Discente: Guilherme Adriano Weber

Artigo Camp 2014

Resumo

Um algoritmo de otimização baseada em ensino-aprendizagem (TLBO) modificado é aplicado a

treliças espaciais de geometria fixa com variáveis de projeto discretas e contínuas. Os projetos
gerados pelo algoritmo TLBO modificado são comparados com outros métodos populares de
otimização evolutiva. Em todos os casos, a função objetivo é o peso total da estrutura sujeita a
limitações de força e deslocamento. Os projetos são avaliados quanto à adequação com base
no seu peso estrutural penalizado, que representa o peso real da treliça e o grau em que as
restrições do projeto são violadas. O TLBO é modelado conceitualmente nos dois tipos de
pedagogia dentro de uma sala de aula: aprendizado em nível de classe de um professor e
aprendizado individual entre os alunos. O TLBO usa um algoritmo relativamente simples, sem
parâmetros intrínsecos, controlando seu desempenho e pode lidar facilmente com uma
mistura de variáveis de projeto contínuas e discretas. Sem introduzir parâmetros algorítmicos
adicionais, o algoritmo TLBO modificado usa uma média ponderada baseada na aptidão na
fase de ensino e um processo refinado de atualização do aluno. O desempenho computacional
dos projetos TLBO para várias estruturas de treliças espaciais de referência é apresentado e
comparado com métodos de otimização clássicos e evolutivos. Os resultados da otimização
indicam que o algoritmo TLBO modificado pode gerar projetos aprimorados quando
comparado a outras técnicas de base populacional e, em alguns casos, melhorar a eficiência
computacional geral.

Introdução

Aplicações da otimização evolutiva baseada na população tornaram-se muito comuns na

ciência e na engenharia. Muitos desses métodos procuram modelar comportamentos naturais
inatos e aprendidos que demonstraram ser muito eficientes na transferência de informações
entre indivíduos de um grupo ou população. Alguns dos métodos mais populares são:
algoritmos genéticos (AGs), introduzidos pela primeira vez por Holland [20] e Goldberg [17],
que modelam o processo de evolução natural; otimização de colônias de formigas (ACO),
desenvolvida por Dorigo [10], que modela alguns dos comportamentos de forrageamento de
uma colônia de formigas; e o algoritmo de otimização de enxame de partículas (PSO), proposto
por Kennedy e Eberhart [22], que simula o comportamento social e as interações que ocorrem
em um bando de pássaros ou em um cardume de peixes. Normalmente, esses métodos
metaheurísticos reduzem sistematicamente o espaço de pesquisa por meio de processos
iterativos e concentram a população, com base em alguma medida de desempenho, em
soluções viáveis e de alta qualidade.

Outro tipo de abordagem heurística utiliza valores médios de uma população de possíveis
soluções ou coleta de informações para orientar a otimização. Nesses casos, a aparente
precisão da média, como descrita primeiro por Galton [15] e posteriormente por Helmer-
Hirschberg [19] e popularizada por Surowiecki [33], é utilizada para fornecer um algoritmo de
busca global eficiente para problemas de otimização. Por exemplo, Erol e Eksin [12]
introduziram a otimização big bang-big crunch (BB-BC), que usa a média da população em um
modelo abstrato da evolução do universo.
Recentemente Rao et al. [29] introduziram uma abordagem inovadora chamada otimização
baseada em ensino-aprendizagem (TLBO), que usa modelos simples para ensinar e aprender
em sala de aula como base para um algoritmo de otimização evolucionário. O TLBO considera
o efeito do professor nos alunos, bem como a interação entre os alunos em um processo
iterativo para aumentar o nível de desempenho dos alunos e o desempenho geral da classe.
Um algoritmo TLBO possui duas partes principais: uma fase do professor, na qual o
desempenho ou conhecimento médio da classe é movido para o de um professor; e uma fase
do aluno, na qual os alunos compartilham informações e interagem cooperativamente.

Na otimização estrutural, de acordo com a complexidade do espaço de pesquisa e das

restrições de design, as aplicações dos métodos metaheurísticos são frequentemente
preferidas aos métodos baseados em gradientes. Muitos pesquisadores aplicaram algoritmos
evolutivos à otimização de estruturas de treliça: Rajeev e Krishnamoorthy [28] e Cao [7]
usaram GAs, Fourie e Groenwold [13], Schutte e Groenwold [30] usaram PSO, Camp e Bichon
[5] ACO, Lee e Geem [24] utilizaram a busca por harmonia (HS), Li et al. [25] utilizaram
otimização de enxame heurístico de partículas (HPSO), Camp [4] utilizou BB-BC, Kaveh e
Talatahari [21] utilizaram algoritmos híbridos de BB-BC, Sonmez [32] utilizou algoritmo artificial
de colônia de abelhas com abordagem de função de penalidade adaptativa ( ABC-AP) e
Degertekin [9] aplicaram a busca de harmonia auto-adaptativa (SAHS). Tog˘an [34] empregou
TLBO para o projeto de estruturas de aço planas com variáveis de projeto discretas.

Embora este estudo considere o design de estruturas de treliça, o objetivo é demonstrar as

vantagens do TLBO sobre outros métodos metaheurísticos. Principalmente, devido à
simplicidade intrínseca do conceito de aprendizado em sala de aula e ao algoritmo resultante,
o TLBO não depende do valor de nenhum parâmetro de controle para direcionar sua pesquisa.
Por exemplo, nos GAs, dependendo do problema de otimização, vários parâmetros como taxa
de cruzamento, taxa de mutação etc. devem ser ajustados para obter bons resultados. De
acordo com a estrutura original do algoritmo, apresentada por Rao et al. [29], é proposto um
TLBO modificado que não introduz nenhum parâmetro adicional e fornece resultados
comparáveis a outros métodos heurísticos para problemas discretos e contínuos de projeto de
treliças variáveis

projeto de treliça

A otimização de treliças geralmente se concentra em encontrar um projeto que minimize o

peso estrutural, satisfazendo as restrições de tensão e deslocamento. Quando a geometria da
treliça é fixa, o objetivo da otimização é selecionar uma área de seção transversal para cada
membro, para que o peso seja minimizado enquanto as restrições de tensão e deflexão são
atendidas. Nesse caso, um problema de otimização de treliça pode ser expresso como:
onde w é o peso da treliça composta por membros Nm e para cada membro e: γe é o peso
unitário do material; Le é o comprimento; e Ae é a área de seção transversal. O projeto da
treliça deve atender aos limites das tensões dos membros σe e deflexões δc em cada conexão
c. Limites na área da seção transversal, tensões e deflexões são dados por valores definidos
nos limites inferiores L e superiores U [5].

Nesta formulação, a tensão σe em cada membro da treliça é comparada com as tensões

máximas permitidas σLU e as deflexões δc de cada conexão c da treliça são comparadas com as
deflexões máximas admissíveis δLU , conforme descrito na Eq. (1)

Uma função de penalidade é usada para contabilizar projetos de treliça inviáveis. Nesta
formulação, o valor da função objetivo (o peso estrutural) é multiplicado por uma penalidade
cumulativa que é proporcional à quantidade de qualquer violação de restrição de tensão e
deflexão [4]. A penalidade por tensão φeσ para cada membro e é definida como:

A penalidade total de tensão para um projeto de treliça, k, é:

Penalidades por deflexão excessivo nas direções x, y e z são calculados em

cada conexão c. A forma geral da penalidade de desvio é:

A penalidade total de deflexão para um projeto de treliça k com conexões Nc, é então
determinada por:

A penalidade total para o projeto de treliça é então igual ao somatório das penalidades de
tensão e deflexão definidas como:
onde ε é um expoente de penalidade positivo. O valor da função de condicionamento
penalizada Fk é um produto do peso do projeto de treliça k e sua penalidade total:

3. Otimização baseada no ensino-aprendizagem

O objetivo principal do método TLBO é melhorar o desempenho médio dos indivíduos em uma
população. Supõe-se que a distribuição de notas em uma determinada turma de alunos siga
uma distribuição normal. Normalmente, nessa classe, um professor mais qualificado fornecerá
melhores resultados para os alunos, medidos por um valor médio mais alto (critério de
desempenho). A Figura 1 ilustra esquematicamente esse processo: na iteração i, o melhor
aluno é selecionado como o professor Ti e, em seguida, o professor compartilha seu
conhecimento com outros alunos para melhorar o desempenho geral ou a média da classe de
Mi para Mi + 1. Além da interação professor-aluno, há aprendizado colaborativo entre os
alunos. No algoritmo TLBO, essas duas interações em sala de aula são implementadas em dois
processos consecutivos diferentes: uma fase do professor que simula a influência de um
professor nos alunos; e uma fase do aluno que modela o aprendizado cooperativo entre os
alunos.

Duas modificações são aplicadas à fase do professor do algoritmo TLBO original apresentado
por Rao et al. [29]: primeiro, uma média ponderada baseada no condicionamento físico é
usada para calcular a média da classe Mi e, segundo, a posição atualizada de cada aluno é
necessária para avançar em direção ao professor. Meios ponderados com base na aptidão
foram usados para melhorar os resultados do projeto estrutural usando outros métodos
heurísticos [4,21,32].

3.1 Fase do professor

Como mencionado anteriormente, a fase do professor tenta modelar o efeito do professor no

conhecimento dos alunos da turma. Para simular esse processo em um algoritmo de
otimização, o mecanismo do professor deve ser aplicado em toda a faixa de variáveis de
design. Em termos de como as informações diferentes são apresentadas na sala de aula, cada
variável de design é considerada como disciplinas diferentes em um curso. Com essa definição,
um vetor de design é uma representação do conhecimento atual de um aluno em várias
disciplinas. Durante a fase do professor, os alunos tentam atualizar seus conhecimentos em
cada disciplina com base nas informações fornecidas pelo professor. Em termos matemáticos,
a aprendizagem do aluno durante a Fase de Ensino é definida por:
onde Xk(j) indica a j-ésima variável de projeto para o k-ésimo vetor de projeto, TF é fator de
ensino, r é um número aleatório uniformemente distribuído dentro do intervalo de [0,1], M (j)
é a média da classe e T (j) é o estado do professor. Nas Eqs. (10) e (11), Δ (j) indica a diferença
entre a média do professor e da turma para cada variável de design e seu sinal deve ser
selecionado de forma que o aluno sempre se mova em direção ao professor. O fator de ensino
TF na Eq. (11) é o único parâmetro ajustável no algoritmo TLBO modificado e é usado para
aumentar o tamanho do espaço de pesquisa local em torno de cada aluno. Rao et al. [29]
apresentaram dados para indicar que um valor de TF = 2 é apropriado para equilibrar os
aspectos de exploração e exploração da pesquisa na fase do professor; esse valor é usado
neste estudo. É óbvio que tanto o professor quanto os valores médios desempenham papéis
importantes no direcionamento da população através do espaço de busca. Como o TLBO é um
processo iterativo, no final de cada ciclo de ensino, o papel do professor é atualizado para o
melhor aluno atual da turma. Conforme definido na Eq. (11), o cálculo da média é importante
para estabelecer a escala da busca. Na formulação original de TLBO apresentada por Rao et al.
[29], a média é dada como

onde N é o tamanho da população. No TLBO modificado, é proposta uma média ponderada

com base no valor da aptidão individual. A média baseada na aptidão é definida como

onde Fk é a aptidão do k-ésimo aluno. A média ponderada dá mais ênfase aos alunos
altamente qualificados e deve melhorar o desempenho do algoritmo TLBO modificado.

3.2 Fase do aluno

A interação entre os alunos é outro mecanismo de aprendizado que ajuda os alunos a

aumentar seu conhecimento e, consequentemente, resulta em uma melhoria geral do
desempenho da turma. O procedimento para a fase do aluno é explicado nas seguintes etapas:

(a) Selecione aleatoriamente um indivíduo p da classe.

(b) Selecione aleatoriamente outro indivíduo q da classe, em

de uma maneira que p ≠ q.

(c) Avalie a aptidão de cada aluno.

(d) Se Fp <Fq (p individual é melhor que q individual), então

Nas Eqs. (14) e (15), r é um número aleatório distribuído uniformemente dentro do intervalo
[0,1]. De acordo com essa formulação, a posição do aluno p dentro do espaço de pesquisa de
cada variável de design é ajustada para o aluno q se Fp> Fq ou para o aluno q, caso contrário. A
direção e magnitude do movimento do aluno p depende de sua posição atual no espaço de
pesquisa de cada variável e da diferença nas posições do aluno p e do aluno q. Em qualquer
um dos casos, o aluno p está tentando melhorar seu desempenho conforme medido pela
função de condicionamento físico. A fase do aluno continua até que N pares de alunos tenham
sido selecionados. A Fig. 2 ilustra os dois possíveis caminhos de atualização para o aluno p com
base nos valores de Fp e Fq. A Fig. 3 mostra um fluxograma para o algoritmo TLBO geral
modificado.

3.3 Projeto de treliça TLBO modificado

Aplicações de TLBO modificado para otimização de treliça espacial possui várias características
vantajosas: a facilidade de usar uma combinação de variáveis discretas e contínuas de projeto
e um método computacional simples, mas eficiente, que não requer parâmetros intrínsecos
para controlar o desempenho do algoritmo. Ao aplicar o algoritmo TLBO modificado ao projeto
de treliça, as áreas de seção transversal dos elementos Ae são as variáveis de projeto Xk (j)
listadas nas Eqs. (10) - (15)

O processo de otimização da treliça começa selecionando aleatoriamente valores para a área

de seção transversal Ae, dentro dos limites prescritos para cada variável de projeto, para cada
membro ou grupo de membros na estrutura. Com base nas áreas transversais selecionadas
para cada grupo de membros, a treliça é analisada e o peso estrutural w, definido na Eq. (1), é
calculado para cada projeto. As tensões dos membros e as deflexões de conexão são
calculadas a partir dos resultados da análise de treliça e, em seguida, comparadas com os
estados limite para determinar se o design da treliça é viável. Com base nesses valores de
restrição, a função objetivo penalizada Fk é calculada usando a Eq. (9)

O professor de cada turma no algoritmo TLBO modificado é o projeto de treliça na classe com
o peso mínimo penalizado. As aplicações sucessivas das fases do professor e do aluno
continuam até que um critério de convergência seja alcançado. Normalmente, a convergência
para o algoritmo TLBO é baseada no valor do melhor design que permanece constante para
um número especificado de análises.

Para variáveis de design discretas, o procedimento TLBO modificado é idêntico ao usado com
variáveis de design contínuas, exceto que os valores contínuos em cada vetor de design são
arredondados para o valor discreto disponível mais próximo. No entanto, valores contínuos de
variáveis de projeto são usados em todos os outros aspectos computacionais do algoritmo de
otimização.

4. Parâmetros de projeto de treliça TLBO modificados

Como mencionado anteriormente, uma das vantagens do algoritmo TLBO modificado sobre
outros métodos heurísticos é que o algoritmo possui poucos parâmetros de controle. Ao
contrário de GA, PSO, ACO e BB – BC, o único parâmetro que afeta o desempenho é o tamanho
da população de pesquisa (em termos de TLBO, tamanho da classe). Todas as aplicações do
design de treliça TLBO modificado usam o mesmo tamanho de classe. Experimentos numéricos
indicam que uma população de 75 alunos é adequada para fornecer bons resultados,
equilibrando a eficiência computacional e o desempenho geral do algoritmo. Além disso, o
tamanho da população é comparável ao utilizado por Camp et al. [6], Camp e Bichon [5], Camp
[4], Kaveh e Talatahari [21]; e Sonmez [32]. Deve-se notar que, como esse algoritmo possui
uma fase de professor e aluno, em que cada aluno (ou, neste caso, um projeto de treliça) é
avaliado uma vez após aprender com o professor e, em seguida, uma segunda vez após
interagir com um colega de classe, o algoritmo realiza um total de 150 análises por iteração.
Para todos os projetos, um critério de 2000 análises sem alteração no melhor design de treliça
viável é usado para medir a convergência do algoritmo [30,5,4]. Além disso, foi demonstrado
[5,4] que, para estruturas de treliça, um expoente de penalidade de ε = 2 fornece um bom
equilíbrio entre exploração e exploração da pesquisa heurística.

O algoritmo TLBO modificado é aplicado ao design de vários problemas de otimização de

treliça de referência e os resultados são comparados com os de outros métodos evolutivos.
Para estimar o desempenho geral da abordagem TLBO modificada, cada problema de design
de treliça de referência foi executado independentemente 100 vezes. Embora o número de
execuções seja arbitrário, deve ser adequado fornecer estatísticas confiáveis sobre a qualidade
geral das soluções e a convergência do algoritmo TLBO modificado. Também é importante
observar que todos os projetos de TLBO apresentados são viáveis