo energético. Dessa forma, a temperatura de saı́da da torre definida pela Equação
61 deve ser avaliada com relação à sua influência no consumo energético do chiller, de
forma a obter a melhor condição operacional do chiller e da torre de resfriamento, visando
a uma eficiência energética com o menor detrimento à efetividade da torre.
Esta modelagem, em comparação com os modelos de Merkel e de Braun, oferece

a vantagem de que todas as variáveis são mensuráveis e correspondem às variáveis de en-
trada da torre de resfriamento. Portanto, não há necessidade de técnicas recursivas para
sua utilização. Em termos de implementação computacional, esta modelagem é mais con-
veniente, pois a é descrito como uma função polinomial, ao contrário do modelo de Braun,
onde N T U e a são descritos como funções exponenciais, o que aumenta substancialmente
o esforço computacional.
5.1.4 Modelagem dos Ventiladores da Torre
Dentre os equipamentos que compõem o sistema de resfriamento considerado nesta dis-

sertação, apenas os ventiladores da torre permitem a variação de velocidade, por meio da
utilização de conversores de frequência. Portanto, as bombas de circulação de água de
condensação e de água gelada, assim como os chillers, operam com sua velocidade fixa.
A potência elétrica demandada por cada um dos ventiladores da torre de resfria-
mento depende de seu ajuste de rotação. Sabe-se que o ar movimentado pelo ventilador
representa uma carga com conjugado resistente, Cres quadrático. Isto é:
Cres = kn2 , (62)
onde n representa a rotação do ventilador e k uma constante de proporcionalidade. A

potência elétrica demandada para o acionamento do ventilador, a uma dada rotação, é
definida por:
P (n) = Cres · n = kn3 . (63)
Dessa forma, ao reduzir a rotação do motor de n1 para n2 , aplicando a Equação 63, tem-se:
P1 = P (n1 ) = kn31 , (64)
P2 = P (n2 ) = kn32 , (65)
obtendo-se: 3
n2
P2 = P1 · , (66)
n1
onde é possı́vel verificar que a potência demandada cai com a potência cúbica da redução
da rotação do motor. Portanto, a redução da velocidade dos ventiladores das células das
torres de resfriamento deve reduzir significativamente o seu consumo energético.
5.2. MODELAGEM DO CHILLER DE COMPRESSÃO 125
Dessa forma, a potência elétrica demandada por cada ventilador da torre de res-
friamento, Pv , em kW, para uma determinada velocidade, pode ser definida como:
3
√

ṁar
Pv = 3Vn In · F P (n) · , (67)
ṁarn
onde Vn e In representam, respectivamente, a tensão e corrente nominais dos motores
dos ventiladores, F P (n) representa o fator de potência do motor, o qual é função de sua
rotação n, ṁar representa a vazão mássica de ar induzida pelo ventilador, e ṁarn , a vazão
mássica de ar nominal do ventilador.
A velocidade ajustada para o ventilador é proporcional à vazão de ar obtida. Por-
tanto, a Equação 67 também pode ser definida em função da velocidade dos ventiladores.
O valor ótimo da velocidade a ser adotada para os ventiladores das torres de resfriamento
será definido pelo sistema de otimização, tendo como objetivo obter o melhor compro-
misso entre a minimização do consumo energético global do sistema de resfriamento e a
maximização da efetividade da torre de resfriamento.
O fator de potência de um motor elétrico, assim como seu rendimento, são não-
lineares em função da sua rotação n, principalmente devido ao aumento do aquecimento
interno para velocidades inferiores à nominal. Portanto, de modo a estimar o consumo
energético dos motores dos ventiladores para uma dada velocidade, levando em conside-
ração estas não-linearidades, é adotado o modelo da Equação 68:
√
Pv = 3Vn In (d0 n3 + d1 n2 + d2 n + d3 ), (68)
onde os coeficientes d0 -d5 poderão ser obtidos a partir de técnicas de regressão não-linear.
O consumo dos ventiladores é pequeno quando comparado ao valor do consumo
dos chillers. No entanto, a operação dos ventiladores em baixa velocidade proporciona
uma economia de energia considerável, uma vez que se trata de um equipamento que
apresenta funcionamento contı́nuo. Por exemplo, uma operação com 50% da velocidade
nominal proporciona uma economia de energia em torno de 87,5%, uma vez que o motor
consume em torno de 1/8 da potência nominal.
5.2 Modelagem do Chiller de Compressão

Para o fornecimento de água gelada, o modelo de um chiller de água pode ser apresentado
conforme a Equação 69:
Qchiller = ṁáguaevap cágua (Taeevap − Tasevap ), (69)

onde Qchiller representa a capacidade instantânea do chiller, Taeevap representa a tempera-

tura da água de entrada no evaporador do chiller, i.e, a temperatura da água gelada que
retorna do processo a ser refrigerado, Tasevap representa a temperatura da água de saı́da
do evaporador, i.e, a temperatura da água que deixa o chiller e atende ao processo, cágua
representa o calor especı́fico da água e ṁáguaevap representa a vazão mássica de água no
evaporador do chiller.
A potência elétrica demandada pelo chiller, Pchiller , pode ser determinada a partir
de modelos de regressão não-linear em função das condições de carga parcial e em fun-
ção dos valores das temperaturas Taeevap e Taecond . Esta última representa a temperatura
da água que chega ao condensador do chiller. De acordo com (ZMEUREANU; ZELAYA; GI-
GUERE, 2002) e (BRANDEMUEL; GABEL; ANDERSEN, 1993), a potência elétrica demandada
pelo chiller pode ser determinado conforme indicado na Equação 70:
Pchiller = Qchillernom EIRnom ZCAP (Taecond , Tasevap )ZEIR (Taecond , Tasevap )ZEIR (P LR), (70)
onde Qchiller,nom representa a capacidade nominal do chiller, EIRnom (Energy Input Ratio
nominal) é a razão entre a potência elétrica e a capacidade térmica nominais informada
pelo fabricante do chiller, ZCAP (Taecond , Tasevap ) é o fator de correção da capacidade do
chiller, o qual depende das temperaturas de entrada no condensador e de saı́da no eva-
porador, ZEIR (Taecond , Taschiller ) é o fator de correção do EIR, o qual também depende
das temperaturas de entrada no condensador e de saı́da no evaporador, e ZEIR (P LR) é
o fator de correção do EIR, o qual depende do fator de carga térmico do chiller (P LR -
Part Load Ratio), que, no caso, representa a condição de carga parcial do chiller.
Nesta dissertação, são comparados dois cenários para a otimização, o que demanda
a obtenção de duas modelagens distintas para os chillers:
• Cenário 1: considera a temperatura de saı́da do evaporador do chiller fixa, sendo a

otimização alcançada por meio da variação da velocidade dos ventiladores da torre
de resfriamento, i.e, pela variação da temperatura da água de condensação.
• Cenário 2: considera que a otimização é alcançada por meio da variação da tempera-

tura da água de saı́da do evaporador do chiller e também pela variação da velocidade
dos ventiladores da torre.
Considerando o primeiro cenário citado, com base na Equação 70, tem-se que a
obtenção de Pchiller depende de Tasevap , a qual é fixa e previamente ajustada nos chil-
lers. Portanto, esta variável deve ser desconsiderada no cálculo dos fatores ZCAP e ZEIR
indicados na Equação 70 para a aplicação proposta nesta dissertação. No entanto, ao
manter Tasevap fixa na Equação 70, assume-se que os fatores ZCAP e ZEIR são obtidos
somente em função de Taecond , o que não é verdade, necessitando-se de outra informação
a respeito do evaporador do chiller a ser aplicada na modelagem de seu consumo, uma
vez que as temperaturas de entrada e saı́da do evaporador influenciam na determinação
de seu consumo energético. No caso, quanto maior a temperatura da água de entrada do
evaporador, maior é o seu consumo, e quanto mais baixa a temperatura da água de saı́da
do evaporador, também maior é o seu consumo. Dessa forma, para o primeiro cenário
citado, considerou-se a utilização de Taeevap ao invés de Tasevap no modelo do consumo
do chiller por meio dos fatores ZCAP e ZEIR . A substituição é válida e a motivação é
fundamentada no fato de que Taeevap representa a condição de carga térmica do sistema,
pois se trata da temperatura da água que retorna do processo. Uma vez que Tasevap é fixa,
Taeevap passa a ser a referência para estimar-se a carga térmica do chiller.
Dessa forma, para a modelagem da potência elétrica demanda pelos chillers con-
siderando o primeiro cenário, utilizou-se uma aproximação da abordagem apresentada
por (ZMEUREANU; ZELAYA; GIGUERE, 2002) e (BRANDEMUEL; GABEL; ANDERSEN, 1993),
onde os fatores: ZCAP e ZEIR são obtidos em função de Taecond e Taeevap . Após a imple-
mentação das modificações citadas, verificou-se que a utilização do fator ZEIR (P LR)
prejudicou os resultados da modelagem de Pchiller , sendo este, portanto, desconsiderado
na nova modelagem definida. Portanto, a modelagem de Pchiller para o primeiro cenário
considerado nesta dissertação é definido pela Equação 71:
Pchiller = Qchillernom EIRnom ZCAP1 (Taeevap , Taecond )ZEIR (Taecond , Taeevap ). (71)
Para o segundo cenário citado, diferentemente do primeiro, tem-se que a tempe-

ratura de saı́da do evaporador, Tasevap , deve ser utilizada para determinar-se a potência
elétrica demandada pelo chiller, uma vez que neste cenário será permitido variar Tasevap
no intuito de obter-se eficiência energética para o sistema. Embora o modelo de Pchiller
apresentado na Equação 70 considere a utilização desta variável para o cálculo dos fatores
ZCAP e ZEIR , decidiu-se incluir no modelo a ser adotado a variável Taeevap , pois a base
de dados obtida em campo apresentou uma amplitude mais significativa de valores para
Taeevap em comparação a Tasevap , onde esta última permanece constante por longos perı́o-
dos de tempo, concluindo-se que, neste caso, a variável Taeevap possui maior influência na
estimativa do consumo do chiller. Dessa forma, incluiu-se a variável Taeevap no modelo da

potência elétrica demandada pelo chiller indicada na Equação 70, obtendo-se, portanto, o
modelo definido na Equação 73, onde o fator ZCAP é obtido em função de Taeevap e Tasevap
por meio da utilização da variável ∆Tag , a qual representa a variação de temperatura no
circuito de água gelada, e é definida na Equação 72:
∆Tag = Taeevap − Tasevap . (72)
Ainda na Equação 73, o fator ZEIR , diferentemente do indicado na Equação 70, é ob-
tido em função de Taecond e Taeevap , de modo a manter a similaridade ao modelo adotado
para o primeiro cenário. Após a implementação das modificações citadas, de forma si-
milar ao verificado na modelagem do primeiro cenário, constatou-se que a utilização do
fator ZEIR (P LR) prejudicou os resultados da modelagem de Pchiller , desconsiderando-se,
portanto, a utilização deste fator na modelagem adotada para o segundo cenário. Dessa
forma, a modelagem de Pchiller para o segundo cenário é definida na Equação 73:
Pchiller = Qchillernom EIRnom ZCAP2 (∆Tag , Taecond )ZEIR (Taecond , Taeevap ). (73)
A análise das Equações 71 e 73 permite observar que estas diferem basicamente

em função dos fatores ZCAP . Por esse motivo, este fator foi definido na Equação 71 como
ZCAP1 , e na Equação 73, como ZCAP2 . Como a modelagem adotada para o chiller não
seguiu precisamente o descrito em (ZMEUREANU; ZELAYA; GIGUERE, 2002) e (BRANDE-
MUEL; GABEL; ANDERSEN, 1993), foi necessário definir-se novas equações para os fatores
ZCAP1 e ZCAP2 . No caso, estabeleceu-se que uma aproximação quadrática envolvendo as
variáveis Taecond e Taeevap para a modelagem de ZCAP1 , e ∆Tag e Taeevap para ZCAP2 seria
suficiente, o que foi constatado com os resultados obtidos após implementação das mo-
delagens destes fatores. Da mesma forma procedeu-se para a modelagem do fator ZEIR ,
no caso, envolvendo as variáveis Taecond e Taeevap , de forma similar à modelagem do fator
ZCAP1 . As Equações 74, 75 e 76 descrevem as modelagens adotadas, respectivamente,
para os fatores ZCAP1 , ZCAP2 e ZEIR . No caso, os coeficientes a0 -a5 e b0 -b5 devem ser ob-
tidos a partir de métodos de regressão não-linear considerando as modelagens indicadas
nas Equações 74, 75 e 76:
2 2
ZCAP1 = b0 + b1 Taeevap + b2 Taeevap
+ b3 Taecond + b4 Tae cond
+ b5 Taeevap Taecond , (74)
2 2 2 2
ZCAP2 = b0 + b1 ∆Tag + b2 ∆Tag + b3 Taecond + b4 Tae cond
+ b5 ∆Tag Taecond + b6 ∆Tag Taecond
, (75)
5.3. APLICAÇÃO DAS MODELAGENS ADOTADAS 129
2 2
ZEIR = a0 + a1 Taeevap + a2 Tae evap
+ a3 Taecond + a4 Taecond
+ a5 Taeevap Taecond . (76)
Além da modelagem da potência elétrica demandada pelo chiller, Pchiller , é ne-

cessário obter-se um modelo para estimar a temperatura da água de saı́da do conden-
sador. Isto se deve ao fato de que a temperatura da água que deixa o condensador do
chiller corresponde à nova temperatura da água que entrará na torre de resfriamento,
desconsiderando-se a perda de calor do sistema no trecho entre o chiller e a torre.
Na operação do evaporador, tem-se que o calor transferido ao chiller é obtido a
partir da Equação 69. Uma vez obtidos os valores de Qchiller e Pchiller , aplicando-se a
primeira lei da termodinâmica ao chiller como um todo, o que inclui as trocas térmicas
ocorridas no evaporador, no condensador e no motor elétrico que aciona o compressor
do chiller, obtém-se Qc ond, que representa a parcela de calor ou carga térmica a ser
transferido no condensador, conforme indicado na Equação 77:
Qcond = Qchiller − Pchiller . (77)
Dessa forma, pode-se estimar o valor da temperatura da água de saı́da do conden-

sador do chiller, Tascond , conforme indicado na Equação 78:
Qcond + ṁáguacond cágua Taecond

Tascond = . (78)
ṁáguacond cágua
O valor obtido para Tascond será utilizado nas funções de restrição, de modo a
atender aos limites operacionais da torre de resfriamento, e também na determinação da
nova efetividade da torre de resfriamento.
5.3 Aplicação das Modelagens Adotadas

Para a obtenção das modelagens da torre de resfriamento e dos chillers de compressão,
foi necessário o levantamento de dados do sistema de resfriamento. A base de dados
considerada para a realização das modelagens foi composta por pontos que representam
diferentes situações de carga térmica, coletados em dias distintos de operação. A escolha
dos dias para a coleta de dados operacionais foi realizada de modo a obter-se uma base
de dados que representasse as várias condições de carga térmica presentes ao longo do dia
e para condições climáticas distintas, contemplando tanto dias ensolarados quanto chuvo-
sos, uma vez que estas condições influenciam no desempenho do sistema de resfriamento
considerado nesta dissertação.
Ao todo, foi realizada a coleta de 21385 pontos operacionais do sistema de resfria-

mento, correspondendo a 29 horas e 42 minutos de operação. Os pontos foram coletados
em quatro dias distintos, de modo a representar a operação em horários diurnos e no-
turnos, os quais representam, respectivamente, condições de carga térmica alta e baixa.
O conjunto de dados representado pela base de dados coletada foi dividido em dois sub-
conjuntos, ambos igualmente distribuı́dos e correspondentes a 50% do total de pontos
coletados, denominados conjuntos de dados de estimação e de validação.
Os coeficientes das modelagens adotadas foram obtidos utilizando o conjunto de
dados de estimação. Em seguida, o conjunto de dados de validação foi aplicado às mo-
delagens obtidas. Todas as modelagens obtidas para os equipamentos do sistema de
refrigeração foram avaliadas utilizando-se os mesmos conjuntos de dados de estimação e
de validação. A avaliação do resultado final foi realizada com base nos valores de MSE
(Mean Square Error) e do coeficiente de determinação (R2 ) obtidos. O coeficiente de
determinação varia entre 0 e 1, e permite avaliar o quanto o modelo adotado é capaz de
estimar os dados reais coletados. No caso, quanto mais o valor de R2 se aproximar da
unidade, melhor é a avaliação da modelagem obtida (LEONTARITIS; BILLINGS, 1987).
5.3.1 Torre de Resfriamento
A modelagem da torre de resfriamento consiste na obtenção dos coeficientes c0 -c5 indicados

na Equação 58, a qual estima a efetividade da torre de resfriamento em função dos termos x
ṁar
e y, os quais representam, respectivamente, ṁágua
e (Táguaent − TBU ), portanto, permitindo
obter-se a efetividade da torre em função da velocidade de seus ventiladores. Para a
obtenção dos coeficientes utilizou-se o método de otimização de Levemberg-Marquardt,
com base na utilização dos dados coletados em campo, conforme definido na Equação 59.
A utilização do método de Levemberg-Marquardt se deve à vasta aplicação desta técnica
de regressão para aplicações envolvendo sistemas não-lineares (SEBER; WILD, 2003). A
Tabela 4 mostra os valores obtidos.
A modelagem da efetividade da torre obteve um MSE (Mean Square Error) de
3, 5 × 10−3 e um R2 (coeficiente de determinação) de 0,9924. Os valores apresentados são
bastante satisfatórios e validam o modelo adotado.
A Figura 16(a) indica a curva de efetividade em termos de G, obtida a partir da
Equação 58, onde G é a razão entre as vazões de ar e água dentro da torre de resfriamento.
Tabela 4: Coeficientes da modelagem da torre de resfriamento.
Coeficiente Valor
c0 0,0262
c1 0,4935
c2 0,1435
c3 -0,0289
c4 -0,0129
c5 -0,0533
No caso, tem-se que a vazão de ar varia com a velocidade dos ventiladores da torre. Esta
curva depende dos valores de temperatura da água de entrada na torre e da temperatura
de bulbo úmido. Nesta, é considerada uma temperatura de entrada na torre de 25, 9◦ C e
uma temperatura de bulbo úmido de 22, 2◦ C.
A Figura 16(b) indica a variação da temperatura da água de saı́da da torre de
resfriamento em função da variação da razão entre as vazões de ar e água, G, obtida a
partir da Equação 61, considerando a aplicação dos coeficientes c0 –c5 da Tabela 4. Na
modelagem da temperatura da água de saı́da da torre, obteve-se um MSE de 1, 95 × 10−2
e R2 de 0,9546, resultado este que valida o modelo adotado.
1 25
24.5
0.9
24
Efetividade da transferência de calor
Temperatura de saída da torre
23.5
0.8
23
0.7 22.5
22
0.6
21.5
21
0.5
20.5
0.4 20
0.5 1 1.5 2 2.5 3 0.5 1 1.5 2 2.5 3
Razão entre vazões mássicas de ar e água (G) Razão entre vazões mássicas de ar e água (G)
(a) Efetividade da torre de resfriamento, a , em (b) Temperatura de saı́da da torre de resfria-

termos de G. mento, Táguasai , em termos de G.
Figura 16: Resultados obtidos para a modelagem da torre de resfriamento, obtidos com
Táguaent = 25, 9◦ C e TBU = 22, 2◦ C.
Analisando conjuntamente as curvas da Figura 16(a) e (b), percebe-se que à medida

que a razão entre as vazões mássicas de ar e água aumenta, obtém-se uma redução na
temperatura da água de condensação que deixa a torre de resfriamento, o que provoca
um aumento na sua efetividade, conforme indicado na Equação 60.
A Figura 17 ilustra a comparação entre os valores reais e os valores obtidos a

partir da modelagem adotada para estimar a temperatura da água de saı́da da torre de
resfriamento, Táguasai , utilizando a Equação 61. No caso, a modelagem foi aplicada a uma
base de dados de 29 horas e 42 minutos de operação do sistema de resfriamento, com
leituras a cada intervalo de 5 segundos, correspondendo a um total de 21385 pontos. As
oscilações apresentadas na Figura 17 indicam a variação da temperatura da água de saı́da
da torre de resfriamento durante a coleta de dados de campo. Observa-se que durante
o perı́odo ilustrado, foram registrados valores para Táguasai entre 21, 5◦ C e 27◦ C. Ainda
na Figura 17, podem ser observados pontos onde a curva da modelagem apresenta leves
picos comparado à curva dos valores reais. No entanto, os picos registrados representam
um desvio máximo de 1, 75◦ C para a modelagem com relação aos valores reais, o que
representa um desvio relativo máximo, em módulo, de 7, 20%. Este desvio é aceitável,
uma vez que ocorre para uma pequena faixa da curva obtida utilizando a modelagem,
como pode ser observado na Figura 17. Além disso, o desvio relativo médio obtido para
os 21385 pontos é, em módulo, de 0, 005%.
28
27
26
Temperatura (°C)
25
24
23
22 valores reais
modelagem
21
0 5 10 15 20 25 30
tempo (h)
Figura 17: Real vs. temperatura estimada de saı́da da torre de resfriamento.
Com relação ao consumo energético dos ventiladores da torre de resfriamento,

tem-se que os coeficientes d0 –d3 indicados na Equação 68 também foram obtidos utilizado
o método de Levemberg-Marquardt. Os valores obtidos estão indicados na Tabela 5.
Neste caso, os pontos que representam a base de dados utilizada para a modelagem foram
obtidos por meio da variação da velocidade do ventilador, seguido de leitura da respectiva

potência elétrica demandada. Ao todo, foram coletados 12 pontos operacionais, incluindo
a velocidade nominal, sendo todas as demais velocidades inferiores a esta.
A Figura 18 apresenta o resultado da modelagem obtida para a potência elétrica
demandada por um dos ventiladores da torre de resfriamento, por meio da utilização da
Equação 68 e dos coeficientes da Tabela 5. Obteve-se um MSE de 2, 6505 × 10−4 , o que
representa um excelente resultado.
Tabela 5: Coeficientes da modelagem dos ventiladores da torre.
Coeficiente Valor obtido

d0 0,7931
d1 0,0330
d2 0,0557
d3 0,0039
30
25
20
Potência (kW)
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
fração da rotação nominal
Figura 18: Resultado da modelagem do consumo dos ventiladores da torre de resfriamento.
Os coeficientes obtidos foram aplicados a uma base de dados composta por 21835
pontos, obtendo-se o resultado apresentado na Figura 19, o qual, diferentemente do indi-
cado na Figura 18 ilustra a aplicação da modelagem ao conjunto de ventiladores que se
encontravam em funcionamento durante a coleta dos dados de campo. Na Figura 19 é
possı́vel comparar os valores reais com os obtidos por meio da modelagem. Neste caso,
obteve-se um MSE de 1,1609 e um R2 de 0,9947, resultado este que valida a modelagem.
90
80
70
60
Potência (kW)
50
40
30
valores reais
modelagem
20
10
0 5 10 15 20 25 30
tempo (h)
Figura 19: Consumo real dos ventiladores da torre de resfriamento vs. valores obtidos
utilizando a modelagem adotada.
Ainda na Figura 19, observa-se que os valores obtidos utilizando a modelagem

adotada acompanham a curva real de potência elétrica demandada pelos ventiladores em
todos os pontos indicados nesta, como pode ser observado nos pontos onde há brusca
redução ou incremento da potência elétrica total demandada. Estes pontos indicam o
desligamento e religamento de ventiladores, assim como a operação destes com velocidades
abaixo da nominal.
5.3.2 Chiller de Compressão
Após a coleta de dados do sistema de resfriamento foi possı́vel obter a modelagem do chiller
de compressão a partir da determinação dos coeficientes b0 –b5 , referentes à modelagem
dos fatores ZCAP1 e ZCAP2 , conforme indicado nas Equações 74 e 75, respectivamente. Da
mesma forma, foram obtidos os coeficientes a0 -a5 , referentes à modelagem do fator ZEIR ,
conforme indicado na Equação 76.
Utilizou-se o método de Levemberg-Marquardt como técnica de regressão não-
linear para a obtenção dos coeficientes dos fatores ZCAP1 , ZCAP2 e ZEIR . A Tabela 6
indica os coeficientes obtidos para o fator ZCAP1 , com base na utilização da Equação 74.
A tabela 7 indica os coeficientes obtidos para o fator ZCAP2 , com base na utilização da
Equação 75. Já a Tabela 8 indica os coeficientes obtidos para o fator ZEIR com base na
utilização da modelagem indicada na Equação 76.
Tabela 6: Coeficientes da modelagem do fator ZCAP1 .

b0 -0,8108
b1 -0,0838
b2 0,0133
b3 0,0997
b4 -0,0012
b5 -0,0032
Tabela 7: Coeficientes da modelagem do fator ZCAP2 .

b0 -0,1177
b1 0,3381
b2 -0,0513
b3 -0,0276
b4 0,0022
b5 0,0030
b6 -0,0006479
Tabela 8: Coeficientes da modelagem do fator ZEIR .

a0 -1,0405
a1 0,1379
a2 -0,0090
a3 0,0840
a4 -0,0022
a5 0,0033
As Figuras 20(a), 20(b) e 21 representam, respectivamente, as modelagens dos

fatores ZCAP1 , ZCAP2 e ZEIR , indicando a influência das temperaturas da água de conden-
sação, Taecond , e da água de retorno do circuito secundário, Taeevap , sobre o consumo dos
chillers, uma vez que estes fatores são utilizados para o seu cálculo nas Equações 71 e 73.
A modelagem de ZCAP1 obteve um MSE de 1, 25 × 10−3 e um R2 de 0,9977 para
o valor de Qchiller /Qchillernom , ou seja, o fator de carga instantâneo do chiller. Já a mo-
delagem de ZEIR obteve um MSE de 1, 54 × 10−4 e R2 de 0,9999 para o valor o valor de
EIR/EIRnom do chiller. Ambos os resultados são excelentes, apresentando valores de R2
muito próximos a 1, validando as modelagens adotadas para a estimativa destes fatores.
(a) Utilizando o fator ZCAP1 . (b) Utilizando o fator ZCAP2 .
Figura 20: Resultado da modelagem de Qc /Qcn em termos de ∆Tag e Taecond para um

chiller de 1000 TR.
Figura 21: Resultado da modelagem de EIR/EIRn em termos de Taecond e Taeevap para

um chiller de 1000 TR.
Na Figura 20(a), observa-se que à medida que Taecond é reduzida, reduz-se também
o fator de carga do chiller, conforme previsto. O resultado da modelagem de ZEIR pode
ser observado através da Figura 21, onde observa-se que, à medida que Taecond e Taeevap
reduzem, reduz-se também o fator EIR/EIRnom , o que representa uma condição de
menor consumo elétrico do chiller. Analisando a curva apresentada na Figura 20(a)
conjuntamente com a apresentada na Figura 21, observa-se que a temperatura de retorna
da água gelada, Taeevap , exerce uma maior influência sobre o fator de carga do chiller.
A modelagem de ZCAP2 obteve um MSE de 1, 24 × 10−3 e um R2 de 0,9965 para o

valor estimado de Qchiller /Qchillernom , resultado este excelente, obtendo-se um valor para
R2 bem próximo a 1, validando a modelagem adotada. Observa-se na Figura 20(b) que,
à medida que ∆Tag aumenta, aumenta-se também o fator de carga do chiller. Isto é
coerente, uma vez que para uma dada condição fixa de carga térmica e de temperaturas
de entrada e saı́da de água na torre de resfriamento, um aumento em ∆Tag só é possı́vel
por meio da redução da temperatura de saı́da da água gelada do chiller, representada por
Tasevap , o que leva a um aumento no fator de carga do chiller.
As modelagens obtidas para os fatores ZCAP1 e ZCAP2 são consideradas com desem-
penho equiparáveis, uma vez que o primeiro apresenta um R2 levemente maior, enquanto
o segundo apresenta um MSE maior. Deve-se destacar que o fator ZCAP1 é obtido a partir
de duas variáveis, ao passo que o fator ZCAP2 necessita de três variáveis, o que torna, sob
este ponto de vista, a modelagem utilizando o fator ZCAP1 uma aplicação menos com-
plexa, uma vez que depende de um número menor de variáveis. No entanto, ambas as
modelagens de ZCAP1 e ZCAP2 serão implementadas nos algoritmos de otimização para
fins de comparação e escolha da melhor modelagem para a aplicação.
A Figura 22 compara os valores reais coletados em campo com os valores obtidos a
partir da modelagem adotada. Este resultado foi obtido com a utilização do fator ZCAP1 .
Os valores da potência elétrica total instantânea dos chillers, em M W , obtidos a partir
do modelo definido pela Equação 71, mostraram uma boa representatividade com relação
aos valores reais coletados em campo, obtendo-se um MSE de 1, 102 × 10−3 e um R2 de
0,9835. Os valores de MSE e R2 obtidos validam a modelagem adotada para o consumo
dos chillers utilizando o fator ZCAP1 .
Da mesma forma, a Figura 23 compara os valores reais de potência elétrica total
instantânea dos chillers, em M W , com os valores obtidos a partir da modelagem obtida
proposta na Equação 73, a qual utiliza o fator ZCAP2 . Os resultados obtidos para a
modelagem também mostraram uma boa representatividade com relação aos valores reais
coletados em campo, proporcionando um MSE de 1, 633 × 10−3 e um R2 de 0,9755. Os
valores de MSE e R2 obtidos validam a modelagem adotada para o consumo dos chillers
utilizando o fator ZCAP2 .
Observa-se que, em termos da modelagem da potência elétrica total instantânea
demandada pelos chillers, a utilização do fator ZCAP1 apresentou um MSE menor e um
1100
1000
900
800
Potência (kW) - modelagem
700
600
500
400
300
valores reais
modelagem
200
100
0 5 10 15 20 25 30
tempo (h)
Figura 22: Consumo real dos chillers vs. modelagem utilizando o fator ZCAP1 .
1200
valores reais
modelagem
1000
800
Potência (kW) - modelagem
600
400
200
0
0 5 10 15 20 25 30
tempo (h)
Figura 23: Consumo real dos chillers vs. modelagem utilizando o fator ZCAP2 .
R2 maior comparado à modelagem utilizando o fator ZCAP2 . Conclui-se, portanto, que a

utilização do fator ZCAP1 apresentou melhores resultados.
A Figura 24 compara os valores reais coletados em campo com os valores obtidos
a partir da modelagem da temperatura da água de saı́da do condensador dos chillers,
obtidos a partir da Equação 78. O resultado obtido, embora um pouco inferior comparado
às demais modelagens, mostrou boa representatividade, com um MSE de 1,51 e um R2
de 0,8237, validando a utilização da modelagem proposta.
36
34
32
Temperatura (°C)
30
28
26
24 valores reais
modelagem
22
0 5 10 15 20 25 30
tempo (h)
Figura 24: Temperatura real de saı́da do condensador vs. modelagem adotada.
As curvas representadas nas Figuras 22 a 24 são o resultado da aplicação das

modelagens obtidas a partir de uma base de dados correspondente a 29 horas e 42 minutos
de operação do sistema de resfriamento, com leituras realizadas a cada intervalo de 5
segundos, correspondendo a 21385 pontos.
5.3.3 Demanda Energética Global
O consumo energético global do sistema de resfriamento considerado envolve o consumo

dos seguintes equipamentos: ventiladores da torre de resfriamento, chillers, bombas de
circulação de água de condensação e bombas de circulação de água gelada. No caso, como
as bombas de circulação de água de condensação e de água gelada operam com veloci-
dade fixa, os seus consumos energéticos são, portanto, constantes, independentemente de
qualquer ajuste na velocidade dos ventiladores da torre de resfriamento ou variação da
temperatura da água de saı́da do evaporador do chiller. Dessa forma, a inclusão do con-
sumo destes equipamentos no cálculo do consumo global é desnecessária. Portanto, serão
incluı́dos apenas os consumos dos ventiladores e dos chillers na modelagem do consumo
energético global, sendo a potência elétrica global instantânea demandada pelo sistema
de resfriamento obtida a partir da Equação 79:
Pglobal = nc Pchiller + nv Pv , (79)

onde nc representa a quantidade de chillers que se encontram em funcionamento, e nv ,

a quantidade de ventiladores (ou células da torre) que se encontram em funcionamento.
Pchiller pode ser obtido a partir das Equações 71 e 73, e Pv , a partir da Equação 68.
As Figuras 25 e 26 apresentam o resultado da aplicação das modelagens dos venti-
ladores da torre e dos chillers, indicando a demanda global de potência elétrica estimada
para o sistema de resfriamento.
1200
valores reais
modelagem
1100
1000
900
800
Potência (kW)
700
600
500
400
300
200
0 5 10 15 20 25 30
tempo (h)
Figura 25: Demanda energética global real vs. modelagem utilizando o fator ZCAP1 .
No caso, a Figura 25 apresenta a demanda de potência elétrica global estimada para

o sistema de refrigeração a partir da utilização do fator ZCAP1 na modelagem dos chillers.
Já a Figura 26 apresenta a potência elétrica global estimada a partir da utilização do fator
ZCAP2 na modelagem dos chillers. Nas Figuras 25 e 26 também são indicadas as curvas
da potência elétrica demandada obtidas com os dados reais coletados em campo, de modo
a permitir a comparação com os resultados obtidos utilizando as modelagens adotadas.
O consumo total de energia elétrica do sistema de resfriamento é numericamente igual à
área sob cada curva apresentada .
Com a utilização do fator ZCAP1 na modelagem dos chillers obteve-se um MSE de
1, 1 × 10−3 e um R2 de 0, 9830 na modelagem da demanda de potência elétrica global do
sistema de refrigeração, utilizando uma base de dados de 21385 pontos, resultado este que
valida a modelagem utilizando o fator ZCAP1
1200
valores reais
modelagem
1100
1000
900
800
Potência (kW)
700
600
500
400
300
200
0 5 10 15 20 25 30
tempo (h)
Figura 26: Demanda energética global real vs. modelagem utilizando o fator ZCAP2 .
Já com a utilização do fator ZCAP2 na modelagem dos chillers, obteve-se um MSE
de 1, 6 × 10−3 e um R2 de 0, 9756 na modelagem da demanda de potência elétrica global
do sistema de refrigeração, utilizando a mesma base de dados de 21385 pontos, resultado
este que valida a modelagem do consumo energético global utilizando o fator ZCAP2 .
A modelagem do consumo global do sistema de refrigeração utilizando o fator
ZCAP1 apresentou um resultado mais preciso do que o apresentado com a utilização do
fator ZCAP2 , portanto, aproximando-se mais dos valores reais, conforme pode ser verificado
ao comparar os resultados apresentados nas Figuras 25 e 26.

Neste capı́tulo foram apresentadas as modelagens dos principais equipamentos que com-
põem o sistema de refrigeração considerado nesta dissertação. As modelagens obtidas
foram aplicadas aos dados reais coletados do sistema de refrigeração, apresentando resul-
tados satisfatórios. Isso permite o uso dos modelos, o que inclui os coeficientes obtidos,
na otimização multiobjetivo proposta nesta dissertação.
O próximo capı́tulo apresenta os resultados da utilização das modelagens validadas
neste capı́tulo através de sua implementação nos algoritmos de otimização escolhidos.
Capı́tulo 6
ANÁLISE DOS RESULTADOS
N
ESTE capı́tulo são apresentados os resultados obtidos após aplicação dos algo-
ritmos de otimização multiobjetivo NSGA-II, SPEA2, Micro-GA, MOPSO e MO-
TRIBES para a solução do problema multiobjetivo proposto. Os resultados são apresenta-
dos considerando os diferentes critérios de parada estabelecidos, assim como as distintas
modelagens adotadas para o chiller de compressão: ZCAP1 e ZCAP2 . Cada algoritmo é
aplicado considerando os seguintes critérios de parada:
• Após 50 iterações; e
• Após 90 segundos.
O primeiro critério de parada foi determinado de forma experimental, durante a

etapa de testes dos algoritmos, onde se verificou que esta quantidade de iterações era
suficiente para obter-se uma fronteira de Pareto com boa distribuição e quantidade de
pontos suficientes para a escolha da solução ótima.
Já o segundo critério de parada foi definido com base no atraso de transporte do
sistema a ser otimizado. O atraso de transporte se trata do intervalo de tempo deman-
dado para atingir-se a estabilidade do sistema após a definição de um novo setpoint. No
caso, verificou-se que após ajustar-se um novo setpoint de velocidade para os ventilado-
res da torre, em média, são necessários 15 minutos para estabilizar-se um novo valor de
temperatura para a água de condensação. Como o sistema térmico a ser otimizado possui
um atraso de transporte elevado, é importante que o sistema de otimização demore o
menor intervalo de tempo possı́vel para a obtenção da solução ótima, pois se este inter-
valo de tempo se aproximar do atraso de transporte, a solução ótima obtida pode não
mais corresponder à melhor solução. Por exemplo, assumindo que o sistema de otimiza-
ção obtenha a solução ótima em um intervalo de tempo igual ao atraso de transporte,
143
tem-se que somente após 30 minutos seria definido um novo setpoint para a velocidade
dos ventiladores, e devido a uma possı́vel variação de carga térmica após este intervalo de
tempo, o setpoint de velocidade obtido possivelmente não corresponderia mais à solução
ótima naquele instante. Dessa forma, considerou-se que o sistema de apoio a decisão a
ser implementado deveria obter a solução ótima para o sistema em um intervalo de tempo
máximo equivalente a 10% do atraso de transporte, ou seja, após 90 segundos.
Os algoritmos foram aplicados a uma base de dados reais do sistema, coletada
em campo utilizando o banco de dados do sistema SCADA (Supervisory Control and
Data Aquisition) existente. Foi coletado um total de 21385 pontos operacionais, um a
cada intervalo de 5 segundos, correspondendo a 29 horas e 42 minutos de operação. Os
dados foram coletados em dias e horários distintos, de modo a contemplar diferentes
condições de carga térmica, assim como diferentes condições climáticas. Os valores da
temperatura de bulbo úmido no local foram coletados a partir da base de dados do INPE,
disponibilizada em (INPE, 2014). No caso, foram utilizados os valores registrados pela
estação meteorológica do aeroporto Santos Dummont (RJ), o qual se situa a 1,48 km do
local onde as torres de resfriamento se encontram instaladas.
Os dados disponibilizados pelo INPE apresentam as temperaturas de bulbo úmido
no local, TBU , a cada intervalo de uma hora. Dessa forma, como a modelagem adotada
para a torre de resfriamento depende de TBU , tem-se que, inevitavelmente, os algoritmos
de otimização tiveram de ser aplicados a cada intervalo de uma hora utilizando a base
de dados coletada. Essa mesma estratégia foi adotada em (LEE; CHENG, 2012), (LIU;
CHUAH, 2011), (KUSIAK; XU; TANG, 2011), (KUSIAK; LI; TANG, 2010) e (KIE; THENG,
2009). A utilização de um intervalo de uma hora entre as implementações das otimizações
é justificada com base no fato de que a variação de carga térmica, em edifı́cios (o que inclui
a aplicação proposta nesta dissertação), na maioria dos casos verificados na comunidade
cientı́fica, somente é expressiva após um intervalo de uma hora.
Devido ao fato dos dados de campo terem sido coletados em dias e horários dis-
tintos, foi possı́vel utilizar 35 pontos operacionais para implementação das otimizações
(embora o intervalo de tempo total da base de dados coletada corresponda a 29 horas
e 42 minutos), pois este valor corresponde ao total de horários em que os registros de
campo correspondem aos horários dos registros disponibilizados pelo INPE para as condi-
ções climáticas locais, uma vez que a implementação das otimizações depende dos valores
6.1. FUNÇÕES OBJETIVO IMPLEMENTADAS 144
TBU . Dessa forma, utilizando a base de dados coletada, tem-se que, de modo a realizar a
otimização a cada intervalo de uma hora, foram realizadas 35 otimizações com os pontos
operacionais indicados na Tabela 1 do Apêndice A, onde as temperaturas estão indicadas
em ◦ C, e as vazões, em kg/s. Observa-se nesta tabela que no perı́odo em que foram
coletados os dados de campo, foram utilizados, no máximo, dois chillers, uma vez que os
demais chillers operam somente nos verões mais quentes, permanecendo à disposição nos
demais perı́odos como reserva ou redundância, condição esta já prevista antes da coleta
dos dados de campo, e que não prejudica a avaliação dos resultados, uma vez que a base
de dados utilizada nas otimizações para os 21385 pontos coletados corresponde à mesma
base de dados utilizada para obtenção das modelagens dos equipamentos.
6.1 Funções Objetivo Implementadas

As funções objetivo utilizam as modelagens obtidas para os equipamentos que compõem
o sistema de resfriamento. O primeiro objetivo, dado pela Equação 80, é maximização
da efetividade da torre a , conforme indicado na Equação 60 (cuja obtenção pode ser
consultada na Seção 5.1.3). O segundo objetivo, dado pela Equação 81, é a minimização
da potência elétrica global instantânea demandada pelo sistema de resfriamento, onde
os valores de Pv e Pchiller são obtidos, respectivamente, a partir da Equação 68 (cuja
obtenção pode ser consultada na Seção 5.1.4), e das Equações 71 e 73 (cuja obtenção
pode ser consultada na Seção 5.2). Dessa forma, as funções objetivo são:
2
ṁar ṁar
Maximizar: f1 = c0 + c1 ṁágua + c2 (Táguaent − TBU ) + c3 ṁágua +

2 ṁar (80)
c4 (Táguaent − TBU ) + c5 ṁágua (Táguaent − TBU );
3 2
√

ṁar ṁar ṁar
Minimizar: f 2 = n1 3Vn In d0 . ṁar + d1 . ṁar + d2 . ṁar + d3 +
n n n
n2 Qchillernom EIRnom ZCAP (Taecond , Taeevap )ZEIR (Taecond , Taeevap ),
(81)
onde os fatores ZCAP e ZEIR indicados na Equação 81 são dados pelas Equações 82–85,
obtidos na Seção 5.2:
2 2
ZCAP1 = b0 + b1 Taeevap + b2 Taeevap
+ b3 Taecond + b4 Taecond
+ b5 Taeevap Taecond , (82)
2 2 2 2
ZCAP2 = b0 + b1 ∆Tag + b2 ∆Tag + b3 Taecond + b4 Tae cond
+ b5 ∆Tag Taecond + b6 ∆Tag Taecond
, (83)
6.2. METODOLOGIA DE ESCOLHA DA SOLUÇÃO ÓTIMA 145
onde ∆Tag = Taeevap − Tasevap , e (84)

2 2
ZEIR = a0 + a1 Taeevap + a2 Tae evap
+ a3 Taecond + a4 Taecond
+ a5 Taeevap Taecond . (85)
Nas implementações das otimizações utilizando a modelagem ZCAP1 , a variável de

busca é ṁar , a qual representa a vazão mássica de ar, variável esta que é proporcional à
velocidade dos ventiladores da torre de resfriamento. Já nas implementações das otimiza-
ções utilizando a modelagem ZCAP2 , têm-se duas variáveis de busca: ṁar e Tasevap , onde
a última representa a temperatura da água gelada que deixa os chillers.
Já os limites operacionais dos equipamentos considerados neste trabalho são de-
finidos e implementados no sistema de otimização por meio de restrições, as quais são
definidas na Seção 2.4 e reapresentadas nas Equações 86–89:
g1 : Tas ≥ TBU ; (86)
g2 : ∆Tcond ≤ 7, 3ct − 0, 3, onde ∆Tcond = Tae − Tas ; (87)
g3 : 15% ≤ ct% ≤ 100%; (88)
g4 : Tae ≤ 36, 4. (89)
6.2 Metodologia de Escolha da Solução Ótima

Para a escolha da melhor solução para o problema de otimização multiobjetivo proposto,
tem-se que o ponto ótimo deve pertencer ao conjunto de soluções Pareto-ótimas obtido.
Nesta dissertação, inicialmente, foram definidos os seguintes critérios a serem adotados:
• O ponto que corresponde à menor média quadrática dos objetivos normalizados;
• O ponto que corresponde à menor média aritmética dos objetivos normalizados;
• O ponto que corresponde à menor média geométrica dos objetivos normalizados.
A adoção destes critérios foi realizada com base em (SAYYAADI; NEJATOLAHI, 2011), o
qual considera a utilização da menor média quadrática dos objetivos normalizados como
técnica de escolha da melhor solução para um problema de otimização multiobjetivo onde o
sistema de apoio à decisão implementado deve fornecer os melhores parâmetros de projeto
de uma torre de resfriamento de modo a maximizar seu rendimento térmico previsto e
minimizar os custos relacionados à aquisição, construção, operação e manutenção. Dessa
forma, os outros dois critérios definidos (menores média aritmética e geométrica) foram
estabelecidos nesta dissertação como alternativas à estratégia de adoção da menor média
quadrática, de modo a avaliar o uso destas como critério de escolha, comparando-os.
Inicialmente, a normalização dos dados é necessária uma vez que os objetivos
definidos para o problema possuem valores com magnitudes bem distintas. No caso, o
consumo elétrico global do sistema de resfriamento é da ordem de centenas de milhares de
Watts. Já a efetividade da torre de resfriamento é unidimensional e varia de 0 a 1. Dessa
forma, tem-se que a escolha da melhor solução utilizando uma regra pré-definida deve ser
baseada nos valores dos objetivos normalizados de 0 a 1, de modo a evitar a preferência
ao objetivo cujos valores possuem maior magnitude. Para normalizar os objetivos de 0 a
1, utilizou-se as Equações 90 e 91 para cada solução do conjunto Pareto-ótimo obtido:
a − amin
an = , (90)
amax − amin
Ptotal − Ptotalmin
Ptotaln = , (91)
Ptotalmax − Ptotalmin
onde an representa a efetividade normalizada, amin e amax representam, respectivamente,
as efetividades mı́nima e máxima obtidas no conjunto de soluções Pareto-ótimo. Da
mesma forma, Ptotaln representa a potência total normalizada, Ptotalmin e Ptotalmax repre-
sentam, respectivamente, as potências totais mı́nima e máxima obtidas a partir do con-
junto de soluções Pareto-ótimo. Os valores da efetividade e da potência total são obtidos
a partir das Equações 80 e 81, respectivamente.
Os critérios definidos para a escolha da solução ótima são descritos por meio das
Equações 92–94:
q
2 2
soluçãocritério1 = min w1 an + w2 Ptotaln , (92)

w1 an + w2 Ptotaln
soluçãocritério2 = min , (93)
2
p
soluçãocritério3 = min w1 an w2 Ptotaln , (94)
onde w1 e w2 representam os pesos dos objetivos f1 e f2 .

Quanto maior o peso, maior a importância do objetivo para a solução final do
problema. No caso, considera-se nesta dissertação que os dois objetivos definidos são
igualmente importantes para a operação eficiente da torre de resfriamento, e, portanto,
os pesos w1 e w2 serão definidos como iguais.
A estratégia de adotar pesos iguais para os objetivos, i.e, considerar os objetivos

conflitantes igualmente importantes, é coerente e fundamentada no fato de que uma torre
de resfriamento operando com baixa efetividade consome uma quantidade maior de água,
pois a troca térmica não é efetuada adequadamente, o que ocasiona perdas de água por
arrasto ou por gotejamento no enchimento da torre. A operação da torre com baixa
efetividade significa que a energia elétrica consumida pelos ventiladores e bombas do
circuito de água de condensação não está sendo gasta de forma eficiente, uma vez que
o calor rejeitado pela torre está aquém do que poderia ser realizado. Ademais, na atual
conjuntura onde os recursos energéticos são cada vez mais escassos, tem-se que água é
fundamental para obter-se energia, e seu desperdı́cio deve ser evitado tanto por questões
econômicas quanto ambientais. Além disso, o aumento da perda de água em um processo
baseado em torres de resfriamento provoca aumento da umidade no ambiente em desta, o
que é prejudicial para a operação dos demais equipamentos situados em suas proximidades.
1010 1.5
objetivos normalizados
1000 média quadrática dos objetivos
WŽƚġŶĐŝĂŐůŽďĂůŶŽƌŵĂůŝǌĂĚĂ
990 ƉƌŝŽƌŝǌĂɸĂ
1
Potência global (kW)
980
Potência
970
0.5
960 ƉƌŝŽƌŝǌĂWƚŽƚĂů
950
940 0
0.655 0.66 0.665 0.67 0.675 0.68 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Efetividade da Torre ɸEfetividade da Torre
Ă ŶŽƌŵĂůŝǌĂĚŽ
(a) Fronteira de Pareto (b) Curva da média quadrática
Figura 27: Escolha da solução ótima com base na menor média quadrática dos objetivos:
maximização de a e minimização de Ptotal normalizados.
No nosso caso, verificou-se que para aplicar os critérios de escolha definidos, deve-
se considerar a minimização das duas funções objetivo, pois o cálculo da média quadrática
das funções objetivo a partir da maximização de f1 e minimização de f2 resulta sempre
na convergência para o ponto do conjunto de soluções Pareto-ótimas que representa o
menor consumo de energia elétrica, conforme indicado na Figura 27(b). A Figura 27(b)
foi obtida a partir da fronteira de Pareto indicada na Figura 27(a), onde pode-se verificar
o conjunto de soluções Pareto-ótimas obtidas para o ponto operacional número 15 da base
de dados utilizada nas simulações de otimização, o qual pode ser consultado no Apêndice
A.
A melhor solução deve ser aquela que representa o melhor compromisso entre os
objetivos conflitantes propostos. Dessa forma, devem ser adotados os critérios de escolha
definidos pelas Equações 95–97, onde observa-se que, diferentemente do indicado nas
Equações 92–94, objetiva-se a minimização do inverso da efetividade, ou seja, 1/a :
r
w1 2
soluçãocritério1 = min + w2 Ptotaln , (95)
2an

w1 /an + w2 Ptotaln
soluçãocritério2 = min , (96)
2
r
w1
soluçãocritério3 = min · w2 Ptotaln , (97)
an
onde, nesta dissertação, considerou-se w1 = w2 .
A Figura 28 ilustra a necessidade de adotar a minimização dos objetivos para a
obtenção da melhor solução. No caso, utilizou-se a menor média quadrática como crité-
rio de decisão para escolha da solução ótima, com base na Equação 95. Observa-se que o
ponto mı́nimo da curva da média quadrática dos objetivos normalizados pode ser utilizado
como um separador entre as regiões que favorecem um objetivo em detrimento ao outro.
Conforme indicado, à medida que se desloca à esquerda do ponto mı́nimo desta curva,
tem-se a crescente preferência ao objetivo minimizar 1/a , o que é obtido por meio de um
crescente aumento de Ptotal . Em contrapartida, à medida que se desloca à direita deste
ponto, tem-se a crescente preferência ao objetivo minimizar Ptotal , provocando uma cres-
cente incremento em 1/a , uma vez que a redução da potência dos chillers e ventiladores
da torre tende a provocar um aumento na temperatura da água de condensação.
As Figuras 29(a) e 29(b) apresentam os resultados da aplicação dos critério de
decisão baseados, respectivamente, nas menores médias aritmética e geométrica dos ob-
jetivos normalizados. No caso, observou-se que a aplicação de ambos os métodos não
permite identificar um ponto da fronteira de Pareto que estabeleça uma separação entre
as regiões que favorecem um objetivo em detrimento a outro, diferentemente do que ocorre
no método que utiliza a média quadrática, conforme indicado na Figura 28. Dessa forma,
nesta dissertação, o critério a ser utilizado para escolha da solução ótima do problema
multiobjetivo proposto será apenas a menor média quadrática dos objetivos normalizados,
descartando-se a utilização dos demais critérios de decisão inicialmente considerados.
6.3. RESULTADOS DA MODELAGEM ZCAP1 149
1
objetivos normalizados
0.9
média quadrática dos objetivos
0.8
Potência global normalizada ƉƌŝŽƌŝǌĂɸĂ ƉƌŝŽƌŝǌĂWƚŽƚĂů
0.7
0.6
0.5 ƐŽůƵĕĆŽſƚŝŵĂ
ĞƐĐŽůŚŝĚĂ
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1/Efetividade da Torre
Figura 28: Critério a ser adotado para escolha da solução ótima com base na menor
média quadrática dos objetivos: (1) minimização de 1/a e (2) minimização de Ptotal
normalizados, a partir da fronteira de Pareto obtida utilizando o algoritmo MOPSO.
1 1
objetivos normalizados objetivos normalizados
0.9 0.9
média aritmética dos objetivos média geométrica dos objetivos
0.8 0.8
ŐůŽďĂůŶŽƌŵĂůŝǌĂĚĂ
ŐůŽďĂůŶŽƌŵĂůŝǌĂĚĂ
normalizada
normalizada
0.7 0.7
0.6 0.6
WŽƚġŶĐŝĂglobal
WŽƚġŶĐŝĂglobal
0.5 0.5
0.4 0.4
Potência
Potência
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1/Efetividade da Torre 1/Efetividade da Torre
ϭͬɸ ŶŽƌŵĂůŝǌĂĚŽ
ϭͬɸ Ă ŶŽƌŵĂůŝǌĂĚŽ Ă
(a) Curva da média aritmética (b) Curva da média geométrica
Figura 29: Critérios não aplicáveis à escolha da solução ótima com base nos objetivos:
minimização de 1/a e minimização de Ptotal normalizados.
6.3 Resultados da Modelagem ZCAP1

Na modelagem ZCAP1 para os chillers considera-se uma única variável de busca: o setpoint
ótimo de velocidade dos ventiladores das torres de resfriamento. A velocidade ótima obtida
é aplicada então em todos os ventiladores que estiverem em operação. Este procedimento

é realizado de modo a evitar possı́veis cenários de ressonância junto à estrutura da torre.
De modo a ilustrar e analisar os resultados e fronteiras de Pareto obtidos após a
aplicação dos algoritmos de otimização, foram escolhidos os pontos 8, 16, 26 e 31 dentre os
35 pontos operacionais indicados na Tabela A.1 do Apêndice A. A escolha destes pontos
baseou-se no fato destes representarem situações de carga bem distintas comparado aos
demais pontos, permitindo verificar a eficácia dos algoritmos nestas situações. As soluções
ótimas obtidas, assim como os resultados das funções objetivo utilizando a modelagem
ZCAP1 (que, nesta dissertação, corresponde à modelagem dos chillers utilizando o fator
ZCAP1 ), podem ser consultados no Apêndice A.
Embora, na prática, os conversores de frequência utilizados para variação de velo-
cidade dos ventiladores da torre possuam precisão de 0, 1Hz, para efeito de avaliação dos
algoritmos, considerou-se a apresentação dos resultados com precisão de 0, 01Hz.
6.3.1 Resultados com NSGA-II
Os resultados foram obtidos utilizando a implementação em MATLAB do algoritmo

NSGA-II disponibilizada em (HERIS, 2010). Os parâmetros utilizados foram: popula-
ção igual a 100, probabilidade de recombinação igual a 0,8 e probabilidade de mutação
igual a 0,3. Além disso, utilizou-se o torneio binário como método de seleção dos melhores
indivı́duos. Os valores dos parâmetros foram escolhidos com base em testes realizados no
intuito de reduzir-se o tempo de execução e obter-se uma fronteira de Pareto com boa
distribuição e quantidade suficiente de pontos.
A Tabela A.2 do Apêndice A apresenta as soluções ótimas e respectivos resultados
para as funções objetivo, obtidos para os 35 pontos operacionais utilizados nas imple-
mentações de otimização, onde nótima representa a solução ótima obtida pelo algoritmo
NSGA-II, dada em Hz, a representa a efetividade obtida para a torre de resfriamento,
Ptotal representa a potência elétrica global demandada pelos ventiladores e chillers perten-
centes ao sistema de resfriamento, em kW , e ec(%) representa a economia percentual no
consumo energético global obtida. Já na Tabela B.1 do Apêndice B, pode-se verificar que
as soluções ótimas obtidas atendem às restrições estabelecidas, onde Taecond representa a
temperatura prevista para a água do circuito de condensação que deixa a torre de res-
friamento e segue em direção aos chillers, Tascond representa a temperatura prevista para
a água do circuito de condensação que deixa os chillers e segue em direção à torre de

resfriamento, e ∆T representa o approach.
As Figuras 30 e 31 apresentam, respectivamente, as fronteiras de Pareto obtidas
com os critérios de parada após 50 iterações e 90 segundos para os pontos operacionais
8, 16, 26 e 31 indicados nas Tabelas A.2 e B.1. Os pontos circulados nas Figuras 30 e 31
representam a solução ótima escolhida.
880 1000
870 990
Potência elétrica global (kW)

860 980
850 970
840 960
830 950
820 940
810 930
0.64 0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
(a) Ponto operacional n◦ 8. (b) Ponto operacional n◦ 16.
390 960
385 950
380
940
375
930
370
920
365
910
360
900
355
350 890
0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
(c) Ponto operacional n◦ 26. (d) Ponto operacional n◦ 31.
Figura 30: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando a modelagem
ZCAP1 com critério de parada após 50 iterações.
Na Tabela A.2, comparando os resultados obtidos com o critério de parada após

90 segundos com relação aos obtidos com o critério de parada após 50 iterações, tem-se
que, para o ponto 8, verificou-se um incremento de 0,02% na economia de energia elétrica
global do sistema contra uma redução de 0,01% na efetividade da torre. Para o ponto
16, houve um incremento de 0,03% na economia de energia elétrica global contra uma
redução de 0,07% na efetividade da torre. Já para o ponto 26, houve incremento de 0,02%
na economia de energia elétrica global contra 0,03% de redução na efetividade. Por fim,
880 1000
870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.64 0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
390 960
385 950
380

940
375
930
370
920
365
910
360
355 900
350 890
0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da Torre Efetividade da torre de resfriamento
Figura 31: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
ZCAP1 com critério de parada após 90 segundos.
para o ponto 31, observou-se um incremento de 0,1% na economia de energia elétrica

global contra uma redução de 0,18% na efetividade. Desta forma, observa-se que para a
maioria dos pontos analisados, a redução na efetividade da torre de resfriamento foi maior
do que o incremento obtido na economia de energia elétrica global.
Já nas Figuras 30 e 31, observa-se que as fronteiras de Pareto obtidas para as
condições de parada após 50 iterações e 90 segundos são similares, e que as soluções ótimas
obtidas permanecem em torno da mesma região, constatando-se a devida convergência do
algoritmo para a solução ótima em ambos os critérios de parada.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS (Random Selection) ao
ponto operacional 31, no intuito de verificar a solução ótima obtida por este após 50 ite-
rações, conforme pode ser observado na Figura 30, onde a solução ótima obtida pelo RS
está indicada com um triângulo. Comparando a solução ótima obtida pelo RS após utili-
zação do critério de escolha adotado, ou seja, a solução que após 50 iterações apresenta a
menor média quadrática dos objetivos normalizados, verificou-se que a velocidade ótima
obtida corresponde a uma redução de 16, 30% na velocidade ótima obtida pelo NSGA-II,
ocasionando uma redução de 1, 65% na efetividade da torre em favor de uma redução de
apenas 0, 89% no consumo de energia elétrica global, ambos comparados aos resultados
obtidos com a aplicação da solução ótima fornecida pelo NSGA-II. Dessa forma, a redu-
ção verificada na efetividade supera em 79, 35% a economia de energia elétrica obtida,
constatando-se uma redução significativa no desempenho energético do sistema. Isto se
deve ao fato do RS não convergir, mesmo aplicando-se o critério de escolha da solução
ótima (ao contrário do que os algoritmos de otimização fazem), para a melhor solução para
o problema de otimização multiobjetivo proposto, ou seja, que reduz o consumo energético
em detrimento à menor redução possı́vel na efetividade da torre de resfriamento, uma vez
que o RS não se trata de um algoritmo de otimização.
6.3.2 Resultados com SPEA2
Os resultados foram obtidos utilizando uma implementação combinada em MATLAB/C++

do algoritmo SPEA2, desenvolvida por (POPOV, 2007). Foram utilizados os seguintes
parâmetros: população igual a 100, probabilidade de recombinação igual a 75% e pro-
babilidade de mutação igual a 15%. Além disso, utilizou-se o torneio como método de
seleção dos melhores indivı́duos. A escolha destes parâmetros foi realizada de forma expe-
rimental depois de repetidos testes com diversas possı́veis parametrizações, verificando-se
que populações maiores que 100 e taxas de recombinação e mutação acima dos valores
citados só aumentavam o tempo de execução do algoritmo, não proporcionando mudanças
significativas nos resultados, nem nas fronteiras de Pareto obtidas.
para as funções objetivo obtidos para os 35 pontos operacionais utilizados nas implemen-
tações de otimização. Já na Tabela B.3 do Apêndice B, pode-se verificar que as soluções
ótimas obtidas atendem às restrições estabelecidas.
880 1000
870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
390 960
385 950
380

940
375
930
370
920
365
910
360
900
355
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
Figura 32: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando a modelagem
Na Tabela A.4, ao comparar os resultados obtidos com o critério de parada após

90 segundos com relação aos obtidos após 50 iterações, tem-se que, à exceção do ponto
operacional 31, os demais pontos convergiram para uma condição que favorece a efetivi-
dade da torre. No caso do ponto operacional 8, verificou-se uma redução de 0,02% na
economia de energia elétrica global do sistema para um incremento de 0,01% na efeti-
vidade da torre. No caso do ponto operacional 16, verificou-se uma redução de 0,05%
na economia de energia elétrica global para um incremento de 0,12% na efetividade da
torre. Já no caso do ponto operacional 26, houve uma variação proporcional entre os dois
objetivos, com uma redução de 0,01% da economia de energia elétrica global para um
incremento de exatos 0,01% na efetividade. Por fim, o ponto operacional 31 apresentou
um incremento na economia de energia elétrica global de 0,01% em detrimento a uma
redução na efetividade de 0,02%. Os resultados obtidos com os dois critérios de parada
foram satisfatórios, verificando-se a devida convergência do algoritmo.
880 1000
Potência elétrica global (kW) 870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
390 960
385 950
380

940
375
930
370
920
365
910
360
355 900
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
Figura 33: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o SPEA2, utilizando a modelagem ZCAP1
com critério de parada após 90 segundos.
Já nas Figuras 32 e 33, observa-se que as fronteiras de Pareto obtidas para as
condições de parada após 50 iterações e 90 segundos são praticamente idênticas, e que as
soluções ótimas se encontram na mesma região das fronteiras de Pareto, constatando-se
a devida convergência do algoritmo.
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode
ser observado na Figura 32, onde a solução ótima obtida pelo RS está indicada com um
triângulo. Comparando a solução ótima obtida pelo RS após utilização do critério de esco-
lha adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática
dos objetivos normalizados, verificou-se que a velocidade ótima obtida corresponde a uma
redução de 22, 31% na velocidade ótima obtida pelo SPEA2, ocasionando uma redução
de 2, 66% na efetividade da torre em favor de uma redução de apenas 1, 45% no consumo
de energia elétrica global, ambos comparados aos resultados obtidos com a aplicação da
solução ótima fornecida pelo SPEA2. Dessa forma, a redução verificada na efetividade
supera em 83, 45% a economia de energia elétrica obtida, constatando-se uma redução
significativa no desempenho energético do sistema. Isto se deve ao fato do RS não con-
vergir, mesmo aplicando-se o critério de escolha da solução ótima (ao contrário do que os
algoritmos de otimização fazem), para a melhor solução para o problema de otimização
multiobjetivo proposto, ou seja, que reduz o consumo energético em detrimento à menor
redução possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata
de um algoritmo de otimização.
6.3.3 Resultados com Micro-GA
Os resultados do algoritmo Micro-GA foram obtidos utilizando o Toolbox SGALAB do

MATLAB (CHEN, 2004). Foram utilizados os seguintes parâmetros: memória da popu-
lação igual a 100, memória externa igual a 100, percentual da memória não-substituı́vel
igual a 20%, população interna do Micro-GA igual a 6, taxa de recombinação igual a
0,8, taxa de mutação igual a 0,2, número de iterações do Micro-GA (para atingimento
da convergência nominal) igual a 4 e replacement cycle a cada 15 iterações. Utilizou-se
o torneio binário como método de seleção dos melhores indivı́duos. Estes valores foram
obtidos com base nos valores recomendados para os parâmetros em (COELLO; PULIDO,
2001) e por meio de experimentos no intuito de obter-se uma fronteira de Pareto com
boa distribuição com o menor tempo de convergência possı́vel. Percebeu-se que valores
maiores para a taxa de mutação e para a população inicial só incrementavam o tempo de
convergência do algoritmo, permanecendo os resultados praticamente inalterados. Dife-
rentemente do indicado em (COELLO; PULIDO, 2001), que sugere valores para a população
interna de 3 a 4, percebeu-se, no caso, que a utilização de uma população interna igual
a 6 reduziu o tempo de convergência do algoritmo. O método de seleção por torneio bi-
nário foi mantido de forma a manter o mesmo critério de seleção para os três algoritmos
evolucionários aplicados nesta dissertação, NSGA-II, SPEA2 e Micro-GA.
para as funções objetivo, obtidos para os 35 pontos operacionais utilizados nas imple-
mentações de otimização. Na Tabela B.5 do Apêndice B, pode-se verificar que as soluções
ótimas obtidas atendem às restrições estabelecidas.As Figuras 34 e 35 apresentam as fron-
teiras de Pareto obtidas após 50 iterações e 90 segundos para os pontos operacionais 8,

16, 26 e 31. Os pontos circulados representam a solução ótima escolhida.
880 1000
870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre re resfriamento Efetividade da torre de resfriamento
390 960
385
950
380
940
375
370 930
365
920
360
910
355
350 900
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
nais utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
Na Tabela A.6, ao comparar os resultados obtidos com o critério de parada após

90 segundos com relação aos obtidos após 50 iterações, verificou-se no ponto operacio-
nal 8 que o algoritmo convergiu para a mesma solução obtida com os dois critérios de
parada, constatando-se sua devida convergência. Já no ponto operacional 16, houve um
incremento de 0,01% na economia de energia elétrica global do sistema em detrimento a
uma redução de 0,03% na efetividade da torre. Para o ponto operacional 26, houve um
incremento de 0,1% na efetividade contra uma redução de 0,06% na economia de energia
elétrica global. Por fim, no ponto operacional 31 houve um incremento de 0,12% na eco-
nomia de energia elétrica global em detrimento a uma redução de 0,22% na efetividade.
Verificou-se, portanto, que o algoritmo convergiu corretamente para a melhor solução,
pois a variação entre os resultados é mı́nima.
880 1000
870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
390 960
385
950
380

940
375
370 930
365
920
360
910
355
350 900
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84
utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
Nas Figuras 34 e 35, observa-se que as fronteiras de Pareto obtidas para a condição
de parada após 90 segundos apresentam uma melhor distribuição do que as obtidas após
50 iterações, principalmente para o ponto 31. Todas as soluções ótimas se mantiveram em
torno da mesma região da fronteira de Pareto, constatando a convergência do algoritmo.
redução de 18, 08% na velocidade ótima obtida pelo Micro-GA, ocasionando uma redução
solução ótima fornecida pelo Micro-GA. Dessa forma, a redução verificada na efetividade
no desempenho energético do sistema. Isto se deve ao fato do RS não convergir, mesmo
aplicando-se o critério de escolha da solução ótima (ao contrário do que os algoritmos
de otimização fazem), para a melhor solução para o problema de otimização multiobje-
tivo proposto, ou seja, que reduz o consumo energético em detrimento à menor redução
possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata de um
algoritmo de otimização.
6.3.4 Resultados com MOPSO

MOPSO disponibilizada em (HERIS, 2011). Esta implementação do MOPSO foi reali-
zada de acordo com (COELLO; PULIDO; LECHUGA, 2004). Foram utilizados os seguintes
parâmetros: população igual a 100, arquivo externo igual a 100, coeficientes cognitivo e
social c1 = c2 = 2, 05, e número de grids igual a 10. Os valores dos parâmetros c1 e c2 fo-
ram definidos conforme sugerido por (COELLO; PULIDO; LECHUGA, 2004), sendo os demais
obtidos por meio de experimentos de modo a obter-se uma fronteira de Pareto com boa
distribuição para o menor tempo de convergência possı́vel para o algoritmo. Observou-se
que para valores de população, arquivo externo e número de grids superiores ao indicado,
mantendo-se a quantidade de iterações, houve somente incremento no tempo de conver-
gência do algoritmo, não sendo observadas melhorias na fronteira de Pareto ou variações
nos resultados obtidos. Percebe-se a reduzida quantidade de parâmetros necessários para
a aplicação do MOPSO, principalmente comparado ao algoritmo Micro-GA, sendo esta
uma vantagem do MOPSO frente aos algoritmos evolucionários aplicados.
após 50 iterações e 90 segundos para os pontos operacionais 8, 16, 26 e 31 indicados nas
Tabelas A.8 e B.7. Os pontos circulados representam a solução ótima escolhida.
880 1000
870
990

860
980
850
970
840
960
830
950
820
810 940
0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
390 960
385 950
380

940
375
930
370
920
365
910
360
900
355
350 890
0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
nais utilizados na implementação da otimização com o MOPSO, utilizando a modelagem
Na Tabela A.8, comparando os resultados obtidos com o critério de parada após 90

segundos com relação aos obtidos após 50 iterações, verificou-se que o ponto operacional
8 obteve um incremento de 0,2% na economia de energia elétrica global do sistema em
detrimento a uma redução de 0,14% na efetividade da torre. Já no ponto operacional
16, verificou-se um incremento de 0,13% na economia de energia elétrica global para uma
redução de 0,28% na efetividade. Para o ponto 26, observou-se uma redução de 0,36%
na economia de energia elétrica global para um incremento de 0,5% na efetividade da
torre. Por fim, no ponto 31, verificou-se uma redução de 0,66% na economia de energia
elétrica global para um incremento de 1,19% na efetividade. Dessa forma, verifica-se que
o algoritmo convergiu corretamente, no intuito de obter eficiência energética com uma
redução mı́nima na efetividade da torre.
Já nas Figuras 36 e 37, tem-se que as fronteiras de Pareto obtidas com os diferentes
critérios de parada diferem, podendo-se observar claramente o deslocamento da solução
870 1000
860 990

850 980
840 970
830 960
820 950
810 940
0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
390 960
385
950
380

940
375
370 930
365
920
360
910
355
350 900
0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.81 0.82 0.83 0.84 0.85 0.86
utilizados na implementação da otimização com o MOPSO, utilizando a modelagem ZCAP1
ótima obtida após 50 iterações para um ponto distinto na solução ótima obtida após 90
segundos, ora favorecendo a economia energética, como no caso dos pontos 8 e 16, ora
favorecendo a efetividade da torre, como no caso dos pontos 26 e 31. Conforme visto,
após 90 segundos, apenas o ponto 16 convergiu para uma solução em que se verificou um
incremento na economia energética inferior à redução da efetividade da torre, o que é
justificado pelo fato dos diferentes critérios de parada se tratarem de aplicações distintas
do algoritmo, ou seja, a aplicação com parada após 90 segundos não é uma continuação da
aplicação com critério de parada após 50 iterações. Dessa forma, observa-se que, de fato,
a convergência do algoritmo apenas ocorre com o critério de parada após 90 segundos,
constatando-se que as 50 iterações não são suficientes para a convergência do algoritmo.
redução de 17, 18% na velocidade ótima obtida pelo MOPSO, ocasionando uma redução
solução ótima fornecida pelo MOPSO. Dessa forma, a redução verificada na efetividade
no desempenho energético do sistema. Isto se deve ao fato do RS não convergir, mesmo
aplicando-se o critério de escolha da solução ótima (ao contrário do que os algoritmos
de otimização fazem), para a melhor solução para o problema de otimização multiobje-
tivo proposto, ou seja, que reduz o consumo energético em detrimento à menor redução
possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata de um
algoritmo de otimização.
6.3.5 Resultados com MO-TRIBES
Os resultados foram obtidos utilizando a implementação em C++ do algoritmo MO-

TRIBES disponibilizada em (CLERC, 2013). Foram utilizados os seguintes parâmetros:
número máximo de partı́culas por tribo igual 10 e número máximo de tribos igual a 40.
Os valores dos parâmetros foram obtidos com base em experimentos, de modo a obter-se
uma fronteira de Pareto com boa distribuição e o menor tempo possı́vel de convergência.
Percebe-se que não há demais parâmetros de convergência conforme os outros algoritmos
aplicados, bastando-se definir o tamanho da população. Esta é uma das vantagens do
MO-TRIBES frente aos demais algoritmos aplicados nesta dissertação.
para as funções objetivo, obtidos para os 35 pontos operacionais utilizados nas implemen-
após 50 iterações e 90 segundos para os pontos operacionais 8, 16, 26 e 31 indicados nas
Tabelas A.10 e B.9. Os pontos circulados representam a solução ótima escolhida.
880 1000
870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
390 960
385 950
380

940
375
930
370
920
365
910
360
900
355
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84
Figura 38: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES, utilizando a
modelagem ZCAP1 com critério de parada após 50 iterações.
Na Tabela A.10, diferentemente dos demais algoritmos aplicados neste trabalho,

ao comparar os resultados obtidos para as diferentes condições de parada, observou-se
uma boa proporcionalidade entre os incrementos e reduções de efetividade e economia de
energia elétrica. Com relação aos resultados obtidos com 50 iterações, tem-se que, após 90
segundos, o ponto operacional 8 apresentou uma redução de 0,02% na economia de energia
elétrica global do sistema para um incremento de exatos 0,02% na efetividade da torre. De
forma similar, o ponto operacional 26 apresentou uma redução de 0,01% no consumo de
energia elétrica global para um incremento de exatos 0,01% na efetividade. No ponto 31
houve redução e acréscimo com valores iguais aos obtidos utilizando o ponto operacional
26, diferenciando-se apenas o fato de que o algoritmo convergiu para uma condição de
aumento da economia de energia elétrica global em detrimento à redução da efetividade.
Por fim, o ponto operacional 16 não apresentou qualquer variação no resultado para uma
quantidade maior de iterações, constatando-se a convergência plena do algoritmo.
880 1000
870 990

860 980
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
390 960
385 950
380

940
375
930
370
920
365
910
360
355 900
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
utilizados na implementação da otimização com o MO-TRIBES, utilizando a modelagem
Já nas Figuras 38 e 39, observa-se que as fronteiras de Pareto obtidas para as con-
dições de parada após 50 iterações e 90 segundos são praticamente idênticas, verificando-se
uma excelente distribuição e continuidade das fronteiras de Pareto obtidas comparado aos
demais algoritmos. Além disso, uma vez que as soluções ótimas convergem para a mesma
região em cada ponto operacional considerado, e dadas as variações mı́nimas apresentadas
pelos resultados obtidos, constata-se a devida convergência do algoritmo utilizando os dois
critérios de parada estabelecidos.
redução de 20, 36% na velocidade ótima obtida pelo MO-TRIBES, ocasionando uma re-
dução de 2, 45% na efetividade da torre em favor de uma redução de apenas 1, 43% no
consumo de energia elétrica global, ambos comparados aos resultados obtidos com a apli-
cação da solução ótima fornecida pelo MO-TRIBES. Dessa forma, a redução verificada na
efetividade supera em 71, 33% a economia de energia elétrica obtida, constatando-se uma
redução significativa no desempenho energético do sistema. Isto se deve ao fato do RS não
convergir, mesmo aplicando-se o critério de escolha da solução ótima (ao contrário do que
os algoritmos de otimização fazem), para a melhor solução para o problema de otimização
multiobjetivo proposto, ou seja, que reduz o consumo energético em detrimento à menor
redução possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata
de um algoritmo de otimização.
6.4 Resultados da Modelagem ZCAP2

Na modelagem ZCAP2 , a qual considera a utilização do fator ZCAP2 para estimar a potência
elétrica demandada pelos chillers, são consideradas duas variáveis de busca: o setpoint
ótimo de velocidade dos ventiladores das torres de resfriamento e o setpoint ótimo para a
temperatura da água de saı́da do evaporador dos chillers.
Os resultados foram obtidos a partir da aplicação da solução ótima encontrada
por cada algoritmo, de modo a permitir comparação entre os resultados e as fronteiras
de Pareto obtidos para os dois critérios de parada estabelecidos. No caso, para análise
dos resultados, foram escolhidos os mesmos pontos operacionais (8, 16, 26 e 31) utilizados
para avaliação da modelagem ZCAP1 , na Seção 6.3.
6.4.1 Resultados com NSGA-II

NSGA-II disponibilizada em (HERIS, 2010), utilizando os menos parâmetros definidos
na Seção 6.3.1, uma vez que estes proporcionaram a obtenção de fronteiras de Pareto
bem distribuı́das, e de modo a permitir a comparação entre os resultados obtidos pelas
otimizações implementadas com o uso das modelagens ZCAP1 e ZCAP2 .
A Tabela A.3 do Apêndice A apresenta as soluções ótimas e os respectivos re-
sultados para as funções objetivo, obtidos para os 35 pontos operacionais utilizados nas
implementações de otimização com o algoritmo NSGA-II, onde nótima representa a ve-

locidade ótima obtida para os ventiladores da torre, dada em Hz, Tótima representa a
temperatura ótima para a água gelada que deixa o evaporador dos chillers, dada em ◦ C,
a representa a efetividade obtida para a torre de resfriamento, Ptotal representa a po-
tência elétrica global demandada pelos ventiladores e chillers pertencentes ao sistema de
resfriamento, em kW , e ec(%) representa a economia percentual no consumo energético
global obtida. Já na Tabela B.2 do Apêndice B, pode-se verificar que as soluções ótimas
obtidas atendem às restrições estabelecidas, onde Taecond representa a temperatura pre-
vista para a água do circuito de condensação que deixa a torre de resfriamento e segue em
direção aos chillers, e Tascond representa a temperatura prevista para a água do circuito
de condensação que deixa os chillers e segue em direção à torre de resfriamento.
são: 8, 16, 26 e 31 indicados nas Tabelas A.3 e B.2. Os pontos circulados nas Figuras 40
e 41 representam a solução ótima escolhida.
Na Tabela A.3, comparando os resultados obtidos para com o critério de parada
após 90 segundos com relação aos obtidos 50 iterações, tem-se que, à exceção do ponto
operacional 31, os demais pontos operacionais (8, 16 e 26) convergiram para uma solução
que reduz a economia energética global no intuito de aumentar a efetividade da torre. No
caso, o ponto operacional 8 apresentou uma redução de 0,11% na economia de energia
elétrica global do sistema para um aumento de 0,27% na efetividade da torre. O ponto
26 apresentou uma redução de 0,14% na economia de energia elétrica global para um
aumento de 0,22% na efetividade. O ponto 16, diferentemente dos demais, apresentou
uma redução tanto no consumo de energia elétrica quanto na efetividade, respectivamente,
de 0,18% e 0,04%, Isso se deve ao fato de que a aplicação com critério de parada após
90 segundos não é uma continuação da condição de parada após 50 iterações, ou seja,
se tratam de aplicações distintas do algoritmo, e devido ao seu caráter estocástico, não
se pode garantir que aplicações distintas convergirão exatamente para a mesma solução,
mas sim para pontos bem próximos. Por fim, com a aplicação do critério de parada após
90 segundos, o ponto operacional 31 apresentou um incremento de 0,31% na economia de
energia elétrica global, acompanhado também de um incremento de 0,03% na efetividade,
comparado à aplicação com critério de parada após 50 iterações, o que constata a correta
1050 1250
1200
1000
1150

950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.8 0.82 0.84 0.86 0.88
460 1200
1150
440
1100

420
1050
400
1000
380
950
360
900
340 850
320 800
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88
convergência do algoritmo. No caso, percebe-se que com a utilização das duas variáveis de
busca é possı́vel o incremento tanto na economia de energia elétrica como na efetividade
de torre, fato este que não foi verificado em nenhuma das implementações utilizando a
modelagem ZCAP1 .
Já nas Figuras 40 e 41, observa-se que as fronteiras de Pareto obtidas são bem
similares e que as soluções ótimas para os diferente critérios de parada se encontram na
mesma região, o que também constata a devida convergência do algoritmo.
problema proposto nesta dissertação, aplicou-se o algoritmo RS (Random Selection) ao
ponto operacional 31, no intuito de verificar a solução ótima obtida por este após 50
iterações, conforme pode ser observado na Figura 40, onde a solução ótima obtida pelo
RS está indicada com um triângulo. Ao analisar a solução ótima obtida pelo RS após
utilização do critério de escolha adotado, ou seja, a solução que após 50 iterações apresenta
1050 1250
1200
1000
1150

950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.8 0.82 0.84 0.86 0.88
460 1200
440 1150
1100

420
1050
400
1000
380
950
360
900
340 850
320 800
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Figura 41: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
a menor média quadrática dos objetivos normalizados, verificou-se que esta não pertence
à fronteira de Pareto obtida pelo NSGA-II, o que constata a necessidade de utilização
de um algoritmo de otimização multiobjetivo para a solução do problema proposto nesta
dissertação. Além disso, a solução obtida pelo RS representa uma redução de 10, 61% na
efetividade da torre em favor de uma redução de apenas 1, 51% no consumo de energia
elétrica global, ambos comparados aos resultados obtidos com a aplicação da solução
ótima fornecida pelo NSGA-II. Dessa forma, a redução verificada na efetividade supera
7,03 vezes a economia de energia elétrica obtida, constatando-se que houve uma redução
extremamente significativa no desempenho energético do sistema.
6.4.2 Resultados com SPEA2
Os resultados foram obtidos utilizando uma implementação combinada em MATLAB/C++

do algoritmo SPEA2, desenvolvida por (POPOV, 2007). Na implementação das otimiza-
ções foram utilizados os mesmo parâmetros definidos na Seção 6.3.1, uma vez que estes
proporcionaram a obtenção de fronteiras de Pareto bem distribuı́das, e de modo a permitir
a comparação entre os resultados obtidos com o uso das modelagens ZCAP1 e ZCAP2 .
para as funções objetivo, obtidos para os 35 pontos operacionais utilizados nas implemen-
tações de otimização com o algoritmo SPEA2. Já na Tabela B.4 do Apêndice B, pode-se
verificar que as soluções ótimas obtidas atendem às restrições estabelecidas.
1050 1250
1200
1000
1150
950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
460 1200
1150
440
1100
420
1050
400
1000
380
950
360
900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Figura 42: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando a modelagem
Na tabela A.5, comparando os resultados obtidos com o critério de parada após

90 segundos com relação aos obtidos após 50 iterações, verificou-se que os pontos opera-
1050 1250
1200
1000
1150

950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
460 1200
440 1150
1100

420
1050
400
1000
380
950
360
900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
utilizados na implementação da otimização com o SPEA2, utilizando a modelagem ZCAP2
cionais 8 e 16 convergiram para soluções que proporcionaram redução tanto na economia

de energia elétrica global quanto na efetividade da torre. Isso se deve ao fato de que a
aplicação do algoritmo com critério de parada após 90 segundos não é uma continuação
da aplicação após 50 iterações, pois se tratam de aplicações de otimização distintas, e
devido ao caráter estocástico do algoritmo, não se pode garantir que as soluções obtidas
em aplicações distintas sejam idênticas, mas que sim, representam pontos bem próximos.
No caso, comparando os critérios de parada, tem-se que os pontos 8 e 16 apresentaram
reduções na economia de energia elétrica global de 0,1% e 0,07%, e reduções na efetivi-
dade de 0,14% e 0,01%, respectivamente. Observa-se que isto não descarta as soluções
ótimas obtidas, uma vez que estas estabelecem um bom compromisso entre os objetivos
estabelecidos, sendo as reduções verificadas desprezı́veis em termos práticos.
Ainda comparando os resultados obtidos após 90 segundos com relação aos obtidos
após 50 iterações, tem-se que o ponto operacional 26 apresentou uma redução de 0,24%
na economia de energia elétrica global de modo a obter um incremento de 0,43% na

efetividade da torre. Já o ponto operacional 31 apresentou um incremento na economia de
energia elétrica global de 0,14% mantendo o mesmo valor de efetividade apresentado com
50 iterações. Nas Figuras 42 e 43, observa-se que as fronteiras de Pareto obtidas para as
duas condições de parada são idênticas, o que, além das variações mı́nimas verificadas nos
resultados obtidos comparando-se os dois critérios de parada utilizados, também constata
ser observado na Figura 42, onde a solução ótima obtida pelo RS está indicada com
um triângulo. Ao analisar a solução ótima obtida pelo RS após utilização do critério
de escolha adotado, ou seja, a solução que após 50 iterações apresenta a menor média
quadrática dos objetivos normalizados, verificou-se que esta não pertence à fronteira de
Pareto obtida pelo SPEA2, o que constata a necessidade de utilização de um algoritmo de
otimização multiobjetivo para a solução do problema proposto nesta dissertação. Além
disso, a solução obtida pelo RS representa uma redução de 5, 52% na efetividade da
torre, acompanhada de um incremento de 1, 71% no consumo de energia elétrica global,
ambos comparados aos resultados obtidos com a aplicação da solução ótima fornecida pelo
SPEA2, resultado este bastante insatisfatório, constatando-se uma redução significativa
no desempenho energético do sistema.
6.4.3 Resultados com Micro-GA
Os resultados do algoritmo Micro-GA foram obtidos utilizando Toolbox SGALAB do MA-

TLAB (CHEN, 2004). Foram utilizados os mesmos parâmetros utilizados na Seção 6.3.3,
uma vez que estes proporcionaram a obtenção de fronteiras de Pareto com boa distribui-
ção, e de modo a permitir a comparação entre os resultados obtidos pelas otimizações
implementadas com o uso das modelagens ZCAP1 e ZCAP2 .
tações de otimização com o algoritmo Micro-GA. Já na Tabela B.6 do Apêndice B, pode-se

1050 1200
1150
1000

1100
950
1050
900
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
460 1200
440 1150
1100
420
1050
400
1000
380
950
360
900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.74 0.76 0.78 0.8 0.82 0.84 0.86
nais utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
Na Tabela A.7, comparando os resultados obtidos com o critério de parada após 90

segundos com relação aos obtidos após 50 iterações, verificou-se que o ponto operacional 8
manteve a efetividade igual para ambos os critérios, variando apenas a economia de energia
elétrica global obtida, a qual teve uma redução de 1,00%. Isto se deve ao fato de que os
diferentes critérios de parada se tratam de aplicações de otimização distintas, e devido
ao caráter estocástico do algoritmo, observa-se um pequeno desvio entre os resultados
obtidos em aplicações distintas, mas que não significam que não houve a convergência
do algoritmo. Com base na mesma comparação entre os critérios de parada, verificou-se
que o ponto operacional 16 apresentou uma redução de 1,41% na efetividade da torre de
1050 1250
1200
1000
1150

950
1100
900 1050
1000
850
950
800
900
750 850
0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
460 1200
440 1150
1100

420
1050
400
1000
380
950
360
900
340
850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.74 0.76 0.78 0.8 0.82 0.84 0.86
utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
modo a obter um incremento de 1,72% na economia de energia elétrica global. Já para
o ponto 26, verificou-se uma redução de 1,58% na economia de energia elétrica global de
modo a obter-se um incremento de 0,43% na efetividade da torre. Por fim, para o ponto
operacional 31, verificou-se uma redução de 1,56% na economia de energia elétrica global
em troca de um incremento de 0,56% na efetividade da torre.
Nos pontos operacionais 26 e 31, comparando os resultados obtidos após 90 se-
gundos com relação aos obtidos após 50 iterações, observa-se que a economia de energia
elétrica é inferior ao incremento na efetividade na torre. Isto se deve ao fato de que o
critério de escolha da solução ótima adotado não verifica se a nova solução ótima obtida
em uma otimização é melhor ou pior do que o obtido na otimização anterior, com 50 ite-
rações, uma vez que os critérios de parada são aplicados em duas aplicações distintas do
algoritmo. Dessa forma, após o atingimento do critério de parada, simplesmente escolhe-
se o ponto ótimo com base na menor média quadrática dos objetivos normalizados, sem
avaliar se o resultado obtido com o critério de parada após 90 segundos é melhor ou pior
do que após 50 iterações.
Nas Figuras 44 e 45, observa-se que as fronteiras de Pareto obtidas não possuem
distribuição satisfatórias, nem a devida continuidade, quando comparadas às fronteiras de
Pareto obtidas pelos demais algoritmos. Observa-se também um nı́tido deslocamento da
solução ótima na fronteira de Pareto obtida com o critério de parada após 90 segundos com
relação à fronteira obtida com o critério de parada após 50 iterações. Mesmo assim, em
termos práticos, considera-se que os resultados obtidos atendem à aplicação, uma vez que
as variações verificadas nos resultados obtidos são muito pequenas e aceitáveis, conforme
indicado na análise dos resultados após aplicação do Micro-GA com os dois critérios de
parada definidos, como pode ser verificado nos resultados apresentados para os demais
pontos operacionais indicados na Tabela A.7.
ser observado na Figura 44, onde a solução ótima obtida pelo RS está indicada com
um triângulo. Ao analisar a solução ótima obtida pelo RS após utilização do critério
de escolha adotado, ou seja, a solução que após 50 iterações apresenta a menor média
quadrática dos objetivos normalizados, verificou-se que esta não pertence à fronteira de
Pareto obtida pelo Micro-GA, o que constata a necessidade de utilização de um algoritmo
de otimização multiobjetivo para a solução do problema proposto nesta dissertação. Além
disso, a aplicação da solução ótima obtida pelo RS representa uma redução de 5, 91% na
efetividade da torre em favor de uma redução de apenas 0, 92% no consumo de energia
elétrica global, ambos comparados aos resultados obtidos com a aplicação da solução
ótima fornecida pelo Micro-GA. Dessa forma, a redução verificada na efetividade da torre
supera 6,39 vezes a economia de energia elétrica obtida, constatando-se que houve uma
redução significativa no desempenho energético do sistema.
6.4.4 Resultados com MOPSO

MOPSO disponibilizada em (HERIS, 2011). Esta implementação do MOPSO foi realizada
de acordo com (COELLO; PULIDO; LECHUGA, 2004), onde foram utilizados os mesmos
parâmetros definidos na Seção 6.3.4, uma vez que estes proporcionaram a obtenção de
fronteiras de Pareto com boa distribuição. A adoção dos mesmos parâmetros também é
realizada de modo a permitir a comparação entre os resultados obtidos pelas otimizações
implementadas com a utilização das modelagens ZCAP1 e ZCAP2 .
tações de otimização com o algoritmo MOPSO. Já na Tabela B.8 do Apêndice B, pode-se
1000 1200
1150
950
1100
900
1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.8 0.82 0.84 0.86 0.88
460 1100
440 1050
420 1000
400 950
380 900
360 850
340 800
0.76 0.78 0.8 0.82 0.84 0.86 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88
nais utilizados na implementação da otimização com o MOPSO, utilizando a modelagem
1050 1060
1040
1000
1020

1000
950
980
900 960
940
850
920
900
800
880
750 860
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
460 1050
440
1000

420
950
400
380
900
360
850
340
320 800
0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
utilizados na implementação da otimização com o MOPSO, utilizando a modelagem ZCAP2
Na Tabela A.9, comparando os resultados obtidos com o critério de parada após

90 segundos com relação aos obtidos após 50 iterações, observa-se que o ponto operacional
8 apresentou uma redução de 1,44% na economia de energia elétrica global do sistema em
detrimento a um incremento de apenas 0,22% na efetividade da torre. O ponto operacional
16 apresentou um incremento de 0,66% na economia de energia elétrica global mantendo
o mesmo valor de efetividade obtido com 50 iterações. Já no ponto operacional 26, houve
um incremento 1,31% na economia de energia elétrica global em detrimento a uma redu-
ção de 3,19% na efetividade da torre. Por fim, no ponto operacional 31 verificou-se um
incremento de 2,58% na economia de energia elétrica global para o mesmo valor de efeti-
vidade apresentado após 50 iterações, resultado este excelente. Desta forma, constata-se
Nas Figuras 46 e 47, observa-se que as fronteiras de Pareto obtidas para as condi-
ções de parada após 90 segundos diferem um pouco das obtidas após 50 iterações. Também
pode ser observado um nı́tido deslocamento da solução ótima obtida após 50 iterações para
uma nova posição após a utilização do critério de parada após 90 segundos. No caso, como
indicado, há pontos em que o incremento de economia é inferior à redução de efetividade
da torre, e isso é justificado pelo fato de que os critérios de parada após 50 iterações e após
90 segundos se tratam de otimizações distintas, e que devido ao caráter estocástico do
algoritmo, este pode convergir para um ponto não necessariamente igual ao da otimização
anterior, mas sim, para uma coordenada do espaço de busca que representa uma solução
bem próxima, conforme pode ser verificado nos resultados apresentados para os demais
pontos operacionais indicados na Tabela A.9.
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode ser
observado na Figura 46, onde a solução ótima obtida pelo RS está indicada com um tri-
ângulo. Ao analisar a solução ótima obtida pelo RS após utilização do critério de escolha
adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática dos
objetivos normalizados, verificou-se que esta não pertence à fronteira de Pareto obtida
pelo MOPSO, o que constata a necessidade de utilização de um algoritmo de otimiza-
ção multiobjetivo para a solução do problema proposto nesta dissertação. Além disso, a
aplicação da solução obtida pelo RS representa uma redução de 9, 37% na efetividade da
torre em favor de uma redução de apenas 1, 44% no consumo de energia elétrica global,
ambos comparados aos resultados obtidos com a aplicação da solução ótima fornecida
pelo MOPSO. Dessa forma, a redução verificada na efetividade supera 6,51 vezes a eco-
nomia de energia elétrica obtida, constatando-se que houve uma redução significativa no
desempenho energético do sistema.
6.4.5 Resultados com MO-TRIBES
Os resultados foram obtidos utilizando a implementação em C++ do algoritmo MO-

TRIBES disponibilizada em (CLERC, 2013). Foram utilizados os mesmos parâmetros
definidos na Seção 6.3.5, uma vez que estes proporcionaram a obtenção de fronteiras de
Pareto com boa distribuição. A adoção dos mesmos parâmetros também é realizada de
modo a permitir a comparação entre os resultados obtidos pelas otimizações implementa-
das com a utilização das modelagens ZCAP1 e ZCAP2 .

tações de otimização com o algoritmo MO-TRIBES. Já na Tabela B.10 do Apêndice B,
pode-se verificar que as soluções ótimas obtidas atendem às restrições estabelecidas.
com os critérios de parada após 50 iterações e 90 segundos para os pontos operacionais 8,
16, 26 e 31 indicados nas Tabelas A.11 e B.10. Os pontos circulados nas Figuras 48 e 49
1050 1200
1150
1000

1100
950
1050
900
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
460 1150
440 1100
420 1050
400 1000
380 950
360 900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Figura 48: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES, utilizando a
modelagem ZCAP2 com critério de parada após 50 iterações.
Na Tabela A.11, comparando os resultados obtidos pelo critério de parada após

90 segundos com relação aos obtidos após 50 iterações, tem-se que o ponto operacional
8 apresentou uma redução de 0,04% na efetividade de modo a obter um incremento de
0,05% na economia de energia elétrica global do sistema. O ponto 16 apresentou um
incremento de 0,13% na economia de energia elétrica global mantendo o mesmo valor
1050 1200
1150
1000

1100
950
1050
900
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
460 1150
440 1100

420 1050
400 1000
380 950
360 900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
utilizados na implementação da otimização com o MO-TRIBES, utilizando a modelagem
de efetividade obtido com 50 iterações. Já o ponto 26 apresentou incrementos tanto na

economia de energia elétrica global como na efetividade, valores estes que correspondem
a 0,34% e 0,33% , respectivamente. Por fim, o ponto operacional 31 apresentou uma
redução na economia de energia elétrica global de 1,71% para o mesmo valor de efetividade
obtido com 50 iterações. O ocorrido no ponto 31 se deve ao fato de que o algoritmo nem
sempre converge, necessariamente, para as mesmas soluções Pareto-ótimas após aplicação
com uma quantidade máxima de iterações diferentes, podendo encontrar resultados bem
próximos ao encontrado em uma otimização anterior, mas não necessariamente os mesmos.
Diante dos resultados obtidos, verifica-se a convergência do algoritmo para soluções ótimas
que estabelecem um bom compromisso entre os objetivos.
Nas Figuras 48 e 49, observa-se que as fronteiras de Pareto obtidas para as duas
condições de parada são bem similares, constatando a devida convergência do algoritmo.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no problema
6.5. COMPARAÇÃO DO DESEMPENHO DOS ALGORITMOS 180
proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31, no intuito

de verificar a solução ótima obtida por este após 50 iterações, conforme pode ser observado
na Figura 48, onde a solução ótima obtida pelo RS está indicada com um triângulo. Ao
analisar a solução ótima obtida pelo RS após utilização do critério de escolha adotado,
ou seja, a solução que após 50 iterações apresenta a menor média quadrática dos obje-
tivos normalizados, verificou-se que esta não pertence à fronteira de Pareto obtida pelo
MO-TRIBES, o que constata a necessidade de utilização de um algoritmo de otimização
multiobjetivo para a solução do problema proposto nesta dissertação. Além disso, a apli-
cação da solução obtida pelo RS representa uma redução de 6, 12% na efetividade da torre
em favor de uma redução infinitesimal de apenas 0, 011% no consumo de energia elétrica
global, ambos comparados aos resultados obtidos com a aplicação da solução ótima for-
necida pelo MO-TRIBES. Dessa forma, a redução verificada na efetividade supera 553,1
vezes a economia de energia elétrica obtida, constatando-se uma redução extremamente
significativa no desempenho energético do sistema.
6.5 Comparação do Desempenho dos Algoritmos

De forma complementar à análise realizada nas Seções 6.3 e 6.4, o desempenho dos algorit-
mos também foi avaliado com base na métrica de coverage (cobertura) (ZITZLER; THIELE,
1999b), a qual mensura quanto um conjunto de soluções domina um outro. Dadas duas
fronteiras de Pareto A e B, a cobertura C(A, B) indica a porcentagem de indivı́duos em
B que são fracamente dominados por indivı́duos de A. A cobertura é calculada de acordo
com a Equação 98:
|b ∈ B : ∃a ∈ A, a b|
C(A, B) = . (98)
|B|
No caso, a métrica de cobertura fornece valores no intervalo [0, 1]. Se C(A, B) é
igual a 1, tem-se que todas as soluções em B são dominadas por soluções em A. Por outro
lado, se o valor retornado é igual a 0, tem-se que nenhuma das soluções de B é dominada
por nenhuma solução em A. Para aplicação desta métrica, deve-se avaliar tanto C(A, B)
quanto C(B, A), pois estes valores não são complementares.
Avaliando as fronteiras de Pareto obtidas utilizando a modelagem ZCAP1 com base
na métrica de cobertura observou-se que os valores obtidos comparando-se todos os algo-
ritmos aplicados são sempre muito próximos a zero, tanto para o critério de parada após
50 iterações como após 90 segundos, conforme indicado, respectivamente, nas Tabelas 9
6.5. COMPARAÇÃO DO DESEMPENHO DOS ALGORITMOS 181
e 10. Este resultado já era esperado, uma vez o espaço de busca se resume a uma única
dimensão, representada pela velocidade dos ventiladores da torre de resfriamento, o que
facilita a convergência dos algoritmos. Dessa forma, tem-se que as fronteiras de Pareto
obtidas se sobrepõem. Os valores indicados nas tabelas correspondem à média do valor
de cobertura para as fronteiras obtidas com 35 pontos operacionais indicados na Tabela
A.1 do Apêndice A.
Ainda com relação às Tabela 9 e 10, observa-se que o MO-TRIBES apresenta
ı́ndices um pouco superiores aos demais, seguido do SPEA2. Já os algoritmos NSGA-II e
MOPSO apresentam ı́ndices mais baixos. No entanto, como os valores obtidos para esta
métrica são muito baixos para todos os algoritmos, tem-se que somente após aplicação
de cada solução ótima escolhida à base de dados do sistema a ser otimizado é que, de
fato, poderá ser identificado o melhor algoritmo, com base nos valores médios obtidos de
economia de energia e redução na efetividade da torre. Com base nos valores de cobertura
apresentados, estima-se que os algoritmos apresentem resultados bem próximos em termos
das métricas de eficiência energética.
Tabela 9: Média dos valores de coverage obtidos para os 35 pontos operacionais, utilizando
a modelagem ZCAP1 com critério de parada após 50 iterações.
Algoritmo NSGA-II SPEA2 Micro-GA MOPSO MO-TRIBES

NSGA-II – 0,0113 0,0286 0 0,0152
SPEA2 0,0841 – 0 0,0855 0
Micro-GA 0,0689 0 – 0,0711 0
MOPSO 0 0,0108 0,0281 – 0,0142
MO-TRIBES 0,0825 0,0023 0 0,0845 –
Tabela 10: Média dos valores de coverage obtidos para os 35 pontos operacionais, utili-
zando a modelagem ZCAP1 com critério de parada após 90 segundos.

NSGA-II – 0,0113 0,0286 0 0,0229
SPEA2 0,0841 – 0 0,0856 0,0769
Micro-GA 0,0684 0 – 0,0714 0,0143
MOPSO 0 0,0109 0,0283 – 0,0217
MO-TRIBES 0,0751 0,0046 0 0,0769 –
As Tabelas 11 e 12 apresentam os valores de cobertura das fronteiras de Pareto

obtidas utilizando a modelagem ZCAP2 . Estas tabelas também apresentam as médias
dos valores de cobertura obtidas para as fronteiras de Pareto obtidas com os 35 pontos
operacionais indicados na Tabela A.1. Em ambos os critérios de parada, verifica-se que os

algoritmos MO-TRIBES e MOPSO apresentam os melhores ı́ndices, e o algoritmo Micro-
GA apresenta os ı́ndices mais baixos, o que sugere que este resultado corresponda ao
resultado obtido após aplicação dos algoritmos à base de dados do sistema a ser otimizado.
zando a modelagem ZCAP2 com critério de parada após 50 iterações.

NSGA-II – 0,1131 0,5000 0,2646 0,1515
SPEA2 0,7486 – 0,5577 0,0849 0,0462
Micro-GA 0,0475 0,0275 – 0,0150 0,0125
MOPSO 0,7109 0,1089 0,4987 – 0,0415
MO-TRIBES 0,8431 0,1608 0,5227 0,0462 –
zando a modelagem ZCAP2 com critério de parada após 90 segundos.

NSGA-II – 0,1134 0,4993 0,1163 0,1523
SPEA2 0,7520 – 0,5562 0,0846 0,0038
Micro-GA 0,0495 0,0250 – 0,0115 0,0858
MOPSO 0,8674 0,1017 0,4786 – 0,0269
MO-TRIBES 0,8431 0,0862 0,5987 0,0462 –
Nas Tabelas 9, 10, 11 e 12, os valores médios de coverage C(A, B) para duas
fronteiras de Pareto A e B podem ser consultados da seguinte forma: a fronteira de Pareto
A corresponde à fronteira obtida utilizando o algoritmo indicado na primeira coluna à
esquerda, e a fronteira de Pareto B corresponde à obtida com o algoritmo indicado na
primeira linha.

Os resultados apresentados neste capı́tulo consolidam a correta convergência dos algorit-
mos aplicados, assim como o devido atendimento às restrições operacionais estabelecidas.
Também contatou-se a necessidade de utilização de algoritmos de otimização multiobje-
tivo para a solução do problema proposto.
No Capı́tulo 7 é realizada a análise e comparação dos resultados apresentados neste
capı́tulo, comparando-os com base nos diversos cenários apresentados, no intuito de eleger
a melhor modelagem, assim como o melhor algoritmo para a aplicação.
Capı́tulo 7
COMPARAÇÃO DOS
RESULTADOS
N
ESTE capı́tulo são comparados os resultados obtidas após aplicação dos algorit-
mos de otimização multiobjetivo NSGA-II, SPEA2, Micro-GA, MOPSO e MO-
TRIBES. Inicialmente os resultados obtidos são comparados com os dados coletados em
campo, de modo a avaliar os ganhos obtidos em economia de energia elétrica energética e
efetividade da torre de resfriamento. Em seguida, os resultados obtidos pelos algoritmos
são comparados entre si de modo a eleger a melhor modelagem e o melhor algoritmo para
a aplicação. As seguintes métricas são utilizadas para a escolha:
• Economia média, mı́nima e máxima obtida no consumo de energia elétrica do sistema

de resfriamento;
• Efetividades média, mı́nima e máxima obtida para a torre de resfriamento;
• Razão entre a economias média obtida no consumo de energia elétrica global do

sistema e a respectiva redução na efetividade média verificada na torre de resfria-
mento;
onde os valores médios indicados são calculados após aplicação dos resultados das otimiza-
ções aos 21385 pontos operacionais coletados. Nesta dissertação, a terceira métrica citada
é indicada como F EE (Fator de Eficiência Energética), e é calculada conforme indicado
na Equação 99. Dentre as demais métricas, esta foi considerada a mais importante para
a escolha da melhor modelagem e do melhor algoritmo para a aplicação.
economia média no consumo de energia elétrica global do sistema

F EE = (99)
redução média de efetividade na torre de resfriamento
7.1. QUANTO AO RESULTADO GLOBAL USANDO ZCAP1 184
7.1 Quanto ao Resultado Global Usando ZCAP1

Nesta Seção, os resultados obtidos pelos algoritmos são comparados entre si para os dois
critérios de parada estabelecidos, no intuito de identificar o melhor algoritmo para apli-
cação na modelagem ZCAP1 , com base nas métricas de desempenho definidas.
As Tabelas 13 e 14 apresentam, respectivamente, os resultados obtidos após a
aplicação dos algoritmos considerando os critérios de parada após 50 iterações e após
90 segundos. Os valores indicados nas tabelas citadas dizem respeito à aplicação dos
resultados obtidos para os 35 pontos operacionais indicados na Tabela A.1 aos 21385
pontos operacionais reais coletados do sistema.
Tabela 13: Comparativo de resultados após 50 iterações - Modelagem ZCAP1 .
Métrica NSGA-II SPEA2 Micro-GA MOPSO MO-TRIBES

Economia média (%) 5,20 5,22 5,23 4,99 5,27
Economia mı́nima (%) -2,80 -2,82 -2,80 -3,39 -2,76
Economia máxima (%) 16,34 16,36 16,32 16,02 16,43
Efetividade média 0,6111 0,6110 0,6109 0,6134 0,6105
Efetividade mı́nima 0,4807 0,4808 0,4808 0,4810 0,4806
Efetividade máxima 0,7896 0,7885 0,7891 0,7950 0,7882
Tmexec (segundos) 62,72 0,6193 43,32 47,26 9,36
Tabela 14: Comparativo de resultados após 90 segundos - Modelagem ZCAP1 .

Economia média (%) 5,20 5,22 5,24 5,01 5,27
Economia mı́nima (%) -2,76 -2,82 -2,84 -2,70 -2,76
Economia máxima (%) 16,24 16,37 16,32 15,96 16,43
Iterações (média) 71 752 155 97 292
Na Tabela 14, Tmexec indica o tempo médio de execução do algoritmo com o critério
de parada após 50 iterações. Observa-se que os algoritmos implementados no MATLAB
(NSGA-II, Micro-GA e MOPSO) necessitam de um tempo de execução maior quando
comparados aos algoritmos implementados em C++ (SPEA2 e MO-TRIBES). Isto se
deve à manipulação de matrizes realizada internamente pelo MATLAB, o que incrementa
o tempo de execução dos algoritmos quando comparado às implementações em C++. Este
resultado já era esperado, e por este motivo, este critério não foi utilizado para a escolha
do melhor algoritmo, mas sim para fins de verificação do atendimento ao tempo necessário
para a convergência dos algoritmos, onde se verificou que o critério de 90 segundos atendeu
a todos os algoritmos aplicados, conforme indicado no Capı́tulo 6.
Para ambos os critério de parada, observa-se que o algoritmo que atingiu os melho-
res valores médios e máximos de economia de energia elétrica foi o MO-TRIBES. Já para
os valores mı́nimos de economia obtidos com a base de dados utilizada, o MO-TRIBES
também apresentou o melhor resultado para 50 iterações, sendo superado apenas pelo
MOPSO na aplicação com critério de parada após 90 segundos.
Em todos os algoritmos, conforme indicado no Apêndice A, há registros de valores
negativos de economia de energia elétrica obtidos. No caso, isto é verificado em pontos
cuja velocidade dos ventiladores na base de dados coletada em campo é igual a 30 Hz.
Como a otimização sugeriu o incremento de velocidade destes no intuito de aumentar a
efetividade da torre, verificou-se um aumento no consumo de energia elétrica do sistema.
Além disso, tem-se o fato de que os chillers operavam, nestes pontos, com baixa carga
térmica, o que torna o consumo dos ventiladores mais significativo. Portanto, o incremento
no consumo de energia elétrica nestes pontos é coerente e confere com a solução esperada
para o sistema de otimização proposto.
Como era esperado, o algoritmo que apresentou o melhor resultado em termos de
economia média foi o mesmo que apresenta o pior resultado em termos de efetividade da
torre, uma vez que estes se tratam de objetivos conflitantes. Neste caso, o MO-TRIBES
apresentou as piores efetividades média, mı́nima e máxima.
O algoritmo MOPSO apresentou a melhor efetividade (média, mı́nima e máxima)
nas duas condições de parada. No entanto, apresentou a pior economia energética global
(média e máxima) nos dois critérios de parada.
Observa-se que a economia média de energia elétrica obtida após aplicação dos
resultados à base de dados reais coletada do sistema é sempre positiva para todos os
algoritmos aplicados, o que permite concluir que durante a maior parte do intervalo de
tempo considerado há economia de energia, viabilizando a estratégia de realização de
otimizações a cada intervalo de uma hora.
Considerando que a efetividade estimada no projeto da torre de resfriamento cor-
responde a 0,7551, tem-se que, idealmente, este valor deveria ser utilizado como referência
para fins de comparação entre os resultados obtidos para os vários algoritmos. No entanto,
sabe-se que o atingimento deste valor de efetividade depende não apenas dos setpoints de
operação da torre de resfriamento, mas também de fatores externos, como temperatura
ambiente e temperatura de bulbo úmido, o que faz com que muitas vezes, este valor de
efetividade não possa ser alcançado. Dessa forma, o valor de referência para avaliação dos
algoritmos deve ser a efetividade média obtida ao aplicarem-se os 21385 pontos operaci-
onais coletados à modelagem da torre de resfriamento, o que permite obter um valor que
corresponde a 0,6761. Dessa forma, o melhor algoritmo para a aplicação deve ser aquele
que atinge a maior economia média de energia elétrica global possı́vel após as otimizações,
com o menor detrimento possı́vel à efetividade média da torre de resfriamento, sendo esta
última obtida com base na modelagem adotada para a torre de resfriamento.
Nas Tabelas 15 e 16, economia média (%) representa a economia de energia elétrica
obtida após realização da otimização, ∆a representa a diferença entre a efetividade média
obtida após a aplicação dos algoritmos e a efetividade média verificada sem otimização,
ambas obtidas aplicando a modelagem da torre de resfriamento à base de dados reais
coletada. Os valores de efetividade média foram indicados em percentual, e F EE é dado
pela razão entre a economia média (%) e ∆a , conforme indicado na Equação 99.
Tabela 15: Critério de Escolha do Melhor Algoritmo - 50 iterações - Modelagem ZCAP1 .

Economia média (%) 5,20 5,22 5,23 4,99 5,27
amédia (%) 61,11 61,10 61,09 61,34 61,05
∆a (%) 6,50 6,51 6,52 6,27 6,56
F EE 0,7998 0,8017 0,8014 0,7967 0,8033
Tabela 16: Critério de Escolha do Melhor Algoritmo - 90 segundos - Modelagem ZCAP1 .

Economia média (%) 5,20 5,22 5,24 5,01 5,27
amédia (%) 61,10 61,10 61,08 61,41 61,04
∆a (%) 6,51 6,51 6,53 6,20 6,57
F EE 0,7993 0,8020 0,8017 0,8072 0,8023
Observa-se nas Tabelas 15 e 16 que o F EE obtido para todos os algoritmos é infe-

rior a 1, o que significa uma redução na efetividade superior à economia média de energia
elétrica global obtida. Em contrapartida, este resultado não significa que a otimização
multiobjetivo utilizando a modelagem ZCAP1 é inviável, pois os valores de efetividade mé-
dia obtidos para todos os algoritmos são aceitáveis em termos práticos, assim como as
efetividades médias indicadas nas Tabelas 13 e 14. Através das Figuras 50(a) e 50(b)
pode-se comparar o ganho obtido em economia média de energia elétrica com relação à
redução verificada na efetividade média da torre para cada algoritmo aplicado.
ĐŽŶŽŵŝĂŵĠĚŝĂŽďƚŝĚĂŶŽĐŽŶƐƵŵŽĚĞĞŶĞƌŐŝĂĞůĠƚƌŝĐĂŐůŽďĂů
ZĞĚƵĕĆŽŶĂĞĨĞƚŝǀŝĚĂĚĞŵĠĚŝĂĚĂƚŽƌƌĞĚĞƌĞƐĨƌŝĂŵĞŶƚŽ
ϳ͕ϬϬй ϲ͕ϱϲй
ϲ͕ϱϬй ϲ͕ϱϭй ϲ͕ϱϮй
ϲ͕Ϯϳй
ϲ͕ϬϬй
ϱ͕ϮϬй ϱ͕ϮϮй ϱ͕Ϯϯй ϱ͕Ϯϳй
ϰ͕ϵϵй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
E^'Ͳ// ^WϮ DŝĐƌŽ' DKW^K DKͲdZ/^
(a) Critério de parada após 50 iterações.
ϳ͕ϬϬй ϲ͕ϱϳй
ϲ͕ϱϭй ϲ͕ϱϭй ϲ͕ϱϯй
ϲ͕ϮϬй
ϲ͕ϬϬй
ϱ͕ϮϬй ϱ͕ϮϮй ϱ͕Ϯϰй ϱ͕Ϯϳй
ϱ͕Ϭϭй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
(b) Critério de parada após 90 segundos.
Figura 50: Comparativo entre a economia média obtida no consumo de energia elétrica e a
consequente redução na efetividade média da torre de resfriamento utilizando a modelagem
ZCAP1 para os algoritmos aplicados.
Com base nos critérios estabelecidos, verifica-se que o MO-TRIBES apresentou

o melhor resultado para o critério de parada após 50 iterações, seguido dos algoritmos
SPEA2, Micro-GA, NSGA-II e MOPSO. Já aplicando o critério de parada após 90 se-
gundos, observa-se que o algoritmo MOPSO passa a superar os demais algoritmos, o que
indica que as 50 iterações não foram suficientes para a obtenção do melhor resultado
para o MOPSO. Assim, deve-se considerar o critério de parada após 90 segundos como
referência para determinar o melhor algoritmo para a aplicação em ambas as modelagens
ZCAP1 e ZCAP2 (de modo a compará-las), pois este é o intervalo de tempo necessário para
a devida convergência do algoritmo MOPSO na modelagem ZCAP1 .
Portanto, tem-se que, utilizando a modelagem ZCAP1 , o MOPSO é o melhor algo-
ritmo para a aplicação, seguido dos algoritmos MO-TRIBES, SPEA2, Micro-GA e NSGA-
II. Isto não significa que o resultado apresentado pelos demais algoritmos foi insatisfatório,
mas sim que o MOPSO, dentre os demais foi o que obteve o melhor equilı́brio entre os
objetivos conflitantes definidos, apresentando soluções ótimas que resultaram em econo-
mia de energia elétrica com a menor redução na efetividade das torres de resfriamento
durante o perı́odo de operação considerado.
7.2 Quanto ao Resultado Global Usando ZCAP2

Nesta Seção, os resultados obtidos após aplicação dos algoritmos são comparados entre si
para os dois critérios de parada estabelecidos, no intuito de identificar o melhor algoritmo
para a aplicação utilizando a modelagem ZCAP2 , com base nas métricas de desempenho
definidas.
As Tabelas 17 e 18 apresentam, respectivamente, os resultados obtidos após a
aplicação dos algoritmos considerando os critérios de parada após 50 iterações e após
90 segundos. Os valores indicados nas tabelas citadas dizem respeito à aplicação dos
resultados obtidos para os 35 pontos operacionais indicados na Tabela A.1 aos 21385
pontos operacionais reais coletados do sistema
Tabela 17: Comparativo de resultados após 50 iterações - Modelagem ZCAP2 .

Economia média (%) 8,28 8,48 8,43 9,35 9,19
Economia mı́nima (%) -4,09 -3,72 -4,64 -5,38 -3,17
Economia máxima (%) 25,36 26,07 25,67 26,75 26,17
Tmexec (segundos) 69,82 1,570 77,92 29,64 4,819
Na Tabela 18, observa-se que os algoritmos implementados no MATLAB (NSGA-

II, Micro-GA e MOPSO) necessitam de um tempo de execução maior para as 50 iterações
Tabela 18: Comparativo de resultados após 90 segundos - Modelagem ZCAP2 .

Economia média (%) 8,32 8,50 8,43 9,48 9,27
Economia mı́nima (%) -4,26 -3,72 -3,66 -7,12 -3,13
Economia máxima (%) 26,16 25,27 25,46 26,99 26,21
Iterações (média) 63 548 78 151 320
comparado aos algoritmos implementados em C++ (SPEA2 e MO-TRIBES), resultado

este já esperado e também verificado nas otimizações utilizando a modelagem ZCAP1 .
Para ambos os critério de parada, observa-se que o algoritmo que atingiu a melhor
economia de energia elétrica (média e máxima) foi o MOPSO, seguido dos algoritmos MO-
TRIBES, SPEA2, Micro-GA e NSGA-II. Em ambos os critérios de parada o algoritmo
SPEA2 apresentou a melhor efetividade média, e o Micro-GA, a pior efetividade média.
Conforme também verificado na modelagem ZCAP1 , em todos os algoritmos, há
registros de valores negativos de economia de energia elétrica, os quais ocorrem em pontos
cuja velocidade dos ventiladores na base de dados coletada em campo é igual a 30 Hz.
Nestes casos, a otimização também sugeriu o incremento de velocidade destes no intuito
de aumentar a efetividade da torre, conforme já indicado na Seção 7.1, verificando-se um
consequente aumento no consumo de energia elétrica do sistema, o que é coerente e confere
com a solução esperada para o sistema de otimização proposto.
Na avaliação global dos algoritmos utilizando a modelagem ZCAP2 também utilizou-
se o F EE como principal métrica para escolha do melhor algoritmo. Os valores de F EE
obtidos são apresentados nas Tabelas 19 e 20, onde a efetividade média é indicada em
percentual e ∆v representa a diferença entre a efetividade média obtida após as otimiza-
ções e a efetividade média de 0,6761 utilizada como referência, pelos motivos já indicado
na Seção 7.1.
Observa-se que o valor de referência para o cálculo da redução da efetividade após
as otimizações deve ser o mesmo utilizado para a modelagem ZCAP1 , uma vez que este é
obtido não em função das modelagens ZCAP1 ou ZCAP2 , mas sim, em função apenas da
modelagem da torre de resfriamento, a qual é a mesma para os vários cenários comparados
nesta dissertação. O resultado é a possibilidade de comparação direta entre os resultados
globais apresentados pelas modelagens ZCAP1 e ZCAP2 .
Tabela 19: Critério de Escolha do Melhor Algoritmo - 50 iterações - Modelagem ZCAP2 .

Economia média (%) 8,28 8,48 8,43 9,35 9,19
amdia (%) 62,19 62,32 61,83 62,22 62,29
∆a (%) 5,42 5,29 5,78 5,39 5,32
F EE 1,53 1,60 1,46 1,73 1,73
Tabela 20: Critério de Escolha do Melhor Algoritmo - 90 segundos - Modelagem ZCAP2 .

Economia média (%) 8,32 8,50 8,43 9,48 9,27
amdia (%) 62,00 62,47 61,59 62,29 62,33
∆a (%) 5,61 5,14 6,02 5,32 5,28
F EE 1,48 1,65 1,40 1,78 1,76
Observa-se nas Tabelas 19 e 20 que, para todos os algoritmos aplicados, o valor

do F EE é maior do que 1, o que é bastante satisfatório, pois significa que a economia de
energia elétrica obtida supera a redução da efetividade na torre de resfriamento. Através
das Figuras 51(a) e 51(b) pode-se comparar o ganho obtido em economia média de energia
elétrica com relação à redução verificada na efetividade média da torre de resfriamento
para cada algoritmo aplicado.
No caso, para o critério de parada após 50 iterações, verifica-se que os algoritmos
MO-TRIBES e MOPSO apresentaram o mesmo valor de F EE, valor este que corresponde
a 1,73. Em ordem decrescente de desempenho, têm-se os algoritmos SPEA2, NSGA-II
e Micro-GA. Já após 90 segundos, verifica-se que o algoritmo que apresentou o melhor
resultado foi o MOPSO, onde a economia de energia elétrica obtida corresponde a 1,78
vezes a redução da efetividade da torre, seguido, em ordem decrescente de desempenho,
pelos algoritmos MO-TRIBES, SPEA2, NSGA-II e Micro-GA.
Percebe-se uma redução no desempenho dos algoritmos NSGA-II e Micro-GA ao
comparar os valores de F EE obtidos com os critérios de parada após 50 iterações e após
90 segundos, onde no NSGA-II este fator reduziu de 1,53 para 1,48, e no Micro-GA, de
1,46 para 1,40. Isto se deve ao critério utilizado para escolha da solução ótima, o qual
depende da distribuição da fronteira de Pareto obtida. No caso, após 90 segundos, os
algoritmos NSGA-II e Micro-GA acrescentaram pontos à fronteira de Pareto que levaram
o critério de decisão adotado a escolher soluções ótimas que favoreceram o aumento da
efetividade média da torre de resfriamento.
7.3. COMPARAÇÃO DAS MODELAGENS ZCAP1 E ZCAP2 191
ϭϬ͕ϬϬй ϵ͕ϯϱй ϵ͕ϭϵй

ϵ͕ϬϬй
ϴ͕Ϯϴй ϴ͕ϰϴй ϴ͕ϰϯй
ϴ͕ϬϬй
ϳ͕ϬϬй
ϲ͕ϬϬй ϱ͕ϳϴй
ϱ͕ϰϮй ϱ͕Ϯϵй ϱ͕ϯϵй ϱ͕ϯϮй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
(a) Critério de parada após 50 iterações.
ϭϬ͕ϬϬй ϵ͕ϰϴй ϵ͕Ϯϳй

ϵ͕ϬϬй
ϴ͕ϯϮй ϴ͕ϱϬй ϴ͕ϰϯй
ϴ͕ϬϬй
ϳ͕ϬϬй
ϲ͕ϬϮй
ϲ͕ϬϬй ϱ͕ϲϭй
ϱ͕ϭϰй ϱ͕ϯϮй ϱ͕Ϯϴй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
(b) Critério de parada após 90 segundos.
Figura 51: Comparativo entre a economia média obtida no consumo de energia elétrica e a
consequente redução na efetividade média da torre de resfriamento utilizando a modelagem
ZCAP2 para os algoritmos aplicados.
7.3 Comparação das Modelagens ZCAP1 e ZCAP2

Com base na comparação dos resultados obtidos a partir da aplicação das modelagens
ZCAP1 e ZCAP2 para os chillers de compressão, pode-se concluir acerca da melhor mode-
lagem para a aplicação proposta neste trabalho.
A única vantagem da modelagem ZCAP1 sobre a modelagem ZCAP2 é o fato da
primeira utilizar uma única variável de busca, enquanto a segunda utiliza duas. No
entanto, verificou-se que o incremento de uma variável quando da utilização da modelagem
ZCAP2 não resultou em um tempo de convergência superior a 90 segundos.
Quando da utilização da modelagem ZCAP1 , verificou-se que para todos os algorit-

mos, a redução da efetividade foi superior ao incremento de economia de energia elétrica,
ao contrário do verificado com a utilização da modelagem ZCAP2 , conforme pode ser obser-
vado nas Tabelas 15, 16, 19 e 20, e nas Figuras 50 e 51. Ou seja, a relação entre a economia
de energia elétrica e a respectiva redução da efetividade obtida para a modelagem ZCAP2 ,
representada pelo F EE, foi de 1,78, contra apenas 0,8072 obtidos com a utilização da
modelagem ZCAP1 . Ambos os resultados foram obtidos pelo mesmo algoritmo (MOPSO)
e com o mesmo critério de parada (após 90 segundos), o que indica que, considerando a
utilização do F EE como métrica decisiva para a análise de desempenho dos algoritmos,
a modelagem ZCAP2 supera em 2,21 vezes a eficiência energética obtida pela modelagem
ZCAP1 . Portanto, tem-se que a modelagem ZCAP2 é a melhor modelagem do chiller para
a aplicação proposta.

Após a comparação entre os resultados obtidos pelos algoritmos com as modelagens ado-
tadas, conclui-se que o MOPSO é o melhor algoritmo para a aplicação proposta neste
trabalho. Também se conclui que a modelagem ZCAP2 e o critério de parada após 90
segundos representam o melhor cenário para a realização da otimização multiobjetivo
proposta nesta dissertação, permitindo a obtenção da máxima eficiência energética.
O Capı́tulo 8 apresenta maiores conclusões quanto à aderência dos resultados com
relação ao problema proposto nesta dissertação. Também são apresentadas possı́veis me-
lhorias e implementações a serem realizadas no futuro.
Capı́tulo 8
CONCLUSÕES E TRABALHOS
FUTUROS
E
STE capı́tulo apresenta as principais conclusões acerca dos resultados obtidos após
aplicação dos algoritmos de otimização. Algumas possı́veis melhorias são apresen-
tadas, assim são descritos possı́veis trabalhos futuros relacionados ao tema abordado.
8.1 Conclusões
Esta dissertação analisou a viabilidade de aplicação de uma otimização multiobjetivo à
operação de torres de resfriamento baseadas em chillers, devendo obter-se os setpoints
operacionais que atendem ao melhor compromisso entre dois objetivos conflitantes: redu-
ção do consumo de energia elétrica global e aumento da efetividade da torre, no intuito
de obter-se a máxima eficiência energética possı́vel para o sistema. Para tal, foi necessá-
rio obter-se uma modelagem matemática para os principais equipamentos envolvidos no
processo de resfriamento considerado. Além disso, foi necessário um estudo no intuito
de escolher os algoritmos de otimização multiobjetivo a serem aplicados, chegando-se aos
algoritmos NSGA-II, SPEA2, Micro-GA, MOPSO e MO-TRIBES.
Este trabalho foi motivado pela crescente necessidade de obter-se eficiência energé-
tica em equipamentos de processo, de modo a otimizar o consumo de energia elétrica e de
água, sendo estes considerados dois dos recursos energéticos e minerais mais importantes
no atual cenário de crise energética.
Os resultados da aplicação dos algoritmos escolhidos foram comparados em termos
de um número fixo de iterações e em termos do estabelecimento de um intervalo de
tempo limite para a obtenção da solução. No caso, estes valores correspondem a 50
iterações e 90 segundos, definidos para atendimento às necessidades da aplicação e de
8.1. CONCLUSÕES 194
modo a verificar o incremento de desempenho da solução apresentada após 90 segundos

comparada à solução apresentada após 50 iterações. A comparação também teve como
objetivo verificar a convergência dos algoritmos, por meio da comparação dos resultados
obtidos com a utilização dos dois critérios de parada definidos.
Após comparação dos resultados globais obtidos, estabeleceu-se que os resultados
obtidos com o critério de parada após 90 segundos deveriam ser adotados como referência
para avaliação do desempenho dos algoritmos, uma vez que o MOPSO somente superou
os demais, em termos de resultados globais, após a aplicação deste critério.
O algoritmo MOPSO apresentou o melhor desempenho global tanto para a mode-
lagem ZCAP1 como para a modelagem ZCAP2 , seguido, também em ambas as modelagens,
pelo algoritmo MO-TRIBES. No caso, mesmo o MO-TRIBES executando uma quantidade
maior de iterações do que o MOPSO para um mesmo intervalo de tempo, observou-se que,
após 90 segundos, o MOPSO obteve desempenho levemente superior.
Considerando a aplicação da modelagem ZCAP1 , em ordem decrescente de desem-
penho com base nas métricas estabelecidas, têm-se os seguintes algoritmos: MOPSO,
MO-TRIBES, SPEA2, Micro-GA e NSGA-II. Já para a modelagem ZCAP2 , também em
ordem decrescente de desempenho, têm-se os algoritmos: MOPSO, MO-TRIBES, SPEA2,
NSGA-II e Micro-GA. Pode-se observar que em ambas as modelagens a ordem dos três
melhores algoritmos permanece inalterada. Além disso, observa-se que os dois algoritmos
que utilizam inteligência de enxame (MOPSO e MO-TRIBES) apresentaram os melhores
resultados em ambas as modelagens. Portanto, conclui-se que, na aplicação proposta neste
trabalho, dentre os algoritmos de otimização multiobjetivo escolhidos para aplicação, os
que utilizam inteligência de enxame apresentaram desempenho superior aos que utilizam
técnicas evolucionárias.
As otimizações utilizando a modelagem ZCAP2 apresentaram desempenho superior
às que utilizaram a modelagem ZCAP1 . No caso, a principal métrica de desempenho global
considerada neste trabalho foi o Fator de Eficiência Energética (F EE), dado pela razão
entre a economia média de energia elétrica global obtida e a respectiva redução verificada
na efetividade média da torre de resfriamento. Verificou-se que na modelagem ZCAP1 os
valores de F EE são sempre inferiores à unidade para todos os algoritmos aplicados, ao
contrário do que foi observado na modelagem ZCAP2 , onde os valores de F EE são sempre
superiores à unidade, o que significa que apenas na modelagem ZCAP2 a economia média
de energia elétrica global obtida supera a redução na efetividade média da torre. Este
resultado não necessariamente inviabiliza a utilização da modelagem ZCAP1 , uma vez que
os valores de efetividade média obtidos por todos os algoritmos são passı́veis de aplicação,
em termos operacionais. Para efeito de comparação, o F EE obtido pelo MOPSO na
modelagem ZCAP1 corresponde a 0,8072, onde na modelagem ZCAP2 este corresponde a
1,78, ou seja, 2,21 vezes superior.
Considerando o critério de parada após 90 segundos, a aplicação do algoritmo
MOPSO utilizando a modelagem ZCAP2 obteve uma economia média de energia elétrica
global de 9,48%, resultado este considerado excelente comparando-o aos verificados nos
trabalhos relacionados indicados no Capı́tulo 4. Este resultado foi obtido com uma efeti-
vidade média da torre de 0,6229, a qual corresponde a uma redução de 5,32% com relação
à efetividade média que seria obtida sem a realização das otimizações, valor este que
corresponde a 0,6761. Já a aplicação do MOPSO utilizando a modelagem ZCAP1 obteve
uma economia média de energia elétrica global de 5,01% (que corresponde a 56,11% da
economia obtida com a modelagem ZCAP2 ), portanto, bem inferior à obtida utilizando a
modelagem ZCAP2 . Este último resultado foi obtido com uma efetividade média de 0,6141,
correspondente a uma redução de 6,20% na efetividade média que seria verificada sem a
realização das otimizações, efetividade média esta que é inferior à obtida com ZCAP2 .
Ainda com relação à modelagem ZCAP1 , o algoritmo MO-TRIBES apresentou uma
economia média de energia elétrica de 5,27%, valor este superior ao apresentado pelo
MOPSO. No entanto, o MO-TRIBES obteve uma efetividade média de 0,6104, valor este
inferior ao obtido pelo MOPSO, resultando em um F EE de 0,8023, contra um F EE de
0,8072 obtido pelo MOPSO. Dessa forma, embora o MO-TRIBES tenha obtido uma maior
economia de energia elétrica para a modelagem ZCAP1 , em termos de eficiência energética
global, e considerando o F EE como métrica principal de avaliação de desempenho dos
algoritmos, tem-se que o MOPSO foi considerado o melhor algoritmo.
Na modelagem ZCAP1 , observou-se que o desempenho do MOPSO é superior ao do
MO-TRIBES em apenas 0,64%. Já comparando o resultado com o do pior algoritmo para
a modelagem ZCAP1 , verifica-se que o MOPSO superou o NSGA-II em 0,99%. Conside-
rando a utilização da modelagem ZCAP2 , comparando o desempenho obtido pelo MOPSO
com o obtido pelo segundo melhor algoritmo, tem-se que o MOPSO superou em 1,14% o
desempenho do MO-TRIBES. Já comparando o MOPSO com relação ao pior algoritmo
avaliado, tem-se que o MOPSO superou em 27,14% o Micro-GA. Dessa forma, na mo-
delagem ZCAP2 observou-se uma maior discrepância entre o desempenho dos algoritmos,
comparado à utilização da modelagem ZCAP1 .
Verificou-se, para todos os algoritmos aplicados, que a velocidade média dos ven-
tiladores permaneceu sempre superior a 50% de sua velocidade nominal após a realização
das otimizações, em ambas as modelagens, valor este determinado como limite prático
para a aplicação, devido ao excessivo consumo de água verificado para velocidades inferi-
ores a este. Além, disso, as otimizações atenderam plenamente às restrições operacionais
estabelecidas, conforme pode ser verificado no Apêndice B. Já no Apêndice A, pode-se
verificar os resultados obtidos em cada otimização para todos os algoritmos apicados,
utilizando as modelagens ZCAP1 e ZCAP2 , e considerando os critérios de parada após 50
iterações e após 90 segundos.
É importante frisar que os resultados obtidos dependem dos parâmetros internos de
cada algoritmo, e principalmente, do critério de decisão definido para a escolha da solução
ótima. Os parâmetros internos dos algoritmos foram obtidos de forma experimental no
intuito de obter-se uma fronteira de Pareto com boa distribuição para o intervalo de tempo
definido como limite para a aplicação. Observou-se que o critério de decisão escolhido para
a aplicação atendeu à necessidade de escolha de uma solução ótima que estabelecesse o
melhor compromisso entre a economia de energia elétrica global e a efetividade da torre
de resfriamento. Também se conclui que o intervalo de 90 segundos para a obtenção da
solução para o problema foi tecnicamente viável, pois permitiu a devida convergência dos
algoritmos, obtendo-se bons resultados.
Os resultados obtidos com a modelagem ZCAP2 consideram que a variação da tem-
peratura da água gelada que deixa o chiller é permitida entre 5, 5◦ e 7, 0◦ sem prejudicar
o atendimento à carga térmica ou ao conforto térmico do sistema de resfriamento.
Portanto, após a análise de todos os cenários apresentados nesta dissertação,
constatou-se que, para a aplicação proposta, a otimização com o algoritmo MOPSO,
utilizando a modelagem ZCAP2 com critério de parada após 90 segundos representa o ce-
nário que permitiu a obtenção da maior eficiência energética possı́vel para o sistema de
resfriamento considerado, o que implica na obtenção da maior economia média de energia
elétrica acompanhado da menor redução na efetividade média da torre de resfriamento.
8.2. TRABALHOS FUTUROS 197
8.2 Trabalhos Futuros

Nesta Seção, são sugeridas algumas formas de continuar e aprimorar o estudo do tema
abordado. São muitos os trabalhos possı́veis, uma vez que há diversas configurações pos-
sı́veis para sistemas de resfriamento industriais. Há diversos tipos de chillers, os quais
possuem modelagens que dependem de variáveis distintas das utilizadas neste trabalho.
Além disso, pode-se realizar a comparação do desempenho dos algoritmos escolhidos apli-
cando como estratégia de otimização a variação de velocidade de outros equipamentos,
como bombas de água de condensação e de água gelada, assim como dos chillers, através
da aplicação de conversores de frequência, similarmente à estratégia adotada neste tra-
balho, onde, no caso, considerou-se a variação da velocidade dos ventiladores da torre de
resfriamento. Pode-se, inclusive, verificar a viabilidade de implementação das otimizações
considerando a variação de velocidade em mais de um dos equipamentos citados.
O aumento no consumo de água do sistema de resfriamento não foi estimado com
relação à redução da efetividade da torre de resfriamento. Dessa forma, a realização
de uma modelagem que estime este consumo em função da efetividade da torre seria
interessante, de modo a estimar-se o ganho real em termos financeiros, comparando a
redução dos gastos com energia elétrica ao incremento dos gastos com o aumento estimado
no consumo de água dado pela redução da efetividade da torre.
Neste trabalho, não se considerou a influência dos equipamentos que compõem
o circuito secundário, ou seja, o circuito de água gelada, os quais são compostos por
fan-coils. Dessa forma, um estudo mais profundo seria possı́vel ao incluir a modelagem
dos fan-coils no consumo energético do sistema de resfriamento, de modo que o sistema
de otimização implementado também determinaria a quantidade ótima de fan-coils que
deveriam operar para atender a um determinado critério de conforto térmico estabelecido,
como, por exemplo, a operação dentro de uma faixa permissı́vel de temperatura ambiente.
REFERÊNCIAS
ALPINA. Torres de resfriamento de água. Alpina S/A Indústria e Comércio, São

Bernardo do Campo, SP, 1978.
ALPINA. Memória de cálculo das torres de resfriamento tr-2501 e tr-2502. Alpina

Equipamentos, 2013.
ALVAREZ-BENITEZ, J. E.; EVERSON, R. M.; FIELDSEND, J. E. A mopso algorithm

based exclusively on pareto dominance concepts. In: In Carlos A. Coello Coello,
Arturo Hernández Aguirre, and Eckart Zitzler, editors, Evolutionary Multi-Criterion
Optimization. Third International Conference, EMO 2005. Guanajuato, Mexico:
Springer-Verlag, 2005. (Lecture Notes in Computer Science, v. 3410), p. 459–473.
ANGELINE, P. J. Evolutionary optimization versus particle swarm optimization:

Philosophy and performance differences. In: PORTO, V. W. et al. (Ed.). Evo-
lutionary Programming VII. Springer Berlin Heidelberg, 1998, (Lecture Notes in
Computer Science, v. 1447). p. 601–610. ISBN 978-3-540-64891-8. Disponı́vel em:
<http://dx.doi.org/10.1007/BFb0040811>.
ASHRAE. Principles of heating, ventilating and air conditioning. American Society of

Heating, Refrigerating and Air Conditioning Engineers, Atlanta, 1998.
ASHRAE. Handbook - hvac systems and equipment. American Society of Heating,

Refrigerating and Air Conditioning Engineers, Atlanta, SI Edition, 2012.
BADER, J.; ZITZLER, E. Hype: An algorithm for fast hypervolume-based many-

objective optimization. Evolutionary computation, MIT Press, v. 19, n. 1, p. 45–76,
2011.
BALLING, R. The maximin fitness function: Multiobjective city and regional planning.
Lecture Notes in Computer Science, Springer-Verlag, v. 2632, p. 1–15, 2003.
REFERÊNCIAS 199
BARTZ-BEIELSTEIN, T. et al. Particle swarm optimizers for pareto optimization with

enhanced archiving techniques. In: In Proceedings of the 2003 Congress on Evolutionary
Computation (CEC 2003). Canberra, Australia: IEEE Press, 2003. v. 3, p. 1780–1787.
BAUMGARTNER, U.; MAGELE, C.; RENHART, W. Pareto optimality and particle

swarm optimization. IEEE Transactions on Magnetics, v. 40, n. 2, p. 1172–1175, 2004.
BENI, G. Towards multi-swarm problem solving in networks. In: Intelligent Control,

1988. Proceedings., IEEE International Symposium on. Arlington, Virginia, USA: IEEE,
1988. p. 57–62.
BERGH, F. v. d. An Analysis of Particle Swarm Optimizers. Tese (Doutorado) —

Department of Computer Science, University of Pretoria, South Africa, 2001.
BRANDEMUEL, M. J.; GABEL, S.; ANDERSEN, I. A. Toolkit for secondary hvac

system energy calculation. ASHRAE Transactions, 1993.
BRAUN, J. E.; KLEIN, S. A.; MITCHEL, J. W. Effectiveness models for cooling towers
and cooling coils. ASHRAE Transactions, v. 95, n. 2, p. 164–174, 1989.
CABRERA, J. C. F.; COELLO, C. A. C. Handling constraints in particle swarm

optimization using a small population size. In: GELBUKH, A.; MORALES, A. F. K.
(Ed.). Mexican International Conference on Artificial Intelligence. Sixth International
Conference, MICAI 2007. Aguascalientes, Mexico: Springer, 2007. (Lecture Notes in
Artificial Intelligence, v. 4827), p. 41–51.
CABRERA, J. C. F.; COELLO, C. A. C. Micro-mopso: A multi-objective particle swarm

optimizer that uses a very small population size. In: NEDJAH, N.; COELHO, L. dos S.;
MOURELLE, L. de M. (Ed.). Multi-Objective Swarm Intelligent Systems. Heidelberg,
Berlin: Springer, 2010, (Studies in Computational Intelligence, v. 261). p. 83–104. ISBN
978-3-642-05164-7.
CARLISLE, A.; DOZIER, G. An off-the-shelf pso. In: Proceedings of the Particle Swarm
Optimization Workshop. Indianapolis, Indiana, 2001. p. 1–6.
CASTRO, L. Fundamentals of natural computing: basic concepts, algorithms and

applications. USA: CRC Press, 2006.
REFERÊNCIAS 200
CHEN, K.; LI, T.; CAO, T. Tribe-pso: A novel global optimization algorithm and
its application in molecular docking. Chemometrics and intelligent laboratory systems,
Elsevier, v. 82, n. 1, p. 248–259, 2006.
CHEN, L. SGALAB 1003 Beta 5.0.0.8 (Matrix Variable Inputs): Genetic Algorithm
Toolbox for Multi-objective Problems with Fuzzy Logic Controller Applications. 2004.
Disponı́vel em: <http://uk.mathworks.com/matlabcentral/fileexchange/5882-sgalab-
1003-beta-5-0-0-8–matrix-variable-inputs–>.
CHEUNG, P. B. Análise de Reabilitação de Redes de Distribuição de Água para

Abastecimento Via Algoritmos Genéticos Multiobjetivo. Tese (Doutorado) — Escola de
Engenharia de São Carlos, Universidade de São Paulo, 2004.
CHEUNG, P. B. et al. Multiobjective evolutionary algorithm applied to the rehabilitation

of a water distribution system: A comparative study. Evolutionary Multi-Criterion
Optimization, Springer-Verlag, Heidelberg, v. 2632, p. 662–676, 2003.
CHEVRIER, R. et al. On optimizing a demand responsive transport with an evolutionary

multi-objective approach. In: Intelligent Transportation Systems (ITSC), 2010 13th
International IEEE Conference on. Madeira Island, Portugal, 2010. p. 575–580.
CHOW, C. K.; TSUI, H. T. Autonomous agent response learning by a multi-species

particle swarm optimization. In: Evolutionary Computation, 2004. CEC2004. Congress
on. USA: 2004 IEEE Service Center, 2004. v. 1, p. 778–785.
CHOW, T. T. et al. Global optimization of absorption chiller system by genetic algorithm

and neural network. Energy and Buildings, v. 34, n. 1, p. 103–109, 2002. ISSN 0378-7788.
CLERC, M. Tribes - un exemple d’optimisation par essaim particulaire sans paramètres

de réglage. OEP 2003 (Optimisation par Essaim Particulaire), Paris, France, 2003.
CLERC, M. TRIBES-D, a fully adaptive parameter-free particle swarm optimiser for

real heterogeneous problems. 2013. Disponı́vel em: <http://clerc.maurice.free.fr/pso/>.
COCHRAN, J. K.; HORNG, S.; FOWLER, J. W. A multipopulation genetic algorithm

to solve multi-objective scheduling problems for parallel machines. Computer and
Operations Research, Elsevier, v. 30, n. 7, p. 1087–1102, 2003.
REFERÊNCIAS 201
COELHO, L. S.; BERNERT, D. L. A. Pid control design for chaotic synchronization

using a tribes optimization approach. Chaos, Solitons and Fractals, Elsevier, v. 42, n. 1,
p. 634–640, June 2009.
COELLO, C. A. C. An Empirical Study of Evolutionary Techniques for Multiobjective

Optimization in Engineering Design. Tese (Doutorado) — Tulane University, USA, 1996.
COELLO, C. A. C.; BECERRA, R. L. Evolutionary multiobjective optimization

using a cultural algorithm. In: 2003 IEEE Swarm Intelligence Symposium Proceedings.
Indianapolis, Indiana, USA: IEEE Press, 2000. p. 6–13.
COELLO, C. A. C.; LECHUNGA, M. S. Mopso: A proposal for multiple objective

particle swarm optimization. In: Proceedings of the 2002 Congess on Evolutionary
Computation, part of the 2002 IEEE World Congress on Computational Intelligence.
Hawaii: IEEE Press, 2002. p. 1051–1056.
COELLO, C. A. C.; PULIDO, G. T. A micro-genetic algorithm for multiobjective

optimization. In: First International Conference on Evolutionary Multi-Criterion
Optimization. Zurich, Switzerland: Springer-Verlag, 2001. (Lecture Notes in Computer
Science, 1993), p. 126–140.
COELLO, C. A. C.; PULIDO, G. T.; LECHUGA, M. S. Handling multiple objectives

with particle swarm optimization. IEEE Transactions on Evolutionary Computation,
v. 8, n. 3, p. 256–279, June 2004.
COOREN, Y.; CLERC, M.; SIARRY, P. Tribes: a parameter-free particle swarm

optimization. In: Proceedings of seventh EU meeting on adaptive, self-adaptive,and
multi-level metaheuristics. Paris, France, 2006.
COOREN, Y.; CLERC, M.; SIARRY, P. Initialization and displacement of the particles
in tribes, a parameter-free particle swarm optimization algorithm. In: COTTA,
C.; SEVAUX, M.; SORENSEN, K. (Ed.). Adaptive and Multilevel Metaheuristics.
Heidelberg, Berlin: Springer Berlin Heidelberg, 2008, (Studies in Computational
Intelligence, v. 136). p. 199–219. ISBN 978-3-540-79437-0.
COOREN, Y.; CLERC, M.; SIARRY, P. Mo-tribes, an adaptive multiobjective particle

swarm optimization algorithm. Comput. Optim. Appl., Kluwer Academic Publishers,
REFERÊNCIAS 202
Norwell, MA, USA, v. 49, n. 2, p. 379–400, Jun 2011. ISSN 0926-6003. Disponı́vel em:
<http://dx.doi.org/10.1007/s10589-009-9284-z>.
CORNE, D.; KNOWLES, J.; OATES, M. The pareto envelope-based selection algorithm
for multiobjective optimization. The Sixth International Conference on Parallel
Problem Solving from Nature, USA, PPSN-VI, p. 839–848, 2000.
DEB, K. Multi-objective Optimization Using Evolucionary Algorithms. New York: Wiley

and Sons, 2001.
DEB, K. et al. A fast elitist non-dominated sorting genetic algorithm for multi-objective
optimization: Nsga-ii. In: Proceedings of the Parallel Problem Solving from Nature VI
Conference. Paris, France, 2000. p. 849–858.
DEB, K.; GOLDBERG, D. E. An investigation of niche and species formation in genetic

function optimization. In: Proceedings of the 3rd international conference on genetic
algorithms. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1989. p. 42–50.
ISBN 1-55860-066-3.
DEB, K.; JAIN, H. An evolutionary many-objective optimization algorithm using

reference-point-based nondominated sorting approach, part i: Solving problems with box
constraints. Evolutionary Computation, IEEE Transactions on, IEEE, v. 18, n. 4, p.
577–601, 2014.
DEB, K. et al. A fast and elitist multiobjective genetic algorithm: Nsgaii. Evolutionary
Computation, IEEE Transactions on, IEEE, v. 6, n. 2, p. 182–197, April 2002.
EBERHART, R.; SIMPSON, P.; DOBBINS, R. Computational intelligence pc tools.

Academic Press Professional, Boston, MA, 1996.
FAHMY, A. A.; SHOUMAN, L. A. Deterministic study on the optimum performance of

counter flow cooling tower. International Journal of Scientific and Engineering Research,
v. 3, n. 6, p. 1–5, June 2012. ISSN 2229-5518.
FEIJOO, E. et al. Applications of evolutionary computation: EvoApplications 2012:

EvoCOMNET, EvoCOMPLEX, EvoFIN, EvoGAMES, EvoHOT, EvoIASP, EvoNUM,
EvoPAR, EvoRISK, EvoSTIM, and EvoSTOC, málaga, spain, april 11-13, 2012,
REFERÊNCIAS 203
proceedings. In: . Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. p. 165–173. ISBN
978-3-642-29178-4.
FIELDSEND, J. E.; SINGH, S. A multi-objective algorithm based upon particle swarm

optimisation, an efficient data structure and turbulence. In: Proceedings of the 2002
U.K. Workshop on Computational Intelligence. Birmingham, UK, 2002. p. 37–44.
FILHO, R. M. A.; VERGILIO, S. R. A mutation and multi-objective test data generation

approach for feature testing of software product lines. In: Software Engineering (SBES),
2015 29th Brazilian Symposium on. Belo Horizonte, Brasil: IEEE, 2015. p. 21–30.
FONSECA, C. M.; FLEMING, P. J. An overview of evolutionary algorithms in

multi-objective optimization. Evolutionary Computacional Journal, Vanderbilt, v. 3,
n. 1, p. 1–15, 1995.
GOLDBERG, D. E. Genetic algorithms in search, optimization and machine learning.

Addison-Wesley Publishing Company, Reading, Massachussets, 1989.
GOLDBERG, D. E. Sizing populations for serial and parallel genetic algorithms. In:
SCHAFFER, J. D. (Ed.). Proceedings of the Third International Conference on Genetic
Algorithms. San Mateo, California: Morgan Kaufmann, 1989. p. 70–79.
GUO, D. et al. Chaotic-nsga-ii: An effective algorithm to solve multi-objective problems.

Intelligent Computing and Integrated Systems (ICISS), 2010 International Conference
on, p. 20–23, Oct 2010.
HADKA, D.; REED, P. Diagnostic assessment of search controls and failure modes in
many-objective evolutionary optimization. Evolutionary Computation, v. 20, n. 3, p.
423–452, Sept 2012. ISSN 1063-6560.
HAYKIN, S. Redes Neurais: Princı́pios e Prática. 2. ed. Porto Alegre: Bookman, 2001.
HEPPNER, F.; GRENANDER, U. A stochastic nonlinear model for coordinated bird

flocks. The Ubiquity of Chaos, American Association for the Advancement OF Science,
Washington DC, USA, 1990.
HERIS, S. M. K. A version of the NSGA-II in Matlab. K. N. To-

osi University of Technology, Tehran, Iran, 2010. Disponı́vel em:
<http://delta.cs.cinvestav.mx/ ccoello/EMOO/EMOOsoftware.html>.
REFERÊNCIAS 204
HERIS, S. M. K. Matlab Code for Multi-objective Particle Swarm

Optimization (MOPSO) - version 1.0. 2011. Disponı́vel em:
<http://delta.cs.cinvestav.mx/ ccoello/EMOO/EMOOsoftware.html>.
HIROYASU, T.; NAKAYAMA, S.; MIKI, M. Comparison study of spea2+, spea2, and
nsga-ii in diesel engine emissions and fuel economy problem. Evolutionary Computation,
2005. The 2005 IEEE Congress on, v. 1, p. 236–242, September 2005.
HOFFMEYER, J. N. The swarming body. In: Proceedings of the 5th Congress of the
International Association for Semiotic Studies. Berkeley, USA. Berkeley: Mouton de
Gruyter, 1997. p. 937–940.
HU, X.; EBERHART, R. Multiobjective optimization using dynamic neighborhood

particle swarm optimization. In: IEEE. Proceedings of the 2002 Congress on Evolutionary
Computation, part of the 2002 IEEE World Congress on Computational Intelligence.
Honolulu, Hawaii, USA, 2002. p. 1677–1681. ISBN 0-7803-7282-4.
HU, X.; EBERHART, R. Particle swarm optimization with extended memory for
multiojective optimization. In: Proceedings of the 2003 IEEE Swarm Intelligence
Symposion. USA: IEEE, 2003. p. 193–197.
INPE. Dados Observacionais do Centro de Previsão de Tempo e Estudos Climáticos.

CPTEC, 2014. Disponı́vel em: <http://bancodedados.cptec.inpe.br>.
ISHIBUCHI, H.; AKEDO, N.; NOJIMA, Y. Behavior of multiobjective evolutionary

algorithms on many-objective knapsack problems. IEEE Transactions on Evolutionary
Computation, v. 19, n. 2, p. 264–283, April 2015. ISSN 1089-778X.
JAIN, H.; DEB, K. An evolutionary many-objective optimization algorithm using

reference-point based nondominated sorting approach, part ii: handling constraints and
extending to an adaptive approach. Evolutionary Computation, IEEE Transactions on,
IEEE, v. 18, n. 4, p. 602–622, 2014.
JANSON, S.; MERKLE, D. A new multiobjective particle swarm optimization algorithm

using clustering applied to automated docking. In: In Marı́a J. Blesa, Christian Blum,
Andrea Roli, and Michael Sampels, editors, Hybrid Metaheuristics, Second International
REFERÊNCIAS 205
Workshop, HM 2005. Barcelona, Spain: Springer-Verlag, 2005. (Lecture Notes in

Computer Science, v. 3636), p. 128–142.
KENNEDY, J. The behavior of particles. In: V. W. Porto, N. Saravanan, D. Waagen

and A. E. Eiben (Eds), Evolutionary Programming VII: Proceedings of the 7th Annual
Conference on Evolutionary Programming, Berlin. San Diego, California, USA:
Springer-Verlag, 1998. v. 1447, p. 579–589.
KERN, D. Q. Process heat transfer. Tokyo, Japan: McGraw-Hill Book Company, Inc,
1983. ISBN 0-07-085353-3.
KHAN, J. R.; ZUBAIR, S. M. An improved design and rating analyses of counter flow
wet cooling towers. Journal of Heat Transfer, v. 123, p. 770–778, 2001.
KHARE, V.; YAO, X.; DEB, K. Performance scaling of multiobjective evolutionary

algorithms. In: Evolutionary Multi-Criterion Optimization, Second International
Conference, EMO 2003, Faro, Portugal, 2003. Proceedings. Faro, Portugal: Springer
Berlin Heidelberg, 2003. v. 2632, p. 376–390.
KIE, P. L. T.; THENG, L. Intelligent control of heating, ventilating and air conditioning
systems. In: Advances in Neuro-Information Processing. Heidelberg, Berlin: Springer
Berlin Heidelberg, 2009, (Lecture Notes in Computer Science, v. 5507). p. 927–934.
KIM, M. et al. Spea2+: Improving the performance of the strength pareto evolutionary
algorithm 2. PPSN VIII, LNCS 3242,, p. 742–751, 2004.
KLOPPERS, J. C.; KROGER, D. G. A critical cooling tower performance evaluation.

12th IAHR Symposium in Cooling Towers and Heat Exchangers, UTS, p. 108–115, 2001.
KLOPPERS, J. C.; KROGER, D. G. Cooling tower performance: a critical evaluation

of the merkel assumptions. Research and Development Journal Incorporated into the SA
Mehanical Engineer, p. 24–29, 2004.
KNOWLES, J. Parego: A hybrid algorithm with on-line landscape approximation for

expensive multiobjective optimization problems. Technical Report TR-COMPSYSBIO-
2004-01, University of Manchester, Massachussets, p. 173–195, September 2000.
REFERÊNCIAS 206
KNOWLES, J. D.; CORNE, D. W. Aproximating the non-dominated front using the

pareto archived evolution strategy. Evolutionary Computation Journal, v. 8, n. 2, p.
149–172, 2000.
KUKKONEN, S.; DEB, K. Improved pruning of non-dominated solutions based on

crowding distance for bi-objective optimization problems. In: Evolutionary Computation,
2006. CEC 2006. IEEE Congress on. Piscataway: IEEE Press, 2006. p. 1179–1186.
KUSIAK, A.; LI, M.; TANG, F. Modeling and optimization of HVAC energy
consumption. Applied Energy, v. 87, n. 10, p. 3092–3102, 2010.
KUSIAK, A.; XU, G.; TANG, F. Optimization of an HVAC system with a strength
multi-objective particle-swarm algorithm. Energy, v. 36, n. 10, p. 5935–5943, 2011.
LAUMANNS, M. et al. Combining convergence and diversity in evolutionary

multi-objective optimization. Evolutionary Computation, v. 10, n. 3, p. 263–282, 2002.
LEE, K.; CHENG, T. A simulation-optimization approach for energy efficiency of chilled

water system. Energy and Buildings, v. 54, p. 290–296, 2012.
LEONTARITIS, I. J.; BILLINGS, S. A. Model selection and validation methods for

non-linear systems. International Journal of Control, v. 45, n. 1, p. 311–341, 1987.
LI, M. et al. Ipesa-ii: Improved pareto envelope-based selection algorithm ii. Evolutionary
Multi-Criterion Optimization, Lecture Notes in Computer Science, Springer Berlin
Heidelberg, v. 7811, p. 143–155, 2013.
LI, X. A non-dominated sorting particle swarm optimizer for multiobjective optimization.

In: Genetic and Evolutionary Computation. GECCO 2003. Proceedings, Part I. Chicago,
IL, USA: Springer, 2003. (Lecture Notes in Computer Science, v. 2723), p. 37–48.
LI, X. Better spread and convergence: Particle swarm multiobjective optimization

using the maximin fitness function. In: Kalyanmoy Deb et al., editor, Proceedings
of the Genetic and Evolutionary Computation Conference (GECCO 2004). Seattle,
Washington, USA: Springer-Verlag, 2004. (Lecture Notes in Computer Science, v. 3102),
p. 117–128.
REFERÊNCIAS 207
LI, X. et al. Extremum seeking control of cooling tower for self-optimizing efficient
operation of chilled water systems. In: 2012 American Control Conference. Montreal,
Quebec, Canada: IEEE, 2012. p. 3396–3401. ISBN 978-1-4577-1095-7.
LIAN, X.; ZHANG, L. Optimized feature selection towards functional and non-functional
requirements in software product lines. In: 2015 IEEE 22nd International Conference on
Software Analysis, Evolution, and Reengineering (SANER). Montreal, Quebec, Canada:
IEEE, 2015. p. 191–200. ISSN 1534-5351.
LIU, C.; CHUAH, Y. A study on an optimal approach temperature control strategy of

condensing water temperature for energy saving. International Journal of Refrigeration,
v. 34, n. 3, p. 816–823, 2011.
LIU, L.; LU, J.; YANG, S. Many-objective optimization of antenna arrays using an
improved multiple-single-objective pareto sampling algorithm. IEEE Antennas and
Wireless Propagation Letters, v. 11, p. 399–402, 2012. ISSN 1536-1225.
LU, L.; CAI, W. A universal engineering model for cooling towers. In: International
Refrigeration and Air Conditioning Conference. Indiana, USA, 2002.
LU, L. et al. HVAC system optimization – condenser water loop. Energy Conversion and
Management, v. 45, n. 4, p. 613–630, 2004.
MA, Z.; WANG, S. Supervisory and optimal control of central chiller plants using
simplified adaptive models and genetic algorithm. Applied Energy, v. 88, n. 1, p. 198–211,
2011.
MERKEL, F. Verdunstungskuhlung (vdi) forschungsarbeiten. N°275, p. 576–583, 1925.
MILLONAS, M. M. Swarms, phase transitions, and collective intelligence. In: . MA:

In C. G. Langton, Ed., Artificial Life III. Addison Wesley, Reading, 1994.
MOHIUDDIN, A. K. M.; KANT, K. Knowledge base for the systematic design

of wet cooling towers. part ii: Fill and other design parameters. International
Journal of Refrigeration, v. 19, n. 1, p. 52–60, 1996. ISSN 0140-7007. Disponı́vel em:
<http://www.sciencedirect.com/science/article/pii/0140700795000607>.
REFERÊNCIAS 208
MOLLAZEI, S. et al. Multi-objective optimization of power system performance with

TCSC using the MOPSO algorithm. In: Power Engineering Society General Meeting,
2007. IEEE. Florida, USA: IEEE, 2007. v. 42, n. 1, p. 1–8. ISSN 1932-5517.
MOORE, J.; CHAPMAN, R. Application of particle swarm to multiobjective

optimization. Department of Computer Science and Software Engineering, Auburn
University, 1999.
MOSTAGHIM, S.; TEICH, J. The role of epsi;-dominance in multi objective particle

swarm optimization methods. In: Evolutionary Computation, 2003. CEC 2003. The
2003 Congress on. Chicagi, IL, USA: IEEE, 2003. v. 3, p. 1764–1771.
MOSTAGHIM, S.; TEICH, J. Strategies for finding good local guides in multi-objective
particle swarm optimization (mopso). In: In 2003 IEEE Swarm Intelligence Symposium
Proceedings. Indianapolis, Indiana, USA: IEEE Service Center, 2003. p. 26–33.
MOSTAGHIM, S.; TEICH, J. Covering pareto-optimal fronts by subswarms in

multi-objective particle swarm optimization. In: 2004 Congress on Evolutionary
Computation (CEC 2004). Portland, Oregon, USA: IEEE Service Center, 2004. v. 2, p.
1404–1411.
NEDJAH, N.; MOURELLE, L. M. Real World Multi-Objective System Engineering. New

York: Nova Science Publishers, 2005. (Intelligent System Engineering Series).
OLIVERA, A. C. et al. Bio-inspired systems: Computational and ambient intelligence:

10th international work-conference on artificial neural networks, iwann 2009, salamanca,
spain, june 10-12, 2009. proceedings, part i. In: . Berlin, Heidelberg: Springer Berlin
Heidelberg, 2009. p. 1272–1279. ISBN 978-3-642-02478-8.
OMNI. Torres de resfriamento de água. OMNI Grupo Industrial de Equipamentos

LTDA., Valinhos, SP, Março 1989.
OZCAN, H.; OZDEMIR, K.; CILOGLU, H. Optimum cost of an air cooling system by
using differential evolution and particle swarm algorithms. Energy and Buildings, v. 65,
p. 93–100, 2013.
PARSOPOULOS, K. E.; TASOULIS, D. K.; VRAHATIS, M. N. Multiobjective

optimization using parallel vector evaluated particle swarm optimization. In: Proceedings
REFERÊNCIAS 209
of the IASTED International Conference on Artificial Intelligence and Applications (AIA

2004). Innsbruck, Austria: ACTA Press, 2004. v. 2, p. 823–828. ISBN 0-88986-375-X.
ISSN 1027-2666.
PARSOPOULOS, K. E.; VRAHATIS, M. N. Particle swarm optimization method in

multiobjective problems. In: Proceedings of the 2002 ACM Symposium on Applied
Computing (SAC 2002). Madrid, Spain: ACM New York, 2002. p. 603–607.
POPOV, A. Combined Matlab - C implementation of SPEA2. Hamburg Institute of

Technology, Institute of Control Systems, 2007. Disponı́vel em: <http://www.tu-
hamburg.de/rts>.
POPPE, M.; ROGENER, H. Berechnung von ruckkuhlwerken. VDI-Warmeatlas, p.

1001–1015, 1991.
PULIDO, G. T.; COELLO, C. A. C. The micro genetic algorithm 2: Towards online

adaptation in evolutionary multiobjective optimization. In: Carlos M. Fonseca, Peter
J. Fleming, Eckart Zitzler, Kalyanmoy Deb and Lothar Thiele (Eds), Evolutionary
Multi-Criterion Optimization. Second International Conference, EMO 2003. Faro,
Portugal: Springer-Verlag, 2003. v. 2632, p. 252–266.
PULIDO, G. T.; COELLO, C. A. C. Using clustering techniques to improve the

performance of a particle swarm optimizer. In: Kalyanmoy Deb et al., editor, Proceedings
of the Genetic and Evolutionary Computation Conference (GECCO 2004). Seattle, USA:
Springer, 2004. (Lecture Notes in Computer Science, v. 3102), p. 225–237.
RAY, T.; LIEW, K. M. A swarm metaphor for multiobjective design optimization.

Engineering Optimization, Morgan Kaufmann, v. 34, n. 2, p. 141–153, March 2002.
Disponı́vel em: <http://dx.doi.org/10.1080/03052150210915>.
REYES-SIERRA, M.; COELLO, C. A. C. Multi-objective particle swarm optimizers:

A survey of the state-of-the-art. International Journal of Computational Intelligence
Research, v. 2, n. 3, p. 287–308, 2006.
REYNOLDS, C. Flocks, herds and schools: A distributed behavioral model. Computer

Graphics, v. 21, n. 4, p. 25–34, 1987.
REFERÊNCIAS 210
ROSEMBERG, R. S. Simulation of genetic populations with biochemical properties.

University of Michigan, Michigan, 1967.
RUDOLPH, G. Evolutionary search under partially ordered sets. Tech. Rep. CI-67/99,
Dept. Comp. Sci./LS11, Univ. Dortmund, Dotmund, Germany, 1999.
SAYYAADI, H.; NEJATOLAHI, M. Multi-objective optimization of a cooling tower

assisted vapor compression refrigeration system. International Journal of Refrigeration,
v. 34, n. 1, p. 243–256, 2011.
SAYYAD, A.; GOSEVA-POPSTOJANOVA, K.; MENZIES T. AMMAR, H. On

parameter tuning in search based software engineering: A replicated empirical study.
In: Replication in Empirical Software Engineering Research (RESER), 2013 3rd
International Workshop on. Baltimore, USA: IEEE, 2013. p. 84–90.
SAYYAD, A. et al. Optimum feature selection in software product lines: Let your model
and values guide your search. In: Combining Modelling and Search-Based Software
Engineering (CMSBSE), 2013 1st International Workshop on. San Francisco, CA, USA,
2013. p. 22–27.
SAYYAD, A.; MENZIES, T.; AMMAR, H. On the value of user preferences in

search-based software engineering: A case study in software product lines. In: 2013 35th
International Conference on Software Engineering (ICSE). San Francisco, CA, USA,
2013. p. 492–501. ISSN 0270-5257.
SCHAFFER, J. D. Some Experiments in Machine Learning Using Vector Evaluated

Genetic Algorithms. Vanderbilt, Electrical Engineering, Nashville, NC, 1984.
SEADA, H.; DEB, K. U-NSGA-III: A unified evolutionary optimization procedure

for single, multiple, and many objectives: Proof-of-principle results. In: SPRINGER.
Evolutionary Multi-Criterion Optimization, 8th International Conference, EMO 2015.
Guimarães, Portugal, 2015. v. 9019, p. 34–49.
SEBER, G. A. F.; WILD, C. J. Nonlinear Regression. New Jersey, USA: Willey-

Interscience, 2003. ISBN 0-471-47135-6.
SHI, Y.; EBERHART, R. A modified particle swarm optimizer. In: IEEE. Evolutionary
Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence.,
REFERÊNCIAS 211
The 1998 IEEE International Conference on. Alaska, USA, 1998. p. 69–73. ISBN
0-7803-4869-9.
SRINIVAS, N.; DEB, K. Multiobjective optimization using nondominated sorting in

genetic algorithm. Evolutionary Computation, Massachussets Institute of Technology,
v. 2, n. 3, p. 221–248, 1994.
SRINIVASAN, D.; SEOW, T. H. Particle swarm inspired evolutionary algorithm (ps-ea)

for multiobjective optimization problem. In: Congress on Evolutionary Computation
(CEC 2003). Canberra, Australia: IEEE Press, 2003. (Lecture Notes in Computer
Science, v. 3), p. 2292–2297.
SULIEMAN, D.; JOURDAN, L.; TALBI, E. G. Using multiobjective metaheuristics to

solve VRP with uncertain demands. In: IEEE Congress on Evolutionary Computation.
Barcelona, 2010. p. 1–8. ISSN 1089-778X.
SUTHERLAND, J. W. Analysis of mechanical draught counter flow air water cooling

tower. Journal of Heat Transfer, v. 105, p. 576–583, 1983.
TAN, K. C.; LEE, T. H.; KHOR, E. F. Evolutionary algorithms with dynamic population
size and local exploration for multiobjective optimization. Evolutionary Computation,
IEEE Transactions on, IEEE, v. 5, n. 6, p. 565–588, 2001.
TYAGI, V.; SANE, H.; DARBHA, S. An extremum seeking algorithm for determining
the set point temperature for condensed water in a cooling tower. In: 2006 American
Control Conference. Minnesota, USA: IEEE, 2006. p. 1127–1131. ISBN 1-4244-0209-3.
TéCNICAS, A. B. de N. ABNT NBR 16401-1: Instalações de ar condicionado - Sistemas

centrais e unitários. Parte 1: Projetos das instalações. Rio de Janeiro: ABNT, 2008.
ISBN 978-85-07-00889-7.
VELDHUIZEN, D. A. V. Multiobjective Evolutionary Algorithm: Classifications,

Analyses and New Inovations. Tese (Doutorado) — Air Force Institute of Technology,
Wright-Patterson AFB, Ohio, 1999.
VELDHUIZEN, D. A. V.; LAMONT, G. B. Multiobjective optimization with messy

genetic algorithms. In: In Proceedings of the 2000 Symposium on Applied Computing.
Como, Italy: ACM New York, 2000. p. 470–476. ISBN 1-58113-240-9.
REFERÊNCIAS 212
WAGNER, T.; BEUME, N.; NAUJOKS, B. Pareto-, aggregation-, and indicator- based
methods in many-objective optimization. In: Evolutionary Multi-Criterion Optimization,
4th International Conference, EMO 2007, Matsushima, Japan, March 5-8, 2007.
Proceedings. Matsushima, Japan: Springer Berlin Heidelberg, 2007. v. 4403, p. 742–756.
WANG, R.; PURSHOUSE, R. C.; FLEMING, P. J. Preference-inspired coevolutionary

algorithms for many-objective optimization. IEEE Transactions on Evolutionary
Computation, v. 17, n. 4, p. 474–494, Aug 2013. ISSN 1089-778X.
WHITE, T.; PAGUREK, B. Towards multi-swarm problem solving in networks. In:

Proceedings of Third International Conference on Multi-Agent Systems (ICMAS 98).
Washington DC, USA: IEEE Computer Society, 1998. p. 333–340.
YAGMAHAN, B.; YENISEY, M. M. Multiobjective firefly algorithm for continuous

optimization. Expert Systems and Applications, Elsevier, v. 37, n. 2, p. 1361–1368, 2010.
YANG, S. Nature-Inspired Metaheuristic Algorithms. Cambridge, UK: Luniver Press,

2010.
YANG, S. et al. A grid-based evolutionary algorithm for many-objective optimization.

Evolutionary Computation, IEEE Transactions on, v. 17, n. 5, p. 721–736, Oct 2013.
YANG, X. S. Multiobjective firefly algorithm for continuous optimization. Engineering

with Computers, v. 29, n. 2, p. 175–184, 2013.
YORK. Print-out de seleção das unidades resfriadoras UR-S2O3, UR-S2O4, UR-S2O5 e

UR-S2O6. Sorocaba, SP, Brasil, 2006.
YORK. Curva de Surge das Unidades Resfriadoras UR-S2O3, UR-S2O4, UR-S2O5 e

RU-S2O6. Sorocaba, SP, Brasil, 2009.
YU, K. et al. Chiller energy saving optimization using artificial neural networks. Journal
of Applied Sciences, v. 16, n. 11, p. 3008–3014, 2011. ISSN 1812-5654.
YUAN, Y.; XU, H.; WANG, B. An improved nsga-iii procedure for evolutionary
many-objective optimization. In: ACM. Proceedings of the 2014 Conference on Genetic
and Evolutionary Computation. Vancouver, BC, Canada, 2014. p. 661–668. ISBN
978-1-4503-2662-9.
REFERÊNCIAS 213
ZHANG, L. B. et al. Solving multi objective optimization problems using particle

swarm optimization. In: Congress on Evolutionary Computation (CEC 2003). Canberra,
Australia: IEEE Press, 2003. v. 3, p. 2400–2405.
ZHANG, Q.; LI, H. Moea/d: A multiobjective evolutionary algorithm based on

decomposition. Evolutionary Computation, IEEE Transactions on, IEEE, v. 11, n. 6, p.
712–731, 2007.
ZITZLER, E.; DEB, K.; THIELE, L. Comparison of multiobjective evolutionary

algorithms: Empirical results. Evolutionary Computation, Massachussets, v. 8, n. 2, p.
173–195, 2000.
ZITZLER, E.; KÜNZLI, S. Indicator-based selection in multiobjective search. In:

SPRINGER. Parallel Problem Solving from Nature - PPSN VIII, 8th International
Conference on. Birmingham, UK, 2004. p. 832–842. ISBN 978-3-540-23092-2.
ZITZLER, E.; LAUMANNS, M.; THIELE, L. Spea2: Improving the strength pareto
evolutionary algorithm. TIK-Report 103, Swiss Federal Institute of Technology, Zurich,
2001.
ZITZLER, E.; THIELE, L. An evolutionary algorithm for multiobjective optimization:

The strength pareto approach. Technical Report 43, Computer Engineering and
Communication Networks Lab (TIK), Swiss Federal Intitute of Technology (ETH),
Zurich, Switzerland, 1998.
ZITZLER, E.; THIELE, L. An evolutionary algorithm for multiobjective optimization:

The strength pareto approach. Technical Report 43, Computer Engineering and
Communication Networks Lab (TIK), Swiss Federal Intitute of Technology (ETH),
Zurich, Switzerland, 1999.
ZITZLER, E.; THIELE, L. Multiobjective evolutionary algorithms: a comparative case

study and the strength pareto approach. IEEE Transaction Evolutionary Computation,
v. 4, n. 3, p. 257–271, 1999.
ZMEUREANU, R.; ZELAYA, E. M.; GIGUERE, D. Simulation de la consommation

d’énergie d’un aréna à l’aide du logiciel doe-2.1e. In: ESIM2002 Conference. Canada,
2002.
APÊNDICE A – Resultados das
simulações
Este apêndice apresenta as soluções ótimas e os respectivos resultados obtidas nas

simulações após aplicação dos algoritmos de otimização.
Tabela A.1: Pontos operacionais utilizados na aplicação dos algoritmos.
n◦ chillers ṁáguaent Táguaent TBU ṁáguaevap Taeevap Tasevap

1 2 86,93 24,36 21,98 130,39 8,78 6,11
2 2 87,02 26,05 21,68 130,53 9,21 6,04
3 2 86,92 28,71 22,61 130,37 9,82 6,29
4 2 86,99 28,90 22,61 130,48 10,32 6,28
5 2 87,07 28,23 22,92 130,39 10,03 6,14
6 2 86,93 29,70 23,23 130,39 10,40 6,07
7 2 87,03 29,57 23,25 130,55 10,71 6,16
8 2 87,02 29,68 22,94 130,53 10,41 6,01
9 2 87,08 29,61 23,61 130,63 10,40 6,00
10 2 87,08 29,59 22,94 130,63 10,95 6,24
11 1 50,38 28,88 22,63 151,13 9,68 6,15
12 1 50,36 29,78 22,94 151,08 11,53 6,03
13 2 86,45 29,53 23,25 129,68 9,24 5,97
14 2 86,56 30,13 23,55 129,85 10,11 6,04
15 2 86,46 30,54 23,55 129,69 11,19 6,29
16 2 70,71 29,40 24,49 106,07 11,16 6,27
17 2 63,30 29,75 22,93 94,95 11,34 6,28
18 2 63,20 29,60 23,56 94,80 12,01 6,51
19 2 56,74 29,56 23,25 85,12 11,71 6,54
20 1 51,78 27,44 22,31 155,33 8,04 5,8
21 1 51,78 26,87 22,31 155,35 8,32 6,41
22 1 51,76 26,59 21,99 155,27 8,38 5,95
23 1 51,65 26,60 21,99 154,96 8,18 5,98
24 1 51,72 26,95 22,64 155,17 8,03 5,97
25 1 51,70 27,42 21,99 155,11 9,14 6,21
26 1 51,65 27,94 23,31 154,96 9,72 6,05
27 2 87,01 27,94 22,95 130,52 8,07 5,95
28 2 87,33 29,89 23,91 130,99 9,93 6,34
29 2 87,51 30,34 23,86 131,27 10,99 6,35
30 2 69,93 28,87 23,56 104,90 10,90 6,46
31 2 69,86 29,12 23,91 104,79 10,96 6,24
32 2 69,35 29,38 23,26 104,03 10,77 6,34
33 2 86,92 29,91 22,95 130,37 10,92 6,40
34 2 86,97 29,76 23,30 130,45 10,11 6,12
35 1 48,76 28,59 21,98 146,27 12,59 6,58
Apêndice A 215
Tabela A.2: NSGA-II - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP1 .
NSGA-II - 50 iterações NSGA-II - 90 segundos

n◦
nótima a Ptotal ec(%) nótima a Ptotal ec(%)
1 47,17 0,6812 557,33 3,91 47,39 0,6828 557,74 3,84
2 47,02 0,6694 617,85 6,18 46,98 0,6692 617,78 6,19
3 46,35 0,5760 736,97 -2,40 46,21 0,5756 736,69 -2,36
4 46,31 0,5611 813,92 -0,06 46,33 0,5612 813,97 -0,07
5 46,68 0,6264 764,47 3,69 46,86 0,6270 764,83 3,64
6 46,12 0,5461 833,51 4,13 46,33 0,5465 833,95 4,07
7 46,43 0,5590 883,64 3,79 46,41 0,5589 833,60 3,79
8 46,08 0,5223 834,94 4,15 46,01 0,5222 834,80 4,17
9 46,35 0,5831 833,64 3,90 46,35 0,5831 833,63 3,90
10 45,94 0,5301 923,46 3,48 46,30 0,5308 924,22 3,40
11 46,38 0,5799 365,34 12,27 46,07 0,5791 364,92 12,37
12 45,71 0,5236 520,88 8,68 45,72 0,5236 520,90 8,67
13 46,32 0,5626 667,51 5,62 46,34 0,5627 667,54 5,61
14 46,15 0,5371 791,22 4,80 46,12 0,5371 791,15 4,81
15 45,57 0,4986 968,52 4,05 45,71 0,4987 968,82 4,02
16 46,63 0,6892 961,38 3,77 46,48 0,6885 961,06 3,80
17 46,85 0,5382 994,65 3,90 46,86 0,5382 994,67 3,90
18 46,83 0,6216 1118,82 3,44 46,96 0,6220 1119,11 3,41
19 46,83 0,6055 1060,32 3,76 46,97 0,6057 1060,61 3,74
20 46,66 0,6579 261,05 15,58 46,66 0,6579 261,05 15,58
21 46,71 0,6866 271,49 13,95 46,41 0,6851 271,10 14,07
22 46,77 0,6853 271,42 12,34 46,89 0,6858 271,57 12,30
23 46,86 0,6857 261,59 12,87 46,79 0,6854 261,49 12,90
24 46,72 0,6968 259,53 13,28 46,91 0,6978 259,78 13,20
25 46,74 0,6401 319,68 12,11 46,83 0,6404 319,79 12,08
26 46,75 0,6843 365,30 10,35 46,68 0,6840 365,22 10,37
27 46,84 0,6447 524,02 5,50 46,68 0,6441 523,71 5,55
28 46,29 0,5840 763,95 4,87 46,72 0,5851 764,88 4,75
29 46,03 0,5444 934,10 4,10 46,11 0,5446 934,28 4,08
30 46,57 0,6656 909,22 4,13 46,35 0,6647 908,79 4,17
31 46,55 0,6725 922,62 3,85 46,11 0,6707 921,74 3,95
32 46,25 0,6011 890,41 3,89 46,25 0,6011 890,40 3,89
33 45,89 0,5016 920,33 3,97 45,97 0,5017 920,49 3,96
34 46,22 0,5471 789,34 4,75 46,17 0,5470 789,23 4,76
35 45,96 0,5486 616,06 7,27 45,91 0,5486 616,00 7,27
Apêndice A 216
Tabela A.3: NSGA-II - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
SPEA2 - 50 iterações SPEA2 - 90 segundos

n◦
nótima Tótima a Ptotal ec(%) nótima Tótima a Ptotal ec(%)
1 59,99 6,93 0,7228 554,33 10,94 59,84 6,94 0,7718 553,17 11,14
2 57,81 6,72 0,7188 625,12 12,87 58,71 6,78 0,7228 621,62 13,41
3 48,11 6,33 0,5803 759,92 -2,46 49,34 6,37 0,5833 758,08 -2,21
4 50,66 6,37 0,5707 839,63 0,03 51,77 6,38 0,5730 841,61 -0,21
5 59,69 6,68 0,6690 779,27 7,49 58,88 6,67 0,6666 776,90 7,79
6 48,98 6,34 0,5518 855,77 8,48 47,33 6,28 0,5485 860,54 7,93
7 53,84 6,44 0,5745 908,82 7,13 55,13 6,52 0,5770 899,48 8,14
8 44,46 6,26 0,5196 859,03 9,37 46,04 6,28 0,5223 859,98 9,26
9 53,45 6,50 0,6010 846,71 10,64 54,97 6,52 0,6046 848,94 10,39
10 50,62 6,36 0,5382 957,49 5,10 52,83 6,39 0,5418 959,15 4,93
11 45,23 6,22 0,5771 379,25 13,68 38,12 6,13 0,5586 375,99 14,47
12 48,44 6,32 0,5151 556,10 13,09 46,67 6,34 0,5131 558,69 12,63
13 41,13 6,17 0,5503 696,46 9,12 39,99 6,13 0,5474 697,17 9,02
14 44,79 6,22 0,5345 817,00 7,84 46,20 6,25 0,5372 815,73 8,00
15 47,25 6,27 0,5008 1010,47 3,63 46,49 6,32 0,4998 1000,45 4,62
16 59,88 6,95 0,7448 928,58 11,96 59,78 6,93 0,7444 930,36 11,78
17 36,31 6,17 0,5208 1050,83 3,29 36,22 6,13 0,5207 1059,18 2,48
18 38,97 6,20 0,5983 1216,24 -2,13 32,38 6,13 0,5756 1225,26 -2,91
19 35,36 6,16 0,5762 1142,06 -2,57 38,86 6,18 0,5863 1140,83 -2,46
20 34,84 5,93 0,6074 274,79 19,50 37,44 5,99 0,6190 274,87 19,48
21 45,17 6,27 0,6791 282,35 11,99 42,79 6,24 0,6673 280,91 12,45
22 44,93 6,28 0,6764 279,96 16,56 44,49 6,29 0,6742 279,18 16,82
23 43,54 6,20 0,6696 271,30 15,60 40,88 6,18 0,6564 269,47 16,20
24 37,59 6,07 0,6474 271,22 15,22 40,80 6,12 0,6651 272,22 14,89
25 48,26 6,43 0,6455 327,22 14,42 47,02 6,35 0,6411 328,77 13,99
26 56,87 6,71 0,7301 372,54 15,76 57,37 6,73 0,7323 373,09 15,62
27 39,90 6,07 0,6164 564,21 7,04 35,18 5,92 0,5962 565,14 6,87
28 47,83 6,29 0,5881 788,87 3,70 48,96 6,36 0,5910 783,57 4,36
29 52,28 6,41 0,5565 959,98 3,45 53,31 6,41 0,5583 962,03 3,24
30 59,91 6,83 0,7130 898,16 6,42 59,95 6,83 0,7132 898,54 6,38
31 59,96 6,91 0,7224 898,54 11,50 59,94 6,86 0,7223 906,16 10,71
32 58,36 6,56 0,6287 913,18 4,40 57,00 6,56 0,6260 909,18 4,83
33 47,70 6,29 0,5041 955,36 1,87 45,18 6,29 0,5006 950,68 2,36
34 45,40 6,21 0,5454 818,69 6,36 46,46 6,27 0,5476 813,55 6,98
35 57,61 6,61 0,5669 659,65 4,83 58,12 6,57 0,5676 666,07 3,86
Apêndice A 217
Tabela A.4: SPEA2 - Soluções ótimas obtidas para os 35 pontos operacionais utilizados

n◦
1 47,12 0,6809 557,25 3,93 47,11 0,6808 557,22 3,93
2 47,04 0,6696 617,90 6,17 47,10 0,6699 618,01 6,15
3 46,42 0,5761 737,11 -2,42 46,41 0,5761 737,10 -2,42
4 46,50 0,5616 814,32 -0,11 46,48 0,5615 814,27 -0,10
5 46,69 0,6264 764,49 3,68 46,68 0,6264 764,49 3,68
6 46,16 0,5462 833,60 4,11 46,24 0,5463 833,75 4,10
7 46,46 0,5590 883,71 3,78 46,36 0,5588 833,49 3,81
8 46,14 0,5224 835,07 4,14 46,19 0,5225 835,19 4,12
9 46,54 0,5836 834,03 3,85 46,31 0,5830 833,56 3,91
10 46,25 0,5307 924,10 3,41 46,22 0,5306 924,04 3,42
11 46,13 0,5793 365,01 12,35 46,11 0,5792 364,98 12,36
12 45,78 0,5236 520,87 8,68 45,53 0,5232 520,52 8,74
13 46,32 0,5626 667,49 5,62 46,08 0,5621 667,00 5,69
14 46,15 0,5371 791,23 4,80 46,21 0,5372 791,35 4,79
15 45,62 0,4986 968,63 4,03 45,64 0,4987 968,67 4,03
16 46,42 0,6883 960,95 3,81 46,70 0,6895 961,52 3,76
17 44,95 0,5356 990,61 4,29 45,10 0,5358 990,94 4,26
18 46,09 0,6196 1117,27 3,57 46,11 0,6197 1117,32 3,57
19 45,31 0,6022 1057,16 4,05 45,31 0,6022 1057,16 4,05
20 46,67 0,6579 261,07 15,58 46,79 0,6584 261,23 15,52
21 46,89 0,6875 271,72 13,88 46,96 0,6878 271,81 13,85
22 46,93 0,6860 271,62 12,28 47,02 0,6865 271,73 12,24
23 46,73 0,6851 261,42 12,93 46,97 0,6862 261,72 12,83
24 47,01 0,6983 259,91 13,15 46,96 0,6981 259,84 13,18
25 46,74 0,6401 319,68 12,11 46,56 0,6394 319,45 12,18
26 46,85 0,6848 365,43 10,32 46,88 0,6849 365,48 10,31
27 46,74 0,6443 523,82 5,53 46,69 0,6441 523,72 5,55
28 46,37 0,5842 764,13 4,84 46,54 0,5846 764,48 4,80
29 46,29 0,5450 934,67 4,04 46,24 0,5449 934,56 4,05
30 46,61 0,6658 909,31 4,12 46,51 0,6653 909,09 4,14
31 46,49 0,6722 922,48 3,87 46,42 0,6720 922,36 3,88
32 46,03 0,6005 889,95 3,94 46,24 0,6010 890,38 3,89
33 45,99 0,5017 920,54 3,95 45,94 0,5016 920,44 3,96
34 46,12 0,5469 789,13 4,77 46,14 0,5469 789,17 4,77
35 45,98 0,5487 616,09 7,26 46,00 0,5487 616,11 7,26
Apêndice A 218
Tabela A.5: SPEA2 - Soluções ótimas obtidas para os 35 pontos operacionais utilizados

n◦
1 59,83 6,91 0,7717 555,58 10,72 59,99 6,90 0,7728 556,99 10,48
2 60,00 6,78 0,7283 625,29 12,85 59,94 6,78 0,7281 625,83 12,77
3 47,32 6,32 0,5784 758,93 -2,33 48,15 6,32 0,5804 761,36 -2,66
4 51,10 6,40 0,5716 837,02 0,36 51,69 6,41 0,5729 836,59 0,41
5 60,00 6,69 0,6700 778,43 7,60 59,99 6,69 0,6700 778,72 7,56
6 49,88 6,34 0,5535 858,45 8,17 49,17 6,34 0,5522 856,28 8,42
7 55,03 6,47 0,5768 908,00 7,22 54,86 6,48 0,5765 906,04 7,43
8 44,28 6,27 0,5192 857,44 9,55 43,48 6,25 0,5178 858,30 9,45
9 54,83 6,48 0,6043 853,24 9,89 55,25 6,49 0,6053 853,48 9,86
10 52,93 6,41 0,5419 956,39 5,22 51,46 6,40 0,5396 954,00 5,47
11 39,42 6,14 0,5621 376,74 14,29 43,44 6,20 0,5726 377,73 14,05
12 48,20 6,36 0,5069 563,08 11,86 48,89 6,33 0,5105 562,72 11,93
13 36,67 6,07 0,5389 697,67 8,95 38,54 6,09 0,5437 698,67 8,81
14 43,09 6,21 0,5312 814,64 8,13 42,38 6,21 0,5297 813,50 8,26
15 48,82 6,31 0,5029 1006,98 3,98 47,91 6,31 0,5017 1005,90 4,08
16 60,00 6,91 0,7452 934,74 11,34 59,97 6,91 0,7451 935,46 11,27
17 49,25 6,34 0,5411 1040,87 4,25 49,55 6,38 0,5415 1033,42 4,97
18 60,00 6,72 0,6515 1143,22 4,18 60,00 6,72 0,6515 1143,35 4,16
19 57,65 6,60 0,6231 1092,29 1,95 59,40 6,64 0,6251 1090,79 2,08
20 34,82 5,91 0,6073 275,18 19,38 35,93 5,92 0,6123 275,63 19,23
21 42,85 6,20 0,6676 282,03 12,09 42,98 6,18 0,6682 282,70 11,88
22 42,74 6,22 0,6656 279,73 16,64 43,54 6,27 0,6696 279,08 16,85
23 40,88 6,13 0,6564 270,79 15,77 42,40 6,21 0,6640 269,94 16,05
24 37,95 6,00 0,6494 272,91 14,66 39,75 6,02 0,6594 273,68 14,40
25 46,59 6,31 0,6395 330,33 13,56 47,47 6,33 0,6427 330,55 13,50
26 58,22 6,80 0,7359 371,46 16,03 59,23 6,83 0,7402 372,43 15,79
27 39,56 5,84 0,6149 572,49 5,54 39,26 5,83 0,6137 572,61 5,52
28 47,93 6,31 0,5883 786,80 3,96 46,30 6,29 0,5840 784,83 4,21
29 54,94 6,44 0,5612 962,69 3,18 55,17 6,45 0,5616 961,26 3,32
30 60,00 6,85 0,7133 896,26 6,62 60,00 6,83 0,7133 898,03 6,44
31 60,00 6,86 0,7226 906,28 10,65 60,00 6,87 0,7226 905,34 10,79
32 58,38 6,62 0,6288 905,46 5,23 58,36 6,59 0,6287 908,87 4,86
33 47,56 6,28 0,5039 957,33 1,66 48,75 6,31 0,5055 955,56 1,85
34 45,22 6,24 0,5450 813,93 6,93 46,13 6,28 0,5469 811,70 7,20
35 58,43 6,56 0,5680 667,45 3,66 59,99 6,59 0,5698 667,32 3,68
Apêndice A 219
Tabela A.6: Micro-GA - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
Micro-GA - 50 iterações Micro-GA - 90 segundos

n◦
1 47,21 0,6815 557,41 3,90 47,21 0,6815 557,41 3,90
2 47,13 0,6700 618,05 6,15 46,95 0,6691 617,74 6,19
3 46,36 0,5760 737,00 -2,41 46,48 0,5763 737,24 -2,44
4 46,33 0,5612 813,97 -0,07 46,16 0,5608 813,61 -0,02
5 46,66 0,6263 764,43 3,69 46,72 0,6265 764,55 3,68
6 46,07 0,5460 833,40 4,14 46,19 0,5462 833,65 4,11
7 46,30 0,5587 883,38 3,82 46,33 0,5587 883,44 3,81
8 46,01 0,5222 834,81 4,17 46,01 0,5222 834,81 4,17
9 46,54 0,5836 834,03 3,85 46,48 0,5834 833,91 3,87
10 46,28 0,5307 924,16 3,41 46,04 0,5303 923,66 3,46
11 46,16 0,5793 365,04 12,34 46,10 0,5792 364,96 12,36
12 45,63 0,5235 520,81 8,69 45,72 0,5232 520,55 8,73
13 46,28 0,5625 667,40 5,63 46,10 0,5621 667,04 5,68
14 46,04 0,5369 790,99 4,83 46,10 0,5370 791,12 4,81
15 45,63 0,4986 968,66 4,03 45,89 0,4990 969,23 3,98
16 46,54 0,6888 961,19 3,79 46,48 0,6885 961,06 3,80
17 45,07 0,5358 990,87 4,26 45,40 0,5362 991,54 4,20
18 46,01 0,6194 1117,12 3,59 46,04 0,6195 1117,18 3,58
19 45,78 0,6032 1058,11 3,96 45,45 0,6025 1057,46 4,02
20 46,98 0,6592 261,48 15,44 46,54 0,6574 260,90 15,63
21 46,48 0,6855 271,20 14,04 46,95 0,6878 271,80 13,85
22 46,98 0,6863 271,68 12,26 46,80 0,6854 271,46 12,33
23 46,77 0,6853 261,48 12,91 46,92 0,6860 261,66 12,85
24 46,83 0,6974 259,68 13,23 46,95 0,6980 259,83 13,18
25 46,98 0,6409 320,00 12,03 46,54 0,6394 319,42 12,19
26 46,33 0,6823 364,75 10,48 46,54 0,6833 365,02 10,42
27 46,48 0,6433 523,33 5,62 46,89 0,6449 524,12 5,48
28 46,51 0,5846 764,42 4,81 46,48 0,5845 764,36 4,82
29 46,36 0,5451 934,83 4,03 46,04 0,5445 934,12 4,10
30 46,92 0,6670 909,92 4,05 46,19 0,6641 908,46 4,21
31 46,80 0,6735 923,13 3,80 46,25 0,6713 922,00 3,92
32 46,16 0,6008 890,22 3,91 46,04 0,6005 889,98 3,94
33 45,81 0,5014 920,15 3,99 45,75 0,5014 920,02 4,01
34 45,84 0,5463 788,53 4,84 46,33 0,5473 789,56 4,72
35 45,81 0,5484 615,86 7,30 46,13 0,5490 616,29 7,23
Apêndice A 220
Tabela A.7: Micro-GA - Soluções ótimas obtidas para os 35 pontos operacionais utilizados

n◦
1 56,01 6,88 0,7450 547,04 12,19 58,64 6,97 0,7634 547,63 12,09
2 57,29 6,65 0,7165 629,78 12,17 54,54 6,56 0,7043 631,10 11,97
3 52,49 6,37 0,5908 765,98 -3,31 44,51 6,29 0,5713 756,76 -2,02
4 41,98 6,16 0,5510 851,26 -1,39 45,40 6,28 0,5591 840,31 -0,05
5 58,07 6,55 0,6641 788,29 6,36 54,56 6,54 0,6529 778,89 7,54
6 50,00 6,30 0,5538 864,49 7,48 45,56 6,23 0,5449 863,97 7,53
7 53,59 6,50 0,5740 898,54 8,24 59,68 6,53 0,5854 913,80 6,58
8 43,50 6,26 0,5179 857,17 9,58 43,54 6,20 0,5179 865,90 8,58
9 47,00 6,36 0,5848 848,90 10,39 48,73 6,30 0,5893 861,23 8,97
10 44,91 6,19 0,5282 974,87 3,29 46,48 6,34 0,5311 951,24 5,76
11 49,53 6,36 0,5872 378,11 13,96 38,27 6,18 0,5590 373,31 15,11
12 43,86 6,22 0,5087 562,44 11,97 48,51 6,29 0,5047 562,76 11,92
13 37,62 6,08 0,5414 697,86 8,92 35,56 6,06 0,5359 696,79 9,07
14 43,46 6,20 0,5319 816,24 7,93 44,46 6,24 0,5339 813,51 8,26
15 46,51 6,28 0,4998 1007,44 3,93 46,31 6,27 0,4996 1008,89 3,79
16 56,67 6,77 0,7322 946,05 10,21 53,24 6,81 0,7181 929,14 11,90
17 45,30 6,35 0,5361 1028,72 5,42 51,38 6,33 0,5434 1047,55 3,60
18 57,91 6,67 0,6475 1147,14 3,84 59,26 6,69 0,6502 1147,28 3,82
19 55,21 6,55 0,6200 1095,73 1,63 59,01 6,63 0,6247 1091,29 2,04
20 32,51 5,94 0,5967 273,38 19,96 33,45 5,95 0,6010 273,57 19,90
21 36,63 5,92 0,6355 285,91 10,86 37,62 6,06 0,6407 282,03 12,09
22 46,51 6,32 0,6840 280,48 16,40 40,96 6,10 0,6567 282,25 15,82
23 42,10 6,18 0,6625 270,48 15,87 47,53 6,34 0,6889 271,54 15,52
24 37,30 5,93 0,6457 274,26 14,20 33,70 5,96 0,6251 271,59 15,09
25 50,21 6,44 0,6522 329,52 13,78 43,41 6,33 0,6279 325,51 14,88
26 57,29 6,74 0,7320 372,23 15,83 58,30 6,65 0,7363 378,59 14,27
27 34,78 5,75 0,5944 571,88 5,65 37,00 5,84 0,6041 569,85 6,02
28 46,10 6,39 0,5835 774,61 5,48 45,27 6,26 0,5812 786,11 4,05
29 50,11 6,36 0,5524 962,30 3,22 49,97 6,28 0,5522 975,93 1,82
30 55,49 6,80 0,6984 888,38 7,45 54,73 6,70 0,6958 901,48 6,07
31 55,36 6,82 0,7064 897,05 11,66 56,92 6,75 0,7120 912,62 10,04
32 55,23 6,45 0,6224 921,05 3,55 59,45 6,69 0,6308 898,23 6,01
33 46,65 6,30 0,5026 951,89 2,23 43,27 6,29 0,4978 946,41 2,80
34 44,61 6,28 0,5437 808,22 7,62 49,33 6,30 0,5533 816,41 6,63
35 48,37 6,41 0,5530 669,00 3,42 47,31 6,72 0,5511 626,46 9,83
Apêndice A 221
Tabela A.8: MOPSO - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
MOPSO - 50 iterações MOPSO - 90 segundos

n◦
1 47,85 0,6862 558,61 3,69 47,97 0,6871 558,85 3,65
2 46,97 0,6692 617,77 6,19 48,85 0,6781 621,30 5,65
3 48,17 0,5805 740,82 -2,94 46,02 0,5751 736,31 -2,31
4 48,05 0,5650 817,64 -0,52 46,02 0,5605 813,33 0,01
5 47,71 0,6300 766,58 3,42 49,82 0,6372 771,18 2,84
6 47,64 0,5492 836,83 3,74 45,97 0,5458 833,19 4,16
7 48,48 0,5635 888,21 3,29 48,41 0,5633 888,04 3,31
8 46,52 0,5231 835,90 4,04 45,71 0,5217 834,17 4,24
9 47,67 0,5865 836,50 3,57 45,73 0,5814 832,34 4,05
10 46,65 0,5314 924,97 3,32 46,13 0,5304 923,85 3,44
11 47,58 0,5827 367,06 11,86 46,20 0,5794 365,10 12,33
12 45,44 0,5226 520,00 8,83 43,92 0,5199 517,62 9,25
13 45,71 0,5612 666,23 5,80 43,96 0,5571 662,79 6,28
14 47,45 0,5396 794,11 4,45 46,68 0,5381 792,38 4,66
15 45,78 0,4989 968,98 4,00 46,33 0,4996 970,19 3,88
16 47,71 0,6941 963,68 3,54 47,09 0,6913 962,34 3,67
17 47,98 0,5396 997,21 3,65 48,19 0,5399 997,70 3,60
18 46,92 0,6219 1119,01 3,42 46,56 0,6209 1118,25 3,49
19 47,57 0,6070 1061,93 3,62 50,02 0,6117 1067,65 3,10
20 47,52 0,6613 262,20 15,21 50,79 0,6741 267,00 13,66
21 47,66 0,6912 272,73 13,56 48,73 0,6946 273,70 13,25
22 48,50 0,6935 273,70 11,61 48,12 0,6917 273,18 11,77
23 48,02 0,6912 263,11 12,37 48,38 0,6929 263,60 12,20
24 48,83 0,7077 262,39 12,33 49,35 0,7104 263,14 12,08
25 44,73 0,6328 317,16 12,81 47,81 0,6439 321,12 11,72
26 46,97 0,6854 365,60 10,28 48,03 0,6904 367,07 9,92
27 48,19 0,6500 526,75 5,00 48,21 0,6501 526,79 5,00
28 47,25 0,5865 766,04 4,61 48,13 0,5889 768,03 4,36
29 43,90 0,5400 929,68 4,55 46,33 0,5451 934,75 4,03
30 46,69 0,6661 909,46 4,10 46,15 0,6639 908,39 4,22
31 46,46 0,6721 922,43 3,87 49,42 0,6840 928,82 3,21
32 48,04 0,6057 894,25 3,47 47,65 0,6047 893,39 3,57
33 47,60 0,5039 924,12 3,58 46,89 0,5030 922,51 3,75
34 47,33 0,5493 791,76 4,45 45,91 0,5465 788,69 4,82
35 45,80 0,5483 615,85 7,30 45,92 0,5486 616,01 7,27
Apêndice A 222
Tabela A.9: MOPSO - Soluções ótimas obtidas para os 35 pontos operacionais utilizados

n◦
1 59,79 6,96 0,7714 551,74 11,38 60,00 6,92 0,7729 555,31 10,77
2 60,00 6,85 0,7283 619,19 13,77 59,62 6,83 0,7276 620,05 13,64
3 46,86 6,41 0,5772 748,12 -0,82 43,35 6,58 0,5682 724,36 2,48
4 50,45 6,52 0,5702 819,19 2,55 50,18 6,56 0,5697 813,36 3,26
5 58,36 6,70 0,6650 771,94 8,42 58,07 6,78 0,6641 762,71 9,58
6 48,47 6,38 0,5508 849,55 9,19 49,26 6,41 0,5523 847,66 9,41
7 52,26 6,60 0,5714 879,63 10,30 53,71 6,50 0,5743 898,89 8,21
8 43,16 6,45 0,5173 830,57 12,64 45,36 6,45 0,5211 835,10 12,12
9 53,48 6,59 0,6011 835,13 11,98 52,24 6,63 0,5981 827,38 12,87
10 49,80 6,52 0,5368 928,67 8,11 49,87 6,61 0,5370 914,25 9,62
11 43,84 6,12 0,5737 382,85 12,82 42,08 6,15 0,5692 378,98 13,75
12 49,25 6,43 0,5106 538,28 16,21 47,56 6,56 0,5152 561,79 12,09
13 38,60 6,30 0,5439 683,91 10,90 41,18 6,12 0,5504 700,09 8,61
14 42,36 6,35 0,5297 796,69 10,29 43,01 6,38 0,5310 794,93 10,50
15 45,39 6,52 0,4983 961,20 8,51 44,86 6,64 0,4976 939,70 10,64
16 60,00 6,96 0,7452 927,78 12,04 60,00 6,85 0,7452 944,41 10,37
17 41,40 6,11 0,5301 1070,72 1,36 42,79 6,22 0,5324 1050,38 3,33
18 36,84 6,29 0,5913 1188,77 0,24 42,38 6,22 0,6089 1215,72 -2,08
19 39,57 6,12 0,5882 1156,43 -3,88 40,20 6,19 0,5899 1141,82 -2,55
20 41,67 6,10 0,6373 275,57 19,25 44,84 6,09 0,6505 278,89 18,18
21 45,82 6,32 0,6823 281,72 12,19 47,45 6,21 0,6902 286,65 10,63
22 45,37 6,23 0,6785 282,19 15,84 46,91 6,15 0,6859 286,50 14,42
23 44,03 6,23 0,6720 270,84 15,75 41,15 6,21 0,6577 268,82 16,42
24 40,40 6,19 0,6630 270,60 15,43 43,61 6,01 0,6804 277,30 13,19
25 46,82 6,41 0,6404 326,08 14,73 48,34 6,27 0,6457 334,43 12,43
26 60,00 6,65 0,7434 382,53 13,31 57,05 6,84 0,7309 367,27 17,05
27 39,57 5,97 0,6150 567,40 6,46 40,98 5,99 0,6209 568,14 6,33
28 46,15 6,43 0,5836 770,56 5,98 47,46 6,44 0,5871 772,74 5,71
29 52,56 6,52 0,5570 942,77 5,22 51,77 6,58 0,5555 930,61 6,47
30 60,00 6,76 0,7134 908,78 5,30 60,00 6,61 0,7134 932,88 2,76
31 60,00 6,83 0,7226 910,64 10,24 60,00 7,00 0,7226 885,89 12,82
32 57,29 6,66 0,6266 894,88 6,37 56,09 6,67 0,6242 889,97 6,90
33 46,21 6,29 0,5020 953,01 2,11 47,01 6,34 0,5031 945,92 2,86
34 45,39 6,37 0,5454 799,61 8,66 43,52 6,43 0,5414 788,92 9,95
35 58,48 6,69 0,5680 651,47 6,06 58,01 6,68 0,5674 651,16 6,11
Apêndice A 223
Tabela A.10: MO-TRIBES - Soluções ótimas obtidas para os 35 pontos operacionais

utilizados nas implementações de otimização usando a modelagem ZCAP1 .
MO-TRIBES - 50 iterações MO-TRIBES - 90 segundos

n◦
1 46,97 0,6798 556,97 3,98 46,97 0,6798 556,97 3,98
2 47,07 0,6697 617,95 6,16 47,05 0,6696 617,92 6,17
3 46,21 0,5756 736,68 -2,36 46,23 0,5757 736,74 -2,37
4 46,30 0,5611 813,91 -0,06 46,28 0,5611 813,86 -0,05
5 46,58 0,6261 764,29 3,71 46,61 0,6262 764,35 3,70
6 46,03 0,5459 833,31 4,15 46,07 0,5460 833,40 4,14
7 46,01 0,5580 882,76 3,89 46,08 0,5582 882,90 3,87
8 45,90 0,5220 834,58 4,19 45,99 0,5222 834,77 4,17
9 46,10 0,5824 833,10 3,96 46,37 0,5831 833,67 3,89
10 45,86 0,5300 923,29 3,50 45,96 0,5301 923,49 3,48
11 46,29 0,5797 365,23 12,30 45,97 0,5789 364,79 12,40
12 45,40 0,5231 520,42 8,76 45,41 0,5232 520,49 8,75
13 46,01 0,5619 666,84 5,71 46,05 0,5620 666,94 5,70
14 46,01 0,5369 790,93 4,84 45,95 0,5368 790,79 4,85
15 45,44 0,4984 968,25 4,07 45,48 0,4984 968,33 4,06
16 46,37 0,6880 960,84 3,82 46,37 0,6880 960,84 3,82
17 44,81 0,5354 990,34 4,32 44,78 0,5354 990,27 4,32
18 45,83 0,6189 1116,75 3,62 45,82 0,6188 1116,72 3,62
19 45,31 0,6022 1057,17 4,05 45,30 0,6022 1057,15 4,05
20 46,77 0,6583 261,19 15,53 46,53 0,6574 260,89 15,63
21 46,68 0,6865 271,45 13,96 46,76 0,6868 271,55 13,93
22 46,74 0,6851 271,37 12,36 47,69 0,6849 271,31 12,38
23 46,91 0,6860 261,65 12,85 46,67 0,6848 261,35 12,95
24 46,99 0,6982 259,88 13,16 46,60 0,6962 259,38 13,33
25 46,67 0,6398 319,58 12,14 46,67 0,6398 319,58 12,14
26 46,53 0,6833 365,01 10,42 46,56 0,6834 365,05 10,41
27 46,62 0,6438 523,60 5,57 46,67 0,6440 523,69 5,55
28 46,24 0,5839 763,85 4,88 46,29 0,5840 763,96 4,87
29 45,94 0,5443 933,89 4,12 45,82 0,5440 933,66 4,15
30 46,30 0,6645 908,69 4,18 46,30 0,6645 908,69 4,18
31 46,27 0,6714 922,05 3,91 46,24 0,6713 922,00 3,92
32 46,03 0,6005 889,95 3,94 46,06 0,6006 890,02 3,93
33 45,51 0,5010 919,52 4,06 45,59 0,5011 919,69 4,04
34 46,11 0,5469 789,12 4,77 46,12 0,5469 789,14 4,77
35 45,70 0,5482 615,72 7,32 45,69 0,5482 615,71 7,32
Apêndice A 224
Tabela A.11: MO-TRIBES - Soluções ótimas obtidas para os 35 pontos operacionais

utilizados nas implementações de otimização usando a modelagem ZCAP2 .

n◦
1 60,00 6,97 0,7729 551,41 11,44 60,00 6,95 0,7729 552,98 11,17
2 59,13 6,77 0,7246 624,00 13,04 60,00 6,80 0,7283 623,72 13,09
3 47,70 6,35 0,5793 756,71 -2,02 47,71 6,36 0,5794 755,61 -1,86
4 51,19 6,44 0,5718 831,65 1,02 51,25 6,44 0,5719 831,29 1,06
5 59,28 6,72 0,6678 772,93 8,29 60,00 6,74 0,6700 773,20 8,26
6 48,50 6,39 0,5509 848,66 9,30 48,50 6,39 0,5509 848,66 9,30
7 54,91 6,53 0,5766 898,27 8,27 53,34 6,50 0,5735 898,14 8,29
8 44,52 6,31 0,5197 852,37 10,14 44,29 6,31 0,5193 851,93 10,19
9 53,97 6,52 0,6023 846,01 10,72 53,55 6,51 0,6012 845,84 10,74
10 51,67 6,43 0,5399 948,17 6,08 50,98 6,43 0,5388 946,23 6,28
11 42,08 6,21 0,5692 375,97 14,47 41,48 6,21 0,5676 375,06 14,69
12 47,66 6,36 0,5079 560,08 12,39 48,93 6,39 0,5063 559,66 12,46
13 37,17 6,10 0,5402 696,05 9,18 36,38 6,09 0,5381 695,29 9,29
14 41,99 6,25 0,5289 807,35 9,00 42,69 6,27 0,5304 806,94 9,05
15 46,43 6,35 0,4997 994,15 5,25 47,37 6,37 0,5010 992,33 5,43
16 60,00 6,98 0,7452 924,78 12,34 60,00 6,98 0,7452 923,47 12,47
17 48,72 6,42 0,5405 1021,90 6,08 48,65 6,41 0,5404 1024,29 5,85
18 60,00 6,75 0,6515 1137,00 4,71 60,00 6,79 0,6515 1127,96 5,49
19 57,11 6,56 0,6225 1099,28 1,31 56,67 6,64 0,6219 1081,78 2,90
20 35,55 5,93 0,6106 275,20 19,37 35,78 5,96 0,6116 274,51 19,59
21 41,95 6,20 0,6630 281,25 12,34 43,25 6,24 0,6696 281,13 12,38
22 44,00 6,27 0,6719 279,45 16,73 44,43 6,28 0,6739 279,57 16,69
23 41,67 6,19 0,6604 269,87 16,07 42,31 6,22 0,6636 269,48 16,20
24 39,11 6,04 0,6559 272,74 14,71 39,11 6,04 0,6559 272,74 14,71
25 46,54 6,33 0,6394 329,23 13,86 46,22 6,32 0,6382 329,35 13,83
26 57,32 6,77 0,7321 371,08 16,12 58,09 6,83 0,7354 369,68 16,46
27 38,75 5,83 0,6115 572,04 5,62 38,77 5,82 0,6116 572,24 5,59
28 49,15 6,37 0,5915 783,35 4,39 48,04 6,37 0,5886 780,59 4,74
29 52,84 6,49 0,5575 948,25 4,66 52,99 6,47 0,5577 951,61 4,31
30 60,00 6,87 0,7134 892,87 6,98 60,00 6,89 0,7134 889,00 7,39
31 60,00 6,88 0,7226 903,13 11,02 60,00 6,93 0,7226 896,43 11,72
32 56,60 6,61 0,6252 899,80 5,84 57,24 6,61 0,6265 902,69 5,53
33 47,08 6,37 0,5032 941,08 3,36 45,69 6,33 0,5013 943,98 3,05
34 45,80 6,32 0,5462 806,54 7,82 44,00 6,29 0,5424 805,93 7,90
35 60,00 6,62 0,5698 663,15 4,30 58,11 6,61 0,5676 660,95 4,63
APÊNDICE B – Constatação do
atendimento às restrições definidas
Tabela B.1: NSGA-II - Constatação do atendimento às restrições de funcionamento dos

equipamentos para os 35 pontos operacionais utilizados nas otimizações com a modelagem
ZCAP1 .
NSGA-II - 50 iterações NSGA-II - 90 segundos

n◦
nótima Taecond ∆T Tascond nótima Taecond ∆T Tascond
1 47,17 22,74 0,76 25,72 47,39 22,73 0,75 25,71
2 47,02 23,12 1,44 26,45 46,98 23,13 1,45 26,45
3 46,35 25,20 2,59 29,22 46,21 25,20 2,59 29,22
4 46,31 25,37 2,76 29,83 46,33 25,37 2,76 29,83
5 46,68 24,92 2,00 29,09 46,86 24,91 1,99 29,09
6 46,12 26,17 2,94 30,75 46,33 26,16 2,93 30,74
7 46,43 26,04 2,79 30,90 46,41 26,04 2,79 30,90
8 46,08 26,16 3,22 30,74 46,01 26,16 3,22 30,74
9 46,35 26,11 2,50 30,68 46,35 26,11 2,50 30,68
10 45,94 26,06 3,12 31,15 46,30 26,06 3,12 31,15
11 46,38 25,26 2,63 29,76 46,07 25,26 2,63 29,76
12 45,71 26,20 3,26 32,76 45,72 26,20 3,26 32,76
13 46,32 26,00 2,75 29,64 46,34 26,00 2,75 29,64
14 46,15 26,60 3,05 30,95 46,12 26,60 3,05 30,95
15 45,57 27,06 3,51 32,45 45,71 27,05 3,50 32,45
16 46,63 26,02 1,53 32,54 46,48 26,02 1,53 32,55
17 46,85 26,08 3,15 33,63 46,86 26,08 3,15 33,63
18 46,83 25,85 2,29 34,39 46,96 25,84 2,28 34,39
19 46,83 25,74 2,49 34,74 46,97 25,74 2,49 34,74
20 46,66 24,07 1,76 27,10 46,66 24,06 1,75 27,10
21 46,71 23,74 1,43 26,90 46,41 23,75 1,44 26,91
22 46,77 23,44 1,45 26,60 46,89 23,44 1,45 26,60
23 46,86 23,44 1,45 26,48 46,79 23,44 1,45 26,48
24 46,72 23,95 1,31 26,96 46,91 23,94 1,30 26,95
25 46,74 23,94 1,95 27,73 46,83 23,94 1,95 27,73
26 46,75 24,77 1,46 29,15 46,68 24,77 1,46 29,15
27 46,84 24,72 1,77 27,51 46,68 24,73 1,78 27,51
28 46,29 26,40 2,49 30,56 46,72 26,39 2,48 30,55
29 46,03 26,81 2,95 31,94 46,11 26,81 2,95 31,94
30 46,57 25,34 1,78 31,56 46,35 25,34 1,78 31,57
31 46,55 25,62 1,71 31,95 46,11 25,63 1,72 31,96
32 46,25 25,70 2,44 31,85 46,25 25,70 2,44 31,85
33 45,89 26,42 3,47 31,50 45,97 26,42 3,47 31,50
34 46,22 26,23 2,93 30,55 46,17 26,23 2,93 30,55
35 45,96 24,96 2,98 33,05 45,91 24,96 2,98 33,05
Apêndice B 226
Tabela B.2: NSGA-II - Constatação do atendimento às restrições de funcionamento dos

ZCAP2 .

n◦
nótima Tótima Taecond ∆T Tascond nótima Tótima Taecond ∆T Tascond
1 59,99 6,93 22,52 0,54 25,26 59,84 6,94 22,52 0,54 25,26
2 57,81 6,72 22,91 1,23 26,10 58,71 6,78 22,89 1,21 26,04
3 48,11 6,33 25,17 2,56 29,30 49,34 6,37 25,15 2,54 29,25
4 50,66 6,37 25,31 2,70 29,86 51,77 6,38 25,30 2,69 29,84
5 59,69 6,68 24,69 1,77 28,73 58,88 6,67 24,70 1,78 28,75
6 48,98 6,34 26,13 2,90 30,80 47,33 6,28 26,15 2,92 30,87
7 53,84 6,44 25,94 2,69 30,83 55,13 6,52 25,92 2,67 30,74
8 44,46 6,26 26,18 3,24 30,92 46,04 6,28 26,16 3,22 30,89
9 53,45 6,50 26,00 2,39 30,54 54,97 6,52 25,98 2,37 30,51
10 50,62 6,36 26,01 3,07 31,23 52,83 6,39 25,99 3,05 31,18
11 45,23 6,22 25,27 2,64 29,98 38,12 6,13 25,39 2,76 30,17
12 48,44 6,32 26,26 3,32 33,38 46,67 6,34 26,27 3,33 33,44
13 41,13 6,17 26,07 2,82 29,94 39,99 6,13 26,09 2,84 29,98
14 44,79 6,22 26,61 3,06 31,13 46,20 6,25 26,59 3,04 31,09
15 47,25 6,27 27,04 3,49 32,65 46,49 6,32 27,05 3,50 32,61
16 59,88 6,95 25,74 1,25 31,76 59,78 6,93 25,74 1,25 31,78
17 36,31 6,17 26,20 3,27 34,34 36,22 6,13 26,20 3,27 34,41
18 38,97 6,20 25,99 2,43 35,42 32,38 6,13 26,12 2,56 35,70
19 35,36 6,16 25,92 2,67 35,83 38,86 6,18 25,86 2,61 35,71
20 34,84 5,93 24,32 2,01 27,71 37,44 5,99 24,26 1,95 27,62
21 45,17 6,27 23,77 1,46 27,11 42,79 6,24 23,83 1,52 27,18
22 44,93 6,28 23,48 1,49 26,79 44,49 6,29 23,49 1,50 26,79
23 43,54 6,20 23,51 1,52 26,74 40,88 6,18 23,57 1,58 26,82
24 37,59 6,07 24,16 1,52 27,47 40,80 6,12 24,08 1,44 27,36
25 48,26 6,43 23,92 1,93 27,77 47,02 6,35 23,94 1,95 27,84
26 56,87 6,71 24,56 1,25 28,79 57,37 6,73 24,55 1,24 28,78
27 39,90 6,07 24,86 1,91 27,96 35,18 5,92 24,96 2,01 28,11
28 47,83 6,29 26,37 2,46 30,65 48,96 6,36 26,36 2,45 30,59
29 52,28 6,41 26,73 2,87 31,92 53,31 6,41 26,72 2,86 31,90
30 59,91 6,83 25,08 1,52 30,95 59,95 6,83 25,08 1,52 30,95
31 59,96 6,91 25,36 1,45 31,23 59,94 6,86 25,36 1,45 31,29
32 58,36 6,56 25,53 2,27 31,60 57,00 6,56 25,55 2,29 31,62
33 47,70 6,29 26,40 3,45 31,66 45,18 6,29 26,43 3,48 31,69
34 45,40 6,21 26,24 2,94 30,74 46,46 6,27 26,22 2,92 30,68
35 57,61 6,61 24,84 2,86 33,23 58,12 6,57 24,84 2,86 33,30
Apêndice B 227
Tabela B.3: SPEA2 - Constatação do atendimento às restrições de funcionamento dos

ZCAP1 .

n◦
1 47,12 22,74 0,76 25,72 47,11 22,74 0,76 25,72
2 47,04 23,12 1,44 26,45 47,10 23,12 1,44 26,45
3 46,42 25,20 2,59 29,22 46,41 25,20 2,59 29,22
4 46,50 25,37 2,76 29,83 46,48 25,37 2,76 29,83
5 46,69 24,91 1,99 29,09 46,68 24,92 2,00 29,09
6 46,16 26,17 2,94 30,75 46,24 26,17 2,94 30,74
7 46,46 26,04 2,79 30,90 46,36 26,04 2,79 30,90
8 46,14 26,16 3,22 30,74 46,19 26,16 3,22 30,74
9 46,54 26,11 2,50 30,68 46,31 26,11 2,50 30,68
10 46,25 26,06 3,12 31,15 46,22 26,06 3,12 31,15
11 46,13 25,26 2,63 29,76 46,11 25,26 2,63 29,76
12 45,78 26,20 3,26 32,76 45,53 26,20 3,26 32,76
13 46,32 26,00 2,75 29,64 46,08 26,00 2,75 29,64
14 46,15 26,60 3,05 30,95 46,21 26,59 3,04 30,95
15 45,62 27,05 3,50 32,45 45,64 27,05 3,50 32,45
16 46,42 26,02 1,53 32,55 46,70 26,01 1,52 32,54
17 44,95 26,10 3,17 33,65 45,10 26,10 3,17 33,65
18 46,09 25,86 2,30 34,40 46,11 25,86 2,30 34,40
19 45,31 25,76 2,51 34,76 45,31 25,76 2,51 34,76
20 46,67 24,06 1,75 27,10 46,79 24,06 1,75 27,09
21 46,89 23,74 1,43 26,90 46,96 23,73 1,42 26,90
22 46,93 23,43 1,44 26,60 47,02 23,43 1,44 26,59
23 46,73 23,44 1,45 26,48 46,97 23,44 1,45 26,48
24 47,01 23,94 1,30 26,95 46,96 23,94 1,30 26,95
25 46,74 23,94 1,95 27,73 46,56 23,95 1,96 27,74
26 46,85 24,77 1,46 29,15 46,88 24,77 1,46 29,15
27 46,74 24,73 1,78 27,51 46,69 24,73 1,78 27,51
28 46,37 26,40 2,49 30,55 46,54 26,39 2,48 30,55
29 46,29 26,81 2,95 31,93 46,24 26,81 2,95 31,93
30 46,61 25,33 1,77 31,56 46,51 25,34 1,78 31,56
31 46,49 25,62 1,71 31,95 46,42 25,62 1,71 31,95
32 46,03 25,70 2,44 31,85 46,24 25,70 2,44 31,85
33 45,99 26,42 3,47 31,50 45,94 26,42 3,47 31,50
34 46,12 26,23 2,93 30,55 46,14 26,23 2,93 30,55
35 45,98 24,96 2,98 33,05 46,00 24,96 2,98 33,05
Apêndice B 228
Tabela B.4: SPEA2 - Constatação do atendimento às restrições de funcionamento dos

ZCAP2 .

n◦
1 59,83 6,91 22,52 0,54 25,28 59,99 6,90 22,52 0,54 25,28
2 60,00 6,78 22,87 1,19 26,01 59,94 6,78 22,87 1,19 26,02
3 47,32 6,32 25,18 2,57 29,32 48,15 6,32 25,17 2,56 29,31
4 51,10 6,40 25,30 2,69 29,83 51,69 6,41 25,30 2,69 29,81
5 60,00 6,69 24,68 1,76 28,71 59,99 6,69 24,68 1,76 28,72
6 49,88 6,34 26,12 2,89 30,79 49,17 6,34 26,13 2,90 30,80
7 55,03 6,47 25,92 2,67 30,79 54,86 6,48 25,93 2,68 30,79
8 44,28 6,27 26,18 3,24 30,91 43,48 6,25 26,19 3,25 30,94
9 54,83 6,48 25,98 2,37 30,54 55,25 6,49 25,98 2,37 30,53
10 52,93 6,41 25,99 3,05 31,16 51,46 6,40 26,00 3,06 31,19
11 39,42 6,14 25,37 2,74 30,14 43,44 6,20 25,30 2,67 30,02
12 48,20 6,36 26,31 3,37 33,59 48,89 6,33 26,29 3,35 33,53
13 36,67 6,07 26,15 2,90 30,06 38,54 6,09 26,12 2,87 30,02
14 43,09 6,21 26,63 3,08 31,16 42,38 6,21 26,64 3,09 31,17
15 48,82 6,31 27,03 3,48 32,60 47,91 6,31 27,03 3,48 32,61
16 60,00 6,91 25,74 1,25 31,80 59,97 6,91 25,74 1,25 31,81
17 49,25 6,34 26,06 3,13 33,93 49,55 6,38 26,06 3,13 33,86
18 60,00 6,72 25,66 2,10 34,10 60,00 6,72 25,66 2,10 34,10
19 57,65 6,60 25,63 2,38 34,64 59,40 6,64 25,62 2,37 34,56
20 34,82 5,91 24,32 2,01 27,72 35,93 5,92 24,30 1,99 27,68
21 42,85 6,20 23,83 1,52 27,19 42,98 6,18 23,82 1,51 27,20
22 42,74 6,22 23,53 1,54 26,87 43,54 6,27 23,51 1,52 26,83
23 40,88 6,13 23,57 1,58 26,84 42,40 6,21 23,54 1,55 26,77
24 37,95 6,00 24,15 1,51 27,48 39,75 6,02 24,11 1,47 27,42
25 46,59 6,31 23,95 1,96 27,88 47,47 6,33 23,93 1,94 27,85
26 58,22 6,80 24,53 1,22 28,71 59,23 6,83 24,51 1,20 28,68
27 39,56 5,84 24,87 1,92 28,02 39,26 5,83 24,88 1,93 28,03
28 47,93 6,31 26,37 2,46 30,64 46,30 6,29 26,40 2,49 30,67
29 54,94 6,44 26,70 2,84 31,86 55,17 6,45 26,70 2,84 31,84
30 60,00 6,85 25,08 1,52 30,94 60,00 6,83 25,08 1,52 30,95
31 60,00 6,86 25,36 1,45 31,29 60,00 6,87 25,36 1,45 31,28
32 58,38 6,62 25,53 2,27 31,54 58,36 6,59 25,53 2,27 31,57
33 47,56 6,28 26,40 3,45 31,68 48,75 6,31 26,39 3,44 31,64
34 45,22 6,24 26,24 2,94 30,72 46,13 6,28 26,23 2,93 30,68
35 58,43 6,56 24,84 2,86 33,31 59,99 6,59 24,82 2,84 33,24
Apêndice B 229
Tabela B.5: Micro-GA - Constatação do atendimento às restrições de funcionamento dos

ZCAP1 .

n◦
1 47,21 22,74 0,76 25,72 47,21 22,74 0,76 25,72
2 47,13 23,12 1,44 26,45 46,95 23,13 1,45 26,45
3 46,36 25,20 2,59 29,22 46,48 25,19 2,58 29,22
4 46,33 25,37 2,76 29,83 46,16 25,37 2,76 29,83
5 46,66 24,92 2,00 29,09 46,72 24,91 1,99 29,09
6 46,07 26,17 2,94 30,75 46,19 26,17 2,94 30,75
7 46,30 26,04 2,79 30,90 46,33 26,04 2,79 30,90
8 46,01 26,16 3,22 30,74 46,01 26,16 3,22 30,74
9 46,54 26,11 2,50 30,68 46,48 26,11 2,50 30,68
10 46,28 26,06 3,12 31,15 46,04 26,06 3,12 31,15
11 46,16 25,26 2,63 29,76 46,10 25,26 2,63 29,76
12 45,63 26,20 3,26 32,76 45,72 26,20 3,26 32,76
13 46,28 26,00 2,75 29,64 46,10 26,00 2,75 29,64
14 46,04 26,60 3,05 30,95 46,10 26,60 3,05 30,95
15 45,63 27,05 3,50 32,45 45,89 27,05 3,50 32,44
16 46,54 26,02 1,53 32,54 46,48 26,02 1,53 32,55
17 45,07 26,10 3,17 33,65 45,40 26,09 3,16 33,64
18 46,01 25,86 2,30 34,40 46,04 25,86 2,30 34,40
19 45,78 25,75 2,50 34,76 45,45 25,76 2,51 34,76
20 46,98 24,06 1,75 27,09 46,54 24,07 1,76 27,10
21 46,48 23,74 1,43 26,91 46,95 23,73 1,42 26,90
22 46,98 23,43 1,44 26,60 46,80 23,44 1,45 26,60
23 46,77 23,44 1,45 26,48 46,92 23,44 1,45 26,48
24 46,83 23,94 1,30 26,96 46,95 23,94 1,30 26,95
25 46,98 23,94 1,95 27,73 46,54 23,95 1,96 27,74
26 46,33 24,78 1,47 29,16 46,54 24,78 1,47 29,16
27 46,48 24,73 1,78 27,52 46,89 24,72 1,77 27,51
28 46,51 26,39 2,48 30,55 46,48 26,39 2,48 30,55
29 46,36 26,81 2,95 31,93 46,04 26,81 2,95 31,94
30 46,92 25,33 1,77 31,55 46,19 25,34 1,78 31,57
31 46,80 25,61 1,70 31,94 46,25 25,62 1,71 31,95
32 46,16 25,70 2,44 31,85 46,04 25,70 2,44 31,85
33 45,81 26,42 3,47 31,50 45,75 26,42 3,47 31,50
34 45,84 26,23 2,93 30,55 46,33 26,22 2,92 30,55
35 45,81 24,97 2,99 33,05 46,13 24,96 2,98 33,05
Apêndice B 230
Tabela B.6: Micro-GA - Constatação do atendimento às restrições de funcionamento dos

ZCAP2 .

n◦
1 56,01 6,88 22,59 0,61 25,37 58,64 6,97 22,54 0,56 25,27
2 57,29 6,65 22,92 1,24 26,15 54,54 6,56 22,97 1,29 26,26
3 52,49 6,37 25,11 2,50 29,21 44,51 6,29 25,23 2,62 29,38
4 41,98 6,16 25,43 2,82 30,16 45,40 6,28 25,38 2,77 30,01
5 58,07 6,55 24,71 1,79 28,84 54,56 6,54 24,77 1,85 28,91
6 50,00 6,30 26,12 2,89 30,82 45,56 6,23 26,17 2,94 30,94
7 53,59 6,50 25,94 2,69 30,78 59,68 6,53 25,87 2,62 30,68
8 43,50 6,26 26,19 3,25 30,93 43,54 6,20 26,19 3,25 30,98
9 47,00 6,36 26,10 2,49 30,75 48,73 6,30 26,07 2,46 30,77
10 44,91 6,19 26,08 3,14 31,48 46,48 6,34 26,06 3,12 31,30
11 49,53 6,36 25,21 2,58 29,81 38,27 6,18 25,39 2,76 30,13
12 43,86 6,22 26,30 3,36 33,55 48,51 6,29 26,33 3,39 33,61
13 37,62 6,08 26,13 2,88 30,04 35,56 6,06 26,16 2,91 30,09
14 43,46 6,20 26,63 3,08 31,16 44,46 6,24 26,62 3,07 31,12
15 46,51 6,28 27,05 3,50 32,65 46,31 6,27 27,05 3,50 32,66
16 56,67 6,77 25,81 1,32 32,03 53,24 6,81 25,87 1,38 32,05
17 45,30 6,35 26,09 3,16 33,94 51,38 6,33 26,04 3,11 33,92
18 57,91 6,67 25,69 2,13 34,21 59,26 6,69 25,67 2,11 34,16
19 55,21 6,55 25,65 2,40 34,76 59,01 6,63 25,62 2,37 34,58
20 32,51 5,94 24,38 2,07 27,77 33,45 5,95 24,36 2,05 27,74
21 36,63 5,92 23,97 1,66 27,48 37,62 6,06 23,95 1,64 27,39
22 46,51 6,32 23,44 1,45 26,73 40,96 6,10 23,57 1,58 26,97
23 42,10 6,18 23,55 1,56 26,79 47,53 6,34 23,42 1,43 26,58
24 37,30 5,93 24,17 1,53 27,52 33,70 5,96 24,26 1,62 27,62
25 50,21 6,44 23,88 1,89 27,72 43,41 6,33 24,01 2,02 27,94
26 57,29 6,74 24,55 1,24 28,77 58,30 6,65 24,53 1,22 28,80
27 34,78 5,75 24,97 2,02 28,16 37,00 5,84 24,93 1,98 28,08
28 46,10 6,39 26,40 2,49 30,62 45,27 6,26 26,41 2,50 30,71
29 50,11 6,36 26,76 2,90 31,99 49,97 6,28 26,76 2,90 32,07
30 55,49 6,80 25,16 1,60 31,07 54,73 6,70 25,18 1,62 31,19
31 55,36 6,82 25,44 1,53 31,42 56,92 6,75 25,41 1,50 31,46
32 55,23 6,45 25,57 2,31 31,77 59,45 6,69 25,52 2,26 31,45
33 46,65 6,30 26,41 3,46 31,67 43,27 6,29 26,45 3,50 31,71
34 44,61 6,28 26,25 2,95 30,70 49,33 6,30 26,19 2,89 30,62
35 48,37 6,41 24,93 2,95 33,69 47,31 6,72 24,95 2,97 33,15
Apêndice B 231
Tabela B.7: MOPSO - Constatação do atendimento às restrições de funcionamento dos

ZCAP1 .

n◦
1 47,85 22,73 0,75 25,70 47,97 22,72 0,74 25,70
2 46,97 23,13 1,45 26,45 48,85 23,09 1,41 26,41
3 48,17 25,17 2,56 29,19 46,02 25,20 2,59 29,22
4 48,05 25,35 2,74 29,81 46,02 25,37 2,76 29,84
5 47,71 24,90 1,98 29,07 49,82 24,86 1,94 29,03
6 47,64 26,15 2,92 30,73 45,97 26,17 2,94 30,75
7 48,48 26,01 2,76 30,87 48,41 26,01 2,76 30,87
8 46,52 26,15 3,21 30,74 45,71 26,16 3,22 30,75
9 47,67 26,09 2,48 30,66 45,73 26,12 2,51 30,69
10 46,65 26,06 3,12 31,15 46,13 26,06 3,12 31,15
11 47,58 25,24 2,61 29,74 46,20 25,26 2,63 29,76
12 45,44 26,21 3,27 32,77 43,92 26,22 3,28 32,79
13 45,71 26,01 2,76 29,65 43,96 26,03 2,78 29,68
14 47,45 26,58 3,03 30,93 46,68 26,59 3,04 30,94
15 45,78 27,05 3,50 32,45 46,33 27,05 3,50 32,44
16 47,71 25,99 1,50 32,52 47,09 26,01 1,52 32,53
17 47,98 26,07 3,14 33,62 48,19 26,07 3,14 33,62
18 46,92 25,84 2,28 34,39 46,56 25,85 2,29 34,39
19 47,57 25,73 2,48 34,73 50,02 25,70 2,45 34,70
20 47,52 24,05 1,74 27,08 50,79 23,98 1,67 27,00
21 47,66 23,72 1,41 26,88 48,37 23,70 1,39 26,86
22 48,50 23,40 1,41 26,56 48,12 23,41 1,42 26,57
23 48,02 23,41 1,42 26,45 48,38 23,41 1,42 26,44
24 48,83 23,90 1,26 26,91 49,35 23,89 1,25 26,89
25 44,73 23,98 1,99 27,78 47,81 23,92 1,93 27,71
26 46,97 24,77 1,46 29,15 48,03 24,74 1,43 29,12
27 48,19 24,70 1,75 27,48 48,21 24,70 1,75 27,48
28 47,25 26,38 2,47 30,54 48,13 26,37 2,46 30,53
29 43,90 26,84 2,98 31,97 46,33 26,81 2,95 31,93
30 46,69 25,33 1,77 31,56 46,15 25,34 1,78 31,57
31 46,46 25,62 1,71 31,95 49,42 25,56 1,65 31,88
32 48,04 25,67 2,41 31,82 47,65 25,68 2,42 31,83
33 47,60 26,40 3,45 31,48 46,89 26,41 3,46 31,49
34 47,33 26,21 2,91 30,53 45,91 26,23 2,93 30,55
35 45,80 24,97 2,99 33,05 45,92 24,96 2,98 33,05
Apêndice B 232
Tabela B.8: MOPSO - Constatação do atendimento às restrições de funcionamento dos

ZCAP2 .

n◦
1 59,79 6,96 22,52 0,54 25,26 60,00 6,92 22,52 0,54 25,27
2 60,00 6,85 22,87 1,19 25,98 59,62 6,83 22,87 1,19 26,00
3 46,86 6,41 25,19 2,58 29,27 43,35 6,58 25,24 2,63 29,23
4 50,45 6,52 25,31 2,70 29,75 50,18 6,56 25,32 2,71 29,72
5 58,36 6,70 24,71 1,79 28,74 58,07 6,78 24,71 1,79 28,69
6 48,47 6,38 26,14 2,91 30,78 49,26 6,41 26,13 2,90 30,74
7 52,26 6,60 25,96 2,71 30,71 53,71 6,50 25,94 2,69 30,78
8 43,16 6,45 26,19 3,25 30,79 45,36 6,45 26,17 3,23 30,76
9 53,48 6,59 26,00 2,39 30,48 52,24 6,63 26,02 2,41 30,47
10 49,80 6,52 26,02 3,08 31,09 49,87 6,61 26,02 3,08 31,00
11 43,84 6,12 25,29 2,66 30,07 42,08 6,15 25,32 2,69 30,08
12 49,25 6,43 26,29 3,35 33,21 47,56 6,56 26,26 3,32 33,45
13 38,60 6,30 26,11 2,86 29,94 41,18 6,12 26,07 2,82 29,96
14 42,36 6,35 26,64 3,09 31,08 43,01 6,38 26,64 3,09 31,05
15 45,39 6,52 27,06 3,51 32,41 44,86 6,64 27,06 3,51 32,30
16 60,00 6,96 25,74 1,25 31,75 60,00 6,85 25,74 1,25 31,87
17 41,40 6,11 26,13 3,20 34,37 42,79 6,22 26,12 3,19 34,18
18 36,84 6,29 26,03 2,47 35,27 42,38 6,22 25,92 2,36 35,31
19 39,57 6,12 25,85 2,60 35,82 40,20 6,19 25,84 2,59 35,67
20 41,67 6,10 24,17 1,86 27,47 44,84 6,09 24,10 1,79 27,40
21 45,82 6,32 23,76 1,45 27,07 47,45 6,21 23,72 1,41 27,07
22 45,37 6,23 23,47 1,48 26,80 46,91 6,15 23,43 1,44 26,79
23 44,03 6,23 23,50 1,51 26,71 41,15 6,21 23,57 1,58 26,80
24 40,40 6,19 24,09 1,45 27,36 43,61 6,01 24,02 1,38 27,32
25 46,82 6,41 23,94 1,95 27,81 48,34 6,27 23,91 1,92 27,86
26 60,00 6,65 24,50 1,19 28,77 57,05 6,84 24,56 1,25 28,72
27 39,57 5,97 24,87 1,92 27,99 40,98 5,99 24,84 1,89 27,95
28 46,15 6,43 26,40 2,49 30,60 47,46 6,44 26,38 2,47 30,57
29 52,56 6,52 26,73 2,87 31,81 51,77 6,58 26,74 2,88 31,76
30 60,00 6,76 25,08 1,52 31,03 60,00 6,61 25,08 1,52 31,20
31 60,00 6,83 25,36 1,45 31,32 60,00 7,00 25,36 1,45 31,14
32 57,29 6,66 25,55 2,29 31,51 56,09 6,67 25,56 2,30 31,51
33 46,21 6,29 26,42 3,47 31,68 47,01 6,34 26,41 3,46 31,62
34 45,39 6,37 26,24 2,94 30,63 43,52 6,43 26,26 2,96 30,61
35 58,48 6,69 24,84 2,86 33,08 58,01 6,68 24,84 2,86 33,10
Apêndice B 233
Tabela B.9: MO-TRIBES - Constatação do atendimento às restrições de funcionamento

dos equipamentos para os 35 pontos operacionais utilizados nas otimizações com a mode-
lagem ZCAP1 .

n◦
1 46,97 22,74 0,76 25,72 46,97 22,74 0,76 25,72
2 47,07 23,12 1,44 26,45 47,05 23,12 1,44 26,45
3 46,21 25,20 2,59 29,22 46,23 25,20 2,59 29,22
4 46,30 25,37 2,76 29,83 46,28 25,37 2,76 29,83
5 46,58 24,92 2,00 29,09 46,61 24,92 2,00 29,09
6 46,03 26,17 2,94 30,75 46,07 26,17 2,94 30,75
7 46,01 26,04 2,79 30,90 46,08 26,04 2,79 30,90
8 45,90 26,16 3,22 30,74 45,99 26,16 3,22 30,74
9 46,10 26,12 2,51 30,69 46,37 26,11 2,50 30,68
10 45,86 26,07 3,13 31,16 45,96 26,06 3,12 31,15
11 46,29 25,26 2,63 29,76 45,97 25,26 2,63 29,76
12 45,40 26,20 3,26 32,76 45,41 26,20 3,26 32,76
13 46,01 26,00 2,75 29,64 46,05 26,00 2,75 29,64
14 46,01 26,00 3,05 30,95 45,95 26,60 3,05 30,95
15 45,44 27,06 3,51 32,45 45,48 27,06 3,51 32,45
16 46,37 26,02 1,53 32,55 46,37 26,02 1,53 32,55
17 44,81 26,10 3,17 33,65 44,78 26,10 3,17 33,65
18 45,83 25,86 2,30 34,41 45,82 25,86 2,30 34,41
19 45,31 25,76 2,51 34,76 45,30 25,76 2,51 34,76
20 46,77 24,06 1,75 27,09 46,53 24,07 1,76 27,10
21 46,68 23,74 1,43 26,90 46,76 23,74 1,43 26,90
22 46,74 23,44 1,45 26,60 46,69 23,44 1,45 26,60
23 46,91 23,44 1,45 26,48 46,67 23,44 1,45 26,48
24 46,99 23,94 1,30 26,95 46,60 23,95 1,31 26,96
25 46,67 23,95 1,96 27,74 46,67 23,95 1,96 27,74
26 46,53 24,78 1,47 29,16 46,56 24,78 1,47 29,16
27 46,62 24,73 1,78 27,52 46,67 24,73 1,78 27,51
28 46,24 26,40 2,49 30,56 46,29 26,40 2,49 30,56
29 45,94 26,81 2,95 31,94 45,82 26,81 2,95 31,94
30 46,30 25,34 1,78 31,57 46,30 25,34 1,78 31,57
31 46,27 25,62 1,71 31,95 46,24 25,62 1,71 31,95
32 46,03 25,70 2,44 31,85 46,06 25,70 2,44 31,85
33 45,51 26,42 3,47 31,51 45,59 26,42 3,47 31,50
34 46,11 26,23 2,93 30,55 46,12 26,23 2,93 30,55
35 45,70 24,97 2,99 33,05 45,69 24,97 2,99 33,05
Apêndice B 234
Tabela B.10: MO-TRIBES - Constatação do atendimento às restrições de funcionamento

dos equipamentos para os 35 pontos operacionais utilizados nas otimizações com a mode-
lagem ZCAP2 .

n◦
1 60,00 6,97 22,52 0,54 25,25 60,00 6,95 22,52 0,54 25,26
2 59,13 6,77 22,88 1,20 26,04 60,00 6,80 22,87 1,19 26,01
3 47,70 6,35 25,18 2,57 29,29 47,71 6,36 25,18 2,57 29,29
4 51,19 6,44 25,30 2,69 29,80 51,25 6,44 25,30 2,69 29,79
5 59,28 6,72 24,69 1,77 28,71 60,00 6,74 24,68 1,76 28,68
6 48,50 6,39 26,14 2,91 30,77 48,50 6,39 26,14 2,91 30,77
54,91 6,53 25,93 2,68 30,74 53,34 6,50 25,95 2,70 30,78
8 44,52 6,31 26,18 3,24 30,88 44,29 6,31 26,18 3,24 30,88
9 53,97 6,52 26,00 2,39 30,52 53,55 6,51 26,00 2,39 30,54
10 51,67 6,43 26,00 3,06 31,15 50,98 6,43 26,01 3,07 31,16
1 42,08 6,21 25,32 2,69 30,04 41,48 6,21 25,33 2,70 30,05
12 47,66 6,36 26,31 3,37 33,54 48,93 6,39 26,32 3,38 33,55
13 37,17 6,10 26,14 2,89 30,04 36,38 6,09 26,15 2,90 30,06
14 41,99 6,25 26,65 3,10 31,15 42,69 6,27 26,64 3,09 31,13
15 46,43 6,35 27,05 3,50 32,58 47,37 6,37 27,04 3,49 32,54
16 60,00 6,98 25,74 1,25 31,73 60,00 6,98 25,74 1,25 31,72
17 48,72 6,42 26,06 3,13 33,79 48,65 6,41 26,06 3,13 33,81
18 60,00 6,75 25,66 2,10 34,05 60,00 6,79 25,66 2,10 33,97
19 57,11 6,56 25,63 2,38 34,72 56,67 6,64 25,64 2,39 34,59
20 35,55 5,93 24,31 2,00 27,69 35,78 5,96 24,30 1,99 27,67
21 41,95 6,20 23,85 1,54 27,22 43,25 6,24 23,82 1,51 27,17
22 44,00 6,27 23,50 1,51 26,82 44,43 6,28 23,49 1,50 26,80
23 41,67 6,19 23,56 1,57 26,79 42,31 6,22 23,54 1,55 26,76
24 39,11 6,04 24,12 1,48 27,43 39,11 6,04 24,12 1,48 27,43
25 46,54 6,33 23,95 1,96 27,86 46,22 6,32 23,95 1,96 27,88
26 57,32 6,77 24,55 1,24 28,75 58,09 6,83 24,54 1,23 28,70
27 38,75 5,83 24,89 1,94 28,04 38,77 5,82 24,89 1,94 28,04
28 49,15 6,37 26,35 2,44 30,58 48,04 6,37 26,37 2,46 30,60
29 52,84 6,49 26,73 2,87 31,84 52,99 6,47 26,73 2,87 31,85
30 60,00 6,87 25,08 1,52 30,91 60,00 6,89 25,08 1,52 30,88
31 60,00 6,88 25,36 1,45 31,26 60,00 6,93 25,36 1,45 31,22
32 56,60 6,61 25,55 2,29 31,57 57,24 6,61 25,55 2,29 31,56
33 47,08 6,37 26,41 3,46 31,59 45,69 6,33 26,42 3,47 31,64
34 45,80 6,32 26,23 2,93 30,66 44,00 6,29 26,26 2,96 30,70
35 60,00 6,62 24,82 2,84 33,18 58,11 6,61 24,84 2,86 33,23

Otimização Multiobjetivo PDF

Enviado por

Dados do documento

Título original

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

Otimização Multiobjetivo PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade do Estado do Rio de Janeiro

Centro de Tecnologia e Ciências

Marcelo Silveira Dantas Lizarazu

Dissertação apresentada, como requisito par-

Orientadora: Prof.a Dr.a Nadia Nedjah

L789 Lizarazu, Marcelo Silveira Dantas.

Orientadora: Nadia Nedjah.

1. Engenharia Eletrônica. 2. Torres de resfriamento

Dissertação apresentada, como requisito par-

Aprovado em: 31 de março de 2016

Prof.a Dr.a Nadia Nedjah (Orientadora)

Prof.a Dr.a Luiza de Macedo Mourelle (Orientadora)

Prof. Dr. Amit Bhaya

Prof.a Dr.a Aurora Trinidad Ramirez Pozo

Agradeço ao Programa de Pós-Graduação em Engenharia Eletrônica da UERJ, pelo apren-

Agradeço à Petrobras, em especial, à gerência da IEINFRA (Implementação de Empreen-

Agradeço à Eletrobras CEPEL (Centro de Pesquisas de Energia Elétrica), em especial, ao

LIZARAZU, Marcelo Silveira Dantas. Otimização multiobjetivo aplicada à eficiência

As torres de resfriamento são equipamentos largamente utilizados em refinarias de

Palavras-chave: Torre de resfriamento; Chiller de compressão; Otimização multiobjetivo;

LIZARAZU, Marcelo Silveira Dantas. Multi-objective optimization applied to energy effi-

1 Classificação das torres de resfriamento quanto ao tipo de tiragem. . . . . . . 25

9 Configuração do sistema de resfriamento. . . . . . . . . . . . . . . . . . . . . . . . . . . 41

11 Conjunto de soluções factı́veis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

13 Balanço energético no modelo de Merkel. . . . . . . . . . . . . . . . . . . . . . . . . . . 115

50 Comparativo entre a economia média obtida no consumo de energia elétrica

1 Determinação da temperatura de bulbo úmido. . . . . . . . . . . . . . . . . . . . . . 34

2 Vazões de entrada nas células das torres de resfriamento, em m3 /h. . . . . . . 43

3 Estratégia de deslocamento em função do passado da partı́cula. . . . . . . . . . 96

4 Coeficientes da modelagem da torre de resfriamento. . . . . . . . . . . . . . . . . . 131

9 Média dos valores de coverage obtidos para os 35 pontos operacionais, uti-

13 Comparativo de resultados após 50 iterações - Modelagem ZCAP1 . . . . . . . . 184

A.1 Pontos operacionais utilizados na aplicação dos algoritmos. . . . . . . . . . . . . 214

1 Pseudocódigo do Algoritmo Genético. . . . . . . . . . . . . . . . . . . . . . 57

ACO Ant Colony Optimization

AHU Air Handling Unit

BCO Bee Colony Optimization

CAEP Cultural Algorithm with Evolutionary Programming

COP Coeficiente de Performance

FEE Fator de Eficiência Energética

GrEA Grid-Based Evolutionary Algorithm

GSEA Grid Selection Evolutionary Algorithm

GSEA Grid Selection Evolutionary Algorithm

HVAC Heating, Ventilating and Air Conditioning

HyPE Hypervolume Estimation Algorithm for Multiobjective Optimization

IBEA Indicator-Based Selection in Multiobjective Search

INPE Instituto Nacional de Pesquisas Espaciais

IPESA Improved Pareto Envelope-Based Selection Algorithm

M-PAES Mimetic Pareto Archived Evolution Strategy

Micro-GA Micro Genetic Algorithm

MLP Multilayer Perceptron

MO-TRIBES Multiobjective Tribes

MOACSA Multiobjective Ant Colony System Based on ACS

MOMGA Multiobjective Messy Genetic Algorithm

MOPSO Multiobjective Particle Swarm Optimization

MPGA Multi-Population Genetic Algorithm

MSE Mean Square Error

MSOPS Multiple-Single-Objective Pareto Sampling

NPGA Niched Pareto Genetic Algorithm

NSGA Non-Dominated Sorting Genetic Algorithm

NTU Number of Transfer Units

OAT Optimum Approach Temperature

PAES Pareto Archived Evolution Strategy