Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Introdução
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.
projeto de treliça
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 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:
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].
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.
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 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.