Você está na página 1de 100

DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F.

Silva

DELINEAMENTO DE EXPERIMENTOS &


OTIMIZAÇÃO VIA SIMULAÇÃO MONTE CARLO
DESING OF EXPERIMENTS AND OPTIMIZATION
VIA MONTE CARLO SIMULATION
Disciplina: Métodos de Otimização e Simulação do Programa de
Pós-graduação: Mestrado Acadêmico em Engenharia de
Produção- FEG-UNESP

Aneirson F. Silva

Unesp

7 de maio de 2019
1 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Divulgação dos Conteúdos da Disciplina MOS

Face-Grupo da Disciplina
2 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Aulas Virtuais no youtube

Todo material está disponível por meio de aulas virtuais hospedadas


no youtube. 3 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

(DOE – Design of Experiments), representa um conjunto de “ensaios”


estabelecido com critérios científicos e estatísticos, com o objetivo de
determinar a influência de diversas variáveis e suas interações nos re-
sultados de um dado processo.

Uma maneira de melhorar e gerenciar adequadamente a produtivi-


dade dos processos de fabricação ou de serviços é por meio de téc-
nicas estatísticas experimentais (DOE), que visa compreender o im-
pacto dos principais fatores xs e sua influência na variável resposta ŷ
[Montgomery, 2009].

4 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Portanto, o objetivo do DOE é determinar o que poderia ser modifi-


cado em relação aos valores dos fatores xs usados em um processo
para melhorar o resultado final [Babaki et al., 2017], e ele pode ser
aplicado a todos os tipos de empresas, incluindo o setor de serviços
[Antony, 2009].

TERMINOLOGIA:
Variável de Resposta ŷ: Variável que representa o resultado de um
experimento (otimizar => maior, menor, nominal).

Fatores xs : São as variáveis de entrada (podem ser controláveis ou


não, quantitativas ou qualitativas).

5 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Níveis: São os valores que podem assumir cada Fator.

Corrida: Cada combinação de fatores e níveis em um experimento.

6 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Replicações: Repetições de um determinado experimento.

Projeto: Estratégia de ação que resulta na determinação do número


de experimentos e replicações, e na combinação de fatores e seus
níveis.

7 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Center Point ou Ponto Central: Ponto intermediário entre dois níveis,


verifica a linearidade da resposta nesse intervalo.

Blocks ou Blocos: Técnica de rearranjo dos experimentos para


condições similares não controláveis, melhora a precisão da análise.
[Goupy and Creighton, 2007].

8 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Para fazer um planejamento estrela ou Central Composite Designs (CCD),


simplesmente acrescenta-se ao planejamento inicial um planejamento
idêntico, porém girado em 45◦ . Desta maneira, o ponto axial está
1
a uma distância de α=[2K ] 4 unidades codificadas do ponto central.
[Barros Neto et al., 2007].
9 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

TIPOS DE PROJETOS EXPERIMENTAIS

Fatorial Total nK → n número de níveis e K número de fatores →


2K (K = número de Fatores) Com dois níveis é o mais tradicional.
Fatorial Fracionário 2K−n → gera os confundimentos
(Superposição).
Fatorial Total Geral (vários níveis, todas as ordens). General Full
Factorial Design.
Plackett Burman são projetos fatoriais fracionados saturados,
também conhecidos como DOE investigativo. Plackett-Burman
são normalmente experimentos resolução III, de 2 níveis. Em um
experimento resolução III, os principais efeitos se confundem com
as interações de 2◦ ordem. Portanto, você só deve usar esses
experimentos quando as interações de 2 fatores são desprezíveis.

10 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

O que é Ortoganalidade?

Dois vetores são ortogonais se a soma do produto de seus elementos


for igual a zero (0).

Por exemplo, considere os seguintes vetor ~a e ~b


   
2 −4
 3 
~b =  1 
 
~a =  5 

 1 
0 4
~
~a × b= 2 × -4 + 3 × 1 + 5 × 1 + 0 × 4 =0

11 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

O conceito de ortogonalidade é importante em DOE, pois garante a


independência entre os fatores x. A análise experimental de um expe-
rimento ortogonal geralmente é simples porque possibilita a estimativa
de cada efeito principal e interação de forma independente.

Por exemplo, num experimento de 22

Tabela: Fatores A e B
A B
-1 -1
1 -1
-1 1
1 1

A interação entre os fatores A e B (AB) são ortogonais, pois o valor da


soma do produto dos seus coeficientes é zero. A × B = 0
12 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

De certa forma, o fator A é estimado independentemente de B e


vice-versa.

As estimativas dos efeitos e coeficientes permanecem inalteradas


quando você remove as interações do modelo.

Em resumo a Ortoganalidade elimina o problema da


Multicolinearidade

13 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Para Exemplificar a importância do Plackett Burman. Estou


orientando um trabalho de Mestrado que combinada a OvSMC
com Elementos Finitos no processo de Estamparia.

14 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

15 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Inicialmente estudamos 24 fatores xs

16 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

224 = 16.777.216 experimentos. Supondo que o meu aluno leve 0,5


horas para cada corrida experimental, seriam necessários ≈
3.830 anos sem usar réplicas e trabalhando 24 horas por dia. No
entanto, supondo que o aluno trabalhe 8 horas por dia a quantidade
de tempo necessário seria de ≈ 11.491 anos

17 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Pelo Plackett Burman a quantidade de experimentos são:

Figura: Plackett Burman. Fonte: Minitab

18 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Taguchi → são projetos fatorais fracionados saturados com 2 ou


mais níveis L.
Mixture. → são proporções e gera funções polinomiais de 3◦
ordem.
Superfície de Resposta- Response Surface Methodology
basicamente há dois tipos de design o Central Composite
Designs – CCD e Box- Behnken Designs.

19 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

ALGORITMO E ESTATÍSTICAS EMPREGADAS NO DOE

ŷ = [X t × X]−1 × [X t × y] → Ordinary Least Squares(OLS) (1)


β0 , β1 , β2 , β3 , . . . , βn (2)
ŷ = β0 + β1 x1 + β2 x2 +, . . . , βn xn (3)

Técnicas Estatísticas
Análise de Variância (ANOVA).

Regressão não Linear e linear Múltiplas.

Análise de P-value.

Test T student H0 → Os coeficientes não são significativos a um


nível de significância α=5%. p-value ≤ α=5% refuta H0 .
20 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Ano Quantidade Preço


1 2 4

2 1 6

3 3 3

4 1 5

5 4 1

21 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

22 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

23 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Projeto Fatorial Completo


Em uma linha de produção com 1 (ou 2) prensas e 1 (ou 2) operadores
de prensa. Deseja-se verificar a variável de resposta y “produção horá-
ria (ph) ” para os fatores xs : número de prensas (np) e número de op. de
prensa (no). 2 → fatores com 2 níveis 22 = 4 experimentos. Em proje-
tos fatoriais é fundamental ter pelo menos uma replicação para avaliar
estatisticamente os experimentos, visto que, o grau de liberdade (GL)
é dado por Número de replicações - Número original de Experimentos.
Neste caso se não há replicações têm-se 4 - 4= 0 graus de liber-
dade para estimar o erro, e neste cenário não é possível gerar as
estatísticas de teste T e F.

24 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Produção horária 1 prensa 2 Prensas


1 operador 500 pç/h 1.100 pç/hora
2 operadores 900 pç/h 1.900 pç/h

Figura: O que fazer? Como Interpretar?

25 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Tabela: Variáveis independentes e níveis utilizados para o Fatorial Design -


Fatorial Completo
níveis
Fatores codificados -1 1
x1 prensa- valor real ou natural 1 2
x2 operador - valor real ou natural 1 2

26 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Tabela: Matriz Experimental sem Replicação

Corridas ou
Experimentos Níveis y- Experimental
1 -1 -1 500 pç/h
2 1 -1 1.100 pç/h
3 -1 1 900 pç/h
4 1 1 1.900 pç/h

27 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Tabela: Matriz Experimental com Replicação

Corridas ou
Experimentos Níveis y- Experimental
1 -1 -1 500 pç/h
2 1 -1 1.100 pç/h
3 -1 1 900 pç/h
4 1 1 1.900 pç/h
5 -1 -1 510 pç/h
6 1 -1 1.000 pç/h
7 -1 1 940 pç/h
8 1 1 1.920 pç/h

28 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Tabela: Matriz Experimental com Replicação

Corridas ou
Experimentos Níveis y- Experimental yII
1 -1 -1 500 pç/h 510 pç/h
2 1 -1 1.100 pç/h 1.000 pç/h
3 -1 1 900 pç/h 940 pç/h
4 1 1 1.900 pç/h 1.920 pç/h

29 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Fonte: Minitab

30 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Fonte: Minitab

31 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Normalidade dos Resíduos. Fonte: Minitab

32 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Tela do Software R

33 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

34 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

35 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

36 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Teste ANOVA NO R

37 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Entrada dos Dados em Ms-Excel

38 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Entrada dos Dados em Ms-Excel

O que aconteceria se na replicação a variável y tiver os mesmos


valores? O que aconteceria se na replicação a variável y tiver
valores muito diferentes?
39 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

40 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

MÉTODO DA SUPERFÍCIE DE RESPOSTA- RESPONSE SURFACE


METHODOLOGY
Em suma, a RSM visa identificar relações entre variáveis de entrada
(fatores xs ) e variáveis de saída (resposta y), que levam à solução
ótima [Bobadilla et al., 2017]. Para isso, a RSM substitui um problema
complexo de otimização por uma sequência de problemas mais
simples, na qual todas as suas funções podem ser aproximadas por
superfícies de resposta, permitindo a resolução de problemas reais
em um período de tempo mais curto [Babaki et al., 2017]. A RSM ou
MSR, que é o método usual aplicado neste campo, consiste em
analisar tal relação por meio de um polinômio de segundo grau
[Charte et al., 2017].

41 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Em geral,a resposta de interesse (y) está relacionada com os fatores


(x) na forma geral y = f (x)

y = f (x1 , x2 , ..., xn ) +  (4)

sendo  o erro aleatório, que inclui as variações da variável de


resposta y que não são explicadas pelos fatores x1 , x2 , . . . , xn .
Como na maioria dos problemas práticos abordados pela função RSM
(5) não é conhecido, este método usa uma aproximação da função
real na forma de uma função polinomial de segunda ordem
[Bobadilla et al., 2017] e [Zadbood and Noghondarian, 2011], como
expresso em (5):
n
X n
X n X
X n
y = β0 + β i xi + βii xi2 + βij xi xj +  (5)
i=1 i=1 i=1 j=i+1

42 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

sendo y a função empírica, xi é ith variável regressora ou independente,


xj é o jth variável regressora,β0 é o coeficiente linear, βi são os termos
lineares e βii são os termos quadráticos, βij são os termos de interação,
e  o erro aleatório.
Os métodos tradicionais de RSM são Central Composite Designs –
CCD [Barros Neto et al., 2007] and Box- Behnken Designs – BBD [Goupy

43 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Central Composite Designs - CCD é o experimento projetado mais


comumente usado na superfície de resposta, que é um planejamento
fatorial ou fatorial aumentado com um grupo de pontos axiais (também
chamados pontos estrela) que permitem estimar a curvatura
[Montgomery, 2009].

Se os testes de validação com um CCD forem positivos (as medidas


de resposta no centro do campo são estatisticamente iguais ao valor
previsto no mesmo ponto), o estudo é geralmente completado
[Zadbood and Noghondarian, 2011]. Se os testes forem negativos,
ensaios complementares são realizados para estabelecer um modelo
de segundo grau.

44 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

As tentativas adicionais são representadas pelos pontos de desenho


localizados nos eixos das coordenadas e pelos novos pontos centrais
[Goupy and Creighton, 2007]. Os pontos localizados nos eixos de
coordenadas são chamados de pontos de estrela. Conforme mostrado
na Figura a seguir, o CCD tem três partes:

45 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Matriz experimental com 2 fatores RSM-CCD sem replicação. Fonte:


Minitab

46 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Box- Behnken Designs - Permite-nos implementar diretamente


modelos de segundo grau, onde todos os fatores possuem três níveis:
-1, 0 e 1. Esses projetos são fáceis de realizar e possuem uma
propriedade sequencial. Com esse procedimento, é possível estudar
os fatores x e ainda ter a opção de adicionar novos fatores, sem
perder os resultados dos ensaios realizados anteriormente
[Goupy and Creighton, 2007].

Nesse arranjo todos os pontos experimentais são colocados


equidistantes do centro do domínio do estudo, que está em uma
esfera ou hiperesfera, dependendo do número de dimensões
[Goupy and Creighton, 2007].

47 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Portanto, o design Box-Behnken para três fatores é construído em um


cubo com 12 arestas. Os pontos experimentais não são colocados nos
cantos do hipercubo, mas no meio das arestas, no centro das faces
(quadrados) ou no centro do cubo [Myers et al., 2004]. Portanto, o
projeto Box Behnken para três fatores possui 15 (= 12 + 3) tentativas,
associadas a doze pontos experimentais no centro de cada borda, e
três pontos no centro do cubo, como mostrado na Figura a seguir

Figura: Box-Benhken para três fatores.

48 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Matriz experimental RSM-Box-Benhken com 3 fatores sem


replicação. Fonte: Minitab

49 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Função Desejabilidade- Desirability Function

Figura: NTB- Nominal Melhor

[Montgomery, 2009] Tipos de funções: Nominal é Melhor (NTB –


Nominal The Better), Maior é Melhor (LTB – Larger The Better) e
Menor é Melhor (STB - Smaller The Better). Quando o valor do alvo
(T) de uma resposta y está entre um valor máximo (U) e um valor
mínimo (L).
50 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Quando o valor alvo deve atingir o valor mínimo da função, a resposta


diz-se do tipo STB e a correspondente função utilidade d(ŷ(x)) pode
ser definida como em

Figura: STB - MELHOR

51 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Quando o valor alvo deve atingir o valor máximo da função, a resposta


diz-se do tipo LTB e a correspondente função utilidade pode ser
definida como visto em

Figura: LTB-MELHOR

52 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Alguns cuidados ao aplicar o GRG- Gradiente Reduzido Generalizado

A maioria das não linearidades englobadas em um modelo de progra-


mação está dentro de duas principais categorias: Relações observa-
das empiricamente, tais como variações não proporcionais em custos,
resultados de processos e características de qualidade.

Relações deduzidas estruturalmente, que englobam fenômenos físi-


cos, deduzidos matematicamente e regras administrativas.

53 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Max ou Min f (x) (6)

sujeito a:

gi (X) ≤ bi , i = 1, 2, . . . , m (7)
X≥0 (8)

Com X= (x1 , x2 , . . . , xn ) e f (x) e gi função e restrições não lineares.

54 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

max f (x) = 0.4 + senc(4x ) + 1.1senc(4x + 2) + 0.8senc(6x − 2) +


0.7senc(6x − 4) (9)

sujeito a:
−2 ≤ x ≤ 2 (10)
f (x) ≥ 0 (11)

55 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

56 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Algoritmo GRG

A derivada fornece a informação da taxa de variação da função (1-D);


para o caso n-D, o vetor gradiente fornece a direção da maior taxa de
variação da função.

∂f ∂f ∂f ∂f
Vetor Gradiente = 5f = , , ,..., . (12)
∂x1 ∂x2 ∂x3 ∂xn
Método gradiente consiste em : Procurar o máximo ou mínimo na
direção da maior taxa de crescimento ou decrescimento da função
objetivo a partir de uma solução ponto inicial X(0).

57 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Maximização e Minimização

X(i + 1) = X(i) + t. 5f (X(i)) (13)


X(i + 1) = X(i) − t. 5f (X(i)) (14)

sendo:
t → é o tamanho do passo.
i → é o número de iterações.

58 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

f (x) = 30x − 2x2 (15)


0
5f (X) = f = 30x − 4x (16)
x(i + 1) = x(i) + t.(30 − 4x(i)) (17)
Resíduo = |x(i + 1) − x(i)| (18)
q
2
Resíduo = (x1 (i + i) − x1 (i))2 + (x2 (i + 1) − x2 (i))2 (19)

59 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

60 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

61 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

62 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Aplicações e Estudos sobre RSM

V − MP
θ= (20)
∆/2
sendo θ o valor codificado do fator x; V é o valor real ou natural do
fator x, MP ponto médio e ∆ amplitude dos valores naturais entre os
fatores x.

63 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Tabela: Instância 1 [Barros Neto et al., 2007]


Experimento Concentração de carbono [%] agitação [rpm] x1 x2 y

1 30 115 -1 -1 86

2 40 115 1 -1 85

3 30 135 -1 1 78

4 40 135 1 1 84

5 35 125 0 0 90

6 35 125 0 0 88

7 35 125 0 0 89

8 28 125 − 2 0 81

9 35 139 0 2 80

10 42 125 2 0 86

11 35 111 0 − 2 87

64 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

ŷ = β0 + β1 x1 − β2 x2 − β3 x12 − β4 x22 + β5 x1 x2 (21)


ŷ = 89 + 1.508883x1 − 2.36244x2 − 2.8125x12 − 2.8125x22 + 1.75x1 x2 (22)
sujeito a:
n
X
xi2 ≤ α2 (23)
i=i

Essa é uma restrição esférica, sendo α o ponto axial

65 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

66 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Função Côncava

67 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Solução ótima: y = 89.6% , com x1 = 0.15 e x2 = -0.37.

V − PM
θ= (24)
∆/2

68 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

69 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Artigo A2- ENG III- RSM BOX-BENHKEN DESIGN

70 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Artigo A2- ENG III

71 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

OTIMIZAÇÃO DE PROBLEMAS EXPERIMENTAIS COM MÚLTIPLAS


RESPOSTAS

72 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

73 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

74 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

75 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Otimização Multiobjetivo

Técnicas de Decisão Multiatributo


1 Problemas de seleção.
2 Contextos discretos.
3 Alternativas previamente definidas.
Técnicas de Decisão Multiobjetivo
1 Problemas de concepção.
2 Contextos contínuos.
3 O modelo é que gera as alternativas.

76 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Um problema Multiobjetivo é definido quando deseja-se minimizar ou


maximizar várias funções objetivo simultaneamente, sendo que, em
vários casos, uma função está em conflito com outra.

Problemas multiobjetivos surgem em diferentes aplicações, sendo que


várias pesquisas visam desenvolver métodos para solucioná-los,
como, por exemplo, uso de metaheurísticas baseadas ou não no
conceito de dominância de Pareto.

77 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Otimização Multiobjetivo: Conceitos


Atributo – descreve se determinada alternativa é quantitativa ou
qualitativa (subjetiva), sendo que cada alternativa pode ser carac-
terizada por uma série de atributos escolhidos pelo tomador de
decisão.
Objetivo – indica o nível de melhoria dos atributos selecionados,
sendo associado com os desejos e preferências do tomador de
decisão.
Nível de aspiração – variação que se deseja para um determinado
objetivo
Meta – especifica o alvo para um determinado objetivo.
Critério: atributos + objetivos + metas.

78 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Solução Eficiente ou Ótimo de Pareto - solução baseada no con-


senso entre as múltiplas funções.
Método da Ponderação dos Objetivos - nesse método transforma-
se o vetor das funções em uma função escalar. Minimizando essa
função pode-se obter a função ótima de Pareto.
Método de Otimização Hierárquico ou Lexicográfico- consiste na
situação em que o usuário deseja ordenar os critérios em termos
de importância.
Goal Programming ou Programação de Metas - este método trans-
forma as múltiplas funções objetivo em metas.
Valor da Negociação (“trade-off”) - quantidade de um critério a ser
sacrificado a favor de outro.

79 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Esquema Geral

80 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Max f1 (x) = x1 + 1, 5x2 (25)


Max f1 (x) = 5x1 + 2x2 (26)
sujeito a:
2x1 + 2x2 ≤ 160 (27)
x1 + 2x2 ≤ 120 (28)
4x1 + 1x2 ≤ 280 (29)
Primeiramente resolver cada função individualmente, aplicando o
algoritmo Simplex.

81 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Solução Ótima para a Função 1

82 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Figura: Solução Ótima para a Função 2

83 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

f1∗ − f1 (x) f2∗ − f2 (x)


 
F(x) = + (30)
f1∗ f2∗
 
100 − (x1 + 1, 5x2 ) 350 − (5x1 + 2x2 )
F(x) = + (31)
100 350
Na Otimização de Problemas Multiojetivos há 2 estratégias:
Priorização e a Aglutinação.

Usando as mesmas restrições, os valores dessa função nos vértices


são: F(0, 60)= 0.74; F(40; 40)= 0.2; F(60;20)= 0.14; e F (70; 0)= 0.32,
e a melhor solução com critério global é F (60; 20)= 0.14.
Solução global: x= (x1 = 60 e x2 =20) corresponde aos valores das
funções objetivo f1 (60; 20)= 90 e f2 (60; 20)= 340

84 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Nos problemas Multiobjetivos não existe uma solução ótima que


satisfaça simultaneamente a todos os objetivos.

As funções objetivo individuais fi em geral são conflitantes e não é


possível ter um método de otimização para resolver o problema.
Portanto, busca-se soluções Pareto ótimas.

Quando para x∗ ∈ Rn não é possível achar uma solução x ∈ Rn que


F(x) seja menor que F(x∗ ), tem-se que x∗ é uma solução ótima de
Pareto.

85 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

O que é uma solução ótima de Pareto ?

Uma solucão A para um problema multiobjetivo é considerada como


ótima de Pareto se:
Nenhuma outra solução viável for tão boa quanto A em relação a
cada objetivo.

Nenhuma outra solução viável for melhor que A com relação a


pelo menos um dos objetivos.

86 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Programação por Compromisso ou COMPROMISE


PROGRAMMING-CP
1
CP = [(f1∗ − f1 )s α1 + (f2∗ − f2 )s α2 + (fi∗ − f1 )s αi ] s (32)

n
X
αi = 1 (33)
i=1

Quando as unidades de medida das funções forem diferentes


utiliza-se:
1
fi (x)∗ − fi (x)

s
CP = max min (34)
fi (x) − fi (x)
n
X
αi = 1 (35)
i=1

Geralmente o valor de s=2


87 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Max f1 (x) = x1 + 1, 5x2 (36)


Max f1 (x) = 5x1 + 2x2 (37)
sujeito a:
2x1 + 2x2 ≤ 160 (38)
x1 + 2x2 ≤ 120 (39)
4x1 + 1x2 ≤ 280 (40)
Sabemos que os valores ótimos destas funções são f1 = 100 e f2 =
350. Utilizaremos esses valores como alvo (Targets) para realização
da modelagem via CP.

88 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

1
Min CP = [(100 − (x1 + 1, 5x2 )2 × 0, 5 + (350 − (5x1 + 2x2 )2 × 0, 5] 2 (41)

sujeito a:
2x1 + 2x2 ≤ 160 (42)
x1 + 2x2 ≤ 120 (43)
4x1 + 1x2 ≤ 280 (44)
Problema? Transformamos um modelo inicial Linear em um modelo
Não Linear!!!

89 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Programação Por Metas ou Goal Programming

Goal Programming é uma técnica da Pesquisa Operacional que permite


a modelagem de Problemas Multiobjetivos.

90 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

fi (X) ≥ gi , i = 1, 2, . . . , n (45)
fi (X) + di− ≥ gi , i = 1, 2, . . . , n (46)

sendo: gi → a meta estabelecida para a função objetivo fi .


di− → é uma variável auxiliar que contempla um valor abaixo da meta
estabelecida gi .

91 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

fi (X) ≤ gi , i = 1, 2, . . . , n (47)
fi (X) − di+ ≤ gi , i = 1, 2, . . . , n (48)

sendo: gi → a meta estabelecida para a função objetivo fi .


di+ → é uma variável auxiliar que contempla um valor acima da
meta estabelecida gi .

92 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

fi (X) = gi , i = 1, 2, . . . , n (49)
fi (X) + di− − di+ = gi , i = 1, 2, . . . , n (50)

93 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Min d1+ + d1− + d2+ + d2− (51)


sujeito a:
2x1 + 2x2 ≤ 160 (52)
x1 + 2x2 ≤ 120 (53)
4x1 + 1x2 ≤ 280 (54)
x1 + 1, 5x2 + d1− − d1+ = 100 (55)
5x1 + 2x2 + d2− − d2+ = 350 (56)
Não alteramos a linearidade do modelo inicial. Essa formulação é
conhecida por WGP- Weighted Goal Programming.

94 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

95 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

96 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

97 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Antony, J. (2009).
Design of Experiments for Engineers and Scientists.
Elsevier, 2nd Edition.
Babaki, M., Yousefi, M., Habibi, Z., and Mohammadi, M. (2017).
Process optimization for biodiesel production from waste cooking
oil using multi-enzyme systems through response surface
methodology.
Renewable Energy, 105:465–472.
Barros Neto, B., S., S. I., and Bruns, R. E. (2007).
How to do Experiments.
3 ed. Campinas: Publisher da UNICAMP.
Bobadilla, M. C., Lorza, R. L., García, R. E., Gómez, F. S., and
González, E. P. V. (2017).

97 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

An improvement in biodiesel production from waste cooking oil by


applying thought multi-response surface methodology using
desirability functions.
Energies, 10:1–20.
Charte, F., Romero, I., P.-G. M., and Rivera, A. J. (2017).
Comparative analysis of data mining and response surface
methodology predictive models for enzymatic hydrolysis of
pretreated olive tree biomass.
Computers and Chemical Engineering., 101:23–30.
Goupy, J. and Creighton, L. (2007).
Introduction to Design of Experiments with JPM Examples.
Third Edition. SAS Institute Inc., Cary, NC, USA.
Montgomery, D. C. (2009).
Design and Analysis of Experiments.
New York: Ed John Wiley and Sons, Inc.

97 / 97
DESIGN OF EXPERIMENTS AND OPTIMIZATION VIA MONTE CARLO SIMULATION- DOE & OvMCS -Dr- Aneirson F. Silva

Myers, R., Montgomery, D. C., Vining, G. G., Borror, C. M., and


Kowalski, S. M. (2004).
Response surface methodology: A retrospective and literature
survey.
Journal of Quality Technology., 36:53–77.
Zadbood, A. and Noghondarian, K. (2011).
Considering preference parameters in multi response surface
optimization approaches.
International Journal of Modeling and Optimization., 1:158–162.

97 / 97

Você também pode gostar