Académique Documents
Professionnel Documents
Culture Documents
, :
, :
Minimizar/Maximizar: (x
1
, x
2
, x
3, ... ,
x
n
)
Sujeito a:
+1
Equao 1
=
70 20
5
+1 = 11
Logo, para a representao binria da varivel largura, necessrio um nmero em
notao binria que representa pelo menos at o valor inteiro 11, ou seja, quatro
bits:
Figura 5 - Representao da varivel Largura
Como se sabe, um nmero em binrio com quatro bits pode representar at o inteiro
n15, portanto haver uma faixa de nmeros que ocasionalmente podero existir e
que no sero vlidos, neste caso, por exemplo, so os nmeros: 0,12,13,14 e 15. O
programador dever prever estes casos em sua implementao fazendo uma
validao dos mesmos. A forma como se deve fazer esta validao varia de caso a
caso e inerente ao programador.
b) Representao da varivel altura:
Fazendo analogamente ao item anterior, tem-se:
=
+1 =
100 20
5
+1 = 17
Para representar em binrio at o nmero 17 devem-se ter cinco bits, logo:
43
Figura 6 - Representao da varivel Altura
Lembrando que o nmero zero e os nmeros maiores que 17 devero ser
desvalidados pelo implementador.
importante ressaltar que esta forma de representao demonstrada anteriormente
apenas uma das diversas formas em que se pode codificar uma varivel em
representao binria. Isso fica a critrio do implementador.
Um ponto fraco na codificao binria o chamado Hamming Cliffs. Pode-se definir
distncia de Hamming como o nmero de bits diferentes entre dois inteiros
representados em binrio, por exemplo: os nmeros 00010 e 11010 possuem
distncia de Hamming igual a dois, pois dois bits os diferem um do outro. O
Hamming Cliffs (inicialmente definido por Goldberg) ocorre quando dois nmeros
inteiros adjacentes possuem uma distncia de Hamming alta, por exemplo, os
nmeros 7 e 8 que possuem distancia igual a 4:
7 (Inteiro) 0111 (Binrio)
8 (Inteiro) 1000 (Binrio)
Logo, pode-se observar que uma pequena mudana em um desses bits causaria um
grande deslocamento da varivel no universo de busca, o que nem sempre
desejado.
Varivel
Altura
1 2 3 4 5
44
5.1.2 REPRESENTAO REAL
A representao em real no tem sido muito adotada pelos implementadores de
AGs. Acredita-se que um dos motivos se deva ao fato da representao binria ser
simples em sua manipulao. Porm quando se precisa de uma maior preciso
numrica o cdigo pode ficar to grande, que acaba tornando este tipo de
codificao ineficiente. Para estes casos, costuma-se adotar a representao real,
que traz uma maior preciso codificao.
Segundo (Herrera, F Lozano, Verdegay 1998) interessante utilizar representao
real quando se necessita cobrir um domnio bem abrangente, j que com
representao binria isso implicaria num custo computacional alto. Em seu trabalho
(Brun 2005) cita que a vantagem em se utilizar representao real ao invs da
binria a capacidade de se poder explorar gradualmente as funes com variveis
contnuas. Essa evoluo gradual se aplica ao fato de ligeiras mudanas nas
variveis corresponderem a pequenas mudanas na funo. interessante explorar
gradualmente o domnio do problema, pois a soluo obtida pode ser melhor atravs
de uma pequena mudana nos parmetros.
importante ressaltar que dentro da representao real os operadores de mutao
e cruzamento so realizados de forma diferente do mtodo utilizado na tcnica
tradicional.
5.2 CROMOSSOMOS E GENES
Fazendo uma analogia com a gentica, um gene pode ser considerado uma
caracterstica inerente ao problema, ou seja, uma varivel. Um conjunto de variveis
(genes) constitui um cromossomo, que vem a representar um indivduo. Na verdade
um indivduo pode vir a ser caracterizado tambm por mais de um cromossomo.
Figura
Figura
Figura 7 - Representao de um cromossomo
Figura 8 - Representao de um Indivduo
CROMOSSOMO "n"
Gene 3
(Varivel
3)
Gene 2
(Varivel
2)
Gene 1
(Varivel 1)
INDIVDUO
45
46
5.3 FUNO DE APTIDO
A funo de aptido mede a adaptao do indivduo, ou seja, o quo boa a
soluo para um dado problema. Aptido, em ingls fitness, possui o mesmo
significado que o termo adotado na biologia, ou seja, afere a capacidade do
indivduo sobreviver para a prxima gerao.
Novamente fazendo-se uma analogia com a gentica, pode-se dizer que a funo de
aptido representa o gentipo do indivduo. Para se descobrir qual o fentipo
associado necessrio que este gentipo seja decodificado. Para cada aplicao de
um problema existe uma funo de aptido que o caracteriza.
De uma maneira geral a funo de aptido funciona conforme ilustrado abaixo:
Figura 9 - Representao da Funo de Aptido
Funo
de
Aptido
Varivel
1
Varivel
2
Varivel
n
Aptido
47
5.4 PENALIZAO
Os AGs so essencialmente um mtodo de otimizao sem restries. Para fazer
com que as restries sejam obedecidas utilizado o mtodo da penalizao. Este
mtodo, como o prprio nome diz, consiste em penalizar a funo de aptido
acrescentando ou removendo a ela um determinado valor para cada restrio no
obedecida. Esta penalizao obtida definindo-se uma funo auxiliar que ento
incorporada funo de aptido original, transformando, assim, um problema de
otimizao com restries em um problema de otimizao sem restries.
Apesar de existirem diversas formas de se aplicar a funo de penalizao e que,
cada pessoa pode definir a sua, existem basicamente duas formas (para o caso de
problemas de minimizao). Esta forma vai depender do tipo da restrio a ser
obedecida. Por exemplo, seja o problema de minimizao da funo sujeita a
restries de igualdade, apresentado abaixo:
Aplicando-se uma funo de penalizao, se transformaria em:
Minimizar
x = fx + *[h
j
x]
Equao 2 - Funo com penalizao para restries de igualdade
Onde um nmero real positivo razoavelmente grande em relao s grandezas
do problema e j corresponde a uma restrio de igualdade do problema.
Minimizar f(x)
Sujeito a h(x)=0
48
Agora, seja o problema de minimizao com restries de desigualdade, conforme
apresentado abaixo:
O problema ento poderia ser transformado em:
() = () + a [0,
()]
Equao 3 - Funo com penalizao para restries de desigualdade
Para problemas com diversas restries tanto de igualdade quanto de
desigualdades, pode-se adotar a seguinte penalizao, bastante completa:
Minimizar
x = fx + * mximo[0,g
i
x]
k
i=1
+ *
m
j=1
h
j
x
Equao 4 - Funo com penalizao completa
Onde:
k = nmero de restries de desigualdade;
m = nmero de restries de igualdade.
Minimizar f(x)
Sujeito a g(x) 0
49
5.5 SELEO
A seleo um dos principais operadores de um AG. atravs deste operador que
so escolhidos os indivduos que iro se reproduzir e, conseqentemente, transmitir
os seus genes para a prxima gerao. Os autores costumam distinguir trs
mecanismos de seleo.
Seleo por amostragem direta: Os indivduos so selecionados para a
reproduo segundo algum critrio especfico. o caso quando, por exemplo,
o programador do problema utiliza como critrio de seleo sempre os n
melhores indivduos da populao.
Seleo por amostragem aleatria: neste mtodo de seleo todos os
indivduos possuem a mesma chance de serem selecionados para a
reproduo.
Seleo por amostragem estocstica: este tem sido o mtodo mais utilizado
para seleo. Nele cada indivduo possui uma probabilidade de seleo
proporcional ao seu grau de aptido. O programa implementado neste
trabalho utiliza este tipo de mtodo de seleo.
Dentre os diversos mtodos de seleo estocsticos, existem trs que so mais
utilizados e sero explicados com mais detalhes nos itens que seguem. So eles a
seleo por roleta, a seleo baseada em classificao e o torneio.
5.5.1 SELEO POR ROLETA
O mtodo da roleta consiste em dar para cada indivduo chances de seleo
proporcionais a sua aptido. Assim, indivduos mais bem adaptados, tero maior
probabilidade de serem escolhidos. Existem diversas variaes do mtodo da roleta,
porm em sntese eles funcionam da seguinte maneira: Sejam f
1
, f
2
, ..., f
n
os valores
50
da aptido de cada indivduo de uma populao de tamanho n. A probabilidade de
seleo de cada indivduo ento determinada pela equao abaixo:
Equao 5 Probabilidade de Seleo Mtodo da Roleta
Onde i a posio do indivduo. Apesar de bastante usado e relativamente eficiente,
este mtodo possui algumas falhas. Por exemplo, se na populao inicial houver um
ou alguns poucos indivduos com valor de aptido bom, porm no os melhores, e o
resto da populao no for muito boa, ento esses poucos indivduos iro
rapidamente dominar a populao, tornando-a homognea e impedindo-a de
explorar todas as suas potencialidades, ou seja, o algoritmo poder convergir para
um mnimo local.
Outro problema que pode ocorrer o caso da populao inicial ser muito
homognea, ou seja, formada por indivduos parecidos. Sendo assim, ser difcil
fazer a populao evoluir, pois a tendncia ser ela se tornar cada vez mais
homognea. Uma opo para resolver este problema seria a mutao, que ser
explicada em tpico posterior.
5.5.2 SELEO BASEADA EM CLASSIFICAO
O mtodo de seleo por classificao bastante simples: primeiro todos os
indivduos so classificados de acordo com o seu valor de aptido. Em seguida a
probabilidade de seleo definida segundo esta classificao. Como se pode
notar ele no determina a probabilidade de seleo diretamente pela aptido, mas
faz isso indiretamente.
Existem diversas ramificaes deste mtodo. Baker 1985 apresenta o seguinte:
aps classificar todos os indivduos por ordem de sua aptido ele induz que o melhor
51
indivduo ter a melhor probabilidade, e o pior indivduo ter a pior probabilidade de
seleo. Os demais indivduos intermedirios possuem sua probabilidade de seleo
variando linearmente com o seu grau de aptido, conforme indicado na frmula
abaixo:
=
)
Equao 6 Probabilidade de seleo por classificao, segundo Baker-1985
Onde:
P
i
= Probabilidade de seleo do isimo indivduo;
i = Posio do indivduo;
= Tamanho da populao;
max
= Probabilidade de seleo do melhor indivduo;
min
= Probabilidade de seleo do pior indivduo;
Existem outros mtodos propostos por diversos autores para determinar a
probabilidade de seleo. Alguns utilizam uma funo exponencial, ao invs da
funo linear, por exemplo. Mas em suma, todos tm o mesmo principio: selecionar
os indivduos proporcionalmente a sua classificao no ranking da populao.
5.5.3 SELEO POR TORNEIO
A seleo por torneio se diferencia dos outros mtodos de seleo apresentados
anteriormente por no precisar se basear numa informao global da populao. Ela
funciona da seguinte forma: a populao dividida em diversos subgrupos, de dois
ou mais indivduos. Os melhores indivduos de cada subgrupo so ento
selecionados para a reproduo.
52
5.6 CRUZAMENTO
O cruzamento, em ingls crossover, um dos principais operadores de um algoritmo
gentico. nele onde as informaes so trocadas entre os indivduos a fim de
gerar uma nova prole. Existem diversas formas de se fazer um cruzamento, os
autores costumam classificar em:
Cruzamento uniponto o cruzamento realizado a partir de um ponto pr-
determinado. A partir deste ponto as informaes so ento trocadas.
Cruzamento multiponto: Possui o mesmo fundamento do cruzamento
uniponto, porm aplicado a vrias posies do cromossomo.
Cruzamento uniforme: Determina, atravs de um parmetro global, qual a
probabilidade de cada ponto do cromossomo ser trocado.
O tipo de cruzamento mais simples e comumente utilizado o que apresenta um
nico ponto de troca. Funciona conforme apresentado a seguir:
Figura 10 Cruzamento uniponto Genitores
Sejam dois cromossomos, A e B, conforme indicado na Figura 10. Para a realizao
de um cruzamento uniponto fixa-se ento um ponto onde, a partir dele, os
cromossomos em contato iro se dividir e trocar entre si a informao (este ponto
pode ser fixo ou no ao longo do programa). A seta indica o ponto de cruzamento
do exemplo. Ao final deste cruzamento eles tero gerado ento novos
descendentes. Conforme se observa na Figura 11.
CROMOSSOMO A
1 0 0 1 1 0 1 0 0 0 1 1
CROMOSSOMO B
0 0 1 0 0 0 1 1 1 1 1 0
GENITORES
53
Figura 11 Cruzamento uniponto Descendentes
5.7 MUTAO
A mutao tem como principal objetivo garantir uma maior variabilidade na
populao. Uma das dificuldades dos mtodos evolutivos est no fato da populao
tender a se tornar cada vez mais homognea. Isto pode fazer com que o resultado
encontrado seja um mnimo local.
O operador da mutao pode vir a introduzir na populao indivduos com
caractersticas novas, que antes no existiam. Se essa caracterstica for boa para
melhorar a aptido do indivduo ela ento tender a se multiplicar entre os demais
nas prximas geraes. Caso seja uma caracterstica que prejudique a aptido do
indivduo, ela tender a sumir com o tempo.
A mutao geralmente aplicada aps o cruzamento. Ela utilizada seguindo uma
determinada probabilidade de mutao (P
m
). Normalmente utiliza-se uma taxa de
probabilidade de mutao baixa (em torno de 0,1% a 5%), caso contrrio o
cruzamento no faria sentido e tornaria a busca meramente aleatria. Alguns
pesquisadores aconselham que a escolha da taxa de mutao se relacione com o
tamanho dos cromossomos e das populaes atravs de frmulas empricas. Abaixo
segue a opinio de alguns autores a respeito da taxa de probabilidade de mutao
(P
m
).
CROMOSSOMO A1
1 0 0 1 0 0 1 1 1 1 1 0
CROMOSSOMO B1
0 0 1 0 1 0 1 0 0 0 1 1
DESCENDENTES
54
DE JONG (1975) P
m
deve ser inversamente proporcional ao tamanho da
populao.
SHAFFER (1994) - Sugere a seguinte equao, onde N
pop
o tamanho da
populao e K o tamanho do cromossomo:
=
1
Equao 7 Probabilidade de Mutao, segundo Shaffer 1994
Resumidamente, a mutao funciona da seguinte forma: aps o cruzamento, a cada
bit dos cromossomos descendentes verificada a probabilidade de mutao. Isto
feito gerando-se aleatoriamente um nmero entre zero e um. Se este nmero for
menor ou igual probabilidade de mutao (P
m
) o bit dever ser trocado. Caso
contrrio nada ocorre. Esta troca, para cromossomos codificados em binrio,
significa substituir o zero por um e vice-versa.
A mutao em cromossomos que utilizam codificao real diferente da binria.
Existem diversas tcnicas para este tipo de mutao. (Del Savio, et al. 2005) cita
dois tipos:
Mutao real: seleciona aleatoriamente o elemento K
im
do cromossomo C
i.
Gera um nmero entre zero e um aleatoriamente. Se este nmero for menor
ou igual ao valor da probabilidade de mutao (P
m
), ele ento ser substitudo
por K
im
* , sendo:
]
Equao 8 Mutao Real
L
inf
e L
sup
so limites inferiores e superiores do valor de K
im
, previamente
definidos pelo implementador.
Mutao de ajuste prprio: procura por uma soluo fechada baseada em
mudanas aleatrias nas duas direes (+ e -).
55
5.8 ELITISMO
O elitismo tem por objetivo selecionar o melhor ou os melhores indivduos de uma
gerao e automaticamente introduzi-los na gerao seguinte, sem que eles passem
pelo cruzamento. Com isso o algoritmo pode evitar que um resultado que seja muito
bom seja perdido ou piorado.
O elitismo foi proposto por DeJong (1975), em um dos trabalhos pioneiros sobre
AGs. Existem diversas formas de elitismo. Abaixo so citados alguns autores da
bibliografia e a forma como aplicaram e/ou sugerem o elitismo nos seus trabalhos:
(Croce, Ferreira e Lemonge 2004) So feitas nove cpias do melhor
elemento para a prxima gerao.
(Del Savio, et al. 2005) Cria n indivduos para substituir os n piores
indivduos da populao. Atravs de um parmetro denominado GAP,
controla a porcentagem da populao que ser substituda. Geralmente, nos
AGs tradicionais o valor do GAP = 1, ou seja, 100% dos indivduos so
substitudos.
(Gantovnik 2005) Copia o melhor indivduo para a prxima gerao. O autor
sugere tambm copiar no apenas o melhor, mas tambm o segundo melhor,
o terceiro melhor e assim sucessivamente.
(Gillman 2005) A nova gerao combinada com a gerao anterior. Os
indivduos so ento classificados por ordem do seu valor de aptido. Os n
melhores (sendo n o tamanho da populao em cada gerao) iro para a
gerao seguinte. Desta forma, os descendentes tm que competir com seus
genitores para sobreviver para a prxima gerao.
(Kim e Weck 2004) O melhor indivduo substitui os 30% piores indivduos
em cada gerao.
(Silva 2001) Prope guardar 10% dos melhores indivduos para a prxima
gerao.
56
Wu and Chow Utiliza a equao a seguir para determinar o GAP:
=
2
Equao 9 GAP, segundo Wu e Chow
Onde Np o tamanho da populao. Isso significa que apenas dois
indivduos so selecionados para a reproduo. Eles iro substituir os dois
piores indivduos da populao atual. Segundo o autor, esta estratgia leva a
uma significante reduo do nmero de avaliaes da funo objetivo e
funciona mesmo em grandes populaes.
57
6 APRESENTAO DO PROBLEMA
6.1 PREAMBULO
A fim de aplicar os conceitos de algoritmos genticos foi desenvolvido um programa
que visa otimizar topolgica e parametricamente vigas de concreto armado
submetidas a um carregamento distribudo.
Nos prximos tpicos sero apresentadas as principais caractersticas do problema
a ser resolvido e no capitulo seguinte ser apresentada a aplicao dos AGs a este
problema.
Faz-se necessrio informar que a proposta inicial para este trabalho era realizar
otimizao topolgica e paramtrica de pavimentos tipo de edifcio, incluindo a
iterao de todas as vigas de um pavimento, com suas respectivas lajes e pilares.
Para que o proposto trabalho fosse resolvido muitas caractersticas foram includas
ao problema que de certa forma, se analisados isoladamente no possuem
significado algum, sendo assim desnecessrios, porm, se levado o problema
inicialmente pensado, estas caractersticas so relevantes. Apesar deste objetivo
inicial no ter sido alcanado, optou-se em no exclu-las da formulao e aplicao
da teoria. Portanto, em alguns trechos, se observar que alguns itens so
dispensveis. Buscou-se ser o mais didtico possvel a fim de que, caso algum
pesquisador queira continuar este trabalho isto ser til. Fazendo-se uma analogia
com a biologia, funciona como os rgos residuais que os animais possuem. Em um
momento do desenvolvimento do animal estes rgos eram necessrios, porm com
a sua evoluo apesar deles no serem mais utilizados, seus vestgios continuaram.
No caso deste projeto, trata-se de um conceito similar, porm oposto. Caso se
queira que o projeto evolua as ferramentas necessrias j foram preparadas.
58
6.2 FORMULAO
Seja uma viga de concreto armado, de seo transversal retangular, comprimento L,
com as possveis posies de apoios intermedirios
3
indicados nos ns 1 ao 5 e
submetida a um carregamento distribudo Q, conforme indicado abaixo:
Figura 12 Configurao da viga modelo
Figura 13 Seo transversal da viga modelo
3
Estas possveis posies vm de aspectos pr-determinados de projeto, como por exemplo,
posies de pilares, definidos pela arquitetura.
b
h
ns dls
ni dli
dw c/ sw
59
O objetivo minimizar o custo da viga, ou seja:
min
=
,
Equao 10 Funo Objetivo
Onde:
,
= Custo da viga, por metro linear (R$/m);
= Comprimento total da viga (m).
Os determinantes para o custo da viga a serem considerados so: o concreto, o ao
e a forma
4
. Por conseguinte o custo de uma viga por metro, levando-se em conta
estes trs fatores determinado pela seguinte equao:
,
=
,
+
,
+
100
,
+
+2
Equao 11 - Custo de uma viga de concreto por metro linear (R$/m)
Onde:
,
= Peso por metro da barra longitudinal inferior (Kg/m);
4
interessante ressaltar que existem outros fatores que entram no custo de uma viga e poderiam ser
colocados como determinantes, como por exemplo, a mo-de-obra.
60
= Quantidade de barras longitudinais superiores;
,
= Peso por metro da barra longitudinal superior (Kg/m);
= Espaamento entre estribos (cm);
,
= Peso por metro da barra de estribo (Kg/m);
0.05} (1)
0.25 1.75 , / = { /
0.05} (2)
= { 1.0, 1.25, 1.6, 2.0, 2.5, 3.2}, . (3)
= { 6.3, 8.0, 1.0, 1.25, 1.6, 2.0, 2.5}, . (4)
= { 6.3, 8.0, 1.0}, . (5)
2 8 , (6)
2 8 , (7)
= { 5.0, 7.5, 10.0, 12.5, 15.0, 20.0, 25.0} , . (8)
61
Restries de Comportamento:
(9)
(10)
(11)
Onde,
V
= Momento Positivo
5
solicitante de clculo da viga.
Mu
Deformaes
Tenses
no
Concreto
0.85fcd
y=0,8x
y
64
6. A tenso na armadura a correspondente deformao determinada de
acordo com as hipteses anteriores e obtida do diagrama tenso-deformao
do ao.
Os domnios de ELU para as sees de concreto armado so:
Figura 15 - Domnios de dimensionamento em ELU
O domnio 1 abrange os casos onde ocorre trao no uniforme, o ponto A indica o
limite para ruptura convencional por deformao plstica excessiva do ao
(10/1000). A reta a corresponde trao uniforme.
O domnio 2 abrange casos onde ocorre flexo simples ou composta sem ruptura a
compresso do concreto e ao com alongamento mximo permitido.
No domnio 3 o elemento encontra-se submetido a flexo simples ou composta com
ruptura do concreto compresso e com escoamento do ao.
No domnio 4 (situao antieconmica) ocorrem os casos de flexo simples ou
composta com ruptura compresso do concreto e ao tracionando sem
escoamento.
65
O trecho 4a abrange os casos de flexo composta, com armaduras comprimidas.
O domnio 5 o trecho onde se tem o elemento submetido compresso no
uniforme, sem trao e a b corresponde compresso uniforme.
Por equilbrio temos:
= = (1)
= (2)
Fazendo-se:
0,5 (3)
= 0,85
0,5 (4)
= 0,85
(5)
Com (5) determina-se o valor de y e, por conseguinte, determina-se Mrd que dever
ser comparado ao Msd.
6.4.2 CRITRIOS DE EXECUO
Foram considerados critrios de execuo aqueles que visam manter o projeto em
concordncia com as diversas prticas de obra que j esto radicadas na sociedade.
So eles:
Largura da base e altura em mltiplos de cinco cm;
Bitola das armaes conforme dimenses padronizadas no mercado;
Espaamento dos estribos em valores tabelados;
Largura mnima e mxima da base;
Largura mnima e mxima da altura;
Os valores a serem adotados so conforme foram apresentados na formulao do
problema.
66
7 APLICAO
7.1 PREMBULO
Nos prximos tpicos os conceitos de algoritmos genticos sero aplicados para a
resoluo do problema apresentado no captulo anterior. A partir deste ponto ser
adotada uma nova nomenclatura para as questes vinculadas ao problema. Esta
nomenclatura visa fazer uma analogia entre o problema e o AG, conforme se
observa na Figura 16.
Figura 16 - Analogia: Problema x Algoritmo Gentico
Uma viga (qualquer soluo vivel ou no do domnio de solues do problema)
ser denominada indivduo. Um conjunto de solues, ou seja, um conjunto de vigas
ser denominado populao. As variveis aqui codificadas foram denominadas
genes. Um conjunto de genes forma um cromossomo que representa uma viga.
VIGA INDIVDUO
PROBLEMA APLICAO DO AG
CONJUNTO DE VIGAS POPULAO
VARIVEL DO PROBLEMA GENE
CONJUNTO DE VARIVEIS CROMOSSOMO
67
7.2 REPRESENTAO E CODIFICAO
Uma viga representada por um cromossomo de 56 bits, conforme se pode
observar na Figura 17
6
:
Figura 17 - Representao do cromossomo de uma viga
A seguir os genes do cromossomo viga so apresentados com mais detalhes:
Posio que a viga ocupa no projeto do pavimento tipo. (Ver nota 6)
6
Os genes posio e validao, s sero utilizados nos casos em que tratam de todo um pavimento.
Para a aplicao do AG entre vigas de uma mesma posio eles so irrelevantes, conforme
informado no item 6.1 do Captulo 6.
Cromossomo Viga (56 bits)
Gene Ns Intermedirios(25bits)
Gene Validao (1 Bit)
Gene Posio (4bits)
Gene Seo (26 Bits)
Gene Posio (4 bits)
68
Verifica a existncia da viga. O valor 0 (zero) significa a ausncia de viga naquela
posio, o valor 1 (um) significa presena. (Ver nota 6)
Formado por 25 Bits divididos em grupos de cinco. Cada grupo representa um n
intermedirio da viga. Os nmeros dos ns so expressos em binrio. Caso o n
no exista na viga os bits do grupo so preenchidos por zero.
O gene seo de uma viga possui 26 Bits. Ele formado por doze grupos que
correspondem s variveis paramtricas do projeto (Ver Figura 13), so elas: base
(b), altura (h), dimetro da armao longitudinal inferior (dli), dimetro da armao
longitudinal superior (dls), dimetro dos estribos (dw), quantidade de barras
longitudinais inferiores (ni), quantidade de barras longitudinais superiores (ns) e
espaamento entre estribos (sw). Todos codificados em binrio e conforme limites
apresentados no capitulo anterior.
N 1 N 2 N 3 N 4 N 5
Gene Nos Intermedirios (25bits)
Gene Seo (26 Bits)
h
b
dli
dls dw
ni
ns
sw
Gene Validao (1 Bit)
69
7.3 PENALIZAES
A fim de tornar o problema compatvel com as suas restries adotou-se o mtodo
das penalizaes para que a funo objetivo seja punida cada vez que algum critrio
no seja atendido.
So penalizados os elementos que no obedecem aos critrios de resistncia (Ver
item 6.4.1). Adotou-se a seguinte funo de penalizao:
= [0,
Equao 12 - Funo de Penalizao
Onde:
= 10000;
1
Sendo assim, funo que determina o custo unitrio de cada viga acrescentada
a funo de penalizao:
=
,
+
Equao 13 - Custo Lquido da viga
A esta funo nomeou-se custo lquido de uma viga. Correspondendo ao real custo
unitrio de uma viga que ser levado em considerao no processo de otimizao
da populao. O valor de foi determinado aps inmeros testes para calibrao de
parmetros (Ver Captulo 9).
70
7.4 ADEQUAO
A fim de facilitar na implementao do processo de seleo (apresentado no tpico
7.5 deste captulo) foi utilizado o conceito de adequao. A adequao, em
algoritmos genticos, corresponde ao inverso do custo lquido, ou seja:
=
1
Equao 14 Adequao
Onde:
A
i
= Adequao do indivduo i ;
,
=
360
Equao 15- Adequao em graus
Onde
A
i,g
= Adequao do individuo i em graus;
72
A
i
= Adequao do indivduo i;
n = nmero total de indivduos.
Neste caso perde-se um pouco da preciso, mas esta perda irrelevante. Ao se
trabalhar em graus, optou-se por usar nmeros inteiros tendo em vista que o
ponteiro que ir girar na roleta ser um inteiro. Esta tcnica pode ser facilmente
modificada para uma mais precisa, basta utilizar um ponteiro com a quantidade de
casas decimais que se deseja, porm, para este caso no ser necessrio. Abaixo
se observa a adequao em graus correspondente a cada individuo.
Indivduo Custo Lquido (Aptido) (R$) Adequao
(*10
-4
/R$)
Adequao em
graus
Viga 1 1859,55 5,377645 39
Viga 2 3500,78 2,856506 21
Viga 3 2345,25 4,263938 31
Viga 4 838,31 11,928761 87
Viga 5 4397,34 2,274102 17
Viga 6 2500,76 3,998784 29
Viga 7 3700,98 2,701987 20
Viga 8 1580,43 6,327392 46
Viga 9 5100,88 1,960446 14
Viga 10 1300,05 7,692012 56
Tabela 3 - Adequao em graus
73
Grfico 1 - Probabilidade de Seleo das Vigas (Adequao em Graus)
Em seguida, com base nesta adequao cada indivduo recebe um valor
correspondente as somas parciais da adequao em graus, ou seja:
Indivduo Adequao em
graus
Somas
Parciais
Viga 1 39 39
Viga 2 21 60
Viga 3 31 91
Viga 4 87 178
Viga 5 17 195
Viga 1
39
Viga 2
21
Viga 3
31
Viga 4
87
Viga 5
17
Viga 6
29
Viga 7
20
Viga 8
46
Viga 9
14
Viga 10
56
74
Indivduo Adequao em
graus
Somas
Parciais
Viga 6 29 224
Viga 7 20 244
Viga 8 46 290
Viga 9 14 304
Viga 10 56 360
Tabela 4 - Somas Parciais
So estas somas parciais indicadas a cada indivduo que iro servir como
parmetro de seleo por roleta. Simula-se ento a roleta, gerando-se um nmero
aleatoriamente entre 0 e 360. O indivduo que contiver a faixa na qual o nmero
gerado se encontra o que ser selecionado. Por exemplo, digamos que o nmero
gerado aleatoriamente tenha sido o nmero 71. O indivduo selecionado ento seria
o indivduo 3, pois ele contem a faixa entre os nmeros 61 e 91. Este passo ento
executado o nmero de vezes correspondente ao tamanho da populao (tendo em
vista que o programa implementado mantm a populao sempre com um tamanho
fixo). Fazendo-se uma simulao para este exemplo, temos:
Ponteiro Indivduo Selecionado
222 Viga 6
153 Viga 4
35 Viga 1
164 Viga 4
75
Ponteiro Indivduo Selecionado
155 Viga 4
110 Viga 4
324 Viga 10
170 Viga 4
242 Viga 7
174 Viga 4
Tabela 5- Indivduos Selecionados
Pode-se notar claramente que a Viga 4 conseguiu mais posies no grupo de
indivduos selecionados para o cruzamento. Aps a seleo, os indivduos so ento
tomados dois a dois para o cruzamento.
7.6 CRUZAMENTO
A tcnica de cruzamento utilizada uma adaptao do cruzamento multiponto (ver
item 5.6 do Captulo 0). Os genes posio e validao no so cruzados. So
apenas utilizados para identificar a posio e existncia de uma viga (ver nota 6).
Os genes que realmente participam do cruzamento so: o gene Ns Intermedirios
(otimizao topolgica) e o gene Seo (otimizao paramtrica).
O cruzamento feito separando-se cada grupo de um gene e verificando se eles
sero ou no trocados. Por exemplo, sejam os genes Seo apresentados abaixo:
76
Cada grupo do gene (que corresponde a uma varivel) percorrido. Sorteia-se
ento um valor que pode ser 0 ou 1. Caso d zero este grupo no ser trocado, caso
contrrio ele ser trocado. Sendo assim, cada varivel tem 50% de chance de ser
trocada. O mesmo ocorre para o gene ns intermedirios. Ao final resultam dois
indivduos com caractersticas mistas dos dois indivduos genitores.
7.7 MUTAO
No programa implementado a mutao ocorre segundo uma probabilidade de
mutao definida pelo usurio. Aps muitos testes verificou-se que adotar uma
probabilidade de mutao o inverso do tamanho da populao um bom parmetro,
e, portanto, para os testes ele passou a ser adotado. Adotar um determinado valor
que no relacionava o tamanho da populao resultava em um comportamento
inadequado do programa quando se tratava de uma populao muito grande ou
pequena demais. Quando a populao era pequena a mutao fazia com que a
busca fosse apenas aleatria. Quando a populao era grande demais ela no fazia
diferena significativa.
Gene Seo (B)
1 0 0 0 1
h
0 1 1 0
b
0 0 1
dli
1 1 1
dls dw
0 1 1 0 0
ni
0 1 1
ns
1 1 0
nw
Gene Seo (A)
0 0 1 0 1
h
0 0 1 0
b
0 0 1
dli
0 1 0
dls dw
0 1 0 1 1
ni
0 1 0
ns
0 1 0
nw
77
Na primeira fase deste trabalho, antes da adoo da mutao como uma operao
do AG tinha-se muitos problemas de mnimos locais. Ou seja, o programa convergia
rapidamente para um mnimo local. Com a adoo de uma taxa de mutao notou-
se que a populao ficou mais diversificada resolvendo o problema anterior.
7.8 ELITISMO
Adotou-se como tcnica de elitismo a substituio do pior indivduo da gerao atual
pelo melhor indivduo da gerao anterior. Assim, procurou-se no perder um
individuo com boas caractersticas.
78
8 ESTRUTURA DO AGEN
8.1 PREAMBULO
Conforme explicado anteriormente, a proposta inicial desta dissertao era fazer
otimizao de pavimentos tipo de edifcios, utilizando os AGs. Portanto ficam vlidas
as mesmas observaes aferidas no tpico 6.1 do captulo 6 deste trabalho. Apesar
de no concludo em sua totalidade muito se foi feito a fim de atingir esse objetivo e
ser tambm apresentado nos prximos tpicos. Como o programa foi elaborado
utilizando uma abordagem orientada a objetos (POO Programao Orientada a
Objetos
7
), que se baseia na abstrao e independncia de vrias etapas de um
projeto, muita fases puderam ser desenvolvidas separadamente, sem que isso
implicasse em uma dependncia de outras etapas inacabadas.
O objetivo deste captulo no apresentar linhas de cdigo do programa. Pretende-
se apenas mostrar uma viso geral na forma como ele foi desenvolvido e apresentar
suas principais classes e relacionamentos. As classes inacabadas sero indicadas.
8.2 APRESENTAO GERAL
O programa capaz de: dada uma viga com seu n inicial, n final e possveis ns
intermedirios, fazer otimizao topolgica e paramtrica da mesma utilizando, para
isso, algoritmos genticos. As restries laterais e de comportamento adotadas, bem
como a funo objetivo e de penalizao j foram introduzidas em captulos
anteriores.
7
Para mais detalhes sobre POO recomenda-se o livro: Head First Object Oriented Analysis &
Design de Brett D. McLaughlin, Gary Pollice e Dave West.
79
O AGEN
8
foi desenvolvido na linguagem Java. Ele encontra-se organizado em
pacotes. A tabela abaixo apresenta seus principais pacotes e classes:
AGEN
PACOTE AG ESTRUTURA MAPEAMENTO
PRINCIPAIS
CLASSES
Aleatrio
AlgenVigas
AlgenPavimentos
(Incompleto)
CromossomoViga
GeneArmadura
GeneNosInt
GenePosicao
GeneSecaoConcreto
Individuo
(Incompleto)
RibossomoViga
Projeto
(Incompleto)
Viga
VigaConcreto
AeVigas
Mapa
MapaCompleto
MapeamentoViga
CARACTERSTICAS
Seo
o Retangular
o Circular
o Bitola
o PerfilI
Armadura
Material
o Aco
o Concreto
ListaDeSecoes
ListaDeMateriais
Tabela 6 - Principais pacotes e classes do AGEN
8
Nome dado ao programa implementado.
80
Figura 18 - Estrutura do AGEN
Abaixo so descritos sucintamente os principais pacotes:
Pacote AG: Contem as classes que implementam o algoritmo gentico;
Pacote Estrutura: possui as classes que caracterizam e fazem a anlise
estrutural das estruturas do programa.
Pacote Estrutura.Caractersticas: um sub pacote do pacote estrutura
que possui classes auxiliares que descrevem as caractersticas dos
elementos.
Pacote Mapeamento: possui o mapeamento dos ns do problema a ser
resolvido.
Pacote Sistema: onde se encontra a classe principal e faz a ligao de
todas as partes do programa, atravs de uma interface grfica.
Nos prximos tpicos estes pacotes sero apresentados com maiores detalhes.
importante destacar que para manipulao de matrizes utilizou-se o pacote de
lgebra linear Jama, elaborado pela MathWorks e pelo NIST (National Institute of
Standards and Technology).
81
8.3 PACOTE AG
Abaixo apresentado o diagrama de classes (simplificado) do pacote AG:
Figura 19 - Diagrama de Classes Simplificado do Pacote AG
Figura 20 - Pacote AG
82
As seguintes classes o compem:
Aleatrio: Cria cromossomos de vigas aleatoriamente.
AlgGenVigas: Classe que implementa o algoritmo gentico propriamente dito,
para vigas.
AlgenPavimento: Classe que implementa o algoritmo gentico para
pavimentos (Incompleto)
Binrio: Classe que caracteriza o tipo binrio, que a base para a codificao
do cromossomo.
CromossomoViga: caracteriza o cromossomo de uma viga. Ele composto
pelas classes: GeneArmadura, GeneMaterial, GeneNosInt, GenePosicao e
GeneSecao.
CrossOver: classe que faz o crossover entre as vigas.
GeneArmadura: caracteriza a armadura de uma viga, codificada em binrio.
GeneMaterial: caracteriza o material de uma viga, codificado em binrio.
GeneNosInt: possui a informao dos ns intermedirios da viga, codificados
em binrio.
GenePosicao: caracteriza a posio da viga, codificada em binrio.
GeneSeoConcreto: caracteriza a seo transversal das vigas de concreto,
codificada em binrio.
Indivduo: caracteriza um projeto (formado por todas as suas vigas, lajes e
pilares). (Incompleto)
83
RibossomoViga: classe auxiliar que codifica e decodifica os genes dos
cromossomos das vigas.
8.4 PACOTE ESTRUTURA
O diagrama de classes simplificado do pacote estrutura apresentado abaixo:
Figura 21 - Diagrama de classes simplificado do pacote Estrutura
Figura 22 - Pacote Estrutura
84
AeVigas: Faz a anlise estrutural de vigas;
SubViga: utilizada para auxiliar no clculo da anlise de uma viga contnua.
Viga: Classe que caracteriza uma viga genrica.
VigaConcreto: Caracteriza uma viga de concreto;
8.4.1 SUBPACOTE ESTRUTURA.CARACTERISTICAS
O pacote Estrutura.Caractersticas na verdade um sub pacote do pacote Estrutura.
Ele utilizado para definir as caractersticas dos materiais e seo transversal das
estruturas utilizadas pelo pacote estrutura. Seu diagrama de classes simplificado
apresentado abaixo:
Figura 23 - Diagrama de Classes simplificado do pacote Estrutura.caractersticas
85
Figura 24 Sub Pacote Estrutura.Caractersticas
Ele composto pelas seguintes classes:
Secao: caracteriza uma seo transversal. Ela pode ser circular, retangular,
perfil I, etc.
PerfilI
9
: caracteriza uma seo transversal tipo perfil I;
Retangular: caracteriza uma seo transversal retangular;
Circular: define uma seo circular;
Bitola: define uma bitola de ao;
Armadura: Define a armadura de uma viga de concreto, com sua armadura
longitudinal inferior, longitudinal superior e estribos;
Material: Caracteriza um material;
Concreto: Define um material de concreto;
9
Inicialmente o tipo de material da viga (concreto ou ao) tambm entrava como varivel e os tipos
de vigas metlicas que se utilizava eram perfis I. Com os testes viu-se que nunca os perfis metlicos
conseguiam ser soluo do problema (devido ao custo elevado), portanto eles foram removidos da
formulao do problema. Pode-se traz-lo facilmente de volta ao programa e torn-los competitivos; o
fator praticidade e rapidez, se entrados na funo objetivo favoreceriam o perfil metlico.
86
Ao: Define o material ao;
ListaDeMateriais: guarda uma lista de materiais que utilizada no programa.
ListadeSecoes: Guarda uma lista de sees transversais utilizadas no
programa;
8.5 PACOTE MAPEAMENTO
O pacote mapeamento, como o prprio nome diz, possui guardado o mapeamento
dos ns do problema. inerente a cada problema analisado. Ele formado pelas
seguintes classes:
Figura 25 - Pacote Mapeamento
Mapa: caracteriza o mapa de um indivduo. Ou seja, guarda os ns vlidos de
projeto/vigas.
MapaCompleto: possui o mapeamento de todos os ns que um indivduo
pode ter.
No: caracteriza um n (coordenadas x e y) no MapaCompleto.
87
8.6 PACOTE SISTEMA
O pacote sistema o que possui a classe main (classe principal) que faz a ligao
entre os pacotes do programa. Alm disso, no pacote Sistema que se encontra a
classe que trata da interface grfica do programa.
Figura 26 - Pacote Sistema
main: classe principal do programa. a que inicializada primeiro e que
interliga as demais classes.
TelaInicial: Interface grfica do programa.
88
9 TESTES E CALIBRAGEM DE PARMETROS
9.1 PREAMBULO
Para validar o programa apresentado anteriormente fez-se necessrio que ele fosse
aplicado a um caso j tratado pela literatura, onde seus resultados j fossem
conhecidos, a fim de se poder ter parmetros de comparao quanto sua
funcionalidade. No apndice A, apresentada uma aplicao do programa AGEN
em um problema tratado por dois autores, com duas abordagens distintas. Um autor
utilizou abordagem determinstica enquanto o segundo adotou uma abordagem
probabilstica, utilizando algoritmos genticos, porm em ambos os casos as
variveis eram contnuas. Em 85% dos testes realizados o programa (AGEN)
encontrou a soluo tima. Pode-se considerar uma boa taxa de aprovao, tendo
em vista que os algoritmos genticos, bem como os demais mtodos evolucionrios,
no garantem 100% de resultado. Como se trata de um mtodo probabilstico
existem alguns fatores que fazem com que o algoritmo no convirja, ou convirja para
um mnimo local. Parmetros como: tamanho da populao, tamanho do
cromossomo, taxa de mutao, nmero mximo de geraes, critrios de parada,
populao inicial, funo de penalizao entre outros so fatores que se verificou
que influenciavam bastante para o bom funcionamento do programa. Assim como
um instrumento novo que precisa ser afinado, o AG, por ser um mtodo genrico,
tambm precisa de uma calibragem de seus parmetros. Tendo em vista que cada
caso um caso.
Para demonstrar a influencia destes critrios, foram realizados testes onde se
variava um parmetro em especfico, mantendo outros fixos. Estes testes sero
apresentados nos prximos tpicos. Para cada teste o programa foi aplicado 10
vezes.
Os testes, a ttulo de exemplo, foram realizados em uma viga, conforme
configurao abaixo (L=14.5m e q = 2 t/m):
89
Figura 27 - Configurao da viga exemplo
A funo objetivo, bem como as restries laterais e de comportamento so
conforme apresentado em captulos anteriores.
Nas tabelas que sero apresentadas a seguir, adotou-se a seguinte nomenclatura
para a coluna Parada (Sobre o critrio de parada do programa):
GXX-PH Significa que ele parou na gerao XX devido ao fato da populao ter
ficado homognea (PH).
GXX-MG Significa que ele parou na gerao XX devido ao fato da populao ter
alcanado o nmero mximo de geraes permitidas.
9.2 TAMANHO DA POPULAO TESTE 1
Neste teste, o tamanho da populao ser variado conforme indicado abaixo:
TESTE
TAMANHO DA
POPULAO
1A 10
1B 100
1C 1000
1D 10000
90
Parmetros fixos:
Nmero mximo de geraes: 100;
Mutao: 1/(tamanho da populao);
Penalizao: Conforme Equao 12 (=10000).
Critrio de parada: Nmero mximo de geraes ou a populao ficar
homognea
10
.
Os resultados obtidos encontram-se nas tabelas abaixo.
TESTE 1A
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,4 55 50 3 16 4 20 1861,99 G3 - PH
2 1,4 20 145 4 12,5 4 20 2202,65 G8 - PH
3 2 75 110 7 25 7 16 4940,51 G4 - PH
4 2,4 40 90 3 25 4 8 3048,77 G2 - PH
5 2,4 55 110 7 10 3 25 3442,76 G12 - PH
6 1,2,3,4 70 100 7 10 7 10 4208,25 G6 - PH
7 0 80 145 4 16 7 10 6171,13 G3 - PH
8 1,4 30 75 2 25 2 25 1759,11 G3 - PH
9 1,2,3,4 30 165 7 10 7 10 3401,29 G2 - PH
10 3,4 60 35 7 20 7 20 1877,09 G4 - PH
MDIA (R$) 3291,36
Tabela 7 Teste 1A
10
A populao considerada homognea quando todos os seus indivduos so iguais.
91
TESTE 1B
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,4 70 90 6 25 6 20 4169,38 G45 - PH
2 1,3,4 40 150 7 10 3 16 3804,95 G45 - PH
3 1,2 25 85 5 25 6 20 2142,53 G45 - PH
4 1,3,4 30 175 720 2 12,5 3560,67 G45 - PH
5 2,4 25 95 525 5 12,5 2153,32 G45 - PH
6 3,4 25 120 725 5 25 3185,03 G45 - PH
7 2,4 20 65 620 725 1985,23 G45 - PH
8 3,4 30 95 225 6 16 2304,02 G45 - PH
9 3,4 20 100 316 412,5 1605,29 G45 - PH
10 1,2,4 25 135 425 325 2726,50 G45 - PH
MDIA (R$) 2763,69
Tabela 8 - Teste 1B
TESTE 1C
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,3,4 35 85 5 25 620 2533,53 G100-MG
2 1,3,4 20 80 7 10 712,5 1373,56 G100-MG
3 1,4 20 40 6 12,5 412,5 2715,51 G48-PH
4 4 25 100 6 16 712,5 2151,80 G100-MG
5 1,3,4 25 145 6 25 612,5 3025,34 G100-MG
6 2,3,4 20 65 7 12,5 420 1329,76 G90-PH
7 2,3,4 20 75 516 720 1609,43 G77-PH
8 2,3,4 25 75 710 420 1544,93 G87-PH
9 1,2,3,4 20 120 312,5 520 2024,53 G40-PH
10 2,3,4 45 130 4 12,5 412,5 3372,16 G100-MG
MDIA (R$) 2168,06
Tabela 9 - Teste 1C
92
TESTE 1D
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 2,3,4 35 90 316 320 2202,19 G67-PH
2 1,2,4 25 160 310 516 2778,99 G100-MG
3 1,4 25 100 525 520 2320,67 G81-PH
4 3,4 30 155 712,5 616 3278,67 G39-PH
5 2,3,4 20 120 712,5 420 2095,88 G100-MG
6 1,2,3,4 25 145 620 620 2991,88 G77-PH
7 2,3,4 30 145 420 320 3249,14 G86-PH
8 1,4 25 60 416 712,5 1378,63 G51-PH
9 4 40 75 616 620 2316,74 G100-MG
10 2,4 45 80 212,5 712,5 2378,42 G100-MG
MDIA (R$) 2499,12
Tabela 10 - Teste 1D
Pode-se notar que medida que o tamanho da populao vai aumentando, o
programa vai convergindo para uma melhor soluo. At que se chega a um ponto
em que este ganho de desempenho com relao populao no se torna mais
significativo, tendo at um decrscimo, como se observa no teste 1D.
Grfico 2 - Resultados Teste 1
0,00
500,00
1000,00
1500,00
2000,00
2500,00
3000,00
3500,00
0 2000 4000 6000 8000 10000 12000
Teste 1
(Tamanho Populao x Mdia Custo)
Mdia custos
Tamanho da
populao
Custo
93
9.3 MUTAO TESTE 2
Neste teste, a probabilidade de mutao ser variada conforme indicado abaixo:
TESTE
PROBABILIDADE
DE MUTAO
2A 0.05
2B 0.01
2C 0.001
2D 0.0001
Parmetros fixos:
Nmero mximo de geraes: 100;
Tamanho da populao: 1000;
Penalizao: Conforme Equao 12 (=10000).
Critrio de parada: Nmero mximo de geraes ou a populao ficar
homognea.
Os resultados obtidos encontram-se nas tabelas a seguir:
94
TESTE 2A
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1
4
20 90 5 16 4 16 1577,65 G38 - PH
2
1,4
20 80 7 12,5 3 25 1573,97 G100- MG
3
1,2,4
25 75 3 20 5 20 1705,38 G100- MG
4
2,3,4
25 135 7 25 4 12,5 2898,57 G100- MG
5
2,3,4
40 110 3 16 7 20 3071,98 G100- MG
6
3,4
35 85 7 25 4 12,5 2443,54 G100- MG
7
1,3,4
20 75 5 12,5 4 20 1403,95 G33 - PH
8
4
35 110 3 20 7 16 2701,41 G32 - PH
9
1,2,4
20 80 6 16 4 20 1534,06 G84 - PH
10
2,4
35 90 6 20 7 25 2783,08 G100- MG
MDIA (R$) 2169,36
Tabela 11 - Teste 2A
TESTE 2B
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 4 30 45 7 16 6 16 1528,59 G81 - PH
2 2,3,4 25 65 7 12,5 6 116 1411,59 G100- MG
3 4 20 110 7 12,5 7 20 2031,46 G100- MG
4 1,3,4 40 80 6 16 6 16 2251,71 G100- MG
5 2,4 20 170 4 20 6 12,5 2648,80 G81- PH
6 3,4 65 175 7 12,5 3 25 6204,55 G70- PH
7 2,4 30 125 3 12,5 3 20 2548,16 G83- PH
8 1,4 40 110 7 25 3 16 3205,06 G72- PH
9 4 30 160 4 25 7 16 3735,77 G43- PH
10 2,4 30 80 2 20 5 20 2179,10 G95- PH
MDIA (R$) 2774,48
Tabela 12 - Teste 2B
95
TESTE 2C
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 1,2,3,4
30
85 6 10 4 16 2117,91 G100- MG
2 1,2,3,4
35
160 4 20 4 25 3716,47 G21- PH
3 1,3,4
20
80 4 25 3 16 1615,46 G43- PH
4 1,2,3,4
40
105 7 12,5 6 10 2619,53 G100- MG
5 4
5
70 3 20 4 16 2095,48 G100- MG
6 1,2,3,4
80
90 7 16 7 10 4029,42 G70- PH
7 3,4
20
150 3 25 2 25 2521,09 G100- MG
8 1,2,4
45
60 7 20 4 20 2220,48 G83- PH
9 1,2,3,4
25
85 2 16 6 20 1954,43 G87- PH
10 4
20
90 3 25 4 25 1836,55 G100- MG
MDIA (R$) 2472,68
Tabela 13 - Teste 2C
TESTE 2D
N NS
INTERM.
BASE
(cm)
ALTURA
(cm)
As As R$ PARADA
1 4 20 110 7 10 6 16 1894,37 G100- MG
2 1,4 20 100 4 25 3 16 1891,22 G100- MG
3 4 35 140 2 25 5 12,5 3288,20 G49- PH
4 2,3,4 35 65 7 20 7 20 2136,47 G100- MG
5 1,2,3,4 25 85 3 25 5 25 2088,19 G68- PH
6 3,4 20 150 3 12,5 6 16 2402,29 G74- PH
7 2,3,4 25 140 7 25 7 16 3197,89 G65- PH
8 1,3,4 55 70 2 25 5 12,5 2416,54 G100- MG
9 4 20 115 6 20 3 16 2054,11 G100- MG
10 3,4 40 95 3 25 7 20 2796,68 G100- MG
MDIA (R$) 2416,60
Tabela 14 - Teste 2D
Pode-se perceber que, em faixas muito baixas de probabilidade de mutao a
tendncia que a medida que aumenta-se essa taxa o custo mdio aumenta. At
que se chega a um ponto de inflexo e a direo da trajetria muda para uma reta
96
descendente. Seriam necessrios mais testes para se chegar a uma concluso
mais precisa.
Grfico 3 Resultados Teste 2
9.4 OUTROS PARAMETROS
Demais parmetros que influenciam no resultado puderam ser observados nos
testes anteriores e as principais observaes obtidas sero apresentadas abaixo:
Nmero mximo de geraes: observou-se que, quando se trata de
populaes pequenas o critrio de parada com um nmero mximo de
geraes quase no utilizado, tendo em vista que a populao rapidamente
fica homognea (outro critrio de parada). medida que o tamanho da
populao aumenta e, conseqentemente sua variabilidade, que este
critrio passa a ser determinante, porm, nos casos tratados, ainda em
pequena escala. Utilizando-se um valor baixo para este critrio, pode acabar
obrigando o programa a terminar precocemente o seu processo, sem que
para isso tenha explorado muitas possibilidades. Adotando-se um valor
0,00
500,00
1000,00
1500,00
2000,00
2500,00
3000,00
0 0,01 0,02 0,03 0,04 0,05 0,06
Teste 2
(Probabilidade de Mutao x Mdia Custo)
Mdia custos
Custo
Probabilidade de
Mutao
97
elevado, condiciona o outro critrio de parada (populao homognea) a ser
determinante. Com isso, com uma populao elevada, faz com que o
programa perca muito tempo em processamento, desnecessariamente, tendo
em vista que ele s ir parar quando toda a populao (que ampla) ficar
homognea ou quando o nmero mximo de geraes (que tambm
elevado) for alcanado.
Populao Inicial: observou-se que quando a populao inicial era composta
por indivduos ruins, algum indivduo que possusse caractersticas um pouco
melhores logo dominava as geraes, fazendo com que a populao
rapidamente se homogeneizasse e o programa conclusse sem que
conseguisse obter uma soluo satisfatria.
98
10 CONCLUSES
Essa dissertao abordou o problema de otimizao de vigas de concreto armado
utilizando um mtodo probabilstico de otimizao baseado em algoritmos
evolucionrios, os Algoritmos Genticos (AGs). Os AGs procuram simular o
comportamento do problema a ser otimizado inspirando-se na teoria da evoluo
das espcies, proposta inicialmente por Darwin. Ele trabalha com populaes de
solues, de forma a explorar o domnio do problema e atravs de um mecanismo
de seleo que privilegia solues mais prximas da soluo tima, cruza suas
informaes e gera indivduos mais bem adaptados que os anteriores.
A motivao para tal estudo veio da necessidade de se buscar solues exeqveis
para problemas de otimizao de vigas, tendo em vista seu carter prtico de
aplicao. Isso porque os Algoritmos Genticos so um mtodo robusto, capaz de
tratar de problemas complexos e trabalhar facilmente com variveis discretas, alm
de ser bastante adaptvel a mudanas.
Inicialmente foram levantados dados a respeito da aplicao deste mtodo de
otimizao na rea de engenharia de estruturas. Descobriu-se que ele
relativamente antigo, porm s pde ser desenvolvimento melhor com o aumento da
capacidade computacional dos computadores. No mbito internacional, os AGs em
sua maioria so aplicados em estruturas metlicas. Isso se deve ao fato das
caractersticas homogneas do ao facilitarem sua implementao. Alm disso, o
ao mais utilizado na maioria dos pases onde se obteve dados da pesquisa
(geralmente pases desenvolvidos). Quanto ao concreto, constatou-se que existiam
poucos trabalhos que utilizaram este tipo de material. No Brasil foram encontrados
muitos trabalhos que utilizavam concreto armado, provavelmente devido ao fato dele
ainda ser o material que predomina nas construes, devido ao seu baixo custo.
Descobriu-se tambm que a grande maioria das pesquisas em otimizao de
estruturas prefere adotar mtodos tradicionais, determinsticos. Ainda existe grande
preconceito com relao aos mtodos probabilsticos, incluindo os algoritmos
genticos. Muitos pensam se tratar de cruzamentos aleatrios em torno do domnio
99
do problema. Porm deve-se levar em considerao que exatamente pelo seu
carter simples, sem grande complexidade, deixando que a natureza resolva o
problema que est a genialidade do mtodo. bem verdade que se os parmetros
adotados para a resoluo do problema no estiverem corretamente ajustados, o
mtodo pode vir a se tornar meramente uma busca aleatria. Por isso a importncia
de se calibrar estes parmetros. E para cada problema eles devero ter um
comportamento diferente. Por isso cada caso deve ser analisado isoladamente e
muitos testes de aferio devero ser realizados antes de se buscar a resposta final.
Feito isso um problema que se utiliza de Algoritmos Genticos para encontrar sua
soluo ter um resultado bastante satisfatrio. A questo do custo computacional
um tema importante a ser tratado nos AGs, porm para resolver este problema
pode-se utilizar paralelismo, ou seja, deixar vrias mquinas trabalhando
simultaneamente num mesmo problema, tendo em vista que eles podem ser
tratados independentemente. Alm disso, os hardwares de computadores tm
evoludo consideravelmente ao longo dos anos.
Como objetivo de se aplicar os conceitos dos AGs na otimizao de vigas, produziu-
se um programa em linguagem Java, aplicando-se conceitos de POO, que
facilitaram no desenvolvimento do mesmo. O programa otimiza topolgica e
parametricamente vigas de concreto armado, submetidas a um carregamento
distribudo, sujeitas a restries laterais das variveis (a fim de tornar o problema
compatvel com a realidade pratica) e restries de comportamento em relao ao
ELU. Durante o desenvolvimento do programa pode-se sentir as particularidades da
aplicao de um mtodo probabilstico de otimizao. Notou-se o seu carter
sensvel quanto aos parmetros adotados. Se utilizados de forma adequada o
problema consegue resultados satisfatrios, caso contrrio pode-se realmente se
tornar uma mera busca aleatria, como muitos pensam. Portanto, acredita-se que o
principal obstculo dos AGs seja o ajuste dos seus parmetros.
Como sugesto para trabalhos futuros pode-se:
Concluir este projeto, aplicando-se a pavimentos tipo de edifcios fazendo a
total integrao entre vigas do pavimento, lajes e pilares.
100
Focalizar o desenvolvimento da pesquisa no campo da calibrao dos
parmetros, de modo a tentar encontrar valores que sejam menos
especficos. Ou seja, diminuir a sensibilidade do problema a estes parmetros
e se possvel aplicar a casos mais genricos.
Aplicar computao paralela de forma a otimizar o tempo de processamento
do projeto.
101
REFERNCIAS
[1] Atherly, A.G., J.R. Girton, e J.F. McDonald. The Science of Genetics. Harcourt
Brace College Publishers; 1 edition, 1998.
[2] BCK, T., U. HAMMEL, e H.P. SCHWEFEL. Evolutionary Computation:
Comments on the History and Current State. IEEE Transactions On Evolutionary
Computation, vol. 1, n 1, pp. 3-17, 1997.
[3] Balling, R.J., M. Asce, R.R. Briggs, e K. Gillman. Multiple Optimum
size/Shape/Topology designs for skeletal Structures Using a Genetic Algorithms.
In Journal os structural Engineering, ASCE. v.132. n7, 2006.
[4] Briggs, R. R. A Genetic Algorithm that Finds all Optimum Topologies of Skeletal.
2004. 131p. Dissertao (Mestrado) - Brigham Young University, Utah, 2004.
[5] Brun, A.L. Algoritmos Genticos. In: Encontro Paranaense de Computao, I,
Cascavel. Apostila EPAC. Paran, 2005.
[6] Castilho, V. C. de. Otimizao de Componentes de Concreto Pr-moldado
Protendidos Mediante Algoritmos Genticos. 2003. 181p. Tese (Doutorado) -
Escola de Engenharia de So Carlos, Universidade de So Paulo. So Paulo,
2003.
[7] Castro, R.E. Otimizao. 1999. 87 p. Monografia (Proposta para insc. direta no
Doutorado) - COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro,
1999.
[8] . Otimizao de Estruturas com Multi-Objetivos via Algoritmos Genticos.
2001. 206 p. Tese (Doutorado) - COOPE, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, 2001.
102
[9] Chiam, S.C., C.K. Gom, e K.C. Tan. Issues of Binary Representation in
Evolutionary Algorithms. In Cibernetics and Intelligent Systems, 2006 IEEE
Conference, 2006.
[10] Cho, H-.N., D-.H. Min, e K.M. Lee. Optimum Life-Cycle Cost Design of
Orthotropic Steel Deck Bridges. In: International Journal of Korean Society of
Steel Construction, Vol.1, n2, pp.141-153, 2001.
[11] Cohn, M. Z., A.J. Dinovtzer, Fellow, e ASCE. Application of Structural
Optimization. In Journal of Structural Engineering, ASCE, v.120, n. 2, 1994.
[12] Croce, E.S., E.G. Ferreira, e A.C.C. Lemonge. A Genetic Algorithm for
Structural Optimization of Steel Truss Roofs. In: Congress Iberian Latin-American
on Computational Methods in Engineering (CILAMCE), XXV, 2004, Recife.
Proceedings. Pernambuco, 2004.
[13] DAVIS, L. Handbook of Genetic Algorithms. Van Nostrand Reinhold, Nova
York, 1991.
[14] Deb, K., e S. Gulati. Design of Truss Structures for Minimum Weight Using
Genetic Algorithms. In Journal of Finit Element in Analysis and Design. v.37. n. 5,
2001.
[15] Del Savio, A.A., S.A.L. Andrade, P.C.G.S Vellasco, e L.F. Martha. Genetic
Algorithm optimization of semi-rigid steel structures. In B.H.V. Topping -
Internacional Conference on the Aplication of Artificial Inteligence to Civil,
Structural and Enviromental Engineering. VIII. 2005. Stirlingshire. Proceedings.
Paper 24. Uk, 2005.
[16] Escola Politcnica da Universidade de So Paulo. Diretrizes para
apresentao de dissertaes e teses. 3 ed. Diviso de Bibliotecas da EPUSP.
103p. So Paulo, 2003.
[17] Gantovnik, V.B. An Improved Genetic Algorithm for the Optimization of
Composite Structures. 2005. 111p. Tese (Doutorado) - Faculty of the Virginia
Polytechnic Institute and State Institute. Virginia, 2005.
103
[18] Gillman, K.M. Optimization of Shape, Size and Topology Design Variables in
Trusses with a Genetic Algorithm. 2005. 82p. Dissertao (Mestrado) - Brigham
Young University, Utah, 2005.
[19] Goldberg, D.E. Genetic Algorithms in Search, Optimization and Machine
Learning. Addison Wesley , 1989.
[20] Grierson, D.E., e W.H. Pack. Optimal Sizing, Geometrical and Topological
design using a genetic Algorithm. Journal of Structural Optimization, 6, 151-159,
1993.
[21] Guerra, C. Otimizao Paramtrica de Estruturas Treliadas por Algoritmos
Genticos. 2008. 91p. Dissertao (Mestrado). Escola de Engenharia,
Universidade Federal do Rio Grande do Sul, Rio Grande do Sul, 2008.
[22] Haftka, R.T., e Z. Gurdal. Elements of Structural Optimization (Solid
Mechanics and its applications). Kluwer Academic Publishers,v.11. 504 p.
Dordrecht., 1991.
[23] Holland, J.H. Adaptation in Natural and Artificial Systems. University of
Michigan Press, 1975.
[24] Hultman, M. Weight Optimization of Steel Trusses by a Genetic Algorithm.
2010. 65 p. Dissertao (Mestrado). Lund Institute of Tecnology. Lund. Sucia,
2010.
[25] Kicinger, R.P., e T. Arciszewski. Evolutionary Multi-Objetive Design of Steel
Structures in Tall Buildings. In: Obayashi, S., editor. Proceeding of the AIAA 1st
Intelligent Systems Technical Conference, Chicago, 2004.
[26] Kim, I.Y., e O. Weck. Progressive Structural Topology Optimization by
Variable Chromossome Length Genetic Algorithm . In: China-Japan-Korea Jount
Symposium on Optimization of Structural and Mecanical Systems, III, 2004,
Kanazawa. Proceedings. Japan, 2004.
[27] Koumousis, V.K., e P.G. Georgiou. Genetic Algorithm in Discrete Optimization
of Steel Truss Roofs. In Journal of Computing in Civil Engineering, ASCE. v.8. n.
3. , 1994.
104
[28] Lima, C.R.N. Anlise de Deformao por Fluencia em uma viga de Concreto
Armado e protendido: Retroanlise a Algoritmos Genticos. 2007. 76 p.
Dissertao (Mestrado) Escola Politecnica, Universidade de So Paulo, So
Paulo, 2007.
[29] Luenberger, D.G. Linear and Nonlinear Programming. SPRINGER VERLAG,
2ed, 2003.
[30] Michalewicz, Z., e R. Hinterding. Evolutionary Algorithms. Chapter 2 in Fuzzy
Evolutionary Computation, Kluwer Academic, 1997.
[31] Olivieri, B. P. Otimizao do Projeto de Pontes Protendidas Pr-Moldadas
pelo Mtodo dos Algoritmos Genticos. 2004. 129 p. Dissertao (Mestrado) -
COPPE, Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2004.
[32] Pizzirani, F. Otimizao Topolgica de Estruturas Utilizando Algoritmos
Genticos. 2003. 86p. Dissertao (Mestrado) - Faculdade de Engenharia
Mecnica, Universidade Estadual de Campinas Campinas. So Paulo, 2003.
[33] Rajev, S., e C.S. Krishnamoorthy. Discrete Optimization of Structures using
Genetic Algorithm. Journal of structural engineering, ASCE, v.118. n.5, p.1233-
1250., 1992.
[34] Sakla, S., e E. Elbeltagi. Design of Steel Roofs Subjected to Drifed Snow
Using Genetic Optimization. In: Journal of Computers and Structures, Elsevier
Publishier, vol. 81, n6, pp339-348, 2003.
[35] Silva, E.E. Otimizao de Estruturas de Concreto Armado Utilizando
Algoritmos Genticos. 2001. 131p. Dissertao (Mestrado) - Escola Politcnica,
Universidade de So Paulo,So Paulo, 2001.
[36] Soares, R.C. Otimizao de Sees Transversais de Conccreto Armado -
Aplicao a Pavimentos. 1997. 145 p. Dissertao (Mestrado) - Escola de
Engenharia de So Carlos, Universidade de So Carlos. So Paulo: So Carlos,
1997.
105
[37] Tai, K., S. Wang, S. Akhtar, e J. Prasad. Structural Topology Optimization
using a Genetic Algorithm and Morphological Representation of Geometry. . In
3rd SMA Annual Symposium, Singapure, 17-18, 2003.
[38] Timoteo, G.T.S. Desenvolvimento de um Algoritmo Gentico para a resoluo
do Timetabling. 2002. 76 p. Dissertao (Graduao) - Universidade Federal de
Lavras, Minas Gerais, 2002.
[39] Vianna, L.C.C., e A.L.H Debs. Otimizao de Sees Transversais de
Concreto Armado: Aplicao a Prticos. In: Cadernos de Engenharia de
Estruturas. So Carlos. 2005. vol.7, n26, p.1-32, 2005.
[40] Wang, S., S. Akhtar, J. Prasad, e K. Tai. Structural Topology Optimization
Using a Genetic Algorithm and a Morphological Representation of Geometry. In:
Singapure-MIT Alliance Annual Simposium, III, 2003, Camberra. Proceedings.
Australia, 2002.
[41] Woon, S.Y., O.M. Querin, e G.P. Steven. Structural Application of a Shape
Optimization Method Based on Genetic Algorithm. In: Structural and
Multidisciplinary Optimization. 2001. vol.22, n1,p. 57-64, 2001.
[42] Zuben, F.J.V. Computao Evolutiva: Uma abordagem Pragmtica. Apostila.
Campinas: Unicamp, 2004.
106
APNDICE A
VALIDAO DO PROGRAMA UMA APLICAO DO AGEN PARA
OTIMIZAO DE SEO TRANSVERSAL DE UMA VIGA DE CONCRETO
A fim de validar os conceitos aplicados no programa AGEN, utilizou-se como
referncia um exemplo aplicado por dois autores da bibliografia, que utilizaram
abordagens distintas para resolver o mesmo problema. Trata-se da otimizao da
seo transversal de uma viga de concreto, biapoiada submetida a um
carregamento distribudo. (Soares 1997) adotou o mtodo dos multiplicadores de
Lagrange (mtodo determinstico) enquanto (Castilho 2003) utilizou Algoritmos
Genticos (mtodo probabilstico) para resolver o mesmo problema.
Figura 28 - Exemplo de aplicao
Abaixo segue a formulao:
min1, 2 =
1 +
+2
+2 1
Sujeito a:
1 0
2
0,075 1
1 0
1 0
107
50 1 80 (cm)
3.1 2 6.2 (cm)
Onde:
x1 = h d (distncia do centro de gravidade da armadura tracionada a face mais
comprimida).
x2 = rea de armadura;
i
= Flecha mxima para cada indivduo;
Adm
= Flecha Admissvel (L/300);
M
d
= Momento Atuante de clculo;
M
u
= Momento resistente.
L= 8m;
q = 0.1 KN/m (1tf/m);
d' = 0.03 m;
b
w
= 0.15m;
C
c
= 30% do Custo total (Custo do concreto);
C
a
= 30% do Custo total (Custo do ao);
C
F
= 40% do Custo total (Custo da Forma);
s =
75 KN/m (7.5tf/m) Densidade do Ao;
Concreto: 20Mpa (C20);
Ao: CA50;
Os resultados encontrados por (Castilho 2003) e (Soares 1997) esto apresentados
na tabela a seguir:
108
Autor Mtodo Utilizado
Resultados Obtidos
H(cm) As (cm)
(Soares 1997)
Multiplicadores de Lagrange
(Determinstico)
67.25 4.13
(Castilho 2003)
Algoritmos Genticos,
utilizando variveis continuas
(Probabilistico)
67.25 4.33
Conforme visto nos Captulos 6 e 7, o problema tratado no programa AGEN bem
mais complexo que o tratado no exemplo de validao, portanto algumas
adaptaes foram feitas para torn-lo compatvel com o problema a resolver. Por
exemplo, no custo da viga por metro foram eliminados os termos referentes ao custo
da armadura superior (negativa) e ao custo dos estribos, conforme se observa
abaixo:
,
=
+2
Equao 16 - Custo de Viga por metro - Adaptada ao exemplo
Sujeito a:
0.5 0.80 , / = { /
0.05} (m)
= { 1.0, 1.25, 1.6, 2.0, 2.5, 3.2}, .
2 8 ,
Onde,
109
b = 0.15 m
C
C
= 0.3 (R$/m)
C
A
= 0.3 (R$/Kg)
C
F
= 0.4 (R$/m)
Os parmetros de entrada utilizados para o algoritmo gentico foram:
Tamanho da populao: 1000;
Probabilidade de mutao: 0.001;
Critrios de parada:
Populao Homognea ou ;
h = 65cm e (Asi 4.5) <= 0.5; (Teste 1)
h = 70 cm e (Asi 4.5) <= 0.5; (Teste 2)
Onde Asi = rea de ao inferior.
Para cada teste o programa foi aplicado 20 vezes, a fim de verificar a veracidade
dos resultados. Abaixo segue tabela com os resultados obtidos:
Teste 1 - Soluo tima (65, 4.5)
N H (cm) pNi pDli (cm) As(cm) Critrio de parada Gerao de Parada
1 65 4 1,25 5,00 Soluo tima 7
2 65 6 1,00 4,80 Soluo tima 10
3 65 6 1,00 4,80 Soluo tima 5
4 65 6 1,00 4,80 Soluo tima 10
5 55 4 1,60 8,00 Populao Homognea 66
6 65 4 1,25 5,00 Soluo tima 11
7 70 6 1,60 12,00 Populao Homognea 64
8 65 4 1,25 5,00 Soluo tima 5
9 65 4 1,25 5,00 Soluo tima 10
10 65 4 1,25 5,00 Soluo tima 7
11 65 4 1,25 5,00 Soluo tima 10
12 65 4 1,25 5,00 Soluo tima 11
13 65 4 1,25 5,00 Soluo tima 9
14 65 4 1,25 5,00 Soluo tima 15
110
Teste 1 - Soluo tima (65, 4.5)
N H (cm) pNi pDli (cm) As(cm) Critrio de parada Gerao de Parada
15 65 4 1,25 5,00 Soluo tima 13
16 65 4 1,25 5,00 Soluo tima 6
17 80 3 1,25 3,75 Populao Homognea 91
18 65 4 1,25 5,00 Soluo tima 9
19 65 4 1,25 5,00 Soluo tima 7
20 65 4 1,25 5,00 Soluo tima 17
Teste 2 - Soluo tima (75, 4.5)
N H (cm) pNi pDli (cm) As(cm) Critrio de parada Gerao de Parada
1 70 4 1,25 5,00 Soluo tima 12
2 80 3 1,60 6,00 Populao Homognea 137
3 70 6 1,00 4,80 Soluo tima 6
4 75 2 1,60 4,00 Populao Homognea 42
5 70 6 1,00 4,80 Soluo tima 6
6 70 4 1,25 5,00 Soluo tima 10
7 70 4 1,25 5,00 Soluo tima 15
8 70 4 1,25 5,00 Soluo tima 26
9 70 4 1,25 5,00 Soluo tima 48
10 75 5 1,25 6,25 Populao Homognea 248
11 70 4 1,25 5,00 Soluo tima 15
12 70 6 1,00 4,80 Soluo tima 10
13 80 3 1,25 3,75 Populao Homognea 171
14 60 5 1,25 6,25 Populao Homognea 65
15 70 4 1,25 5,00 Soluo tima 11
16 75 3 1,60 6,00 Populao Homognea 35
17 70 4 1,25 5,00 Soluo tima 14
18 70 4 1,25 5,00 Soluo tima 9
19 70 6 1,00 4,80 Soluo tima 17
20 70 4 1,25 5,00 Soluo tima 8
111
Em 85% dos casos o programa chegou soluo tima, portanto pode-se
consider-lo validado. importante ressaltar alguns pontos:
medida que a soluo tima dada como critrio de parada do programa se
afasta da real soluo tima, o programa vai convergindo para outros
resultados, ou seja, ele demonstra que est em busca da soluo tima por
mais que se indique um caminho diferente;
Adotou-se variveis discretas, ao contrrio dos autores de referencia que
adotaram variveis contnuas;
A restrio de flecha (adotada pelos demais autores), no foi considerada no
programa.
Sol.
tima
85%
Homo
gnea
15%
Teste 1
Sol.
tima
82%
Homo
gnea
18%
Teste 2
112
APENDICE B
TABELA RESUMO COM A FREQUENCIA DE DIVERSOS TRABALHOS DE
OTIMIZAO ESTRUTURAL ORGANIZADOS POR ALGUMAS
CARACTERISTICAS BSICAS (Cohn, et al. 1994)