Computação Evolucionária em Problemas de Engenharia - Lopes, Heitor Silvério - 2011

Heitor Silvrio Lopes
Ricardo Hiroshi Caldeira Takahashi

(Editores)
Computao Evolucionria em
Problemas de Engenharia
2011
Copyright
c 2011 Omnipax Editora Ltda
Caixa Postal: 16532 - 81520-980 Curitiba, PR
A editora disponibiliza por acesso livre a verso eletr-

nica deste livro no site : http://www.omnipax.com.br,
sob uma licena Creative Commons Attribution 3.0.
Capa:
Srgio Alexandre Prokoev
Projeto grco e editorao:

Omnipax Editora Ltda
Impresso:
Pix Bureau Grca e Editora
Ficha catalogrca:
Adriano Lopes (CRB9/1429)
Dados Internacionais de Catalogao na Publicao
C738 Computao evolucionria em problemas de engenharia/

organizao: Heitor Silvrio Lopes e Ricardo Hiroshi Cal-
deira Takahashi. Curitiba, PR: Omnipax, 2011.
385 p.: il.
Vrios autores
Inclui biograas
ISBN: 978-85-64619-00-5
e-ISBN: 978-85-64619-04-3
1. Inteligncia articial. 2. Computao evolutiva. 3.

Algoritmos genticos. 4. Algoritmos de computador. 5. En-
genharia auxiliada por computador. I. Lopes, Heitor Silvrio,
org. II. Takahashi, Ricardo Hiroshi Caldeira, org. III. Ttulo
CDD (22. ed.) 006.3
CDU 006.32
005.1
Prefcio
O projeto de sistemas de engenharia um campo que requer, por

um lado, o conhecimento relacionado com cada disciplina de engenha-
ria (por exemplo: mecnica dos uidos, eletricidade, clculo estrutu-
ral, etc), que constituem a base para a construo de dispositivos ou
sistemas que satisfaam s necessidades de cada projeto. Por outro
lado, requer tambm o uso de tcnicas capazes de tratar o grande
nmero de possveis solues de projeto, trazendo luz as poucas
solues possveis que podem ser chamadas de timas, ou seja, que
representam sistemas com bom desempenho, econmicos e conveis.
Estas tcnicas so chamadas de tcnicas de otimizao. medida em
que avana a tecnologia, torna-se cada vez mais importante o uso da
otimizao, devido ao aumento da complexidade dos sistemas a serem
projetados, o que torna virtualmente impossvel o projeto sem o uso
direto ou indireto destas tcnicas.
Nas ltimas dcadas, pesquisadores procuraram desenvolver no-

vas abordagens para problemas de otimizao, tendo como inspirao
os mecanismos de adaptao biolgica presentes da natureza. Foram
desenvolvidos, por exemplo, novos algoritmos inspirados na teoria
da evoluo das espcies, ou na observao de colnias de insetos
buscando alimento, ou ainda no sistema imunolgico dos mamferos
defendendo o organismo contra invasores. Tais algoritmos, coletiva-
mente conhecidos como tcnicas de computao evolucionria, tem
revelado grande ecincia para resolver satisfatoriamente inmeros
problemas de projeto de engenharia. Atualmente, tais algoritmos fa-
zem parte do conjunto de ferramentas que se associam a praticamente
todo projeto de sistemas de alta tecnologia.
Dentre as tcnicas utilizadas para a resoluo de problemas de

engenharia destacam-se os Algoritmos Genticos. Entretanto, outras
tcnicas evolucionrias (evolutivas) tambm tem sido utilizadas em
alguns casos, podendo-se citar: Otimizao por Colnias de Formi-
gas (ACO), Otimizao por Enxame de Partculas (PSO), Colnia de
Abelhas Articiais (ABC), Busca Harmnica (HS) e Evoluo Dife-
rencial (DE), alm de diversos algoritmos evolutivos hbridos.
No Brasil h um grande nmero de grupos de pesquisa em di-

ferentes instituies acadmicas aplicando tcnicas de computao
evolucionria em problemas de projeto de engenharia. Isto mostra a
maturidade da rea no Brasil, e este livro apresenta um panorama de
trabalhos recentes desenvolvidos por pesquisadores brasileiros nesta
rea estratgica do conhecimento, incluindo aplicaes nas engenha-
rias: eltrica, nuclear, mecnica, de controle e de produo.
Heitor Silvrio Lopes UTFPR

Ricardo Hiroshi Caldeira Takahashi UFMG
Sumrio
Aplicao do algoritmo de colnia de formigas com informaes

dos multiplicadores de Lagrange na programao de sistemas
termoeltricos de gerao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Ivo C. Silva Junior, Flvia R. Nascimento, Edimar J. Oliveira, An-
dr L.M. Marcato e Bruno H. Dias
.
Ferramenta computacional baseada em algoritmos genticos
aplicada ao planejamento da operao de sistemas hidrotrmicos 19
2 Patricia T.L. Asano, Thiago R. de Alencar, Adriano A.F.M. Car-
neiro, Andr Carlos P.L.F. de Carvalho e Sadao Massago
.
Algoritmos genticos aplicados ao planejamento da distribuio
3 de energia eltrica em Curitiba e regio metropolitana . . . . . . . . 55
Arileide C. Alves, Maria T.A. Steiner e Nelson H. Mussi
.
Otimizao multiobjetivo da operao de uma usina hidroel-
trica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4 Luis A. Scola, Oriane M. Neto, Ricardo H.C. Takahashi e Srgio
A.A.G. Cerqueira
Aplicao on-line de algoritmo gentico na otimizao de um
.
regulador de velocidade fuzzy para acionamentos eltricos . . . . . 89

5 Wander G. da Silva, Bernardo Alvarenga, Paul P. Acarnley e John
W. Finch
.
Comparao de tcnicas de computao evolucionria para o
projeto de ltros digitais de resposta nita ao impulso . . . . . . . . 107
6 Daniel R. de Oliveira, Marlon H. Scalabrin, Fbio R. Teodoro, Rafael
S. Parpinelli e Heitor S. Lopes
.
Caracterizao e otimizao de cmaras reverberantes para tes-
tes de compatibilidade eletromagntica . . . . . . . . . . . . . . . . . . . . . . . . 129
7 Srgio L. vila, Djonny Weinzierl, Mrio A. Santos Jr., Luiz

Lebensztajn, Carlos A.F. Sartori, Jos R. Cardoso e Laurent
Krhenbhl
Computao evolucionria aplicada ao problema da recarga de
reatores nucleares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8 Roberto Schirru, Alan M.M. Lima, Andressa S. Nicolau, Ion M.S.
de Oliveira e Mrcio H. da Silva
.
Resoluo de problemas inversos em processos difusivos e trans-
9 ferncia radiativa usando o algoritmo de evoluo diferencial . . 173
Fran S. Lobato, Valder Steen Jr. e Antnio J. Silva Neto
.
Algoritmo gentico com interao social na resoluo de proble-
mas de otimizao global com restries. . . . . . . . . . . . . . . . . . . . . . . 197
10 Otvio N. Teixeira, Walter A.L. Lobato, Hitoshi S. Yanaguibashi, Ro-
drigo V. Calvalcante, Deam J.A. da Silva e Roberto C.L. de Oliveira
.
Controlador preditivo neural do nvel do molde do lingotamento
11 contnuo sintonizado via algoritmo gentico . . . . . . . . . . . . . . . . . . . 225
Fbio B. Sanchotene, Gustavo M. de Almeida e Jos L.F. Salles
.
Algoritmo evolutivo hbrido para escalonamento integrado na
12 agroindstria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Ademir A. Constantino, Dario Landa-Silva e Wesley Romo
.
Heursticas evolutivas hbridas para o problema de escalona-
13 mento de projetos com restrio de recursos dinmicos . . . . . . . . 273
Andr R.V. da Silva e Luiz S. Ochi
.
Algoritmos evolucionrios na soluo do problema do caixeiro
14 alugador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
Marco C. Goldbarg, Paulo H.A. da Silva e Elizabeth F.G. Goldbarg
Algoritmo micro-gentico aplicado ao scheduling de uma rede de
.
15 distribuio de derivados de petrleo . . . . . . . . . . . . . . . . . . . . . . . . . . 331

Henrique Westphal, Flvio Neves Jr. e Lcia V.R. de Arruda
.
Aplicao de algoritmos bio-inspirados para a sntese e otimiza-
16 o de sistemas para produo de petrleo oshore . . . . . . . . . . . . 355
Beatriz S.L. Pires de Lima e Breno P. Jacob
.
Captulo 1
Aplicao do Algoritmo de Colnia de Formigas com

Informaes dos Multiplicadores de Lagrange na
Programao de Sistemas Termoeltricos de Gerao
Ivo C. Silva Junior, Flvia R. Nascimento, Edimar J. Oliveira,

Andr L. M. Marcato e Bruno H. Dias
Resumo: Este captulo prope a determinao e a utilizao de

uma ordem de mrito para as unidades termoeltricas de gerao
como informao adicional no processo de busca bio-inspirado co-
nhecido como colnia de formigas. Esta ordem de mrito base-
ada nas informaes fornecidas pelos multiplicadores de Lagrange
associados s variveis discretas de deciso, as quais so represen-
tadas atravs de uma funo contnua. Com a ordem de mrito
determinada, um percentual de indivduos da colnia faz uso des-
tas informaes no processo de busca visando a minimizao da
programao diria de operao. Os resultados alcanados atravs
das simulaes indicam que as informaes dos multiplicadores de
Lagrange aumentaram a ecincia da colnia em seu processo de
busca.
Palavras-chave: Multiplicadores de Lagrange, Operao de uni-

dades termoeltricas, Despacho Trmico, Otimizao por colnia de
formigas.
Abstract: This chapter proposes the use of a merit order as ad-

ditional information in the ant colony optimization process applied
to thermoelectric generation systems. This merit order is based
on information provided by the Lagrange multipliers related to the
discrete decision variables. Those variables are represented by a
continuous function. After determining the merit order, a set of
the ant colony individuals make use of that information aiming at
minimizing the daily dispatch of the system. Results indicate that
information obtained from Lagrange multipliers increase the eci-
ency of the ant colony search process.
Keywords: Lagrange coecients, Thermal unit commitment,
Thermal dispatch, Ant colony optimization.
Autor para contato: ivo.junior@ufjf.edu.br
Lopes & Takahashi (Eds.), Computao Evolucionria em Problemas de Engenharia (2011) ISBN 978-85-64619-00-5
2 Silva Junior et al.
1. Introduo
A programao diria da operao da gerao um dos problemas mais
relevantes do setor de energia eltrica. Nessa tarefa, a meta o atendimento
da demanda ao menor custo possvel atravs da otimizao dos recursos
disponveis (Fortunato et al., 1990). A programao da operao torna-se
cada vez mais relevante, no apenas para promover economia e segurana
do sistema, mas tambm pelas seguintes razes:
As decises de partida, parada e as dinmicas quanto reativao

das modernas instalaes geradoras so complexas e dispendiosas;
No atual modelo competitivo do setor eltrico, ganhos de pequena

porcentagem tornaram-se economicamente relevantes;
H uma variao acentuada entre as demandas em horrios de pico

e fora do pico.
A programao diria da operao pode ser denida como sendo a de-

terminao de uma estratgia de operao, cujo objetivo indicar dentre
todas as unidades geradoras existentes no sistema quais devem ser coloca-
das em operao e suas respectivas potncias horrias de sada, de modo
a atender a demanda de energia, satisfazendo as restries operacionais e
funcionais do sistema eltrico (Wood & Wollenberg, 1996; Padhy, 2004).
i
O problema pode ser dividido em dois subproblemas: ( ) referente
determinao das unidades que devem estar em operao ou no mediante
a demanda solicitada; ( ii ) referente determinao da potncia gerada
por cada uma das unidades colocadas em operao pelo subproblema ( ), i
o despacho econmico. A diferena entre ambos os problemas a questo
relacionada variao da demanda ao longo do tempo. O problema do
despacho visa determinar unicamente a potncia eltrica de sada de cada
unidade termoeltrica, portanto, no decide sobre quais unidades devem
estar em operao ou no e quando isso deve ocorrer. A variao da curva
de carga ao longo do tempo requer o acionamento e/ou desligamento de
determinadas unidades geradoras, o que envolve novos custos e restries
aumentando a complexidade do problema. Quanto s escalas de tempo en-
volvidas, a programao diria da operao cobre o escopo das decises de
operao do sistema eltrico de potncia a cada hora, dentro do horizonte
de um dia a duas semanas.
Classicado matematicamente como um problema de programao no
i
linear inteira mista, o problema apresenta as seguintes diculdades: ( ) Re-
gio de soluo no convexa, o que permite a existncia de vrias solues
e conduz grande parte dos algoritmos a convergirem em direo de mni-
mos locais; ( ii ) Natureza combinatria do processo de deciso, que leva ao
fenmeno da exploso combinatria referente s alternativas de operao,
acarretando elevado tempo computacional. A Tabela 1 apresenta o nmero
total de combinaes de operao em relao a um determinado nmero
ACO para sistemas termoeltricos de gerao 3
de Unidades Termoeltricas de Gerao (UTEs) para um perodo de vinte

e quatro horas de operao; ( iii ) Natureza dinmica do processo de deci-
so, que se por um lado limita as opes de deciso, por outro ocasiona
antagonismo em relao ao despacho econmico.
Tabela 1. Natureza combinatria do problema.

Nmero de UTEs Nmero de Combinaes
50
7 3,099510
72
10 1,725910
288
40 9,745310
Fazendo uma anlise da literatura pode-se constatar que h necessidade

tanto de aperfeioamentos dos algoritmos existentes como da elaborao de
novas tcnicas para a resoluo do problema em questo. O que se observa,
no geral, que por um lado, um algoritmo pode ser simples, rpido, mas
que apresenta mnimos locais de baixa qualidade (alto custo operacional).
Por outro lado, tm-se algoritmos complexos, lentos, mas que apresentam
solues sub-timas ou timas (baixo custo operacional).
Diante das diculdades e dos cenrios apresentados, surge a motiva-
o do estudo, utilizao e aperfeioamento das tcnicas de otimizao
bio-inspiradas (Belede et al., 2009). Assim, o objetivo deste captulo a
determinao tima da programao diria de operao de unidades ter-
moeltricas de gerao via algoritmo de colnia de formigas considerando
as informaes dos multiplicadores de Lagrange associados s variveis dis-
cretas de deciso no processo de busca da colnia.
Os resultados para quatro sistemas termoeltricos de gerao ampla-
mente difundidos na literatura sero apresentados de modo a vericar a
ecincia das informaes dos multiplicadores de Lagrange no critrio de
busca do algoritmo de colnia de formigas.
2. Colnia de Formigas
As formigas, em sua busca por comida, deixam trilhas bem denidas entre
a colnia e a fonte de alimento, isso acontece devido ao depsito de uma
substncia chamada feromnio. Embora o processo de busca se inicie de
forma aleatria, se uma formiga encontra um caminho mais curto entre a
fonte de comida e o ninho, esta, ao retornar para o ninho, reforar a trilha
de feromnio deixada por ela na ida. Como seu caminho mais curto, ela
percorrer o trajeto de ida e volta mais vezes do que as outras, que levaro
mais tempo para sair e voltar ao ninho, reforando mais a concentrao
de feromnio. medida que outras formigas encontrarem essa trilha com
maior quantidade de feromnio, estas continuaro depositando a substn-

cia, aumentando ainda mais a sua concentrao, chegando a um ponto em
que praticamente todas as formigas sero atradas a ir somente por aquele
caminho timo. O algoritmo de Colnia de Formigas (Dorigo et al., 1996;
Bonabeau et al., 1999; Dorigo & Caro, 1999; Dorigo et al., 1999; Dorigo
& Sttzle, 2003, 2004) nada mais do que um modelo matemtico que
representa este comportamento com o objetivo de encontrar uma soluo
para um determinado problema, seja este de otimizao ou no.
3. Formulao do Problema da Programao Diria da Opera-

o de Sistemas Termoeltricos de Gerao
De maneira geral, existem dois tipos de restries na formulao (Hobbs
i
et al., 2001): ( ) restries sistmicas, tais como atendimento demanda,
reserva girante e limites de transmisso. Estes tipos de restries impem
alguma diculdade ao problema, visto que acoplam as diversas termoel-
tricas existentes no sistema; ( ii ) restries locais, tais como limites ope-
racionais, tomadas e retomadas de carga e tempos mnimos de parada e
partida. Estas restries interferem apenas na operao das unidades ter-
moeltricas de gerao individualmente, ou seja, so restries inerentes a
cada unidade geradora.
A seguir ser apresentada a notao utilizada e a formulao do pro-
blema referente programao da operao de sistemas termoeltricos de
gerao.
Notao utilizada:
N Nmero total de unidades trmicas;
T Perodo total de operao;
i ndice da unidade trmica;
t ndice da hora;
DOi (t) Varivel discreta [0, 1] de deciso ON/OFF, da unidade
trmica i na horat;
Pi (t) Potncia ativa gerada pela unidade trmica i na hora t;
Pimax Limite mximo de potncia ativa gerada pela unidade
trmica i;
Pimin Limite mnimo de potncia ativa gerada pela unidade
trmica i;
D(t) Demanda solicitada na hora t;
r(t) Reserva girante solicitada na hora t;
Tion Tempo mnimo de partida da unidade trmica i;
Tiof f Tempo mnimo de parada da unidade trmica i;
Xion (t) Tempo em que a unidade trmica i est ligada;
Xiof f (t) Tempo em que a unidade trmica i est desligada;
SCi (t) Custo de partida da unidade trmica i na hora t;

SDi (t) Custo de parada da unidade trmica i na hora t;
ai , bi , ci Coecientes referentes aos custos do combustvel da unidade
2
trmica i ($/h, $/M W h, $/M W h);
hci Custo de partida quente da unidade trmica i;
cci Custo de partida fria da unidade trmica i;
cshi Tempo de partida fria da unidade trmica i;
p (t) Multiplicador de Lagrange associado ao limites de potncia
ativa no instante t;
p (t) Multiplicador de Lagrange associado equao de balano de
potncia no instante t;
r (t) Multiplicador de Lagrange associado restrio de reserva
girante no instante t;
A funo objetivo (FOB), Equao 1, consiste na minimizao da soma

do custo total de operao (A, Equao 2), dos custos de partida (B ,
Equao 3) e de parada (C , Equao 4) das unidades geradoras durante o
perodo de operao em estudo.
min F OB = A + B + C (1)
onde:
T X
X N
A= [ai + bi Pi (t) + ci Pi2 (t)] DOi (t) (2)
t=1 i=1
T X
X N
B= SCi (t) (3)
t=1 i=1
T X
X N
C= SDi (t) (4)
t=1 i=1
importante mencionar que o custo de partida das unidades geradoras

depende do tempo que a unidade esteve parada anteriormente e do fato de
se manter ou no as caldeiras quentes durante o perodo de parada. Desta
forma, o custo de partida pode ser denido pela Equao 5.
( )
hci : Tiof f Xiof f (t) Tiof f + cshi
SC = (5)
cci : Xiof f > Tiof f + cshi
O custo de parada (SD) sempre dado como um valor constante para

cada unidade geradora e foi considerado, com na literatura, nulo nas simu-
laes aqui realizadas.
A restrio de balano de potncia ativa, Equao 6, analisa, direta-
mente, o estado de equilbrio do sistema eltrico a todo instante de tempo.
N
X
DOi (t) Pi (t) = D(t) . . . d (t) (6)
i=1
necessrio prever uma folga, designada de reserva girante, entre a

carga prevista e a potncia total disponvel entre as unidades geradoras em
servio para suprir aumentos inesperados de carga ou desvios de previso.
A Equao 7 traduz esta folga.
N
X
DOi (t) Pimax D(t) + r(t) . . . r (t) (7)
i=1
Em relao s unidades geradoras foram consideradas as seguintes res-

tries: i
( ) tempos mnimos de partida e parada, Equaes 8 e 9 res-
pectivamente; ( ii ) limites mximos e mnimos de produo, Equao 10.
Destaca-se que os limites inferiores so sempre positivos e no nulos.
Xion (t) Tion (t) (8)
Xiof f (t) Tiof f (t) (9)
Pimin Pi (t) Pimax . . . pi (t) (10)
4. Metodologia Proposta
A metodologia proposta baseia-se na utilizao dos multiplicadores de La-
grange, obtidos da soluo contnua do problema da programao diria da
operao de sistemas termoeltricos de gerao, como informaes adicio-
nais no processo de busca do algoritmo de colnia de Formigas. Para tanto,
a
a metodologia proposta utiliza trs etapas distintas: ( ) Obteno da solu-
o relaxada do problema, com objetivo de determinar o limite inferior do
custo de operao e assim, dar uma sensibilidade ao processo de busca no
que diz respeito distncia das solues obtidas pela colnia em relao ao
b
limite inferior encontrado; ( ) Obteno dos multiplicadores de Lagrange
associados aos estados operativos de cada uma das unidades geradoras,
durante o perodo de estudo, com o objetivo de elaborar de uma ordem
de mrito que auxiliar no processo de busca via colnia de formigas; ( ) c
As informaes oriundas dos multiplicadores de Lagrange so inseridas na
colnia de modo auxiliar no processo de busca.
4.1 Limite inferior do custo de operao

Nesta etapa, o problema relaxado com o objetivo de se determinar o
limite inferior do custo operacional do sistema termoeltrico de gerao.
Esta soluo do problema obtida: i
( ) negligenciando as restries de
parada e partida das unidades geradoras; ( ii ) permitindo que a varivel
discreta de deciso assuma valores contnuos entre o intervalo [0, 1]. Desta
forma, resolve-se o problema de otimizao e obtm-se o custo total de
operao, sendo este, o menor custo possvel para o problema. Ou seja, a
soluo discreta, procurada, nunca apresentar um custo menor do que o
obtido atravs das consideraes realizadas, soluo contnua (Goldbarg &
Luna, 2005). O objetivo dar uma sensibilidade ao processo de busca da
colnia, no que diz respeito distncia entre solues obtidas pela colnia
em relao ao Limite Inferior de Custo .
4.2 Multiplicadores de Lagrange

Enquanto problemas contnuos encontram uma srie de algoritmos robustos
e ecientes, problemas discretos no compartilham de tais algoritmos (Puc-
cini & Pizzolato, 1990). Em virtude dessa realidade, surgiram vrias tc-
nicas computacionalmente ecientes, mas que no garantem a otimalidade
de problemas discretos (Goldbarg & Luna, 2005). De modo a evitar as di-
culdades peculiares da resoluo de problemas de programao discreta, a
metodologia proposta permite que a varivel discreta de deciso (DO ), seja
representada por uma funo denominada de Funo Deciso de Operao
(F DO ) e assuma valores contnuos dentro do intervalo discreto de deciso
[0, 1]. Assim, o problema que originalmente de programao inteira passa
a ser formulado como um problema de programao contnua.
Teoricamente qualquer funo contnua poderia ser utilizada na mode-
lagem da F DO. Entretanto, optou-se por uma funo contnua da famlia
das funes sigmides. As funes sigmides so adequadas no contexto
do problema, j que possuem dinmica similar ao da funo degrau uni-
trio na representao dos dois estados de deciso ON-OFF inerentes ao
problema (Figura 1).
As funes sigmides so comumente empregadas como possveis fun-
es de ativao na modelagem de neurnios articiais em trabalhos envol-
vendo redes neurais (Haykin, 2007).
As Equaes 11 e 12 so referentes funo sigmide adotada e a ca-
nalizao do argumento da funo, respectivamente.
t
exi 1
F DOi (xti ) = t (11)
exi + 1
xmin
i xti xmax
i . . . xi (t) (12)
onde:
FDO
Funo Degrau
1
Funo Sigmoidal
0.5
0
x
0 2 4 6 8 10 12 14 16 18 20
Figura 1. Funo deciso de operao.
F DOi (xti ) Funo contnua sigmide que representa a deciso de ope-
rao ON/OFF da unidade trmica i na hora t;

xti Argumento da funo sigmide da unidade trmica i na ho-
ra t;
xmin .xmax Limite mnimo e mximo do argumento da funo sigmide;
xi (t) Multiplicador de Lagrange associado ao argumento da fun-
o sigmide da unidade i na hora . t

Assim como em de Oliveira et al. (2005), vrios valores para o parme-
tro foram testados e pode-se vericar que o valor unitrio representa um
bom compromisso entre a convergncia e a sensibilidade desejada.
Com a funo deciso de operao ( FDO, Equao 11), assume valo-
res contnuos, vericou-se que a condio inicial, do argumento da funo
sigmide, consiste em um fator complicador, visto que esta interfere dire-
tamente na soluo devido no convexidade da regio de soluo. Assim,
com o objetivo de evitar esta situao indesejvel, ao invs de se utilizar
diretamente o valor da FDO como critrio para a elaborao da ordem de
mrito, optou-se por investigar os multiplicadores de Lagrange associados
s funes de deciso. Para tanto, os seguintes aspectos so considerados:
1. Intervalo rgido de canalizao para o argumento da FDO, 0 xti

0, 0001, de todas as unidades geradoras existentes no sistema eltrico.
Isto porque se pretende avaliar a sensibilidade da funo objetivo em
relao tendncia de acionamento de cada unidade termoeltrica
t
diante da demanda solicitada, ou seja, F DO(xi ) 1.
2. A insero de uma nova unidade geradora, ctcia, denominada uni-

dade de convergncia (P gC ). Esta nova unidade tem como objetivo
possibilitar a convergncia do problema de otimizao devido ao es-
treitamento da restrio de canalizao do argumento da FDO. Alm
disso, esta unidade tem como caracterstica, alto custo operacional
quando comparado com as demais unidades existentes e capacidade

de atender sozinha a demanda e reserva do sistema.
Diante da insero desta nova unidade, uma parcela adicional ( D ),

Equao 13, includa na FOB tradicional, Equao 1, do problema com
objetivo de possibilitar a convergncia e a obteno dos multiplicadores de
Lagrange associados s variveis discretas de deciso [0 1] das unidades
geradoras.
T
X
D= P gC (t) (13)
t=1
onde:
Custo operacional da unidade termoeltrica de convergncia
(R$/MWh);
P gC (t) Potncia ativa (MW) gerada pela termoeltrica de convergn-
cia na hora . t
Diante das consideraes anteriores apresentadas, o processo de otimi-

zao, inicialmente, apresentar a tendncia em colocar as unidades gerado-
t
ras mais econmicas em servio, porm com a imposio 0 xi 0, 0001,
as restries de balano de potncia e reserva girante, Equaes 6 e 7,
s podero ser atendidas atravs da unidade de convergncia. Portanto,
cabe a esta unidade suprir sozinha a demanda e a reserva girante solicitada
pelo sistema, apesar do alto custo associado mesma. Desta forma, tem-se
como soluo do problema de otimizao os valores para os multiplicadores
de Lagrange associados aos argumentos da funo deciso de operao de
cada uma das unidades geradoras existentes.
Com os multiplicadores conhecidos possvel obter uma Matriz de Sen-
sibilidade ( MS ), Equao 14. Esta matriz formada pelos multiplicadores
de Lagrange associados s FDO e traduz a sensibilidade da funo objetivo
em relao tendncia de acionamento de cada uma das termoeltricas em
relao demanda horria solicitada ao longo do perodo de operao.

x1 (t) x2 (t) ... xN (t)
(t + 1) x2 (t + 1) ... xN (t + 1)
x1
MS = . . .
(14)
. . .
. . ... .
x1 (T ) x2 (T ) ... xN (T )
Como estes multiplicadores so de carter local, optou-se por calcu-
lar a mdia destes coecientes de Lagrange para cada uma das unidades,
Equao 15. O objetivo obter uma sensibilidade geral e com isso uma
ordem de mrito nica para todo o perodo de operao.
PT
t=1 xi (t)

xi = , i = 1, . . . , N (15)
T
Como os valores dos multiplicadores so negativos, j que estes retra-
tam a reduo da funo objetivo em relao tendncia da colocao
das unidades em servio, a ordem de mrito obtida atravs da ordenao
crescente dos valores mdios dos multiplicadores de Lagrange.
4.3 Processo de busca via colnia de formigas

O processo de busca inicializado com uma populao de indivduos (for-
migas) que representam informaes referentes soluo do problema. Esse
conjunto de indivduos, que ser um conjunto de solues, denominado
de colnia.
Cada soluo representada por uma matriz cuja dimenso dada pelo
nmero de horas de operao (linhas da matriz) por nmero de unidades
termoeltricas existentes (colunas da matriz). Os elementos desta matriz
representam as decises horrias de operao (0 1) de todas as unidades
trmicas de gerao para todo o perodo de operao.
O processo de busca tem incio de forma completamente aleatria,
sendo as solues iniciais escolhidas ao acaso. Entretanto, de modo ga-
rantia a viabilidade, o processo de construo das solues feito de hora
em hora, de modo que a soma horria das capacidades mximas de gerao
das unidades termoeltricas colocadas em operao seja maior do que a de-
manda horria a ser atendida e a reserva horria prevista. Depois de gerada
a soluo discreta do problema, deve-se vericar se h ou no violaes dos
tempos de parada e partida das unidades. Estas violaes, caso existam,
so tratadas atravs de procedimentos heursticos descritos em (da Silva
Jr., 2008). Assim, garante-se a viabilidade das solues geradas.
O passo seguinte avaliar as solues iniciais obtidas. Essa avaliao
feita com base no valor numrico da funo objetivo associada a cada
indivduo existente na colnia. Se, por exemplo, a funo objetivo for de
minimizao, quanto menor o valor desta, maior dever ser a quantidade de
feromnio associada a esta soluo. Ou seja, de maneira geral, as melhores
solues tero maior valor de feromnio associado. Desta forma, calcula-se
o valor da Funo Objetivo ( FOB ) do problema de otimizao em estudo,
Equao 1. Esta informao importante na determinao da intensidade
de feromnio a ser depositada por cada indivduo da colnia.
Atravs do valor da FOB pode-se formar uma matriz de orientao
para a colnia, denominada de Matriz de Feromnio ( MF ). Esta matriz
possui a mesma estrutura utilizada na representao de cada indivduo
(soluo) da colnia. importante mencionar que a MF nica para
todo o processo de busca, sendo atualizada a cada iterao da seguinte
forma: a
( ) solues cujos custos operacionais forem prximos do limite
inferior, contribuem de forma mais contundente na matriz de feromnio;
b
( ) solues cujos custos operacionais forem distantes do limite inferior,
contribuem de forma supercial na matriz de feromnio. Desta forma,
o feromnio depositado, na MF, pelo indivduo k para a soluo m na
iterao i dado pela Equao 16.
1
M Fki (m) = (16)
|F OBki (m) LIC|
onde:
F OBki (m) Valor da funo objetivo referente soluo m, obtida pela

formiga k, na iterao i ;
LIC Valor do limite inferior de custo para o sistema eltrico em
anlise;
M Fki (m) Depsito de feromnio da formiga k, referente a soluo

m, na iterao i.
Esse depsito importante a m de guardar as informaes das solues

encontradas por todos os indivduos da colnia. a chamada inteligncia
coletiva. Sendo assim, o depsito acumulativo, tornando a quantidade de
feromnio mais acentuada nas melhores solues encontradas pela colnia.
A quantidade de feromnio depositada por cada indivduo, na MF,
atualizada pela adio do depsito de feromnio de todas as formigas na
iterao atual, conforme a Equao 17.
M F i (m) = M F i1 (m) + M F i (m) (17)
onde:
M F i (m) Quantidade total de feromnio depositado, na MF, para a

soluo m na iterao i;
M F i1 (m) Quantidade total de feromnio depositado, na MF, para a
soluo m na iterao i -1;
M F i (m) Depsito de feromnio, na MF, de todas as formigas para
a soluo m, na iterao i, conforme a Equao 18, onde
nf o nmero de formigas existentes na colnia:
nf
X
M F i (m) = M Fki (m) (18)
k=1
Outro aspecto que deve ser levado em conta a m de tornar o algoritmo

mais eciente o fenmeno da evaporao do feromnio. Sem uma taxa
de decaimento da quantidade de feromnio, o algoritmo no ter um bom
desempenho. A evaporao permite que solues ruins sejam esquecidas,
alm de permitir que a busca no que presa em timos locais e possa,

assim, varrer mais amplamente o espao de solues (Bonabeau et al.,
1997). Desta forma, introduzindo um coeciente de evaporao , que
pode variar entre zero e o valor unitrio, a Equao 17 pode ser reescrita
como:
M F i (m) = (1 ) M F i1 (m) + M F i (m) (19)
O algoritmo aqui proposto utiliza uma taxa de evaporao de 10%.

Com as quantidades de feromnio determinadas, os indivduos esco-
lhem suas prximas decises, normalmente, baseadas na concentrao deste
hormnio. Ou seja, o sorteio das novas solues ser ponderado pela quan-
tidade de feromnio correspondente a cada soluo. Isso feito por meio
de uma regra de transio, que fornece a probabilidade de cada formiga k
escolher a soluo m, conforme a Equao 20.
[M F (m)] [(m)]
Pk (m) = P (20)
([M F ] [] )
onde:
Pk (m) Probabilidade de que a formiga k m;

escolha a soluo
M F (m) Representa a quantidade de feromnio da soluo m ;
(m) uma informao prvia (heurstica) do problema, um ndice
de atratividade de escolha pela soluo m. Esta informao
pode existir ou no, depende do problema em estudo;
e Parmetros de controle que determinam o peso relativo da
inuncia da concentrao de feromnio ou da informao
heurstica do problema.
Entretanto, a colnia aqui proposta composta por trs tipos de for-

a
migas: ( ) Soldados - Estas percorrem a regio de soluo de forma com-
pletamente aleatria e correspondem a 10% da composio da colnia; ( ) b
Obreiras - Estas formigas percorrem a regio de soluo com base nas
informaes dos multiplicadores de Lagrange (ordem de mrito) e corres-
c
pondem a 10% da composio da colnia; ( ) Operrias - Estas formigas
percorrem a regio de soluo com base nas informaes dos feromnios
depositados por todos os indivduos da colnia e correspondem a 80% da
colnia. Ressalta-se ainda, que no foi utilizado nenhum fator de atrativi-
dade, sendo este, um ponto futuro a ser explorado. Desta forma, utilizou-se
dos seguintes valores: inuncia da concentrao de feromnio, =1 e in-
uncia de informaes heursticas, = 0.
Sorteada a nova colnia deve-se novamente avaliar as solues obtidas.
Antes, porm, deve-se vericar o critrio de convergncia do processo de
busca. Este passo consiste em vericar se o critrio de parada do algoritmo

foi atendido, como, por exemplo, o nmero mximo de iteraes previa-
mente determinado ou ainda o fenmeno da estagnao. Neste ltimo, o
processo nalizado quando um percentual da colnia apresenta a mesma
soluo, ou seja, percorre a mesma trilha de feromnio. Enquanto um dos
critrios no ocorre, o processo continua, retornando a etapa de avaliao
das solues geradas. No presente trabalho, adotou-se o nmero mximo
de 50 iteraes como critrio de convergncia do processo de busca.
5. Resultados
Com o objetivo de vericar a ecincia das informaes dos multiplicadores
de Lagrange no processo de busca pelo algoritmo de colnia de formigas
foram realizadas simulaes de um sistema com quatro unidades termoel-
tricas de gerao e um perodo de programao de oito horas (Valenzuela
& Smith, 2002) e sistemas com dez, vinte e cem unidades geradoras, com
um perodo de programao de vinte e quatro horas (Senjyu et al., 2003).
O nmero total de combinaes para os sistemas em anlise apresentado
na Tabela 2, ilustrando a diculdade da obteno da melhor soluo para
o problema, ponto de mnimo global.
Tabela 2. Nmero total de combinaes.

Nmero de UTEs Nmero de Combinaes
4 (24 )8
10 (210 )24
20 (220 )24
100 (2100 )24
r
A metodologia proposta foi implementada em MATLAB e o ambiente
computacional utilizado foi um computador Pentium Dual Core, 1.86 GHz
e 2 GB RAM.
As Tabelas 3 e 4 apresentam, respectivamente, os custos operacionais
e os tempos aproximados de processamento obtidos pela metodologia pro-
posta.
Em negrito, destacam-se os resultados obtidos com a insero dos mul-
tiplicadores de Lagrange, atravs das formigas Obreiras, no processo de
busca da colnia. Os demais resultados no fazem uso das informaes
dos multiplicadores. Entretanto, so realizadas variaes no tamanho da
colnia de modo a vericar a ecincia do processo de busca sem estas
informaes adicionais.
possvel vericar que na colnia onde as informaes baseadas nos
multiplicadores de Lagrange foram inseridas, o processo de busca se apre-
sentou mais eciente. Ou seja, foi possvel obter solues de melhor quali-
Tabela 3. Resultados obtidos: custo total de operao.

Sistemas em Estudo
Formigas
4UTEs 10UTEs 20UTEs 100UTEs
50 $74.476 $563.937 $1.123,581 $5.607.429

50 $74.476 $576.228 $1.166.425 $5.951.426
100 $74.476 $574.817 $1.162.181 $5.916.357
450 $74.476 $573.759 $1.149.894 $5.915.437
Tabela 4. Tempo computacional (segundos).

Sistemas em Estudo
Formigas
4UTEs 10UTEs 20UTEs 100UTEs
50 120 180 240 420

50 120 180 240 420
100 240 300 360 780
450 960 1500 1800 3960
dade, menor custo operacional, com um nmero reduzido de indivduos e,

consequentemente, em um menor tempo de processamento.
Os resultados encontrados, pela metodologia proposta, so comparados
com alguns resultados divulgados literatura especializada, os quais tambm
utilizam tcnicas de otimizao bio-inspiradas, Tabela 5. So estas: ( ) a
PSO - Otimizao por Enxame de Partculas (Logenthiran & Srinivasan,
b c
2010); ( ) GA - Algoritmo Gentico (Sun et al., 2006); ( ) EP - Programa-
d
o Evolucionria (Juste et al., 1999); ( ) ACO - Otimizao por Colnia
de Formigas (Nualhong et al., 2004).
Fazendo a anlise comparativa dos resultados pode-se vericar que a
metodologia proposta apresentou resultados competitivos em relao a ou-
tras metodologias utilizadas na resoluo do problema referente progra-
mao de operao de unidades termoeltricas de gerao. Apesar da dife-
rena percentual entre os resultados serem relativamente pequenas, deve-se
lembrar que os custos reais de operao so na ordem de milhes ou at
bilhes de reais e que uma pequena reduo representa uma cifra bastante
signicativa.
Considerando a natureza combinatria do problema, um aspecto re-
levante a questo relacionada ao tempo de processamento. Entretanto,
a falta de informaes sobre os computadores (processadores e memrias)
na execuo das metodologias encontradas na literatura (Tabela 5), in-
viabilizam uma anlise direta e correta entre os tempos computacionais.
Entretanto, a Tabela 6 apresenta os tempos computacionais relatados na
literatura e os obtidos pela metodologia proposta.
Tabela 5. Comparao de resultados.

Custo Total de Operao
Mtodos
10UTEs 20UTEs 100UTEs
EP $564.551 $1.125.494 $5.623.885
PSO $563.999 $1.125.510 $5.611.294
GA $564.467 $1.126.199 $5.616.957
ACO $563.977 $1.123.989 $5.608.630
Proposto $563.937 $1.123.581 $5.607.429
Tabela 6. Tempo Computacional.

Tempo em segundos
Mtodos
10UTEs 20UTEs 100UTEs
EP 100 340 6120
PSO - - -
GA 221 733 15733
ACO 157 352 4965
Proposto 180 240 420
importante ressaltar que nenhum processo de busca garante o ponto

de mnimo global, ponto este que s garantido atravs da enumerao
completa das alternativas de operao, o que invivel para sistemas de
grande porte devido ao grande nmero de combinaes possveis de opera-
o.
6. Concluses
Este captulo apresentou uma opo de representao para a varivel dis-
creta de deciso, inerente a programao diria da operao de sistemas
termoeltricos de gerao e, consequentemente, a utilizao das informa-
es dos multiplicadores de Lagrange, associados as decises de operao,
com o objetivo de melhorar a ecincia do processo de busca baseado no
comportamento de colnias de formigas. Diante dos resultados obtidos, os
seguintes aspectos podem ser enfatizados:
A metodologia proposta mostra-se competitiva em relao s prin-

cipais tcnicas de otimizao bio-inspiradas, conciliando solues de
qualidade ao nmero reduzido de indivduos;
Apesar das pequenas diferenas econmicas entre as metodologias,

deve-se ter em mente que para sistemas reais e/ou de grande porte,
o montante nanceiro envolvido de ordem elevada e, portanto,
quaisquer que sejam as economias obtidas so estas desejadas;
A garantia de obteno do ponto de mnimo global s pode ser ob-

tida atravs da enumerao de todas as combinaes possveis de
operao, o que nem sempre possvel devido ao elevado tempo de
processamento;
A utilizao dos multiplicadores de Lagrange associados varivel

de controle da funo sigmide mostrou-se um indicador eciente das
unidades termoeltricas relevantes ao problema;
O aumento do nmero de indivduos, na colnia, tende a melhorar a

qualidade das solues obtidas. No entanto, o tempo de simulao
computacional aumenta consideravelmente, inviabilizando essa al-
ternativa, principalmente, em sistemas de mdio-grande porte e/ou
com perodos grandes de programao;
Uma opo de reduo do tempo computacional seria a utilizao de

processamento paralelo (Roosta, 1999). O processamento paralelo
permite que um algoritmo, que exija um elevado tempo computa-
cional, tenha sua execuo distribuda entre vrios processadores e
memrias, permitindo uma considervel reduo no tempo de simu-
lao.
Referncias
Belede, L.; Jain, A. & Gaddam, R., Unit commitment with nature and
biologically inspired computing. In: Proceedings of World Congress on
Nature and Biologically Inspired Computing. Piscataway, EUA: IEEE
Press, p. 824829, 2009.
Bonabeau, E.; Dorigo, M. & Therauluz, G., Swarm Intelligence: From

Natural to Articial Systems. New York, EUA: Oxford University
Press, 1999. 320 p.
Bonabeau, E.; Theraulaz, G.; Deneubourg, J.; Aron, S. & Camazine, S.,
Self-organization in social insects. Trends in Ecology and Evolution,
12(5):188193, 1997.
da Silva Jr., I., Planejamento da Operao de Sistemas Termoeltricos

Utilizando Anlise de Sensibilidade Associada a Procedimentos Heu-
rsticos. Tese de doutorado em engenharia eltrica, COPPE/UFRJ,
Rio de Janeiro, RJ, 2008.
de Oliveira, E.; da Silva Jr., I.; Pereira, J. & Carneiro Jr., S., Transmis-
sion system expansion planning using a sigmoid function to handle
integer investment variables. IEEE Transactions on Power Systems,
20(3):16161621, 2005.
Dorigo, M. & Caro, D., The ant colony optimization meta-heuristic. In:
Corne, D.; Dorigo, M. & Glover, D. (Eds.), New Ideas in Optimization.
New York, EUA, p. 1132, 1999, 450 p.
Dorigo, M.; Caro, D. & Gambardella, L., Ant algorithms for discrete opti-
mization. Articial Life, 5(2):137172, 1999.
Dorigo, M.; Maniezzo, V. & Colorni, A., The ant system: Optimization by
a colony of cooperating agents. IEEE Transactions on Systems, Man
and Cybernetics, Part B, 26(1):2941, 1996.
Dorigo, M. & Sttzle, T., The ant colony optimization metaheuristic: Algo-
rithms, applications, and advances. In: Glover, F. & Kochenberger, G.
Handbook of Metaheuristics. New York, EUA: Springer, v. 57
(Eds.),
Operations Research and Management Science, p. 250285, 2003.
de
Dorigo, M. & Sttzle, T., Ant Colony Optimization. Cambridge, EUA:

MIT Press, 2004. 319 p.
Fortunato, L.; Neto, T.; Albuquerque, J. & Pereira, M., Introduo ao

Planejamento da Expanso e Operao de Sistemas de Produo de
Energia Eltrica. Niteri, RJ: EDUFF, 1990.
Goldbarg, M. & Luna, H., Otimizao Combinatria e Programao Li-
near. 2a edio. Rio de Janeiro, RJ: Editora Campus, 2005.
Haykin, S., Redes Neurais: princpios e prticas. 2a edio. Rio de Janeiro,
RJ: Editora Bookman, 2007. 900 p.
Hobbs, B.; Rothkopf, M.; O'Neill, R. & Chao, H. (Eds.), The Next Gene-
ration of Electric Power Unit Commitment Models. 1a edio. New
York, EUA: Kluwer Academic, 2001. 328 p.
Juste, K.; Kita, H.; Tanaka, E. & Hasegawa, J., An evolutionary program-
ming solution to the unit commitment problem. IEEE Transactions
on Power Systems, 14(4):14521459, 1999.
Logenthiran, T. & Srinivasan, D., Particle swarm optimization for unit
commitment problem. In: Proceedings of IEEE International Con-
ference on Probabilistic Methods Applied to Power Systems. p. 642
647, 2010.
Nualhong, D.; Chusanapiputt, S.; Phoomvuthisarn, S.; Saengsuwan, T. &

Jantarang, S., Diversity control approach to ant colony optimization
for unit commitment problem. In: Proceedings of IEEE Region 10
Emerging Technologies for Sustainable Development Conference. v. 3,
p. 488491, 2004.
Padhy, N., Unit commitment a bibliographical survey. IEEE Transacti-

ons on Power Systems, 19(2):11961205, 2004.
Puccini, A. & Pizzolato, N., Programao Linear. 2a edio. Rio de Janeiro,
RJ: Editora LTC, 1990. 250 p.
Roosta, S., Parallel Processing and Parallel Algorithms: Theory and Com-
putation. New York, EUA, 1999. 585 p.
Senjyu, T.; Yamashiro, H.; Shimabukuro, K.; Uezato, K. & Funabashi, T.,
Fast solution technique for large scale unit commitment problem using
genetic algorithm. IEE Proceeding on Generation, Transmission and
Distribution, 150(6):753 760, 2003.
Sun, L.; Zhang, Y. & Jiang, C., A matrix real-coded genetic algorithm
to the unit commitment problem. Electric Power System Research,
76(9-10):716728, 2006.
Valenzuela, J. & Smith, A., A seeded memetic algorithm for large unit
commitment problems. Journal of Heuristics, 8(2):173195, 2002.
Wood, A. & Wollenberg, B., Power Generation, Operation and Control.
2a edio. New York, EUA: J. Wiley & Sons, 1996. 592 p.
Notas Biogrficas
Ivo Chaves da Silva Junior graduado e mestre em Eng. Eltrica pela
UFJF (2001 e 2003), e Doutor em Eng. Eltrica pela UFRJ/COPPE (2008).
Atualmente professor adjunto do curso de Eng. Eltrica da UFJF e atua
nos seguintes temas: otimizao de sistemas eltricos de potncia, expanso
de sistemas de transmisso, operao de sistemas hidrotrmicos, tcnicas
heursticas, metaheursticas e mercado de energia.
Flvia Rodrigues do Nascimento graduada (2008) em Eng. Eltrica pela

UFJF. Atualmente mestranda do Programa Ps-graduao em Eng. Eltrica
da UFJF. Atua na rea de operao de sistemas termoeltricos.
Edimar Jos de Oliveira graduado em Eng. Eltrica pela UFJF (1985),

Mestre pela UFU (1993) e Doutor em Eng. Eltrica pela Universidade Federal
de Itajub (1998). Desde 1989 trabalha no Depto. de Energia Eltrica da
UFJF. Seu principal interesse est relacionado a pesquisas na rea de mtodos
computacionais para anlise de estabilidade, operao, expanso e controle de
sistemas eltricos de potncia.
Andr Lus Marques Marcato graduado em Eng.Eltrica pela UFJF (1995),

mestre e doutor em Eng. Eltrica pela PUC-Rio (1998 e 2002). senior member
do IEEE. Atualmente professor Associado do Depto. de Energia da UFJF. Atua
nas reas de pesquisa operacional aplicada coordenao hidrotrmica, planeja-
mento da operao e expanso de sistemas eltricos e energticos de grande porte.
Bruno Henriques Dias graduado em Eng. Eltrica pela UFJF (2005),

mestre e doutor em Eng.Eltrica pela PUC-Rio (2006 e 2010). Atual-
mente Ps-doutorando do Programa Ps-graduao em Eng. Eltrica da
UFJF. Atua na rea planejamento da operao de sistemas eltricos e energticos.
Captulo 2
Ferramenta Computacional Baseada em

Algoritmos Genticos Aplicada ao
Planejamento da Operao de Sistemas Hidrotrmicos
Patricia Teixeira Leite Asano, Thiago Ribeiro de Alencar,

Adriano Alber de Frana Mendes Carneiro,
Andr Carlos Ponce de Leon Ferreira de Carvalho e Sadao Massago
Resumo: Este captulo apresenta como a computao evolutiva

pode ser utilizada na resoluo do problema de Planejamento da
Operao de Sistemas Hidrotrmicos. Com objetivo de atender as
caractersticas do problema, foram feitas adaptaes dos operado-
res genticos tradicionais. Para validar a metodologia desenvolvida
foi realizado um teste, adotando um sistema complexo de 35 usi-
nas pertencentes ao Sistema Hidroeltrico Brasileiro. Os resultados
experimentais mostraram o bom desempenho da metodologia pro-
posta para determinar uma operao otimizada, garantindo, da me-
lhor forma possvel, o atendimento da demanda por um custo menor
do que outras alternativas utilizadas em sistemas reais, mantendo a
robustez.
Palavras-chave: Algoritmos genticos, otimizao, inteligncia ar-

ticial, planejamento da operao de sistemas hidrotrmicos de po-
tncia.
Abstract: This chapter shows how evolutionary computation can

be used to solve the hydrothermal power systems planning problem.
Aiming at attending the problem features, adaptations were done in
the traditional genetic operators. To validate the developed metho-
dology a test was performed using a complex system with 35 power
plants from the Brazilian hydrothermal system. The experimental
results showed the good performance of the proposed methodology to
determine an optimized operation, leading to a solution with a lower
cost than those of alternatives used in real systems, also keeping the
robustness.
Keywords: Genetic algorithms, optimization, articial intelli-

gence, operation planning of hydrothermal power systems.
Autor para contato: patricia.leite@ufabc.edu.br.
20 Asano et al.
1. Introduo
Nos Sistemas Hidrotrmicos de Potncia (SHP), a gerao de energia el-
trica pode ser obtida de forma hidroeltrica, quando resulta do aprovei-
tamento da energia potencial da gua, e trmica, atravs da queima de
combustveis diversos como carvo, leo, gs ou sso do urnio e, even-
tualmente, por importao de sistemas vizinhos, conforme apresentado na
Figura 1. Toda a energia disponvel enviada atravs das linhas de trans-
misso para o atendimento da demanda. Portanto, faz-se necessrio um
Planejamento da Operao destes sistemas cada vez mais avanado, que
englobe as fontes de gerao de energia, com objetivo de garantir, da me-
lhor forma possvel, o atendimento da demanda. Este um grande desao
para os gerenciadores do Setor Eltrico, caso no resolvido adequadamente,
a uma crise de abastecimento de energia.
Figura 1. Sistema hidrotrmico, onde: GH gerao hidroeltrica, GT

gerao trmica e I importao de energia.
Alm disso, em sistemas de energia eltrica que tem uma grande partici-
pao de gerao hidroeltrica, como no caso do Brasil, aproximadamente
76,9% (EPE, 2010), pode-se utilizar a energia potencial da gua arma-
zenada nos reservatrios, gerenciando-a convenientemente, para atender a
demanda e substituir de forma racional a gerao dispendiosa das unidades
trmicas.
Entretanto, o volume de gua auente aos reservatrios desconhecido,
pois depende basicamente das auncias que iro ocorrer no futuro. Alm
disso, a disponibilidade de energia hidroeltrica limitada pela capacidade
de armazenamento nos reservatrios. Isto introduz uma relao entre uma
deciso de operao em uma determinada etapa e as consequncias futuras
desta deciso. Por exemplo, se a deciso for utilizar energia hidroeltrica
para atender o mercado e no futuro ocorrer uma seca, poder ser necessrio
utilizar gerao trmica, de custo elevado, ou interromper o fornecimento
de energia. Por outro lado, se a opo for o uso mais intensivo de gerao
trmica, conservando elevados os nveis dos reservatrios, e ocorrerem va-
zes altas no futuro, poder haver vertimento no sistema, representando
um desperdcio de energia e, em consequncia, um aumento desnecess-
AGs no planejamento da operao de sistemas hidrotrmicos 21
rio do custo de operao (Silva, 2001; MAE, 2002), conforme ilustrado na

Figura 2
Figura 2. Cronograma de deciso para sistemas hidrotrmicos.
A deciso tima deve equilibrar o compromisso entre o benefcio pre-

sente do uso da gua para a gerao hidroeltrica e o benefcio futuro
esperado, advindo do seu armazenamento, tudo medido em termos de eco-
nomia de combustvel, caracterizando um problema dinmico.
Devido s caractersticas do Sistema Brasileiro, o Planejamento da
Operao de Sistemas Hidrotrmicos de Potncia (POSHP) pode ser clas-
sicado como um problema de otimizao dinmico, de grande porte, com
funo objetivo no linear, no separvel e no convexa, como mostrado
por Soares & Carneiro (1991) e Leite (2003).
O objetivo do POSHP determinar uma estratgia de gerao para
cada usina, que minimize o valor esperado dos custos operativos no pe-
rodo de planejamento e atenda a demanda dentro de um limite de cona-
bilidade. Desta forma, em sistemas com grande participao hidroeltrica,
o objetivo econmico do planejamento da operao substituir, na medida
do possvel, a gerao de origem termoeltrica, de custo elevado, por gera-
o de origem hidroeltrica, de custo praticamente nulo, de forma racional,
como demonstrado por Pereira (1985), Carneiro et al. (1990) e Fortunato
et al. (1985).
As tcnicas clssicas de otimizao para soluo deste problema podem
apresentar algumas diculdades, principalmente devido complexidade da
funo objetivo. Assim, a busca de melhorias nos mtodos tradicionais,
ou de abordagens alternativas, visa aperfeioar esta etapa vital no funci-
22 Asano et al.
onamento dos Sistemas Hidrotrmicos de Potncia (Macieira et al., 2003;

Cicogna & Soares, 2003; Martinez, 2001; Cicogna, 2003).
Outras metodologias envolvendo tcnicas de Inteligncia Articial (IA)
vm sendo investigadas e apresentam ecincia na soluo de diversos pro-
blemas de otimizao, dentre os quais pode-se destacar Chen & Chang
(1996), Yang et al. (1996), Miranda et al. (1998), Chang & Chen (1998) e
Gen & Cheng (1997).
Este trabalho trata da proposio de uma tcnica de Inteligncia Arti-
cial no processo de otimizao, baseada em Algoritmos Genticos (AGs),
voltada para o sistema Brasileiro, o qual possui caractersticas espec-
cas que o diferencia dos demais sistemas no mundo, motivando o estudo e
desenvolvimento de abordagens mais apropriadas.
A prxima seo apresenta a formulao matemtica da operao
tima. Na Seo 3, alguns dos fundamentos da teoria de Algoritmos Ge-
nticos so apresentados. Na Seo 4 feita uma discusso do algoritmo
proposto, bem como um breve comentrio sobre as adaptaes necessrias
para utilizar os AGs na resoluo do problema. A Seo 5 traz uma aplica-
o do mtodo e a anlise dos resultados obtidos. Finalmente, na Seo 6
so apresentadas as concluses e observaes nais do trabalho como um
todo.
2. Formulao Matemtica
O problema do Planejamento da Operao de Sistemas Hidrotrmicos de
Potncia (POSHP) pode ser formulado atravs de um modelo de otimi-
zao, onde o custo de operao dos sistemas hidrotrmicos dado pelas
termoeltricas, j que as usinas hidroeltricas tm custo de operao quase
nulo, a menos de taxas, j que ela utiliza a energia potencial da gua. Na
realidade neste custo podem ser includas eventuais importaes de energia
e o custo do dcit, sem prejuzo das consideraes e anlises feitas.
A seguir apresenta-se uma anlise sobre a modelagem do problema,
bem como, as formas de obteno do custo marginal de operao e do
valor marginal da gua, conforme denido em Carneiro (1991).
O custo de operao de uma usina termoeltrica C(G), pode ser repre-
sentado por uma funo convexa crescente, prxima de um polinmio de
segundo grau, dado pela Equao 1.
C(G) = a + b(G(t)) + c(G(t))2 (1)
onde: G a potncia gerada e a, b, c so parmetros caractersticos da

usina termoeltrica.
As restries operativas so dadas pelos limites operacionais da usina,
conforme a Equao 2:
G G(t) G (2)
O conjunto de gerao no hidrulico, que pode incluir a importao de

energia e mesmo o corte de carga, pode ser modelado usando-se as funes
de custo marginal para agregao em classes de trmicas. Desta forma, o
custo de operao timo do conjunto no hidrulico dado pela soluo
de um problema de despacho de gerao, em um horizonte de tempo, que
procura igualar os custos marginais entre os intervalos. Este custo de-
nido na seqncia de alocao da gerao trmica e do dcit, pelo valor
crescente dos respectivos custos marginais, das trmicas mais baratas para
as mais caras (Carneiro, 1991; Martinez, 2001). Pode-se tomar, assim, uma
funo convexa crescente representando o custo de operao do conjunto
das trmicas ou do sistema no hidrulico.
Para um subsistema composto por um conjunto de usinas trmicas
sabe-se que o custo marginal em um intervalo dado por , obtido pela
agregao das disponibilidades trmicas. Portanto a funo de custo mar-
ginal em um ponto dada pela Equao (3).
C[G(t)]
= | t (3)
G(t) G(t)
Independentemente do combustvel empregado nas usinas termoeltri-
cas, o custo possui derivadas sempre positivas, conforme a Equao (4):
C[G(t)]
> 0 (4)
G(t)
O problema do Planejamento da Operao de Sistemas Hidrotrmicos
de Potncia, tem como custo de operao justamente o custo do sistema
no hidrulico complementar, dado pela funo C(.), o qual depende obvi-
amente da demanda total D do sistema e tambm da gerao hidroeltrica
H, pois quanto maior esta gerao, menor ser a complementao trmica
necessria, admitindo-se que D(t) = G(t) + H(t), onde:
C = C[G(t)] (5)
onde:
C(t) = C[D(t) H(t)] para D(t) H(t), (6)
C(t) = 0 para D(t) < H(t). (7)
Com este modelo adotado, o planejamento hidrotrmico passa a ser um

problema tratado exclusivamente atravs das usinas hidroeltricas.
Neste captulo, onde investiga-se Algoritmos Genticos como tcnica de
resoluo do POSHP, as suas variveis so obtidas atravs de uma busca
aleatria (Leite et al., 2002, 2006). Portanto, o clculo do custo marginal de
24 Asano et al.
operao pode ser feito da forma tradicional, derivando-se analiticamente a

funo objetivo, externamente aos AGs, e substituindo-se os valores timos
encontrados pelo algoritmo proposto.
De D(t) = G(t) + H(t), vem:
H[x(t), u(t)] = G(t). (8)
Logo:
d CD(t) H[x(t), u(t)] BD(t) H[x(t), u(t)]

(t) = |H(t)
= |H(t)
.
dH[x(t), u(t)] H(t)
(9)
onde: B[G(t)] o benefcio resultante da utilizao da gua pela usina

hidroeltrica, no intervalo t.
A Equao (9) expressa, ainda, o custo marginal de operao, agora
como funo da gerao hidroeltrica, mostrando-o como o decrscimo de
custo, ou o benefcio, que ocorreria caso houvesse um aumento incremental
da gerao hidrulica (Carneiro, 1991).
Da mesma forma, o valor da gua em cada usina pode ser facilmente
encontrado, j que a abordagem usada representa individualmente as usi-
nas. Assim basta ponderar o custo marginal de operao do sistema pela
gerao marginal da usina hidroeltrica em relao turbinagem no ponto
timo, onde:
H[x(t), u(t)]
(t) = (t) |u(t) . (10)
u(t)
Isto pode ser entendido como uma igualdade na operao tima, entre
o benefcio marginal de armazenar a gua e o benefcio marginal de deuir.
Maiores detalhes podem ser encontrados em Martinez (2001); Leite et al.
(2002, 2006); Tavares et al. (1984).
Como exemplo, e sem prejuzo de generalidade, no caso de se usar uma
funo de custo do tipo C(G) = k[G(t)]2 , tem-se:
C(G(t)
= 2kG(t). (11)
G(t)
Em sistemas com uma porcentagem substancial de gerao hidroel-
trica, como no caso do Brasil, pode-se utilizar a energia armazenada nos
reservatrios do sistema para atender a demanda, substituindo assim a ge-
rao dispendiosa das unidades trmicas. Neste caso o valor da gua em
si, ou seja valor dessa energia gerada, determinado pela gerao termoe-
ltrica, ou melhor, o valor da gerao hidrulica em cada usina dado pelo
valor do que substitudo de energia termoeltrica.
A Equao (12), que rearma o conceito do valor marginal da gua,

pode ser expresso como o decrscimo que se obteria no custo de operao,
devido a um aumento incremental no uso da gua pela usina hidrulica,
em cada instante de tempo, ou seja, o benefcio advindo de um acrscimo
marginal no uso do recurso hdrico. Da o conceito de que este valor repre-
senta, em termos marginais, o que a gua conseguiria reduzir de custo pela
substituio da gerao termoeltrica por hidroeletricidade, na condio
de operao tima (Carneiro, 1991).
dCD(t) H[x(t), u(t)] BD(t) H[x(t), u(t)]

(t) = |u(t) = |u(t)
du(t)] u(t)
(12)
Portanto, a formulao geral do planejamento da operao energtica
de sistemas hidrotrmicos de potncia no sofre nenhuma alterao. Esta
pode ser estabelecida como a minimizao do custo operacional do sistema,
ao longo de todo o horizonte de planejamento [1, T ], dado por:
T
X
M in [C(t)] (13)
t=1
sujeito a:
N
X
H(t) = [xi (t), qi (t), zi (t)] (14)
i=1
qi (.) + zi (.) = ui (.) (15)
i (xi , qi , zi ) = Ki [h1i (xi ) h2i (qi + zi )]qi (16)
X
xi (t + 1) = xi (t) + yi (t) + [qk (t) + zk (t)] qk (t) zk (t) (17)
ki
xi,mim (t) xi (t) xi,max (t) (18)
qi (t) qi,max (t) (19)
ui,min (t) qi (t) + zi (t) (20)
onde:
N - nmero de usina hidroeltricas;
i (.) - funo de gerao hidroeltrica da usina i;

26 Asano et al.
xi (.) - volume do reservatrio i no intervalo t;

qi (.) - vazo turbinada pela usina i no intervalo t;
zi (.) - vazo vertida da usina i no instante t;
ui (.) - vazo deuda da usina i no instante t;
Ki - constante que engloba acelerao da gravidade, densidade da
gua, rendimento turbina-gerador e fatores de converso de unidade;
h1i - altura de montante, em relao ao nvel do mar, funo do

volume do reservatrio;
h2i - altura de jusante, em relao ao nvel do mar, funo da vazo

deuda total;
yi (t) - auncia ao reservatrio i no instante t;

i - conjunto de todas as usinas imediatamente a montante da usina
i;
ui,mim - representa a deuncia total mnima obrigatria.
Alm disto, os volumes iniciais dos reservatrios so dados e os volumes

nais podem ser xados e/ou penalizados.
Como ferramenta de resoluo do problema determinado pelas Equa-
es de (12) a (20), tradicionalmente, adota-se um algoritmo de otimizao
no-linear (PNL), que pode ser baseado em tcnica de uxo em rede, onde
preserva-se a representao individualizada das usinas (Carneiro et al.,
1990; Carneiro, 1991; Carneiro et al., 1988; Carvalho, 1986; Cicogna &
Soares, 2003; Rablo, 2010).
Entretanto, esta linha de abordagem apresenta imperfeies maiores ou
menores, dependendo do sistema aplicado, que levam procura de novos
caminhos (Cicogna, 1999; Pereira et al., 1987; Tavares et al., 1984; Carneiro
et al., 1988). Vrios autores zeram estudos comparativos entre as tcni-
cas adotadas analisando as diversas formas de abordagens e mostrando as
diculdades de se abranger todos os aspectos da questo (Rosenthal, 1980;
Fortunato et al., 1985; Pereira et al., 1987).
As tcnicas de resoluo de otimizao tradicionais apresentam dicul-
dades inerentes aos prprios mtodos, como a necessidade de clculo de
derivadas, a inverso de matrizes, problemas de convergncia, alm de ou-
tras diculdades devido complexidade da funo objetivo, j relacionadas
na introduo.
Uma nova abordagem baseada em Algoritmos Genticos foi explorada,
na tentativa de buscar tcnicas que forneam melhores resultados para
otimizao da operao, principalmente em casos de sistemas complexos e
de difcil soluo.
3. Algoritmos Genticos
Os Algoritmos Genticos (AGs) foram introduzidos em meados de 1976
por John Holland e seus colaboradores da Universidade de Michigan; mas
seu pleno desenvolvimento s ocorreu a partir da dcada de 80 atravs do
trabalho de Goldberg (Goldberg, 1989). Os AGs so algoritmos de busca
inspirados na teoria da Seleo Natural. Eles atuam sobre uma populao
de indivduos, baseados no fato de que indivduos com boas caractersticas
genticas tm maiores chances de sobrevivncia e de produzirem indivduos
cada vez mais aptos, enquanto indivduos menos aptos tendem a desapa-
recer.
Algoritmos Genticos baseiam-se inicialmente na gerao de uma po-
pulao formada por um conjunto aleatrio de indivduos, que podem ser
vistos como possveis solues para um problema. Durante o processo evo-
lutivo, esta populao avaliada: para cada indivduo dado um ndice,
reetindo sua habilidade de adaptao a um determinado ambiente. Uma
porcentagem dos mais adaptados mantida, enquanto os outros so des-
cartados. Os membros selecionados podem sofrer modicaes em suas
caractersticas fundamentais atravs de mutaes e cruzamentos genticos,
gerando descendentes para a prxima gerao. Este processo, chamado de
reproduo, repetido at que um conjunto de solues satisfatrias seja
encontrado (Goldberg, 1989; Beasley et al., 1993).
4. Algoritmo Proposto
Para o desenvolvimento e aplicao do algoritmo proposto para a soluo
do problema do Planejamento da Operao de Sistemas Hidrotrmicos de
Potncia foi necessria uma preparao e adaptao dos AGs s condies
encontradas no problema do POSHP (Leite, 2003).
Uma grande preocupao nesta preparao e adaptao foi a de respei-
tar as caractersticas fsicas do problema original, tentando sempre observar
a relao entre o real e o comportamento do algoritmo.
Atestada a possibilidade da aplicao de AGs, buscou-se aperfeioar
a preparao e adaptao, aprofundar os estudos visando superar os obs-
tculos encontrados, tais como a dimenso dos indivduos, aplicao da
tcnica a sistemas mais prximos da realidade, de grande porte, com gran-
des cascatas interligadas e com condies operativas mais severas, como
tambm aperfeioar o desempenho do algoritmo com a introduo de no-
vos recursos computacionais. A seguir sero apresentadas, no algoritmo
proposto, todas as adaptaes feitas no algoritmo tradicional para resolu-
o do POSHP, e nalizando, ser mostrado um Estudo, composto de 35
usinas hidroeltricas com o objetivo de vericar a viabilidade do algoritmo
proposto.
28 Asano et al.
No intuito de tornar bem claro o uso dos AGs no problema em questo,

optou-se por apresentar os clculos dos operadores genticos com dados de
uma usina real, partindo desde os dados bsicos da usina, e das aun-
cias, e desenvolvendo de forma detalhada as etapas do processo. Assim,
apresenta-se a seguir o exemplo onde foi utilizada a usina hidroeltrica de
Emborcao, pertencente ao Sistema Sudeste Brasileiro.
1
Nas Tabelas 1 e 2 so apresentados os dados da usina hidroeltrica
de Emborcao utilizada na otimizao.
Tabela 1. Dados da usina hidroeltrica de Emborcao.

Potncia Volume [hm3 ] Vazo turbinada [hm3 /m] Taxa Perodo
Instalada de ju- de plane-
[MW] ros[%] jamento
Mnimo Mximo til Mnimo Mximo
1200 4669.0 17190.0 12521.0 202.4 2754.1 10 1 ano
Tabela 2. Dados de demanda e auncia para resoluo do problema

proposto.
Mai Jun Jul Ago Set Out Nov Dez Jan Fev Mar Abr
Coeciente 0,991 1,008 1,030 1,037 1.034 1,047 1,025 1,021 0,923 0,947 0,969 0.968
de deman-
da
Auncia 407,0 311,0 246,0 191.0 162,0 208,0 359,0 647,0 888,0 917,0 855,0 634,0
(m3 /s)
Na Figura 3, observa-se os passos utilizados para determinar o volume

timo da usina nos 12 meses, atravs da aplicao de Algoritmos Genticos.
Durante o desenvolvimento da ferramenta computacional algumas eta-
pas do diagrama apresentado na Figura 3 foram modicadas. Entre estas, a
populao inicial e o critrio de seleo, bem como o acrscimo dos seguin-
tes operadores genticos: mutao local, mutao direcionada, mutao
induzida, mutao gradiente direcionada e mutao gradiente.
Outra melhoria signicativa diz respeito adoo de um gerador de
nmeros aleatrios mais eciente (Matsumoto & Nishimura, 1998), o que
resultou em um melhor desempenho do algoritmo proposto.
A seguir, apresenta-se a descrio do procedimento utilizado no algo-
ritmo proposto.
4.1 Codificao do problema

A codicao do problema de Planejamento da Operao Energtica pre-
cisa ser realizada com cuidado, j que este um problema interligado no
1 O coeciente de demanda multiplicado pela potncia instalada, denida no

arquivo de entrada, fornecer a carga a ser atendida em cada ms do perodo
de planejamento
Figura 3. Algoritmo proposto.
tempo, pois a deciso tomada em um determinado perodo afeta direta-

mente todos os outros. Essa etapa considerada a mais importante, pois
a viabilidade do algoritmo depende da sua codicao. Para uma melhor
representao do problema, adotam-se valores reais e no binrios, como
usual, e o indivduo representar o volume da usina em cada ms do
planejamento.
O Sistema Brasileiro composto por vrias usinas em cascata, como
j mencionado anteriormente. Portanto, para representar o volume de to-
das as usinas em um nico vetor, ter-se-ia uma cadeia de caractersticas
muito longa. Por exemplo, para o planejamento de 2 anos (24 caracters-
ticas) com 35 usinas, o indivduo teria 840 genes. Sendo assim, optou-se
por uma representao matricial tridimensional. Nesta matriz, no eixo x,
esto representados os genes de um indivduo de acordo com o perodo de
planejamento, neste caso 12 meses, no eixo y, representam-se os indivduos
30 Asano et al.
da populao e no eixo z , est caracterizado o nmero de usinas envolvidas

no sistema teste, conforme mostrado na Figura 4.
Por exemplo, em um sistema teste com 3 usinas, 5 indivduos e cada
indivduo com 12 caractersticas (genes) de acordo com o perodo de pla-
nejamento, a populao caria congurada, conforme apresentada na Fi-
gura 4.
Figura 4. Populao.
O tamanho da populao afeta diretamente o desempenho global e

a ecincia dos AGs. Com uma populao pequena o desempenho pode
cair, pois a populao fornece uma pequena cobertura do espao de busca
do problema. Uma populao grande geralmente fornece uma cobertura
representativa do domnio do problema, alm de prevenir convergncias
prematuras para solues locais ao invs de globais. No entanto, para se
trabalhar com populaes grandes, so necessrios maiores recursos com-
putacionais, ou que o algoritmo trabalhe por um perodo de tempo muito
maior, a m de obter um resultado satisfatrio (Rezende, 2003).
Esta representao reete a realidade dos reservatrios, nos quais o i-
simo elemento de um indivduo representa o i-simo volume til, isto ,
o volume operativo no perodo i do planejamento, que discretizado em
meses.

Sabendo-se que:
volume mximo operativo da 1 usina = 17190,0;

volume mnimo operativo da 1 usina = 4669,0; V OL = volume da 1
usina, por unidade, em relao ao volume mximo operativo; V OL[i][j][k]
= volume do indivduo [i], usina [j ] e gene (ms) ou caracterstica [k ];
V OL[1][1][1] = 1,00; V OL[1][1][2] = 0,90, pode-se calcular o volume real
que os genes 1 e 2 representam:
V1 = Vmin + (Vmax Vmin ) V OL1
V1 = 4669, 0 + (17190., 0 4669, 0) 1, 00
V1 = 4660, 0 + (12521, 0) 1, 00
V1 = 17190, 0
Calculando o valor real do segundo gene tm-se:
V2 = Vmin + (Vmax Vmin ) V OL2

V2 = 4669, 0 + (17190, 0 4669, 0) 0.90
V2 = 4660, 0 + (12521, 0) 0, 90
V2 = 15937, 90
Desta maneira, determina-se o volume real de todos os indivduos da

populao. Aps a codicao do problema, o prximo passo a denio
da populao inicial.
4.2 Soluo inicial

No incio do desenvolvimento da ferramenta utilizou-se apenas soluo ini-
cial aleatria, pois era preciso conrmar a viabilidade da tcnica quando
aplicada ao POSHP, sem que fosse fornecido ao algoritmo um conheci-
mento prvio do comportamento das usinas para um determinado perodo
de planejamento (Leite, 2003). Conrmada a viabilidade da tcnica e na
tentativa de diminuir o tempo computacional exigido para convergncia,
optou-se por fornecer ao algoritmo informaes j conhecidas atravs dos
estudos do POSHP, realizados utilizando uma tcnica tradicional de oti-
mizao (Carneiro et al., 1990).
Aps vrios testes foram determinadas 5 formas de soluo inicial. Na
prxima seo esses testes sero mais detalhados para que se possa analisar
melhor as investigaes realizadas. Portanto, a populao inicial poder
ser gerada adotando uma das solues iniciais a seguir:
1. Aleatria: para cada indivduo valores reais aleatrios entre 0 e 1

so gerados. Cada gene representa o volume em porcentagem para
cada ms do perodo de planejamento.
2. Volume sugerido: nesse caso, o indivduo pode ter os valores de

suas caractersticas denidas pelo operador do sistema. Por exemplo,
todos os genes iguais a 1,0, ou seja, 100% do volume til. Neste
caso, e em outros onde o volume permanea constante durante todo
o perodo de planejamento, justamente por no haver variao do
volume, toda a gua que chega na usina turbinada ou vertida,
caracterizando o que chamado na literatura de soluo a o-d'gua
(Carneiro, 1991). Normalmente, utilizada quando se faz estudos
com a ferramenta baseada em programao no-linear. Foi isso que
motivou o uso dessa soluo nos testes com AGs.
Adicionada essa possibilidade ao algoritmo, pode-se variar as carac-

tersticas dos genes com base no comportamento da usina operando
em cascata, tendo eles valores iniciais iguais a 60%, 70%, 80%, etc.,
32 Asano et al.
do volume til do reservatrio. Acredita-se que essa informao po-

der acelerar a convergncia do algoritmo.
3. Volume sugerido + aleatria: seguindo a idia apresentada no

item 2, adota-se como soluo inicial para as usinas de cabeceira
caractersticas aleatrias, pois sabe-se, atravs de estudos, que seus
volumes devem oscilar para atender as variaes do mercado e das
auncias. Nas demais usinas, os indivduos tero caractersticas
iguais a 100%. Por exemplo, no caso de um sistema teste com trs
usinas, Emborcao, Itumbiara e So Simo, nas usinas 1 e 2 os ge-
nes iniciais sero aleatrios e na usina de So Simo iguais a 100%.
Atravs das sucessivas geraes essas caractersticas podero mudar
conforme a necessidade de atendimento do mercado e o perodo da
auncia, ou seja, esse comportamento inicial ser apenas um indi-
cativo de operao tima.
4. Soluo inicial fornecida pelo algoritmo de otimizao

(PNL): sendo uma das propostas do projeto de doutorado a de se
trabalhar com algoritmos hbridos, ou seja, os AGs em conjunto com
outras tcnicas de otimizao, foi utilizada a sada fornecida pelo
PNL como soluo inicial dos AGs. Essa alternativa vem mostrando
um bom desempenho, o que pode ser visto nos testes apresentados
na prxima seo.
5. PNL + 100% (soluo a o-d'gua): em uma populao de 20

indivduos o primeiro ser fornecido pelo PNL e os demais tero
caractersticas iguais a 100%, ou seja, soluo a o-d'gua.
4.3 Funo de avaliao

A funo de avaliao ou funo de custo est relacionada minimizao
ou maximizao do valor esperado da funo objetivo do problema.
No caso do planejamento da operao, a funo de avaliao ser o
custo operativo no perodo de planejamento em conjunto com a adaptao
do indivduo, onde a cada restrio operativa do problema satisfeita, de-
nidas na formulao matemtica, dado ao indivduo um ponto. O mais
pontuado ser considerado mais apto, sendo esta uma maneira de avaliar
os membros do espao de busca.
Outra opo para vericar a adaptao do indivduo seria a soma das
falhas, onde considera-se a distncia entre o valor da restrio operativa
no atendida at o mnimo valor que esta restrio aceita. Quanto menor
for este somatrio, mais apto ser o indivduo.
4.4 Ordenao da populao

O algoritmo proposto classica a populao calculando a funo de avali-
ao de todos os indivduos e depois ordenando-os conforme o objetivo do
problema. No exemplo mencionado, o objetivo ser o de minimizar o custo
e atender as restries operativas. Portanto, a populao ser ordenada do

menor para o maior custo, sabendo que, o primeiro indivduo ter o menor
custo, desde que tenha atendido as restries operativas.
4.5 Seleo
A seleo feita para determinar em quais e em quantos indivduos sero
aplicados os diversos tipos de operadores genticos utilizados, conforme
Figura 5.
Figura 5. Tela para congurao dos parmetros utilizados pelos AGs.
Note que os dados contidos na Figura 5 no so xos. Estes foram

utilizados para resolver o problema de uma usina. Cada problema exige
uma determinao de parmetros que podem ou no ser iguais a de um caso
j determinado. Isso foi denido nos testes de ponderao dos operadores
apresentados na prxima seo desse captulo.
Observe que os valores de taxas de seleo, taxas de cruzamentos, taxas
de mutaes e quantos indivduos sofrero aplicao de cada tipo de opera-
dor gentico, esto denidos em um arquivo de entrada, conforme Figura 5.
As taxas sero utilizadas para direcionar o sorteio, podendo privilegiar os
indivduos que ocupam as primeiras posies dentro da populao.
O mtodo de seleo mais simples e tambm mais conhecido o mtodo
da Roleta. Nele os indivduos de uma populao, sero selecionados para
formarem uma parte da prxima gerao, utilizando o mesmo processo da
roleta utilizada em jogos. Neste mtodo cada indivduo representado
na roleta por uma fatia proporcional ao seu ndice de aptido, para que,
os indivduos com maior aptido tenham maiores possibilidades de serem
escolhidos, ou seja, uma rea maior na roleta, o contrrio ocorrendo com os
34 Asano et al.
menos aptos. Se a roleta simples fosse baseada na posio do pai, o ponto

de corte obtido da seguinte maneira:
1. Corte = posio do pai 2;
2. Sorteia-se um nmero n, entre 0 e posio do pai 1 + posio do pai

2: n = random (pai 1 + pai 2);
3. Se n< corte, escolhe pai 1;
4. Seno, escolhe pai 2.
Utilizando a roleta simples, o grau que privilegia os indivduos nas

melhores posies de taxa xa. Dependendo do problema, haver melhor
resultado se existirem graus diferentes de privilgios. Portanto, o mtodo
de seleo adotado neste trabalho o mtodo da roleta ponderada, baseado
na posio dos pais.
Ento pode-se pensar, para pai 1 e pai 2, da seguinte maneira: atribui-
se mais oportunidade a um ou ao outro indivduo, dando s suas posies
graus de privilgios diferentes. Adota-se um valor entre essas duas posies
que calculado pela mdia ponderada pelos graus de privilgios. Ento
trabalha-se com uma roleta ponderada que mais exvel que a roleta
simples.
Na roleta pela posio ponderada:
1. Corte = taxa de seleo * (pai 1) + ( 1 - taxa de seleo) * (pai 2);
2. Se taxa de seleo = 0,8, denida pelo usurio no intervalo [0 a 1]:

Corte = 0,8 + 0,2 * 4 = 1,6;
3. Se taxa de seleo = 0,1: Corte = 0,1 + 0,9 * 4 = 3,7;
4. Sorteia-se um nmero n entre 0 e posio do (pai 1 + pai 2): n =

random (pai 1 + pai 2) = 5;
5. Se n< Corte, escolhe pai 1,;
6. Seno, escolhe pai 2.
Ou seja, quanto menor a taxa de seleo, maior a chance de se escolher

o melhor indivduo. Pois com uma taxa de seleo = 0,1, o valor de corte
igual a 3,7, como o valor n sorteado est no intervalo [0 a 5] a chance de
sortear um nmero menor do que 3,7 grande.
4.6 Aplicao dos operadores genticos

A seguir sero apresentados os operadores genticos utilizados nesse
trabalho. Como mencionado anteriormente, alguns foram alterados e ou-
tros acrescentados para se adaptarem s condies do problema de POSHP.
Elitismo: para garantir que os melhores indivduos no sejam perdidos

de uma gerao para a outra, aplica-se o elitismo. Isto garante que os
melhores indivduos passem para a prxima gerao preservando suas
caractersticas originais.
Cruzamento uniforme: quando aplica-se o cruzamento uniforme

h a necessidade de se determinar de qual dos pais sero copiadas as
caractersticas para criao do lho.
A maneira utilizada neste trabalho foi a seguinte: pode-se optar por trs
tipos de taxas de cruzamento diferentes, segundo a Tabela 3. Conforme a
taxa adotada, utilizando uma funo de ajuste (Schlick, 1994), o lho ter
mais caractersticas do melhor pai. Para permitir que isso ocorra de forma
bem aleatria, nada impede que o novo descendente tenha caractersticas
dos dois pais na mesma proporo. Apenas dado, atravs do sorteio, um
peso maior aos melhores indivduos, ou seja, os que estiverem nas primeiras
posies podero ser beneciados.
Tabela 3. Tipos de taxas adotadas na seleo, cruzamento ou mutao.

Valores das taxas Probabilidade de sorteio
taxa < 0.5 aumenta a probabilidade de sortear os indivduos
nas melhores posies.
taxa = 0.5 probabilidade de sortear os indivduos de forma
uniforme na populao.
taxa > 0.5 aumenta a probabilidade de sortear os indivduos
nas piores posies.
Vale lembrar que, quanto menor for a taxa adotada, maior ser a chance
de selecionar o melhor indivduo, devido funo de ajuste (Schlick, 1994).
Exemplo: supondo que sejam sorteados dois indivduos para sofrer cruza-
mento uniforme: pai 1 na posio 4 e pai 2 na posio 7.
Cria-se um indivduo chamado mscara onde o valor de cada gene ser
aleatrio. Este valor ser baseado no somatrio das posies escolhidas
para sofrerem cruzamento uniforme, conforme Figura 6. Exemplo: pai
1, na posio 4; pai 2, na posio 7 e privilegiando o melhor indivduo,
adotando taxa = 0,1.
onde:
P
Pposicoes = pai1 + pai2 + 2
Pposicoes = 4 + 7 + 2
oes = 13
posic
Portanto, o sorteio ser no intervalo de 0 a 13.

Baseado na taxa de cruzamento adotada, calcula-se o valor de , ou
seja o corte, que ser utilizado para comparar com cada gene da mscara.
Se o gene tiver valor menor que copia-se caracterstica do pai1, caso
36 Asano et al.
Figura 6. Cruzamento uniforme proposto.
contrrio copia-se caracterstica do pai 2, conforme Figura 6.
Clculo da varivel (corte):
privilegiar o melhor taxa = 0, 1

= taxa (pai1 + 1) + (1 taxa) (pai2 + 1)
= 0, 1 (4 + 1) + (1 0, 1) (7 + 1)
= 0, 1 5 + 0, 9 8
= 0, 5 + 7, 2
= 7, 7
indiferente taxa = 0, 5
= taxa (pai1 + 1) + (1 taxa) (pai2 + 1)
= 0, 5 (4 + 1) + (1 0, 5) (7 + 1)
= 0, 5 5 + 0, 5 8
= 2, 5 + 4, 0
= 6, 5
privilegiar o pior taxa = 0, 9

= taxa (pai1 + 1) + (1 taxa) (pai2 + 1)
= 0, 9 (4 + 1) + (1 0, 9) (7 + 1)
= 0, 9 5 + 0, 1 8
= 4, 5 + 0, 8
= 5, 3
Pode-se observar no exemplo, que utilizando uma taxa pequena (0,1) o

indivduo recebeu mais caractersticas do pai 1, como mostrado na Figura 6,
pois o valor do corte igual 7,7, ou seja o intervalo de sorteio que benecia
o melhor pai maior. Mas pode acontecer, como j citado anteriormente,
que o indivduo tenha a mesma proporo, quando a taxa for igual a 0,5,
ou at mais caractersticas do pai 2, quando a taxa adotada for maior que

0,5, pois trata-se de um algoritmo aleatrio.
Cruzamento mdio: a idia de se aplicar um cruzamento baseado na m-

dia surgiu com o objetivo de obter um indivduo que tivesse caractersticas
dos dois pais e no apenas de um.
Por exemplo, no caso de cruzamento racial, entre um branco e um
negro, o descendente deste cruzamento poder ser um branco, um negro
ou um mulato. Em outras palavras, o descendente poder se situar em
qualquer posio entre os extremos, no havendo uma raa ou caracte-
rstica contnua, em que no h interrupo, o lho poder ter qualquer
caracterstica entre os dois valores dos pais.
Logo, no caso em que utiliza-se gene real, codicando caractersticas
contnuas como um gene, o cruzamento onde o lho herda caractersticas
intermedirias dos pais, ser bem sucedido.
Quando aplica-se o cruzamento mdio h a necessidade de se determi-
nar o valor obtido da soma das caractersticas (genes) do casal escolhido
para criar um descendente, como j exposto acima. Pode-se aplicar a mdia
ponderada entre as caractersticas dos dois pais.
Portanto, este trabalho prope uma maneira de calcular a mdia de
forma a beneciar os indivduos que ocupam as melhores posies, ou seja,
a melhor caracterstica de um indivduo pode estar prxima a um valor do
melhor pai.
Como no cruzamento uniforme, pode-se optar por tipos de taxas de
cruzamento diferentes. Conforme a taxa adotada, tem-se uma distribuio
(Schlick, 1994), que proporciona ao lho obter caractersticas prximas do
melhor indivduo. Esse tipo de distribuio, tanto no cruzamento uni-
forme como no cruzamento mdio, d maiores chances aos indivduos nas
primeiras posies de serem sorteados, que no nosso caso so os melhores,
semelhante ao mtodo da roleta.
Seja o seguinte exemplo. Supondo que sejam sorteados dois indivduos
para sofrerem cruzamento mdio, pai 1 na posio 19 e pai 2 na posio
22.
O genenovo do lho ser obtido atravs da mdia ponderada entre as
genenovo = T genepai1 +
caractersticas dos dois pais da seguinte forma:
(1 T ) genepai2 , onde: T ser calculado pela seguinte funo: T =
BiasRand(a). BiasRand(a) devolve um valor para T entre 0 e 1, segundo
o valor de a. Se o valor de a for menor que 0,5, a probabilidade de
se sortear um nmero prximo de zero maior. Se for igual a 0,5, a
probabilidade de sortear um nmero entre 0 e 1 uniforme. Finalmente,
se o valor for maior que 0,5, a probabilidade de sortear um valor prximo
de 1 maior.
Diante da necessidade de obter um valor para a que pudesse ser
usado como uma taxa, ou seja [0, 1], calcula-se o valor de a atravs
38 Asano et al.
da mdia ponderada entre as posies que os pais ocupam na populao,

pai1+1 e pai2+1, dividida pelo somatrio dessas duas posies. Assim,
pretende-se relacionar a participao do gene de acordo com a sua chance
na roleta, tomando a como a probabilidade de ser sorteado na roleta
ponderada, seja o exemplo a seguir:
privilegiar o melhor taxa = 0, 1

a =(taxa (pai1 + 1) + (1 taxa) (pai2 + 1))/(pai1 + pai2 + 2)
a =(0, 1 (19 + 1) + (1 0, 1) (22 + 1))/(19 + 22 + 2)
a =(2 + ((0, 9 23))/43
a =(2 + 20, 7) / 43
a =0, 53
indiferente taxa = 0, 5
a = (taxa (pai1 + 1) + (1 taxa) (pai2 + 1))/(pai1 + pai2 + 2)
a = (0, 5 (19 + 1) + (1 0, 5) (22 + 1))/(19 + 22 + 2)
a = (10 + ((0, 5 23))/43
a = (10 + 11, 5) / 43
a = 0, 5
privilegiar o pior taxa = 0, 9
a = (taxa (pai1 + 1) + (1 taxa) (pai2 + 1))/(pai1 + pai2 + 2)
a = (0, 9 (19 + 1) + (1 0, 9) (22 + 1))/(19 + 22 + 2)
a = (18 + ((0, 1 23))/43
a = (18 + 23) / 43
a = 0, 47
De acordo com a taxa que privilegia o melhor indivduo e os valores

de a e T, pode-se obter o novo valor do gene 1, conforme Figura 7, da
seguinte maneira:
Para a = 0, 57 e T = 0, 8
gene 1 = T gene 1p1 + (1 T ) gene 1p2
gene 1 = 0, 8 0.90 + (1 0, 8) 0, 75
gene 1 = 0, 72 + 0.2 0, 75
gene 1 = 0, 72 + 0, 15
gene 1 = 0, 87
Caso fosse adotada taxa = 0,5 ou taxa que privilegie o pior indivduo,
o valor do gene 1 seria:
Para a = 0, 5 e T = 0, 5
gene 1 = 0, 5 0., 90 + (1 0, 5) 0, 75
gene 1 = 0, 45 + 0, 5 0, 75
gene 1 = 0, 45 + 0, 375
gene 1 = 0, 825
Para a = 0, 47 e T = 0, 2

gene 1 = 0, 2 0, 90 + (1 0, 2) 0, 75
gene 1 = 0, 18 + 0, 5 0, 75
gene 1 = 0, 18 + 0, 60
gene 1 = 0, 78
Figura 7. Cruzamento mdio proposto.
Mutao: com o objetivo de manter a diversidade da populao, o ope-

rador gentico de mutao ser aplicado em alguns descendentes criados
atravs de cruzamento uniforme, cruzamento mdio e em alguns que no
sofreram nenhum tipo de cruzamento.
Trabalhando com caractersticas contnuas, h a necessidade de uma
adaptao do operador de mutao. O binrio muda de 0 para 1 ou vice-
versa. No problema proposto, isso no ser vivel. Portanto, adota-se uma
maneira de mutar os indivduos de uma forma no brusca, ou seja, no
coerente mudar o volume do reservatrio de 90% para 45%. Porm, pode-
se pensar em uma maneira de conseguir que o novo valor do gene mutado
esteja prximo do gene original.
Primeiramente, o nmero de pontos de mutao ser considerado como
sendo um dado de entrada, conforme Figura 5. Entretanto, quando da apli-
cao deste operador gentico, feito um sorteio no intervalo de 0 (zero) ao
nmero de pontos de mutao determinado, ou seja, no necessariamente
ser modicada a quantidade de pontos pr-determinados.
Aps sorteada a quantidade de pontos que sero modicados, faz-se
uma lista com cada posio sorteada para sofrer mutao, evitando que
um mesmo ponto seja escolhido mais de uma vez.
a
Exemplo: supondo que o indivduo na 25 colocao foi escolhido para
sofrer mutao. Determina-se, por sorteio, a quantos pontos de um indiv-
duo ser aplicada a mutao. Supondo que o nmero de pontos determi-
nados igual a 5, conforme mostrado na Figura 8, faz-se:
1. Sortear um nmero que est no intervalo de [0 a 5]. Supondo que o
nmero sorteado seja igual a 4;
2. Montar uma lista com pontos a serem mutados. Sabendo que esta
lista dever conter a informao das posies dos genes a serem al-
teradas.
40 Asano et al.
Figura 8. Mutao proposta.
Sorteia-se qualquer posio do indivduo: A posio 1 foi sor-

teada. Esta posio no entra mais no sorteio das prximas
posies

teada. Esta posio corresponde posio 5 no indivduo, pois
a posio sorteada no conta mais.

teada. Esta posio corresponde posio 4 no indivduo.

teada. Esta posio corresponde posio 10 no indivduo.
3. Obter os valores novos para cada posio sorteada.
Para a primeira posio sorteia-se um valor prximo do valor

original 0,9, com uma taxa de 0,1. Com esta taxa de mutao
o valor sorteado pode ser qualquer nmero prximo do valor
original do gene, segundo a funo Gain (Schlick, 1994), exem-
plicada a seguir. Aplicada a funo, o valor do novo gene
passa a ser 0.92. Repete-se o procedimento para as demais
genenovo = CGainRand(gene, taxa), onde:
posies, usando:
CGainRand((gene), taxa) devolve um valor entre 0 e 1, se-
gundo a taxa escolhida. Se o valor da taxa for menor que 0,5,
a probabilidade de se sortear um nmero prximo do valor do
gene escolhido para ser mutado maior. Se for igual a 0,5, a
probabilidade igual para um valor entre 0 e 1. Finalmente se
o valor for maior que 0,5, a probabilidade de sortear um valor
prximo do valor do gene escolhido para ser mutado pequena.
Portanto:
Para a posio 4 o novo valor ser de 0.,65.
Para a posio 5 o novo valor ser de 0.,49.
Para a posio 9 o novo valor ser de 0,88.
4. Finalmente, tm-se o novo indivduo, apresentado na Figura 9.
Mutao direcionada: como se trata de um problema onde, quanto mais

uniforme for a gerao trmica menor ser o custo da operao, faz-se
Figura 9. Novo indivduo aps mutao proposta.
um rastreamento de todos os valores de maior e menor gerao (picos),

ocorridos durante o perodo de planejamento, e aplica-se mutao nestes
pontos, de forma a manter o valor de gerao o mais uniforme possvel.
Mutao induzida: atravs de vrios estudos suposto que se conhece

o comportamento timo esperado das usinas em cascata, quando em con-
dies ideais. Como as usinas ocupam posies diferentes no conjunto, as
caractersticas de operao so diferenciadas. As usinas montante assu-
mem a funo de regularizao do sistema, o que signica que oscilam no
volume de seus reservatrios, enquanto as usinas jusante mantm os seus
reservatrios cheios durante o perodo de planejamento. Baseado na opera-
o tima de reservatrios, estudada pela tcnica tradicional de otimizao,
o operador de mutao induzida daria maiores chances aos genes corres-
pondentes s usinas montante de variarem os seus volumes, enquanto
os genes correspondentes s usinas a jusante permaneceriam inalterados,
ou seja, com 100% do volume til, o que reduziria o tempo computacio-
nal, pois fazem com que as usinas reservatrio de m de cascata tenham
caractersticas de operao a o-d'gua, ou seja, no esvaziem seus reser-
vatrios.
Mutao local: como a aplicao foi feita em um problema complexo e

de grande porte, para evitar que o algoritmo demore a convergir, a partir
do momento em que se tem um indivduo que atenda a todas as restries
feita uma vericao a cada n iteraes, pr-denida pelo operador do
sistema. Nesta etapa, para os indivduos com os mesmos valores de genes,
isto , indivduos idnticos, somente um mantido na populao, enquanto
os outros sofrero alteraes nas suas caractersticas com objetivo de ex-
plorar a vizinhana, ou seja, obter um outro indivduo com caractersticas
prximas do que foi descartado e que possa se aproximar da soluo tima,
conforme mostrado na Figura 10. Essas alteraes seguem os mesmos me-
canismos utilizados na mutao, respeitando uma taxa pr-determinada
pelo operador, s que, neste caso, todas as caractersticas sero alteradas.
Figura 10. Mutao local proposta.

42 Asano et al.
A literatura internacional tem mostrado a importncia e o sucesso dos

algoritmos hbridos, onde uma tcnica tradicional de otimizao trabalha
em conjunto com os AGs (Gen & Cheng, 1997; Corne et al., 1999). Por-
tanto, optou-se por implementar o mtodo do gradiente (Salomon, 1998;
Bazaraa et al., 1993), dando origem a dois operadores genticos de mu-
tao, que foram denidos como mutao gradiente e mutao gradiente
direcionada. Estes sero descritos abaixo.
Mutao gradiente: para melhor compreenso dos dois operadores gen-

ticos baseados no mtodo do gradiente, ser mostrado brevemente a forma
de calcul-lo para uma funo f (x).
O gradiente, ou velocidade de variao, de f (x) em um ponto x, pode
ser aproximado por f /x, e pode-se escrev-lo exatamente como na
Equao 21, que conhecida como a derivada parcial de f (x) em rela-
o a x.
f (x) f (x + x) f (x)
= limx0 (21)
x x
Suponha que se deseja minimizar a funo f (x) e efetuar uma variao
em x para minimizar f (x). Precisa-se para isso conhecer a derivada de
f (x). H trs casos a considerar:
Se f /x > 0, ento f (x) aumenta quando x aumenta, por isso se
deve diminuir x.
Se f /x < 0, ento f (x) diminui quando x aumenta, por isso se
deve aumentar x.
Se f /x = 0, ento f (x) um mximo ou um mnimo, ou seja um
ponto de inexo ou ponto de cela, por isso no se deve variar x.
Portanto,
f
x(k) = x(k 1) (22)
x
em que uma constante positiva, pequena, que especica quanto se
deve variar x (na iterao k) e a derivada f /x indica a direo dessa
variao. Se, repetidamente, esta equao for usada, f (x) continuar a
descer em relao ao seu valor mnimo (desde que seja sucientemente
pequeno).
No caso do problema do POSHP, escolhe-se um indivduo da populao,
alguns pontos (gene) so sorteados aleatoriamente, e calcula-se o gradiente
nestes pontos visando a minimizao da funo objetivo.
Por exemplo: o indivduo i foi sorteado na populao e nos pontos
2, 7 e 10 sero calculados os gradientes. Calculando o custo, conforme
denido na formulao matemtica, para o indivduo i, tem-se: custo(i) =
550219, 3222, custo do indivduo antes da aplicao da mutao gradiente.
A seguir acrescenta-se um valorx = 0, 00001 em cada ponto escolhido

e calcula-se novamente o custo do indivduo i.
custo(x2 ) = 550217, 7717, quando x2 = 0, 96651;
custo(x7 ) = 550216, 9448, quando x7 = 0, 73541;
custo(x10 ) = 550221, 1841, quando x10 = 0, 91181;
O prximo passo consiste em calcular a derivada de f (x) em cada ponto:

f (x) f (x)
x
= f (x+ x)
x
f (x) f (x2 + x) f (x) 2 ) custo(i)
x2
= x
= custo(i0,00001 = 155048, 653
f (x) f (x7 + x) f (x) custo(i7 ) custo(i)
x7
= x
= 0,00001
= 237734, 200
f (x) f (x1 0 + x) f (x) custo(i10 ) custo(i)
x1 0
= x
= 0,00001
= 186190, 928
Conforme mencionado anteriormente, tem que ser pequeno. Ento

ser obtido atravs de um nmero sorteado dividido por . Sendo
dado pela normalizao da derivada da funo f em relao aos pontos
escolhidos para aplicao do operador. Portanto, normalizando:

f f f
2 = x , ,
2 x7 x1 0
=
(155048,
p 653, 237734, 200, 186190, 928 ) =
(155048, 653)2 + (237734, 200)2 + (186190, 928)2 = 339447, 635
Calculando : onde um nmero sorteado pseudo-aleatoriamente [0,1]
2
dividido por .
n
umero sorteado 0,00051
2 =
= 339447,635 = 1, 50244E 09
n
7 =
= 339447,635
= 2, 09163E 09
n
10 =
= 339447,635 = 9, 13248E 10
nalizando, tem-se os novos valores para x2 , x7 e x10 .
f
xi novo = xi i x i
f
x2 novo = 0, 9665 2 x 2
= 0, 9667
f
x7 novo = 0, 7354 7 x7 = 0, 7359
f
x10 novo = 0, 9118 10 x 10
= 0, 9116
Portanto, o custo(inovo ) = 550037, 1841, ou seja, a funo foi mi-

nimizada, e as novas caractersticas do indivduo i so apresentadas na
Figura 11.
Figura 11. Mutao gradiente.

44 Asano et al.
Mutao gradiente direcionada: aproveitando a ideia da mutao di-

recionada, onde os picos de gerao trmica so identicados, escolhem-se
alguns picos e nestes pontos calcula-se o gradiente com objetivo de encon-
trar o menor custo da funo objetivo, adotando-se o mesmo procedimento
da mutao gradiente.
No intuito de analisar o uso do algoritmo proposto no problema em
questo, optou-se por apresentar na prxima seo um estudo com 35
usinas hidroeltricas em cascata, representando parte do sistema Sudeste
Brasileiro, conforme apresentado na Figura 12.
Figura 12. Parte do sistema de usinas do sudeste Brasileiro.
5. Estudo
As usinas hidroeltricas brasileiras dispem de dados histricos de vazes
auentes naturais com incio no ano de 1931 at 2001. Esse dados esto
disponveis em discretizao mensal ou semanal, tendo sido obtidos a partir
2
de um processo baseado em medies e anlises . No estudo ser adotada
uma mdia deste histrico, denida como mdia de longo termo - MLT,
que reete a sazonalidade das auncias ocorridas na usina.
Nest estudo foi considerada a inuncia da taxa de desconto, em 10%
ao ano, consoante ofcio SRG/ANEEL n. 02/2001, de 15/01/2001. Esta
inuncia afeta a operao diminuindo os nveis dos reservatrios no incio
do horizonte de planejamento, j que a gerao trmica adiada para o
nal do perodo de planejamento.
2 Dados disponveis em: http://www.ons.org.br

Adotou-se como incio de todos os perodos o ms de maio, por ser o

incio do perodo seco na bacia hidrogrca em questo. de se esperar
que, em uma operao otimizada, os reservatrios estejam cheios no nal
do perodo chuvoso, justamente para superar o perodo seco que se inicia.
Consequentemente, como nal, adotou-se o ms de abril, nal do perodo
de auncias mais elevadas. As auncias naturais aos reservatrios em
toda pesquisa foram retiradas do arquivo de vazes do Sistema Brasileiro.
Este estudo teve com objetivo vericar o comportamento na prtica do
mtodo desenvolvido, apresentando uma aplicao do algoritmo proposto
em um sistema teste composto por 35 usinas hidroeltricas, abrangendo
grande parte do Sistema Sudeste Brasileiro, sendo utilizadas usinas a re-
servatrio e a o d'gua, conforme apresentado na Figura 12. Com uma
potncia instalada total de 36271 MW.
Um subsistema incluindo somente as usinas a reservatrio foi testado
e apresentado em Alencar et al. (2009), Alencar & Leite (2010a) e Alencar
& Leite (2010b). Neste captulo optou-se por apresentar com as usinas a
o d'gua includas no subsistema, com objetivo de se vericar as inter-
ferncias que poderiam surgir para o algoritmo proposto, principalmente
quanto ao crescimento do nmero de usinas, o que atestou a viabilidade do
AGs para operar com vrias usinas.
A apresentao deste estudo, ao mesmo tempo em que mostra dida-
ticamente a aplicao dos AGs no POSHP, comprova a aplicabilidade e
ecincia do algoritmo em sistemas grandes e complexos, com muitas usi-
nas de grande porte, interligadas em paralelo e em cascata, com dados reais
e caractersticas tpicas das usinas brasileiras.
Observa-se nas Figuras 13 a 18 que os AGs conseguiram denir um
cronograma de operao que se repetiu no segundo ano, devido aos dados
sazonais da vazo auente ao longo do intervalo de planejamento. Diferen-
temente da ferramenta que utiliza programao no linear PNL (Cicogna,
2003) que em alguns caso no repetiu a mesma trajetria no segundo ano.
Atravs da Figura 19 pode-se avaliar a gerao hidrulica e a comple-
mentao trmica denidas pelas duas tcnicas, quando se adota auncias
iguais MLT. Vale destacar que, a complementao trmica bastante
uniforme ao longo do perodo de planejamento, indicando um custo de
operao menor, pois este custo dado por uma funo com crescimento
quadrtico, conforme demostrado na formulao matemtica do problema.
Portanto, quanto mais uniforme menor ser o custo operativo ao longo do
intervalo de planejamento.
O Estudo realizado neste captulo comprovou, que as tcnicas de Inteli-
gncia Articial, baseada em Algoritmos Genticos, eciente na resoluo
de problemas de Planejamento da Operao de Sistemas Hidrotrmicos de
Potncia. De acordo com as trajetrias de volumes e geraes apresen-
tadas pode-se concluir que nesta situao de complexidade da cascata, os
46 Asano et al.
Figura 13. Estudo V Trajetria tima de volume da cascata do rio

Paranaba.

Grande.
Figura 15. Estudo V Trajetria tima de volume da cascata do rio Pardo.
Figura 16. Estudo V Trajetria tima de volume da cascata do rio Tiet.

48 Asano et al.

Paranapanema.

Paran.
Figura 19. Estudo V Gerao hidrulica e complementao trmica das

usinas do sistema sudeste.
AGs conseguiram apresentar uma boa soluo. Portanto, acredita-se for-

temente que este algoritmo proposto poder auxiliar nos estudos e aes
do planejamento da operao resolvendo ou mesmo auxiliando as anlises
dos gerenciadores do setor eltrico Brasileiro.
6. Concluso
Conforme apresentado neste documento, o referido trabalho mostra a apli-
cabilidade e potencialidade dos Algoritmos Genticos no Planejamento da
Operao de Sistemas Hidrotrmicos de Potncia.
Com relao tcnica adotada, vrios testes no que diz respeito a de-
nio do tamanho de uma populao eciente, busca de uma soluo inicial
mais adequada ao problema e a ponderao dos operadores genticos uti-
lizados foram considerados nesta fase de desenvolvimento da ferramenta
computacional. Tais anlises buscam uma maior segurana na avaliao
quanto aos tipos de operadores que melhor se adaptam ao problema e ao
emprego de tcnicas especiais, como os algoritmos hbridos, que contribu-
ram para um melhor desempenho da ferramenta, conforme evidenciado.
Cabe relembrar que o objetivo principal da ferramente, investigar a
aplicao da tcnica citada no Planejamento Eletro-Energtico, voltado
principalmente para o Planejamento Energtico de curto prazo, foi exaus-
tivamente avaliado atravs de testes com usinas pertencentes ao Sistema
Sudeste Brasileiro. Estes testes abrangeram desde usina isolada, sistemas
com usinas em cascata simples, sistema com vrias usinas com cascatas
em paralelo, at um complexo sistema de grande porte (35 usinas interli-
50 Asano et al.
gadas hidraulicamente), adotando-se distintas vazes auentes, o que vem

a mostrar a pertinncia e a consistncia da abordagem.
Os bons resultados obtidos na aplicao dos AGs mostraram o grande
potencial desta ferramenta, que conseguiu captar as diferentes caractersti-
cas de operao das usinas, sem a necessidade de simplicar a formulao
original do problema. Observou-se que em todas as situaes os AGs apre-
sentaram um desempenho satisfatrio na determinao de uma estratgia
de operao que venha a atender as restries do Planejamento da Opera-
o de Sistemas Hidrotrmicos de Potncia.
Agradecimentos
Os autores agradecem Fundao Estadual de Amparo Pesquisa do
Estado de So Paulo (FAPESP) pelo apoio nanceiro ao projeto.
Referncias
Alencar, T.R. & Leite, P.T., Development of an intelligent tool for planning
the operation. World Academy of Science, Engineering and Techno-
logy, 63:519, 2010a.
Alencar, T.R. & Leite, P.T., Development of a computational tool for appli-
cation in the operation of hydrothermal power systems. In: Proceedings
of IEE Transmission and Distribution Conference and Exposition. New
Orleans, USA, p. 16, 2010b.
Alencar, T.R.; Leite, P.T.; Carneiro, A.A.F.M. & de Carvalho, A.C.P.L.F.,

Desenvolvimento de uma ferramenta inteligente para o planejamento
da operao de sistemas hidrotrmicos de potncia. In: Proceedings
of the 8th Latin American Congress on Electricity Generation and
Transmission. Ubatuba, SP, 2009.
Bazaraa, M.S.; Sherali, H. & Shetty, C., Nonlinear Programming - Theory
and Algorithms. 2a edio. New York, USA: John Wiley & Sons, 1993.
656 p.
Beasley, D.; Bull, D.R. & Martin, R.R., An overview of genetic algorithms:
University Computing, 15(4):170181, 1993.
Part 2, research topics.
Carneiro, A.A.F.M., Contribuio ao Planejamento da Operao Energ-

tica de Sistemas Hidrotrmicos de Potncia. Tese de doutorado, Facul-
dade de Engenharia Eltrica e de Computao, Universidade Estadual
de Campinas, Campinas, SP, 1991.
Carneiro, A.A.F.M.; Soares, S. & Bond, P.S., Modelling and optimization

of hydrothermal generation scheduling. Anais do VII Congresso Brasi-
leiro da Operao de Sistemas Hidrotrmicos de Potncia, 2:823829,
1988.
Carneiro, A.A.F.M.; Soares, S. & Bond, P.S., A large scale application of

IEEE
an optimal deterministic hydrothermal scheduling algorithm.
Transactions on Power Systems, 5(1):204211, 1990.
Carvalho, M.F.H., Modelos de Fluxo em Redes Aplicados a Sistemas de
Energia Eltrica. Tese de doutorado, Faculdade de Engenharia El-
trica, Universidade Estadual de Campinas, Campinas, SP, 1986.
Chang, H.C. & Chen, P.H., Hydrothermal generation scheduling package:

A genetic based approach. IEE Proceedings Generation, Transmission,
and Distribuition, 145(4):451457, 1998.
Chen, P.H. & Chang, H.C., Genetic aided scheduling of hydraulically cou-
pled plants in hydro-thermal coordination.IEEE Transactions on
Power Systems, 11(2):975981, 1996.
Cicogna, M.A., Modelo de Planejamento da Operao Energtica de Sis-
temas Hidrotrmicos a Usina Individualizada Orientado por Objetos.
Dissertao de mestrado, Faculdade de Engenharia Eltrica e de Com-
putao, Universidade de Campinas, Campinas, SP, 1999.
Cicogna, M.A., Sistema de Suporte a Deciso para o Planejamento e a

Programao da Operao de Sistemas de Energia Eltrica. Tese de
doutorado, Faculdade de Engenharia Eltrica, Universidade Estadual
de Campinas, Campinas, SP, 2003.
Cicogna, M.A. & Soares, S., Um sistema de suporte deciso para o pla-
nejamento e a programao da operao de sistemas hidrotrmicos
Anais do XVII SNPTEE Seminrio Nacional de
de potncia. In:
Produo e Transmisso de Energia Eltrica. Uberlndia, MG, 2003.
Corne, D.; Dorigo, M. & Glover, F. (Eds.), New Ideas in Optimization.
New York, USA: McGraw-Hill, 1999. 450 p.
EPE, , BEN - Balano Energtico - Relatrio Final 2010. Dados tcnicos,

Empresa de Pesquisa Energtica, http://www.epe.gov.br, 2010.
Fortunato, L.A.M.; Neto, A.; Barreto, L.A.L. & Ferreira, C., Operation
Proceedings of
planning studies of the brazilian generation system. In:
IFAC Symposium on Planning and Operation of Eletric Energy Sys-
tems. Rio de Janeiro, RJ, p. 193200, 1985.
Gen, M. & Cheng, R., Genetic Algorithms and Enginneering Design. Re-
ading, EUA: Addison-Wesley, 1997. 432 p.
Goldberg, D.E., Genetic Algoritmms in Search Optimization and Machine

Learning. Reading, EUA: Addison-Wesley, 1989. 432 p.
Leite, P.T., Aplicao de Tcnicas de Inteligncia Articial no Planeja-
mento da Operao de sistemas Hidrotrmicos de Potncia. Tese de
doutorado, Escola de Engenharia de So Carlos, Universidade de So
Paulo, So Carlos, SP, 2003.
52 Asano et al.
Leite, P.T.; Carneiro, A.A.F.M. & Carvalho, A.C.P.L.F., Energetic opera-

tion planning using genetic algorithms. IEEE Transactions on Power
Systems, 17(1):173179, 2002.
Leite, P.T.; Carneiro, A.A.F.M. & Carvalho, A.C.P.L.F., Aplicao de

algoritmos genticos na determinao da operao tima de sistemas
hidrotrmicos de potncia. Revista Controle & Automao, 17(1):81
88, 2006.
Macieira, M.E.P.; Marcato, R.M. & Marcato, A.L.M., Comparao entre

abordagem estocstica e determinstica no planejamento da operao
Anais do
de mdio prazo de sistemas hidrotrmicos interligados. In:
XVII SNPTEE Seminrio Nacional de Produo e Transmisso de
Energia Eltrica. Uberlndia, MG, 2003.
MAE, , Processo de Utilizao dos Modelos de Otimizao na Formao do
Preo do MAE. Apndice D, Mercado Atacadista de Energia Eltrica,
http://www.mae.org.br, 2002.
Martinez, L.,Poltica de Controle Malha Fechada e Malha Aberta no Pla-

nejamneto da Operao Energtica de Sistemas Hidrotrmicos. Tese
de doutorado, Faculdade de Engenharia Eltrica e de Computao,
Universidade Estadual de Campinas, Campinas, SP, 2001.
Matsumoto, M. & Nishimura, T., Mersenne twister: a 623-dimensionally

equidistributed uniform pseudo-random number generator. ACM
Transactions on Modeling and Computer Simulation, 8(1):330, 1998.
Miranda, V.; Srinivasan, D. & Proenca, L.M., Evolutionary computation in

power systems example 2: Genetic algorithms in hydrothermal ope-
ration planning. International Journal of Electrical Power & Energy
Systems, 20(2):8998, 1998.
Pereira, M.V., Optimal scheduling of hydrothermal systems - an overview.

In: Proceedings of IFAC Symposium on Planning and Operation of
Eletric Energy Systems. Rio de Janeiro, RJ, p. 19, 1985.
Pereira, M.V.; Cunha, S.H.F.; Terry, L.A. & Mosse, A., Modelos compu-
tacionais para planejamento e operao de sistemas hidrotrmicos de
grande porte. SBA: Controle de Automao, 1(1):3141, 1987.
Rablo, R., Componentes de Software no Planejamento da Operao Ener-
gtica de Sistemas Hidrotrmicos. Tese de doutorado, Escola de En-
genharia de So Carlos, Universidade de So Paulo, So Carlos, SP,
2010.
Rezende, S.O. (Ed.), Sistemas Inteligentes Fundamentos e Aplicaes.

So Paulo, SP: Manole, 2003. 525 p.
Rosenthal, R.E., Status of Optimization Models for the Operation of Mul-

tireservoir Systems with Stochastic Inows and Nonseparable Benets.
Research Report n. 75, Water Resources Research, The University of
Tennessee, Water Resources Research Center, 1980.
Salomon, R., Evolutionary algorithms and gradient search: Similarities

and dierences. IEEE Transactions on Evolutionary Computation,
2(2):4555, 1998.
Schlick, C., Fast alternatives to Perlin's bias and gain functions. In: Heck-
bert, P.S. (Ed.), Graphics Gems IV. San Diego, USA: Academic Press
Professional, p. 401403, 1994.
Silva, E.L., Formao de Preo em Mercados de Energia Eltrica. Porto

Alegre, RS: Editora Sagra Luzzatto, 2001.
Soares, S. & Carneiro, A.A.F.M., Optimal operation of reservoirs for elec-

tric generation. IEEE Transactions on Power Delivery, 6(3):1101
1107, 1991.
Tavares, H.; Soares, S. & Lyra, C., Modelling and optimization of hy-
drothermal generation scheduling. IEEE Transactions on Power Ap-
paratus and Systems, PAS-103(8):21262133, 1984.
Yang, P.C.; Yang, H.T. & Huang, C.L., Scheduling short-term hydrother-
mal generation using evolutionary programming techniques. IEE Pro-
ceeding Generation, Transmission, and Distribution, 143(4):371376,
1996.
54 Asano et al.
Notas Biogrficas
Patricia Teixeira Leite Asano possui graduao em Engenharia Eltrica pela
Universidade Federal de Mato Grosso (1995), mestrado em Engenharia Eltrica
pela Universidade de So Paulo (1999) e doutorado em Engenharia Eltrica
So Carlos pela Universidade de So Paulo (2003). Atualmente professora
adjunto da Universidade Federal do ABC, atuando principalmente nos seguintes
temas: algoritmos genticos, sistemas hidrotrmicos, planejamento da operao,
otimizao e inteligncia articial.
Thiago Ribeiro de Alencar bacharel em Cincia e Tecnologia pela Uni-

versidade Federal do ABC (2009). Atualmente pesquisador da Universidade
Federal do ABC e presidente do Captulo de Potncia (PES) da IEEE (Institute
of Electrical and Electronic Engineers ) seo sul Brasil. Tem experincia na
rea de Engenharia Aeroespacial, com nfase em Propulso Aeroespacial. Atua
principalmente nos seguintes temas: energia, inteligncia articial, algoritmos
genticos, planejamento da operao, sistemas hidrotrmicos e colnia de
formigas.
Adriano Alber de Frana Mendes Carneiro possui graduao em En-

genharia Eltrica pela Pontifcia Universidade Catlica de So Paulo (1970) ,
especializao Engenharia de Manuteno pelo Instituto Mau de Tecnologia
(1978) , especializao em Engenharia de Sistemas Eltricos pela Universidade
Federal de Itajub (1979), mestrado em Engenharia Eltrica pela Universidade
Federal de Itajub (1980) e doutorado em Engenharia Eltrica pela Universidade
Estadual de Campinas (1991). Atualmente professor da Universidade de
So Paulo, atuando principalmente nos seguintes temas: sistemas eltricos
de potncia, planejamento da operao, gerao hidrotrmica, otimizao da
gerao, planejamento energtico e programao no-linear.
Andr Carlos Ponce de Leon Ferreira de Carvalho possui graduao

em Cincia da Computao pela Universidade Federal de Pernambuco (1987),
mestrado em Cincias da Computao pela Universidade Federal de Pernambuco
(1990) doutorado em Electronic Engineering pela University of Kent at Canter-
bury (1994) e ps-doutorado pela Universidade do Porto (2006). Atualmente
professor titular da Universidade de So Paulo, atuando principalmente
nos seguintes temas: redes neurais, aprendizado de mquina, bioinformtica,
algoritmos genticos, minerao de dados e sistemas hbridos.
Sadao Massago possui graduao em Licenciatura em Matemtica pela

Universidade Estadual de Maring (1992), mestrado em Cincias Matemticas
pelo Instituto de Cincias Matemticas de So Carlos (1995) e doutorado em
Cincias Matemticas pelo Instituto de Cincias Matemticas e de Computao
(2000). Atualmente o professor adjunto da Universidade Federal de So Carlos,
atuando principalmente nos seguintes temas: topologia algbrica, teoria de ns,
teoria da brao e matemtica aplicada na rea de pesquisa operacional.
Captulo 3
Algoritmos Genticos Aplicados ao Planejamento da

Distribuio de Energia Eltrica
em Curitiba e Regio Metropolitana
Arileide Cristina Alves, Maria Teresinha Arns Steiner,

Nelson Haj Mussi e Giovani Zanelatto
Resumo: Para o contnuo crescimento dos municpios torna-se ne-

cessrio a expanso otimizada das redes de distribuio de energia
eltrica. A localizao e o balanceamento otimizados de SE's so
questes de grande importncia para um planejamento adequado.
Neste captulo abordado o problema de localizao de instalaes
(facilities location ), sendo que a regio de estudo o municpio de
Curitiba e adjacncias. Foram aplicados os Algoritmos Genticos,
sendo que a melhor soluo obtida foi renada atravs do algoritmo
Teitz e Bart. O algoritmo de Gillett e Johnson usado para a de-
nio da regio de atendimento de cada SE. A metodologia proposta
serve como auxlio ao engenheiro tomador de decises.
Palavras-chave: Planejamento de distribuio, Localizao de ins-
talaes, Algoritmos genticos.
Abstract: The continuous development of the cities requires to an
optimized expansion of energy distribution networks. The location
and optimized load distribution of substations are subjects of great
importance to an adequate planning. This chapter focuses the faci-
lities location problem, and the area of study is the city of Curitiba
and surroundings. Genetic algorithms were used and the best solu-
tion found was later rened through the Teitz and Bart algorithm.
The Gillett and Johnson algorithm is used to dene the service area
for each substation. The proposed methodology serves as a tool to
the decision maker engineer.
Keywords: Distribution planning, Facilities location, Genetic al-
gorithms.
Autor para contato: aalves@up.com.br
56 Alves et al.
1. Introduo
O crescimento de um pas afeta diretamente o crescimento e o aumento
do mercado consumidor de energia eltrica. Por outro lado, diculdades
econmicas podem provocar restries de verbas para os investimentos.
Tais fatores geram a necessidade de se elaborar estudos mais complexos,
para o suprimento de energia eltrica a uma determinada rea, que podem
envolver uma massa de dados com muitas informaes, exigindo anlise
detalhada de um nmero maior de alternativas para os mais diversos pro-
blemas. Alm disto, existe a necessidade de se ter respostas rpidas para o
consumidor que tem se tornado cada vez mais exigente, tanto com relao
ao tempo em que ca privado do fornecimento de energia eltrica, quanto
em relao ao nmero de vezes que isto ocorre.
Todos estes fatores, por si s, j apontam para a necessidade de ajustes
das concessionrias de energia eltrica com relao aos servios prestados.
Estes ajustes so comumente tratados atravs do planejamento de distribui-
o de energia eltrica em redes, que o processo de estudos e anlises que
visa garantir a ecincia de uma rede eltrica. Um planejamento de distri-
buio satisfatrio inclui tamanho, locao, rotas, interconexes e previso
do momento (quando) e locais adequados (onde) para futuras linhas
de transmisso, subestaes, alimentadores e equipamentos relacionados
distribuio de energia eltrica.
No que diz respeito localizao e dimensionamento de subestaes,
torna-se evidente a necessidade de adotar estudos de tcnicas que permitam
a otimizao do processo, que pode ser obtida com do uso de modelos
matemticos e algoritmos, assim como proposto neste trabalho.
Tal otimizao faz uso dos mapas de carga que so representaes gr-
cas da distribuio de carga em uma localidade ou regio, convenientemente
subdividida em reas elementares (quadrculas), que so as menores unida-
des de rea a serem consideradas na distribuio geogrca de carga. Sua
denio depende do tipo de estudo a ser realizado. Por exemplo, para o
planejamento de subestaes em Curitiba, Regio Metropolitana (RMC) e
2
adjacncias, so utilizadas quadrculas de rea de 1 km . Os dados utiliza-
dos neste estudo foram fornecidos pela concessionria de energia eltrica,
atravs de uma planilha eletrnica, em ambiente Microsoft Excel, contendo
as suas coordenadas no sistema Universal Transversa de Mercator (UTM),
as demandas de cargas em cada uma delas, bem como a localizao e a
capacidade de atendimento das subestaes existentes.
Problemas de localizao de instalaes (ou medianas) aparecem fre-
quentemente na prtica em uma variedade de aplicaes como, por exem-
plo, a localizao do centro de comutao numa rede telefnica, armazns
de suprimentos numa rede de distribuio e a localizao de centros de
triagens de cartas, dentre outras.
AGs para planejamento da distribuio de energia eltrica 57
So muitos os trabalhos apresentados na literatura que tratam de pro-

blemas reais, cuja soluo recai ou faz uso dos problemas de localizao
de instalaes. Dentre estes trabalhos pode-se citar o de Corra (2000)
onde so aplicados os algoritmos metaheursticos algoritmos genticos e
busca tabu, comparativamente para o problema das p-medianas capaci-
tado. Neste problema o objetivo principal era determinar cerca de 20
instalaes, dentre cerca de 40 possibilidades, que melhor acomodassem,
em termos de distncia, os cerca de 50 mil candidatos ao vestibular da
Universidade Federal do Paran (UFPR).
Em Detofeno & Steiner (2010) apresentada uma metodologia para a
obteno de rotas otimizadas para a coleta de resduos urbanos. Para tanto,
foi utilizada primeiramente a heurstica de Teitz e Bart para a obteno de
p-medianas. A partir da denio destas, foram denidos grupos (clusters)
de pontos de demanda atravs da designao destes s medianas, fazendo
uso do algoritmo de Gillett e Jonhson. Finalmente, a partir da denio dos
grupos de pontos, foi utilizado o algoritmo do Carteiro Chins, obtendo-se
o roteamento (sequenciamento dos pontos de demanda a serem atendidos)
em cada um dos grupos de atendimento.
Em Scarpin et al. (2008) apresentada uma proposta para a otimi-
zao no servio de sade no estado do Paran com relao ao uxo de
pacientes dentro do estado e a regionalizao (diviso) do estado, obtendo
novas conguraes hierrquicas para o mesmo. Quanto regionalizao,
a proposta consiste em dividir o estado em regies menores, formadas por
vrias cidades, vinculadas a uma cidade-sede. Para isto, foi feito uso do al-
goritmo branch-and-price, que utiliza o algoritmo de gerao de colunas em
cada n de uma rvore branch-and-bound. Este algoritmo se mostrou eci-
ente melhorando a diviso hierrquica do estado, levando em considerao
o nmero de habitantes e o nmero de procedimentos mdicos de cada
municpio do estado. Os resultados obtidos tm atendido as expectativas
da Secretaria de Sade do estado do Paran (SESA-PR).
Em Smiderle et al. (2004) proposta uma metodologia para a obten-
o de uma soluo otimizada dos leituristas dos medidores das contas de
gua, da Companhia de Saneamento do Paran (SANEPAR) no municpio
de Pato Branco. Inicialmente foi aplicado um algoritmo gentico para se
determinar as p-medianas (p = 12 = nmero de leituristas), cuja resposta
pode ser melhorada com a heurstica clssica de Teitz e Bart. A partir
da, foram denidos os grupos (clusters ) de pontos a serem atendidos por
cada funcionrio atravs do algoritmo de designao adaptadode Gillett
e Johnson. A partir da denio dos clusters, foi realizado o roteamento
para ter-se a sequncia de pontos a serem visitados, utilizando o modelo
matemtico do problema do Carteiro Chins.
O objetivo deste trabalho apresentar tcnicas que visam otimizar a
localizao e o balanceamento de subestaes de distribuio de energia
eltrica na cidade de Curitiba, RMC e adjacncias, para o horizonte de
58 Alves et al.
um ano, usando tcnicas da rea da Pesquisa Operacional. O problema

apresentado se enquadra como um problema de localizao de facilidades
(facilities location ). Para a localizao tima de uma nova subestao
foram utilizados os Algoritmos Genticos, cuja melhor soluo obtida ao
nal do procedimento foi melhorada atravs do algoritmo de Teitz e Bart.
O Algoritmo de Gillett e Johnson usado para denir a regio de atendi-
mento, isto , fazer um balanceamento de cada subestao pertencente
rea de estudos, levando-se em conta as coordenadas e as capacidades de
atendimento reais de cada uma. O algoritmo de Gillett Johnson cumpre
este objetivo por agrupar quadrculas (com suas respectivas demandas de
carga), subestao que as atenda tornando mnimo o percurso das cargas,
ou seja, minimizando o momento eltrico (produto da carga pela distncia
por ela percorrida).
A metodologia proposta se mostrou bastante adequada ao problema,
lembrando que um atendimento satisfatrio em relao demanda de ener-
gia eltrica para uma determinada regio , na verdade, um problema de
transporte de cargas atravs de uma rede.
A seo 2 apresenta brevemente o contexto do problema de localizao
de instalaes, assim como os algoritmos matemticos da rea de Pesquisa
Operacional utilizados soluo do problema real aqui abordado: os algo-
ritmos genticos (AG's), o algoritmo de Teitz e Bart (TB) e o algoritmo de
Gillett e Johnson (GJ). Na seo 3 apresentada a metodologia para a so-
luo do problema em si, que consta do levantamento dos dados e a forma
de aplicao dos algoritmos mencionados. Na seo 4 so apresentados os
resultados de algumas das numerosas simulaes realizadas e, nalmente,
na seo 5, as concluses do trabalho.
2. O Problema de Localizao de Instalaes

A localizao tima de uma possvel nova subestao deve levar em conta
fatores tais como:
custo e facilidade de conexo com os alimentadores de transmisso

e distribuio j existentes;
limites de tenso e corrente, que podem afetar o nmero e os custos

dos alimentadores necessrios para a alimentao de uma determi-
nada rea;
possibilidade de transferncia de carga de uma subestao para ou-

tras em condies de emergncia, ou quando do aumento na demanda
de carga;
custo e disponibilidade de terrenos prximos ao local desejado;
restries devido a eventuais leis de zoneamento.

Tais fatores implicam em investimentos na rede eltrica. Para que a

nova subestao assuma parte da demanda da rede, necessrio plane-
jamento adequado dos investimentos envolvidos nesta empresa concomi-
tantemente construo da mesma. Este fato evidencia a necessidade
de subentender-se tambm a restaurao de uma rede com planejamento,
levando-se em conta que a localizao de uma subestao fator importante
no que diz respeito manuteno de servios adequados e continuidade do
fornecimento de energia aos consumidores (Gruppelli Jr. et al., 2002).
No caso destes problemas de localizao serem de pequeno porte, a
soluo pode ser encontrada de forma exata, atravs de um modelo de
programao inteira ou enumerao exaustiva (ou busca em rvore). Este
ltimo mtodo foi usado por Revelle & Swain (1970) para encontrar as
3-medianas de um grafo com 10 vrtices, dando incio ao estudo deste tipo
de problema. Existem, tambm, os mtodos aproximados (ou heursticos),
usados por vrios pesquisadores como, por exemplo, Teitz & Bart (1968),
os quais se aplicam a problemas de mdio e grande porte. Para estes
casos pode-se utilizar, tambm, tcnicas metaheursticas, dentre as quais
destacam-se os algoritmos genticos (AG's) (Corra et al., 2004).
Considerando-se todos os vrtices de um grafo dado como potenciais
medianas, o problema de p-medianas pode ser denido como segue: seja
G(V, A) um grafo no direcionado onde V Ao
o conjunto de vrtices e
conjunto de arestas. Deve-se encontrar um conjunto de vrtices Vp V
(conjunto de medianas) com cardinalidade p, tal que a soma das distncias
de cada um dos vrtices restantes em {V Vp }, considerando-se as de-
mandas de cada vrtice at seu vrtice mais prximo em Vp seja a mnima
possvel.
Uma formulao do problema de p-medianas como um modelo mate-
mtico de programao inteira binria, desenvolvida por Revelle & Swain
(1970), apresentada a seguir. Este modelo permite que cada vrtice de
um grafo seja considerado, ao mesmo tempo, como demanda e instala-
o (potencial mediana), embora em muitos casos demandas e instalaes
pertenam a conjuntos disjuntos.
n X
X n
M in ai dij xij (1)
i=1 j=1
60 Alves et al.
sujeito a:
n
X
xij = 1, i = 1, 2, , n (2)
j=1
xi,j yi , i, j = 1, 2, , n (3)
n
X
yj = p (4)
j=1
xij , yj {0, 1}, i, j = 1, 2, , n (5)
onde:
n = nmero total de vrtices do grafo;
ai = demanda do vrtice i;
dij = distncia do vrtice i ao vrtice j;

p = nmero de instalaes utilizadas como medianas;
(
1, se o vrtice j for designado para a instalao i;
xij =
0, caso contrrio
(
1, se o vrtice j for uma instalao utilizada como mediana;
yj =
0, caso contrrio
A funo objetivo na Equao 1 minimiza a soma das distncias pon-

deradas dos vrtices de demanda at o conjunto de medianas. O conjunto
de restries em (2) garante que todos os vrtices demanda sero designa-
dos para exatamente uma nica mediana. O conjunto de restries em (3)
probe que um vrtice demanda seja designado para uma instalao que
no esteja selecionada como mediana. O nmero total de vrtices media-
nas (instalaes selecionadas) denido pela restrio em (4) como sendo
igual a p. Por m, a restrio em (5) garante que os valores das variveis
de deciso xij e yj sejam binrios (assumindo os valores 0 ou 1).
A utilizao deste modelo matemtico ca restrita a problemas de pe-
queno porte pelo fato das variveis serem binrias. Alm disto, h a falta
de exibilidade do mesmo para se considerar no problema, por exemplo,
as 30 subestaes j existentes, conforme ser visto mais adiante. Por este
motivo, fez-se uso aqui da metaheurstica AG seguida da heurstica TB
para a denio da localizao das medianas (subestaes) e, em seguida,
da heurstica de GJ para o balanceamento (distribuio das cargas) s
medianas. Todos estes trs algoritmos esto descritos a seguir.
2.1 Breve descrio dos algoritmos genticos (AGs)

Os AG's so sistemas inspirados na natureza, simulando os processos na-
turais, utilizados para a resoluo de problemas reais. So mtodos ge-
neralizados de busca e otimizao que simulam os processos naturais de

evoluo, aplicando a idia Darwiniana de seleo. Os AG's diferem dos
mtodos exatos de busca e otimizao, principalmente em trs aspectos:
trabalham a partir de uma populao de solues e no com uma nica
soluo, utilizam informaes de custo ou recompensa e no derivadas ou
outro conhecimento auxiliar, utilizam regras de transio probabilsticas e
no determinsticas.
Para serem utilizados, os AG's exigem que inicialmente seja gerada uma
populao formada por um conjunto aleatrio de indivduos que podem
ser vistos como possveis solues do problema. A populao inicial, assim
como as demais que so geradas durante o processo evolutivo so avaliadas:
para cada indivduo atribudo um valor (tness ), ou ndice, reetindo a
sua habilidade de adaptao a determinado ambiente. A probabilidade dos
indivduos mais adaptados serem mantidos maior do que a dos indivduos
menos adaptados (Darwinismo).
Os indivduos mantidos pela seleo podem sofrer modicaes em suas
caractersticas fundamentais atravs de mutaes e cruzamentos (crossover
ou recombinao gentica), gerando descendentes para a prxima gerao.
Este processo repetido at que algum critrio de parada (nmero de
iteraes, convergncia das solues/genes, dentre outros) seja atendido.
Alguns critrios bsicos devem ser levados em conta quando da aplica-
o de AG's soluo de um problema. Tais critrios abrangem aspectos
como codicao, funo de avaliao (tness ), operadores genticos (cros-
sover, mutao), taxas probabilsticas de realizao dos operadores gen-
ticos, critrios de seleo, reproduo, critrio de parada e convergncia
prematura, dentre outros. A Seo 3 deste trabalho mostra os critrios
utilizados simulao numrica do algoritmo para o problema abordado.
Os demais critrios so amplamente discutidos em Alves (2002).
O operador gentico crossover toma dois indivduos previamente sele-
cionados atravs de algum critrio e realiza o seu cruzamento, ou seja, a
troca de seus materiais genticos. Este cruzamento pode ocorrer de diver-
sas formas, sendo que trs delas so apresentadas nas guras 1, 2 e 3, a
seguir. Vale salientar que o operador crossover busca soluo a partir do
conhecimento dos indivduos j existentes (exploitation ). Novos indivduos
podem ser gerados pelo cruzamento de indivduos diferentes.
Por outro lado, o operador de mutao busca uma soluo em regies
factveis ainda no avaliadas (exploration ). A gura 4 ilustra um dos di-
versos tipos de operador gentico de mutao e apresenta apenas uma das
formas de se realizar a mutao. A mutao responsvel pela gerao de
novos pontos no espao de solues.
Podem ser destacadas algumas variaes no operador de mutao (Sam-
paio, 1999). Por exemplo, a mutao por inverso caracterizada pela
retirada de uma parte do cromossomo e a sua recolocao no indivduo
na ordem inversa em que foi retirada. J na mutao por translocao,
62 Alves et al.
Figura 1. Crossover de uma partio.
Figura 2. Crossover de duas parties.
Figura 3. Crossover de trs parties.
Gene sorteado aleatoriamente para mutao
Figura 4. Crossover de trs parties.
parte do cromossomo retirada e colocada em outra posio, guardando

a ordem com a qual foi retirada. A hipermutao, mostrada por Corra
et al. (2004), uma operao onde se realiza a mutao em todos os genes
possveis, avaliando-se em qual deles melhor que se estabelea a insero
do material gentico.
Para problemas de otimizao, o ideal seria que o algoritmo nalizasse
assim que a soluo tima (ponto timo) fosse descoberta. No caso de
funes multimodais, um ponto timo pode ser o suciente, mas pode
haver situaes onde todos ou o maior nmero possvel sejam desejados.
O uso de um algoritmo evolutivo no permite armar se um dado ponto
timo corresponde a um timo global ou local.
Como consequncia, normalmente utiliza-se como critrio de parada o
nmero mximo de geraes (iteraes) ou tempo limite de processamento.
Outro critrio plausvel, segundo Corra et al. (2004), nalizar a execuo
do algoritmo usando a idia de estagnao, ou seja, quando no se observa
alteraes dos desvios padro dos valores de adaptao entre duas iteraes
consecutivas. Assim, se no houver a melhoria da populao depois de
vrias geraes consecutivas, o algoritmo encerra o processamento.
2.2 Descrio do algoritmo de Teitz e Bart (TB) para o problema das

p-medianas
Uma das heursticas mais conhecidas para soluo do problema das p-
medianas a desenvolvida por Teitz & Bart (1968), conhecida como al-
goritmo das p-medianas de Teitz e Bart. Esta heurstica baseada na

substituio de vrtices e seu objetivo , a partir de uma soluo inicial,
melhorar o valor da funo objetivo a cada iterao.
Segundo Corra et al. (2004), esta heurstica produz boas solues,
principalmente quando aplicada vrias vezes ao mesmo problema com dife-
rentes solues iniciais. Considerando-se todos os vrtices de um grafo dado
como potenciais medianas, o algoritmo de Teitz e Bart para o problema
das p-medianas pode ser explicado como segue.
Sendo V o conjunto de todos os vrtices do grafo e S o conjunto das
medianas (S est contido em V ), testa-se se qualquer vrtice i , com i
{V S} pode substituir um vrtice j , com j pertencente a S e produzir
0 0
um novo conjunto S , onde S = S {i }{j } para o qual temos o nmero
1 0
de transmisso N T (S ) < N T (S).
0
Se isto for possvel, feita a substituio de j por i , e S ser uma nova
aproximao para o conjunto p . O processo continua at que se obtenha
um conjunto Smdio , onde nenhuma substituio de vrtice de Smdio por
outro em {V Smdio } produz um nmero de transmisso menor.
O algoritmo de Teitz e Bart apresentado atravs dos passos a seguir.
1. selecione aleatoriamente um conjunto S, com a cardinalidade igual

a p (ou seja, |S| = p) para formar uma aproximao inicial para as
p-medianas;
2. rotule todos os vrtices pertencentes a {V S} como no analisados;
3. enquanto existirem vrtices no analisados em {V S}, faa:
(a) selecione um vrtice i pertencente a {V S}, no analisado,

e calcule a reduo A do nmero de transmisso, para todo j
pertencente a S : Aij = N T (S) N T (S {i } {j })
(b) faa Aij0 = M ax[Aij ];
(c) se Aij0 > 0 faa S = S {i } {j0 } e rotule j0 como anali-
sado;
(d) se Aij0 0, rotule i como analisado.
4. caso durante a execuo do passo 3 ocorram modicaes no con-

junto S , volte ao passo 2. Caso contrrio, pare, e apresente o con-
junto S como uma aproximao para a soluo do problema de p-
medianas.
1 Nmero de Transmisso: a soma das menores distncias existentes entre o

vrtice j e todos os outros vrtices do grafo.
64 Alves et al.
2.3 O algoritmo de Gillett e Johnson

O algoritmo proposto por Gillett e Johnson GJ (Bodin et al., 1983) faz
a designao dos pontos de demanda (cargas) s medianas (neste caso, as
subestaes SE's), cujas localizaes j foram denidas atravs dos pro-
cedimentos descritos nas sees 2.1 e 2.2. Inicialmente, todas as medianas
encontram-se sem designao.
Para cada carga (demanda) i, seja Q1 (i) a distncia de i at o posto de
atendimento (subestao) mais prximo a i, e Q2 (i), a distncia de i at o
segundo posto de atendimento (subestao) mais prximo a i. Para cada
|Q1 (i)|
demanda i, a razo: r(i) = |Q (i)| calculada e todas as demandas so
2
colocadas numa lista de designao em ordem crescente pelos valores de
r(i). A designao comea pelos primeiros elementos da lista (demandas
com menor razo r(i)), e feita obedecendo-se a capacidade dos postos de
atendimento.
Durante a designao, sempre que uma demanda designada para um
posto de atendimento com a capacidade esgotada (evidentemente sem su-
cesso), a razo r(i) recalculada para todas as demandas que ainda no
tenham sido designadas, considerando-se apenas os postos de atendimento
cujas capacidades ainda no estejam esgotadas. Estas demandas so nova-
mente colocadas na lista de designao em ordem crescente pelos valores
de r(i) e a designao continua at que todas as demandas sejam designa-
das para algum posto de atendimento.
Atravs do clculo da razo r(i) procura-se conhecer a urgncia de
se fazer a designao de uma demanda em relao s demais, pois quanto
menor for o valor de r(i), maior a urgncia j que o segundo posto de
atendimento mais prximo caria em posio bem pior para a demanda a
ser atendida em relao ao primeiro. A seguir apresentado o algoritmo
GJ, passo a passo.
1. Para todo ponto de demanda i no designado, faa:
(a) encontre Q1 (i) e Q2 (i), respectivamente o primeiro e o segundo

postos de atendimento mais prximos do ponto do ponto i cujas
capacidades no estejam esgotadas.
|Q1 (i)|
(b) calcule a razo: r(i) = |Q2 (i)|
.
(c) coloque o ponto de demanda i na lista de designao pela

ordem crescente dos valores de r(i).
(d) iniciando pelo topo da lista de designao designe o ponto de
demanda i para o posto de atendimento mais prximo.
2. Enquanto existirem pontos de demanda sem designao, faa:
(a) designe o ponto de demanda atual da lista de designao para

o posto de atendimento mais prximo.
(b) Diminua a demanda do ponto de demanda i da capacidade do

posto de atendimento para a qual a demanda i foi designada.
(c) Se a capacidade do posto de atendimento que recebeu a de-

manda atual car esgotada, ou no puder atender a prxima
demanda, ento volte ao Passo 1 e recalcule a lista de desig-
nao, desconsiderando os postos de atendimento com capaci-
dade esgotadas. Caso contrrio, continue.
Na Seo 3, a seguir, apresentada a metodologia para soluo do

problema aqui abordado.
3. Metodologia para a soluo do problema

A metodologia composta das seguintes etapas: levantamento dos dados;
aplicao do AG para determinar a localizao (quase) tima das novas
subestaes; aplicao do algoritmo de TB para o renamento da soluo
fornecida pelo AG e, nalmente a aplicao do algoritmo de GJ para a
denio dos grupos de quadrculas que devero ser atendidos por cada
uma das subestaes.
3.1 Levantamento dos dados

Os dados levantados para o desenvolvimento do trabalho aqui apresentado
foram concedidos pelo setor de distribuio de energia da concessionria,
r
atravs de planilha Microsoft Excel . A regio estudada, ou seja, o mu-
nicpio de Curitiba, RMC e adjacncias, por ocasio do estudo, estava
2
constituda por 2013 quadrculas, cada uma das quais com cerca de 1 km .
Para cada quadrcula obteve-se: o seu nmero, a sua localizao e a
sua demanda (carga necessria para atender todas as cargas contidas na
quadrcula, em KVA). Para cada subestao obteve-se: a sua localizao e
o valor de sua capacidade em KVA.
3.2 Aplicao do algoritmo gentico GENE

Para soluo do problema da localizao de subestaes, a codicao es-
colhida para este problema tal que cada cromossomo cou denido como
um vetor de (30+n) genes, cujos alelos so o nmero das quadrculas (como
consequncia, sabe-se a posio de cada SE), sendo que o nmero 30 o
nmero de subestaes j existentes na regio estudada e, portanto, xas
e n representa a quantidade de possveis novas subestaes desejadas (n,
portanto, um dado a ser fornecido pelo engenheiro usurio do programa).
Nestes cromossomos so aplicados os operadores genticos, utilizando
apenas os n alelos que representam as novas possveis subestaes. Depois
disto, a melhor soluo vinculada ao cromossomo inicial que deve conter
os alelos das 30 subestaes xas e aplica-se, ento, o algoritmo de TB para
66 Alves et al.
o renamento da soluo. A gura 5 exemplica os cromossomos utilizados

no programa.
... ...
Figura 5. Representao de um cromossomo para o problema das SE's.
Um segundo parmetro a ser considerado o tamanho da populao.

Segundo Reeves (2000), populaes pequenas podem provocar um srio
risco de no cobrir o espao de busca, enquanto que populaes grandes
podem exigir um esforo computacional excessivo para a resoluo do pro-
blema. Alm disto, pode-se citar Cunha & Pinto (2001) que armam que
no existem parmetros timos para os operadores genticos. Os problemas
cuja soluo encontrada atravs de algoritmos genticos utilizam, de uma
forma geral, de 50 a 200 cromossomos para populao inicial (Tanomaru,
1995). Neste trabalho, o nmero de cromossomos usados nas simulaes
obedece a este critrio. No programa computacional utilizado (MATLAB),
a funo GENE (que executa o algoritmo gentico) permite que o usurio
decida quantos cromossomos ter a populao inicial.
Depois de se gerar aleatoriamente a populao inicial, ordenou-se os
cromossomos pelo seu tness que, neste caso, o momento eltrico (medido
em KVA/km), usado para avaliar o investimento em redes primrias de
distribuio, como mostrado em Savulescu (1981). A partir disto, deve-se
selecionar indivduos (cromossomos) para recombinao.
A seleo de cromossomos pode ser aleatria ou ordenada. Porm,
os melhores resultados foram obtidos utilizando-se a seleo ordenada, na
qual se adota o mesmo critrio proposto por Mayerle (1994), mostrada na
Equao 6 a seguir, que segundo Corra et al. (2004) privilegia a escolha
de indivduos com melhor tness :
( $ p %)
1 1 + 4 rnd (p2 + p)
Select(R) = rj R/j = p (6)
2
onde R uma lista R = (R1 , R2 , R3 , . . . , Rp ), com p cromossomos colocados

em ordem crescente pelo valor de tness ; rnd [0, 1) um nmero aleatrio
uniformemente distribudo e o smbolo bbc signica o maior inteiro menor
que b. A funo Select(R) retorna um nmero aleatrio igual posio
na lista R do cromossomo que ser selecionado. Apesar de ser aleatrio, o
nmero retornado tem maior tendncia de selecionar os primeiros elementos

da lista R (que so os melhores indivduos da lista).
Realizada a seleo de dois cromossomos atravs da funo Select(R),
inicia-se a utilizao dos operadores genticos. O primeiro deles o cros-
sover, que para esse trabalho, segue os passos:
1. Selecionados os dois cromossomos (pais), estes so ordenados gene

a gene, de modo a permitir que as subestaes prximas entre si
quem em genes prximos. Sem esta ordenao, possvel que os
cruzamentos apresentem muitos lhos inviveis, uma vez que exis-
tem limitaes fsicas de atendimento a uma demanda de carga entre
uma subestao e outra. Subestaes muito distantes entre si no
teriam viabilidade eltrica para trocar cargas.
2. Selecionar o ponto de corte (ou ponto de cruzamento), ou seja, deter-

minar a partir de qual gene o material gentico entre os cromossomos
ser trocado. No programa utilizado, as opes disponveis para o
usurio so 1, onde o ponto de corte ser escolhido atravs de uma
funo, ou 0, o ponto de corte ser escolhido aleatoriamente.
3. Selecionar quantos genes a partir do ponto de corte sofrero inun-

cia dos operadores genticos. Este nmero um inteiro pertencente
ao intervalo [31, 30 + n], onde n representa, como j mencionado, o
nmero de novas possveis subestaes. O operador gentico crosso-
ver executado enquanto houver melhora no tness da populao.
3.3 Aplicao do algoritmo Teitz e Bart (TB)

O programa desenvolvido em MATLAB contm o algoritmo de TB apre-
sentado na seo 2.2 e, para execut-lo, preciso indicar a melhor soluo
obtida atravs do AG, ou seja, a localizao das novas n (= 5) subestaes,
indicadas pelas quadrculas.
O objetivo do algoritmo TB renar a soluo fornecida pelo AG
(localizao das subestaes), ou seja, tentar melhorar tais localizaes de
forma a obter o momento eltrico total mnimo.
3.4 Aplicao do algoritmo de Gillett e Johnson (GJ)

A funo GJ do programa utiliza o algoritmo apresentado na seo 2.3.
Este algoritmo objetiva distribuir (designar) as demandas de cargas de
cada quadrcula para as subestaes que estejam mais prximas, levando-
se em conta os valores das demandas e as capacidades de atendimento das
subestaes.
Basicamente, a funo GJ procura designar demandas de carga a su-
bestaes que as possam atender e, ao mesmo tempo, que exijam o menor
momento eltrico possvel. Para cumprir tal propsito, um nmero r(i) que
68 Alves et al.
indica a urgncia que existe em se designar certa demanda a uma deter-

minada subestao calculado, para garantir o mnimo momento eltrico,
conforme j mostrado na seo 2.3.
4. Resultados
A forma como o programa principal foi elaborado permite a interao com
os engenheiros responsveis pelo planejamento da distribuio da conces-
sionria (Alves, 2002). So permitidos estudos de casos diversos, sob cir-
cunstncias diversas. Dentre as variaes possveis, podem ser destacados:
o fator de multiplicao das cargas (FMC); o tipo de mutao, pois a es-
colha do gene que sofrer mutao pode ser ou no aleatria; a mutao
pode ser do tipo usual (um gene trocado) ou do tipo multimutao (dois
ou mais genes podem ser trocados); o tipo de cruzamento, visto que os cru-
zamentos podem ocorrer apenas nos n genes que esto situados direita
dos 30 primeiros genes, que representam subestaes xas j existentes.
Pode-se ainda escolher quantas parties ter o cruzamento.
Alguns resultados so apresentados na tabela 1 que inclui dados como:
nmero do estudo de caso (indicado por EC); nmero de possveis novas
subestaes (NSE); nmero de cromossomos na populao inicial (POP);
nmero de iteraes realizadas para obteno da soluo (NIT); cruzamen-
tos efetivos (CE); o nmero de vezes em que mutaes foram efetivas (ME);
fator de multiplicao de cargas (FMC); tempo de processamento em se-
gundos (TPS); carga total atendida em KVA (CTA) e momento eltrico
total em KVA/km (MET).
As trs primeiras linhas de cada caso referem-se a cruzamentos de uma
partio e mutaes usuais. A quarta linha de cada um dos casos refere-se
a cruzamentos com duas (ou mais) parties e multimutaes; a quinta
linha de cada caso refere-se ao cruzamento de uma partio e mutao
usual com aplicao do fator de multiplicao de cargas.
No caso de duas novas SE's, por exemplo, nota-se que a melhor soluo
em termos de momento eltrico mnimo se d com populao inicial de 70
cromossomos. Note-se, porm, que esta no a melhor soluo em tempo
computacional. Isto indica que a gura humana do engenheiro respons-
vel pelo planejamento da distribuio continua essencial no processo da
deciso, uma vez que as prioridades devem ser por ele estabelecidas.
Os grcos em MATLAB que mostram localizaes timas de novas
subestaes para a regio de estudos (levando-se em conta as subestaes j
existentes) bem como relatrios comparativos e os mapas com a localizao
atual das SE's j existentes na regio de estudos, alm de detalhes relativos
a dados e implementao, podem ser encontrados em Alves (2002).
Tabela 1. Resultados obtidos em simulaes.

EC NSE POP NIT CE ME FMC TPS CTA MET
2 50 660 114 8 1, 0 522, 78 1074441, 4434 2410752, 9135
2 70 880 162 5 1, 0 738, 47 1074441.4434 2404392, 7553
1 2 100 1210 226 4 1, 0 1114, 16 1074441.4434 2410706, 9461
2 50 660 99 14 1, 0 520, 42 1074441, 4434 2426580, 7237
2 50 660 124 12 1, 2 535, 80 1289329, 7321 3102563, 5211
3 50 660 181 3 1, 0 545, 02 1074441, 4434 2365808, 196
3 70 880 249 3 1, 0 803, 17 1074441, 4434 2359764, 1721
2 3 100 1210 397 7 1, 0 1129, 26 1074441, 4434 2353716, 7041
3 50 660 156 5 1, 0 545, 68 1074441, 4434 2367253, 8042
3 50 660 178 5 1, 2 564, 91 1289329, 7321 3028174, 275
4 50 660 227 1 1, 0 584, 90 1074441, 4434 2331332, 5941
4 70 880 260 5 1, 0 790, 76 1074441, 4434 2322294, 322
3 4 100 1210 481 4 1, 0 1162, 45 1074441, 4434 2309606, 8806
4 50 660 212 2 1, 0 575, 45 1074441, 4434 2310477, 186
4 50 660 218 3 1, 2 575, 56 1289329, 7321 2972560, 9579
5 50 660 202 4 1, 0 588, 36 1074441, 4434 2281608, 1026
5 70 880 292 7 1, 0 830, 63 1074441, 4434 2275504, 3639
4 5 100 1210 502 6 1, 0 1208, 59 1074441, 4434 2259551, 3123
5 50 660 195 3 1, 0 596, 27 1074441, 4434 2280611, 0121
5 50 660 222 11 1, 2 609, 02 1289329, 7321 2876943, 6252
5. Concluses
O estudo do problema de localizao de instalaes, aplicado ao problema
da localizao das SE's tem como objetivo a automao da localizao de
novas possveis subestaes. Com este trabalho, pretende-se desenvolver
uma ferramenta til aos engenheiros da rea de distribuio responsveis
pela localizao otimizada, de forma local ou at mesmo global das mesmas.
certo que muitas alternativas na gerao de energia so pesquisadas
como, por exemplo: gerao elica, solar, pelas oscilaes das ondas dos
mares, etc. Mas, sem dvida, alm de avano e pesquisa quanto gerao
de energia, precisa-se ter em mente a preocupao com a sua distribuio.
Para tanto, vital um planejamento adequado, que se inicia sempre pela
deciso do melhor local de construo de uma SE. Nesse trabalho, prope-
se a utilizao de Algoritmos Genticos para a concessionria.
A metodologia proposta serve como auxlio para a soluo do problema,
mas, a gura do tomador de decises, neste caso, o engenheiro responsvel
pelo planejamento de subestaes imprescindvel. Quando se procura uni-
camente a minimizao do momento eltrico, muitas solues satisfatrias
podem ser encontradas. Entretanto, dentre estas, pode haver aquela cujo
resultado no seja o melhor matematicamente mas, quando considerado
o contexto do empreendimento (a construo de uma nova subestao),
possvel que fatores como disponibilidade do terreno ideal, incluindo seu
custo e outros, a torne mais atrativa do que a soluo melhor em termos
matemticos. As opes e decises pertencem ao cabedal de experincia
do setor de planejamento.
70 Alves et al.
Outros estudos podem ser realizados nesta direo e algumas sugestes

para trabalhos so: explorar o assunto para outros anos do horizonte de
previso do setor estudos de mercado atravs da Programao Dinmica;
vericar, junto s concessionrias locais sobre quais melhorias poderiam ser
realizadas no programa computacional para a sua utilizao efetiva; incluir
clculos que envolvam investimentos na rede, a m de detectar se a ampli-
ao da capacidade de uma subestao ou no mais apropriada do que a
construo de uma nova subestao, a curto, mdio ou longo prazo. Com
relao ao problema real, um estudo sobre tcnicas aplicveis ao problema
de cargas que deixam de ser atendidas pelas subestaes pode ser alvo
de pesquisa; com relao ao problema das p-medianas, possvel analisar
outras heursticas para solucion-lo. Segundo Glover et al. (2000), o Scat-
ter Search e Path Relinking tm sido mais ecientes do que os algoritmos
genticos e a busca tabu em alguns problemas.
Referncias
Alves, A., Algoritmos genticos aplicados ao Planejamento da Distribuio
de Energia Eltrica em Curitiba e Regio Metropolitana A Locali-
zao das Subestaes. Dissertao de mestrado, Mtodos Numricos
em Engenharia, Universidade Federal do Paran, Curitiba, PR, 2002.
Bodin, L.; Golden, B.; Assad, A. & Ball, M., Routing and scheduling of
vehicles and crews the state of the art. Computers and Operations
Research, 10(2):63212, 1983.
Corra, E.S.,Algoritmos Genticos e Busca Tabu Aplicados ao Problema

das p-medianas. Dissertao de mestrado, Mtodos Numricos em
Engenharia, Universidade Federal do Paran, Curitiba, PR, 2000.
Corra, E.S.; Steiner, M.T.A.; Freitas, A.A. & Carnieri, C., A genetic
algorithm for solving a capacitated p-median problem. Numerical Al-
gorithms, 35(2-4):373388, 2004.
Cunha, A.S. & Pinto, R.L.U.S., Uma tcnica para ajuste dos parmetros
de um algoritmo gentico. In: Anais do XXXIII Simpsio Brasileiro
de Pesquisa Operacional. Campos do Jordo, SP, p. 11051116, 2001.
Detofeno, T.C. & Steiner, M.T.A., Optimizing routes for the colection of
urban solid waste: a case study for the city of Joinville, state of Santa
Catarina. IJIE - Revista Iberoamericana de Engenharia Industrial,
2(1):124136, 2010.
Glover, F.; Laguna, M. & Mart, R.. Control and Cybernetics, 29(3):653
684, 2000.
Gruppelli Jr., F.A.; Yuan, J.Y.; Carnieri, C.; Volpi, N.M.P.; Steiner,
M.T.A.; Wilhelm, V.E.; Mussi, N.H.; Antonio, C.; Miqueles, E.; An-
dretta Filho, E.L.; Kalinowski, A.; Alves, A.C.; Gulin, C.; Zambene-
detti, V.C. & Klimkowski, M., Algoritmos para recomposio de sis-
temas de distribuio. In:Anais do XV SENDI - Seminrio Nacional

de Distribuio de Energia Eltrica. Salvador, BA, 2002.
Mayerle, S.F., Um algoritmo gentico para a soluo do problema do cai-
xeiro viajante. In: Anais do 14 ENEGEP - Encontro Nacional de

Engenharia de Produo. Joo Pessoa, PB, 1994.

Reeves, C.R., Modern Heuristic Techniques for Combinatorial Problems.
Revelle, C.S. & Swain, R.W., Central facilities location. Geographical

Analysis, 2(1):3042, 1970.
Sampaio, M.E.C.S., Aplicao de Metaheursticas ao problema de locali-

zao de escolas de ensino fundamental. Dissertao de mestrado,
Mtodos Numricos em Engenharia, Universidade Federal do Paran,
Curitiba, PR, 1999.
Savulescu, S.C., Grafos, dgrafos e redes eltricas - aplicaes na Pesquisa

Operacional. So Paulo, SP: Editora IBEC, 1981.
Scarpin, C.T.; Steiner, M.T.A.; Dias, G.J.C. & Steiner Neto, P.J., Oti-
mizao no servio de sade do estado do Paran: uxo de pacien-
tes e novas conguraes hierrquicas. Revista Gesto & Produo,
15(2):275290, 2008.
Smiderle, A.; Steiner, M.T.A. & Wilhelm, V., Tcnicas da pesquisa ope-
racional aplicadas a um problema de cobertura de arcos. TEMA
Tendncias em Matemtica Aplicada e Computacional, 5(2):347356,
2004.
Tanomaru, J., Motivao, fundamentos e aplicaes de algoritmos genti-

cos. In: Anais do II Congresso Brasileiro de Redes Neurais. Curitiba,
PR, p. 373403, 1995.
Teitz, M.B. & Bart, P., Heuristic methods for estimating the generalized
vertex median of weighted graph. Operations Research, 16(5):955961,
1968.
72 Alves et al.
Notas Biogrficas
Arileide Cristina Alves Mestre em Mtodos Numricos em Engenharia
e Doutora em Engenharia Mecnica, ambos pela Universidade Federal do
Paran (UFPR). Atualmente professora na Universidade Positivo (UP) e na
Universidade Tecnolgica Federal do Paran (UTFPR) nas engenharias Eltrica,
Mecnica e da Computao.
Maria Teresinha Arns Steiner Mestre e Doutora em Engenharia de Produ-

o pela Universidade Federal de Santa Catarina (UFSC) e tem Ps-Doutorado
em Pesquisa Operacional pelo Instituto Tecnolgico da Aeronutica (ITA).
Atualmente professora snior dos Programas de Ps-Graduao em Mtodos
Numricos em Engenharia (Mestrado e Doutorado) e de Engenharia de Produo
(Mestrado), ambos da Universidade Federal do Paran (UFPR).
Nelson Haj Mussi Mestre em Mtodos Numricos em Engenharia pela

Universidade Federal do Paran (UFPR). funcionrio aposentado da COPEL
(Companhia Paranaense de Energia Eltrica).
Giovani Zanelatto Mestre e Doutor em Fsica pela Universidade Federal de

So Carlos e tem Ps-Doutorado em Fsica pela University of California, Santa
Barbara. Atualmente professor na Universidade Positivo (UP).
Captulo 4
Otimizao Multiobjetivo da Operao

de uma Usina Hidroeltrica
Lus A. Scola, Oriane M. Neto,

Ricardo H.C. Takahashi e Srgio A.A.G. Cerqueira
Resumo: Neste trabalho, um algoritmo gentico multiobjetivo

aplicado ao problema da otimizao de uma nica usina hidroel-
trica, com os objetivos de aumentar a energia produzida durante o
ano e reduzir o pico de demanda de energia complementar proveni-
ente de fontes no renovveis de energia. Para aumentar o desem-
penho do algoritmo, foram propostas duas novas formulaes para o
problema, com diferentes maneiras de manipular as restries ope-
racionais. Os resultados demonstram que, em comparao com a
abordagem tradicional, h ganho em ecincia computacional e ex-
panso da frente de Pareto obtida, o que revela novas conguraes
possveis para a operao do sistema.
Palavras-chave: Otimizao multiobjetivo, Algoritmos genticos,

Operao de usinas hidroeltricas.
Abstract: In this work, a multi-objective genetic algorithm is ap-

plied to problem of the optimization of a single Brazilian hydropower
plant, with the objectives of increasing the net energy generation
along the year and reducing the peak of demand of non-renewable
energy sources. To increase the performance of the algorithm, two
new formulations for the problem are proposed, with dierent ways
of dealing with the operational constraints. In comparison with
the more traditional approach, the proposed methodology presents
a gain of computational eciency and also leads to an expanded
Pareto front, which reveals new possible congurations of system
operation.
Keywords: Multiobjetive optimization, Genetic algorithms, Hi-
dropower operation.
Autor para contato: antonioscola@gmail.com
74 Scola et al.
1. Introduo
No Brasil mais de 73% da potncia eltrica produzida por usinas hidro-
eltricas (Tolmasquim & Guerreiro, 2009). Apesar do potencial hidrulico
remanescente ser considervel, sua maior parte est localizada longe dos
estados consumidores industrializados do sudeste. Em adio a este fato, a
crescente oposio construo de novos grandes reservatrios por razes
ecolgicas e sociais, indicam a necessidade de uma operao eciente do
sistema existente (Labadie, 2004).
O problema da otimizao da operao de sistemas com nico e mlti-
plos reservatrios no linear, no convexo e restrito, tendo sido abordado
por diversos mtodos determinsticos e estocsticos (Labadie, 2004; Yeh,
1985). Na ltima dcada, mtodos evolucionrios mono-objetivo, em par-
ticular diversas verses de algoritmos genticos, foram aplicados a sistemas
de nico reservatrio (Chang et al., 2005; Jothiprakash & Shanthi, 2006;
Cheng et al., 2008).
Tantos so os fatores envolvidos na operao de usinas hidroeltricas,
que se torna natural que diversas abordagens para a otimizao multiobje-
tivo do problema tenham sido propostas, para sistemas de nico e mltiplos
reservatrios. O modelo no linear do sistema hidroeltrico brasileiro com-
pleto foi linearizado e resolvido atravs de tcnicas de programao linear,
considerando a soma ponderada de seis objetivos (Barros et al., 2003). Um
algoritmo gentico foi aplicado para a otimizao da operao de um reser-
vatrio para usos mltiplos, considerando dois objetivos (Reddy & Kumar,
2006). Os mesmos autores empregaram uma verso elitista-mutada do al-
goritmo de enxame de partculas, considerando a soma ponderada de dois
objetivos (Kumar & Reddy, 2007). Uma caracterstica comum a todos es-
tes trabalhos a preocupao com o tratamento da perda de diversidade
da populao. Por exemplo, um algoritmo gentico multiobjetivo macro-
evolucionrio foi desenvolvido para a otimizao das curvas de operao de
um sistema de reservatrio para usos mltiplos (Chen et al., 2007).
Neste trabalho um algoritmo gentico multiobjetivo empregado para
a otimizao da operao de uma usina hidroeltrica brasileira ao longo
de um ano tpico. So propostas duas formulaes matemticas alter-
nativas para o problema, com diferentes maneiras de tratar as restries
operacionais. As formulaes propostas mostram-se mais favorveis para
a otimizao multiobjetivo com algoritmos genticos do que a abordagem
tradicional.
Otimizao Multiobjetivo da Operao de uma Usina Hidroeltrica 75
2. Modelo Matemtico de uma Usina Hidroeltrica

2.1 Gerao de potncia
A potncia gerada numa usina hidroeltrica em um dado intervalo i, dada
pela Equao 1:
i = Qti w (hf ht )
W (1)
onde a ecincia combinada da turbina e gerador eltrico, Qti a vazo

turbinada, w o peso especco da gua, hf o nvel do reservatrio de
captao e ht o nvel no canal de fuga.
Como a ecincia e o peso especco so aproximadamente constantes
e a diferena de nveis entre a captao e o canal de fuga determinada
principalmente pelas variaes do primeiro, uma vez que o nvel do canal
de fuga pode ser considerado relativamente estvel, a potncia gerada pode
ser aproximada pela seguinte expresso:
i = i Qti
W (2)
onde i a funo produtividade, que neste trabalho determinada por

um polinmio de quinto grau em funo do volume mdio armazenado no
reservatrio durante o intervalo.
2.2 Objetivos
Na literatura so encontrados diferentes objetivos representando medidas
quantitativas de diferentes aspectos especcos do sistema energtico abor-
dado. Alguns exemplos destas funes objetivo so apresentados a seguir,
comeando pelos objetivos considerados neste trabalho. Esses foram esco-
lhidos porque tratam dos principais aspectos fsicos da operao da usina,
gerao de energia e potncia complementar, excluindo as volatilidades dos
aspectos econmicos.
2.2.1 Maximizar a gerao de energia

O primeiro, a maximizao da energia total gerada, auto explicativa. Em
termos econmicos, ela linearmente correlacionada com o faturamento
bruto da usina se o preo xo ao longo do ano, dado pela expresso:
N
X
max WT = i ti
W (3)
i=1
onde ti o intervalo de tempo considerado e N o nmero de intervalos.
2.2.2 Maximizar a mnima potncia gerada

O segundo objetivo (Equao 4) a maximizao da mnima potncia
gerada mensalmente, o que equivalente minimizao do custo com ins-
talaes para gerao da energia complementar.
i i {1, 2, . . . , N }
max min W (4)
i
76 Scola et al.
Este objetivo torna-se particularmente importante quando o regime pluvi-

omtrico est sujeito a grandes variaes que, na ausncia de um grande re-
servatrio, produziriam variaes correspondentes na gerao de potncia.
A potncia complementar necessria geralmente proveniente de fontes
trmicas ou nucleares, cujos custos so mais elevados.
2.2.3 Minimizar a complementao da energia

Quando o mtodo de otimizao utilizado exige uma funo objetivo de
derivada contnua, o objetivo anterior aproximado pelo somatrio do
quadrado da diferena entre a demanda e a potncia gerada (Sharma et al.,
2004; Barros et al., 2003):
N
X
min i )2 ,
(DT W (5)
i=1
onde DT a demanda total de energia, que ser sempre superior capa-

cidade da usina, pois inclui outras usinas hidroeltricas, alm de outras
fontes energticas.
2.2.4 Minimizar o desvio do volume armazenado

Estabelecida uma meta para o volume mensal do reservatrio (Si ), pode-se
propor como objetivo a soma no tempo do desvio quadrtico entre a meta
e o volume armazenado no reservatrio (Barros et al., 2005):
N
X
min (Si Vi )2 , (6)
i=1
Uma verso para este objetivo, com derivada descontnua, poderia ser
proposta na forma:
min max(Si Vi ) i {1, 2, . . . , N }, (7)
com a vantagem de que somente seriam considerados os nais de perodo

em que o volume armazenado fosse inferior meta.
2.2.5 Minimizar a energia vertida

Mesmo em reservatrios isolados h momentos em que necessrio usar
o vertedouro, por exemplo quando o volume do reservatrio est em seu
limite superior e a vazo auente maior que mxima vazo turbinada.
O objetivo de reduzir a energia que deixa de ser produzida quando gua
vertida expresso como (Barros et al., 2005):
N
X
min i Qsi ti , (8)
i=1
onde Qsi a vazo vertida.

2.2.6 Maximizar o lucro derivado da energia secundria

No sistema eltrico brasileiro, dene-se a energia assegurada como a m-
xima produo de energia que pode ser mantida quase que continuamente
pelas usinas hidreltricas ao longo dos anos, admitindo risco de no aten-
dimento carga inferior a 5%. O montante produzido acima desse valor
denominado energia secundria e tem preo de venda inferior ao da ener-
gia assegurada. (Barros et al., 2003) prope a seguinte formulao para a
maximizao do lucro obtido com a venda da energia secundria:
N
X
max i Dc )ti ,
p i (W (9)
i=1
onde pi o preo da energia durante o perodo de tempo i ($/MWh) e Dc

a demanda contratada (energia assegurada).
2.3 Restries
O problema sujeito a restries de natureza fsica e operacional.
2.3.1 Conservao da massa

Para garantir a conservao da massa num dado intervalo de tempo, a
variao do volume do reservatrio entre o incio do intervalo (Vi ) e o
a
nal (Vi+1 ) deve ser igual ao volume de gua auente (Vi ), deduzidos os
t s
volumes turbinado (Vi ) e vertido (Vi ).
Vi+1 Vi = Via Vit Vis (10)
A conservao da massa estabelece uma relao direta entre o volume

de gua descarregado no canal de fuga e o volume do reservatrio, uma
vez que o volume auente conhecido. Neste trabalho, nas duas primeiras
formulaes apresentadas na Seo 3, o volume do reservatrio adotado
como varivel independente.
2.3.2 Limites operacionais

O volume de gua no reservatrio limitado no nvel inferior pelo nvel da
tomada d'gua e no nvel superior pelo limite estrutural da barragem.
V min Vi V max (11)
Os parmetros operacionais das turbinas e dos geradores tambm im-

pem restries ao problema, em termos da potncia mxima gerada e da
mxima vazo turbinada admissvel.
iW
W max (12)
Qti Q t,max
(13)
78 Scola et al.
Se a variao do volume num dado intervalo requer uma vazo turbi-

nada que excede o mximo permitido, assume-se que essa parcela excedente
da vazo foi vertida.
Uma vazo mnima de restituio ao rio deve ser garantida, por razes
ecolgicas, sanitrias e econmicas. Como neste trabalho considera-se que
as turbinas esto sempre disponveis, essa vazo mnima sempre turbi-
nada.
Qmin Qti (14)
Finalmente, necessrio impor uma condio para o reservatrio ao

nal do perodo considerado na otimizao. Neste trabalho, assume-se que
o reservatrio deve retornar condio inicial, isto , que
V0 = VN (15)
No algoritmo de otimizao, esta restrio foi implementada reduzindo

em um o nmero de variveis de deciso e xando o volume ao nal do
ltimo intervalo.
3. Formulaes Alternativas
Como ser mostrado na prxima seo, as restries no lineares repre-
sentam um problema para o algoritmo gentico, que tem diculdade para
encontrar indivduos factveis. Como resultado, a populao do algoritmo
gentico que resolve o problema como descrito na Seo 2 apresenta perda
de diversidade e a frente de Pareto produzida cobre somente um pequeno
intervalo das funes objetivo.
Trs abordagens foram testadas neste trabalho para enfrentar este pro-
blema e so comentadas a seguir.
3.1 Reduo do nmero de indivduos infactveis na populao inicial

Em experimentos preliminares, vericou-se que o algoritmo de otimiza-
o no era capaz de gerar indivduos factveis quando a populao inicial
era gerada de forma aleatria sobre todo o domnio das variveis de deci-
so. Por outro lado, observou-se ser possvel gerar uma populao inicial
composta apenas por indivduos factveis ou, se infactveis, prximos re-
gio factvel, com poucas restries violadas e/ou com pequenas violaes
(quase factveis). Para tanto mantiveram-se os valores das variveis de
deciso, os volumes do reservatrio ms a ms, dentro da estreita faixa,
entre 85% e 100% do volume mximo do reservatrio. Esta abordagem
ser doravante denominada formulao bsica.
3.2 Reduo do domnio da variveis de deciso

Observou-se que a maioria dos indivduos infactveis eram relacionados
com a necessidade de recuperar o volume do reservatrio, se ao nal de
qualquer intervalo o seu volume fosse signicativamente menor que o inicial.
Se a vazo auente fosse insuciente, a conservao da massa produziria
uma vazo turbinada infactvel, podendo ser at mesmo negativa. Para
enfrentar tal problema, ao invs de impor um limite inferior nico para o
volume mnimo do reservatrio, foi imposto um limite para cada intervalo.
min
Vi1 = Vimin (Qai Qmin
t )ti
i {1, 2, . . . , N 1} (16)
O limite inferior para o volume no incio de cada perodo igual ao

volume mnimo ao nal do mesmo perodo, deduzida a diferena entre o
volume auente e o volume turbinado mnimo. Como o volume nal
conhecido, o conjunto de limites inferiores para o volume determinado
pela equao precedente, do ltimo intervalo para o primeiro, antes de se
iniciar a otimizao.
3.3 Formulao irrestrita

Mesmo na formulao melhorada para o limite inferior do volume, uma
parte signicativa dos indivduos gerados a cada gerao era infactvel.
Este comportamento era mais pronunciado quado o reservatrio enchia
novamente, antes da estao mais seca. Aqui tambm a vazo auente
se mostrava insuciente para permitir um aumento no volume, mantida
a vazo turbinada mnima. Uma modicao para o limite superior do
volume em cada intervalo foi ento proposta para lidar com este problema.
Vi + (Qai Qmin )ti , se < V max

max t
Vi+1 = max
V , de outra forma
i {1, 2, . . . , N 1} (17)
Cabe ressaltar que o valor do limite superior ao nal de cada intervalo

dependente do valor do volume no incio daquele intervalo. Por esta razo,
diferentemente ao limite inferior do volume a cada intervalo, que podia ser
determinado previamente otimizao, o limite superior para o volume s
pode ser determinado para cada indivduo da populao.
Para lidar com este problema foi proposta uma formulao irrestrita,
mas com domnio denido, onde as variveis de deciso so fraes dos
volumes disponveis mensalmente.

Vi = Vimin + i Vimax Vimin , [0, 1] (18)
Dentro destes limites, as vazes turbinadas so sempre maiores que

a mnima, embora ainda possam tanto levar a potncias geradas maiores
80 Scola et al.
que a mxima permitida quanto ultrapassarem o limite da vazo mxima.

Para lidar com esses casos, assume-se que uma parcela da vazo foi vertida
e que a vazo verdadeira atravs da turbina a que satisfaz a ambas as
restries 12 e 13.
4. Estudo de Caso
A usina hidroeltrica Nova Ponte, no leito rio Araguari, concluda em 1994,
foi um dos ltimos grandes reservatrios construdos no sudeste brasileiro.
Operada pela Companhia Energtica de Minas Gerais, CEMIG, seu reser-
3
vatrio apresenta capacidade mxima de armazenamento de 12.792 hm ,
3
operando a partir do volume mnimo de 2.412 hm . Com potncia nominal
total de 510 MW, est equipada com trs turbinas hidrulicas tipo Francis,
3
que juntas admitem um mnimo de 125 e um mximo de 510 m /s de gua
.
O clima na regio caracterizado por duas estaes bem denidas, a
primeira seca, entre os meses de abril e setembro, e a segunda chuvosa,
estendendo-se de outubro a maro. Ele reete na vazo auente ao reser-
vatrio, para a qual dados esto disponveis desde 1931. Em termos mdios
3
125 m /s de gua chegam ao reservatrio no ms de agosto, enquanto em
3 3
fevereiro a mdia de 541 m /s, com uma auncia mxima de 1243 m /s.
A potncia gerada pela usina hidroeltrica durante um intervalo de-
terminada pela Equao 2, onde a funo produtividade determinada
pelo seguinte polinmio de quinto grau, determinado pelo ONS (Operador
Nacional do Sistema) e fornecido pela operadora, CEMIG.
i = 1.95365 1021 Vi5 6.49561 1017 Vi4 +

9.11797 1013 Vi3 7.87711 1009 Vi2 +
6.84174 1005 Vi + 0.72616 (19)
onde Vi = (Vi + Vi1 )/2.
5. Resultados
A otimizao foi realizada utilizando o algoritmo NSGA-II padro, a facti-
bilidade foi tratada como parte do operador de seleo (Deb et al., 2000).
Os experimentos foram realizados com dados de um ano tpico (de maio de
1976 a abril de 1977), com os volumes do reservatrio no incio e no nal
da otimizao xados em 95 por cento do mximo permitido.
Somente alguns poucos dos experimentos realizados, empregando a for-
mulao bsica, produziram populaes com indivduos factveis, mesmo
quando a populao inicial foi trabalhada para incluir somente indivduos
factveis ou quase factveis. As frentes de Pareto para 8 desses experimen-
tos, com populaes de 400 indivduos e 5000 geraes so apresentadas na
Figura 1. O primeiro objetivo, a energia total gerada (MWh), mostrada

no eixo horizontal e o segundo objetivo, a mnima potncia gerada (MW),
est representada no eixo vertical. Em todos os testes, as frentes de Pa-
reto apresentam-se estreitas, estendendo-se mais em direo ao primeiro
objetivo.
Figura 1. Conjuntos ecientes para 8 execues da formulao bsica, com

400 indivduos e 5000 geraes.
Para cada uma das outras duas formulaes, o algoritmo foi executado
21 vezes, com 400 indivduos e 2500 geraes. A formulao da reduo
do domnio das variveis de deciso obteve uma frente de Pareto com-
pletamente povoada, mas com grande disperso nos resultados entre as
execues, conforme mostrado na Figura 2. Algumas das frentes so de
fato inferiores quelas encontradas com a formulao bsica, mas neste
caso a populao inicial foi gerada aleatoriamente tornando imprpria a
comparao.
A formulao irrestrita produziu a cada execuo uma frente de Pareto
ampla e bem povoada, conforme mostrado na Figura 3. Na Figura 4, so
apresentadas todas solues ecientes e as frentes de Pareto combinadas
para ambas formulaes. evidente desses experimentos que a formulao
irrestrita gera melhores resultados, produzindo frentes mais amplas, que
se comparam ou at mesmo superam a frente de Pareto combinada da
formulao da reduo do domnio das variveis de deciso.
No que tange operao da usina hidroeltrica, dentre os pontos eci-
entes gerados pela formulao irrestrita, a menor potncia mnima gerada
tem um valor de 141,8 MW, correspondendo a energia mxima produzida
3
de 2,718x10 GWh. No outro extremo da frente de Pareto a maior potncia
3
mnima gerada foi de 297,6 MW, com 2,643x10 GWh de energia gerada.
82 Scola et al.
Figura 2. Conjuntos ecientes para 21 execues da formulao reduo do

domnio das variveis de deciso, com 400 indivduos e 2500 geraes.
Figura 3. Conjuntos ecientes para 21 execues da formulao irrestrita,

com 400 indivduos e 2500 geraes.
Figura 4. Conjuntos ecientes para cada execuo das formulaes da

reduo de domnio da varivel de deciso e da irrestrita, com as
respectivas frentes de Pareto combinadas.
As Figuras 5 e 6, apresentam as potncias geradas mensalmente para estes

extremos, respectivamente.
Na primeira soluo extrema, durante a estao seca, a potncia gerada
mantida no mnimo e o reservatrio acumula gua. Quando chegam as
chuvas, a potncia gerada aumentada, com o elevado nvel do reservatrio
assegurando elevada potncia por unidade de massa de gua turbinada.
Na segunda soluo extrema, o volume do reservatrio varia conside-
ravelmente, diminuindo durante a estao seca e recuperando durante a
estao chuvosa, at atingir o nvel inicial. A gerao mantida estvel,
com uma perda de 25 GWh na comparao com o outro extremo.
6. Concluses
So muitas e conitantes as medidas da qualidade da operao de usinas
hidroeltricas. Solues de compromisso entre tais objetivos podem ser
encontradas atravs da otimizao multiobjetivo, permitindo ao operador
a tomada de decises sobre o conjunto de solues ecientes. Neste tra-
balho consideraram-se como objetivos duas medidas do desempenho fsico
de uma usina hidroeltrica na otimizao multiobjetivo de sua operao
ao longo de um ano tpico. A utilizao de algoritmo gentico, no depen-
dente da existncia ou continuidade das funes objetivo, permitiu que se
empregasse uma medida mais apropriada da mxima demanda de potncia
complementar.
Diante da perda da diversidade observada na evoluo do algoritmo ge-
ntico de otimizao, causada pelo grande nmero de solues infactveis,
84 Scola et al.
Figura 5. Potncia mensal gerada e volume do reservatrio para o ponto

extremo com a menor mnima potncia gerada e a maior gerao de
energia.
Figura 6. Potncia mensal gerada e volume do reservatrio para o ponto

extremo com a maior potncia mnima gerada e a menor gerao de
energia.
foram propostas duas novas formulaes para o problema. Na primeira, a

imposio de limites mais estreitos para as variveis de deciso, o volume
do reservatrio ao nal de cada perodo, permitiu que mais solues fac-
tveis fossem obtidas. Ainda assim houve grande espalhamento entre os
resultados gerados, no conjunto dos experimentos.
Na segunda formulao, atravs de uma mudana nas variveis de de-
ciso, as restries foram incorporadas ao modelo. Isso o tornou irrestrito,
com as variveis de deciso limitadas a um intervalo. Disso resultou um
expressivo aumento do desempenho do algoritmo de otimizao, sendo ob-
servada uma convergncia nos resultados encontrados.
Diante dos resultados, um operador estaria melhor capacitado a decidir
sobre a operao da usina. A vazo auente ao reservatrio , entretanto,
dependente dos aspectos meteorolgicos e portanto incerta. A base sobre a
qual se toma a deciso sobre a operao estaria fragilizada se tal incerteza
no fosse incorporada tomada de deciso. O ganho de desempenho decor-
rente da adoo do modelo desenvolvido permite que se planeje incorporar
futuramente tal incerteza j no momento da otimizao.
Agradecimentos
Os autores agradecem o apoio da Fundao Estadual de Amparo Pesquisa
do Estado de Minas Gerais (FAPEMIG).
Referncias
Barros, M.; Ros, D. & Lopes, J., Objective functions for hydropower sys-
tem operation. In: Moglen, G. (Ed.), Proceedings of Watershed 2005.
ASCE, p. 101101, 2005.
Barros, M.; Tsai, F.C.; Yang, S.L.; Lopes, J. & Yeh, J.G., Optimization of
large-scale hydropower system operations. Journal of Water Resources
Planning and Management, 129(3):178188, 2003.
Chang, F.J.; Chen, L. & Chang, L.C., Optimizing the reservoir operating
rule curves by genetic algorithms. Hydrological Processes, 19(11):2277
2289, 2005.
Chen, L.; McPhee, J. & Yeh, W., A diversied multiobjective GA for opti-
mizing reservoir rule curves. Advances in Water Resources, 30(5):1082
1093, 2007.
Cheng, C.T.; Wang, W.C.; Xu, D.M. & Chau, K., Optimizing hydropower
reservoir operation using hybrid genetic algorithm and chaos. Water
Resources Management, 22(7):895909, 2008.
Deb, K.; Agrawal, S.; Pratab, A. & Meyarivan, T., A fast elitist non-
dominated sorting genetic algorithm for multi-objective optimization:
86 Scola et al.
NSGA-II. In: Proceedings of the Parallel Problem Solving from Na-

ture VI Conference. Paris, France: Springer-Verlag, p. 849858, 2000,
lNCS, v. 1917.
Jothiprakash, V. & Shanthi, G., Single reservoir operating policies using ge-
netic algorithm. Water Resources Management, 20(6):917929, 2006.
Kumar, D. & Reddy, M., Multipurpose reservoir operation using parti-

cle swarm optimization. Journal of Water Resources Planning and
Management, 133(3):192201, 2007.
Labadie, J., Optimal operation of multireservoir systems: State-of-the-
art review. Journal of Water Resources Planning and Management,
130(2):93111, 2004.
Reddy, M. & Kumar, D., Optimal reservoir operation using multi-objective

evolutionary algorithm. Water Resources Management, 20(6):861878,
2006.
Sharma, V.; Jhab, R. & Naresh, R., Optimal multi-reservoir network con-
trol by two-phase neural network. Electric Power Systems Research,
68(3):221228, 2004.
Tolmasquim, M. & Guerreiro, A. (Eds.), Balano Energtico Nacional

2009: Ano Base 2008. Braslia, DF: Empresa de Pesquisa Energ-
tica EPE, 2009.
Yeh, W.G., Reservoir management and operations models: A state-of-the-

art review. Water Resourses Research, 21(12):17971818, 1985.
Notas Biogrficas
Lus Antnio Scola tem mestrado em Engenharia Mecnica (UFRJ, 1989)
e professor ddjunto do Departamento de Cincias Trmicas e dos Fluidos
da Universidade Federal de So Joo del Rei (MG). Atualmente discente
de doutorado no programa de ps-graduao em Engenharia Eltrica da
Universidade Federal de Minas Gerais.
Oriane Magela Neto tem mestrado em Engenharia Eltrica (UFMG,

1985), doutorado em Engenharia Eltrica (Imperial College London, 1996) e
ps-doutorado (Tokyo Metropolitan University, 2002), professor associado do
Departamento de Engenharia Eltrica da Universidade Federal de Minas Gerais.
Ricardo Hiroshi Caldeira Takahashi tem mestrado em Engenharia Eltrica

(UFMG, 1991), doutorado em Engenharia Eltrica (UNICAMP, 1998).
professor associado do Departamento de Matemtica da Universidade Federal
de Minas Gerais. Seu currculo no CNPq registra a autoria de mais de 60
artigos publicados ou aceitos para publicao em peridicos indexados, mais
de 100 trabalhos publicados em anais de congressos, e ainda a orientao ou
co-orientao de treze teses de doutorado e doze dissertaes de mestrado j
concludas.
Srgio Augusto Araujo da Gama Cerqueira tem mestrado em Engenharia

Mecnica (UFMG, 1992), doutorado em Engenharia Mecnica (UNICAMP,
1999) e ps-doutorado (UFMG, 2006). professor associado do Departamento
de Engenharia Mecnica da Universidade Federal de So Joo del Rei (MG).
88 Scola et al.
.
Captulo 5
Aplicao On-line de Algoritmo Gentico na Otimizao

de um Regulador de Velocidade Fuzzy para
Acionamentos Eltricos
Wander G. da Silva, Bernardo Alvarenga, Paul P. Acarnley e John W. Finch
Resumo: Este captulo apresenta a aplicao da teoria de Algo-

ritmo Gentico para o ajuste automtico dos parmetros de um
regulador de velocidade para acionamento eltrico baseado em L-
gica Nebulosa, na presena de variao de carga. A complexidade
do regulador de velocidade, aliado caracterstia no linear do con-
trolador levaram ao ajuste de 16 parmetros. Para a colocao de
carga, o motor foi acoplado a um gerador alimentando um banco
resistivo chaveado atravs de um IGBT. Como a tenso nos termi-
nais do gerador depende da velocidade do motor, durante o processo
de ajuste do regulador a carga do motor era varivel, aumentando,
assim, a diculdade para o ajuste dos parmetros do regulador de
velocidade. Neste contexto, a aplicao do Algoritmo Gentico foi
realizada on-line sem qualquer interveno humana. Os resultados
obtidos mostraram que seu uso possibilitou a obteno de um ajuste
do regulador para um desempenho considerado timo, dentro do cri-
trio e espao de soluo previamente denidos para o problema.
Palavras-chave: Algoritmo gentico, Otimizao, Acionamento
eltrico.
Abstract: This chapter presents the theory of Genetic Algorithm
applied to the automatic tuning of the parameters of a Fuzzy Logic
speed controller for electric drives, in the presence of load variation.
The complexity of the speed controller and its non-linear characte-
ristics leaded to the tuning of 16 parameters. In order to apply load
to the motor, it was coupled to a generator connected to a resis-
tor bank, which was switched on and o through a single IGBT.
The terminal voltage of the generator depends on the motor speed,
which changed signicantly during the tuning process, increasing
the diculty level of adjusting the controller parameters. Within
this context, the use of Genetic Algorithm was carried out on-line
without any human aid. The results showed its capability to nd
the optimum solution, according to the criteria and search space
previously dened for the problem.
Keywords: Genetic algorithm, Optimization, Electric drives.
Autor para contato: wander@eeec.ufg.br
90 Silva et al.
1. Introduo
Em determinadas aplicaes um controle preciso da velocidade do aciona-
mento independente de distrbios de carga presentes no processo essencial
para a garantia da qualidade do produto nal. Em processos de laminao
de chapas de ao e fabricao de lmes plsticos, por exemplo, variaes na
velocidade do acionamento eltrico comprometem a qualidade do produto
nal. Em uma planta industrial tpica de fabricao de lmes plsticos exis-
tem aproximadamente 30 motores, na grande maioria de corrente contnua,
trabalhando em conjunto e com velocidade constante. Assim, qualquer va-
riao de velocidade em um dos motores transmitida aos demais uma vez
que so mecanicamente interconectados pelo processo (Ho et al., 1994).
Para assegurar que a velocidade dos acionamentos seja mantida constante
apesar das variaes de carga necessrio que o regulador de velocidade
responda rapidamente.
A grande maioria dos reguladores de velocidade encontrados no mer-
cado do tipo Proporcional-Integral (PI) cujos ganhos podem ser deter-
minados com base na teoria clssica de controle. Entretanto, em funo
das no linearidades inerentes do sistema tais como saturao magntica,
comutao, limitao de corrente e tenso das chaves eletrnicas que com-
pem o conversor, alm do prprio distrbio de carga, um ajuste timo
para o regulador de velocidade nem sempre uma tarefa fcil. Neste con-
texto, o conceito de timo pode variar em funo dos critrios adotados,
porm, em acionamento eltrico com regulao de velocidade, poderia ser,
por exemplo, aquele ajuste do regulador capaz de levar o motor veloci-
dade de referncia no menor espao de tempo possvel.
Com reguladores do tipo PI, para se limitar a ao do integrador e
evitar os problemas de windup, por exemplo, pesquisadores propuseram
diferentes circuitos anti-windup cujos parmetros devem ser ajustados em
conjunto com os ganhos do regulador PI (da Silva et al., 2001).
Na busca de solues alternativas para problemas de controle de velo-
cidade em acionamentos eltricos, diferentes tcnicas foram desenvolvidas.
Entre elas, encontra-se o uso da teoria de Lgica Nebulosa (Fuzzy Logic ).
Neste caso, e em funo do grande nmero de parmetros do controlador,
um ajuste timo para o regulador de velocidade passou a ser uma tarefa
muito difcil. Para a soluo deste problema a teoria de Algoritmo Ge-
ntico (AG) surgiu como uma poderosa ferramenta de busca e otimizao
capaz de possibilitar este ajuste. da Silva et al. (2000) propuseram o uso da
teoria de AG para o ajuste on-line de um simples regulador de velocidade
tipo PI, cujo resultado comparado com aquele obtido utilizando-se a teo-
ria clssica de controle linear. Naquele trabalho, o resultado encontrado
atravs do uso de AG demonstrou melhor desempenho do que aquele ob-
tido utilizando-se a teoria clssica de controle j consolidada pela literatura
existente. Com o objetivo de se comparar o desempenho de diferentes con-
Aplicao de AG na otimizao de regulador de velocidade 91
troladores do tipo PI associados a diferentes circuitos anti-windup, o AG

foi tambm utilizado com sucesso (da Silva et al., 2001). Neste caso apenas
trs parmetros foram ajustados para cada regulador, o que do ponto de
vista da literatura, representa um desao de pequena diculdade para o
AG. Porm, mesmo neste caso, um ajuste timo dos ganhos do regulador
PI juntamente com os parmetros do circuito anti-windup j deixa de ser
uma tarefa simples, mesmo para um especialista.
Este captulo apresenta o uso do AG para encontrar o melhor ajuste de
um regulador de velocidade para acionamento eltrico baseado no princpio
da lgica nebulosa, onde 16 parmetros foram otimizados, on-line, sem
qualquer interveno humana. Resultados prticos so apresentados de
forma a demonstrar a capacidade do AG em encontrar um ajuste timo
para o regulador de velocidade diante das condies de partida e de variao
de carga impostas.
2. Fundamentao Terica
Algoritmo Gentico pode ser denido como um processo estocstico de
busca e otimizao baseado no mecanismo de seleo natural onde o in-
divduo melhor preparado ou com as melhores caractersticas genticas
possui maiores chances de sobrevivncia (Gen & Cheng, 1997). O AG se
inicia com um conjunto de possveis solues, normalmente denidas ou
criadas de forma aleatria, identicado como populao. Cada indivduo
da populao chamado de cromossomo, representando uma possvel so-
luo para um determinado problema. Os cromossomos so formados por
um conjunto de parmetros chamados de genes, normalmente, porm no
necessariamente, codicados de forma binria (Chippereld & Fleming,
1995). Estes cromossomos so evoludos atravs de sucessivas geraes
dentro das quais cada indivduo ou cromossomo avaliado de acordo com
um determinado critrio, representando assim sua capacidade para a solu-
o do problema apresentado. Os melhores indivduos (cromossomos) de
cada populao so selecionados para se cruzarem e gerar descendentes.
Os menos preparados so ento substitudos pelos descendentes daquela
gerao de forma a se manter constante o tamanho da populao.
De acordo com o princpio da seleo natural, um determinado indiv-
duo pode sofrer mutaes. Assim, em AG, mutaes podem ser realizadas
atravs de um operador de forma a produzir mudanas aleatrias nos cro-
mossomos atravs da modicao de seus genes. Esta operao desempe-
nha uma importante funo no sentido de recuperar um gene perdido no
processo de seleo ou simplesmente proporcionar o aparecimento de um
gene que poderia no estar presente na populao inicial. Dentro deste
contexto, a taxa de mutao deve ser limitada em um percentual do n-
mero total de genes de uma determinada populao de forma a controlar a
92 Silva et al.
taxa com que novos genes sero introduzidos na populao (Gen & Cheng,
1997).
No existe na literatura um valor denido para cada problema a ser
resolvido. Porm, uma elevada taxa de mutao pode fazer com que os
descendentes (lhos) comecem a perder sua semelhana com seus ascen-
dentes (pais). Desta forma, o AG poderia perder a capacidade de evoluo
a partir do histrico das geraes passadas. Por outro lado, se a taxa de
mutao for muito baixa, muitos genes que poderiam ser importantes ja-
mais seriam testados. Portanto, embora a taxa de mutao possa variar
em funo do problema ou do tamanho da populao, algumas sugestes
podem ser encontradas na literatura (Man et al., 1996). Do ponto de vista
de convergncia do processo de busca e otimizao, esta operao impede
que o algoritmo possa convergir para um ponto conhecido como mnimo
local que pode no representar a melhor soluo para o problema.
Um tpico processo de AG como pode ser representado conforme segue
(Man et al., 1996):
// Gerao Inicial
g = 0;
// Incio da populao
Inicializar P(g);
// Avaliao da capacidade de cada indivduo da populao
Teste para critrio de nalizao do processo
(nmero de geraes ou outro critrio qualquer)
Enquanto no concludo
// Selecionar sub-populao para gerao de descendentes
P'(g) = seleo de pais a partir de P(g)
// Recombinao de genes dos pais selecionados
recombinar P'(g);
// Perturbao da populao cruzada estocasticamente
realizar mutao P'(g);
// Avaliar a capacidade de cada novo indivduo
avaliar P'(g);
// Selecionar os sobreviventes
P(g+1) = sobreviventes P(g), P'(g);
// Incrementar a contagem de gerao
g = g+1
m
A literatura existente sobre AG extensa e pode ser facilmente encon-

trada por aqueles que tiverem interesse em se aprofundar no assunto (Gen
& Cheng, 1997; Man et al., 1996).
3. Modelo do Controlador de Velocidade do Motor CC

A forma tradicionalmente empregada para o controle de velocidade de um
motor eltrico utiliza um regulador de velocidade em cascata com um re-
gulador de corrente, conforme o diagrama de blocos ilustrado na Figura 1.
Ambos os reguladores, tanto o de corrente quanto o de velocidade, so
normalmente do tipo PI (da Silva et al., 2000).
Figura 1. Representao de um acionamento eltrico clssico com controle

de velocidade.
Em funo das caractersticas do regulador tipo PI e das limitaes

de corrente e tenso das chaves do conversor, o ajuste dos ganhos propor-
cional e integral devem ser distintos para diferentes valores de degrau de
referncia de velocidade. Isto est evidenciado atravs de resultados obti-
dos utilizando-se a teoria clssica de controle e o uso do AG (da Silva et al.,
2000). Alm disto, um ajuste dos ganhos do regulador PI para variaes de
carga tambm no dever ser o mesmo para qualquer condio. Quando se
deseja um nico ajuste do regulador PI de velocidade para diferentes va-
lores de referncia e condies de carga, um ajuste que satisfaa restries
de desempenho torna-se praticamente impossvel e circuitos anti-windup
muitas vezes so necessrios para limitar a ao do integrador do regula-
dor PI. A otimizao dos ganhos do regulador PI de velocidade juntamente
com seu circuitos foi investigada utilizando como ferramenta o AG e seus
desempenhos comparados (da Silva et al., 2001).
Neste trabalho, o regulador PI de velocidade para um motor CC sem
escovas (motor Brushless CC) foi substitudo por outro baseado em lgica
nebulosa, conforme ilustrado na Figura 2. O regulador de velocidade, neste
caso, possui duas entradas e duas sadas. As entradas so o erro de veloci-
dade e conjugado de carga, proveniente um observador de carga (Iwasaki
& Matsui, 1993). As sadas so duas diferentes demandas de corrente para
o regulador de corrente do tipo PI: (i) funo do erro de velocidade e (ii)
funo da carga. importante deixar claro neste momento que no se
est analisando o desempenho do regulador, mas o emprego do AG para a
determinao de parmetros do regulador fuzzy.
Nesta forma de controle no linear necessrio o ajuste de diversos
parmetros. Mesmo sendo realizado por um especialista, no haveria ga-
94 Silva et al.
Figura 2. Diagrama de blocos de um acionamento eltrico com regulao

de velocidade, baseado em lgica nebulosa.
rantia de que o melhor ajuste seria obtido, especialmente quando se deseja

realizar o controle em diferentes condies de partida e distrbios de carga
em um s sistema/projeto.
Neste contexto, o AG se apresenta como uma poderosa ferramenta
capaz de encontrar e otimizar os parmetros do regulador de velocidade
em questo. importante destacar que o AG pode tambm ser utilizado
para o ajuste automtico (diretamente no sistema de acionamento) dos
reguladores baseados na teoria clssica de controle (reguladores PI) onde
apenas dois ou trs parmetros so ajustados (da Silva et al., 2000, 2001).
Contudo, para o controlador fuzzy apresentado, necessrio um nmero
muito maior de parmetros, portanto, o desao em se buscar um ajuste
timo representa uma tarefa mais complexa para o algoritmo gentico.
3.1 O controlador fuzzy

A teoria sobre lgica nebulosa no objeto de discusso neste traba-
lho. Sugere-se consulta literatura disponvel (Bose, 1997; Ying, 2000;
MathWorks, 2010). Pretende-se neste momento apresentar a construo
do regulador fuzzy e sua caracterstica de funcionamento.
O ponto de partida para a construo do regulador de velocidade base-
ado no princpio da lgica nebulosa a denio das variveis de entrada
e sada e suas respectivas faixas de valores em termos de conjuntos nebu-
losos, atravs do uso de funes de pertinncia (Membership Functions
- MF) cuja quantidade e forma so denidas pelo usurio. Em seguida
devem ser denidas as regras responsveis pelo mapeamento das variveis
de entrada nas variveis de sada. Pode-se observar ento que o usurio
possui um grande grau de liberdade na denio do regulador fuzzy. As-
sim, quanto maior o nmero de variveis, funes de pertinncia e nmero
de regras, maior se torna o grau de complexidade e mais difcil o ajuste
deste regulador. Consequentemente, mesmo aquele considerado especia-

lista encontra grandes diculdades em ajustar o regulador (MathWorks,
2010), especialmente para diferentes condies de funcionamento.
Cada varivel de entrada e sada do controlador fuzzy proposto possui
duas funes de pertinncia que foram denidas como sendo do tipo tra-
pezoidal, conforme ilustrado na Figura 3, de forma normalizada, com um
ponto de cruzamento entre si.
Figura 3. Funes de pertinncia do regulador fuzzy.
As regras do regulador fuzzy foram denidas da seguinte maneira:
For i, j = 1,2
IF input(i) is MF(i) then Output(j) is MF (j)
O mtodo de defuzzi cao para a determinao do valor de sada

de cada varivel do controlador foi o clculo do centro da rea da gura
(centride) (MathWorks, 2010). Para este controlador, apenas dois pontos
de cada funo de pertinncia precisam ser ajustados uma vez que so
fundamentais na determinao do desempenho do regulador. Considerando
ento duas funes de pertinncia para cada varivel (total de 4 variveis)
com dois pontos a serem ajustados para cada funo de pertinncia, foram
necessrios o ajuste de um total de 16 parmetros. Os pontos ajustados
so ilustrados na Figura 4.
Figura 4. Ilustrao de como as funes de pertinncia devem ser

ajustadas.
O regulador apresentado possui um nmero mnimo de funes de perti-

nncia e de regras. Desta forma, o que precisou ser ajustado foram simples-
96 Silva et al.
mente dois pontos de cada funo de pertinncia para se obter o mximo

de desempenho do regulador de velocidade. Para isto foi utilizado o AG.
3.2 Aplicao de algoritmo gentico no regulador fuzzy de velocidade

Alguns trabalhos utilizando o AG aplicado Lgica Nebulosa j foram
desenvolvidos (Meredith et al., 1993; Lee & Takagi, 1993; Homaifar & Mc-
Cormick, 1995; Tang et al., 1998; da Silva et al., 2004). No trabalho aqui
apresentado o AG foi utilizado para fazer o ajuste on-line das funes de
pertinncia do regulador de velocidade fuzzy, isto , diretamente no sistema
de acionamento, sem qualquer interveno humana. Inicialmente foram de-
nidas as faixas de valores admissveis para cada funo de pertinncia. O
sistema de controle foi desenvolvido de forma que o motor operasse entre
0 e 200 rad/s. O erro de velocidade precisou portanto, ter como limite, o
mdulo do valor mximo de rotao em radianos por segundo (200 rad/s).
A faixa de valores denida foi, portanto, de 200 a 200 rad/s, o que re-
presenta valores de 1,0 a 1,0 pu. Em funo da capacidade do motor, a
faixa de valores para variao de carga em termos de corrente foi de 22
a 22 A. Para a varivel de sada especicada como demanda de corrente
para erro de velocidade, a faixa de valores foi tambm de 22 a 22 A, en-
quanto que para a varivel demanda de corrente para variaes de carga,
a faixa foi de 15 a 15 A. Desta forma, em funo das caractersticas do
regulador fuzzy, o somatrio das correntes de sada no ultrapassariam 9
A de corrente nominal de armadura do motor.
Os cromossomos ou indivduos criados no mbito do AG devem possuir
16 genes, cada um representando um ponto a ser ajustado em cada funo
de pertinncia denido conforme a seguir:
Crom. =[ a1 . . . a4 b1 . . . b 4 c1 . . . c4 d1 . . . d 4 ]
Entrada 1 Entrada 2 Sada 1 Sada 2
Em seguida foi necessria a denio de como cada indivduo deveria

ser avaliado em relao sua capacidade de proporcionar a resposta de
velocidade considerada ideal. Dentro deste contexto, foi considerado como
melhor preparado para a soluo do problema aquele indivduo ou cromos-
somo que atendesse a duas condies: (i) levar o motor velocidade de
referncia a partir de um degrau de entrada no menor espao de tempo e
(ii) manter constante a rotao do motor independentemente de variao
da carga conectada em seu eixo. Assim, a Integral do Valor Absoluto do
Erro de Velocidade (IAE) foi utilizada como critrio para a denio da
capacidade do indivduo.
4. Metodologia
Para a realizao do presente trabalho, foi utilizado um sistema de aciona-
mento eltrico para um motor do tipo Brushless CC. O sistema emprega um
DSP com lgica de programao desenvolvida no ambiente MATLAB/SIM-
ULINK. Uma interface de software possibilitou a comunicao direta entre
o MATLAB e o DSP de forma a se escrever os parmetros do controlador
no DSP e obter leituras de velocidade e corrente, atravs de placas de aqui-
sio de dados (French et al., 1998). O diagrama de blocos da Figura 5
ilustra o sistema utilizado.
Figura 5. Diagrama de blocos do sistema realizado.
Foi inicialmente criada aleatoriamente uma populao de 20 indivduos

para evoluir por 20 geraes. Cada indivduo foi avaliado de forma a pro-
duzir uma resposta ao degrau de 1100 rpm de referncia de velocidade com
uma carga inicial de 11 % de seu valor nominal. Em t = 1 s foi aplicado
um distrbio de carga na forma de degrau, elevando a carga aplicada para
62 % da nominal, permanecendo at o instante t = 4 s. A capacidade do
indivduo de produzir uma resposta satisfatria foi analisada em funo
da Integral do valor Absoluto do Erro de Velocidade (IAE) em relao ao
tempo. Portanto, quanto menor o valor de IAE melhor a resposta pro-
porcionada pelo indivduo, isto , melhor a capacidade do indivduo para
solucionar o problema apresentado. Portanto, o AG deveria encontrar um
ajuste para o regulador de velocidade fuzzy que levasse o motor veloci-
dade de referncia no menor tempo possvel e ali mant-la independente
do distrbio de carga.
A bancada foi constituda de um conjunto Bosch Servodyn Servo Mo-
tor SE-B4 comercial, com estgio de entrada constitudo de um reticador
98 Silva et al.
trifsico totalmente controlado VM60-T, um estgio DC composto de um

mdulo de capacitor modelo KM1100T 1100 F - 840 V com sada re-
gulada em 600V e estgio de sada composto de um inversor SM50/100
com regulador de corrente to tipo proporcional-integral. O motor possui
os seguintes parmetros:
Corrente nominal: 9 A;
Velocidade nominal: 3000 rpm;
Constante de torque: 0,91 Nm/A;
Indutncia da armadura: 9,25 mH;
Resistncia da armadura: 0,74 ;

Constante de FEM: 95,7 V/1000 rpm;
Constante de FEM do tacogerador: 2,7 V/1000 rpm 5%; em tamb

o
= 20 C;
2
Inrcia motor/carga: 0,016 Nm s /rad;
Coeciente de atrito viscoso: 0,0092 Nm/rad/s;
Tempo de amostragem para sinais de entrada e sada: 1,25 ms.
Para ns de colocao de carga o motor foi acoplado a um gerador

alimentando um banco resistivo. A tenso trifsica gerada foi reticada
atravs de um reticador a diodos em ponte SEMIKRON 30/04 A1. Na
sada do reticador foi colocada uma chave eletrnica SEMIKRON IGBT
SKM 75GARO63D, atravs da qual foi possvel aplicar degrau de carga no
motor atravs do chaveamento do banco de resistores. A chave eletrnica
IGBT foi ligada/desligada atravs de um dispositivo analgico de entrada
SEMIKRON SKHI10. O sinal de entrada para o mdulo SEMIKRON foi
proveniente de um conversor D/A de 12 bits de resoluo, utilizado como
interface com o DSP.
5. Resultados Experimentais
Uma vez iniciado o AG, no houve mais a interveno humana at sua
concluso, que se deu em funo do nmero de geraes inicialmente de-
nido. Para efeitos de vericao, a Figura 6 ilustra algumas respostas
de velocidade obtidas na primeira gerao. A evoluo do AG medida em
termos da IAE ilustrada na Figura 7. Observa-se que a melhor resposta
de velocidade obtida com um dos indivduos da primeira gerao propor-
cionou uma IAE de 40,6 rad e que, ao trmino do processo, o valor da IAE
foi reduzido para 26,9 rad. A Figura 8 ilustra a resposta de velocidade e
de corrente do motor obtida com o regulador fuzzy cujo ajuste dado pelo
AG ao nal de 20 geraes, critrio utilizado para a concluso do processo.
Figura 6. Algumas respostas de velocidade obtidas com o controlador de

velocidade fuzzy dada pelo AG na primeira gerao.
Figura 7. Evoluo do processo de otimizao.

100 Silva et al.
Figura 8. Melhor resposta de velocidade obtida aps a evoluo de uma

populao de 20 indivduos por 20 geraes.
importante registrar que a tenso aplicada no banco de resistores

utilizado como carga para o gerador acoplado ao motor varia em funo da
rotao. Isto representa uma diculdade a mais imposta ao AG uma vez
que a carga mecnica efetivamente conectada ao motor varia para cada in-
divduo ou cromossomo. Apesar desta diculdade, o AG conseguiu encon-
trar um ajuste para o controlador fuzzy dentro das condies de velocidade
de referncia e carga impostas ao motor.
Como pode ser observado, tanto na Figura 7 quanto na Figura 8, em
funo da resposta de velocidade obtida, o AG ainda poderia evoluir se
tivesse sido permitida a evoluo por maior nmero de geraes. Em fun-
o disto, com o objetivo de se chegar mais rapidamente a uma soluo
tima, o tamanho da populao inicial foi aumentado para 40 indivduos
e o espao de busca reduzido a valores prximos ao resultado obtido com
uma populao de 20 cromossomos: erro de velocidade reduzido em 80 %
e conjugado de carga reduzida em 60 %. Permaneceram constantes a velo-
cidade de referncia e o distrbio de carga. A Figura 9 ilustra a evoluo
de 40 indivduos por 20 geraes e a Figura 10 apresenta a resposta de
velocidade e corrente obtida aps a concluso do processo, isto , a melhor
resposta obtida pelo controlador fuzzy ajustado pelo AG. Observa-se que
a IAE obtida com o melhor indivduo da primeira gerao foi de aproxi-
madamente 21,8 rad enquanto que aquela obtida ao nal do processo de
evoluo foi de 16,5 rad, ilustrando que a evoluo foi muito signicativa
apesar do tamanho da populao e do espao de procura reduzido.
Figura 9. Evoluo de 40 indivduos por 20 geraes com espao de busca

reduzido.
Figura 10. Melhor resposta de velocidade para o regulador fuzzy aps

evoluo de 40 indivduos por 20 geraes.
102 Silva et al.
importante registrar que no processo de busca e otimizao por AG,

cada indivduo deve ser avaliado individualmente. Portanto, neste pro-
cesso, cada resposta de velocidade ou seja, cada indivduo, foi avaliado por
um perodo de 5 s. Somado aos tempos de leitura e escrita de dados no
DSP e processamento da informao, o tempo total necessrio para a evo-
luo de 40 cromossomos por 20 geraes foi de aproximadamente 3 h e 46
min. Duplicando-se o nmero de geraes, o tempo total necessrio para
a concluso do processo poderia chegar a aproximadamente 8 h o que, em
certas aplicaes, pode ser considerado um tempo excessivamente longo.
Para a reduo do tempo necessrio para a otimizao, uma possvel so-
luo seria realizar o processo atravs de simulao e em seguida, a partir
dos resultados obtidos, restringir o espao de busca para o processo a ser
realizado on-line.
6. Concluses
Este captulo apresentou o uso do AG aplicado Lgica Nebulosa. Para o
controlador de velocidade baseado em lgica nebulosa desenvolvido, traba-
lhando com nmero mnimo de funes de pertinncia e de regras, ainda
foram necessrios o ajuste de 16 parmetros relacionados s funes de
pertinncia. Esta tarefa no simples, mesmo para um especialista, espe-
cialmente na presena de variaes de carga. Para o ajuste do controlador
foi inicialmente criada uma populao de 20 indivduos ou cromossomos,
que foi evoluda por 20 geraes. O espao de busca imposto foi relati-
vamente grande com o objetivo de se vericar a capacidade do AG em
encontrar a melhor resposta para o problema levar o motor sua veloci-
dade de referncia e manter sua velocidade mesmo na presena de variao
de carga. Observou-se que o AG convergiu em direo melhor resposta,
porm, em funo da dimenso reduzida da populao inicialmente criada,
bem como do nmero de geraes, a resposta nal encontrada poderia
ainda ser melhorada, seja aumentando o nmero de geraes, aumentando
a dimenso da populao, ou reduzindo o espao de busca a partir dos
resultados previamente obtidos. Aumentando-se o tamanho da populao
e reduzindo o espao de busca, o AG conseguiu, aps 20 geraes, um
ajuste que levou o motor velocidade de referncia com a maior acelera-
o possvel. O ajuste do regulador de velocidade fuzzy encontrado pelo
AG fez com que o motor partisse e acelerasse com corrente praticamente
nominal. Nota-se que, na presena de um degrau de carga de 62 % de seu
valor nominal, praticamente no se v variao na velocidade do motor, o
que signica que o controle ajustado pelo AG conseguiu responder rapida-
mente variao de carga, mantendo constante sua velocidade. Como em
AG todos os cromossomos ou indivduos devem ser avaliados, dependendo
do problema a ser resolvido, da dimenso da populao, do nmero de pa-
rmetros, do espao de busca e do nmero de geraes, o tempo necessrio
para se chegar ao resultado considerado timo pode ser longo em algumas

aplicaes. Para o problema apresentado, considerando uma populao de
40 cromossomos, cada um com 16 parmetros e evoludo por 20 geraes,
o tempo necessrio para se chegar ao resultado nal foi de 3 h e 46 min.
Em certas aplicaes este tempo pode ser considerado longo. Porm, uma
importante observao que o AG conseguiu encontrar o melhor ajuste do
controlador de velocidade em um processo totalmente automatizado, sem
qualquer interveno humana e de certa forma, de auto-aprendizagem uma
vez que, medida que o AG evolua, todos os cromossomos se convergiam
em direo quele que possua as melhores caractersticas para a soluo
do problema.
Referncias
Bose, B., Power Electronics and Variable Frequency Drives: Technology
and Applications. 1a edio. New York, USA: IEEE Press, 1997.
Chippereld, A. & Fleming, P., The MATLAB genetic algorithm toolbox.

In: Proceedings of Colloquium on Applied Control Techniques Using
MATLAB. London, UK: IEE, p. 14, 1995.
French, C.D.; Finch, J.W. & Acarnley, P.P., Rapid prototyping of a real-
time DSP based motor drive controller using SIMULINK. In: Proce-
edings of International Conference on Simulation. York, UK: IEE, p.
284291, 1998.
Gen, M. & Cheng, R., Genetic algorithms and engineering design. New
York, USA: John Wiley & Sons, 1997.
Ho, S.; Jones, A. & Cox, C.S., Torque disturbances and their eect on
th
process control. In: Proceedings of the 5 International Conference
on Power Electronics and Variable Speed Drives. London, UK: IEE, p.
602607, 1994.
Homaifar, A. & McCormick, E., Simultaneous design of membership func-

tions and rule sets for fuzzy controllers using genetic algorithms. IEEE
Transactions on Fuzzy Systems, 3(2):129139, 1995.
Iwasaki, M. & Matsui, N., Robust speed control of IM with torque

feedforward control. IEEE Transactions on Industrial Electronics,
40(6):627632, 1993.
Lee, M. & Takagi, H., Integrating design stages of fuzzy systems using
nd
genetic algorithms. In: Proceedings of the 2 IEEE International
Conference on Fuzzy Systems. San Francisco, USA: IEEE, p. 612617,
1993.
Man, K.; Tang, K. & Kwong, S., Genetic algorithms: concepts and appli-
cations. IEEE Transactions on Industrial Electronics, 43(5):519533,
1996.
104 Silva et al.
MathWorks, , Fuzzy Logic Toolbox User's Guide. 2a edio. Natick, USA:

The MathWorks, Inc, 2010.
Meredith, L.; Karr, C. & Kumar, K., The use of genetic algorithms in de-
rd
sign of fuzzy logic controllers. In: Proceedings of the 3 Workshop on
Neural Networks. Bellingham, USA: International Society for Optical
Engineering SPIE, p. 549555, 1993.
da Silva, W.; Acarnley, P. & Finch, J., Anti-windup circuits with on-
th
line optimisation by genetic algorithm. In: Proceedings of the 9
European Conference on Power Electronics and Applications. Graz,
Austria: EPE Association, p. 111, 2001.
da Silva, W.G.; Acarnley, P.P. & Finch, J.W., Application of genetic algo-
rithms to the on-line tuning of electric drive speed controllers. IEEE
Transactions on Industry Applications, 47(1):217219, 2000.
da Silva, W.G.; Acarnley, P.P. & Finch, J.W., On-line optimisation of

a fuzzy drive controller using genetic algorithm. In: Proceedings of
IEEE International Symposium on Industrial Electronics - ISIE. Aj-
jacio, France: IEEE Press, p. 14411446, 2004.
Tang, K.; Man, K.; Liu, Z. & Kwong, S., Minimal fuzzy membership and
rules using hierarchical genetic algorithm. IEEE Transactions on In-
dustrial Electronics, 45(1):162169, 1998.
Ying, H., Fuzzy Control and Modeling: Analytical Foundations and Appli-
cations. 1a edio. New York, USA: Wiley-IEEE Press, 2000.
Notas Biogrficas
Wander Gonalves da Silva concluiu graduao em Engenharia Eltrica pelo
Instituto Superior de Ensino e Pesquisa de Ituiutaba - ISEPI em junho de 1986
e em agosto do mesmo ano tornou-se professor no curso de Engenharia Eltrica
da mesma instituio. Em julho de 1989 tornou-se Mestre em Engenharia
Eltrica pela Universidade Federal de Santa Catarina - UFSC. Em maio de 1999
tornou-se PhD pela Universidade de Newcastle, Inglaterra. Em 2009 juntou-se
ao quadro de professores da Escola de Engenharia Eltrica e de Computao -
EEEC da Universidade Federal de Gois - UFG. Possui publicaes cientcas
relevantes na rea de acionamento de mquinas eltricas e se interessa tambm
pelo desenvolvimento de pesquisas relacionadas qualidade da energia eltrica e
sistemas de controle.
Bernardo Alvarenga graduou-se em Engenharia Eltrica pela Universidade de

Braslia (1990) e recebeu os ttulos de Mestre e Doutor em Engenharia Eltrica
pela UFU (1993) e pela USP (2004), respectivamente. Atualmente professor e
pesquisador do Programa de Mestrado em Engenharia Eltrica e de Computao
da EEEC-UFG. Suas reas de interesse incluem mquinas eltricas e modelagem
e simulao de dispositivos eletromagnticos.
Paul P. Acarnley formou-se em Engenharia Eltrica e recebeu o ttulo de

PhD pela Universidade de Leeds, Inglaterra, em 1974 e 1977, respectivamente,
e o ttulo de MA da Universidade de Cambridge, em 1978. Em 1986, juntou-se
ao grupo de Eletrnica de Potncia, Acionamento Eltrico e Mquinas da
Universidade de Newcastle, Inglaterra. Em 2003, fundou o RESEEDS (Research
Engineering Education Services ). tambm Diretor do Electrical Energy
Engineering (E3) Academy. Tem interesse em pesquisa na rea de acionamentos
eltricos, incluindo estimao de estados e de parmetros. ainda Fellow do
Institution of Electrical Engineers.
John W. Finch formou-se em Engenharia Eltrica pelo University College de

Londres e recebeu o ttulo de PhD pela Universidade de Leeds, Inglaterra. Foi
Diretor Associado do Resource Centre for Innovation and Design. autor e
co-autor de mais de 100 publicaes em controle aplicado, simulao, mquinas
eltricas e acionamentos. professor emrito em Engenharia de Controle na
Universidade de Newcastle, Inglaterra.
106 Silva et al.
.
Captulo 6
Comparao de Tcnicas de Computao Evolucionria

para o Projeto de Filtros Digitais
de Resposta Finita ao Impulso
Daniel R. de Oliveira, Marlon H. Scalabrin, Fbio R. Teodoro,

Rafael S. Parpinelli e Heitor S. Lopes
Resumo: O projeto de ltros digitais FIR um problema clssico

na engenharia. Existem diversos mtodos e algoritmos para isto,
mas a maior parte limitada a poucos tipos de ltro, ou oferece
pouco controle sobre as especicaes. Por isso, a aplicao de
algoritmos de computao evolucionria para este problema tema
recorrente na literatura. Este trabalho prope uma nova funo de
tness para esta classe de problema, mais adequada do que o Parks-
McClellan. Alm disto, comparado o desempenho dos algoritmos
AG, PSO e HS para o projeto de quatro tipos de ltros digitais.
Experimentos mostraram bons resultados com a nova abordagem.
De maneira geral, o PSO foi o algoritmo que conseguiu obter os
melhores resultados.
Palavras-chave: Filtros digitais, Algoritmo gentico, Otimizao

por enxame de partculas, Busca harmnica.
Abstract: The project of FIR digital lters is a classical problem

in Engineering. There are a number of methods and algorithms
addressing this area, but most are limited to one kind of lter, or
oers little control over specications. Hence, utilization of Evolu-
tionary Algorithms for this problem is recurrent in literature. This
work proposes a new tness function for this class of problem, better
than the Parks-McClellan. Besides, the performance of GA, PSO
and HS were compared for the project of four digital lters. Experi-
ments showed good results with the new approach. In general, PSO
was the better performing algorithm.
Keywords: Digital lters, Genetic algorithm, Particle swarm op-
timization, Harmony search.
Autor para contato: hslopes@utfpr.edu.br

108 Oliveira et al.
1. Introduo
O projeto de ltros digitais, tanto do tipo FIR (Finite Impulse Response )
quanto IIR (Innite Impulse Response ), um problema clssico na Enge-
nharia Eltrica (Hamming, 1997). A literatura reporta diversos mtodos
para o clculo dos coecientes que caracterizam a resposta em frequn-
cia do ltro, como amostragem em frequncia e diversas abordagens por
janelamento, cada um com suas caractersticas prprias, vantagens e des-
vantagens. (Diniz et al., 2004).
A maioria dos mtodos de projeto direcionada para ltros do tipo
passa-altas ou passa-baixas, embora alguns tambm possam ser utilizados
para ltros passa-faixas ou rejeita-faixas. Porm, poucos mtodos per-
mitem um controle maior das especicaes, ou maior nmero de faixas.
Na literatura recente, por exemplo, so raros os mtodos que permitem
especicar um ltro com duas bandas passantes e trs de rejeio, cada
uma com requisitos de ripple (oscilao) e ganho diferentes (Zhang et al.,
2008; Ahmed, 2003). Por esta razo, mtodos heursticos de otimizao,
notadamente aqueles da computao evolucionria, podem ter uma grande
aplicabilidade prtica neste problema de engenharia.
De fato, h alguns trabalhos utilizando algoritmos genticos (AG)
(Goldberg, 1989) e otimizao por enxame de partculas (Particle Swarm
Optimization PSO) (Kennedy & Eberhart, 2001) que monstraram bons
resultados, geralmente obtendo solues melhores do que aquelas alcana-
das pelos mtodos tradicionais (Barros, 2006). Porm, a grande maioria
de tais trabalhos focaliza apenas o projeto de ltros passa-baixas ou passa-
altas, que so os problemas mais simples de serem resolvidos. muito raro
encontrar projeto de ltros mais complexos, com especicao de vrias
bandas, como j mencionado. Outra questo muito importante a forma
de avaliao da qualidade dos ltros digitais, representado pela funo
de tness num algoritmo de computao evolucionria. Todos os artigos
que os autores encontraram na literatura recente minimizam o Erro Mdio
Quadrtico (Mean Square Error MSE) entre a resposta em frequncia
do ltro calculado e uma curva-alvo de resposta desejada (Najjarzadeh &
Ayatollahi, 2008; Barros et al., 2007; Huang et al., 2004). Embora esta
abordagem geralmente leve a resultados prximos do alvo desejado, ela
tem algumas desvantagens.
Primeiramente, necessrio montar uma curva-alvo. Porm, o mais
intuitivo e usual o usurio fornecer as especicaes do ltro sob a forma
de ganho nas bandas passante e de rejeio, bem como as frequncias que
compem essas faixas. Utilizar a curva ideal, expressa pelo MSE, pode
levar o algoritmo a buscar um ltro muito longe do factvel, tendo como
resultado ltros ruins.
Outra desvantagem da abordagem tradicional de tentar igualar uma
curva-alvo a diculdade de se obter ltros dentro das especicaes, mas
Comparao de tcnicas para projeto de filtros FIR 109
com resposta diferente, na tentativa de igualar o ripple. Por exemplo, se

a curva-alvo tiver 8 ondulaes na banda de rejeio e um ltro projetado
tiver 6, esse ltro ter um tness mais baixo, mesmo que seja uma soluo
melhor do que o primeiro.
Assim, o primeiro objetivo deste trabalho buscar uma forma mais ade-
quada de medir o tness em projetos de ltros digitais utilizando mtodos
de computao evolucionria. Objetiva-se encontrar uma funo de tness
que privilegie o atendimento das especicaes da melhor forma possvel,
e que permita encontrar ltros ainda melhores do que a especicao. Na
literatura recente registra o uso de AG e PSO para projeto de ltros di-
gitais. Assim, o segundo objetivo comparar o desempenho destes dois
algoritmos mais a busca harmnica (harmony search HS) (Geem et al.,
2001) para o projeto de ltros digitais complexos.
Este trabalho est dividido da seguinte maneira: na Seo 2 apre-
sentada a teoria bsica dos ltros digitais, bem como alguns dos mtodos
clssicos utilizados no seu projeto. Nesta seo tambm so apresentados
alguns aspectos sobre a medio de qualidade de ltros pelo MSE e uma
viso geral sobre Computao Evolucionria e os algoritmos que sero uti-
lizados. Na Seo 3 discutida a metodologia do trabalho, a funo de
tness proposta e os experimentos realizados, com seus parmetros. Na
Seo 4 so mostrados e discutidos os resultados dos experimentos realiza-
dos. Finalmente, na Seo 5 so apresentadas as concluses do trabalho.
2.1 Filtros digitais FIR
Um ltro um sistema que realiza operaes matemticas em um determi-
nado sinal, com a nalidade de reduzir ou amplicar certos aspectos deste
sinal (Oppenheim & Schafer, 1975). Um exemplo simples da aplicao de
um ltro na separao das faixas grave, mdia e aguda de um sinal de
udio, direcionando cada uma a um alto-falante mais adequado para sua
reproduo. Um ltro tambm pode ser projetado com o m de eliminar
uma determinada caracterstica, como por exemplo, o rudo decorrente da
rede eltrica (de frequncia constante) inserido em algum sinal que carregue
outra informao.
Filtros digitais so sistemas lineares invariantes no tempo discreto (Di-
niz et al., 2004). Estes diferem dos ltros analgicos em vrios aspectos,
notadamente na forma do sinal de entrada, que passa do domnio contnuo
para o domnio discreto, e na forma de implementao. Dentre os ltros di-
gitais, h os do tipo no-recursivo, chamados assim por no terem a sada a
cada instante afetada por sadas anteriores. Estes ltros so caracterizados
por uma equao a diferenas que segue o formato mostrado na Equao 1.
110 Oliveira et al.
M
X
y(n) = ~bt x(n k) (1)
k=0
onde y(n) o valor da sada do sistema no instante n, x(n k) o valor

de entrada k amostras atrs e b o vetor de coecientes da equao a dife-
renas. Estes coecientes esto diretamente ligados resposta ao impulso
unitrio do sistema, bt = h(t), onde h a funo de transferncia do sis-
tema. Como a sada depende apenas das M entradas anteriores, a resposta
ao impulso deste tipo de ltro tem durao M , que nita. Portanto, este
ltro chamado de ltro com Resposta Finita ao Impulso (Finite Impulse
Response FIR). Existem diversas formas de implementao deste tipo de
ltro, como a forma direta ou em cascata, no entanto este assunto est fora
do escopo deste trabalho.
A resposta no domnio da frequncia de um sistema linear dada pela
transformada de Fourier de sua resposta ao impulso no domnio do tempo.
Visto que a resposta de um ltro FIR igual ao vetor dos seus coecientes,
basta aplicar a transformada de Fourier discreta (DFT) neste vetor para
obter a resposta do ltro em questo.
2.2 Mtodos de clculo de coeficientes para filtros FIR

Existem diversas abordagens para o clculo dos coecientes de um ltro
FIR, cada uma com suas vantagens e desvantagens. O mtodo mais sim-
ples o da amostragem em frequncia (Diniz et al., 2004) que consiste em
estabelecer a resposta em frequncia desejada e realizar a IDFT (transfor-
mada discreta de Fourier inversa). Este procedimento vlido pois garante
que em cada ponto amostrado a resposta seja exatamente a desejada. Po-
rm, ela no garante nada nas frequncias intermedirias. Por exemplo,
se o ltro desejado possuir 40 coecientes, o mtodo garante que nas 40
frequncias uniformemente distribudas entre 0 e F2s (onde F s a frequn-
cia de amostragem) a resposta seja exata. Mas entre cada uma destas 40
frequncias, no h nenhum controle. Por essa razo, esta abordagem tem
aplicabilidade limitada.
Os mtodos de projeto mais utilizados so os que utilizam funes do
tipo janela, cuja nalidade corrigir os coecientes obtidos pelo mtodo
da IFDT. Elas so chamadas desta forma por serem caracterizadas pelo
truncamento da resposta ideal de um ltro, que innita, atravs da mul-
tiplicao dela por uma funo-janela, que projetada de forma a distorcer
a resposta ideal o mnimo possvel. O simples truncamento desta resposta
equivalente a multiplicar a funo por uma janela retangular. A desvanta-
gem deste mtodo apresentar ondulaes grandes perto das extremidades
de cada faixa do ltro. (Hamming, 1997).
Uma das formas de se reduzir estas ondulaes a utilizao de uma
janela triangular. Ou seja, uma operao que no s trunca a resposta do
ltro, mas tambm atenua as extremidades da mesma. Porm, em alguns

casos necessrio uma reduo ainda maior das ondulaes, onde sero
utilizadas funes-janela mais complexas, como as de Hamming, Hanning,
Blackman, Kaiser e Dolph-Chebyshev, entre outras (Oppenheim & Schafer,
1999; Barros, 2006).
Um outro mtodo o de Parks-McClellan (McClellan & Parks, 1973),
que permite especicaes de ganho por banda, enquanto outros mtodos
de clculo em geral permitem apenas a escolha das freqncias de corte do
ltro. Uma das caractersticas dos ltros calculados por este mtodo um
ripple constante tanto na banda de passagem quanto na banda de rejeio,
ou seja, so ltros equiripple.
2.3 Clculo do fitness de filtros FIR como procedimento de otimizao

Como mencionado na Seo 1, a forma mais usual de se calcular o t-
ness de uma soluo candidata no problema do clculo de ltros FIR
a minimizao do MSE. Neste mtodo utiliza-se uma resposta-alvo para
o algoritmo, que tentar calcular um ltro que tenha esta exata resposta
em frequncia. Porm, isto leva a dois problemas. Primeiramente, essa
abordagem limita a explorao do espao de busca. Quando um ltro
especicado, no se escolhe o exato formato de sua resposta, e sim alguns
parmetros-chave. Os mais comuns so: as frequncias que compem as
bandas de passagem e rejeio, o ripple mximo na banda de passagem e a
atenuao mnima na banda de rejeio. Para cada conjunto de especica-
es, pode existir um nmero innito de ltros que as atendam, mas essa
abordagem de curva-alvo limita a busca a apenas uma. Se, por um lado,
isso conduz a evoluo da resposta de forma mais rpida e/ou robusta, por
outro lado so excludas solues que atenderiam perfeitamente as especi-
caes, algumas de forma mais satisfatria do que a curva-alvo, por serem
diferentes da mesma. Esta caracterstica desta abordagem exemplicada
nas Figuras 1 e 2.
Na Figura 1, o ltro obtido nitidamente melhor do que a curva-alvo.
As caractersticas na banda de passagem so praticamente idnticas, mas
a atenuao na banda de rejeio cerca de 5dB maior.
Na Figura 2, o resultado obtido ligeiramente melhor do que a curva-
alvo, com uma atenuao grande nas extremidades da banda de rejeio,
mas pior do que a obtida pelo ltro da Figura 1, quando prximo da
banda de passagem.
Nas Figuras 1 e 2 possivel notar tambm que a curva-alvo do tipo
equiripple (Williams & Taylors, 1995), isto , tem uma ondulao constante
na banda de rejeio. O ltro obtido na Figura 1 tambm obedece a esta
caracterstica, pois a resposta foi melhor do que a da Figura 2. Porm, pelo
MSE, o primeiro ltro seria preterido pelo segundo. Isto ocorre porque o
nmero de ondulaes na banda de rejeio do segundo ltro foi o mesmo
da curva-alvo, tornando essa resposta mais prxima se avaliada ponto a
112 Oliveira et al.
10
RespostaAlvo
Resposta obtida
0
10
Magnitude (dB)
20
30
40
50
60
0 0.2 0.4 0.6 0.8 1
Freqncia Normalizada( rad/amostra)
Figura 1. Exemplo 1 de curva-alvo e resposta obtida.
ponto, em vez de qualitativamente ou pelas especicaes. Como esta

caracterstica no levada em considerao no projeto de ltros digitais
FIR, a abordagem MSE se prova ineciente, pois busca os aspectos menos
importantes na otimizao dos ltros.
O segundo problema da abordagem MSE a montagem da curva-alvo.
A questo consiste em como sair das especicaes para a resposta em
frequncia desejada. Um mtodo vlido utilizar a curva ideal de um ltro.
Porm, como a resposta ideal garantidamente inalcanvel, provvel que
durante o procedimento de otimizao vrios ltros bons sejam descartados
por estarem mais distantes da curva ideal do que um ltro pior, se forem
analisados ponto-a-ponto.
Isto torna clara a necessidade de uma nova forma de medir a quali-
dade das solues candidatas. Esta nova funo de tness deve avaliar a
conformidade da soluo s especicaes e, se possvel, levar o algoritmo
a buscar solues com caractersticas desejveis, como por exemplo a m-
xima planicidade da banda de passagem (minimizao do ripple ). Porm,
ela deve priorizar o atendimento das especicaes sobre a otimizao des-
tas caractersticas, pois de nada adianta um ltro que tenha uma uma
banda de passagem extremamente plana e baixa atenuao na banda de
rejeio, por exemplo. Este balano pode ser obtido com pesos para cada
fator a ser considerado, mas importante que tais pesos tenham valores
que levem obteno de bons resultados com qualquer tipo de ltro. No
10
RespostaAlvo
Resposta obtida
0
10
Magnitude (dB)
20
30
40
50
60
0 0.2 0.4 0.6 0.8 1
Freqncia Normalizada( rad/amostra)
Figura 2. Exemplo 2 de curva-alvo e resposta obtida.
desejvel criar mais parmetros para que o usurio tenha que ajustar a
funo de tness para cada ltro que for projetar.
2.4 Computao evolucionria

Computao Evolucionria uma rea da Inteligncia Computacional des-
tinada resoluo de problemas de otimizao atravs do uso de processos
iterativos. A cada iterao novos indivduos so gerados a partir de indi-
vduos das iteraes anteriores segundo uma meta-heurstica, encontrando
solues aproximadas potencialmente boas para um problema em especial.
Estas meta-heursticas so inspiradas em alguns fenmenos naturais, como
por exemplo mecanismos biolgicos.
Os principais algoritmos evolucionrios (ou evolutivos) que se encaixam
nestas meta-heursticas so os Algoritmos Genticos (AG), a Programao
Gentica (GP), a Otimizao por Colnia de Formigas (ACO) e a Otimiza-
o por Enxame de Partculas (PSO), estas trs ltimas sub-agrupadas no
que se conhece como Inteligncia de Enxames (Swarm Intelligence ). Tam-
bm h outras meta-heursticas inspiradas em outros fenmenos, como o
caso da Busca Harmnica (HS) e que so tambm includas na rea de In-
teligncia Computacional. Particularmente, neste trabalho sero utilizadas
as tcnicas AG, PSO e HS para o projeto de ltros digitais FIR.
O Algoritmo Gentico, proposto por Holland (1975) e popularizado por
Goldberg (1989), uma meta-heurstica que combina conceitos de gen-
114 Oliveira et al.
tica com as idias evolutivas de Charles Darwin. Cada soluo potencial

representa um indivduo de uma populao, e estas solues so capazes
de evoluir atravs de processos de cruzamento e mutao. Estes indivduos
se recombinam gerando novos indivduos em uma nova gerao da popu-
lao. Em alguns casos um ou mais dos melhores indivduos so mantidos
na gerao seguinte, o que conhecido como elitismo. Num AG cannico,
a evoluo controlada pelos parmetros popsize (tamanho da popula-
o), pcross (probabilidade de cruzamento), pmutation (probabilidade de
mutao).
A Otimizao por Enxames de Partculas (PSO) foi proposta por Ken-
nedy & Eberhart (1995) e inspirada no comportamento coletivo de bandos
de pssaros e cardumes de peixes. No PSO, cada soluo potencial de-
nominada partcula. Elas se movem no espao de busca de acordo com
equaes simples, sendo que as partculas com melhores solues guiam
as demais no espao de busca. O movimento de cada partcula determi-
nado pela sua posio atual, acrescido de um pequeno movimento aleatrio
e uma velocidade. Os parmetros que inuenciam o seu comportamento
so: m (nmero de partculas do enxame), w (ponderao de inrcia), c1
(parmetro cognitivo) e c2 (parmetro social).
A Busca Harmnica (Geem et al., 2001) inspirada no processo de
composio de msicos de jazz, na busca de uma harmonia esteticamente
agradvel. Diferentemente do AG e do PSO, a cada iterao apenas uma
nova harmonia gerada. Existe uma memria das melhores harmonias
geradas, se a nova harmonia for melhor que a pior da memria, esta
substituida pela nova harmonia. A nova harmonia composta por par-
tes de diversas outras harmonias gravadas na memria, sendo que estas
partes podem ser idnticas s das harmonias originais ou podem sofrer pe-
quenas modicaes. A forma como estas novas harmonias so compostas
depende da congurao de alguns parmetros: HM S (tamanho da me-
mria harmnica), HM CR (taxa de considerao de um valor existente
na memria harmnica), P AR (taxa de ajuste no no valor recuperado da
memria harmnica).
3. Metodologia
3.1 Clculo do fitness
Como explicado na Seo 2.3, o clculo do tness de um ltro pela aborda-
gem do MSE em relao a uma curva-alvo no satisfatrio. Por isto, neste
trabalho prope-se uma nova abordagem, que avalia de forma quantitativa
o atendimento ou no s especicaes fornecidas pelo projetista.
Para calcular a qualidade do ltro, necessrio primeiramente calcular
a resposta em frequncia do mesmo. Esta resposta obtida atravs da
transformada discreta de Fourier (DFT) dos coecientes do ltro. Porm,
como a transformada de um vetor de N posies outro vetor de N posi-

es, representando frequncias igualmente distribudas entre 0 e F s (onde
F s a frequncia de amostragem), essa operao fornecer uma resposta
com resoluo to baixa quanto o nmero de coecientes do ltro. Como
explicado na Seo 2.1, os coecientes de um ltro representam a sua res-
posta ao impulso. Como ela nita, isso quer dizer que aps N amostras,
a sada ser sempre nula. Ou seja, um vetor de N + Y posies, onde os N
primeiros valores so os coecientes do ltro, e as ltimas Y posies so
zeros, tambm representa a resposta ao impulso do ltro. Porm, a DFT
deste vetor ter N + Y posies tambm igualmente distribudas entre 0
e F s. Com esta tcnica, chamada de zero padding, possivel aumentar a
resoluo da resposta em frequncia calculada, permitindo uma avaliao
do ltro muito mais acurada.
Como apenas a magnitude da resposta em frequncia interessante
para este trabalho, calculado o mdulo de cada elemento deste vetor.
Alm disto, metade dos elementos descartada. Isso ocorre por que a
resposta em frequncia simtrica em relao a F2s , ou seja, apenas a
primeira metade da resposta necessria para efetuar os clculos. No
somente isto, mas o critrio de Nyquist (Lathi, 1998) diz que no se pode
utilizar sinais com componentes em frequncia acima de F2s . Logo, apenas
a metade inferior da resposta da DFT relevante.
Portanto, o vetor de resposta utilizada para avaliar o ltro obtido
conforme a Equao 2, que o mdulo do vetor resultante da DFT dos
coecientes do ltro com k = N + Y elementos.
~ = |F{[~
X x 01 02 ... 0kN ]}| (2)
onde X ~ o vetor de resposta do ltro, F a transformada de Fourier, ~ x
o vetor de coecientes do ltro, N o nmero de coecientes, e k o
nmero de elementos da transformada de Fourier (isto , N adicionado de
k N zeros). Os primeiros k2 elementos de X ~ so ento transformados no
vetor ~r, que ser utilizado para os clculos.
De posse do vetor de resposta ~r, separa-se este vetor em rrej~ e rpas
~ ,
respectivamente, a resposta na banda de rejeio e a resposta na banda de
passagem. Desta forma mais simples fazer a avaliao da qualidade do
ltro, pois o requisito o mesmo para a banda inteira.
Tendo em mos as respostas nas bandas especicadas, pode-se calcular
o tness deste ltro, composto por quatro termos a serem otimizados,
conforme a Equao 3.
1
f it(~x) =
1 + p1 specRej + p2 specP as + p3 idealRej + p4 idealP as
(3)
116 Oliveira et al.
onde f it(~x) o valor de tness do vetor ~x de coecientes do ltro a ser

avaliado, specRej o termo que diz respeito obedincia da banda de re-
jeio s especicaes, specP as se relaciona com o atendimento da banda
de passagem, idealRej e idealP as dizem o quo prxima se est da res-
posta ideal cada banda, e p1 a p4 so os pesos de cada um dos termos na
equao.
Para calcular o valor de specRej , utilizada a Equao 4.
Pk 2
i=1 [max(gM axRej, rrej (i)) gM axRej]
specRej = (4)
largRej
onde k o nmero de elementos do vetor rrej , gM axRej o mximo ganho
permitido na banda de rejeio, e largRej a largura em quantidade de
amostras da banda de rejeio. Este modo de calcular o erro na banda de
rejeio similar ao MSE, mas apenas considera os elementos da resposta
que tenham ganho acima do permitido. Ou seja, mesmo que esta resposta
na banda de rejeio varie com um ripple muito elevado, ele ter erro zero
se este ripple estiver sempre abaixo do mximo. Desta forma, este termo
mede de forma ecaz a obedincia do ltro especicao da banda de
rejeio. A diviso pela largura da banda visa uma certa normalizao do
erro por banda. Isso necessrio pois como as bandas de um ltro tm
larguras diferentes, um erro grande na banda mais estreita geraria um erro
numericamente inferior a um erro pequeno na banda mais larga.
De forma similar, o termo specP as calculado segundo a Equao 5.
Pk
i=1 [[min(gM inP as, rpas (i)) gM inP as]2 + [max(1, rpas (i)) 1]2 ]
specP as =
largP as
(5)
onde k o nmero de elementos do vetor rpas , largP as a largura da
banda de passagem em nmero de amostras, e gM inP as o mnimo ganho
permitido na banda de passagem, que tambm pode ser interpretado como
o mximo ripple permitido, j que, por denio, o ganho mximo 1. Este
termo ento calcula o erro quadrtico em relao faixa de ganho permitida
na banda de passagem. Portanto, o ganho pode estar em qualquer ponto
entre 1 e gM inP as, e ter erro zero. Desta forma, apenas ganhos que
desobedecerem a especicao da banda de passagem geraro erro.
Se os termos specPas e specRej avaliam a conformidade do ltro s
especicaes, os outros fornecem uma medida de qualidade do ltro no
sentido de proximidade com a resposta ideal. Eles so desejveis pois os
termos spec no diferenciam entre ltros que obedeam s especicaes,
sendo que uma boa funo de tness deve levar o algoritmo a buscar um
ltro com a melhor resposta possvel. As Equaes 6 e 7 mostram como
estes termos so calculados.
Pk
[1 rpas (i)]2
idealP as = i=1
(6)
largP as
Pk
[rrej (i)]2
idealRej = i=1
(7)
largRej
Estas equaes so mais simples pois um ltro ideal tem um valor
xo para o ganho em cada banda, em vez de uma faixa de valores que
a especicao supe. A consequncia de ter estes dois termos a mais na
equao do tness que jamais existir um ltro com tness igual a 1, pois
para isso os 4 termos da equao precisariam ser iguais a zero. Enquanto os
termos spec* podem e devem chegar a zero ao nal da evoluo, os termos
ideal* jamais atingiro este valor, j que apenas um ltro ideal teria tal
caracterstica.
3.2 Experimentos
Para avaliar a metodologia proposta para clculo do tness e comparar
os mtodos de computao evolucionria, foram utilizados quarto ltros
digitais diferentes: um passa-baixas (PB), um passa-altas (PA), um passa-
faixa (PF) e um rejeita-faixa (RF). Os resultados foram comparados com
o mtodo tradicional de Parks-McClellan, que garante um ripple constante
nas bandas (McClellan & Parks, 1973). Este mtodo foi escolhido em vez
de um que utilize janelamento, porque permite a especicao de cada
banda, enquanto que por funo-janela s possvel escolher a frequncia
de corte.
Cada ltro a ser projetado dever ter pelo menos 40dB de atenuao na
banda de rejeio, e no mximo 1dB de ripple na banda de passagem. As
frequncias que delimitam cada banda em cada ltro, assim como a ordem
de cada um, esto na Tabela 1. As frequncias esto normalizadas em
relao a F2s , como comum no projeto de ltros. A coluna Ordem mostra
a ordem necessria para atingir as especicaes com o mtodo Parks-
McClellan, seguida da ordem de fato utilizada nos experimentos. Ou seja,
alguns destes ltros tm ordem menor do que a necessria, tornando o
problema muito mais difcil, pois matematicamente impossvel atingir a
especicao.
Tabela 1. Frequncias caractersticas dos ltros de teste.

B. Passagem 1 B. Passagem 2 B. Rejeio 1 B. Rejeio 2
Filtro Ordem 1 2 1 2 1 2 1 2
PB 71 / 53 0.00 0.80 - - 0.84 1.00 - -
PA 76 / 54 0.74 1.00 - - 0.00 0.70 - -
PF 28 / 40 0.47 0.53 - - 0.00 0.37 0.63 1.00
RF 60 / 104 0.00 0.27 0.40 1.00 0.32 0.35 - -
118 Oliveira et al.
Para uma DFT de 512 amostras, como utilizado neste trabalho, um

= 1, 00 equivale amostra de ndice 256. Para acelerar os clculos, as
bandas foram delimitadas na implementao atravs de ndices, evitando
a repetio do clculo de arredondamento. Os ndices utilizados esto na
Tabela 2. Eles foram calculados multiplicando-se a frequncia normalizada
w pelo nmero de amostras consideradas no clculo (256). O arredonda-
mento foi feito de forma que a banda especicada estivesse sempre con-
tida na banda efetivamente considerada pelos ndices. Isto foi realizado
arredondando-se para baixo os ndices correspondentes s frequncias ini-
ciais de cada banda, e arredondando-se para cima os ndices equivalentes
s frequncias nais.
Tabela 2. ndices caractersticos dos ltros de teste.

B. Passagem 1 B. Passagem 2 B. Rejeio 1 B. Rejeio 2
Filtro i1 i2 i1 i2 i1 i2 i1 i2
PB 1 205 - - 209 256 - -
PA 1 179 - - 190 256 - -
PF 119 136 - - 1 96 160 256
RF 1 69 102 256 81 90 - -
Cada experimento foi executado 20 vezes com cada algoritmo evolu-

cionrio objetivando avaliar o desempenho mdio. Em cada algoritmo, o
tamanho da populao foi 200, com 1000 iteraes, limitando, assim, o
nmero de execues da funo de tness em 200.000. Foram utilizados os
valores padro de parmetros para cada um, conforme a literatura. Para
o PSO, cg = 1.8, cl = 1.8, w = 0.6 e vmax = 0.005. Para o AG, a probabi-
lidade de mutao foi 1%, e a taxa de crossover 70%. E no HS, os valores
foram HM CR = 90%, P AR = 5% e HM S = 20.
Aps a inicializao dos indivduos em cada mtodo, foi realizada uma
normalizao em funo do maior ganho de cada ltro, garantindo, assim,
que todos os indivduos representassem ltros cuja resposta se situasse
entre 0 e 1, ou seja, entre dB e 0 dB. Esta operao foi realizada
calculando-se a resposta do ltro com a DFT, procurando o maior ganho
no vetor resposta, e dividindo todos os coecientes por esse valor. Isso
possivel pois uma das propriedades da transformada de Fourier a line-
aridade, ou seja, possvel multiplicar um sinal por uma constante tanto
no domnio do tempo quanto no domnio da frequncia, obtendo o mesmo
resultado.
4. Resultados e Discusso
Nesta seo, os resultados obtidos pelos trs algoritmos so apresentados
e comparados com o ltro calculado por Parks-McClellan. Em cada gura
a seguir, os pontos marcados so as frequncias que limitam cada banda.
4.1 Comparao entre Parks-McClellan e PSO

Por razes que sero apresentadas na Seo 5, o algoritmo PSO alcanou
os melhores resultados entre os mtodos evolucionrios testados. Por isso,
a ecincia da funo de tness foi comparada ao mtodo Parks-McClellan
utilizando os resultados do PSO. Cada ltro foi calculado 5 vezes utilizando
o PSO, sendo escolhido o melhor resultado para a comparao. No ltro
PB, mostrado nas Figuras 3 e 4, a ondulao na banda de passagem
foi similar, mas o desempenho prximo das frequncias delimitadoras de
banda no. O Parks-McClellan privilegiou a banda de passagem, fazendo
com que a banda de rejeio comeasse ainda com um ganho prximo de
-3dB. O ltro obtido pelo PSO iniciou a queda um pouco antes, cando
um um ganho prximo de -7dB no nal da banda de passagem, mantendo
a banda de rejeio inteira abaixo de -20dB.
10
10
20
Av [dB]
30
40
50
60
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 3. Resposta do ltro PB obtido pelo mtodo Parks-McClellan.
No ltro PA, mostrado nas Figura 5 e 6, a ondulao na banda de

passagem foi similar, mas o desempenho prximo das frequncias delimita-
doras de banda no. O Parks-McClellan privilegiou a banda de passagem,
fazendo com que a banda de rejeio comeasse ainda com um ganho pr-
ximo de -3dB. O ltro obtido pelo PSO iniciou a queda um pouco antes,
cando um um ganho prximo de -7dB no nal da banda de passagem,
mantendo a banda de rejeio inteira abaixo de -20dB.
Para o ltro PF, o resultado obtido por ambas as abordagens, PSO
e Parks-McClellan, foi satisfatrio, com ligeira vantagem para o mtodo
evolucionrio. A Figura 7 mostra que no incio da segunda banda de rejei-
120 Oliveira et al.
10
10
20
Av [dB]
30
40
50
60
70
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 4. Resposta do ltro PB obtido pelo algoritmo PSO.
10
10
20
Av [dB]
30
40
50
60
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 5. Resposta do ltro PA obtido pelo mtodo Parks-McClellan.
o, o ganho ainda alto, enquanto o ltro obtido pelo PSO tem as duas
bandas de rejeio abaixo de -40dB, como exibido na Figura 8 .
No ltro RF, a ondulao na banda de passagem foi praticamente elimi-
nada pelo Parks-McClellan (Figura 9), enquanto o ltro obtido pelo PSO
10
10
20
Av [dB]
30
40
50
60
70
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 6. Resposta do ltro PA obtido pelo algoritmo PSO.
10
10
20
Av [dB]
30
40
50
60
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 7. Resposta do ltro PF obtido pelo mtodo Parks-McClellan.
(Figura 10) no conseguiu um bom resultado neste quesito. Em compen-

sao, sua banda de rejeio est inteira abaixo de -40dB, enquanto que
no Parks-McClellan ela inicia prxima de -23dB.
122 Oliveira et al.
10
10
20
30
Av [dB]
40
50
60
70
80
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 8. Resposta do ltro PF obtido pelo algoritmo PSO.
10
10
20
Av [dB]
30
40
50
60
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 9. Resposta do ltro RF obtido pelo mtodo Parks-McClellan.
4.2 Comparao entre mtodos evolucionrios

O objetivo desta comparao avaliar qual dos algoritmos evolucionrios
obtm melhores resultados para o projeto de ltros FIR coma funo de
tness proposta.
10
10
20
Av [dB]
30
40
50
60
0 0.2 0.4 0.6 0.8 1
/ [rad/s]
Figura 10. Resposta do ltro RF obtido pelo algoritmo PSO.
Os resultados numricos para os trs algoritmos nos quatro ltros so

mostrados na Tabela 3. So mostrados os resultados mdios e o melhor
alcanado por cada um. A tabela mostra que o PSO foi o algoritmo que
obteve os melhores resultados para todos os ltros. Assim, em comple-
mento tabela, as Figuras 11, 12, 13 e 14 mostram as curvas de resposta
em frequncia do melhor ltro obtido pelo PSO e dos correspondentes com
o mtodo Parks-McClellan.
Tabela 3. Fitness obtidos em 20 rodadas.

AG HS PSO
Filtro Med Max Med Max Med Max
PB 0.8541 0.0309 0.8952 0.8705 0.0504 0.9363 0.9526 0.0044 0.9569
PA 0.8640 0.0096 0.8324 0.8736 0.0081 0.8792 0.9954 0.0020 0.9981
PF 0.9537 0.0270 0.9873 0.9982 0.0015 0.9996 0.9990 0.0005 0.9996
RF 0.8179 0.0371 0.8857 0.9327 0.0134 0.9546 0.9896 0.0035 0.9950
5. Concluses
Neste trabalho foi proposta uma nova abordagem para o clculo de tness
de ltros digitais com mtodos de computao evolucionria. Esta abor-
dagem avalia a conformidade do ltro s especicaes em vez de buscar
igualar uma curva-alvo. Os resultados obtidos se mostraram melhores do
124 Oliveira et al.
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Gerao/Iterao
Figura 11. Evoluo mdia do ltro PB.
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Gerao/Iterao
Figura 12. Evoluo mdia do ltro PA.
que os fornecidos pelo mtodo Parks-McClellan, embora a ondulao na

banda de passagem tenha sido pior em alguns casos.
Esta nova funo de tness composta por 4 termos, que neste trabalho
foram combinadas atravs de uma soma ponderada. Futuros trabalhos
trataro do uso de tcnicas multiobjetivo em vez desta soma, que exige a
atribuio de pesos para cada termo.
Dentre os mtodos evolucionrios testados, o PSO foi o que obteve con-
sistentemente os melhores resultados. Isto foi vericado na mdia, no m-
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Gerao/Iterao
Figura 13. Evoluo mdia do ltro PF.
0.9
0.8
0.7
Melhor Fitness
0.6
PSO
0.5 HS
AG
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Gerao/Iterao
Figura 14. Evoluo mdia do ltro RF.
ximo encontrado, e na repetibilidade do desempenho, avaliado pelo desvio-

padro. muito importante observar que nenhum esforo foi feito para
ajustar os parmetros dos algoritmos testados e sabe-se que parmetros
diferentes podem levar a desempenhos diferentes para o mesmo problema.
mostrado na Seo 4.2 que um dos diferenciais do PSO foi a convergncia
mais lenta, o que costuma levar a resultados melhores em algoritmos de
computao evolucionria. Como a velocidade de convergncia facilmente
afetada pelos parmetros dos algoritmos, possvel que com outras con-
126 Oliveira et al.
guraes estes possam obter resultados mais similares entre si ou ainda

melhores dos que so aqui reportados. Esta questo ser estudada em
trabalhos futuros.
necessrio ressaltar que a abordagem proposta no leva em conta a
resposta em fase do ltro. Muitas aplicaes demandam atraso de grupo
constante, ou seja, fase linear na banda de passagem. possvel provar que
qualquer ltro com essa caracterstica segue um de 4 possiveis conjuntos
de caractersticas, cada grupo chamado na literatura por I, II, III ou IV
(Oppenheim & Schafer, 1975). Dentre estes conjuntos de caractersticas,
todos eles compartilham a simetria ou anti-simetria dos coecientes, ou
seja, a segunda metade igual primeira, com o mesmo sinal ou com sinal
trocado. Por isto, um ltro com a restrio da fase linear a ser otimizado
com N coecientes ter apenas N2 variveis passveis de controle, pois a
outra metade diretamente relacionada primeira. Desta forma ocorre
uma reduo do espao de busca, uma vez que o nmero de variveis cai
metade. Esta reduo em geral deixa o problema mais fcil de ser resolvido
por mtodos de computao evolucionria. Isto sugere fortemente que a
funo de tness proposta tambm seja capaz de obter bons resultados
nesta sub-classe de ltros. Este tambm ser assunto de futuros trabalhos.
Agradecimentos
Os autores agradecem ao CNPq pela bolsa de produtividade em pesquisa
a H.S. Lopes, UDESC e ao programa FUMDES pela bolsa de doutorado
a R.S. Parpinelli, bem como CAPES pelas bolsas de mestrado (demanda
social) a D.R. Oliveira, M.H. Scalabrin e F.R. Teodoro.
Referncias
Ahmed, S., Design of FIR lters with arbitrary amplitude and phase spe-
cications using genetic algorithm. In: Proceedings of IEEE Interna-
tional Symposium on Micro-NanoMechatronics and Human Science.
Piscataway, USA: IEEE, v. 2, p. 648651, 2003.
Barros, A., Projeto de Filtros FIR Atravs de Algoritmos Genticos. Disser-
tao de mestrado, Programa de Ps-graduao em Engenharia Eltria
e Informtica Industrial, Universidade Tecnolgica Federal do Paran,
2006. 127 p.
Barros, A.; Lopes, H. & Stelle, A., FIR lter design method and tool
based on genetic algorithms. In: Proceedings of the 1st IEEE Sympo-
sium on Computational Intelligence in Image and Signal Processing.
Piscataway, USA: IEEE Computer Society, v. 1, p. 151156, 2007.
Diniz, P.; da Silva, E. & Netto, S., Processamento Digital de Sinais
Projeto e Anlise de Sistemas. Porto Alegre, RS: Artmed, 2004. 590
p.
Geem, Z.; Kim, J. & Loganathan, G., A new heuristic optimization algo-
rithm: Harmony search. Simulation, 76(2):6068, 2001.
Goldberg, D., Genetic Algorithms in Search, Optimization and Machine
Learning. Reading, USA: Addison-Wesley, 1989.
Hamming, R., Digital Filters. 3a edio. Mineola, NY: Dover Publications,
1997.
Holland, J., Adaptation in Natural and Articial Systems. University of
Michigan Press, 1975.
Huang, W.P.; Zhou, L.F. & Qian, J.X., FIR lter design: Frequency sam-
pling lters by particle swarm optimization algorithm. In: Proceedings
of the 3rd International Conference on Machine Learning and Cyber-
netics. v. 4, p. 23222327, 2004.
Kennedy, J. & Eberhart, R., Particle swarm optimization. In: Proceedings
of IEEE International Conference on Neural Networks. IEEE, v. 4, p.
19421948, 1995.
Kennedy, J. & Eberhart, R., Swarm Intelligence. San Francisco, USA:
Morgan Kaufmann, 2001.
Lathi, B., Modern Digital and Analog Communication. 3a edio. New
York, USA: Oxford University Press, 1998.
McClellan, J. & Parks, T., A unied approach to the design of optimum
FIR linear phase lters. IEEE Transactions on Circuit Theory, 1:190
196, 1973.
Najjarzadeh, M. & Ayatollahi, A., A comparison between genetic algorithm
and PSO for linear phase FIR digital lter design. In: Proceedings
of 9th International Conference on Signal Processing. IEEE, v. 4, p.
21342137, 2008.
Oppenheim, A. & Schafer, R., Digital Signal Processing. Prentice-Hall,
1975. 585 p.
Oppenheim, A. & Schafer, R., Discrete-Time Signal Processing. 2a edio.
Prentice-Hall, 1999. 870 p.
Williams, A. & Taylors, F., Electronic Filter Design Handbook. 3a edio.
Zhang, J.; Jia, D. & Li, K., FIR digital lters design based on chaotic
mutation particle swarm optimization. In: Proceedings of the Interna-
tional Conference on Audio, Language and Image Processing. v. 1, p.
418422, 2008.
128 Oliveira et al.
Notas Biogrficas
Daniel Rossato de Oliveira graduado em Engenharia Eltrica pela Univer-
sidade Tecnolgica Federal do Paran/Curitiba (UTFPR, 2009) e atualmente
mestrando na rea de Engenharia de Computao na mesma universidade, alm
de ser professor substituto do Departamento de Eletrnica da UTFPR/Curitiba.
Marlon Henrique Scalabrin formado em Engenharia da Computao

pela Universidade Estadual de Ponta Grossa UEPG (2008); Especialista em
Tecnologia Java pela UTFPR/Pato Branco (2009) e atualmente mestrando na
rea Engenharia Eltrica e Informtica na UTFPR/Curitiba.
Fbio Roberto Teodoro graduado em Cincia da Computao

(UDESC/Joinville, 2008) e atualmente mestrando em Informtica na
UTFPR/Curitiba.
Rafael Stubs Parpinelli graduado em Cincia da Computao pela Univer-

sidade Estadual de Maring (2000) e tem mestrado em Informtica Industrial
(UTFPR, 2001). Atualmente faz parte do Laboratrio de Bioinformtica
da UTFPR como aluno de doutorado. Ele tambm professor efetivo da
UDESC/Joinville no Departamento de Cincia da Computao. Suas principais
reas de interesse so bioinformtica e todas as formas de algoritmos bioinspira-
dos para otimizao.
Heitor Silvrio Lopes graduado em Engenharia Eltrica (UTFPR/Curitiba,

1984) e tem mestrado em Engenharia Biomdica (UTFPR/Curitiba, 1990) e dou-
torado em Engenharia Eltrica (UFSC/Florianpolis, 1996). Atualmente pro-
fessor associado do Departamento de Eletrnica da UTFPR e orientou cerca de
35 dissertaes e teses. Suas reas de interesse so: computao evolucionria,
bioinformtica, computao de alto desempenho e lgica recongurvel.
Captulo 7
Caracterizao e Otimizao de Cmaras Reverberantes

para Testes de Compatibilidade Eletromagntica
Srgio L. Avila, Djonny Weinzierl,

Mrio A. Santos Jr., Luiz Lebensztajn,
Carlos A.F. Sartori, Jos R. Cardoso, Laurent Krhenbhl
Resumo: A crescente preocupao com a qualidade dos equipa-

mentos eletrnicos fomenta esforos para o desenvolvimento de me-
todologias e equipamentos de testes para anlise de compatibili-
dade eletromagntica (CEM). Atualmente, cmaras reverberantes
so foco de estudos como ambiente propcio para estes ensaios. Este
artigo prope um processo de caracterizao e otimizao de uma
cmara reverberante excitada a partir de um arranjo de conduto-
res. Foram utilizados os Algoritmos Genticos para, primeiramente,
com um procedimento multiobjetivo, entender o comportamento da
cmara e, em segundo lugar, com um procedimento mono-objetivo,
otimiz-la. Alm de resultados expressivos, mostrada a contri-
buio deste trabalho na busca pelo desenvolvimento cientco de
cmaras reverberantes.
Palavras-chave: Caracterizao, Otimizao, Algoritmos genti-

cos, Compatibilidade eletromagntica.
Abstract: The growing concern about the electronic equipment cer-

tication has fueled eorts to develop methodologies and test equip-
ments for electromagnetic compatibility (EMC) analysis. Nowa-
days, reverberation chambers are the focus of research on the de-
velopment of EMC test equipments. This paper proposes a cha-
racterization and optimization procedure to analyze a reverberation
chamber excited by transmission lines. We have used multi and
mono-objective evolutionary computation (namely, Genetic Algo-
rithms) procedures in order to understand the chamber behavior and
optimize it, respectively. Expressive results were obtained, showing
a contribution to the analysis of reverberation chambers.
Keywords: Characterization, Optimization, Genetic algorithms,
Electromagnetic compatibility.
Autor para contato: Sergio.Avila@ifsc.edu.br

Lopes & Takahashi (Eds.), Computao Evolucionria para Problema de Engenharia (2011) ISBN 978-85-64619-00-5
130 Avila et al.
1. Introduo
Devido constante preocupao em atender as exigncias normativas
quanto aos produtos comercializados no Brasil e no exterior (ANATEL,
2000; IEC, 2003), novas tcnicas de medio relacionadas aos testes de
Compatibilidade Eletromagntica (CEM) requerem a ateno de Univer-
sidades e Institutos de Pesquisa em todo o mundo. Contudo, o alto custo
envolvido no desenvolvimento de tais tcnicas pode se apresentar como
uma barreira econmica. No intuito de se buscar alternativas menos one-
rosas, inmeros estudos vm sendo empreendidos nos meios acadmico e
industrial, dentre os quais se destacam o desenvolvimento de cmaras re-
verberantes de modos misturados (IEC, 2003).
O modelo cannico da cmara reverberante constitui um ambiente blin-
dado, cujos modos de propagao transversal-eltrico (TE) e transversal-
magntico (TM) so misturados em seu interior por um ou mais arranjos
de ps metlicas girantes. Este processo visa obter um campo eletromag-
ntico estatisticamente uniforme, cujo campo eltrico avaliado com base
no desvio padro das componentes deste campo. Vrias propostas so ana-
lisadas pela comunidade cientca com o intuito de se resolver o problema
apresentado. Dentro deste contexto, estudos vm sendo desenvolvidos pelo
grupo de pesquisadores autores do presente artigo, que busca analisar a
excitao de cmaras reverberantes de modos misturados realizada por ar-
ranjos de condutores, em substituio s ps anteriormente referidas. Os
condutores representam uma grande vantagem como mtodo de excitao,
pois o espao por eles requerido menor em relao ao modelo cannico,
onde ps suspensas localizadas na parede superior da cmara ocupam um
volume considervel. Assim, se comparadas s convencionais, as dimenses
da cmara podem ser reduzidas, o que torna sua construo economica-
mente vivel e melhor aplicvel a equipamentos de pequeno porte.
A proposta do presente artigo diz respeito caracterizao e oti-
mizao de uma cmara reverberante excitada por condutores, conforme
ilustrado na Figura 1. O objetivo principal conhecer o comportamento
dos campos dentro da cmara, o que permite a determinao e maximi-
zao do volume de trabalho til. Para clareza de entendimento, seguem
duas denies, de acordo com as acepes utilizadas neste trabalho:
Caracterizao: compreender o compromisso entre o tamanho

do volume de trabalho disponvel dentro da cmara e a homogenei-
dade do campo dentro deste volume isto feito com a busca pela
fronteira Pareto;
Otimizao: , por exemplo, encontrar as posies geomtricas dos

condutores, bem como a forma mais adequada de excit-los (frequn-
cias, amplitudes, defasagens e formas de onda), com o objetivo de
obter a melhor cmara reverberante possvel (segundo requisitos de-
terminados por normas).
Caracterizao e Otimizao de Cmaras Reverberantes 131
Figura 1. Cmara reverberante excitada com condutores. (esquerda)

Geometria da cmara reverberante. (direita) Distribuio tpica do campo
eltrico.
Tanto para a caracterizao quanto para a otimizao, utilizaram-se

ferramentas de computao evolucionria, os Algoritmos Genticos mono-
objetivo (AG) e multi-objetivo (AGMO) (Avila, 2006). A escolha destas
ferramentas foi em funo das caractersticas do problema a ser resolvido.
Isto est descrito na Seo 2, aps a apresentao do problema, sua for-
mulao matemtica e todos os seus detalhes.
Apresenta-se aqui uma compilao dos trabalhos j publicados pelo
grupo de autores (Weinzierl et al., 2008; Avila et al., 2009; Santos Jr. et al.,
2010) e os ltimos avanos atingidos. Os resultados obtidos pelo esforo da
equipe resultaram na melhoria da compreenso deste tipo de cmara para
testes de compatibilidade.
Esta seo apresenta a fundamentao terica deste trabalho. So reporta-
dos o entendimento fsico e a formulao matemtica de cmaras reverbe-
rantes de modos misturados cannicas e do modelo no convencional. Em
seguida, so apresentados os detalhes sobre a caracterizao do modelo
no convencional e sua necessidade de otimizao. Por m, conhecendo-
se o problema, parte-se para a justicativa de utilizao da computao
evolucionria, em especco os algoritmos genticos, para a sua resoluo.
2.1 Entendimento fsico e formulao matemtica do problema

A cmara reverberante de modos misturados cannica se destaca por ofe-
recer uma alternativa economicamente vivel aos testes de CEM de equipa-
mentos de mdio e grande portes (Weinzierl, 2004; Santos Jr., 2009). Tais
dispositivos consistem em ambientes isolados do meio exterior, destacando-
se por utilizarem o princpio fsico das cavidades ressonantes. Tal carac-
132 Avila et al.
terstica dispensa a utilizao de absorvedores de Rdio-Frequncia (RF),

e.g. em cmaras anecicas, cuja tcnica permite que o campo eltrico no
interior da cmara se mantenha uniforme e cujos investimentos tornam o
projeto menos atraente do ponto de vista econmico. A caracterizao
do fenmeno ondulatrio no interior de cmaras reverberantes de modos
misturados se d atravs de uma combinao adequada das equaes de
Maxwell e suas condies de contorno. Para uma cmara retangular de
dimenses denidas, os nicos campos que podem ser encontrados em seu
interior so os modos TEmnp e TMmnp. Estes estabelecem a nica solu-
o s condies de contorno do problema, cujos valores do campo eltrico
tangencial nas paredes da cmara so nulos. Diversos modos de propa-
gao podem ser obtidos, compreendendo a cada modo uma frequncia
de ressonncia determinada pelas dimenses fsicas da cmara. A menor
frequncia de ressonncia denominada de fundamental, de maneira que se
a frequncia de excitao for maior que a frequncia fundamental, o modo
correspondente ser propagado sem atenuao. Caso contrrio, a energia
se atenuar exponencialmente com a distncia, tendo um valor extrema-
mente baixo a uma distncia muito curta, isto , h na cmara um modo
evanescente.
A excitao de uma cmara de modos misturados cannica se d atra-
vs de uma antena disposta em seu interior, resultando em um campo
varivel denido pelas reexes das paredes da cmara. Desta forma, nos
locais onde as reexes se somam em fase, o campo mximo. Em outros
pontos da cmara, onde as reexes encontram-se defasadas, valores mni-
mos ocorrem. De forma a uniformizar os campos, encontram-se dispostas
no teto da cmara estruturas de ps metlicas girantes, que, ao mudarem
de posio em relao ao seu eixo de rotao, modicam as dimenses da
cmara, experimentando campos que ressoam em vrias frequncias. Esta
tcnica permite que elevadas intensidades de campo sejam geradas no in-
terior da cmara devido ao aumento da amplitude dos campos quando
propagados nas frequncias de ressonncia. Do ponto de vista terico, no
h um limite mximo para sua frequncia de operao. Porm, a frequncia
mnima deve ser estabelecida levando-se em conta algumas consideraes
de ordem prtica, como as dimenses da cmara e um nmero mnimo de
modos ressonantes, por exemplo. A frequncia mnima de operao esta-
belecida a partir de um valor cujos modos possam se propagar no interior
da cmara, sendo estes obtidos atravs da Equao 1:
r "r #
1 m 2 n 2 p 2
fmnp = + + (1)
0 0 a b c
onde fmnp a frequncia para o modo ressonante, em Hz; a, b e c so

as dimenses da cmara, em metros, e m, n e p so nmeros inteiros que
denem o modo da frequncia de ressonncia. A menor frequncia de res-

sonncia denominada de fundamental. Para a<b<c , m = 0, n = 1 e
p = 1, por exemplo, o modo T E011 corresponde frequncia fundamental.
Abaixo desta os modos se tornam evanescentes, limitando a operao da
cmara s frequncias encontradas acima da frequncia fundamental. Pes-
quisas vm sendo empreendidas no intuito de se estender a operao das
cmaras reverberantes de modos misturados s baixas frequncias (Wein-
zierl, 2004; Santos Jr., 2009). Obtm-se um maior nmero de modos para
uma determinada frequncia de excitao quando as dimenses das trs
paredes da cmara so distintas, evitando-se, assim, que modos degenera-
tivos possam aparecer. Tanto a densidade dos modos propagados quanto
ecincia das ps girantes determinam a menor frequncia de operao da
cmara, que denida para as condies em que a cmara esteja em con-
formidade com as exigncias estabelecidas por normas especcas. Outros
fatores que inuenciam na adoo da menor frequncia de operao da c-
mara so suas dimenses, bem como seu fator de qualidade. A Equao 2
dene o fator de qualidade de uma cmara:
16 2 V
Q= FC (2)
tx rx 3
onde Q o fator de qualidade da cmara; tx e rx so os fatores de

efetividade das antenas transmissora e receptora, respectivamente; V o
3
volume da cmara, em m ; o comprimento da onda para a frequncia de
excitao, em metros, e FC o fator de calibrao da cmara. De acordo
com a norma IEC 61000-4-21 (IEC, 2003), o fator de qualidade descreve a
capacidade de uma cmara em armazenar energia fator que se relaciona
s perdas presentes no ambiente. A condutividade das paredes da cmara
torna-se, normalmente, o principal fator atribudo s perdas de energia.
Materiais de boa condutividade, isto , cobre e alumnio, oferecem uma
condio economicamente vivel quanto ao aspecto custo versus benefcio.
Perdas adicionais em suportes de antenas e estruturas metlicas tambm
podem inuenciar no fator de qualidade de uma cmara. A blindagem
da cmara torna-se, ao longo de um projeto, outro fator importante a ser
avaliado, devido s vrias aberturas necessrias, como portas e passagens
para cabos e condutores, por exemplo. A efetividade de blindagem de
uma cmara reverberante de modos misturados denida pela norma IEC
61000-4-21, com base na Equao 3:

PEET
EB = 10log (3)
PR
onde EB a efetividade de blindagem da cmara, em dB; PEET e PR

so as potncias medidas sobre a face EET e pela antena de referncia,
respectivamente.
134 Avila et al.
No que diz respeito s diculdades tecnolgicas relacionadas ao projeto

de cmaras reverberantes de modos misturados cannicas destaca-se a ob-
teno de uma distribuio de campos uniformes para um amplo espectro
de frequncias, cuja limitao principal ocorre principalmente para baixas
frequncias. Os esforos empreendidos pelos autores do presente artigo
vm ao encontro de uma soluo para esta restrio. De acordo com ( ), a?
restrio quanto ao limite de operao de cmaras reverberantes pode ser
contornada por meio da substituio das ps mecnicas por arranjos de con-
dutores, os quais so capazes de excitar o modo transversal-eletromagntico
(TEM) para todo o espectro de frequncias, alm dos modos TE e TM.
Esta tcnica permite que os campos eletromagnticos sejam propagados
para todas as frequncias no interior da cmara, cujo limite de operao
se restringe apenas ao espectro do gerador de campos utilizado.
Os condutores representam uma grande vantagem como mtodo de ex-
citao, pois o espao por eles requerido menor em relao ao modelo
convencional, onde ps suspensas localizadas na parede superior da c-
mara ocupam um volume considervel no interior da cmara. Assim, se
comparadas s convencionais, as dimenses da cmara podem ser reduzi-
das, o que torna sua construo economicamente vivel e melhor aplicvel
a equipamentos de teste de pequeno porte.
Sobre metodologia originalmente proposta, um ponto a ser desta-
cado diz respeito otimizao do posicionamento do arranjo de condutores
como forma de se obter uma maior uniformidade do campo no interior da
cmara analisada. Ressalta-se esta condio como sendo predeterminada
pela norma que dene as caractersticas de operao de cmaras reverbe-
rantes de modos misturados, tratada a seguir.
2.2 Volume de trabalho

A anlise da homogeneidade do campo eltrico em uma cmara reverbe-
rante de modos misturados pode ser realizada com base na norma IEC
61.000-4-21 (IEC, 2003), que considera como ndice de mrito os valores
de desvio padro das componentes individuais de campo eltrico e de seus
valores combinados. Segundo a norma, os valores individuais e combina-
dos para o clculo do desvio padro devem ser calculados a partir das
Equaes 4 e 5, respectivamente:
N
1 X
Ek = Ek,i (4)
N i=1
N
1 X X
E x,y,z = Ek,i (5)
3N
k=x,y,z i=1
em que Ek representa a mdia aritmtica da componente k do valor mximo

do campo eltrico E k ; E x,y,z a mdia aritmtica do valor mximo do campo

eltrico considerando-se as componentes x, y e z, e N o nmero de amostras
obtidas para cada componente do campo. Baseando-se nas Equaes 4 e
5, obtm-se os valores do desvio padro individual k e combinado x,y,z ,
conforme seguem:
s
PN
E k )2
i=1 (Ek,i
k = (6)
N 1
sP PN
k=x,y,z i=1 (Ek,i E x,y,z )2
k,y,z = (7)
3N 1
ou, em uma notao em decibeis:
k + E k

bk = 20log10 (8)
Ek
x,y,z + E x,y,z

bx,y,z = 20log10 (9)
E x,y,z
Conforme determinado pela norma, os valores individuais e combinado
do desvio padro entre um espectro de frequncias de 80 MHz a 1 GHz,
considerando-se uma funo Gaussiana para a distribuio do campo el-
trico, devem satisfazer as seguintes condies:
k < 4 dB e x,y,z < 4 dB entre 80 e 100 MHZ;
Entre 100 e 400 MHz, os limites de k e x,y,z decaem linearmente

de 4 para 3 dB;
k < 3 dB e x,y,z < 3 dB entre 400 e 1 GHZ.
A uniformidade do campo produzido dentro da cmara est direta-

mente relacionada ao nmero de posies assumidas pela estrutura de ps
girantes. Durante a calibrao, a estrutura de ps girantes deve operar de
modo que o sensor de campo, posicionado em cada um dos pontos de me-
dio, possa adquirir um nmero especco de amostras, compreendendo o
valor mximo das componentes do campo eltrico dentro da rea de testes
especicada.
O volume de testes, ou volume de trabalho, determinado a partir das
dimenses da cmara, devendo-se descartar as proximidades das paredes
devido presena de muitos modos prximos um do outro. A Figura 1
apresenta uma ilustrao deste volume.
O presente trabalho, portanto, direciona especial ateno operao
da cmara em frequncias abaixo da frequncia fundamental, considerando
a maximizao do volume de trabalho e a homogeneidade do campo el-
trico em seu interior. Desta forma, contorna-se a restrio anteriormente
apresentada para cmaras cannicas a partir de adequada excitao dos
136 Avila et al.
condutores (posicionamento, amplitude, fases dos sinais etc.), buscando-se

uma soluo a partir de clculos computacionais aliados ao processo de
caracterizao e otimizao.
2.3 Caracterizao e otimizao

O objetivo da proposta caracterizar o volume interno disponvel para
teste, buscando seu mximo tamanho com a mxima homogeneidade dos
campos internos a ele. Os resultados desse esforo conjunto resultaram na
melhoria da compreenso dessa cmara como um todo.
Conforme mencionado anteriormente, qualquer volume interno c-
mara reverberante possui trs atributos distintos: o seu volume, o seu
campo eltrico combinado, conforme denido pela Equao 5 e os valo-
res mximos de desvio-padro, denidos pelas Equaes 8 e 9. Quando
este espao interno atende a norma IEC, ele denominado volume de tra-
balho. Deseja-se que este volume seja o maior possvel, com alto valor
de campo eltrico combinado e desvio padro prescrito conforme a norma
(para 10 MHz assume-se um valor mximo no desvio padro de 4 dB),
agregando a vantagem de se trabalhar em frequncias abaixo da frequncia
fundamental. Trata-se de um problema em que se percebe antagonismo
entre os requisitos, ou seja, a melhora de um deles implica na deteriorao
dos demais. Neste contexto, o problema de caracterizao de uma cmara,
observando o conceito de volume de trabalho, possui dois objetivos a se-
rem maximizados, a saber: mximo volume de trabalho e mximo campo
eltrico combinado; e uma restrio imposta pelo valor mximo de desvio
padro. Para buscar tais objetivos, so ajustadas as variveis geomtricas
que denem o volume de trabalho.
Na presente proposta, optou-se por trabalhar com um elipside como
gura geomtrica representando o volume de trabalho. A escolha por este
slido se deu pela diminuio do esforo computacional necessrio para a
deteco deste volume, que necessita de seis variveis (trs semi-eixos e trs
deslocamentos do ponto central da cmara) para sua correta determinao.
A sequncia do processo de caracterizao da cmara descrito como:
(a) Predio dos campos eletromagnticos, realizado com base em clculos

computacionais utilizando-se a Tcnica das Integraes Finitas (FIT)
(CST, 2002);
(b) Gerao de uma grade tridimensional de pontos com valores do campo

eltrico ao longo do volume total da cmara;
(c) Busca pelo mximo volume de trabalho e mximo campo eltrico por
um mtodo de otimizao, obedecendo s restries anteriormente
apresentadas.
A opo pelo uso do elipside torna-se mais clara ao se confrontar os

itens b) e c). Todo candidato a volume de trabalho sempre testado pela
vericao dos pontos da grade que so internos a ele. O elipside faz com
que seja necessria apenas uma comparao para saber se o ponto interno
ou externo ao volume. Outro slido, por exemplo, um paraleleppedo,
implicaria em vrias comparaes (seis faces, seis confrontaes) para a
determinao da condio de ponto interno ou externo.
At aqui trabalhou-se na caracterizao do volume de trabalho. Isto
signica que existe a necessidade da resoluo de um problema com dois
objetivos [max(volume), max(campo)], sujeito a restries; com seis va-
riveis de otimizao que denem geometricamente o volume de trabalho:
dois raios equatoriais, um raio polar (rx ,ry ,rz ) e trs parmetros associa-
dos translao do elipside a partir do centro da cmara (x, y, z ). Agora,
esta caracterizao a busca pelo melhor volume de trabalho pressu-
pe que as dimenses fsicas da cmara e as grandezas eletromagnticas
de sua excitao estejam denidas. Em outras palavras, existe ainda outra
procura: a busca pelo melhor posicionamento dos condutores responsveis
pela excitao, pela amplitude e fase da corrente que ir alimentar estes
condutores, entre outros parmetros. Para cada arranjo dessas variveis,
tem-se um innito nmero de possveis valores para o par volume de tra-
balho e homogeneidade de campo. Pode-se, inclusive, pensar em adicionar
o prprio tamanho da cmara como parmetro desta otimizao.
Em resumo, cada possvel soluo possui uma fronteira Pareto prpria.
Se cada soluo possui sua prpria fronteira de objetivos, como determi-
nar o melhor arranjo? Esta fronteira apresenta o compromisso entre os
objetivos. Aqui, buscou-se uma maneira de expressar a exibilidade deste
compromisso, o ndice de mrito LA. Este ndice consiste na determina-
o da rea abaixo da fronteira Pareto, conforme ilustrado na Figura 2. A
maximizao desta rea implica em uma maior liberdade de uso da cmara.
Portanto, este trabalho trata o processo de construo de uma cmara
reverberante excitada por condutores com dois estgios de otimizao:
1. a caracterizao do compromisso do melhor volume de trabalho;
2. a maximizao da exibilidade da cmara.
2.4 Porque computao evolucionria algoritmos genticos

Otimizar signica buscar a melhor soluo para um determinado problema
(Coello Coello et al., 2007). Entretanto, o processo de busca da melhor
soluo, se bem conduzido e se as ferramentas utilizadas permitirem, pode
levar a uma melhor compreenso do problema. Neste trabalho, existe a
necessidade de utilizar ferramentas de otimizao que permitam melhorar
o entendimento da cmara. A computao evolucionria permite, atravs
das informaes produzidas durante todo o processo de evoluo das solu-
es, que os pesquisadores envolvidos possam compreender a relao entre
o arranjo de parmetros de otimizao e os objetivos (Avila, 2006). Este
um primeiro direcionamento. Entretanto, existem muitos mtodos de
138 Avila et al.
otimizao e cada um deles alcana melhores resultados em determinados

tipos de problema. A escolha do mtodo depende de uma srie de carac-
tersticas do problema a ser otimizado, principalmente do comportamento
da funo que o representa, a qual muitas vezes de difcil determinao.
Para esta escolha, faz-se necessrio tambm um bom conhecimento das
ferramentas de otimizao.
De acordo com as caractersticas dos problemas, pode-se classicar as
ferramentas de otimizao em dois grandes grupos: programao linear e
programao no-linear. O primeiro grupo trata da resoluo de proble-
mas que sejam perfeitamente representados por um sistema de equaes
lineares. A programao no-linear trata de problemas no-lineares. As
tcnicas para programao no-linear podem ser subdivididas em trs sub-
grupos: mtodos determinsticos, estocsticos e enumerativos. Os mto-
dos determinsticos so baseados no clculo de derivadas do problema, ou
em aproximaes destas. Necessitam, portanto, de alguma informao do
vetor gradiente, seja procurando o ponto onde ele se anula ou usando a
direo para a qual aponta. Os mtodos estocsticos utilizam um conjunto
de aes probabilsticas que buscam a soluo tima de maneira aleatria
orientada, sem necessitar de qualquer informao de derivadas ou sobre
o comportamento do problema. Por outro lado, os mtodos enumerativos
fazem uma varredura completa (busca exaustiva) de todas as possveis solu-
es, o que, na maior parte dos problemas, implica em um tempo excessivo
de clculo.
Na engenharia, particularmente em eletromagnetismo, os problemas
so geralmente complexos, no-lineares, de difcil representao e necessi-
tam de mtodos numricos para se obter a soluo. Por isto, ferramentas
de programao no-linear estocsticas so as mais aptas para a otimizao
destes problemas.
Na famlia dos estocsticos, pode-se encontrar a computao evolucio-
nria. Dentre muitos mtodos, existe um que vem obtendo destaque devido
sua robustez, simplicidade de implementao e por poder funcionar sem
a necessidade do conhecimento do comportamento do problema: os Algo-
ritmos Genticos (AG), apresentado inicialmente por Holland (1992). In-
meras pesquisas j foram realizadas qualicando os AGs para otimizao
de problemas em eletromagnetismo. Uma rpida pesquisa na IEEE Tran-
sactions on Magnetics , aps o ano de 2000, aponta que foram publicados
centenas de artigos nesta rea da engenharia.
No que se refere otimizao, existe outra importante considerao.
Em muitos problemas, a soluo tima no leva em conta uma nica ca-
racterstica que deve ser minimizada ou maximizada (abordagem mono-
objetivo), mas vrias. Normalmente estas caractersticas devem ser consi-
deradas simultaneamente na busca pela melhor soluo. Por exemplo, um
engenheiro no pode conceber um equipamento pensando exclusivamente
em obter o melhor desempenho. Tambm necessrio que o produto -

nal obedea ao nvel mximo de rudo permitido e que o consumo, assim
como o custo deste equipamento, sejam os menores possveis. Neste caso,
uma abordagem multiobjetivo do problema faz-se necessria (Coello Coello
et al., 2007; Avila, 2006). A principal diferena deste tipo de abordagem
a maneira de apresentar os resultados. Como os objetivos so frequen-
temente conitantes ou antagonistas, ou seja, a melhora de um acarreta
na deteriorao de outro(s), a resposta de um problema multiobjetivo no
corresponde a uma nica soluo tima, mas sim a um grupo de solues
que caracteriza o comprometimento entre os diversos objetivos (solues
no-dominadas), conforme ilustra a Figura 2. Este conjunto congura
uma fronteira de solues, se elas forem as melhores no as melhores
encontradas, mas as melhores solues possveis para o problema neste
caso elas so conhecidas na literatura como solues Pareto.
Entender este comprometimento leva o projetista/engenheiro a compre-
ender melhor seu problema, o que lhe permite obter um produto melhor. O
AG se adapta bem resoluo de problemas multiobjetivos, pois trabalha
simultaneamente com uma populao de solues possveis, o que facilita
a obteno das solues no-dominadas.
Por todo o contexto apresentado, a escolha pela computao evolucio-
nria com algoritmos genticos natural para problemas do eletromagne-
tismo. Acrescenta-se ainda, mais apropriadamente ao problema da cmara
apresentado, que a anlise eletromagntica realizada numericamente, sem
acesso a qualquer informao sobre as derivadas do problema. Ainda, por
se tratar de um problema com campos reverberantes, grande a probabili-
dade de mltiplas solues diferentes com valores de objetivos semelhantes
conceito de nichos (Avila et al., 2006a). Assim, a ferramenta de otimiza-
o escolhida deve contemplar todas estas caractersticas. Optou-se pelos
mtodos desenvolvidos pelos autores deste trabalho (Avila et al., 2006a,b).
3. Metodologia
De forma breve, conforme ilustrado na Figura 2, o procedimento adotado
segue os seguintes passos:
1. Inicia-se o processo de otimizao mono-objetivo (AG) com a de-

nio das variveis de projeto: limites para posicionamento dos con-
dutores, amplitudes e defasagens das correntes, etc. (Assegurando o
correto funcionamento e a adequao aos testes de compatibilidade
pretendidos);
2. Para cada possvel soluo, realizam-se os clculos de propagao de

onda e a determinao do campo eltrico no interior da cmara. Isto
feito atravs do software Microwave Studio (CST, 2002), utilizando-
se a Tcnica de Integraes Finitas;
140 Avila et al.
3. Possuindo-se o comportamento do campo eltrico, utiliza-se a otimi-

zao multiobjetivo (AGMO) para se conhecer o compromisso entre
o volume de trabalho e a homogeneidade do campo - uma fronteira
no-dominada para cada soluo possvel. O volume de trabalho
o espao interno da cmara que atende as normas, conforme comen-
tado anteriormente;
4. Com base na fronteira encontrada, calcula-se o ndice de mrito LA,

que igual rea sob a fronteira no-dominada, restrita a um volume
e a um campo mnimos, conforme ilustrado na Figura 2. O ndice LA
representa a exibilidade ou estabilidade do arranjo construtivo
em anlise, conforme tambm j explicado; e
5. Por m, a deciso da melhor soluo feita com base na maximizao

do ndice de mrito LA, realizada por AG mono-objetivo.
Figura 2. Procedimento hbrido para caracterizao e otimizao.

(esquerda) Maximizao de LA. (direita) Caracterizao da cmara.
4. Resultados
Como exemplo de resoluo do processo de construo proposto,
apresentam-se os ltimos resultados obtidos. O problema foi inicialmente
parametrizado da seguinte forma, para otimizao:
A dimenso geomtrica da cmara foi xada em 5.20m x 4.55m x

2.70m;
As variveis de otimizao so os posicionamentos dos condutores

de excitao (x1 , y1 ; x2 , z2 ; y3 , z3 ), os quais possuem como limites
toda a extenso da cmara, mas limitado a um afastamento de no
mnino 0,05m das paredes;
O objetivo da otimizao a maximizao do ndice LA;
Como restrio, trabalhou-se com valores mnimos de campo e vo-

3
lume para o clculo do ndice LA (1V/m e 3m , respectivamente);
Foram estipulados 50 indivduos e 20 geraes, tendo como critrio

de parada um ndice de diversidade mnima da populao; e
Probabilidade de cruzamento igual a 80% e probabilidade de muta-

o igual a 15%.
Para caracterizao:
As variveis de otimizao so as dimenses do elipside volume de

trabalho [rx , ry , rz , x, y , z ], tendo como limites mnimos [0, 0, 0,
-2,6, -2,3, -1,35] e mximos de [2,6, 2,3, 1,35, 2,6, 2,3, 1,35];
Os objetivos da caracterizao a maximizao do volume de tra-

balho e a maximizao da homogeneidade do campo dentro deste
volume;
Foram estipulados 100 indivduos e 30 geraes, tendo como critrios

de parada a qualidade da fronteira Pareto, medida pela evoluo das
suas solues no-dominadas e o espaamento entre elas;
Probabilidade de cruzamento igual a 90%, probabilidade de muta-

o igual a dez por cento. Valores maiores que para a otimizao,
em virtude da diculdade do problema. A inteno permitir uma
varredura mais ampla do espao de busca.
Cabe informar que, em ambos os processos, foram utilizadas ferramen-

tas de elitismo (permanncia no processo evolutivo das melhores solues
sempre) e de nichos (cuidado especial para solues bem diferentes que
possuem valores de objetivos semelhantes, assim como tambm solues
bem semelhantes que possuem valores de objetivos diferentes). Os artigos
Avila et al. (2006a) e Avila et al. (2006b) apresentam em detalhes estes
cuidados.
O melhor indivduo obtido (com ndice de mrito LA igual a 2,25)
tem como posicionamento dos seus condutores de excitao as seguintes
coordenadas: x1 =3,72m; y2 =2,46 m; x2 =0,62 m; z2 =4,12 m; y3 =0,62 m;
z3 =4,23m. Como j explicado, para esta congurao dos condutores exis-
tem vrios compromissos possveis entre a dimenso volume de trabalho
e o valor de campo eltrico mnimo em seu interior vrios elipsides pos-
sveis isto demonstrado pela fronteira no-dominada apresentada na
3
Figura 3. Os valores mnimos para desta soluo so 1,007V/m e 3,11m
para o clculo do ndice LA, os valores mnimos considerados foram 1V/m
3
e 3m . Alm dos extremos estarem prximos dos mnimos desejados, esta
soluo foi quem atingiu o maior ndice LA em funo tambm de sua es-
tabilidade, o que pode ser observado pela pequena inclinao da fronteira
no-dominada. Obviamente, esta soluo obedece s restries de campo
impostas pelas normas, sendo que os valores encontrados esto limtrofes
ao permitido, como tambm mostra a Figura 3.
A ttulo de curiosidade: o volume em destaque (circulado), aquele que
se encontra mais distante dos 4 dB, portanto, aquele talvez menos sujeito a
142 Avila et al.
desrespeitar a norma em caso de pequenas alteraes construtivas ou erro

no posicionamento do equipamento em teste dentro do volume de trabalho.
Ressalta-se tambm que o posicionamento dos volumes est entre o centro
e o canto oposto do trip formado pelos condutores. Isto coerente, uma
vez que longe das excitaes o comportamento do campo eltrico tende a
ser mais homogneo. Importante dizer que o valor do campo eltrico no
interior da cmara poderia, ainda, ser amplicado a partir da elevao da
amplitude do sinal de entrada, que depende, basicamente, da potncia do
amplicador de RF utilizado.
Figura 3. Caracterizao da soluo com maior ndice LA encontrado.

(esquerda) Caracterizao da melhor congurao encontrada. (direita)
Comportamento dos volumes de trabalho da melhor soluo encontrada
em funo da restrio de 4dB.
5. Discusso e concluses
O presente trabalho apresenta uma contribuio para uma compreenso
adequada do funcionamento de cmaras reverberantes de modos mistura-
dos no convencionais, cuja excitao realizada a partir de um arranjo
de condutores. Algoritmos Genticos mono e multiobjetivo foram as fer-
ramentas utilizadas, as quais permitiram a anlise de um grande nmero
situaes e suas possveis solues. Isto possibilitou a equipe fomentar
discusses a respeito de cmaras reverberantes aplicadas a testes de com-
patibilidade eletromagntica.
Cabe destacar, ainda, que o mais interessante neste trabalho no
s obter a melhor soluo. A inteno proporcionar ao engenheiro no
apenas uma vasta gama de possveis solues (o que facilita negociaes
testes para vrios tipos de equipamentos, com funcionalidades e tamanhos
fsicos diferentes, por exemplo), mas tambm a possibilidade de conhecer
melhor o prprio problema.
Com relao a trabalhos futuros, pensa-se inserir no processo novas
variveis de otimizao, como, por exemplo, a amplitude e a fase das exci-
taes. Tambm se pode buscar uma melhor congurao das excitaes

no que diz respeito disposio dos condutores no alinhados com os ei-
xos, ou ainda seguindo curvas, e at mesmo envolvendo um nmero maior
de condutores. A prpria dimenso fsica da cmara pode ser varivel de
otimizao com o objetivo de se ter um equipamento com tamanho redu-
zido, mas com um volume de trabalho adequado. Estudos de sensibilidade
quanto ao posicionamento exato do equipamento em teste dentro do vo-
lume de trabalho tambm so um caminho interessante a ser trilhado.
Agradecimentos
Os autores transmitem seus sinceros agradecimentos a todos os colegas e co-
laboradores da EPUSP, particularmente do LMAG. Em especial, pela con-
ana depositada neste trabalho e pela oportunidade de conduzir as ativi-
dades de pesquisa em um centro de excelncia. Os autores tambm deixam
impresso o reconhecimento ao PROCAD/CAPES, ao CAPES/COFECUB
e FAPESP pelo suporte nanceiro indispensvel para o desenvolvimento
destas pesquisas. Por m, os autores agradecem s respectivas instituies
de origem por permitirem a alocao de tempo para pesquisa.
Referncias
ANATEL, , Resoluo No 237 Regulamento para a certicao de equi-
pamentos de telecomunicaes quanto aos aspectos de compatibilidade
eletromagntica. Brasilia, DF: Agncia Nacional de Telecomunicaes,
2000.
Avila, S., Otimizao Multiobjetivo e Anlise de Sensibilidade para a Con-

cepo de Dispositivos e Sistemas. Tese de doutorado, Departamento
de Engenharia Eltrica, Universidade Federal de Santa Catarina (e
co-tutela com cole Centrale de Lyon), Florianpolis, SC, 2006.
Avila, S.; Krhenbhl, L. & Sareni, B., A multi-niching multi-objective ge-

Procee-
netic algorithm for solving complex multimodal problems. In:
dings of the 9 International Workshop on Optimization and Inverse
th
Problems in Electromagnetism. Sorrento, Italy, 2006a.

Avila, S.; Lisboa, A.; Krhenbhl, L.; Carpes Jr., W.; Vasconcelos, J.;
Saldanha, R. & Takahashi, R., Sensitivity analysis applied to decision
making in multi-objective evolutionary optimization. IEEE Transac-
tions on Magnetics, 42(4):11031106, 2006b.
Avila, S.; Santos Jr., M.; Weinzierl, D.; Krhenbhl, L.; Perrussel, R.;
Vollaire, C.; Sartori, C.; Lebensztajn, L. & Cardozo, J., Maximum
working volume evaluation in a non-canonical reverberation chamber.
IEEE Transactions on Magnetics, 45(3):16461649, 2009.
144 Avila et al.
Coello Coello, C.; Lamont, G. & Van Veldhuizen, D., Evolutionary Algo-
rithms for Solving Multi-Objective Problems. 2a edio. New York,
EUA: Springer Science, 2007.
CST, , CST Microwave Studio, Advanced Topics. Framingham, EUA: Com-

puter Simulation Technology, 2002. Http://www.cst.com.
Holland, J., Adaptation in Natural and Articial Systems: An introductory

analysis with applications to biology, control, and articial intelligence.
Cambridge, USA: MIT Press, 1992.
IEC, , P-IEC 61000-4-21 Electromagnetic compatibility (EMC) Part

4-21: Testing and measurement techniques - Reverberation chamber
test methods. 1a edio. Geneva, Switzerland: International Electro-
technical Commission, 2003. 224 p.
Santos Jr., M., Avaliao de desempenho de cmaras excitadas via linha

de transmisso aplicveis compatibilidade eletromagntica. Tese de
doutorado, Escola Politcnica, Universidade de So Paulo, So Paulo,
SP, 2009.
Santos Jr., M.; Avila, S.; Sartori, C.; Weinzierl, D.; Krhenbhl, L.; Le-
bensztajn, L. & Cardozo, J., Conductor position optimization of a
transmission line excitation chamber. IEEE Transactions on Magne-
tics, 46(8):32613264, 2010.
Weinzierl, D., Estudo de Cmaras de Teste de Compatibilidade Eletro-

magntica (CEM) atravs do Mtodo da Modelagem por Linhas de
Transmisso (TLM). Tese de doutorado, Departamento de Engenha-
ria Eltrica, Universidade Federal de Santa Catarina, Florianpolis,
SC, 2004.
Weinzierl, D.; Sartori, C.; Perotoni, M.; Cardoso, J.; Kost, A. & Heleno,
E., Numerical evaluation of noncanonical reverberation chamber con-
gurations. IEEE Transactions on Magnetics, 44(6):14581461, 2008.
Notas Biogrficas
Srgio L. Avila professor Doutor do Departamento de Eletrotcnica do Ins-

tituto Federal de Santa Catarina e atuou neste trabalho como bolsista de ps-
doutoramento no Laboratrio de Eletromagnetismo Aplicado (LMAG) da Uni-
versidade de So Paulo (USP). Email: sergio.avila@ifsc.edu.br
Mrio A. Santos Jr. gerente de Pesquisa e Desenvolvimento do Centro Tec-

nolgico da Marinha em So Paulo (CTMSP/MB) e nalizou seu doutoramento
no LMAG/USP em 2010. Email: mario.alves.jr@ctmsp.mar.mil.br
Djonny Weinzierl professor Doutor do Departamento de Engenharia Eltrica

do Centro Universitrio Catlica de Santa Catarina e atuou neste trabalho como
bolsista de ps-doutoramento no LMAG/USP. Email: weinzierl@unerj.br
Luiz Lebensztajn professor Associado da Escola Politcnica da Universi-

dade de So Paulo e atuou neste trabalho como orientador no LMAG. Email:
luiz.lebensztajn@poli.usp.br
Carlos A. F. Sartori professor Doutor da Escola Politcnica da Universi-

sartori@pea.usp.br
Jos R. Cardoso professor Titular da Escola Politcnica da Universi-

jose.cardoso@poli.usp.br
Laurent Krhenbhl directeur de Recheche do Grupo Ampre CNRS da

Ecole Centrale de Lyon e atuou nesse trabalho como orientador em misso de
trabalho no LMAG. Email: laurent.krahenbuhl@ec-lyon.fr
146 Avila et al.
.
Captulo 8
Computao Evolucionria Aplicada ao Problema da

Recarga de Reatores Nucleares
Alan M.M. de Lima, Andressa dos Santos Nicolau,

Ion Maghali Santos de Oliveira, Jose Antonio Carlos Canedo Medeiros,
Mrcio Henrique da Silva e Roberto Schirru
Resumo: O objetivo deste captulo apresentar o Problema da

Recarga de Reatores Nucleares (PRRN), mostrando a viabilidade
da utilizao de alguns mtodos da Inteligncia Computacional na
soluo deste problema. Os mtodos aqui abordados correspondem
s estratgias de otimizao por colnia de formigas, colnia de
abelhas, enxames de partculas, algoritmos genticos, alm de uma
abordagem com inspirao quntica para o algoritmo de colnia de
formigas. So introduzidos os principais aspectos do PRRN, bem
como as principais caractersticas de cada mtodo utilizado. Os
resultados apresentados comprovam a viabilidade e ecincia destes
mtodos como tcnicas de soluo de problemas da rea nuclear.
Palavras-chave: Recarga de reator nuclear, Otimizao, Algorit-

mos Evolucionrios, Algoritmos de Inspirao Quntica.
Abstract: The objective of this chapter is to present the Nuclear

Reactor Reload Problem (NRRP), demonstrating the feasibility of
using some Computational Intelligence methods to solve this pro-
blem. The methods discussed here correspond to optimization stra-
tegies by ant colony, colony of bees, particle swarm, genetic algo-
rithms, and a quantum-inspired approach for the ant colony algo-
rithm. Here we introduce the main aspects of NRRP as well as the
main features of each method. The results presented here demons-
trate the feasibility and eciency of these methods as techniques
for problem solving in the nuclear area.
Keywords: Nuclear reactor reload, Optimization, Evolutionary al-
gorithms, Quantum inspired algorithm.
Autor para contato: alan@lmp.ufrj.br
148 de Lima et al.
1. Introduo
O Problema da Recarga do Reator Nuclear (PRRN) tambm conhecido
como Otimizao do Projeto de Padres de Carregamento so denomina-
es para o problema de otimizao associado operao de recarga do
combustvel em um reator nuclear. Trata-se de um problema clssico e
uma questo de grande interesse econmico e extrema relevncia para a
Engenharia Nuclear, que tem sido estudado por mais de 40 anos.
A recarga do combustvel nuclear ocorre periodicamente em usinas nu-
cleares e realizada toda vez que a queima dos elementos combustveis
(EC) no ncleo do reator atinge um determinado valor em que no mais
possvel manter o reator crtico, produzindo energia potncia nominal.
Desta forma, os EC so descarregados do ncleo e armazenados em uma
piscina de combustveis usados, onde os EC com baixa concentrao de
92
U235 so mantidos denitivamente nesta piscina, enquanto os EC com
92
maiores concentraes de U235 , remanescentes do ciclo anterior e, EC
novos comporo o ncleo do ciclo seguinte. Por exemplo, na operao de
recarga de um Reator a gua Pressurizada (Pressurized Water Reactor
PWR), ao nal de um ciclo de operao, aproximadamente 1/3 dos ele-
mentos combustveis so substitudos por elementos novos, que juntamente
com os 2/3 restantes vo compor um novo padro de carregamento.
A soluo mais comum para a este problema de otimizao consiste na
determinao de um padro de carregamento que maximize a vida til do
combustvel nuclear, permitindo o aumento do ciclo de queima do combus-
tvel, trazendo ganhos operacionais e econmicos relacionados ao funcio-
namento da usina, sujeito a restries de segurana. Porm, a diculdade
de encontrar esta soluo relacionada com o grande nmero de possveis
combinaes de elementos combustveis que podem compor o ncleo do
prximo ciclo, dene o PRRN como um problema combinatrio altamente
complexo, pertencente classe dos problemas no polinomiais (NP) com-
pletos, onde a diculdade cresce exponencialmente de acordo com o nmero
de elementos combustveis considerados.
Alm da otimizao manual, realizada por especialista em padres de
carregamento, vrias tcnicas de otimizao tm sido aplicadas ao PRRN
com o objetivo de automatizar este processo. Neste captulo so apresen-
tados os resultados da aplicao das tcnicas de otimizao por colnia
de formigas, colnia de abelhas, enxames de partculas, algoritmos genti-
cos, alm de uma abordagem com inspirao quntica para o algoritmo de
colnia de formigas, para a soluo deste problema.
O objetivo deste captulo no fazer um estudo comparativo entre os
diferentes algoritmos mas, sim, mostrar a viabilidade do uso dos mesmos
no desenvolvimento efetivo de trabalhos em uma rea da engenharia, alm
de destacar as principais diferenas entre eles na otimizao do problema
da recarga nuclear.
Computao Evolucionria Aplicada ao Problema da Recarga de Reatores Nucleares 149
2. O Problema da Recarga Nuclear

2.1 Aspectos bsicos do problema
Os reatores nucleares do tipo PWR geram energia atravs de reaes de
sso nuclear em condies controladas. Eles so projetados para conseguir
uma reao em cadeia auto-sustentada, utilizando o processo de sso dos
92
tomos de urnio ( U235 enriquecido a cerca 3%). A principal nalidade
a produo de energia utilizvel na forma de eletricidade.
Enquanto for possvel sustentar a reao em cadeia mantendo o reator
crtico, pode-se dizer que a usina est operando a sua plena potncia. Caso
contrrio, torna-se necessrio o seu desligamento para que o ncleo seja
reabastecido. Este procedimento denominado recarga nuclear. A recarga
do combustvel nuclear um processo que ocorre sempre que a energia
produzida pela queima do combustvel no ncleo do reator atinja certos
nveis, de modo a no ser mais possvel manter a central nuclear operando
plena potncia. Neste momento, parte dos elementos combustveis
substituda.
O intervalo entre as recargas conhecido como ciclo de operao. O
processo de recarga do novo ciclo ir envolver ECs novos e reutilizados,
distribudos no ncleo do reator de acordo com critrios operacionais e de
segurana. O combustvel reutilizado corresponde ao que foi descarregado
de ciclos anteriores, que foram parcialmente queimados, mas que ainda
podem ser reaproveitados.
O problema relacionado com a operao de recarga consiste, portanto,
na determinao de como os combustveis novos e reutilizados devero ser
combinados e redistribudos no ncleo do reator, de modo a otimizar o
prximo ciclo de operao. Isto se deve ao fato de que a queima de ECs
no ocorre de maneira homognea, sendo necessrio encontrar uma con-
gurao tima de embaralhamento dos mesmos, conhecida como padro
de recarga.
Do ponto de vista econmico importante ressaltar que padres de
recarga que maximizam a concentrao de boro permitem um ciclo de ope-
rao mais longo. Tendo em vista que o comprimento de cada ciclo
medido em Dias Efetivos Plena Potncia (DEPP), do ingls, Eective
Fuel Power Days (EFPD) e considerando que, para Angra 1, a quantidade
correspondente a 4ppm de Boro solvel consumido durante 1 DEPP (Cha-
pot et al., 1999), conguraes que maximizem a concentrao de Boro so
nanceiramente desejveis.
No caso particular da Usina Nuclear Angra 1, localizada no Sudeste
do Brasil, o ncleo do reator composto por 121 elementos combustveis,
200
resultando em aproximadamente 10 possveis combinaes de padres
de carregamento, que devido existncia de restries de posicionamento
dos elementos combustveis, relacionadas com a geometria do ncleo, pode
25
ser reduzido para um total de aproximadamente 10 possveis arranjos ou
150 de Lima et al.
padres de carregamento. Com o uso de computadores e cdigos de fsica de

19
reatores atuais seriam necessrios cerca de 10 anos para que todas estas
combinaes fossem testadas, tornando o problema atraente no sentido do
desao de desenvolver novos algoritmos para encontrar solues prximas
a tima com o menor nmero possvel de avaliaes.
Diversos mtodos de otimizao tm sido aplicados ao PRRN, ao longo
dos anos e observa-se que a aplicao de tcnicas de otimizao, em es-
pecial, as chamadas metaheursticas de otimizao, tais como tcnicas de
Arrefecimento Simulado (Kropaczek & Turinsky, 1991), Busca Tabu (Lin
et al., 1998), Algoritmos Genticos (Chapot et al., 1999), Aprendizado In-
cremental Baseado em Populaes (Schirru et al., 2006), Otimizao com
Colnia de Formigas (de Lima et al., 2008), Otimizao com Colnia de
Abelhas (Oliveira et al., 2009), Otimizao com Enxame de Partculas
(Meneses et al., 2009) e Otimizao Quntica de Colnia de Formigas (da
Silva et al., 2011), tm apresentado melhoras signicativas nos resultados
obtidos na otimizao deste problema.
3. Algoritmos de Inteligncia Computacional Baseados em

Computao Evolucionria e Inteligncia de Enxames
A Inteligncia Computacional uma linha de pesquisa situada no con-
texto da Cincia da Computao e tem como objetivo desenvolver, avaliar
e aplicar tcnicas na criao de algoritmos inteligentes. Pode-se dizer que
algoritmo todo e qualquer procedimento capaz de solucionar um determi-
nado problema, atravs de passos previamente elaborados e, que otimizar
signica aperfeioar algum processo. Desta forma, algoritmos de otimi-
zao podem ser entendidos como procedimentos previamente elaborados
para resoluo de um determinado problema. Dentre os algoritmos de In-
teligncia Computacional, podemos destacar os algoritmos baseados em
processos naturais, como o caso dos algoritmos de computao evolucio-
nria e, os baseados em interao entre grupos sociais (enxames) como o
caso dos algoritmos da Inteligncia de Enxames.
Esta seo apresenta as caractersticas do principal algoritmo de Com-
putao Evolucionria Algoritmos Genticos (Holland, 1975), bem como
os de Inteligncia Enxames Enxame de Partculas (Kennedy & Eberhart,
1995), Algoritmo de Abelhas (Karaboga, 2005), Colnia de Formigas (Do-
rigo & Gambardella, 1996), alm de uma verso quntica do algoritmo de
Colnia de Formigas (Wang et al., 2008), que foram aplicados ao PRRN
abordado neste captulo.
3.1 Algoritmo de inteligncia computacional baseado em computao

evolucionria algoritmos genticos (AG)
Os algoritmos genticos so uma famlia de modelos computacionais, inspi-
rados no mecanismo de seleo natural e no princpio da seleo natural de
Darwin. Desenvolvidos por Holland (1975) e popularizados por Goldberg

(1989), so implementados como uma simulao computacional, que con-
siste em gerar atravs de regras de transies probabilsticas, um grande
nmero de indivduos (populao), de forma a promover uma varredura to
extensa quanto necessria do espao de solues. Normalmente incorporam
uma soluo potencial numa estrutura semelhante de um cromossomo,
onde cada cromossomo representa um ponto no espao de solues do pro-
blema de otimizao (Holland, 1975).
Os algoritmos genticos diferem basicamente dos algoritmos tradicio-
nais de otimizao em quatro aspectos:
(a) baseiam-se em uma codicao do conjunto de solues possveis, e

no nos parmetros da otimizao em si;
(b) os resultados so apresentados como uma populao de solues e no

como uma nica soluo;
(c) no necessitam de nenhum conhecimento derivado do problema, ape-

nas de uma forma de avaliao do resultado (funo objetivo);
(d) usam transies probabilsticas e no regras determinsticas.
Os principais conceitos dos algoritmos genticos so: Cromossomo (ge-

ntipo) possvel soluo para o problema e pode ser representado de
forma: binria, inteira ou real. composto de l genes especcos, onde
cada i-simo gene tem um conjunto de ki alelos (Holland, 1975). Gene
representao codicada de cada parmetro de acordo com o alfabeto uti-
lizado (binrio inteiro ou real); Fentipo cromossomo decodicado; Po-
pulao conjunto de pontos (cromossomos) no espao de busca; Gerao
iterao completa do algoritmo gentico que gera uma nova populao;
Aptido bruta sada gerada pela funo objetivo para um cromossomo
da populao; Aptido normalizada aptido bruta normalizada, entrada
para o algoritmo de seleo; Aptido mxima melhor cromossomo da po-
pulao corrente e Aptido mdia aptido mdia da populao corrente.
O procedimento de evoluo do algoritmo gentico a cada iterao cor-
responde aplicao de um conjunto de quatro operaes bsicas, descritas
a seguir.
3.1.1 Clculo da funo objetivo

A funo objetivo incorpora os parmetros envolvidos no problema a ser
otimizado. Com o clculo da funo objetivo tem-se uma medida de apti-
do de cada cromossomo, para a soluo do problema e, este valor usado
na fase de seleo dos cromossomos para a reproduo.
3.1.2 Seleo
O processo de seleo consiste em selecionar cromossomos de melhores ap-
tides para gerar, atravs do processo de cruzamento, novos cromossomos
152 de Lima et al.
que compem a prxima gerao. So muitos os mtodos para selecionar

o melhor cromossomo, pode-se citar, por exemplo, a seleo de Boltzman,
a seleo pelo mtodo da roleta, a seleo por campeonato, a seleo por
classicao, a seleo por estado estacionrio e, outras (Goldberg, 1989).
Um dos mtodos mais usados nos algoritmos genticos simples, para a im-
plementao do mtodo de seleo o mtodo de seleo por roleta. Neste
mtodo cada cromossomo ocupa, em uma roleta, uma rea proporcional
ao valor de sua aptido. Assim obtm-se uma aptido relativa que pode
ser interpretada como a probabilidade de seleo de um cromossomo.
3.1.3 Cruzamento
O processo de cruzamento tem como principal objetivo perpetuar o mate-
rial gentico (bits) dos cromossomos mais aptos e consiste na recombinao
de alelos atravs da troca de segmentos entre pares de cromossomos. O
processo de cruzamento aplicado aos cromossomos com uma probabi-
lidade determinada pela taxa de cruzamento pc . Este processo pode ser
implementado de vrios modos, sendo os mais comuns o cruzamento de um
ponto e o cruzamento de dois pontos. A diferena entre o cruzamento de
dois pontos e o cruzamento de um ponto que ao invs de escolher apenas
um ponto de cruzamento escolhem-se randomicamente dois. O cruzamento
de um ponto realizado da seguinte forma: primeiramente dois cromosso-
mos da populao atual so selecionados; a seguir seleciona-se (de forma
aleatria) um ponto de cruzamento sobre a sequncia de bits (cromos-
somo) e, em seguida a troca de segmentos realizada a direita do ponto
de cruzamento escolhido. O resultado deste processo a criao de dois
novos cromossomos que apresentam caractersticas dos cromossomos que
os geraram.
3.1.4 Mutao
O processo de mutao tem o papel de introduzir e manter a diversidade
gentica da populao. Desta forma, pode ser denido como um distr-
bio introduzido no gene, que altera a direo de busca do algoritmo. Tem
por objetivo assegurar uma maior varredura do espao de busca e preve-
nir o aprisionamento da populao em falsos timos locais. O operador
de mutao aplicado aos cromossomos com uma probabilidade dada pela
taxa de mutao pmr , geralmente se utiliza uma taxa de mutao pequena,
para que o algoritmo no seja transformado em um processo de busca ale-
atria. O processo de mutao realizado da seguinte forma: primeira-
mente seleciona-se aleatoriamente um cromossomo da populao atual; em
seguida seleciona-se (tambm de forma aleatria) um alelo deste cromos-
somo e, altera-se o valor do alelo selecionado. O resultado deste processo
a criao de indivduos formados por alelos no previamente testados.
Ao m destas quatro operaes cria-se uma nova populao, chamada

de gerao. Espera-se que esta nova populao criada, represente uma
melhor soluo para o problema que a populao anterior.
Ao longo da evoluo do algoritmo gentico percebe-se que certos pa-
dres (bits) que possuem aptides mais altas tendem a aumentar sua repre-
sentatividade de gerao para gerao, seguindo um teorema que se baseia
nas probabilidades de sobreviverem ao cruzamento e mutao. Um grupo
de padres que representa determinada classe de cromossomos chamado
de esquemas ou modelo de similaridade. Tais padres (esquemas) so ex-
plicados pela Teoria dos Esquemas e do origem ao Teorema Fundamental
dos Algoritmos Genticos (Equao 1), que rege a evoluo dos esquemas
considerando os processos de seleo, cruzamento e mutao.

f (H) d(H)
m (H, t + 1) m(H, t). . 1 pc . o(H).pm (1)
f l1
onde, m(H, t) o nmero m de indivduos pertencentes ao esquema H , no

tempo t, f (H) a aptido bruta do cromossomo, f a aptido mdia da
populao, pc a taxa de cruzamento, l o comprimento dos cromossomos
e l 1 o nmero mximo de pontos de corte de um cromossomo de
comprimento l, d(H) o comprimento denido do esquema, o(H) a
ordem do esquema e pm a probabilidade de mutao considerando um
ponto de corte.
3.2 Algoritmos de inteligncia computacional baseados em intelign-

cia de enxames
3.2.1 Enxame de partculas PSO

A tcnica de otimizao por Enxame de partculas (Particle Swarm Opti-
mization PSO) uma tcnica de computao estocstica baseada em In-
teligncia de Enxames. Foi desenvolvida por Kennedy & Eberhart (1995) e
implementa a metfora do comportamento social, da interao entre bando
de pssaros ou cardume de peixes quando em busca de alimento em uma
determinada regio. Verica-se que o comportamento do grupo inuen-
ciado pela experincia acumulada por cada indivduo e pela experincia
acumulada pelo grupo.
No PSO, cada partcula corresponde a um ponto do espao de solues
do problema, que avaliada a cada iterao de acordo com uma funo
objetivo. Uma partcula a representao de um objeto que se move ao
longo do espao de busca, impulsionado por comparaes entre sua posio
atual, sua melhor posio atingida at o momento e a posio obtida pela
melhor partcula do enxame. Estes termos, devidamente equacionados,
permitem o clculo de suas novas posies e velocidades a cada iterao,
direcionando o movimento das partculas. Cada uma das partculas realiza
154 de Lima et al.
um balano entre a capacidade de explorao e a de tirar proveito da explo-

rao realizada pelas outras. O balanceamento destas caractersticas pode
fazer grande diferena em um processo de otimizao. Pouca capacidade
de explorao pode signicar convergncia prematura para um resultado
no necessariamente timo, e pouca capacidade de obter vantagem do su-
cesso alheio pode fazer com que o enxame no convirja para nenhum bom
resultado. Desta forma, o sucesso da busca realizada pelo enxame est con-
dicionado ao balano entre individualidade e coletividade (Meneses et al.,
2009).
Cada partcula representada por um vetor de dimenso igual di-
menso do espao de busca, que inicializado com velocidade e posio
aleatrias. Ela carrega consigo informao sobre a melhor posio por ele
j visitada e a informao da melhor posio j alcanada pelo enxame,
e a cada iterao os indivduos da populao so avaliados, e as melhores
posies de cada indivduo e do enxame so armazenadas.
Assim como no AG o PSO inicializado por uma populao de solu-
es randmicas que buscam o timo atravs da atualizao das iteraes,
bastando para sua aplicao existncia de uma funo objetivo. Porm,
ao contrrio do AG onde o aprendizado feito atravs dos operadores de
cruzamento e mutao, no PSO o aprendizado realizado atravs do ajuste
das equaes de velocidade e posio.
Seja um enxame com P partculas em um espao de busca n-
dimensional. Cada partcula i tem uma posio Xi (t) = [xi1 , xi2 , ...xin ]
e uma velocidade Vi (t) = [vi1 , vi2 , ...vin ] em uma iterao t, atravs da
dimenso j, atualizadas de acordo com as Equaes 2 e 3.
vij (t + 1) = wvij (t) + c1 r1 (pbest(t)ij xij (t)) + c2 r2 (gbest(t)j xij (t)) (2)
xij (t + 1) = xij (t) + vij (t + 1), onde i = 1, 2, ..., Pij = 1, 2, ..., n (3)
No segundo membro da Equao 2, o primeiro termo representa a in-

uncia do movimento da partcula, agindo como uma memria do com-
portamento anterior da partcula, o segundo termo representa a cognio
individual, onde a partcula i compara sua posio atual com a sua me-
lhor posio pbesti (t), e o terceiro termo representa o aspecto social do
aprendizado, baseado em uma comparao entre a posio da partcula e o
melhor resultado obtido pelo enxame (gbest). A Equao 3 descreve como
as posies so atualizadas. Ambos, c1 e c2 so constantes de acelerao:
c1 est relacionado com a cognio individual, enquanto que c2 est rela-
cionado ao aprendizado social, r1 e r2 so nmeros aleatrios distribudos
no intervalo [0,1] e w conhecido como fator de inrcia e estabelece o com-
promisso entre diversidade e renamento de busca. Seu valor pode ser xo
ou cair linearmente.
As posies xij (t), atualizadas pelas e Equaes 2 e 3, so avaliadas

por uma funo objetivo do problema f (xij (t)), que no caso dos estudos
aqui apresentados, corresponde Equao 17. Os vetores de posio gbest
= [gbest1 gbest2 ... gbestn ] e pbesti = [pbesti1 pbesti2 ... pbestin ] so
atualizados dependendo da informao adquirida pelo enxame, construindo
seu conhecimento no espao de busca ao longo das iteraes.
3.2.2 Sistema de colnia de formigas SCF

O SCF (Dorigo & Gambardella, 1996) foi desenvolvido para aplicao em
problemas de otimizao combinatria do tipo NP-difcil, ou seja, a dicul-
dade deste problema cresce exponencialmente com o nmero de elementos,
como o caso do Problema do Caixeiro Viajante (PCV). O PCV um dos
mais importantes e estudados problemas de otimizao. A importncia de
encontrar um algoritmo para este problema reside no fato de muitos pro-
blemas que ocorrem na cincia da computao, e em muitas outras reas,
poderem ser modelados a partir do mesmo, como o caso do problema da
recarga nuclear.
Quando se aplica o SCF ao PCV, o agente k uma formiga articial
que se move de cidade em cidade, at retornar cidade inicial, construindo
um mapa de percurso. A este agente k est associada uma lista de cidades
a visitar Jk (r), onde r a cidade atual do agente k. A palavra agente est
diretamente relacionada com formiga.
O agente k escolhe uma cidade para deslocar-se atravs de uma regra
de transio de estado descrita pela Equao 4 a seguir:
max {[F E(r, s)] [HE(r, s)] }

se q q0
s= (4)
Roleta se q > q0
onde Roleta dada pela distribuio de probabilidades pseudo-randmica-

proporcional, mostrada na Equao 5.
[F E(r,s)] [HE(r,s)]

P
[F E(r,z)] [HE(r,z)]
se s Jk (r)
Roleta = zJk (r) (5)
0 se s
/ Jk (r)

onde F E(r, s) um valor real e positivo associado ao arco (r, s) e F E uma

matriz quadrada cuja ordem denida pelo nmero de cidades. Os valores
F E(r, s) desta matriz so modicados em tempo de execuo do algoritmo
e indicam quanto vantajoso o movimento para a cidade s quando se est
na cidade r . Estes valores representam o rastro de feromnio articial
depositado pelas formigas na construo de seus caminhos.
HE(r, s) o valor da funo heurstica relativa ao movimento da ci-
dade r para a cidade s. Esta funo expressa uma informao puramente
156 de Lima et al.
local, independente da viagem da formiga como um todo. Neste caso, a

funo heurstica a distncia ente as cidades, onde a menor distncia
considerada melhor, ento usa-se o inverso da distncia.
Os parmetros e pesam a importncia relativa entre o aprendizado
dos agentes, com os valores feromnio F E, e os valores heursticos HE ,
q um valor escolhido aleatoriamente com probabilidade uniforme dentro
0 0
do intervalo [0,1] e q (0q 1) um parmetro de entrada do algoritmo
e expressa o quanto o algoritmo vai ser determinstico ou probabilstico.
0 0
Normalmente usa-se q = 0,9. Quando q q a regra de deciso utiliza o
conhecimento disponvel sobre o sistema, ou seja, o conhecimento heurs-
tico e o conhecimento adquirido atravs do rastro de feromnio articial.
0
Quando q > q a regra de deciso passa a utilizar uma distribuio de
probabilidades e, com isto, passa a explorar mais o espao de busca do
0
problema. O parmetro q permite regular se a escolha do prximo estado
ser concentrada nas melhores solues ou se vai explorar mais o espao
de busca.
A regra, representada pela Equao 5 dene a poltica de deciso pro-
babilstica de movimento para os prximos estados, que uma funo local
e leva em considerao duas informaes bsicas. A primeira delas, que
so os valores feromnio F E, o modo como os agentes alteram seu es-
pao de busca para beneciar a descoberta dos menores caminhos. Esta
informao o feromnio articial que est associado tcnica do reforo
da aprendizagem. A segunda informao usada na escolha para o prximo
movimento a informao referente ao problema especco que est sendo
otimizado, ou seja, a heurstica HE .
Inicialmente, como ainda no h uma grande interao entre os agentes,
os valores heursticos HE predominam sobre os valores feromnio F E.
Neste ponto, fazer uso de uma heurstica representativa do problema em
questo extremamente importante, pois o passo inicial do algoritmo
dado a partir desta informao e no de modo aleatrio como acontece em
vrios mtodos de otimizao.
Os valores FE so modicados atravs da cooperao entre os agentes
para favorecer a descoberta de boas solues. As duas regras a seguir so
responsveis pela atualizao destes valores.
A regra de atualizao local dada pela Equao 6:
F E(r, s) = (1 ) F E(r, s) + F Ezero (6)
A regra de atualizao global dada pela Equao 7:
F E(r, s) = (1 ) F E(r, s) + W/melhorresultado (7)
onde o parmetro de evaporao de feromnio, F Ezero a quanti-

dade inicial de feromnio, W um parmetro, denido pelo usurio, que
juntamente com o parmetro expressam a velocidade de aprendizado do

algoritmo, e o melhor resultado a melhor aptido encontrada na iterao
anterior, e inicializado com a lgica do vizinho mais prximo.
A regra de atualizao local utilizada aps todos os agentes terem
aplicado regra de transio de estado e escolhido a prxima cidade a
ser visitada. Desta forma, a atualizacco aplicada enquanto a soluo
est sendo construda. O objetivo da regra de atualizao local estimular
a busca por novas regies do espao de busca. Ela atua no sentido de
diminuir o valor de F E(r, s) quando o agente que estava na cidade r e
escolheu a cidade s como a prxima da lista, ou seja, os valores de FE
relativos aos arcos do caminho j escolhidos pelos agentes so penalizados
para evitar uma convergncia prematura.
A quantidade de feromnio dos arcos diminuda lentamente para per-
mitir que as formigas articiais ampliem seus espaos de busca. Este pro-
cesso denominado evaporao do feromnio articial.
O segundo tipo de atualizao a regra de atualizao global. Ela
aplicada aps todos os agentes terem construdo um caminho completo e
este caminho ter sido avaliado por uma funo objetivo. Esta regra s
aplicada sobre o melhor resultado e para premiar a melhor formiga,
colocando uma quantidade maior de feromnio no caminho percorrido
por ela.
3.2.3 Colnia de abelhas artificiais CAA

O algoritmo de otimizao por Colnia de Abelhas Articiais (CAA), do
ingls, Articial Bee Colony (ABC), um dos mais recentes membros da
Inteligncia de Enxames. Proposto por Karaboga (2005) para otimizao
de problemas em domnio contnuo, o CAA tenta simular o comportamento
inteligente de uma colnia de abelhas reais na busca por fontes de alimento.
Em virtude da simplicidade de implementao e do bom desempenho
na otimizao de funes numricas multimodais e de mltiplas variveis,
o CAA tornou-se uma opo vivel e eciente para a soluo de problemas
complexos, como pode ser observado em (Oliveira et al., 2009).
Em sua verso bsica, o CAA realiza um procedimento de busca esto-
cstica combinada com busca por vizinhana, no qual indivduos da popu-
lao, chamados de posies de fontes de alimento, so modicados durante
as iteraes atravs de operadores genticos, tais como cruzamento e mu-
tao. O principal objetivo das abelhas articiais descobrir as regies de
fontes de alimento com grandes quantidades de nctar, e por m, aquela
com a maior quantidade de nctar entre todas.
No algoritmo CAA existem trs tipos de abelhas: operrias, observa-
doras e exploradoras e a posio de uma fonte de alimento corresponde a
uma possvel soluo para o problema de otimizao. As abelhas operrias
escolhem as fontes de alimento memorizando as regies onde existem as
melhores fontes e esto associadas com uma fonte de alimento particular,
158 de Lima et al.
a qual esto explorando. Elas compartilham informaes sobre esta fonte

particular com suas companheiras de colmia (observadoras) com certa
probabilidade.
As abelhas observadoras escolhem as fontes de alimento dependendo
da experincia de suas companheiras de colmia (operrias), ajustando
deste modo, suas respectivas posies no espao de busca. Quanto maior
a quantidade de nctar de uma fonte de alimento apresentada s abelhas
observadoras por uma abelha operria, maior a probabilidade de que uma
abelha observadora escolha esta fonte para explorar.
As abelhas exploradoras so responsveis pela descoberta de novas fon-
tes, diversicando as regies de busca e evitando desta forma, a conver-
gncia prematura do algoritmo. Elas realizam o procedimento de busca
totalmente aleatrio, sem a utilizao da experincia de suas companhei-
ras.
As abelhas utilizam sua capacidade de memorizao de forma eciente
e as abelhas articiais tentam simular este comportamento. Por exemplo,
se a quantidade de nctar de uma nova fonte for maior que a quantidade
de nctar de uma fonte anterior guardada na memria da abelha, ela ento
memoriza a posio da nova fonte e esquece a posio da fonte anterior.
Para a utilizao do algoritmo CAA, primeiramente o problema de
otimizao considerado convertido no problema de encontrar o melhor
vetor de parmetros que minimize ou maximize uma funo objetivo. A
partir da, as abelhas articiais aleatoriamente descobrem uma populao
inicial de vetores soluo e iterativamente buscam melhorar estas solues
empregando estratgias que implicam em mover as abelhas na direo das
melhores solues, enquanto abandonam as piores solues.
Com exceo dos parmetros comuns, tais como: tamanho da popula-
o, nmero mximo de ciclos, o algoritmo CAA emprega um nico par-
metro de controle, chamado limite para abandono de uma fonte. Se, aps
um nmero determinado de iteraes, uma soluo no for melhorada,
esta soluo ento abandonada. Normalmente dene-se o parmetro li-
mite como sendo o produto entre a dimenso do problema e o tamanho da
colnia.
As etapas bsicas do Algoritmo CAA so:
No primeiro passo, o algoritmo gera aleatoriamente uma populao ini-
cial xi de SN solues (posies de fontes de alimento), onde SN corres-
ponde ao nmero de abelhas operrias. Cada soluo xi (i = 1, 2, ..., SN )
um vetor D-dimensional, onde D corresponde dimenso do problema.
Aps a inicializao, a populao de posies (solues) submetida
a repetidos ciclos, C = 1, 2,..., MNC (Mximo Nmero de Ciclos) do
processo de busca das operrias, observadoras e exploradoras. Uma abelha
operria produz uma modicao na posio (soluo) em sua memria
e testa a quantidade de nctar (valor da funo objetivo) da nova fonte
(nova soluo). Caso a quantidade de nctar da nova fonte seja maior que
o da fonte anterior, a abelha memoriza a posio da nova fonte e esquece

a posio anterior. Caso contrrio, a abelha mantm a posio da fonte
anterior em sua memria.
Aps todas as abelhas operrias completarem seu processo de busca,
elas compartilham as informaes sobre o nctar das fontes com as abe-
lhas observadoras. As observadoras avaliam as informaes sobre o nctar
trazidas pelas operrias e ento escolhem uma fonte de alimento com uma
probabilidade relacionada com a quantidade de nctar de cada fonte apre-
sentada. Do mesmo modo que as operrias, as abelhas observadoras tam-
bm produzem uma modicao na posio da fonte escolhida e vericam
a quantidade de nctar da nova fonte. Se esta quantidade for maior que a
da fonte anterior, ela substitui esta nova posio em sua memria e esquece
a anterior. Caso contrrio, ela mantm a posio da fonte anterior.
Quando a quantidade de nctar de uma fonte abandonada pelas abe-
lhas, uma nova fonte aleatoriamente determinada por uma abelha ex-
ploradora a m de substituir a fonte que foi abandonada. Estes passos
so repetidos at um pr-determinado nmero de ciclos, ou at que algum
critrio de parada seja satisfeito. Os principais passos do algoritmo so
mostrados a seguir:
No primeiro passo do algoritmo, xi (i = 1, 2, ..., SN ) solues so ale-
atoriamente produzidas no intervalo de parmetros onde SN corresponde
ao nmero de fontes de alimento.
No segundo passo do algoritmo, para cada abelha operria, cujo nmero
total corresponde metade do nmero de fontes de alimento, uma nova
fonte produzida atravs da Equao 8:
vi,j = xi,j + i,j (xi,j xk,j ) (8)
onde i,j um nmero real aleatrio no intervalo [-1,1], k o ndice da

soluo escolhida aleatoriamente da colnia (k = int(rand SN ) + 1),
j = 1, ..., D e D a dimenso do problema. Depois de produzida, a soluo
vi ento comparada com a soluo xi e a abelha operria escolhe a melhor
fonte para explorar.
No terceiro passo do algoritmo, posies de fontes entre as solues xi
so escolhidas com probabilidade de acordo com Equao 9 a m de serem
criadas cpias das melhores fontes. A partir das melhores fontes, novas
fontes so produzidas nas vizinhanas destas fontes atravs da Equao 8,
formando as observadoras. As solues representadas pelas observadoras
so comparadas com as solues xi . Do mesmo modo como realizado para
as operrias, a melhor fonte explorada.
f uncao objetivoi
pi = SN
(9)
P
f uncao objetivoj
j=1
160 de Lima et al.
onde f uncaoobjetivo corresponde ao valor da funo objetivo da soluo

xi .
No quarto passo do algoritmo, fontes so examinadas para determi-
nao das fontes abandonadas. Se o nmero de ciclos em que uma fonte
no pode ser melhorada maior que um limite pr-determinado, a fonte
considerada abandonada. A operria associada com a fonte abandonada
torna-se uma exploradora, realizando uma busca aleatria no domnio do
problema atravs da Equao 10. Os ndices min e max correspondem aos
limites inferiores e superiores do espao de busca, respectivamente.

xi,j = xmin max
i,j + xi,j xmin
i,j rand (10)
3.3 Otimizao quntica por colnia de formigas QACO

O uso de alguns conceitos da computao quntica associados estrutura
dos algoritmos evolucionrios deram origem aos algoritmos evolucionrios
com inspirao quntica (Han & Kim, 2002; Nicolau et al., 2011; da Silva
et al., 2011). Eles utilizam uma representao probabilstica conhecida
como bit quntico, ou qubit que sua unidade fundamental de informao,
como mostrado na expresso a seguir:

onde e so nmeros complexos, sendo que ||2 a probabilidade de

que o qubit seja encontrado no estado 0 e
2
||
a probabilidade de que o
qubit 2 2
seja encontrado no estado 1, obedecendo restrio | | + | = 1.
Cada indivduo formado a partir da observao do vetor qubit. Este
vetor representado por uma cadeia de qubits (Equao 11) sendo, por
m
isto, capaz de representar 2 estados.

1 2 m
qubit =

(11)
1 2 m
Por exemplo, um qubit onde m = 3 capaz de representar os 23 estados

qunticos, representados como |000i, |001i, |010i, |011i, |100i, |101i, |110i e
|111i.
A capacidade de gerar vrias possveis solues num espao de busca
probabilstico a partir de um nico vetor qubit corresponde superposio
linear de estados, outro conceito da computao quntica.
Um exemplo deste tipo de ferramenta o Quantum Ant Colony Opti-
mization (QACO) (Wang et al., 2008) que associa conceitos da computao
quntica com a metfora biolgica do reforo de feromnio utilizada no Ant
Colony Optimization (ACO) (Dorigo & Gambardella, 1996). O feromnio
representado por um string de bits qunticos, como pode ser observado

na Equao 12:

1, 2, ... m,
j = (12)
1, 2, ... m,
2
onde e 1, so nmeros complexos sendo que |1, | a probabilidade
1,
de que o qubit seja encontrado no estado 0 e |1, |2 a probabilidade de
que o qubit seja encontrado no estado 1, obedecendo a restrio |1, | +
2
2
|1, | = 1.
Para fazer com que o QACO seja capaz de resolver problemas de oti-
mizao necessrio converter a notao de qubits para a forma binria
convencional. Isto feito atravs da observao do feromnio j . Pri-
meiramente, um nmero randmico p gerado e ento comparado com o
parmetro de probabilidade de explorao pe . Se p for maior ou igual a o
pe , o caminho do j -simo bit da formiga i determinado pela Equao 13:

0, se j, j,
Caminhoi,j = (13)
1, se j, > j,
onde Caminhoi,j representa o estado do j -simo bit da i-sima formiga. Se

p for menor que pe , o estado do j -simo bit da formiga i determinado
pela seguinte funo limite, Equao 14:

0, se c < 0
c (x) = (14)
1 se c > 0
onde, c um nmero randmico e 0 uma constante. A partir da ob-

servao do feromnio qubit, uma soluo vlida gerada e mostrada na
forma binria por uma formiga caminhando do formigueiro para uma fonte
de alimento, como se pode observar na Figura 1.
Figura 1. Caminho binrio percorrido pelas formigas qunticas.

162 de Lima et al.
Uma vez que as solues binrias convencionais so geradas, cada in-

divduo avaliado de acordo com seu nvel de aptido e os qubits so
atualizados pelo porto de rotao quntico R(id ), dado pela Equao 15.
" 0
#
i i cos(id ) sen(id ) i
0 = R(id ) = (15)
i i sen(id ) cos(id ) i
onde id o ngulo de rotao, responsvel por fazer com que as compo-

nentes do feromnio qubit convirjam para o estado mais apto (0 ou 1). O
ngulo de rotao no possui base terica, sendo denido como mostrado
na Equao 16:
S(j, , j, ).id (16)
onde S(j, ,j, ) o sinal de id que determina o sentido de rotao e

id o mdulo do ngulo aplicado ao vetor qubit. Estes valores so
determinados, no QACO, pela Tabela 1 (Wang et al., 2008), na qual xi
o i-simo bit da formiga x, bi o i-simo bit da melhor formiga, f (x) a
aptido da formiga x e f (b) a aptido da melhor formiga.
Tabela 1. ngulo de rotao do porto quntico.

S(i, , i, )
xi bi f (x) > f (b) id i, , i, > 0 i, , i, < 0 i, = 0 i, = 0
0 0 Falso 0,01 -1 +1 1 1
0 0 Verdadeiro 0,01 -1 +1 1 1
0 1 Falso 0,025 -1 +1 1 1
0 1 Verdadeiro 0,025 +1 -1 1 1
1 0 Falso 0,025 +1 -1 1 1
1 0 Verdadeiro 0,025 -1 +1 1 1
1 1 Falso 0,01 +1 -1 1 1
1 1 Verdadeiro 0,01 +1 -1 1 1
4. Metodologia Utilizada no Problema da Recarga

Para demonstrar o desempenho das metaheursticas mencionadas na Se-
o 3 para a soluo do PRRN, o ciclo 7 de operao da Usina Nuclear
Angra 1 utilizado como referncia para este captulo. Nas simulaes
realizadas, o cdigo de fsica de reatores RECNOD (Chapot et al., 1999)
foi utilizado.
A Figura 2 mostra uma vista superior do ncleo do reator da Usina
Nuclear Angra 1, com seus 121 elementos e eixos de simetria. Este modelo
200
fornece um nmero de aproximadamente 10 possveis solues.
Figura 2. Ncleo de Angra 1.
Devido ao fato da distribuio de potncia no ncleo do reator apresen-

tar simetria, esta caracterstica pode ser utilizada com objetivo de reduzir
a complexidade deste problema de otimizao. Existem dois eixos de sime-
tria principais (linhas contnuas) dividindo o ncleo do reator em quatro
regies (Figura 2). Este modelo representa o que conhecido como sime-
tria de 1/4 de ncleo ou simetria de quarteto. Estes dois eixos principais
juntamente com os outros dois eixos secundrios (linhas pontilhadas), di-
videm o ncleo em oito regies, formando o que conhecido por simetria
de 1/8 de ncleo ou simetria de octeto. A Figura 3 mostra a simetria de
octeto em detalhes (vista superior). O modelo de octeto considerado
neste estudo e apresenta 21 elementos combustveis: 10 em ambos os eixos
de simetria, 10 entre os eixos de simetria e um elemento central, o qual no
participa da permutao.
A simetria de octeto reduz a complexidade do problema uma vez que
o nmero de elementos combustveis a serem combinados diminui de 121
(todo o ncleo) para 20 (visto que o elemento central xo). De qualquer
modo, ainda assim este problema continua sendo extremamente complexo,
especialmente sob o ponto de vista do tempo gasto na avaliao da funo
objetivo, considerando-se o grande nmero de possveis solues. Na Fi-
gura 3, os elementos combustveis que ocupam posies de 1 a 10 s podem
ser substitudos por outros elementos destas mesmas posies, o mesmo
ocorrendo para os elementos das posies de 11 a 20. O objetivo por trs
da soluo do problema encontrar o melhor padro de carregamento para
os 20 elementos combustveis de modo a maximizar a concentrao de boro
ao nal do ciclo. A funo objetivo utilizada neste estudo (Equao 17)
164 de Lima et al.
Figura 3. 1/8 de ncleo de Angra 1.
leva em considerao dois parmetros fundamentais: a concentrao de

boro (CB ) e a potncia mdia (Prm ) no elemento combustvel. O primeiro
parmetro (CB ) est relacionado com o aumento da durao do ciclo e
o segundo (Prm ) com restries operacionais relativas segurana. En-
quanto (Prm ) for maior de 1,395 (Chapot, 2000), a funo objetivo age
minimizando este valor independentemente do valor de (CB ). Uma vez
que um padro de recarga vlido encontrado, a funo objetivo passa
ento a maximizar (CB ). (de Lima et al., 2008).
1
CB
, se Prm 1, 395
F uncao Objetivo = (17)
Prm , Caso contrario
onde, Prm a potncia mdia e CB a concentrao de Boro.

Desta forma, o objetivo dos algoritmos implementados no PRRN
minimizar a funo objetivo (Equao 17), ou seja, minimizar a potncia
mdia at o limite da especicao tcnica da Central Nuclear Angra 1, e
quando a potncia mdia estiver na regio vlida, maximizar a concentra-
o de boro.
Com exceo do algoritmo SCF que mapeia o ncleo diretamente atra-
vs de uma formiga para cada EC, todos os outros quatro algoritmos abor-
dados neste captulo utilizam uma representao binria ou real de suas
solues. Nestes algoritmos, ao nal de uma iterao, gerado um vetor
com 20 posies, formado por nmeros inteiros ou reais, porm existe a
possibilidade de serem gerados nmeros repetidos. Como estes 20 nmeros
representam os ECs, utilizando simetria de 1/8 de ncleo, esta repetio
invalida o ncleo gerado, pois cada EC do ncleo nico.
Alm disto, devido queima dos ECs em suas posies nos ciclos an-
teriores, elementos que ocupavam posies de quarteto no ciclo anterior,
devem ocupar posies de quarteto no ciclo atual e o mesmo vale para
ECs de octetos, para evitar a queima assimtrica no ncleo. ECs classi-

cados como de quarteto, so ECs que ocupam as posies de 1 a 10, pois
s existem 4 simtricos, e ECs classicados como de octeto, so ECs que
ocupam as posies de 11 a 20, como mostrado na Figura 3. Para resolver
os problemas da repetio de ECs e o da proibio da troca entre os ele-
mentos de quarteto e octeto foi utilizado o modelo de Random Keys (Bean,
1994), que impede a formao de um mapa de ncleo com ECs repetidos
e com trocas no permitidas. A seguir mostrado um exemplo do modelo
Random Keys.
Dado um vetor de nmero reais com 20 posies, representado na Fi-
gura 4, gerado por um dos 4 algoritmos, dividido em dois vetores menores
de 10 posies, onde os primeiros 10 representam os ECs de quarteto e os
de 11 a 20 representam os ECs de octeto.
Figura 4. Vetor de nmero reais com 20 posies.
O modelo Random Keys consiste em ordenar o vetor de forma crescente,

por exemplo, e criar um novo vetor com os ndices deste ordenamento. Com
esta tcnica os dois vetores da Figura 4 so transformados nos vetores
representados na Figura 5.
Figura 5. Reordenao dos vetores da Figura 4, utilizando o modelo

Random Keys
.
A Figura 6 uma representao do modelo de Ncleo da Usina Angra

1, com simetria de 1/8, com os 20 EC mapeados, onde as posies dos EC
de quarteto (2) e octeto (14) aparecem em destaque.
Desta forma, com o uso do modelo Random Keys no se tem ECs repe-
tidos e nem ECs de quarteto trocados com ECs de Octeto, onde no primeiro
vetor sempre se tem nmeros, sem repeties, entre 1 e 10, e no segundo
vetor nmeros, sem repeties, entre 11 e 20. Aps este procedimento os
166 de Lima et al.
Figura 6. Representao do modelo de Ncleo da Usina Nuclear Angra 1.
vetores so agrupados novamente, criando um novo vetor de 20 posies e

enviado para o cdigo de Fsica de Reatores RECNOD de modo a gerar os
valores de CB e Prm que sero utilizados no clculo da funo objetivo.
Quando se aplica o SCF ao problema da recarga, o agente k uma for-
miga articial que se move de posio em posio no ncleo, preenchendo-as
com os ECs, at retornar posio inicial, construindo um mapa de preen-
chimento de ncleo. A este agente k est associada uma lista Jk (r) (onde
r a posio atual do agente), que diz quais posies ainda no foram
visitadas quando o agente k est localizado na posio r, e quais os ECs
que ainda no foram utilizados.
O agente k seleciona uma posio para deslocar-se atravs de uma
Regra de Transio de Estado descrita pela Equao 18 a seguir:
max {[F E(r, s, p)] [HE(r, s, p)] }

se q q0
s= (18)
Roleta se q > q0
onde a roleta dada pela distribuio de probabilidades pseudo-aleatria-

proporcional, mostrada na Equao 19.
[F E(r,s,p)] [HE(r,s,p)]

P
[F E(r,z,p)] [HE(r,z,p)]
se s Jk (r)
Roleta = zJk (r) (19)
0 se s
/ Jk (r)

onde a varivel p inserida nas Equaes 18 e 19 representa a posio do

ncleo em que o EC vai ser inserido, como mostrado nas Figuras 2 e 3.
As Equaes 4, 5, 18 e 19 tornam-se semelhantes, exceto pela vari-

vel p, responsvel pela transformao das matrizes HE e FE em matrizes
cbicas. No caso especco do PRRN, a matriz FE ser preenchida igual-
mente.
A varivel p foi inserida devido ao fato de que, a contribuio para a
soma total do percurso, associada a se colocar a cidade r ao lado da cidade
s(no caso do PCV), independe da posio que este par (r, s) aparece na
lista de cidades que descreve o percurso do agente k. No caso da recarga,
se colocar o EC r ao lado do EC s na posio p do ncleo, contribui de uma
forma diferente se colocarmos o EC r ao lado do EC s na posio p + 1 do
ncleo.
Em outras palavras, na otimizao do PRRN a soluo nal dada pelo
fato do EC r ser precedido pelo EC s depende das posies destes ECs no
ncleo do reator, isto , a contribuio que dois ECs seguidos daro para
a congurao nal se eles estiverem ocupando posies mais internas no
ncleo do reator diferente da contribuio dada pelos mesmos dois ECs
quando ocupam posies perifricas do ncleo do reator. Assim, o custo
da distncia associada entre as posies r e s dependente da posio
que estas distncias ocupam na congurao. Desta forma, o feromnio
associado a uma distncia (r, s) nestas condies no expressa corretamente
a informao de qualidade que este deveria expressar.
Deste modo, para incorporar esta caracterstica do problema na mo-
delagem, tornou-se necessrio incluir uma nova varivel nas equaes que
regem o SCF. Esta nova varivel representa a posio do EC s no ncleo
do reator e, assim, o percurso (r, s) transforma-se no percurso (r, s, p), e
ento, o PRRN passa a ter uma dimenso a mais que o PCV.
Como as matrizes F E e HE tiveram a varivel p inserida, as Equaes 6
e 7 so transformadas nas Equaes 20 e 21, que tero suas descries
idnticas s Equaes 6 e 7, com exceo da varivel p (posio), como
mostrado a seguir.
A regra de atualizao local dada pela Equao 20:
F E(r, s, p) = (1 ) F E(r, s, p) + F Ezero (20)
A regra de atualizao global dada pela Equao 21:
F E(r, s, p) = (1 ) F E(r, s, p) + W/melhorresultado (21)
5. Resultados
Ao longo de 10 anos de pesquisa em dissertaes de mestrado e teses de dou-
torado no LMP/COPPE, foram estudados vrios algoritmos evolucionrios
com inteno de resolver o problema da recarga de uma forma eciente.
168 de Lima et al.
Pode-se observar atravs dos resultados, a melhora dos mesmos devido

evoluo natural da pesquisa, at atingir nveis acima do esperado.
Todos os testes foram executados para o mesmo ciclo de operao, o
ciclo 7 da Usina Nuclear Angra 1, com o mesmo cdigo de fsica de reatores
(RECNOD) e com a mesma funo objetivo (Equao 17), com todos os
parmetros dentro do limite de segurana.
At os dias de hoje, a grande maioria das usinas nucleares tm suas
conguraes de ncleo feitas por especialistas, que conseguem atingir re-
sultados satisfatrios para a usina. Porm, com o uso de algoritmos evo-
lucionrios, estes resultados podem ser melhorados, como mostrado na
Tabela 2.
Tabela 2. Resultados dos Algoritmos testados.

Autores Concentrao Mtodo Avaliaes
de Boro
Especialista 955 Manual
Chapot (2000) 1026 AG 4000
Meneses et al. (2009) 1394 PSO 4000
de Lima et al. (2008) 1424 SCF 329000
da Silva et al. (2011) 1415 QACO 99240
Oliveira & Schirru (2011)* 1542 CAA 6807
* Foi permitido misturar EC de quartetos com EC de octetos.
Os valores da concentrao de boro nos fornecem uma estimativa da

durao do ciclo, em DEPP, onde aproximadamente 4 ppm de boro, equi-
vale a 1 DEPP. Como se pode observar na Tabela 2, ao longo dos anos, a
ecincias dos algoritmos foi aumentando e chegando a valores de concen-
trao de boro muito altos. Tem-se ganho de aproximadamente 400 ppm
de boro, que equivaleriam em torno de 100 DEPP a mais para o ciclo 7
real da Usina Nuclear Angra 1.
Um DEPP equivale a 1 dia de operao de uma usina nuclear, e cada
dia a mais equivale a cerca de 1 milho de dlares a mais para a operadora
da usina e um dia a menos que a usina ca desligada para recarga de
combustvel.
6. Concluses
Neste captulo foi mostrada a viabilidade do uso de metaheursticas de oti-
mizao, tais como algoritmos genticos, enxame de partculas, algoritmo
de abelhas, colnia de formigas, e a verso quntica do algoritmo de colnia
de formigas, na otimizao de um problema de grande relevncia econ-
mica da Engenharia Nuclear: a otimizao da recarga do combustvel da
usina Angra 1. Os resultados apresentados na Seo 5 comprovam a ec-

cia e viabilidade do uso de tais mtodos na otimizao do caso particular
do ciclo 7 de operao da Usina Nuclear Angra 1, principalmente quando
comparado com aos resultados encontrados pelos especialistas.
Alm disto, importante destacar a aplicabilidade de um algoritmo que
faz uso de uma das mais recentes tendncias na tentativa de aprimorar a
Computao Evolucionria, atravs do uso de conceitos oriundos da Com-
putao Quntica como o caso do Quantum Ant Colony Optimization.
Referncias
Bean, J., Genetic algorithms and random keys for sequencing and optimi-
zation. ORSA Journal on Computing, 6(2):154160, 1994.
Chapot, J., Otimizao Automtica de Recargas de Reatores a gua Pres-
surizada Utilizando Algoritmos Genticos. Tese de doutorado, Pro-
grama de Engenharia Nuclear/COPPE, Universidade Federal do Rio
de Janeiro, Rio de Janeiro, RJ, 2000.
Chapot, J.; Silva, F. & Schirru, R., A new approach to the use of genetic
algorithms to solve pressurized water reactor's fuel management opti-
mization problem. Annals of Nuclear Energy, 26(7):641665, 1999.
da Silva, M.; Schirru, R. & de Lima, A., QACO_alpha applied to the nu-
clear reactor core fuel reload optimization. Progress in Nuclear Energy,
53(1):8085, 2011.
de Lima, A.; Schirru, R.; Silva, F. & Medeiros, J., A nuclear reactor core
fuel reload optimization using articial ant colony connective networks.
Annals of Nuclear Energy, 35(9):16061612, 2008.
Dorigo, M. & Gambardella, L., Solving symmetric and asymmetric TSPs

Proceedings of IEEE International Conference on
by ant colonies. In:
Evolutionary Computation. Piscataway, USA: IEEE, p. 622627, 1996.
Learning. Reading, USA: Addison Wesley, 1989.
Han, K. & Kim, J., Quantum-inspired evolutionary algorithm for a class
IEEE Transactions on Evolutionary
of combinatorial optimization.
Computation, 6(6):580593, 2002.
Holland, J., Adaptation In Natural and Articial Systems. Ann Arbor,
USA: University of Michigan Press, 1975.
Karaboga, D., An Idea Based on Honey Bee Swarm for Numerical Optimi-
zation. Technical Report TR06, Computer Engineering Department,
Erciyes University, Kayseri, Turkey, 2005.

of IEEE International Conference on Neural Networks. Piscataway,
USA: IEEE, v. 4, p. 19421948, 1995.
170 de Lima et al.
Kropaczek, D. & Turinsky, P., In-core nuclear fuel management optmi-

zation for pressurized reactors utilizing simulated annealing. Nuclear
Technology, 95:932, 1991.
Lin, C.; Yang, J.I.; Lin, K.J. & Wang, Z.D., Pressurized water reactor
loading pattern design using the simple tabu search. Nuclear Science
and Engineering, 129(1):6171, 1998.
Meneses, A.; Machado, M. & Schirru, R., Particle swarm optimization

applied to the nuclear reload problem of a pressurized water reactor.
Progress in Nuclear Energy, 51(2):319326, 2009.
Nicolau, A.; Schirru, R. & Meneses, A., Quantum evolutionary algorithm

applied to the transient identication of a nuclear power plant. Pro-
gress in Nuclear Energy, 53(1):8691, 2011.
Oliveira, I. & Schirru, R., Swarm intelligence of articial bees applied to

in-core fuel optimization. Annals of Nuclear Energy, 38(5):10391045,
2011.
Oliveira, I.; Schirru, R. & Medeiros, J., On the performance of an articial

bee colony optimization algorithm to the accident diagnosis of a PWR
nuclear power plant. In: Proceedings of International Nuclear Atlantic
Conference. Rio de Janeiro, RJ: ABEN, 2009.
Schirru, R.; de Lima, A. & Machado, M., Parallel evolutionary methods

applied to a PWR core reload pattern optimization. In: Ruan, D.;
D'hondt, P.; Fantoni, P.; Cock, M.; Nachtegael, M. & Kerre, E. (Eds.),
Applied Articial Intelligence Proceedings of the 7 International
th
FLINS Conference. Singapore: World Scientic, p. 915921, 2006.

Wang, L.; Niu, Q. & Fei, M., A novel quantum ant colony optimization
algorithm and its application to fault diagnosis. Transactions of the
Institute of Measurement and Control, 30(3-4):313329, 2008.
Notas Biogrficas
Alan M. M. de Lima bolsista CAPES/FAPERJ, possui graduao em
Fsica pela Universidade Federal Fluminense (UFF 1998), mestrado, doutorado
e ps-doutorado em Engenharia Nuclear pela Universidade Federal do Rio de
Janeiro UFRJ (2000, 2005 e 2006). Tem experincia na rea de Engenharia
Nuclear, com nfase em Ncleo do Reator e recarga de reatores nucleares do
tipo PWR, atuando principalmente nos seguintes temas: otimizao, algoritmos
evolucionrios e inteligncia articial.
Andressa dos Santos Nicolau bolsista CNPQ, graduada em Fsica pela

Universidade Estadual do Rio de Janeiro UERJ (2007) e Mestre em Engenharia
Nuclear pela Universidade Federal do Rio de Janeiro UFRJ (2010). Atualmente
estudante de doutorado em Engenharia Nuclear pela Universidade Federal do
Rio de Janeiro UFRJ (2010). Possui experincia em Cincia da Computao
com nfase em Inteligncia Articial.
Ion Maghali Santos de Oliveira bolsista CNPQ, possui graduao em

Engenharia Eltrica pelo Centro Universitrio da Cidade (2002) e mestrado em
Engenharia Nuclear na rea de Anlise de Segurana pela Universidade Federal
do Rio de Janeiro (2007). Tem experincia na rea de Engenharia Eltrica,
com nfase em Engenharia Eletrnica e doutorado em andamento na rea de
Engenharia de Fatores Humanos pela Universidade Federal do Rio de Janeiro.
Jose Antonio Carlos Canedo Medeiros graduado em Engenharia Eltrica

pela Universidade do Estado do Rio de Janeiro UERJ (1977), tem mestrado e
doutorado em Engenharia Nuclear pela Universidade Federal do Rio de Janeiro
- UFRJ (1999 e 2005). Atualmente professor da Universidade Federal do Rio
de Janeiro UFRJ.
Mrcio Henrique da Silva bolsista CNPQ, possui licenciatura em Fsica

pela Universidade Federal do Rio de Janeiro (2007) e mestrado em Engenharia
Nuclear pela Universidade Federal do Rio de Janeiro (2010).
Roberto Schirru bolsista de produtividade em pesquisa do CNPQ nvel 1B.

Tem bacharelado em Fsica pela Universidade Federal do Rio de Janeiro UFRJ
(1976), Mestre e Doutor em Engenharia Nuclear pela Universidade Federal
do Rio de Janeiro UFRJ (1980 e 1991). Tem ps-doutorado em inteligncia
articial pelo Instituto Della Molle Di Studi Di Intelligenzia Articialle (1994).
especializado em processamento em tempo real pela Digital Equipments Com-
puter (1977) e inteligncia articial pelo Centro Europeu de Pesquisas Nucleares
(1993). Atualmente professor associado 3 da Universidade Federal do Rio de
Janeiro UFRJ. Possui experincia na rea de Cincia da Computao, com
nfase em sistemas de computao, atuando principalmente nos seguintes temas:
Representao de Conhecimento, Operao de Usinas Nucleares, Segurana de
Usinas Nucleares.
172 de Lima et al.
.
Captulo 9
Resoluo de Problemas Inversos

em Processos Difusivos e Transferncia Radiativa
usando o Algoritmo de Evoluo Diferencial
Fran Srgio Lobato, Valder Steffen Jr. e Antnio J. Silva Neto
Resumo: A formulao e a resoluo de problemas inversos em

processos difusivos e de transferncia radiativa tm um papel fun-
damental no desenvolvimento cientco e tecnolgico em diversas
reas, com aplicaes em engenharia e medicina, tais como tomo-
graa computadorizada, sensoriamento remoto e cincias ambien-
tais. Tradicionalmente, estes problemas so resolvidos usando tc-
nicas de otimizao baseadas no uso de derivadas. Neste captulo,
apresenta-se como alternativa para o tratamento destes problemas o
algoritmo de Evoluo Diferencial, que se fundamenta na realizao
de operaes vetoriais para a atualizao de candidatos soluo
do problema. Alm disso, apresenta-se uma estratgia para a atua-
lizao dinmica dos parmetros desta estratgia.
Palavras-chave: Algoritmo de evoluo diferencial, Problemas in-

versos, Processos difusivos, Transferncia radiativa.
Abstract: The formulation and resolution of inverse problems in

diusive processes and radiative transfer have a fundamental role
in scientic and technological development in several areas, with
applications in engineering and medicine, such as computerized to-
mography, remote sensing and environmental sciences. Traditio-
nally, these problems are solved by using optimization techniques
based on the use of derivatives. In this chapter, it is presented an
alternative to the treatment of these problems by using the Die-
rential Evolution algorithm. It is based on vector operations for
dynamically updating candidates to the solution of the problem. In
addition, a strategy for dynamic updating the parameters of this
algorithm is also presented.
Keywords: Dierential evolution algorithm, Inverse problems,
Diusive process, Radiative transfer.
Autor para contato: ajsneto@iprj.uerj.br

174 Lobato et al.
1. Introduo
Dentre os mtodos de otimizao heursticos desenvolvidos nos ltimos
anos, o algoritmo de Evoluo Diferencial (ED), proposto em 1995 por
Storn e Price (Storn & Price, 1995), se congura como uma das estratgias
mais utilizadas para a resoluo de problemas da cincia e engenharia. Seu
sucesso se deve a sua concepo conceitual simples, facilidade de imple-
mentao, capacidade de estruturao em arquitetura paralela, habilidade
de escapar de timos locais, e pelos resultados obtidos em aplicaes com
diferentes graus de complexidade.
Em linhas gerais, a idia principal por trs deste algoritmo o es-
quema proposto para atualizao de cada indivduo, a saber, por meio
da realizao de operaes vetoriais. Basicamente, a diferena ponderada
entre dois indivduos da populao adicionada a um terceiro indivduo
da mesma populao. Assim, o indivduo gerado atravs deste esquema
avaliado segundo a funo objetivo, podendo inclusive substituir indiv-
duos mal sucedidos nas geraes seguintes. Esta caracterstica faz com que
esta tcnica seja reconhecida como uma abordagem puramente estrutural,
o que a diferencia em relao s outras tcnicas evolutivas, j que estas
tm fundamentao terica inspirada na natureza.
Na literatura recente inmeras aplicaes usando o algoritmo de ED po-
dem ser encontradas. Os prprios autores deste captulo j publicaram um
elenco relativamente amplo de trabalhos relatando aplicaes deste tipo,
dentre as quais pode-se citar a estimao de parmetros cinticos em um
secador rotatrio (Lobato et al., 2008), a estimao de parmetros de um
ltro adaptativo utilizado como ferramenta para controle de qualidade em
linhas de montagem de cmbios automotivos (Oliveira-Filho et al., 2008),
e a estimao da difusividade trmica de frutas (Mariani et al., 2008).
Na rea de controle timo tem-se como exemplos a determinao do per-
l timo de alimentao de substrato em fermentadores (Kapadi & Gudi,
2004) e a resoluo de problemas de controle timo clssicos com restri-
es de desigualdade (Lobato et al., 2007b). No contexto multi-objetivo
destacam-se a otimizao estrutural de vigas (Lobato & Steen Jr., 2007),
a determinao do perl timo de alimentao de substrato em um pro-
blema de controle timo com ndice utuante (Lobato et al., 2007a), a
otimizao das condies operacionais de um reator industrial utilizado
para a produo de estireno (Babu et al., 2005) e o uso de tcnicas de
meta-modelagem associada ao enfoque multi-objetivo para o tratamento
de um problema de interao uido-estrutura (Lobato, 2008). Outras apli-
caes podem ser encontradas em Price et al. (2005), em Lobato (2008) e
no site: http://www.icsi.berkeley.edu/storn/code/html.
Apesar do nmero expressivo de aplicaes em reas distintas da li-
teratura especializada, pode-se dizer que o nmero de contribuies em
Resoluo de problemas inversos com evoluo diferencial 175
problemas inversos, em especial no tratamento de processos difusivos e

transferncia radiativa, ainda bastante limitado.
Neste contexto, o presente captulo tem por objetivo apresentar aplica-
es do algoritmo de ED na resoluo de problemas inversos em processos
difusivos e transferncia radiativa, com interesse especco no problema de
transferncia radiativa em meios homogneos e meios heterogneos, bem
como em outro, acoplando radiao-conduo. Alm disso, tambm apre-
sentada uma estratgia para a atualizao dinmica dos parmetros do
algoritmo, sendo este ponto uma contribuio dos autores no sentido de
melhorar o desempenho do algoritmo clssico. Este captulo estrutu-
rado como se segue. Na Seo 2 so apresentadas as motivaes para o
desenvolvimento do algoritmo de ED. A concepo do algoritmo, com a
respectiva descrio dos operadores mostrada na Seo 3. Na Seo 4
so apresentadas aplicaes em problemas de transferncia radiativa em
meio participante com propriedades constantes e dependentes da varivel
ptica espacial, considerando a atualizao dinmica dos parmetros do
algoritmo de ED, em um problema de transferncia radiativa composto
por duas camadas e em um problema envolvendo a transferncia de ca-
lor por radiao-conduo. Finalmente, na Seo 5 so apresentadas as
consideraes nais.
2. Motivao para o Desenvolvimento do Algoritmo de ED

A principal motivao para o desenvolvimento do algoritmo de ED foi a
lenta taxa de convergncia e a diculdade na determinao dos parmetros
do polinmio de Chebychev exibida pelo algoritmo hbrido denominado
Recozimento Gentico Genetic Annealing Algorithm (Price, 1994).
Foi durante a resoluo deste problema que Storn decidiu modicar este
algoritmo hbrido de forma a trabalhar com codicao de ponto utuante
e com operaes aritmticas. Neste sentido, ele acabou por desenvolver
o operador de mutao diferencial, o que fundamenta o algoritmo de ED.
Com o sucesso obtido com a aplicao deste operador, Storn sugeriu ou-
tras conguraes para a determinao de candidatos em potencial para a
soluo do problema de otimizao (Storn & Price, 1995).
O primeiro contato da comunidade cientca com o algoritmo de ED
foi no ICEO International Contest on Evolutionary Optimization. Neste
evento foi demonstrado o desempenho da tcnica em uma srie de funes
matemticas com diferentes graus de diculdade e complexidade. Esta
primeira apario foi consolidada posteriormente (Storn & Price, 1997).
3. Concepo Conceitual
O algoritmo de ED baseia-se na realizao de operaes vetoriais na qual
a diferena ponderada entre dois indivduos distintos, adicionada a um
176 Lobato et al.
terceiro indivduo, o responsvel pela gerao de candidatos. De maneira

geral, o algoritmo de ED apresenta as seguintes operaes: inicializao da
populao, mutao, cruzamento, seleo, alm do critrio de parada do
algoritmo. A seguir so descritas cada uma destas operaes.
3.1 Inicializao do algoritmo de ED

O processo de inicializao da populao no algoritmo de ED, assim como
acontece em outras estratgias heursticas, consiste na gerao de indiv-
duos de forma aleatria. Neste caso, faz-se uso da denio do tamanho da
populao e do domnio de cada varivel de projeto. A partir da, geram-se
nmeros aleatrios que sero aplicados a este intervalo, obtendo-se assim
um vetor de indivduos da populao, como mostrado na Equao 1, a
seguir:
xi,j = xi,L + rand (xi,U xi,L ) (1)
onde xi,L e xi,U so os limites inferiores e superiores das j -simas variveis

de projeto, respectivamente, e rand um gerador de nmeros aleatrios
entre 0 e 1.
Deve ser ressaltado que, na literatura, outros mecanismos para a inici-
alizao da populao podem ser encontrados, como por exemplo, gerao
fundamentada no uso de distribuies Gaussianas, em que os indivduos
da populao so gerados com mdia e desvio padro pr-denidos pelo
usurio (Abbass et al., 2001).
3.2 Operador de mutao

Uma vez inicializado o processo evolutivo, o algoritmo de ED realiza as
operaes de mutao e recombinao para a gerao de uma nova po-
pulao com NP indivduos. O operador de mutao diferencial adiciona
um vetor de referncia, escolhido aleatoriamente na populao, a um vetor
diferena obtido a partir de outros dois vetores tambm escolhidos alea-
toriamente na populao. A Equao 2 mostra como esta combinao
realizada para gerar o novo vetor (candidato) vi,g :
vi,g = xr0,g + F (xr1,g xr2,g ) (2)
onde o escalar F, denominado taxa de perturbao, um nmero real que

controla a magnitude do vetor diferena obtido em cada operao aritm-
tica realizada. Os vetores xr0,g , xr1,g e xr2,g so geralmente escolhidos
aleatoriamente na populao, apesar de poderem ser denidos de outras
formas (Fan & Lampinen, 2003), como ilustrado na Tabela 1.
A conveno utilizada nesta tabela DE/X/Y/Z, onde X representa
o vetor que ser perturbado (best ou rand). Por exemplo, optando-se
por rand, o vetor que ser perturbado escolhido aleatoriamente na po-
pulao. Y o nmero de pares de vetores que so considerados durante
Tabela 1. Representao dos mecanismos de mutao no algoritmo de ED.

Estratgia Representao Mecanismo de Mutao
1 xj+1 =xjbest + F (xj1 xj2 ) DE/best/1/exp
2 xj+1 =xj3 + F (xj1 xj2 ) DE/rand/1/exp
3 xj+1 =xjold + F (xjbest xjold ) + F (xj1 xj2 ) DE/ran-to-best/2/exp
4 xj+1 =xjbest + F (xj1 xj2 ) + F (xj3 xj4 ) DE/best/2/exp
5 xj+1 =xj5 + F (xj1 xj2 ) + F (xj3 xj4 ) DE/rand/2/exp
6 xj+1 =xjbest + F (xj1 xj2 ) DE/best/1/bin
7 xj+1 =xj3 + F (xj1 xj2 ) DE/rand/1/bin
8 xj+1 =xjold + F (xjbest xjold ) + F (xj1 xj2 ) DE/rand-to-best/2/bin
9 xj+1 =xjbest + F (xj1 xj2 ) + F (xj3 xj4 ) DE/best/2/bin
10 xj+1 =xj5 + F (xj1 xj2 ) + F (xj3 xj4 ) DE/rand/2/bin
a perturbao e Z o tipo de cruzamento usado para a gerao do can-

didato, bin no caso binomial e exp no caso exponencial. Os subscritos i
(i =1,..., 5) so ndices escolhidos aleatoriamente na populao. xbest o
melhor indivduo da populao na gerao anterior e xold um indivduo
escolhido aleatoriamente dentro da populao na gerao anterior.
3.3 Operador de cruzamento

Para complementar a operao de mutao, o algoritmo de ED emprega
o operador de cruzamento. Nesta operao, o vetor vi,g gerado anterior-
mente pode ou no ser aceito na prxima gerao de acordo com a seguinte
condio:

vi,g se rand CR ou j = jrand
ui,g = (3)
xi,g caso contrrio
onde CR denominada probabilidade de cruzamento, denida pelo usurio

e contida no intervalo [0, 1]. Este parmetro controla as informaes dos
pais que sero transmitidas aos lhos. Para determinar qual a contribuio
de um determinado vetor gerado, o cruzamento compara CR com o gerador
de nmeros aleatrios rand. Se o nmero randmico gerado menor ou
igual a CR, o vetor vi,g (com posio jrand ) aceito, caso contrrio, o
vetor xi,g mantido na populao atual.
3.4 Operador de seleo

Se o vetor ui,g tem melhor valor de funo objetivo (f ) em relao ao vetor
xi,g , ele o substitui na prxima gerao. Caso contrrio, xi,g mantido na
populao por mais uma gerao, como mostrado a seguir:

ui,g se f (ui,g ) f (xi,g )
xi,g+1 = (4)
xi,g caso contrrio
Uma vez completado o processo de atualizao da populao que ser con-

siderada na prxima gerao, todo o processo descrito acima repetido at
que um determinado critrio de parada seja satisfeito.
178 Lobato et al.
3.5 Critrio de parada

O critrio de parada objetiva a convergncia do algoritmo associada a um
baixo esforo computacional, mensurado pelo nmero de avaliaes da fun-
o objetivo. Tradicionalmente, o principal critrio de parada utilizado em
abordagens heursticas mesmo o nmero mximo de geraes, denido
pelo usurio. Todavia, outros mecanismos podem ser utilizados para -
nalizar o processo evolutivo, dentre os quais se pode citar: o tempo de
processamento, o nmero de avaliaes da funo objetivo, o uso de um
valor de referncia obtido da literatura para esta nalidade e o monitora-
mento do prprio usurio (Price et al., 2005).
Com relao escolha dos parmetros do algoritmo de ED, Storn &
Price (1995) aconselham o uso dos seguintes valores: nmero de indivduos
da populao como sendo igual a um valor entre 5 e 10 vezes o nmero de
variveis de projeto, taxa de perturbao F entre 0,2 e 2,0 e probabilidade
de cruzamento CR entre 0,1 e 1,0. Com relao escolha da estratgia
DE/X/Y/Z, Babu et al. (2005) e Babu & Anbarasu (2005) constataram
em seus trabalhos que os melhores resultados, em termos de convergncia e
diversidade para os problemas estudados por estes autores, foram obtidos
quando se utiliza a estratgia DE/rand/1/bin. importante ressaltar
que outros valores para esses parmetros podem ser atribudos de acordo
com uma aplicao particular.
Uma vez destacada a fundamentao terica do algoritmo de ED e as
principais caractersticas dos seus operadores, cabe ressaltar que no site
http://www.icsi.berkeley.edu/storn/code/html pode ser feito o download
do algoritmo de ED implementado em vrias linguagens de programao.
Na prxima seo sero apresentadas aplicaes de problemas inversos
dedicados a processos difusivos e transferncia radiativa.
4. Aplicaes
Para as aplicaes que se seguem faz-se necessrio enfatizar alguns pontos
para a melhor compreenso dos estudos. Como no so conhecidos os pon-
tos experimentais relativos a cada aplicao, so admitidos valores para
as variveis de projeto a serem determinadas a m de resolver o problema
direto (resoluo do problema de simulao). Desta forma, conhecendo-
se o perl da intensidade da radiao (e da temperatura no problema de
conduo) em pontos do domnio e atribuindo-se um rudo denido pelo
usurio dene-se os pontos experimentais sintticos que sero utilizados
neste captulo. Este rudo acrescido ao ponto calculado procura reproduzir
os erros de medio que so inerentes a qualquer procedimento experimen-
tal. Deste modo, tal aspecto ser considerado neste trabalho atravs da
seguinte relao:
exp = cal + ri (5)
onde cal e exp so os valores calculados e experimentais para a grandeza

considerada (radiao e/ou conduo), respectivamente, ri um nmero
aleatrio entre -1 e 1 e relacionado ao desvio padro associado ao
procedimento experimental.
O problema inverso consiste na minimizao do funcional Q, isto ,
minimizao da diferena entre os valores experimentais e os valores cal-
culados pelo sistema de equaes que regem o fenmeno em anlise. Ma-
tematicamente, tem-se:
Nd
X
Q= (ical iexp )2 (6)
i=1
onde Nd representa o nmero total de dados experimentais. Deve ser ressal-

tado que, para cada aplicao a ser apresentada, um conjunto de variveis
de projeto especcas ser analisado.
Para a resoluo do problema direto, o termo da integral encontrado do
lado direito de cada equao ser substitudo pela frmula de Quadratura
de Gauss-Legendre (Wylie & Barrett, 1995), transformando o problema
integro-diferencial em um sistema de Equaes Diferenciais Ordinrias
(EDO's) de valor no contorno. Para a discretizao da varivel associada
ao ngulo polar, , so utilizados os seguintes valores: {-0,9983 -0,9830 -
0,9426 -0,8765 -0,7864 -0,6750 -0,5451 -0,4003 -0,2446 -0,0823 0,0823 0,2446
0,4003 0,5451 0,6750 0,7864 0,8765 0,9426 0,9830 0,9983} (Chalhoub et al.,
2007). Este sistema de EDO's ser resolvido usando o Mtodo da Coloca-
o Normal com 10 pontos (Villadsen & Michelsen, 1978; Wylie & Barrett,
1995).
Todos os estudos de caso apresentados neste captulo foram executados
10 vezes (por ser o processo aleatrio) para a obteno dos resultados
apresentados nas tabelas.
4.1 Problema de transferncia radiativa em um meio participante

Este primeiro estudo de caso considera um meio plano-paralelo, espalhador
anisotrpico, cujas propriedades no dependem do comprimento de onda
da radiao, as superfcies de contorno so reetoras difusas e esto sujeitas
a radiao externa isotrpica, como ilustrado na Figura 1, a seguir.
Matematicamente, o fenmeno de transferncia radiativa modelado
por uma equao integro-diferencial, conhecida como equao de Boltz-
mann (ziik, 1973):
Z1
I (, ) ( )
p , 0 I , 0 d0 ,

+ I (, ) =
2
1
0 < < o , 1 1 (7)

180 Lobato et al.
A1 1 2 A2
<0 >0
=1 =1

=0

= 0 =o
Figura 1. Meio participante uni-dimensional.
Z1
I 0, 0 0 d0 , > 0

I (0, ) = A1 + 21 (8)
Z1
I o , 0 0 d0 , < 0

I (o , ) = A2 + 22 (9)
onde I(, ) a intensidade de radiao, a varivel ptica, o coseno

entre a intensidade da radiao e o eixo , o albedo de espalhamento, 1
e 2 so as reectividades nos contornos em =0 e =o , respectivamente,
A1 e A2 so as intensidades da radiao externa incidente nestes contornos,
0
e p(, ) a funo de fase de espalhamento.
No presente estudo foram admitidos os seguintes valores para as vari-
veis de projeto para a determinao dos pontos experimentais sintticos:
constante=0,1, o =5, A1 =1, A2 =0, 1 =2 =0, p(, 0 )=1 e Nd =400.
Como so considerados 20 pontos na discretizao do domnio angular,
tem-se ento 20 pontos no interior e no contorno onde so feitas as medi-
das experimentais. O espao de projeto assim denido: 0< <1, 4<o <6,
0<A1 <1,5 e 0<A2 <1. Cabe ressaltar que foram utilizados pontos interiores
(Detectores Internos DI) ao domnio de forma a se evitar a no-unicidade
da soluo.
Para avaliar a qualidade dos resultados obtidos pelo algoritmo de ED,
ser utilizado o algoritmo de Recozimento Simulado RS (Simulated An-
nealing SA) com os seguintes parmetros: To =5 (temperatura inicial),
rt =0,75 (taxa de resfriamento), Ns =50 (nmero de temperaturas), Nt =5
(nmero de vezes que o procedimento repetido antes da temperatura ser
6
reduzida), =10 (tolerncia) e estimativa inicial: [ o A1 A2 ]=[0,25 4,5
0,5 0,5]. Por outro lado, no algoritmo de ED foram utilizados os par-
metros: populao inicial com 10 indivduos, probabilidade de cruzamento
igual a 0,5, taxa de perturbao igual a 0,8, estratgia DE/rand/1/bin e
100 geraes.
A Tabela 2 apresenta os resultados obtidos pelos algoritmos evolutivos,

onde Neval o nmero mdio de avaliaes da funo objetivo e cputime
o tempo mdio de execuo do algoritmo em minutos, utilizando um
microcomputador com processador Pentium 1 GHz.
Tabela 2. Resultados obtidos pelos algoritmos ED e RS.

o A1 A2 Q (Eq. 6)
Exato Erro nos dados 0,1 5,0 1,0 0,0 -
experimentais
Pior 0,1024 4,9982 0,9988 0,0013 6,3559E-6
0,0 Mdio 0,1004 4,9976 0,9992 0,0000 2,6107E-6
Melhor 0,0998 5,0036 1,0008 0,0000 1,1856E-7
Pior 0,0978 4,9438 0,9844 0,0007 8,0356E-4
DE* 0,5% Mdio 0,0984 4,9470 0,9847 0,0008 8,0333E-4
Melhor 0,0983 4,9494 0,9850 0,0010 8,0310E-4
Pior 0,0453 4,9678 0,9683 0,0000 0,0878
5,0% Mdio 0,0454 4,9675 0,9682 0,0000 0,0878
Melhor 0,0455 4,9674 0,9680 0,0000 0,0878
Pior 0,0997 5,0097 1,0026 0,0004 8,6468E-7
0,0 Mdio 0,0998 4,9981 0,9995 0,0003 7,7231E-7
Melhor 0,0994 4,9956 0,9988 0,0005 7,1664E-7
Pior 0,0929 4,9487 0,9789 0,0009 9,4786E-3
RS** 0,5% Mdio 0,0971 4,9256 0,9848 0,0005 8,0999E-3
Melhor 0,0987 4,9390 0,9841 0,0004 8,0645E-4
Pior 0,0483 4,9578 0,9689 0,0001 0,0892
5.0% Mdio 0,0484 4,9575 0,9685 0,0001 0,0890
Melhor 0,0485 4,9554 0,9680 0,0001 0,0888
*Neval =1010,cputime =21,5 min
**Neval =8478, cputime =62,2 min
A Figura 2 apresenta os pers de intensidade de radiao em =0 e

= o para dados experimentais sem rudo.
De forma geral, pode ser observado com este estudo que ambos os algo-
ritmos conseguem obter resultados satisfatrios. Entretanto, o algoritmo
de ED o faz com menor esforo computacional, a saber, 1010 contra 8478
avaliaes da funo objetivo requeridas pelo algoritmo de RS.
Mais detalhes sobre esta aplicao, alm de outros casos teste, podem
ser encontrados em Lobato et al. (2009a, 2010a).
4.2 Problema de transferncia radiativa com propriedades dependen-

tes da varivel ptica espacial
Neste estudo, o algoritmo de ED aplicado na estimao do albedo de
espalhamento dependente da varivel ptica espacial, isto ; ( ). Alm
disso, considera-se que somente o contorno em =0 sujeita a radiao
isotrpica incidente, isto ; I(0, )=A1 =1, com >0 e I(o , )=A2 =0, com
<0, (1 =2 =0, p(, 0 )=1 e Nd = 400).
182 Lobato et al.
0,045
0,040
0,035
0,030
0,025
Dados Experimentais ( = 0)
0,020
I(
Evoluo Diferencial
0,015 Recozimento Simulado
0,010
= 5
0,005
0,000
-1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
Figura 2. Perl de intensidade de radiao.
A funo que representa o albedo de espalhamento simples considerado

nesta anlise foi estimada e resolvida por Stephany et al. (2010) usando o
algoritmo de Colnia de Formigas (CF) e sua hibridizao com o Mtodo
de Levenberg-Marquardt (LM):
( ) = 0.2 + 0.2 + 0.6 2 (10)
A Tabela 3 apresenta os resultados obtidos usando o algoritmo de Col-

nia de Formigas (120 formigas e 500 geraes), a hibridizao entre este
algoritmo (com 10 formigas e 40 geraes) e o Mtodo de Levenberg Mar-
quardt e com o algoritmo de ED (10 indivduos, taxa de perturbao e pro-
babilidade de cruzamento, ambas iguais a 0,8, estratgia DE/rand/1/bin
e 100 geraes).
Tabela 3. Resultados obtidos pelos algoritmos de CF, ED e CF-Levenberg

Marquardt.
Algoritmo Nvel de Rudo Neval
0% 5%
CF 7,22E-06 - 60000
CF-LM 4,39E-10 1,31E-03 400+19
ED 1,63E-09 1,27E-05 1010
Comparando as tcnicas heursticas, pode ser observado que o algo-

ritmo de ED encontra melhores resultados, em termos da funo objetivo
e do nmero de avaliaes da funo objetivo (Neval ), do que o algoritmo
de CF. Com relao ao hbrido CF-LM, o algoritmo de ED consegue obter
resultados com a mesma ordem de grandeza.
Mais detalhes sobre este estudo de caso pode ser encontrado em Lobato
et al. (2010b).
4.3 Problema de transferncia radiativa com atualizao dinmica de

parmetros no algoritmo de ED
Este estudo tem por objetivo apresentar uma estratgia para a atualizao
dinmica de parmetros do algoritmo de ED usando o conceito de diversi-
dade da populao proposto por Zahaire (2003). A metodologia proposta
aplicada para a estimao simultnea da funo de fase de espalhamento
anisotrpico, do albedo de espalhamento simples e da espessura ptica, em
problemas de transferncia de calor por radiao. Segundo Zahaire (2002,
2003), o valor esperado para a varincia da populao (x) obtida aps
recombinao dado por:
CR2

2CR
E (V ar (x)) = 2F 2 CR + 1 + V ar (x) (11)
NP NP
onde E a esperana matemtica, V ar a varincia de x, F taxa de

perturbao, CR a probabilidade de cruzamento e NP o tamanho da
populao. Denindo como sendo:
V ar (x (g + 1))
(12)
V ar (x (g))
onde x(g) e x(g + 1) representam as populaes nas geraes g e g +1.

Na equao acima, se <1 compensa-se o aumento da varincia, desta
forma acelerando o processo de convergncia, porm com risco de obter con-
vergncia prematura. Por outro lado, se >1 compensa-se a diminuio
da varincia, podendo desta forma evitar convergncia prematura. Neste
sentido, pode-se, atravs do monitoramento da populao e controle dos
parmetros do algoritmo de ED, compensar o efeito da aplicao dos opera-
dores de recombinao e seleo do algoritmo. Segundo esta idia, Zahaire
(2002) props as seguintes relaes para a atualizao da taxa de pertur-
bao e da probabilidade de cruzamento no algoritmo de ED:
( q
1
p
se 0
F = NP 2CR (13)
Fmin se < 0
( q
CR = N P F 2 1 + (N P F 2 1)2 N P (1 c) se c1
CRmin se c < 1
(14)
onde p N P (c 1) + CR (2 CR), Fmin o valor mnimo para F
(Fmin = (1/N P )) e o valor mximo como recomendado por Price et al.
184 Lobato et al.
(2005) (Fmax =2). No caso de CR, este deve pertencer ao intervalo ]0 1], e
o parmetro c denido como:
V ar (x (g + 1))
c (15)
V ar (x (g))
No problema inverso considerado neste estudo de caso, o objetivo a
determinao da espessura ptica (o ), do albedo de espalhamento sim-
ples ( ), das reectividades 1 e 2 , e dos coecientes da funo de fase
de espalhamento (bk , k=1, 2, ..., M ). O meio considerado homogneo,
i.e. =constante. So analisadas duas funes de fase, FF-1 e FF-2, cujos
coecientes so listados na Tabela 4. Alm disso, para a gerao dos pon-
tos experimentais sintticos, so considerados os seguintes valores para as
variveis de projeto: o =1, =0,5, 1 =2 =0,2. Para as funes de fase so
feitas aproximaes polinomiais de ordem M,
M
X
p(, 0 ) = bk Pk ()Pk (0 ) (16)
k=0
onde bo =1 e Pk representam o polinmio de Legendre.
Tabela 4. Coecientes das funes de fase FF-1 e FF-2 (Chu et al., 1957).
Coeciente Forward Scattering Backward Scattering
FF-1 (M =4, m1 =1,4 e =1) FF-2 (M =5, m1 = e =1)
b1 0,57024 -0,56524
b2 0,56134 0,29783
b3 0,11297 0,08571
b4 0,01002 0,01003
b5 0,00000 0,00063
b6 - 0,00000
m1 o ndice de refrao, D/, D o dimetro da partcula e
o comprimento de onda da radiao incidente.
Para comparar os resultados obtidos pelo algoritmo ADE - Adaptive

Dierential Evolution (com parmetros auto-adaptativos) utiliza-se trs
combinaes do algoritmo de ED cannico (com parmetros constantes):
ED-1{F =0,5 e CR=0,5}, ED-2 {F =0,5 e CR=0,8} e ED-3 {F =0,8 e
CR=0,5}. Os outros parmetros usados so: 10 indivduos, 1000 geraes
e estratgia DE/rand/1/Bin para a gerao de candidatos em potencial.
No algoritmo ADE, foi considerado 1 em todas as execues. Em todos
os casos foi considerado A1 =1 e A2 =0. Alm disso, foram considerados
os pontos experimentais sem rudo e com rudo de 5%. Finalmente, o
critrio de parada considerado foi a homogeneidade para populao, isto
, a diferena entre o melhor e o pior valor da populao, em termos de
9
funo objetivo, ser menor que 10 .
A Tabela 5 apresenta os resultados obtidos pelos algoritmos ED e ADE

para as funes de fase FF-1 e FF-2.
Tabela 5. Resultados obtidos usando os algoritmos ED e ADE, onde Erro

dado em %, Neval o nmero de avaliaes da funo objetivo e Q se
refere Equao 6.
FF-1 FF-2
Erro Exato ED-1 ED-2 ED-3 ADE Exato ED-1 ED-2 ED-3 ADE
0 0,9999 0,9983 0,9999 1,0000 0,9992 0,9991 0,9990 0,9997
o 1,0 1,0
5 0,9786 1,0195 0,9879 0,9867 0,0004 0,9944 0,9945 0,9927
0 0,4999 0,4995 0,4999 0,5000 0,4996 0,4991 0,4997 0,4999
0,5 0,5
5 0,4914 0,5108 0,4952 0,4955 0,4912 0,4887 0,4886 0,4836
0 0,1999 0,2000 0,2000 0,1999 0,2000 0,2000 0,1999 0,2000
1 0,2 0,2
5 0,1998 0,1994 0,2003 0,2001 0,2046 0,2046 0,2046 0,2054
0 0,1950 0,1996 0,2100 0,1998 0,1980 0,1986 0,1997 0,1997
2 0,2 0,2
5 0,2244 0,2307 0,1823 0,1988 0,2200 0,2140 0,2012 0,1948
0 0,5701 0,5607 0,5702 0,5703 -0,5708 -0,5700 -0,5704 -0,5704
b1 0,5702 -0,5652
5 0,4961 0,4924 0,4840 0,4932 -0,6217 -0,6669 -0,6669 -0,6669
0 0,5611 0,5587 0,5610 0,5612 0,2948 0,2958 0,2949 0,2968
b2 0,5613 0,2978
5 0,5104 0,5329 0,5117 0,5369 0,2680 0,2650 0,2650 0,2650
0 0,1117 0,1101 0,1116 0,1132 0,0848 0,0845 0,0845 0,0846
b3 0,1129 0,0857
5 0,0931 0,0990 0,1021 0,1041 0,0771 0,0882 0,0933 0,0794
0 0,0099 0,0105 0,0105 0,0099 0,0099 0,0099 0,0099 0,0099
b4 0,0100 0,0100
5 0,0082 0,0125 0,0107 0,0094 0,0110 0,0117 0,0118 0,0115
0 0,0000 0,0000 0,0000 0,0000 0,0006 0,0006 0,0006 0,0006
b5 0,0000 0,0006
5 0,0013 0,0012 0,0014 0,0010 0,0006 0,0006 0,0006 0,0006
0 - - - - 0,0000 0,0000 0,0000 0,0000
b6 - 0,0000
5 - - - - 0,0009 0,0007 0,0001 0,0001
0 6,5E-10 2,5E-10 8,1E-10 4,3E-10 4,7E-10 5,7E-10 4,4E-10 3,7E-10
Q - -
5 1,2E-02 1,3E-02 1,3E-02 1,2E-02 1,2E-02 1,2E-02 1,2E-02 1,2E-02
0 2960 3050 2580 2010 2420 2880 2380 1920
Neval - -
5 1220 1660 1480 1060 1200 1680 1540 1100
Na Tabela 5 importante observar que, considerando dados sem rudo,

ambos os algoritmos ED e ADE foram capazes de estimar os parmetros sa-
tisfatoriamente. Entretanto, o algoritmo ADE o faz, custa de um menor
nmero de avaliaes da funo objetivo quando comparado ao algoritmo
de ED cannico (reduo de 32%, 34% e 22% no nmero de avaliaes da
funo objetivo relativos aos algoritmos ED-1, ED-2 e ED-3, respectiva-
mente). Boas estimativas tambm so obtidas quando rudo considerado.
A Tabela 6 apresenta os erros mdios obtidos pelos algoritmos de ED
e ADE considerando as funes de fase FF-1 e FF-2.
Tabela 6. Erros mdios obtidos usando os algoritmos de ED e ADE (todos

valores dados em %).
FF-1 FF-2
Erro ED-1 ED-2 ED-3 ADE ED-1 ED-2 ED-3 ADE
0 0,0743 0,1981 0,1353 0,0067 0,1267 0,1108 0,1081 0,0783
5 2,2508 2,0608 2,0407 1,4522 1,7072 1,7501 1,7657 1,6689
Na Tabela 6 possvel observar que ambos os algoritmos foram capazes

de estimar satisfatoriamente as funes de fase, do albedo de espalhamento
186 Lobato et al.
e da espessura ptica. Entretanto, importante enfatizar que o algoritmo

ADE o faz com um menor erro mdio com relao ao algoritmo de ED
cannico.
4.4 Problema de transferncia radiativa composto por duas camadas

Este estudo considera um meio participante com duas camadas sujeito
radiao externa em ambos os lados com intensidade A1 () em x=0 e A2 ()
em x=L1 +L2 , onde o cosseno do ngulo polar, L1 e L2 representam
a espessura das camadas 1 e 2,respectivamente, e j so as reectividades
difusas (j =1, ..., 4), como apresentado na Figura 3.
Figura 3. Meio semitransparente a duas camadas.
Este problema pode ser formulado matematicamente como:

Regio 1 (0 x L1 )
Z 1
I1 (x, ) s1
I1 x, 0 d0 , 1 1

+ 1 I1 (x, ) = (17)
x 2 1
Z 1
I1 0, 0 0 d0 ,

I1 (0, ) = A1 () + 21 >0 (18)
0
Z 1
I2 L1 , 0 0 d0 +

I1 (L1 , ) = 2 (1 3 )
0
Z 1
I1 L1 , 0 0 d0 ,

22 <0 (19)
0
Regio 2 (L1 x L1 + L2 )
Z 1
I2 (x, ) s2
I2 x, 0 d0 , 1 1

+ 2 I2 (x, ) = (20)
x 2 1
Z 1
I1 L1 , 0 0 d0 +

I2 (L1 , ) = 2 (1 2 )
0
Z 1
I2 L1 , 0 0 d0 ,

23 >0 (21)
0
Z 1
I2 L1 + L2 , 0 0 d0 ,

I2 (L1 + L2 , ) = A2 () + 24 <0 (22)
0
onde I(x, ) representa a intensidade da radiao na camada i, com i=1
ou 2, i o coeciente de extino dado por:
i = kai + si (23)
onde kai representa o coeciente de absoro e si o coeciente de espalha-

mento. Nas Equaes 19 e 21 foi considerado que tanto a reexo quanto
a transmisso so difusas na interface entre as duas camadas.
Na presente aplicao so usados os seguintes parmetros no algoritmo
de ED: 10 indivduos, 100 geraes, taxa de perturbao e probabilidade
de cruzamento iguais a 0,8 e a estratgia DE/rand/1/bin para a gerao
de candidatos em potencial.
As propriedades consideradas no presente estudo de caso para a re-
1
soluo do problema direto so: L1 =0,8 cm; L2 =3,2 cm; s1 =0,8 cm ;
ka1 =0,5 cm1 ; s2 =0,9 cm1 ; ka2 =0,3 cm1 ; 1 =0,1; 2 =0,0; 3 =0,0;
4 =0,6; A1 ()=0,3 e A2 ()=1,0. O seguinte espao de projeto denido:
0,4 s1 1,2, 0 ka1 1, 0,4 s2 1,5 e 0 ka2 1.
A Tabela 7 apresenta os resultados para o problema do meio semitrans-
parente em duas camadas para os dados sem rudo.
Tabela 7. Resultados para o problema do meio semitransparente em duas

camadas (dados sem rudo), onde Q se refere Equao 6.
s1 ka1 s2 ka2 Q DI
Exato 0,8 0,5 0,9 0,3 - -
ED 0,7999 0,5000 0,9000 0,3000 1,14E-10 Sim
Na Tabela 8, quando rudo acrescentado ( =0,1% e =0,2%), o al-

goritmo de ED consegue obter bons resultados quando detectores internos
so usados.
Este problema inverso foi proposto e resolvido por Soeiro & Silva Neto
(2006) usando as seguintes tcnicas: Recozimento Simulado (RS), o M-
todo de Levenberg-Marquardt (LM) e um hbrido envolvendo o Recozi-
mento Simulado e Levenberg-Marquardt (RS-LM). Entretanto, impor-
tante ressaltar que estes autores utilizaram outras condies de contorno,
o que inviabilizou a comparao com os resultados obtidos neste captulo
pelo algoritmo de ED.
188 Lobato et al.
Tabela 8. Resultados para o problema do meio semitransparente em duas

camadas (dados com rudo).
s1 ka1 s2 ka2 Q Soluo DI
Rudo ( ) igual a 0,1%
Exato 0,8 0,5 0,9 0,3 - - -
ED 0,8010 0,4990 0,8980 0,2990 1,96E-06 Boas estimativas Sim
Rudo ( ) igual a 0,2%
Exato 0,8 0,5 0,9 0,3 - - -
ED 0,7989 0,4979 0,8960 0,2983 4,56E-04 Boas estimativas Sim
Mais detalhes sobre essa aplicao pode ser encontrada em Lobato et al.
(2010c).
4.5 Problema de transferncia de calor por radiao-conduo

Este ltimo estudo de caso ilustra a aplicao do algoritmo de ED no
contexto multi-objetivo para a determinao de propriedades radiativas
e trmicas no problema acoplado de transferncia de calor por radiao-
conduo. A equao de transferncia de calor por radiao considerando
simetria azimutal e espalhamento isotrpico dado por (Silva Neto &
ziik, 1993; Silva Neto & Moura Neto, 2005):
Z1

I , 0 d0 , (0, o ) , [1, 1]

I (, ) + I (, ) = H () +
2
1
(24)
sujeito s condies de contorno I(0, )=A1 =1 e I(o , )=A2 =0
(1 =2 =0). O termo H() o termo fonte relacionado temperatura
4
adimensional denido como (1- ) ( ).
A formulao matemtica uni-dimensional em estado estacionrio do
problema combinado conduo-radiao, na forma adimensional, dado
pela equao de Poisson (Silva Neto & ziik, 1993; Silva Neto & Moura
Neto, 2005):
d2 (1 ) 4
( ) ( ) G ( ) = 0, 0 < <o (25)
d 2 N
sujeito s condies de contorno (0)=1 e (o )=T2 /T1 .
Z1
1 k T
G= I (, ) d, N = , = (26)
2 4n2i
T13 T1
1
onde N o parmetro de conduo-radiao, a temperatura adimen-

sional, k a condutividade trmica, o coeciente de extino, ni o
ndice de refrao,
a constante de Stefan-Boltzmann e os contornos
=0 e =o so mantidos nas temperaturas T1 e T2 , respectivamente.
O problema inverso multi-objetivo proposto consiste na determinao
do parmetro de conduo-radiao (N ), da espessura ptica (o ) e do al-
bedo de espalhamento simples ( ), atravs da minimizao dos funcionais:
NdI 2
X
Q1 = Iical (o , , N ) Iiexp (27)
i=1
Nd 2
X
Q2 = cal
i (o , , N ) exp
i (28)
i=1
onde NdI e Nd so respectivamente o nmero de pontos experimentais

considerados para a intensidade da radiao e para a temperatura.
At o presente momento, tinha sido considerado apenas o problema
de otimizao com um nico objetivo. Como discutido acima, este estudo
um problema multi-objetivo que necessariamente necessita de um tra-
tamento diferenciado. Neste contexto, ser utilizado o algoritmo MODE
(Multi-Objective Optimization Dierential Evolution ) desenvolvido por Lo-
bato (2008) e que consiste basicamente do acoplamento entre o algoritmo
de ED e o critrio de dominncia de Pareto, associado a estratgias para a
explorao de vizinhos em potencial e de um operador para o truncamento
das solues no-dominadas. Mais detalhes a respeito do algoritmo MODE
podem ser encontrados no trabalho de Lobato (2008).
Os parmetros usados pelo algoritmo NSGA II (Nondominated Sorting
Genetic Algorithm ) (Deb et al., 2002) foram: 50 indivduos, 250 geraes,
probabilidade de cruzamento igual a 0,8 e probabilidade de mutao igual
a 0,01. Para os parmetros considerados, o nmero de avaliaes da funo
objetivo 12550.
Os parmetros usados pelo algoritmo MODE foram: 10, 20 e 50 indiv-
duos, 150 geraes, taxa de perturbao e probabilidade de mutao iguais
a 0,8, taxa de reduo e nmero de pseudo curvas iguais a 0,9 e 10, res-
pectivamente, e estratgia DE/rand/1/bin para a gerao de candidatos
em potencial. Para os parmetros considerados, o nmero de avaliaes da
funo objetivo so 3010, 6020 e 15050, respectivamente.
O parmetro calculado usando como referncia a origem do eixo
coordenado, isto , o ponto (0,0) usado para obter a distncia entre este
ponto e cada ponto na curva de Pareto. A menor distncia obtida foi
escolhida como critrio apresentado nas tabelas a seguir.
Foram usados 120 pontos experimentais para a intensidade de radiao
e 25 pontos experimentais para o perl de temperatura. O critrio de
parada utilizado foi o nmero mximo de geraes.
190 Lobato et al.
Neste estudo de caso considerado o problema sem rudo e com rudo

que corresponde a 5% de erro. Considerando os dados sem rudo (Ta-
bela 9), ambos os algoritmos NSGA II e MODE foram capazes de estimar
os parmetros satisfatoriamente como pode ser observado pelo valor das
funes objetivo listadas nesta tabela. Contudo, o algoritmo MODE com
10 e 20 indivduos nos conduz a um melhor nmero de avaliaes da funo
objetivo quando comparado com o algoritmo NSGA II (uma reduo de
76% e 52% no nmero de avaliaes da funo objetivo, respectivamente).
Tabela 9. Resultados obtidos usando os algoritmos NSGA II e MODE

considerando os dados sem rudo.

NP o N Q1 (Eq. 27) Q2 (Eq. 28) Neval
Valores Exatos 0,3 0,5 0,01 - - -
NSGA II 50 0,2822 0,5001 0,0098 4,7016E-07 6,6917E-07 12550
10 0,2999 0,5000 0,0099 7,8588E-14 2,7787E-13 3010
MODE 20 0,2999 0,4999 0,0099 1,4787E-15 7,7707E-15 6020
50 0,2999 0,5000 0,0100 7,7777E-16 1,4887E-17 15050
Valores Exatos 0,9 1,5 0,10 - - -
NSGA II 50 0,9000 1,5000 0,0100 3,6336E-09 6,5855E-09 12550
10 0,9000 1,4999 0,0100 2,5689E-13 2,5478E-13 3010
MODE 20 0,9000 1,5000 0,0100 9,6985E-14 2,3222E-14 6020
50 0,9000 1,5000 0,0999 7,4414E-15 2,5665E-16 15050
NP : nmero de indivduos
Na Tabela 10, quando rudo de 5% considerado, ambos os algorit-

mos NSGA II e MODE so capazes de obter boas estimativas. Como
observado na tabela anterior, a mesma qualidade de soluo obtida pelo
algoritmo NSGA II tambm observada pelo algoritmo MODE, contudo
com um menor nmero de avaliaes da funo objetivo para os casos
onde so usados 10 e 20 indivduos na populao. Esta vantagem no
observada para populaes com mais indivduos devido ao mecanismo de
renamento de solues proposto pelo algoritmo MODE, o que nos conduz
naturalmente ao aumento do nmero de avaliaes da funo objetivo.
Mais detalhes sobre esta aplicao pode ser encontrada em Lobato et al.
(2009).
5. Consideraes Finais
Este captulo teve por objetivo a resoluo de problemas inversos em pro-
cessos difusivos e transferncia radiativa usando o algoritmo de ED. Neste
contexto, o algoritmo mostrou-se eciente quando comparado com outras
tcnicas clssicas e heursticas, alm de poder ser vericada uma reduo
no nmero de avaliaes da funo objetivo quando comparado, por exem-
plo, com o algoritmo de Recozimento Simulado. Deve ser ressaltado que
Tabela 10. Resultados obtidos usando os algoritmos NSGA II e MODE

considerando os dados com rudo de 5%.

NP o N Q1 (Eq. 27) Q2 (Eq. 28) Neval
Valores Exatos 0,3 0,5 0,01 - - -
NSGA II 50 0,3074 0,4978 0,0086 1,2629E-02 2,7281E-03 12550
10 0,3066 0,4980 0,0088 9,4785E-03 2,1286E-03 3010
MODE 20 0,3066 0,4981 0,0087 7,7871E-03 1,6968E-03 6020
50 0,3067 0,4980 0,0089 8,7847E-03 1,8678E-03 15050
Valores Exatos 0,9 1,5 0,10 - - -
NSGA II 50 0,8966 1,4889 0,0978 1,3514E-02 3,5346E-03 12550
10 0,8977 1,4890 0,0981 2,2547E-03 2,6774E-03 3010
MODE 20 0,8978 1,4890 0,0981 2,2546E-03 2,5899E-03 6020
50 0,8978 1,4890 0,0982 2,1487E-03 1,2588E-03 15050
NP : nmero de indivduos
este critrio importante porque, no caso de sistemas de engenharia re-

presentados por modelos complexos (envolvendo, por exemplo, a resoluo
de equaes diferenciais, de equaes integro-diferenciais, simulaes de
Monte Carlo, ou a resoluo de sistemas de equaes de grande dimenso),
a avaliao da funo objetivo frequentemente , computacionalmente, a
parte mais dispendiosa do processo de otimizao.
Com relao atualizao dos parmetros do algoritmo de ED,
mostrou-se que possvel aumentar a diversidade da populao, reetida
na qualidade dos resultados obtidos, e consequentemente reduzir as chances
de convergncia prematura, fato este que pode ocorrer durante a execuo
dos algoritmos heursticos. Outro ponto a se destacar a eliminao da
dependncia do usurio na escolha dos parmetros do algoritmo de ED,
apesar de existir uma faixa default que comumente utilizada em aplica-
es ans.
Finalmente, deve ser destacado que o algoritmo de ED h muito se
tornou uma realidade concreta, com aplicaes em reas distintas da cincia
e da engenharia, ao ponto de alguns autores (Babu et al., 2005) armarem
que este algoritmo j superou os algoritmos clssicos fundamentados na
gentica de populaes, no que diz respeito convergncia, ao nmero de
avaliaes da funo objetivo e ao tempo de processamento.
Agradecimentos
O Prof. Lobato e o Prof. Steen Jr agradecem pelo apoio do INCT-EIE,
atravs de recursos do CNPq e FAPEMIG. O Prof. Silva Neto agradece o
suporte nanceiro advindo da FAPERJ e do CNPq.
192 Lobato et al.
Referncias
Abbass, H.; Sarker, R. & Newton, C., PDE: a Pareto-frontier dieren-
tial evolution approach for multi-objective optimization problems. In:
Proceedings of the 2001 Congress on Evolutionary Computation. Pis-
cataway, USA: IEEE Press, p. 971978, 2001.
Babu, B. & Anbarasu, B., Multi-objective dierential evolution (MODE):

An evolutionary algorithm for multi-objective optimization problems
(MOOPS). In: Proceedings of The Third International Conference
on Computational Intelligence, Robotics, and Autonomous Systems.
Singapore, 2005.
Babu, B.; Chakole, P. & Mubeen, J., Multio-objective dierential evolu-

tion (MODE) for optimization of adiabatic styrene reactor. Chemical
Engineering Science, 60(17):48224837, 2005.
Chalhoub, E.; Campos Velho, H. & Silva Neto, A., A comparison of the
one-dimensional radiative transfer problem solutions obtained with
the monte carlo method and three variations of the discrete ordinates
method. In: Proceedings of 19 International Congress of Mechanical
th
Engineering - COBEM. Braslia, DF, p. 110, 2007.
Chu, C.M.; Clark, G. & Churchill, S., Tables of Angular Distribution Coef-
cients for Light Scattering by Spheres. Ann Arbor, USA: Engineering
Research Institute, University of Michigan, 1957.
Deb, K.; Pratap, A.; Agarwal, S. & Meyarivan, T., A fast and elitist
multiobjective genetic algorithm: NSGA-II. IEEE Transactions on
Evolutionary Computation, 6(2):182197, 2002.
Fan, H.Y. & Lampinen, J., A trigonometric mutation operation to dieren-

tial evolution. Journal of Global Optimization, 27(1):105129, 2003.
Kapadi, M. & Gudi, R., Optimal control of fed-batch fermentation invol-

ving multiple feeds using dierential evolution. Process Biochemistry,
39(11):17091721, 2004.
Lobato, F., Otimizao Multi-objetivo para o Projeto de Sistemas de En-

genharia. Tese de doutorado, Faculdade de Engenharia Mecnica,
Universidade Federal de Uberlndia, Uberlndia, MG, 2008.
Lobato, F.; Murata, V.; Oliveira-Lopes, L. & Steen Jr., V., Solution of
multi-objective optimal control problems with index uctuation using
dierential evolution. In: Proceedings in 6 Brazilian Conference
th
on Dynamics, Control and Applications DINCON. So Jos do Rio

Preto, SP, p. 18, 2007a.
Lobato, F.; Oliveira-Lopes, L.; Murata, V. & Steen Jr., V., Evoluo
diferencial aplicada soluo de problemas de controle timo com
restries de desigualdade. In: Anais do X Encontro de Modelagem
Computacional. Nova Friburgo, Brasil, p. 110, 2007b.
Lobato, F. & Steen Jr., V., Engineering system design with multi-
objective dierential evolution. In: Proceedings in 19 International
th
Congress of Mechanical Engineering - COBEM. Braslia, Brazil, 2007.

Lobato, F.; Steen Jr, V.; Arruda, E. & Barrozo, M., Estimation of drying
parameters in rotary dryers using dierential evolution. Journal of
Physics: Conference Series, 135(1):012063, 2008.
Lobato, F.; Steen Jr., V. & Silva Neto, A., Solution of the coupled inverse
conduction-radiation problem using multi-objective optimization die-
rential evolution. In: Proceedings of 8 World Congress on Structural
th
and Multidisciplinary Optimization. Lisboa, Portugal, p. 110, 2009.
Lobato, F.; Steen Jr., V. & Silva Neto, A., Evoluo diferencial (Dieren-
tial Evolution ). In: Silva Neto, A. & Becceneri, J. (Eds.), Tcnicas de
Inteligncia Computacional Inspiradas na Natureza Aplicaes em
Problemas Inversos em Transferncia Radiativa. So Carlos: SBMAC,
v. 41 de Notas em Matemtica Aplicada e Computacional, p. 91100,
2009a.
Lobato, F.; Steen Jr., V. & Silva Neto, A., A comparative study of the
application of dierential evolution and simulated annealing in inverse
radiative transfer problems.Journal of the Brazilian Society of Me-
chanical Sciences and Engineering, 32(special):518526, 2010a.
Lobato, F.; Steen Jr, V. & Silva Neto, A., Estimation of space-dependent
single scattering albedo in radiative transfer problems using dierential
Proceedings of Inverse Problems, Design and
evolution algorithm. In:
Optimization Symposium. Joo Pessoa, PB, p. 18, 2010b.
Lobato, F.; Steen Jr., V. & Silva Neto, A., Solution of inverse radiative
transfer problems in two-layer participating media with dierential
evolution. Inverse Problems in Science and Engineering, 18(2):183
195, 2010c.
Mariani, V.; Lima, A. & Coelho, L., Apparent thermal diusivity estima-
tion of the banana during drying using inverse method. Journal of
Food Engineering, 85(4):569579, 2008.
Oliveira-Filho, R.; Lobato, F.; Duarte, M. & Steen Jr., V., Estimao dos
parmetros de um ltro adaptativo utilizado como ferramenta para
controle de qualidade em linha de montagem de cmbios automotivos
Anais do V Congresso
atravs da tcnica de evoluo diferencial. In:
Nacional de Engenharia Mecnica. Salvador, BA, 2008.
ziik, M., Radiation Transfer and Iterations with Conduction and Con-
vection. 1a edio. John Wiley & Sons, 1973.
Price, K., Genetic annealing. Dr Bobb's Journal, 19(10):127132, 1994.
Price, K.; Storn, R. & Lampinen, J., Dierential Evolution - A Practical

Approach to Global Optimization. Natural Computing Series. Berlin,
Germany: Springer-Verlag, 2005.
194 Lobato et al.
Silva Neto, A. & Moura Neto, F., Problemas Inversos Conceitos Fun-
damentais e Aplicaes. 1a edio. Rio de Janeiro, RJ: Editora da
Universidade do Estado do Rio de Janeiro, 2005.
Silva Neto, A. & ziik, M., An inverse problem of estimating thermal

conductivity, optical thickness, and single scattering albedo of a semi-
transparent medium. In: Proceedings of First International Conference
on Inverse Problems in Engineering: Theory and Practice. p. 267273,
1993.
Soeiro, F. & Silva Neto, A., Inverse radiative transfer problems in two-layer
participating media. In: Motasoares, C.; Martins, J.; Rodrigues, H.;
Ambrsio, J.A.; Pina, C.B.; Motasoares, C.; Pereira, E. & Folgado,
Proceedings of III European Conference on Computational
J. (Eds.),
Mechanics. Springer Netherlands, p. 477, 2006.
Stephany, S.; Becceneri, J.; Souto, R.; Campos Velho, H. & Silva Neto, A.,
A pre-regularization scheme for the reconstruction of a spatial depen-
dent scattering Albedo using a hybrid ant colony optimization imple-
mentation. Applied Mathematical Modelling, 34(3):561572, 2010.
Storn, R. & Price, K., Dierential evolution: a simple and ecient adaptive
scheme for global optimization over continuous spaces. Technical Re-
port TR-95-012, International Computer Science Institute, Berkeley,
USA, 1995.
Storn, R. & Price, K., Dierential evolution a simple and ecient heuris-
tic for global optimization over continuous spaces. Journal of Global
Optimization, 11(4):341359, 1997.
Villadsen, J. & Michelsen, M.,Solution of Dierential Equation Models by

Polynomial Approximation. Englenwood Clis, USA: Prentice-Hall,
1978.
Wylie, C. & Barrett, L., Advanced Engineering Mathematics. 6a edio.

New York, USA: McGraw-Hill, 1995.
Zahaire, D., Critical values for the control parameters of dierential evolu-
tion algorithms. In: R. Matousek, P.O. (Ed.), Proceedings of the 8
th
International Conference on Soft Computing. Brno, Czech Republic,

p. 6267, 2002.
Zahaire, D., Control of population diversity and adaptation in dierential

evolution algorithms. In: R. Matousek, P.O. (Ed.), Proceedings of 9
th
International Conference on Soft Computing. Brno, Czech Republic,

p. 4146, 2003.
Notas Biogrficas
Fran Srgio Lobato tem mestrado em Engenharia Qumica e doutourado

em Engenharia Mecnica. Atualmente Professor Adjunto da Faculdade de
Engenharia Qumica da Universidade Federal de Uberlndia. Tem interesse no
desenvolvimento e aplicao de mtodos de simulao e otimizao, especialmente
em problemas inversos, e em problemas de controle timo singulares.
Valder Steen Jr. obteve seu doutorado na Franche-Comt University (Be-

sanon, Frana). Professor Titular de Engenharia Mecnica da Universidade
Federal de Uberlndia. Tem interesse em dinmica de sistemas mecnicos,
em algoritmos de otimizao, no estudo de dinmica de sistemas mecnicos e
mecatrnicos, e em problemas inversos.
Antnio J. Silva Neto concluiu o doutorado em Engenharia Mecnica na

North Carolina State University. professor Adjunto da Universidade do
Estado do Rio de Janeiro. Atua nas reas de transferncia de calor e massa e
de matemtica aplicada e computacional, com nfase em mtodos numricos e
problemas inversos.
196 Lobato et al.
.
Captulo 10
Algoritmo Gentico com Interao Social

na Resoluo de Problemas de
Otimizao Global com Restries
Otvio Noura Teixeira, Walter Avelino da Luz Lobato,

Hitoshi Seki Yanaguibashi, Rodrigo Vieira Cavalcante,
Deam James Azevedo da Silva e Roberto Clio Limo de Oliveira
Resumo: Este captulo apresenta uma nova meta-heurstica h-

brida de otimizao baseada na natureza, denominada de Algoritmo
Gentico com Interao Social (SIGA), e aplicada na resoluo de
quatro problemas de engenharia bastante difundidos na literatura:
(a) projeto de viga de ao; (b) projeto de vaso de presso; (c) mi-
nimizao do peso da tenso/compresso sobre mola; (d) projeto
de redutor de velocidade. Esta nova abordagem uma tentativa de
imitar um pouco mais de perto o processo evolutivo de uma popu-
lao ao longo do tempo, com nfase na interao social entre os
indivduos, como na evoluo social humana. Assim, este captulo
apresenta os fundamentos necessrios para a concepo do SIGA, a
sua estrutura e os resultados obtidos nas simulaes.
Palavras-chave: Algoritmo gentico, teoria dos jogos, meta-

heurstica hbrida, algoritmo SIGA.
Abstract: This chapter presents a new hybrid nature-inspired

meta-heuristic named Genetic Algorithm with Social Interaction
(SIGA). It is used to solve four engineering problems usually found
in the literature: (a) welded beam design; (b) design of a pressure
vessel; (c) minimization of the weight of a tension/compression
spring; (4) design of a speed reducer. This new approach is an at-
tempt to mimic a little more closer how a population evolves over
time with emphasis on social interaction between individuals, as in
human social evolution. Therefore, this chapter presents the ne-
cessary fundamentals for the conception of SIGA, its structure and
the results obtained in the simulations.
Keywords: Genetic algorithm, game theory, hybrid meta-

heuristic, SIGAs algorithm.
Autor para contato: onoura@gmail.com

198 Teixeira et al.
1. Introduo
Nos ltimos dez anos, alguns trabalhos foram desenvolvidos utilizando con-
ceitos da Teoria dos Jogos Evolucionrios (TJE) e Teoria dos Jogos (TJ)
nos Algoritmos Genticos (AG), atravs do uso dos jogos Hawk-Dove, Di-
lema do Prisioneiro e ainda outros tipos de jogos (Lehrer, 2000; Teixeira,
2005; Brito et al., 2005; Teixeira et al., 2006b,a; Lahoz-Beltra et al., 2009;
Teixeira et al., 2010b,a).
Estas abordagens foram estabelecidas com base na observao de como
a natureza funciona, como, por exemplo, uma colnia de formigas, um
enxame de abelhas e, at mesmo, a sociedade humana. Alm disto, o Al-
goritmo Gentico de Holland (1975), o Algoritmo Gentico Simples (Simple
Genetic Algorithm SGA) de Goldberg (1989) e todos os seus descendentes
diretos no implementam, de fato, o conceito de fentipo e, sim, somente
armam que ele o valor de tness do indivduo.
No entanto, a denio de fentipo bem mais abrangente na Biologia,
do que esta empregada na teoria dos Algoritmos Genticos, sendo que ele,
o fentipo, contribui, e muito, para o processo evolutivo dos indivduos
da populao. Segundo Dawkins (1999), o comportamento de um animal
tende a maximizar a sobrevivncia de seus genes para aquele comporta-
mento, mesmo que eles estejam ou no no seu corpo. Ou seja, o conceito
de fentipo est tambm intimamente relacionado ao comportamento dos
indivduos, que fator determinante para a sobrevivncia dos seus genes.
Desta forma, uma questo pode ser feita e necessita de resposta: no
contexto dos Algoritmos Genticos h alguma maneira que permita aos
indivduos alterar o seu valor de tness durante o processo evolutivo? A
resposta : No, no h! Mas, sim, possvel! Mas como?. A Teoria
dos Jogos pode ser utilizada como pilar terico fundamental para caracte-
rizar uma nova abordagem fenotpica para os Algoritmos Genticos, pois
formaliza matematicamente situaes de conito de interesses, onde agen-
tes racionais devem tomar decises com o objetivo de maximizar os seus
ganhos.
Alm disto, importante e necessrio tambm mencionar os trs princi-
pais aspectos que possibilitam a evoluo de uma populao de indivduos,
estabelecidos por (Darwin, 1859), que so: (a) diversidade em uma po-
pulao de uma mesma espcie; (b) luta pela sobrevivncia; (c) seleo
natural. Assim, ao compreender melhor a estrutura bsica e os fundamen-
tos dos Algoritmos Genticos, possvel armar que estes trs aspectos so
contemplados sim, porm no como ocorre na natureza.
Como consequncia se faz necessrio a constatao de alguns fatos e
uma breve discusso sobre estes trs aspectos, aplicados ao contexto dos
Algoritmos Genticos. Neles, a diversidade populacional tende a decrescer
ao longo do processo evolutivo e, com isto, possvel e comum ocorrer,
ao seu nal, uma homogeneidade dos indivduos, ou seja, eles passam a
AG com interao social para problemas de otimizao global 199
ser idnticos. Isto , h uma convergncia para timos locais, pois no

h nenhum mecanismo de manuteno de variabilidade em sua estrutura
clssica como, por exemplo: a ocorrncia de um desastre natural, uma
epidemia virtica ou, simplesmente, a possibilidade de alterao do valor
de tness dos indivduos.
Em relao luta pela sobrevivncia, Mitchell (1998) arma que todos
os indivduos nascem com seus valores de tness xos e imutveis e, assim,
pode-se armar que os AG no tm, tambm, nenhum mecanismo que
permita a ocorrncia de disputas entre os indivduos, de forma que lhes
permita evolurem e melhorarem a sua adaptabilidade, com a alterao de
seus valores de tness, sem que se transformem em outros indivduos.
E o processo de seleo natural no to natural quanto o que ocorre
na natureza, pois um modelo bastante simplicado e que privilegia e
muito os indivduos mais bem adaptados, com uma possibilidade maior
de reproduzir e passar, para as prximas geraes o seu material gentico.
Isto ocorre independentemente do mecanismo de seleo utilizado como,
por exemplo, os mtodos: (a) roleta, que o pior mtodo existente e,
nele, todos os indivduos tm alguma chance de serem selecionados; (b)
por torneio, onde somente o pior indivduo no tem chance alguma de ser
escolhido.
Na espcie humana, por exemplo, um indivduo tem a possibilidade de
evoluir e alterar o seu valor de tness atravs de ascenso social, mesmo
que no seja geneticamente bem adaptado. Desta forma, no modica
necessariamente a sua estrutura genotpica, mas lhe permite uma maior
chance de gerar descendentes e o seu material gentico combinado com o
material gentico de seu parceiro podem gerar descendentes mais evoludos.
Em sntese, todos estes aspectos serviram de inspirao e justicativa
1
para a concepo e desenvolvimento de uma nova meta-heurstica deno-
minada de Algoritmo Gentico com Interao Social (SIGA). Assim, este
captulo objetiva apresent-lo em todos os seus detalhes, alm de demons-
trar a sua aplicabilidade em quatro problemas da rea de engenharia. No
entanto, antes se faz necessrio compreender conceitos fundamentais rela-
cionados aos Algoritmos Genticos e Teoria dos Jogos.
2. Algoritmos Genticos: Uma Viso Geral

Os Algoritmos Genticos (AGs) so os algoritmos mais utilizados da Com-
putao Evolucionria e esto baseados nos princpios da evoluo biol-
1 De acordo com Blum & Roli (2003) uma Metaheurstica um conjunto de

conceitos usados para denir mtodos heursticos, ou seja, uma estrutura
genrica de um algoritmo que pode ser aplicada em diferentes problemas de
otimizao, principalmente da classe N P , com o objetivo de encontrar uma
soluo factvel no necessariamente a tima em tempo de processamento
aceitvel.
200 Teixeira et al.
gica dos seres vivos. Os AGs so utilizados, por exemplo, na resoluo de

problemas de otimizao combinatria e otimizao global com e sem res-
tries. Estes problemas so frequentemente os que requerem uma busca
atravs de um amplo espao de busca de solues candidatas. Normal-
mente os AGs so aplicados em situaes onde no h soluo atravs de
mtodos algbricos ou estatsticos (Goldberg, 1989; Eberhart et al., 1996).
Os AGs so inspirados na Teoria da Origem das Espcies de Charles
Darwin, onde uma populao desenvolve-se durante vrias geraes, se-
gundo os princpios da Seleo Natural e da sobrevivncia do mais apto.
Os AGs so capazes de desenvolver solues para problemas do mundo real,
tais como problemas de busca e otimizao (Goldberg, 1989). O detalhe
que no h garantia de se encontrar a melhor soluo do problema, ou seja,
o timo global e, sim, a melhor soluo possvel que pode ser um timo
local ou, eventualmente, o global, pois no fazem a varredura completa do
espao de busca.
Esta tcnica de resoluo de problemas foi desenvolvida por Holland
(1975), onde os principais objetivos de sua pesquisa eram: (a) abstrair
e explicar rigorosamente os processos adaptativos dos sitemas naturais;
(b) desenvolver software de sistemas articiais capazes de simular a ro-
bustez dos mecanismos dos sistemas naturais. Desta forma, ele criou os
Algoritmos Genticos, como uma abstrao da evoluo biolgica, propor-
cionando, assim, toda a sua base terica.
Segundo Goldberg (1989), os AGs so algoritmos de busca baseados nos
mecanismos de seleo natural e gentica, que tm a capacidade de evoluir
uma populao de indivduos. Essa evoluo ocorre atravs da utilizao de
um tipo de seleo natural em conjunto com outros operadores genticos,
2
tais como: mutao (onde um gene substitudo por um alelo de forma
aleatria), e recombinao ou cruzamento (onde os indivduos escolhidos
trocam pedaos de seus cromossomos e, assim, geram novas solues).
Um AG busca produzir indivduos melhores com base na combinao
dos melhores existentes na populao e, atravs da estratgia da sobrevi-
vncia do mais apto, elimina os menos aptos. No so produzidas apenas
boas solues, mas sempre solues melhores. Isto ocorre devido ao fato
de combinarem as melhores caractersticas dos pais, na produo de lhos
superiores. A seguir apresentada a sua estrutura.
2.1 Estrutura bsica

Atualmente, apesar da teoria dos AG ter absorvido conceitos mais apro-
fundados de outras reas, tais como a biologia evolutiva e a gentica das
populaes, por exemplo; e, alm disso, ter se aproximado mais ainda da
2 Um alelo pode ser denido como os possveis valores que um gene pode ter.
Por exemplo, se um AG tiver representao binria, os valores {0,1} so os
alelos possveis para os genes dos indivduos.
simulao biolgica, a estrutura proposta em Holland (1975) ainda vlida

e defendida por muitos autores, conforme mostrado na Figura 1.
Figura 1. Estrutura bsica de um Algoritmo Gentico. Fonte: adaptado de

Holland (1975); Goldberg (1989)
importante observar que a sua estrutura bastante simplicada e

composta por apenas trs etapas fundamentais, que so: gerao da po-
pulao inicial, avaliao da populao inicial e a etapa de reproduo.
Esta ltima dividida em: seleo, cruzamento e mutao. Apesar de sua
simplicidade, o poder computacional inerente a esta estrutura permite a
resoluo de problemas complexos, pois justamente encontram a melhor
3
soluo possvel at o presente momento, enquanto o critrio de parada
do algoritmo no for satisfeito.
2.2 Implementao de um algoritmo gentico

Segundo Haupt & Haupt (2000), esta tcnica consiste em: (a) gerar uma
populao de solues (cromossomos ou indivduos) modeladas de acordo
com o problema que se deseja resolver; (b) avaliar a adaptabilidade de cada
soluo, ou seja, o seu valor de tness, que pode ser compreendida como a
probabilidade de uma soluo gerar novos descendentes com seu material
gentico; e, (c) aplicar os operadores de seleo, cruzamento e mutao
sobre as solues, repetindo o processo at que seja alcanado o critrio de
parada.
De acordo com Lehrer (2000), a seleo responsvel por selecionar
indivduos da populao, utilizando, na maioria das vezes, o valor de tness,
o que possibilita aos indivduos mais aptos gerarem um nmero maior
3 Como critrio de parada, normalmente, utilizado um nmero pr-denido de

geraes ou ento o algoritmo ca executando at encontrar um determinado
valor de tness.
202 Teixeira et al.
de descendentes. Assim, possvel estabelecer uma relao direta desta

operao com o processo de seleo natural proposto por Darwin (1859).
possvel destacar dois mtodos principais de seleo, que so: o mtodo
da Roleta ou Seleo Proporcional ao Fitness, e o mtodo do Torneio.
A operao de cruzamento a principal caracterstica que distingue
os AG de outros mtodos de busca, e considerado o mais importante
entre os operadores genticos. atravs dele que o algoritmo explora a
superfcie de busca, dentro do material gentico (alelos) que j se encontra
nos indivduos da populao, o que o conduz convergncia de resultados
(Haupt & Haupt, 2000). Esta operao consiste na troca de pedaos de
cromossomos entre os indivduos selecionados como pais, para a criao de
novos indivduos melhor adaptados. Existem diversos mtodos de cruza-
mento, mas como exemplo, tm-se os tradicionais: de um ponto e de dois
pontos de corte.
O operador de mutao a segunda maneira que um AG utiliza para
explorar a superfcie de busca do problema. Ele introduz pequenas altera-
es nos cromossomos dos indivduos ao alterar, de forma aleatria e com
uma pequena probabilidade, o contedo de um gene por um elemento do
conjunto de alelos (Eberhart et al., 1996).
possvel encontrar na literatura de AGs discusses relativas deni-
o dos valores para os diversos parmetros de inicializao do algoritmo.
Neste sentido, uma srie de estudos j foi realizada na tentativa de encon-
trar um conjunto de valores timos. Porm, no h trabalhos conclusivos,
apenas indicativos. Desta forma, os parmetros so normalmente denidos
a partir de experincias anteriores e atravs de casos relatados.
Os principais parmetros de um AG so: (a) Tamanho da Populao:
dene a quantidade de indivduos da populao que sero criados a cada
gerao; (b) Quantidade de Geraes: uma das condies de parada do
algoritmo mais utilizadas e dene a quantidade mxima de execues da
etapa de reproduo da estrutura do AG, conforme pode ser observado no
passo 4 da Figura 1; (c) Taxa de Cruzamento: dene a porcentagem de
indivduos que sero selecionados para gerar descendentes atravs do cru-
zamento de seus cromossomos; (d) Taxa de Mutao: dene a porcentagem
de indivduos que sero selecionados para sofrer mutao em genes do seu
cromossomo.
2.3 Consideraes
Esta seo apresentou brevemente os conceitos pertinentes ao contexto dos
Algoritmos Genticos, que so necessrios para a sua compreenso e que
daro embasamento para a compreenso do SIGA. A partir da prxima
seo so apresentados aspectos relativos aos fundamentos da Teoria dos
Jogos, essenciais para a compreenso da sua aplicabilidade ao contexto dos
AG.
3. Fundamentos da Teoria dos Jogos

Antes de serem abordados diretamente os fundamentos da Teoria dos Jo-
gos, em Darwin (1859) apresentado um trecho sobre a luta pela sobrevi-
vncia que ocorre na natureza e diz o seguinte:
[...] todos os seres vivos esto expostos a uma rigorosa com-

petio. Nada mais fcil do que admitir a verdade da luta uni-
versal pela sobrevivncia; por outro lado, nada mais difcil do
que trazer a mente, o tempo todo, esta concluso. Contudo,
se assim no se zer, ou seja, se no se cogitar tanto esta
ideia at que ela que, assim por se dizer, arraigada em nossa
mente, estou convencido de que nos parecero obscuros ou se-
ro inteiramente mal interpretados todos os fatos relacionados
com a economia da natureza, com a distribuio, com a rari-
dade, a abundncia, a extino e a variao. A natureza nos
parece brilhante e jubilosa quando em situao de superabun-
dncia de alimentos, ento no vemos, ou no nos passa pela
ideia, que as aves cantando alegremente ao nosso redor vivem
geralmente de insetos e sementes, e que assim esto constan-
temente destruindo a vida, ou comumente nos esquecemos de
como frequente serem esses pssaros canoros, e tambm seus
ovos e lhotes, destrudos pelos animais predadores; tampouco
trazemos continuamente na mente a lembrana de que embora
o alimento esteja ento abundante, nem sempre tal circuns-
tncia ocorre durante sucessivas estaes do ano.
A partir do que foi exposto possvel associar a luta pela sobrevivncia

com os aspectos pertinentes Teoria dos Jogos que, de acordo com Borges
(1996), lida com situaes de conito de interesses, onde dois ou mais agen-
tes racionais disputam entre si algum recurso limitado ou escasso presente
no ambiente.
Os agentes racionais, segundo Rapoport (1998), so indivduos que
agem racionalmente, ou seja, levam em considerao todas as possveis
consequncias de seus atos e, a partir disto, estabelecem certo grau de
preferncia, baseado em seus prprios atos e na ao que gerou o seu melhor
resultado. Isto , ele age de forma a maximizar seus ganhos (Rapoport,
1999). Em alguns casos, o resultado no depende nica e exclusivamente
da escolha feita por um nico indivduo mas, sim, da ao escolhida pelos
outros, sobre os quais o primeiro no tem qualquer controle.
O estudo da Teoria dos Jogos foi matematicamente formalizado atravs
dos artigos de John Von Neumann, publicados em 1928 e 1937. Entretanto,
o livro Theory of Games and Economic Behavior, publicado com Oskar
Morgenstern em 1944, normalmente referenciado como a primeira abor-
dagem completa e sistemtica sobre o tema (von Neumann & Morgenstern,
1944).
204 Teixeira et al.
3.1 Componentes de um jogo estratgico

Segundo Luce & Raia (1989), um jogo pode ser caracterizado como um
ambiente formal que representa uma situao de conito de interesses, com
regras bem estabelecidas, onde agentes racionais se comportam estrategi-
camente buscando obter os maiores ganhos possveis disponibilizados neste
ambiente, atravs de uma funo ou tabela de pagamentos. A seguir, cada
um de seus componentes brevemente apresentado.
Jogo: um modelo formal, o que signica que a Teoria dos Jogos

envolve descries e anlises tcnicas. importante notar que os
nicos tipos de jogos tratados por ela so os do tipo estratgicos;
Interaes: so as aes individuais de cada um dos jogadores que

afetam os outros jogadores;
Jogadores: qualquer indivduo ou grupo de indivduos que tenha

capacidade de tomar decises que afetem os demais;
Racionalidade: assumindo que todos os jogadores so racionais,

signica dizer que eles utilizam o mtodo mais adequado para satis-
fazer os seus desejos, ou seja, maximizar seus ganhos;
Comportamento Estratgico: cada jogador leva em considerao

o fato de que todos eles interagem entre si. Desta maneira, a deci-
so tomada por um deles gera consequncias aos outros jogadores.
Existem dois tipos de estratgias de comportamento, que so: as
estratgias puras, onde os jogadores sempre agem atravs do mesmo
comportamento (por exemplo, sempre cooperar); e as estratgias
mistas, onde os jogadores ora traem, ora cooperam, conforme a sua
convenincia.
3.2 O Paradigma do dilema do prisioneiro (DP)

O dilema do prisioneiro foi apresentado pela primeira vez em 1950 por
Melvin Dresher e Merril Flood, cientistas da RAND Corporation e con-
siderado o mais famoso e mais conhecido jogo de duas pessoas de soma-
no-zero no-cooperativo da Teoria dos Jogos. Ele dene uma situao de
conito de interesses, onde dois indivduos so presos e colocados em celas
diferentes e sem comunicao entre eles (Poundstone, 1993).
Alan Tucker originalmente foi quem apresentou o DP neste sentido e
foi ento proposto a cada preso que: (a) se um deles confessasse o crime
e o outro no, o que tivesse confessado seria preso por trs meses por sua
cooperao e o outro caria preso por dois anos; (b) se ambos confessassem
o crime, ento a cooperao individual perderia a fora e ambos cariam
presos por um ano; (c) seno, caso nenhum deles confessasse o crime, eles
seriam presos por apenas seis meses.
Tabela 1. Tabela de pagamentos do Dilema do Prisioneiro.

Jogador 2
Cooperar (C) Trair (D)
Jogador 1 Cooperar (C)
Trair (D)
( R, R )
( T, S )
( S, T )
( P, P )
Na Tabela 1 possvel visualizar os possveis pagamentos para o dilema

do prisioneiro, que combina todos os pares de estratgias correlacionando
os valores de pagamentos com cada um dos jogadores.
Cada jogador pode expressar dois comportamentos diferentes, que so:
cooperar (C: cooperate ) e trair (D: defect ). Alm disto, para constituir um
Dilema do Prisioneiro, os valores T, R, P e S nas clulas da tabela devem
obedecer s seguintes relaes:
T >R>P >S (1)
T +S
R> (2)
2
T +S
>S (3)
2
Para cada par de comportamentos possvel, o pagamento de linha-
coluna est listado na clula apropriada da tabela, onde cada valor sig-
nica: T a tentao que cada jogador tem, caso traia sozinho; R a
recompensa que cada jogador recebe se ambos os jogadores cooperarem; P
a punio que cada um dos jogadores recebe quando ambos traem; e, S
o pagamento do otrio, que coopera sozinho.
Alm disto, existem variaes para este jogo, onde possvel exibilizar
as relaes existentes entre os quatro termos (T, R, P e S ), da relao na
Equao 1, de forma a gerar diferentes conguraes de jogos. Tambm,
pode-se variar no que se refere quantidade de iteraes entre os jogos,
pois na forma clssica do DP os jogadores disputam em apenas um nico
encontro.
As estratgias de comportamento dos jogadores, no caso do Dilema do
Prisioneiro, podem ser de dois tipos: (a) puras, onde o jogador sempre
coopera (ALL-C) ou sempre trai (ALL-D) ; e, mistas, onde o jogador pode
combinar cooperar e trair, de acordo com aquilo que no momento lhe atri-
bua um maior ganho. Neste caso possvel citar a estratgia Aleatrio,
onde ora o jogador coopera, ora trai, sem seguir um padro pr-denido; e,
tambm, a estratgia TFT (Tit-For-Tat ), onde o jogador primeiramente
coopera e, a partir do segundo encontro passa a agir com o mesmo compor-
tamento que o seu adversrio teve no encontro anterior (Rapoport, 1999).
206 Teixeira et al.
3.3 Consideraes
Esta seo apresentou conceitos pertinentes ao contexto da Teoria dos Jo-
gos, mais especicamente em relao aos aspectos do Paradigma do Dilema
do Prisioneiro, que constitui o segundo pilar fundamental para a construo
da estrutura do SIGA, que detalhado na prxima seo.
4. O Algoritmo Gentico com Interao Social (SIGA)

O SIGA (Social Interaction Genetic Algorithm ) baseado nos fundamentos
apresentados nas Sees 2 e 3 e justicado pelos motivos expressos na
Seo 1. Nele, um indivduo pode ter o seu valor de tness alterado durante
o processo evolutivo, ou seja, no decorrer da execuo do AG. Com esta
possibilidade, os indivduos podem agora aumentar as suas chances de
sobreviver e gerar descendentes, atravs da disputa de jogos com o objetivo
de maximizar os seus ganhos individuais.
4.1 Estrutura bsica

Para que isto ocorra, foi inserida uma nova etapa na estrutura do algoritmo
apresentado na Figura 1, sendo que esta anterior fase de reproduo
(seleo, cruzamento e mutao). Nela, os indivduos so expostos a um
ambiente, que nada mais do que um jogo estratgico, onde eles tm a
oportunidade de lutar pela sua existncia durante algum perodo de tempo.
Na Figura 2 apresentada a estrutura completa do algoritmo.
Esta nova fase chamada de Interao Social, conforme destacado na
Figura 2, e composta basicamente de trs passos, que so: (a) selecionar
aleatoriamente dois indivduos; (b) obter o comportamento de cada um
dos indivduos, a partir de suas estratgias de comportamento; (c) alterar
as suas adaptabilidades (valores de tness ) com base no comportamento
adotado e na tabela de pagamento do jogo.
Alm disto, esta estrutura permite o uso de qualquer tipo de jogo, de
acordo com sua tabela de pagamentos e, ainda, quaisquer mtodos de sele-
o, tais como: roleta ou torneio. Desta forma, na Seo 4.2 so apresen-
tados detalhes de implementao do SIGA voltados especicamente para
os problemas de otimizao com restries j mencionados.
4.2 Processo de implementao

Com base na estrutura apresentada na Figura 2, os aspectos do SIGA que
se diferenciam da implementao clssica dos AGs so apresentados nesta
Seo.
4.2.1 Indivduos e estratgia de comportamento

Na abordagem clssica dos AGs, os indivduos so representados por ape-
nas um cromossomo, que contm informaes referentes ao problema em
questo. No caso do SIGA, h a necessidade de se atribuir aos indivduos
Figura 2. Estrutura do algoritmo SIGA.
a capacidade de se comportarem estrategicamente. Assim, cada um deles

passa a contar com mais um cromossomo, que responsvel pelo cdigo
gentico referente a sua estratgia. Esta gerada aleatoriamente na etapa
de gerao da populao inicial, e transmitida para os descendentes, onde
cada um dos lhos recebe diretamente a estratgia de cada um dos pais e,
posteriormente, esta sofre mutao em um dos dois de seus genes.
Desta forma, as estratgias de comportamento foram codicadas gene-
ticamente, conforme mostrado na Tabela 2, atravs de um cromossomo de
duas posies e um alfabeto composto por um sistema ternrio, contendo
os valores 0, 1 e 2, sucientes para codicar todas as quatro estratgias,
que so: ALL-D, ALL-C, TFT e Aleatrio, com uma distribuio igual a
3:3:2:1, respectivamente, na populao inicial. Esta distribuio pode ser
observada na quantidade de codicaes genticas, presentes na Tabela 2,
para cada uma das estratgias. A notao gentica para o gene represen-
tada pela letra C ou c (comportamento) e a relao de dominncia entre
h d
os alelos se d da seguinte forma C = C > c.
4.2.2 Clculo do valor de fitness

O clculo de tness, no contexto da teoria clssica dos Algoritmos Gen-
ticos, baseado no gentipo da soluo de um indivduo e, a partir do
208 Teixeira et al.
Tabela 2. Codicao gentica das estratgias de comportamento.

Gentipo Cromossomo Fentipo Observao
ChCh 00 ALL-D Conhece apenas comporta-
mento trair.
ChCd 01 TFT Conhece os dois comportamen-
tos e os aplica de acordo com
a ltima jogada do adversrio,
mas prioriza a cooperao.
Chc 02 ALL-D Conhece apenas comporta-
mento trair.
CdCh 10 TFT Conhece os dois comportamen-
tos e os aplica de acordo com
a ltima jogada do adversrio,
mas prioriza a cooperao.
CdCd 11 ALL-C Conhece apenas comporta-
mento cooperar.
Cdc 12 ALL-C Conhece apenas comporta-
mento cooperar.
Chc 20 ALL-D Conhece apenas comporta-
mento trair.
Cdc 21 ALL-C Conhece apenas comporta-
mento cooperar.
cc 22 Aleatrio
Fonte: Brito et al. (2005)
momento que ele passa a contar com mais um cromossomo, como no caso
do SIGA, h a necessidade de se alterar a maneira de calcular o valor de
tness de um indivduo, denominado aqui de f itnessT otal .
Desta forma, alm de possurem um valor de tness relacionado solu-
o do problema, agora passam a ter um valor de tness baseado na soma
dos ganhos obtidos na etapa de interao social, conforme a Equao 4.
f itnessT otal = f itnessSolucao + f itnessEstrategia (4)

Assim, o tness total de um indivduo calculado a partir da soma
ponderada dos valores de tness da soluo do problema (f itnessSolucao )
e dos ganhos obtidos nas disputas dos jogos, atravs da estratgia de com-
portamento (f itnessEstrategia ).
importante mencionar que, para a categoria de problemas aqui uti-
lizada, problemas de otimizao global com restries, alm do clculo de
tness, a quantidade de violaes de restries de cada um dos indivduos
levada em considerao para o processo de seleo. Desta forma, h a ne-
cessidade de se minimizar prioritariamente as violaes e, posteriormente,
o valor de f itnessT otal . Alm disto, a abordagem do SIGA no leva em
considerao a aplicao de penalidade ao valor de tness, em decorrn-
cia da quantidade de restries violadas, comumente encontrada em outras
abordagens disponveis na literatura, tais como em Coello Coello (2002).
4.3 Simulao da etapa de interao social

Como forma de exemplicar o funcionamento da etapa de interao social,
apresentada uma simulao na Figura 3. A populao composta por
quatro indivduos (id, valor de tness e estratgia de comportamento), os
valores T, R, P e S so, respectivamente, 30, 25, 15 e 10 e, a cada iterao
so realizadas quatro rodadas de disputas do jogo Dilema do Prisioneiro
Iterativo.
interessante observar que na primeira iterao, por exemplo, os indi-
vduos 2 e 3 foram selecionados. Em cada rodada da disputa, o indivduo
2 sempre trai enquanto que o indivduo 3 coopera na primeira rodada e,
posteriormente, age da mesma forma que o seu adversrio na rodada an-
terior, ou seja, passa tambm a trair somente. A cada rodada lhes so
atribudos valores de ganho e, consequentemente, esta alterao inuencia
no resultado da operao de seleo por torneio.
Alm disto, importante frisar que primeiramente executada a etapa
de interao social, para somente depois ser realizada a operao de sele-
o por torneio. Este mtodo de seleo foi utilizado para a realizao dos
testes. Desta forma, so selecionados dois indivduos aleatoriamente e veri-
cados os seus valores de tness e a quantidade de violaes de restries.
Ento, tem-se as seguintes situaes:
1. caso ambos no violem nenhuma restrio, ento o de menor tness

ganha o torneio;
2. caso um no tenha violaes e o outro tenha, ento o indivduo sem

violaes vence;
3. se ambos violarem restrioes, vence aquele com a menor quantidade

de violaes;
4. caso violem a mesma quantidade de restries, ento o de menor

tness ganha.
Na parte inferior da Figura 3, possvel visualizar a mudana da con-

gurao no grco de vencedores de cada uma das disputas, atravs dos
resultados dos torneios parciais. Cada indivduo representado por uma
textura diferente. possivel observar a inuncia da etapa de interao
social, que permite aos indivduos menos aptos evolurem e passarem a ser
selecionados para cruzamento, como o caso do indivduo 1 que era menos
apto do que o indivduo 4 e passou a ser mais apto.
4.4 Consideraes
Esta Seo apresentou o Algoritmo Gentico com Interao Social (SIGA),
onde foi includa a etapa de interao social antes da reproduo dos indi-
vduos. Assim, foram descritos os aspectos que diferem dos AGs tradicio-
nais, no sentido de denir um indivduo composto por dois cromossomos,
um para a soluo do problema e o outro para codicar geneticamente a
210 Teixeira et al.
Figura 3. Exemplo de execuo da etapa de interao social do SIGA.

sua estratgia de comportamento. Na sequncia, foi denido o novo cl-

culo de tness, que passou a contar com os valores ganhos nas disputas dos
jogos. Por m, foi exemplicada a execuo da etapa de interao social e
demonstrada a sua inuncia no processo de seleo dos indivduos.
5. Avaliao do Algoritmo SIGA

Como forma de avaliar o Algoritmo Gentico com Interao Social foram
utilizados quatro problemas de otimizao global com restries, que so
amplamente utilizados para avaliao de meta-heursticas.
5.1 Problema 1: projeto de viga de ao

Segundo Rao (1996), este problema objetiva minimizar o custo de fabrica-
o de uma viga de ao, que est sujeita a algumas restries, tais como:
tenso do cisalhamento, esforos de exo na viga, ambagem de carga na
barra e, deexo do feixe de extremidade e restries laterais. Alm disto,
so denidas quatro variveis: espessura da solda (h ); largura do feixe
(t ); espessura da viga (b ); comprimento da junta soldada (l ), conforme
mostrado na Figura 4.
Figura 4. Projeto de viga de ao.

Fonte: Alfares & Esat (2006).
Este problema pode ser formalizado da seguinte forma:
Minimizar f (X) = 1, 10471x21 x2 + 0, 04811x3 x4 (14, 0 + x2 ) (5)

Sujeito a:
g1 = max 0 (6)
g2 = max 0 (7)
212 Teixeira et al.
g3 = h b 0 (8)
g4 = 0, 10471h2 + 0, 04811tb(14, 0 + l) 5, 0 0 (9)
g5 = 0, 125 h 0 (10)
g6 = max 0 (11)
g7 = P Pc 0 (12)
Onde:
r
2 1 2
= 0 + 2 0 00 + 00 (13)
2R
0 P
= (14)
2hl
00 MR
= (15)
J

1
M =P L+ (16)
2
s
t2 h+t 2

R= + (17)
4 2
( " #)
t2 h+t 2

J =2 2hl + (18)
12 2
6P L
= (19)
bt2
4P L3
= (20)
Eb3
q
t2 b6 !
4, 013E
r
36 t E
Pc = + 1 (21)
L2 2L 4G
Alm disto, os seguintes valores foram considerados: P = 6000 lb,
L = 14 in, E = 30 106 psi, G = 12 106 psi, max = 13600 psi,
max = 30000 psi, max = 0, 25 in e os intervalos de valores para cada uma
das quatro variveis: 0,1 h 2,0; 0,1 l 10,0; 0,1 t 10,0; 0,1
b 2,0.
O SIGA foi executado 30 vezes para diferentes conguraes de par-
metros e, assim, cou estabelecido o conjunto que apresentou os melhores
Tabela 3. Resultados comparativos para o problema de projeto de viga de

ao.
He & Coello Coello
Variveis SIGA Wang Coello & Coello Deb (1991)
(2007) Montes
(2002) (2000)
x1 (h) 0,171937 0,202369 0,205986 0,208800 0,248900
x2 (l) 4,122129 3,544214 3,471328 3,420500 6,173000
x3 (t) 9,587429 9,048210 9,020224 8,997500 8,178900
x4 (b) 0,183010 0,205723 0,206480 0,210000 0,253300
g1 (x) -8,067400 -12,839796 -0,074092 -0,337812 -5758,603777
g2 (x) -39,336800 -1,247467 -0,266227 -353,902604 -255,576901
g3 (x) -0,011070 -0,001498 -0,000495 -0,001200 -0,004400
g4 (x) -3,467150 -3,429347 -3,430043 -3,411865 -2,982866
g5 (x) -0,236390 -0,079381 -0,080986 -0,083800 -0,123900
g6 (x) -16,024300 -0,235536 -0,235514 -0,235649 -0,234160
g7 (x) -0,046940 -11,681355 -58,666440 -363,232384 -4465,270928
f (x) 1,664373 1,728024 1,728226 1,748309 2,433116
resultados: mtodo de seleo = torneio; tamanho do torneio = 2; quan-

tidade de geraes = 2000; tamanho da populao = 200; taxa de cruza-
mento = 85%; taxa de mutao = 10%; alfa = 1,0; beta = 1,0; jogos =
100; rodadas = 10; R = 5; T = 3; P = 1; S = 0.
O melhor resultado obtido dentre as 30 execues realizadas foi igual
a 1,664373, que o melhor dentre os resultados disponveis na literatura
apresentados na Tabela 3.
5.2 Problema 2: projeto de vaso de presso

Este problema tem por objetivo minimizar o custo total, incluindo o custo
do material, modelagem e soldagem, de um recipiente cilndrico, que
limitado em suas extremidades por cabeas hemisfricas. Ele composto
por quatro variveis de projeto, que so: espessura da casca ( Ts , x1 ),
espessura da cabea (Th , x2 ), raio interno (R, x3 ) e comprimento da seo
cilndrica do recipiente (L, x4 ), no incluindo a cabea, conforme mostrado
na Figura 5. importante observar que os valores das variveis Ts e Th
so mltiplos de 0,0625 polegadas, pois referem-se s espessuras de chapas
de ao laminadas padronizadas, e R e L so variveis contnuas.
Este problema pode ser formulado da seguinte forma:
Minimizar f (X) = 0, 6224x1 x3 x4 + 1, 7781x2 x23 + 3, 1661x21 x4 + 19, 84x21 x3 (22)
Sujeito a:
g1 = x1 + 0, 0193x3 0 (23)
214 Teixeira et al.
Figura 5. Projeto de vaso de presso.

Fonte: He & Wang (2007).
g2 = x2 + 0, 00954x3 0 (24)
4 3
g3 = x23 x4 x + 1296000 0 (25)
3 3
g4 = x4 240 0 (26)
Alm disto, os seguintes intervalos de valores foram utilizados para
cada uma das quatro variveis: 10,0625 x1 990,0625; 10,0625
x2 990,0625; 10 x3 200; 10 x4 200.
O SIGA foi executado 50 vezes para diferentes conguraes de parme-
tros e cou estabelecido o conjunto que apresentou os melhores resultados:
mtodo de seleo = torneio; tamanho do torneio = 2; quantidade de ge-
raes = 2000; tamanho da populao = 200; taxa de cruzamento = 85%;
taxa de mutao = 20%; alfa = 1,0; beta = 1,0; jogos = 100; rodadas =
10; R = 5; T = 3; P = 1; S = 0.
O melhor resultado obtido dentre as 30 execues realizadas foi igual
a 6066,029360, que o terceiro melhor dentre os resultados disponveis na
literatura e apresentados na Tabela 4.
5.3 Problema 3: minimizao do peso da tenso/compresso sobre

mola
Este problema tem por objetivo minimizar o peso da tenso/compresso
sobre uma mola, que est sujeita a algumas restries, tais como: deexo
mnima, tenso do cisalhamento, a frequncia de onda, limites de dimetro
externo e variveis de projeto, conforme mostrado em Arora (2004); Bele-
gundu & Arora (1985). As variveis de projeto so: o dimetro do o (d,
x1 ), a bobina de dimetro mdio (D , x2 ) e o nmero de bobinas ativas (P ,
x3 ), conforme mostrado na Figura 6.
Tabela 4. Comparao dos resultados para o problema de projeto de vaso

de presso.
He & Coello
Variveis SIGA Wang Coello & Deb (1997) Kannan &
Kramer
(2007) Montes (1994)
(2002)
x1 (T s) 0,812500 0,812500 0,812500 0,937500 1,125000
x2 (T h) 0,437500 0,437500 0,437500 0,500000 0,625000
x3 (R) 42,092732 42,091266 42,097398 48,329000 58,291000
x4 (L) 176,947780 176,746500 176,654050 112,679000 43,690000
g1 (x) -0,000110 -0,000139 -0,000020 -0,004750 0,000016
g2 (x) -0,035935 -0,035949 -0,035891 -0,038941 -0,068904
g3 (x) -1337,994634 -116,382700 -27,886075 -3652,876838 -21,220104
g4 (x) -63,052220 -63,253500 -63,345953 -127,321000 -196,310000
f (x) 6066,029360 6061,077700 6059,946300 6410,381100 7198,042800
Figura 6. Minimizao do peso da tenso/compresso sobre mola.

Fonte: He & Wang (2007).
Este problema pode ser formalizado pelas Equaes 27 a 31 seguintes:
Minimizar f (X) = (x3 + 2) x2 x21 (27)

Sujeito a:
x32 x3
g1 = 1 0 (28)
71785x41
4x22 x1 x2 1
g2 = + 10 (29)
12566 x2 x31 x41 5108x21
140.45x1
g3 = 1 0 (30)
x22 x3
x1 x2
g4 = 10 (31)
1.5
taxa de mutao = 10%; alfa = 1,0; beta = 1,0; jogos = 100; rodadas =
10; R = 5; T = 3; P = 1; S = 0.
216 Teixeira et al.
Tabela 5. Comparao dos resultados para o problema de minimizao do

peso da tenso/compresso sobre mola.
He & Coello Arora Belegundu
Variveis SIGA Wang Coello &
(2004) & (1985)
Arora
(2007) Montes
(2002)
x1 (d) 0,050180 0,051728 0,051989 0,053396 0,050000
x2 (D) 0,279604 0,357644 0,363965 0,399180 0,315900
x3 (P ) 2,087959 11,244543 10,890522 9,185400 14,250000
g1 (x) -0,002840 -0,000845 -0,000013 0,000019 -0,000014
g2 (x) -0,249450 -0,0000126 -0,000021 -0,000018 -0,003782
g3 (x) -42,176000 -4,051300 -4,061338 -4,123832 -3,938302
g4 (x) -0,780140 -0,727090 -0,722698 -0,698283 -0,756067
f (x) 0,002878 0,0126747 0,0126810 0,0127303 0,0128334
O melhor resultado obtido dentre as 20 execues realizadas para essa

congurao est apresentado na Tabela 5, onde possvel compar-lo com
os resultados disponveis na literatura.
Em um primeiro momento, o resultado obtido pelo SIGA foi surpreen-
dente, por ser 77,29% melhor do que o melhor resultado dentre os outros
quatro resultados. No entanto, ele foi validado conforme a funo objetivo,
sem que houvesse a violao de nenhuma das restries.
5.4 Problema 4: projeto de redutor de velocidade

Na Figura 7 possvel visualizar o projeto de um redutor de velocidade,
onde o seu peso deve ser minimizado, segundo algumas restries: exo de
estresse dos dentes da engrenagem, tenso supercial, desvios transversais
das hastes e as tenses no eixo. Neste problema so consideradas sete
variveis: a largura do rosto (x1 ), o mdulo de dentes (x2 ), o nmero de
dentes do pinho (x3 ), o comprimento do primeiro eixo entre os rolamentos
(x4 ), o comprimento do segundo eixo entre os rolamentos (x5 ), o dimetro
do primeiro eixo (x6 ) e o dimetro do segundo eixo (x7 ).
Este problema pode ser formalizado da seguinte forma:
Minimizar f (X) = 0, 7854x1 x22 3, 3333x23 + 14, 9334x3 43, 0934

(32)
1, 508x1 x26 + x27 + 7, 4777 x26 + x27

+0, 78054 x4 x26 + x5 x27

Sujeito a:
27
g1 = 10 (33)
x1 x22 x3
397, 5
g2 = 10 (34)
x1 x22 x3
Figura 7. Projeto de redutor de velocidade.

Fonte: Brajevic et al. (2010).
1, 93x34
g3 = 10 (35)
x2 x3 x36
1, 93x35
g4 = 10 (36)
x2 x3 x37
s
750, 0x4 2

1, 0
g5 = + 16, 9 106 1 0 (37)
110x36 x2 x3
s
750, 0x5 2

1, 0
g6 = + 157, 5 106 1 0 (38)
85x37 x2 x3
x2 x3
g7 = 10 (39)
40
5x2
g8 = 10 (40)
x1
x1
g9 = 10 (41)
12x2
1, 5x6 + 1, 9
g10 = 10 (42)
x4
1, 1x7 + 1, 9
g11 = 10 (43)
x5
Alm disto, os seguintes intervalos de valores foram utilizados para
cada uma das sete variveis: 2,6 x1 3,6; 0,7 x2 0,8; 17 x3
28; 7,3 x4 8,3; 7,3 x5 8,3; 2,9 x6 5,0; 7,3 x7 5,5.
218 Teixeira et al.
Tabela 6. Comparao dos resultados para o problema de projeto de

redutor de velocidade.
Brajevic Cagnina
Variveis SIGA et al. et al.
(2010) (2008)
x1 3,500459 3,500000 3,500000
x2 0,700020 0,700000 0,700000
x3 17,005030 17,000000 17,000000
x4 7,300251 7,300000 7,300000
x5 7,800195 7,800000 7,800000
x6 2,900041 3,350215 3,350214
x7 5,286863 5,286683 5,286683
g1 (x) -0,074364 -0,073915 -0,073915
g2 (x) -0,198624 -0,197996 -0,197998
g3 (x) -0,108202 -0,499172 -0,499172
g4 (x) -0,901443 -0,901471 -0,901471
g5 (x) -1,000000 -2,220E-16 0,000000
g6 (x) -0,000102 -3,331E-16 -5,000E-16
g7 (x) -0,702403 -0,702500 -0,702500
g8 (x) -0,000103 0,000000 -1,000E-16
g9 (x) -0,795801 -0,583333 -0,583333
g10 (x) -0,143857 -0,051326 -0,051325
g11 (x) -0,011074 -0,010852 -0,010852
f (x) 2897,531422 2996,348165 2996,348165

taxa de mutao = 5%; alfa = 1,0; beta = 1,0; jogos = 100; rodadas = 10;
R = 5; T = 3; P = 1; S = 0.
O melhor resultado obtido dentre as 50 execues realizadas para esta
congurao est apresentado na Tabela 6, onde possvel compar-lo com
os resultados disponveis na literatura.
O resultado obtido pelo SIGA para este problema bastante signica-
tivo, pois o valor 2996,348165 considerado o timo global nas referncias
bibliogrcas pesquisadas e utilizadas para comparao. No entanto, foi
encontrado um valor melhor e que foi validado a partir do modelo matem-
tico do problema, sem a ocorrncia de violoo em nenhuma das restries.
6. Consideraes Finais
Este captulo apresentou uma nova meta-heurstica hbrida de otimizao
baseada na natureza, denominada de Algoritmo Gentico com Interao
Social (SIGA), aplicada na resoluo de quatro problemas de engenharia
bastante difundidos na literatura.
Para a sua concepo foram observados aspectos presentes, por exem-
plo, na dinmica das interaes sociais entre seres humanos. No entanto,
a abordagem aqui apresentada um modelo bastante simplicado do que
encontrado na natureza. Desta forma, foram introduzidas novas carac-

tersticas no Algoritmo Gentico tradicional, no sentido de permitir que
os indivduos da populao possam evoluir ao longo do processo evolutivo,
conforme os ganhos obtidos na etapa de Interao Social.
Assim, cada indivduo passou a ser caracterizado por dois cromossomos,
um para representar a possvel soluo do problema em questo e o outro
para codicar geneticamente a sua estratgia de comportamento. Neste
estudo foram utilizadas apenas quatro estratgias, sendo duas puras, ALL-
D e ALL-C, e duas mistas, Aleatrio e TFT.
Por conseguinte, o clculo de tness passou a contar no mais somente
com o valor gerado a partir do cromossomo soluo, aqui denominado de
f itnessSolucao , mas tambm com a soma dos ganhos obtidos nas disputas
dos jogos, denominado de f itnessEstrategia . Sendo assim, o f itnessT otal
passou a ser o valor de tness do indivduo calculado atravs da soma
ponderada dos f itnessSolucao e f itnessEstrategia , conforme expresso na
Equao 4.
Em relao aos resultados dos experimentos realizados para os qua-
tro problemas denidos, possvel perceber uma signicativa melhora nos
resultados dos problemas relatados nas Sees 5.1, 5.3 e 5.4 que so,
respectivamente, projeto de viga de ao, minimizao do peso da ten-
so/compresso sobre mola e o projeto de redutor de velocidade.
Para cada um deles foram encontrados novos timos globais, em compa-
rao com os melhores resultados presentes em estudos similares, conforme
mostrado em cada uma das tabelas comparativas dos resultados obtidos.
Somente para o problema da Seo 5.2, projeto de vaso de presso, que
o timo global conhecido at o momento no foi superado, mas o resul-
tado obtido cou prximo. No entanto, acredita-se que o valor timo no
foi encontrado pelo fato do SIGA no ter tido a capacidade de realizar
uma efetiva busca pelo espao de solues candidatas, que dentre todos os
problemas o maior.
importante frisar que estes resultados foram gerados at o presente
e, apesar de melhores em trs dos quatro problemas, eles apenas indicam
a viabilidade do algoritmo proposto e motivam a realizao de estudos
posteriores, no sentido de explorar todas as suas caractersticas.
Alm disto, em estudos anteriores, com a aplicao do SIGA em pro-
blemas de otimizao combinatria (Lehrer, 2000; Teixeira, 2005; Brito
et al., 2005; Teixeira et al., 2006b,a, 2010b,a), foi possvel constatar um
aumento da variabilidade populacional no decorrer do processo evolutivo
e, neste sentido, h indcios que o mesmo tenha ocorrido nos problemas de
otimizao global com restries aqui apresentados. Desta forma, h ne-
cessidade de realizar estudos analticos para constatar esta hiptese. Con-
sequentemente, h ainda a possibilidade de explorar outras conguraes
dos parmetros na busca por resultados melhores, de forma a aprimorar a
tcnica e a sua aplicabilidade em diversas categorias de problemas.
220 Teixeira et al.
Agradecimentos
Este trabalho tem o suporte acadmico do Laboratrio de Computaao
Natural (LCN), do Centro Universitrio do Estado do Par (CESUPA),
e do Programa de Ps-Graduao em Engenharia Eltrica (PPGEE), do
Instituto de Tecnologia (ITEC) da Universidade Federal do Par (UFPA).
Referncias
Alfares, F. & Esat, I., Real-coded quantum inspired evolution algorithm
applied to engineering optimization problems. In: Proceedings of the
Second International Symposium on Leveraging Applications and For-
mal Methods, Verication and Validation. Washington, USA: IEEE
Computer Society, p. 169176, 2006.
Arora, J., Introduction to Optimum Design. 2a edio. New York, USA:

Academic Press, 2004.
Belegundu, A. & Arora, J., A study of mathematical programming methods

for structural optimization. Part I: Theory. International Journal for
Numerical Methods in Engineering, 21(9):15831599, 1985.
Blum, C. & Roli, A., Metaheuristics in combinatorial optimization:
Overview and conceptual comparison. ACM Computing Surveys,
35(3):268308, 2003.
Borges, P., A Model of Strategy Games based on the Paradigm of the Ite-
rated Prisoner's Dilemma Employing Fuzzy Sets. Tese de doutorado,
Programa de Ps-Graduao em Engenharia de Produo, Universi-
dade Federal de Santa Catarina, Florianpolis, SC, 1996.
Brajevic, I.; Tuba, M. & Subotic, M., Improved articial bee colony algo-
th
rithm for constrained problems. In: Proceedings of the 11 WSEAS
International Conference on Neural Networks, Fuzzy Systems and Evo-
lutionary Computing. Stevens Point, USA: WSEAS, p. 185190, 2010.
Brito, F.; Teixeira, O. & Oliveira, R., A introduo da interao fenotpica
em algoritmos genticos atravs dos jogos evolucionrios e da codi-
cao e transmisso gentica do comportamento. In: Anais do VII
Simpsio Brasileiro de Automao Inteligente. 2005.
Cagnina, L.; Esquivel, S. & Coello Coello, C., Solving engineering optimi-
zation problems with the simple constrained particle swarm optimizer.
Informatica, 32(3):319 326, 2008.
Coello Coello, C., Use of a self-adaptive penalty approach for engineering
optimization problems. Computers in Industry, 41(2):113127, 2000.
Coello Coello, C., Theoretical and numerical constraint-handling tech-

niques used with evolutionary algorithms: a survey of the state of
the art. Computer Methods in Applied Mechanics and Engineering,
191(11-12):12451287, 2002.
Coello Coello, C. & Montes, E., Constraint-handling in genetic algorithms

through the use of dominance-based tournament selection. Advanced
Engineering Informatics, 16(3):193203, 2002.
Darwin, C., On the Origin of Species by Means Natural Selection, or pre-
servation of favored races in the struggle for life. London, UK: John
Murray, 1859.
Dawkins, R., The Extended Phenotype: the long reach of the gene. New
York, USA: Oxford University Press, 1999.
Deb, K., Optimal design of a welded beam via genetic algorithms. AIAA
Journal, 29(11):20132015, 1991.
Deb, K., Geneas: a robust optimal design technique for mechanical compo-
nent design. In: Dasgupta, D. & Michalewicz, Z. (Eds.), Evolutionary
Algorithms in Engineering Applications. Berlin, Germany: Springer-
Verlag, p. 497514, 1997.
Eberhart, R.; Simpson, P. & Dobbins, R., Computation Intelligence PC

Tools. San Diego, USA: Academic Press, 1996.
Learning. Reading, USA: Addison Wesley, 1989.
Haupt, R. & Haupt, S., Pratical Genetic Algorithms. New York, USA:
John Wiley & Sons, 2000.
He, Q. & Wang, L., An eective co-evolutionary particle swarm optimiza-

tion for constrained engineering design problem. Engineering Applica-
tions of Articial Intelligence, 20(1):8999, 2007.
Holland, J., Adaptation in Natural and Articial Systems. University of
Michigan Press, 1975.
Kannan, B. & Kramer, S., An augmented lagrange multiplier based method

for mixed integer discrete continuous optimization and its applications
to mechanical design. Journal of Mechanical Design, 116(2):405411,
1994.
Lahoz-Beltra, R.; Ochoa, G. & Aickelin, U., Cheating for problem solving:
a genetic algorithm with social interactions. In: Proceedings of Genetic
and Evolutionary Computation Conference. p. 811818, 2009.
Lehrer, C., Operador de Seleo para Algoritmos Genticos baseado no Jogo
Hawk-Dove. Dissertao de mestrado, Programa de Ps-graduao
em Cincia da Computao, Universidade Federal de Santa Catarina,
Florianpolis, SC, 2000.
Luce, D. & Raia, H., Games and Decisions: Introduction and Critical
Survey. Mineola, USA: Dover Publications, 1989.
Mitchell, M., An Introduction to Genetic Algorithms. Cambridge, USA:
MIT Press, 1998.
222 Teixeira et al.
Poundstone, W., Prisoner's Dilemma: John Von Neumann, Game Theory,

and the Puzzle of the Bomb. Sydney, Australia: Anchor Books, 1993.
Rao, S., Engineering Optimization. 3a edio. New York, USA: Wiley
Interscience, 1996.
Rapoport, A., Lutas, Jogos e Debates. 2a edio. Braslia, DF: Editora da

UNB, 1998.
Rapoport, A., Two-Person Game Theory. Mineola, USA: Dover Publica-

tions, 1999.
Teixeira, O., Proposta de um Novo Algoritmo Gentico baseado na Teoria

dos Jogos. Dissertacao de mestrado, Programa de Ps-Graduao em
Engenharia Eltrica, Universidade Federal do Par, Belm, PA, 2005.
Teixeira, O.; Brito, F.; Teixeira, A. & Oliveira, R., Genetic algorithms
with social interaction phase as phenotype characterization. In: Press,
X.U. (Ed.), Proceedings of Advances in Natural Computation and Data
Mining. Xi'an, China, 2006a.
Teixeira, O.; Lobato, W.; Yasojima, C.; Brito, F.; Teixeira, A. & Oliveira,
R., Fuzzy social interaction genetic algorithm. In: Proceedings of the
th
10 Annual Conference on Genetic and Evolutionary Computation.
p. 21132114, 2010a.
Teixeira, O.; Lobato, W.; Yasojima, C.; Brito, F.; Teixeira, A. & Oliveira,
R., A new hybrid nature-inspired metaheuristic for problem solving
based on the social interaction genetic algorithm employing fuzzy sys-
th
tems. In: Proceedings of the 10 International Conference on Hybrid
Intelligent Systems. Atlanta, USA, p. 3136, 2010b.
Teixeira, O.; Teixeira, A.; Brito, F. & Oliveira, R., Game theory as a new
paradigm for phenotype characterization of genetic algorithms. In:
th
Proceedings of the 8 Annual Conference on Genetic and Evolutionary
Computation. New York, USA, p. 14311432, 2006b.
von Neumann, J. & Morgenstern, O., Theory of Games and the Economic
Behavior. Princeton, USA: Princeton University Press, 1944.
Notas Biogrficas
Otvio Noura Teixeira graduado em Tecnologia em Processamento de Dados
(1998), pelo Centro Universitrio do Estado do Par (CESUPA), graduado em
Bacharelado em Cincia da Computao (2003), mestre em Engenharia Eltrica
(2005) e doutorando em Engenharia Eltrica, pela Universidade Federal do Par
(UFPA). Atualmente Professor em tempo integral, e com experincia de mais
de 11 anos de docncia, no Centro Universitrio do Estado do Par (CESUPA),
onde tambm coordenador e pesquisador do Laboratrio de Computao
Natural. Ele j orientou mais de 40 trabalhos de concluso de curso e participou
de 85 bancas de defesa, alm de ter publicado 40 artigos em eventos e peridicos.
Walter Avelino da Luz Lobato graduado em Bacharelado em Cincia da

Computao (2009) pelo Centro Universitrio do Estado do Par (CESUPA).
Atualmente aluno do curso de especializao em Java Corporativo e membro
do Laboratrio de Computao Natural, pela mesma instituio em que se
graduou. Tambm mestrando em Cincia da Computao do Programa de
Ps-graduao em Cincia da Computao (PPGCC) da Universidade Federal
do Par (UFPA).
Hitoshi Seki Yanaguibashi graduando em Bacharelado em Cincia da

Computao e bolsista de iniciao cientca do Laboratrio de Computao
Natural, do Centro Universitrio do Estado do Par (CESUPA).
Rodrigo Vieira Cavalcante graduando em Bacharelado em Cincia da

Computao, pelo Centro Universitrio do Estado do Par (CESUPA), e em
Engenharia de Automao e Controle pelo Instituto de Estudos Superiores da
Amaznia (IESAM).
Deam James Azevedo da Silva graduado em Tecnologia em Processamento

de Dados (1993), pelo Centro Universitrio do Estado do Par (CESUPA) e
mestre em Informtica (2002) pela Universidade Federal de Campina Grande
(UFCG). professor Assistente III da Universidade Federal do Oeste do
Par (UFOPA). Atualmente doutorando do Programa de Ps-graduao em
Engenharia Eltrica (PPGEE) da Universidade Federal do Par (UFPA).
Roberto Clio Limo de Oliveira mestre em Engenharia Eletrnica (1991)

pelo Instituto Tecnolgico de Aeronutica, e doutor em Engenharia Eltrica
(1999) pela Universidade Federal de Santa Catarina. Atualmente professor
Associado da Faculdade de Engenharia de Computao da Universidade Federal
do Par. Ele orientou 20 alunos de mestrado e doutorado nas reas de Controle
Inteligente e Inteligncia Computacional, onde publicou cerca de 80 artigos em
eventos e peridicos.
224 Teixeira et al.
.
Captulo 11
Controlador Preditivo Neural do Nvel do Molde

do Lingotamento Contnuo
Sintonizado Via Algoritmo Gentico
Fbio B. Sanchotene, Gustavo M. de Almeida e Jos Leandro F. Salles
Resumo: O Controlador Preditivo Baseado em Modelo (MPC)

tem sido cada vez mais aplicado nos processos industriais, pois ge-
ralmente exibe um bom desempenho e robustez, desde que os seus
parmetros sejam sintonizados corretamente. Este captulo utiliza
um Algoritmo Gentico para realizar a sintonia dos parmetros do
MPC Neural aplicado no controle do nvel do molde do lingota-
mento contnuo, j que no existe nenhum mtodo analtico para
resolver este problema de sintonia. O nvel do molde uma das
malhas de controle mais importantes na siderurgia, pois variaes
no nvel acima de 10 mm prejudicam a qualidade do ao produzido.
A estabilidade e a robustez de dois tipos de algoritmos MPC neural
so comparadas, quando o nvel do molde afetado pelos distrbios
de clogging e bulging.
Palavras-chave: Controle Preditivo, Algoritmo gentico, Lingota-

mento contnuo, Siderurgia.
Abstract: The Model Based Predictive Control (MPC) is incre-

asingly applied in industry, because it usually exhibits a good per-
formance and robustness, provided their parameters are correctly
tuned. In this chapter, a Genetic Algorithm is used to tune the
Neural MPC parameters, which will be applied in the control of the
mold level in the continuous casting process, since there is no analy-
tical method that can be used to solve this tuning problem. The mold
level control is one of the most important control loop present in the
steel industry, since variations in the level above 10 mm reduce the
quality of steel. The stability and robustness of two Neural MPC
algorithms are compared when the mold level is aected by clogging
and bulging disturbs.
Keywords: Predictive controller, Genetic algorithm, Continuous
casting, Steel Industry.
Autor para contato: jleandro@ele.ufes.br

226 Sanchotene et al.
1. Introduo
O Controlador Preditivo baseado em Modelo (MPC) originou-se nos anos
70 e, desde ento, tem sido bastante estudado no meio acadmico e apli-
cado no controle de diversas plantas industriais (Qin & Badgwell, 2003). O
termo MPC designa uma ampla variedade de mtodos de controle que fa-
zem uso explcito do modelo de um processo para obter o sinal de controle
pela minimizao de uma funo objetivo (Camacho & Bordons, 2004).
Esta metodologia de natureza aberta, dentro da qual diferentes algo-
ritmos de controle tm sido desenvolvidos, tais como: Controle Preditivo
Generalizado (GPC) (Clarke et al., 1987), Controle por Matriz Dinmica
(DMC) (Cutler & Ramaker, 1979) e Controle Auto Adaptativo Estendido
Preditivo (Keyser & van Cuawenberghe, 1985), entre outros. O Controla-
dor Preditivo pode ser aplicado em processos lineares, no lineares, mono
e multivariveis, com restries e atrasos, desde aqueles com dinmica es-
tvel at os de fase no minima e instveis em malha aberta (Camacho &
Bordons, 2004).
O MPC geralmente exibe um bom desempenho e robustez, desde que
os parmetros de sintonia sejam adequadamente escolhidos pelo projetista
(Maciejowski, 2000). Entretanto, a seleo dos parmetros no uma
tarefa fcil, na medida em que no existe um mtodo geral e preciso de
sintonia que assegure a estabilidade (Bitmead et al., 1990). O mtodo mais
usado na literatura para o ajuste dos parmetros do MPC atualmente o
da tentativa e erro, exigindo, alm de um bom conhecimento do processo
por parte do operador, tambm um certo tempo at que a resposta obtida
seja satisfatria. Em alguns processos instveis em malha aberta, como
o nvel do molde a ser estudado neste captulo e tambm em sistemas
multivariveis como o laminador apresentado por de Almeida et al. (2009b),
no se consegue determinar os parmetros de sintonia atravs de tentativa
e erro, a m de obter uma resposta estvel e otimizada. Por isto, observa-se
na literatura que ainda pouco explorada a aplicao do MPC em sistemas
instveis em malha aberta, lineares ou no.
O objetivo utilizar o MPC com modelo neural, a m de realizar o
controle do nvel do molde do lingotamento contnuo, que um processo
instvel em malha aberta e no linear (Sanchotene & Salles, 2009; Mattedi
et al., 2010). Para este caso, o mtodo de sintonia do MPC baseado em
tentativa e erro praticamente invivel de ser aplicado, sendo fundamental
utilizar ferramentas computacionais baseadas em computao evolucion-
ria para obter automaticamente os parmetros do controlador. Exemplos
de artigos que utilizam o Algoritmo Gentico para sintonizar os parme-
tros do MPC so encontrados em Filali & Wertz (2001), de Almeida et al.
(2006) e de Almeida et al. (2009a).
O processo de lingotamento contnuo consiste, basicamente, da trans-
formao do ao, inicialmente em seu estado lquido e temperatura superi-
Controlador preditivo neural do nvel do molde sintonizado via AG 227

ores a 1600 C, em placas de ao de formato, espessura, superfcie, consis-
tncia e propriedades mecnicas conhecidas, segundo padres existentes.
no molde da mquina de lingotamento contnuo que se realiza o processo de
resfriamento primrio, formando uma casca de ao slido. Para que isto
seja realizado necessrio manter um nvel constante e predeterminado de
ao lquido no seu interior em diferentes condies de processo.
Apesar da aplicao de controlador clssico Proporcional-Integral-
Derivativo (PID) ser ainda encontrado no controle do molde, a sua frgil
robustez diante dos efeitos e variaes de parmetros presentes no processo
de lingotamento tem impulsionado pesquisadores do mundo inteiro, tanto
na siderurgia quanto no meio acadmico, ao desenvolvimento de tcnicas
mais sosticadas de controle. Em Yoo & Kueon (1997) mostra-se a apli-
cao de uma tcnica de controle por modo deslizante. Em Kurokawa
et al. (1993) desenvolvido um controlador H e em Tao & Wang (2005)
so utilizadas a Lgica Fuzzy e Redes Neurais para resolver o problema de
controle do nvel do molde. No se encontram na literatura estudos sobre
aplicaes do MPC no linear do nvel do molde do lingotamento contnuo.
Os artigos existentes sobre este assunto esto relacionados ao controlador
GPC para o molde linear, conforme mostrado em Loureiro (1994), Guo
et al. (2000) e Sanchotene (2009).
Duas tcnicas MPC com Redes Neurais sero estudadas: uma delas
utiliza Linearizao instantnea do modelo neural do molde e a outra utiliza
o gradiente da funo objetivo para determinar a ao de controle. Tais
mtodos sero comparados quanto a robustez, estabilidade e qualidade de
controle.
O captulo organizado da seguinte forma: na Seo 2 apresentam-se
os conceitos bsicos do MPC, os algoritmos MPC neural a serem imple-
mentados, e mostra-se como o Algoritmo Gentico foi utilizado na sintonia
destes controladores. Utilizando-se de dados reais, apresenta-se na Seo 3
a modelagem da malha de controle do nvel do molde usando redes neu-
rais e tambm feita a representao matemtica dos distrbios existentes
que afetam a qualidade do processo. Na Seo 4 discutem-se as simulaes
computacionais obtidas, apresentando a comparao entre as duas tcnicas
MPC neural. Na Seo 5 feita a concluso.
2. O Controlador Preditivo Baseado em Modelo (MPC)

Os algoritmos de controle pertencentes famlia MPC so caracterizados
pelos seguintes elementos:
i) O Modelo do processo, que tem um papel decisivo no desempenho do

controlador, devendo ser capaz de capturar a dinmica do processo
de forma a predizer precisamente as sadas futuras, assim como ser
simples na sua implementao e entendimento. O MPC uma tc-
nica que engloba diferentes metodologias, pois utiliza vrios tipos de

modelos, nas diversas formulaes.
ii) O Preditor, onde se estima a sada futura, que denida por

y(t + k), k = N1 , . . . N2 , onde N1 e N2 so os horizontes de pre-
dio mnimo e mximo, respectivamente. Esta estimao feita a
cada instante discreto de tempo t usando o modelo do processo.
iii) A Trajetria de Referncia, que o sinal desejvel que a sada do

processo siga. A sada poder ou no ser igual Referncia, depen-
dendo do sinal de controle calculado pelo Otimizador. A Trajetria
de Referncia denida por w , normalmente, uma aproximao su-
ave do valor atual da sada, denida por y(t) em direo referncia
conhecida (denominada r(t)), por meio de um sistema de primeira
ordem representado por:
w(t) = y(t) (1)
w(t + k) = w(t + k 1) + (1 )r(k) k = 1, ..., N2 N1
onde um parmetro entre 0 e 1 que suaviza a resposta do sistema

medida que se aproxima de 1.
v) O Otimizador, atravs do qual se determina uma sequncia de aes

de controle denida por u(t + k), k = 0, 1, 2, . . . , Nu , onde Nu deno-
minado horizonte de controle. Estas aes so obtidas minimizando
uma funo custo, que geralmente uma funo quadrtica dada
por:
N2 Nu
X X
J= y (t + k) w(t + k)]2 +
[ [u(t + k 1)]2 (2)
k=N1 j=1
onde u(k) = u(k) u(k 1); e so parmetros que ponderam

os erros de previso e o sinal de controle, respectivamente.
Uma soluo explcita pode ser obtida se o modelo linear e no existem

restries; caso contrrio um mtodo de otimizao iterativo tem que ser
usado. O primeiro sinal (u(t)) da sequncia das aes de controle u(t +
k), k = 0, . . . , Nu 1 enviado ao processo, enquanto que o restante da
sequncia descartada. Tal estratgia denominada de Controle por
Horizonte Retrocedente.
2.1 Sintonia do MPC

O bom desempenho do controlador preditivo obtido somente se o proje-
tista denir adequadamente os parmetros de sintonia: horizonte de predi-
o (N2 ), horizonte de controle (Nu ), ponderao do erro de previso ( ),
fator de supresso () e constante da trajetria de referncia (). Entre-
tanto, a seleo destes parmetros no uma tarefa fcil, na medida em
que no h nenhum guia preciso para a seleo que assegure a estabilidade
(Bitmead et al., 1990). Em geral, esta sintonia feita atravs de heurstica,
baseada em tentativa e erro, sendo vivel na sintonia do controlador pre-
ditivo de processos que possuem comportamento estvel em malha aberta.
No entanto, nos casos em que o processo instvel em malha aberta (como
o nvel do molde do lingotamento contnuo), este procedimento torna-se
entediante, podendo no obter uma resposta estvel em malha fechada,
ou quando o processo estabilizado em malha fechada, o desempenho do
controlador preditivo ca abaixo das expectativas.
Em Dougherty & Cooper (2003) proposto um mtodo para calcu-
lar os parmetros de sintonia do DMC (Nu , N2 , ) analiticamente. No
entanto, esta metodologia aplicada nos casos em que os processos so
estveis em malha aberta e que possam ser aproximados por uma funo
de transferncia de primeira ordem com atraso. Alm disto, este mtodo
fornece elevados horizontes de controle, o que diculta o clculo compu-
tacional da ao de controle e favorece obteno de solues infactveis,
conforme mostra de Almeida et al. (2009a).
Uma outra metodologia utiliza os Algoritmos Genticos (AG) para sin-
tonizar os parmetros do MPC, a qual foi inicialmente testada por Filali
& Wertz (2001). Neste artigo, o controlador linear GPC foi aplicado em
sistemas monovariveis e irrestritos, considerando-se apenas os horizontes
de controle e de previso. Em de Almeida (2006), mostra-se que a incluso
dos parmetros de sintonia (, e ) diminuem os horizontes de controle
e previso do GPC, o que facilita o esforo computacional realizado na
obteno da ao de controle. Alm disto, em de Almeida et al. (2009a)
mostra-se a ecincia da sintonia do algoritmo DMC usando AG em relao
metodologia proposta por Dougherty & Cooper (2003).
2.1.1 Sintonia do MPC atravs do algoritmo gentico (AG)

Uma das principais caractersticas do AG realizar ajuste de todos os
parmetros de maneira automtica. A execuo do algoritmo feita da
seguinte maneira: primeiramente deve-se fornecer o modelo do processo.
Em seguida dene-se os parmetros necessrios para a execuo do AG tais
como: o tamanho da populao (M ), o nmero de geraes (G), a taxa
de crossover e a taxa de mutao, o tipo de funo tness considerada e
o critrio de seleo. Feito isto, M indivduos so criados aleatoriamente
por AG, que tem o seguinte formato:
[Nu , N2 , , , ], (3)
sendo que a codicao feita com variveis reais.

Depois disto, o AG calcula o tness de cada indivduo dentro da popu-
lao inicial, onde os parmetros sintonizados por AG so colocados dentro
do algoritmo de MPC que separa de acordo com o tness de cada um os
melhores dos piores indivduos. A funo tness, denominada F it, dada
por:
1
F it(Nu , N2 , , , ) = P , (4)
(y w)2
onde y a sada do processo e w a referncia.
Em seguida, o AG evolui a espcie atravs da realizao das trs opera-
es genticas (reproduo, crossover de ponto nico e mutao aleatria),
onde os melhores indivduos tem maior probabilidade de ter descendentes
nas geraes futuras. Neste trabalho, o mtodo de seleo usado o da
roleta onde, atravs da Equao 4, se determina a poro que o indivduo
ter dentro da roleta. So feitas M 1 execues da roleta para seleci-
onar os indivduos. Paralelo seleo por roleta, foi utilizado o elitismo,
que assegura que os resultados nunca sero piores do que os da gerao
anterior.
O AG executa um loop de G geraes e, ao nal da ltima, apresentar-
se- o melhor indivduo. O algoritmo utilizado na sintonia do MPC o
seguinte:
Passo 0: Determinar o tamanho da populao M, a taxa de crossover a

taxa de mutao:
Passo 1: Criar a populao inicial;
Passo 2: Aplicar o vetor de parmetros (Equao 3) calculados por AG

dentro do algoritmo MPC Neural usado para obter o sinal de controle
u;
Passo 3: Determinar a sada y simulando o modelo do processo;
Passo 4: Determinar a referncia futura pela Equao 1;
Passo 5: Calcular o tness de cada indivduo atravs da Equao 4;
Passo 6: Distinguir os melhores e os piores indivduos;
Passo 7: Criar uma nova populao usando as operaes genticas;
Passo 8: Voltar ao passo 2 at o nmero mximo de geraes ser alcan-

ado;
Passo 9: Apresentar o resultado.

Com este procedimento, basta entrar com o modelo da planta que se

deseja controlar para que o algoritmo calcule os valores dos parmetros do
MPC de forma automtica sem a necessidade de um conhecimento adi-
cional do processo, alm do seu modelo. importante mencionar que o
algoritmo desenvolvido neste trabalho pode ser aplicado em qualquer tipo
de processo onde se possa utilizar o MPC.
2.2 MPC neural

No MPC neural o modelo obtido atravs de uma rede neural feedforward
com pelo menos um neurnio na camada oculta, tendo em vista que tais
redes so consideradas estimadores universais (Farago & Lugosi, 1993). No
caso do modelo neural do nvel do molde, a rede ter a estrutura NNARX,
cuja previso da sada k passos a frente pode ser escrita como:
y(t + k) = y (t + k 1), ..., y(t + k min[k, n]), y(t 1),

g[ (5)
... , y(t max[n k, 0]), u(t + k d), ..., u(t + k d m)],
onde: n o nmero de regressores da sada, m o nmero de regressores

da entrada, d o atraso, g uma rede perceptron de duas camadas.
As estratgias de controle MPC neural se diferem, basicamente, na
forma de calcular a ao de controle que minimize a funo custo J. Uma
classe utiliza a regra do gradiente, cujo clculo da ao de controle feito
iterativamente na direo contrria ao gradiente da funo custo (Equa-
o 2). Uma outra classe realiza uma linearizao local da funo no linear
g da rede e determina a ao de controle usando a tcnica GPC (Controle
Preditivo Generalizado), que um controlador preditivo linear baseado no
modelo linear CARIMA. Os algoritmos destas duas estratgias de controle
neural so descritos a seguir.
2.2.1 MPC neural com regra baseada no gradiente (PNRG)

i i i i
Seja U (t) = [u (t), u (t+1), ..., u (t+Nu 1)] o vetor de aes de controle a
ser determinado a cada iterao i pelo algoritmo PNRG atravs da seguinte
regra:
U (i+1) (t) = U (i) (t) + i di , (6)

i i i
onde o passo com que U caminha para o mnimo de J e d o
vetor direo contrrio ao gradiente da funo J em relao a U i , o qual
i
denotado por G[U ].
O algoritmo PNRG se baseia no mtodo quasi -Newton, que considera
di = B i G(U i ), onde B i a aproximao da inversa da Hessiana de J em
i
relao a U , calculada pelo mtodo de Broyden-Fletcher-Goldfarb-Shanno
(BFGS). O Algoritmo PNRG foi proposto por M.Nrgaard et al. (2000),
sendo descrito resumidamente a seguir:
Passo 0 Selecionar uma sequncia de controle U 0, determinar G[U 0 ] e

0
fazer B = I e i = 0;
Passo 1 Obter di = B i G[U i ], determinar o passo i e atualizar a

sequncia de controle conforme a Equao 6;
Passo 2 Ir para o Passo 4 se |U i+1 U i | < ou o nmero mximo de

iteraes for atingido.
Passo 3 Fazer i = i+1, atualizar o clculo de B i usando o mtodo BFGS,

ir para o Passo 1.
Passo 4 Aceitar a sequncia Ui como o mnimo de J e parar.
2.2.2 MPC neural com linearizao instantnea (PNLI)

A idia da linearizao instantnea extrair o modelo linear de uma rede
neural no-linear em cada perodo de amostragem. Assume-se que o modelo
de entrada e sada de uma rede neural do sistema a ser controlado avaliado
como:
y(t) = g[(t)] (7)
onde o vetor de regresso (t) dado por:
(t) = [y(t 1), . . . , y(t n), u(t d), . . . , u(t d m)] (8)
O princpio da linearizao instantnea o seguinte (mais detalhes

podem ser encontrados em M.Nrgaard et al. (2000)):
i) Interpretar o vetor de regresso como um vetor denindo os estados do

sistema e o tempo t = . Linearizar g em torno do estado corrente
(t) para obter o modelo aproximado:
y(t) = a1 y(t 1) ... an y(t n) + b0 u

(t d) + ... + bm u
(t d m),
(9)
onde:
g[(t)] g[(t)]
ai = |(t)=( ) bi = |(t)=( ) (10)
y(t i) u(t d i)
e:
y(t i) = y(t i) y( i) (t i) = u(t 1) u( 1)

u (11)
ii) Separando a parte da expresso que contm os componentes do vetor

de regresso corrente ((t)), o modelo linear aproximado pode ser
assim representado:
y(t) = [1 A(q 1 )]y(t) + q d B(q 1 )u(t) + ( ), (12)
onde o termo (t) dado por:
(t) = y( )+a1 y( 1)+...+an y( n)b0 u( d)...bm u( dm)

(13)
Os coecientes ai e bi so os coecientes dos polinmios A(q 1 ) e

B(q 1 ) do modelo CARIMA.
Aps obtido o modelo CARIMA, usa-se o algoritmo do controlador
linear GPC para determinar a ao de controle, conforme a metodologia
apresentada em Camacho & Bordons (2004).
3. Modelagem da Malha de Controle do Nvel do Molde

O controle do nvel de ao no molde uma das malhas mais importantes
em processo de lingotamento contnuo, inuindo diretamente na qualidade
do ao produzido e, consequentemente, em seu valor comercial. O sistema
utilizado atualmente na usina da Arcelor Mittal Tubaro constitudo de
trs partes principais ilustradas na Figura 1, a saber: unidade de medio,
unidade de controle, unidade de atuao hidrulica.
Figura 1. Congurao bsica do sistema de controle.
O funcionamento consiste na colocao de um sensor acima da super-

fcie do ao lquido recoberto por p uxante. O sinal eltrico captado
pelo sensor tratado na unidade amplicadora, que envia o sinal para a

unidade de controle. Nesta ltima unidade esto contidas as rotinas de
controle e alarmes, atravs de um algoritmo especco para controle do n-
vel. A unidade de controle avalia o comportamento do nvel medido e envia
as devidas correes ao sistema de atuao hidrulica, que posiciona um ci-
lindro acoplado a uma vlvula gaveta, utilizada para regular a vazo de ao
do distribuidor para a vlvula submersa (esta vlvula localiza-se na sada
da vlvula gaveta, e responsvel pelo transporte do ao para o molde).
Com a posio da vlvula gaveta (mais precisamente, sua placa central),
estar denida a vazo de entrada de ao na vlvula submersa e, conse-
quentemente, no molde. Este, em uma situao de regime permanente,
deve contrapor ao volume de ao retirado do molde para continuidade do
processo e formao das placas na sada da mquina.
A vlvula gaveta um dispositivo formado por trs placas sobrepostas
que possuem um orifcio idntico em cada uma destas placas, onde a placa
central provida de movimento horizontal (Xsg ), fazendo com que a rea
de passagem de ao, consista na rea de interseco dos orifcios, conforme
ilustrado pela Figura 2. Obtm-se a rea efetiva (As ) de passagem de ao
atravs de um clculo considerando a interseco de orifcios concntricos
de raio R. De acordo com Yoo & Kueon (1997), a rea efetiva dada por:
Figura 2. Formato da vlvula gaveta do distribuidor.

Xsg (t)
! s 2
R

Xs g Xsg (t)
As = 2 R2 cos1 2
R (t) RXsg
R 2 2
(14)
A vlvula gaveta est localizada logo aps a sada distribuidor e o
transporte do uxo do ao da vlvula gaveta para o molde feita atravs
da vlvula submersa. Considerando o comprimento da vlvula submersa

de L = 600mm
e a velocidade do uxo de ao na sada da vlvula gaveta
de Vn = 2.g.h, o atraso de transporte ser dado por Tv =0,11s. Assim,
a equao dinmica do nvel do molde obtida em Yoo & Kueon (1997),
dada por:
dH(t) 1
= [As .Vn (t Tv ) Am .Vcs (t)] (15)
dt Am
onde: H a altura do nvel do molde; Am a rea do molde; g a
gravidade; h a altura do uido entre os nveis de ao do distribuidor e do
molde e Vcs velocidade de lingotamento ou extrao da placa.
A partir da Equao 15 chega-se seguinte funo de transferncia:
1 h i
As esTv 2gh Am Vcs
p
H= (16)
Am s
caracterizando-se, portanto, como uma malha integradora (no estvel em
malha aberta).
Para a representao matemtica dos demais blocos que compem a
malha de controle, foram realizados experimentos na planta real, am de
identicar o modelo conforme mostra Sanchotene (2009). A funo de
transferncia (Equao 17) representa o controlador da malha de posio
da vlvula gaveta (malha escrava) e o sistema hidrulico responsvel por
sua movimentao fsica.
0.25
Gp (s) = (17)
0.5s + 1
A funo de transferncia (Equao 18) representa o bloco referente ao
sensor de nvel do molde.
e0,02s
GS (s) = (18)
0.4s + 1
Desta maneira, observa-se na Figura 3 o sistema no-linear completo
simulado no Matlab para representao do processo real de controle do
nvel do molde.
3.1 Os distrbios presentes no controle do nvel do molde

Em uma malha real de controle de nvel de molde verica-se a ocorrncia de
uma srie de efeitos inerentes ou no ao processo metalrgico de produo
de placas que afetam de forma direta e indireta o regime estvel do nvel
de ao na superfcie do molde, podendo ser interpretados como distrbios
a serem controlados/reduzidos pelo sistema de controle. O aparecimento
destes efeitos (ou distrbios) e a consequente variao demasiada do nvel
de ao no molde, tem como consequncia nal o surgimento de defeitos
Figura 3. Diagrama de blocos da malha de controle de nvel do molde.
nas placas produzidas pela mquina de lingotamento, alm dos riscos de

transbordamento de ao para fora do molde e break-outs.
A seguir so descritos os efeitos que mais interferem na estabilidade
de uma malha de controle de nvel de molde, seus comportamentos e as
respectivas propostas de representao destes, objetivando retratar com
delidade o processo a ser controlado.
3.1.1 Distrbio de clogging

O acmulo progressivo de deposio de alumina ou outros produtos nas
paredes da vlvula submersa e/ou da prpria vlvula gaveta conhecido
como efeito clogging. Como este acmulo progressivo, h a reduo tam-
bm progressiva da rea efetiva de passagem de ao, sendo necessrio a
compensao pelo controlador da abertura da vlvula gaveta. Em adio a
este efeito, h tambm o desprendimento abrupto da alumina acumulada
(unclogging ), liberando o uxo e provocando a necessidade de ao rpida
do controlador para retornar o processo s condies anteriores.
O comportamento do efeito clogging pode ser perfeitamente simulado
em Matlab, incluindo este na malha da vlvula gaveta. Com a observao
da posio da vlvula gaveta durante o efeito clogging, pode-se representar
o movimento de abertura da vlvula por uma funo aleatria crescente
no tempo medida que aumenta a obstruo da vlvula. Aps terminar o
efeito do entupimento, a vlvula atinge a abertura mxima, permanecendo
at a ocorrncia de unclogging (desentupimento) alguns segundos depois.
Assim, a simulao da diminuio da rea de passagem do ao pela vlvula
gaveta e/ou submersa, pode ser realizada multiplicando a rea da vlvula
gaveta (As ) sem obstruo pela funo de reduo da rea (Aclg ) que
dada pela expresso:

1 1 (t T1 ), T1 t < T2
Aclg (t) = f, T2 t < T3
f + 2 (t T3 ), T3 t < T4

onde T1 o instante em que inicia o entupimento da vlvula gaveta, T2 o

instante em que ocorre o entupimento mximo, T3 e T4 so os instantes em
que inicia e termina o processo do desentupimento, respectivamente, e f
o fator de entupimento mximo, tal que 0<f <1 e f = 1 1 (T2 T1 ) =
1 2 (T4 T3 ).
No processo de clogging real, por observao, prudente armar que
os instantes de T1 < T2 < T3 < T4 so aleatrios e encontram-se entre os
intervalos: 20s < T2 T1 < 120s e 10s < T3 T2 < 60s, 0 < T4 T3 < 5s.
Com o objetivo de simular o entupimento da vlvula submersa e/ou
da vlvula gaveta, identica-se na Figura 3 que se deve incluir um ganho
varivel dado por K = Aclg As para representar o efeito clogging no
ponto onde est representada a rea de passagem do ao, conforme ilustra
a Figura 4.
Figura 4. a) Diagrama de blocos com a incluso do efeito de clogging

(K = As Aclg ); b) Representao grca da funo de reduo da rea
Aclg .
3.1.2 Distrbio de bulging

Conforme comentado anteriormente, aps a passagem pelo molde, a placa
de ao no interior do veio (ou seja, no interior da mquina de lingotamento)
possui uma camada de pele e, em seu interior, ainda h ao lquido que
ser gradativamente resfriado pela adio de gua na superfcie at que
esteja totalmente solidicada em seu interior, antes de sair da mquina.
Esta placa de ao, ainda no estado lquido, exerce, portanto, uma fora
ferrosttica que tende a empurrar o ao lquido para fora do veio, movi-
mento impedido pelos rolos que compem os segmentos. Como estes rolos
possuem um espaamento D entre eles, a pele de ao formada cede um
pouco, de forma que o ao ocupe parte deste espaamento. Ao passar
pelos rolos, ocorre a diminuio do espao e consequente laminao deste

ao slido/lquido, provocando o rearranjo de ao lquido no interior da
mquina.
Aps passar por entre os rolos, o ao expande-se novamente at o pr-
ximo conjunto (caso ainda no tenha sido formada pele espessa o suciente
para se contrapor presso ferrosttica). Este fenmeno de retrao e ex-
panso ocorre simultaneamente por toda a mquina onde h presena de
ao lquido no interior, chegando at o molde. Como a mquina de lin-
gotamento possui uma velocidade de extrao da placa em seu interior,
denominada Vcs , verica-se, como efeito decorrente da expanso e retrao
interna da placa no interior da mquina, o surgimento de ondas senoidais
na superfcie do molde.
Estas ondas so consequncia, portando, da variao de volume de ao
no interior do veio, funo do espaamento entre os respectivos rolos de
onde ocorre o fenmeno e da velocidade de extrao. A frequncia de
oscilao pode ser determinada com boa aproximao por:
Vcs (m/min)
foscilao (Hz) = (19)
D(m) 60
O aparecimento do fenmeno de bulging ocorre principalmente na re-
gio de desdobramento do ao no interior da mquina, prximo ao molde,
onde h maior volume de ao lquido no interior da placa e, obviamente,
menor espessura de pele de ao solidicado. A Equao 19 indica uma
relao direta do fenmeno com aspectos construtivos da mquina: capa-
cidade de refrigerao e de velocidade, distanciamento de rolos denidos
em projeto e curvatura total de lingotamento.
Particularmente, dependendo da regio onde h a ocorrncia de bulging
e do espaamento dos rolos que compem esta regio, pode ocorrer o apa-
recimento de frequncias de oscilao diferentes e simultneas na superfcie
do molde.
A amplitude deste fenmeno est diretamente relacionada com a capa-
cidade de refrigerao e tipo de ao lingotado (quanto menor a quantidade
de carbono em sua composio em conjunto com a adio de ligas, maior
a maleabilidade do material e amplitude do fenmeno), dentre outros
fatores de menor contribuio.
Para a simulao do efeito bulging no processo identicado, procede-se
da mesma forma que o realizado no item anterior. , ento, necessrio de-
nir o ponto correto de insero do fenmeno no diagrama de blocos do pro-
cesso identicado (Figura 3). Conforme descrito anteriormente, entende-se
o efeito bulging como uma variao de volume no molde. A Figura 5 re-
presenta um possvel ponto de insero do efeito no modelo obtido.
Figura 5. Ponto de incluso do efeito bulging no processo.
3.2 O modelo neural do nvel do molde sem distrbios

Com o objetivo de desenvolver um modelo do processo para ns de imple-
mentao da estratgia de controle avanada, realiza-se nesta seo a iden-
ticao do sistema utilizando-se as redes neurais articiais. A Figura 6
mostra o conjunto de entradasada (inputoutput ) utilizado na identi-
cao. Estes dados foram gerados a partir de uma perturbao aleatria
imposta varivel de entrada, dentro de certo limite (limite este factvel
do ponto de vista operacional), onde a abertura mxima da vlvula gaveta
de 70 mm. Os dados foram divididos em dois subconjuntos, treinamento
e validao. Em seguida os dados (treinamento e teste) foram escalonados
de tal modo a apresentarem mdia zero e varincia 1, procedimento este
recomendvel quando se tem em mente a utilizao das redes neurais na
correlao de tais dados.
A escolha de um regressor apropriado para descrever a dinmica de
um sistema no uma tarefa fcil e pressupe certo empirismo. Uma
varivel importante na escolha do regressor a ordem do sistema. Tal
ordem pode ser determinada a partir do conhecimento fsico do sistema
em estudo ou pode ser inferida a partir do conjunto de dados de entrada
sada. Neste ltimo caso, pode-se empregar a metodologia proposta na
literatura (Xiangdong & Haruhiko, 1993) para se determinar os valores m
e n da Equao 5.
Utilizando a funo Lipschitz conforme o procedimento apresentado
em Xiangdong & Haruhiko (1993), determina-se a ordem do sistema,
adotando-se um modelo com m = 2, n = 2. A vantagem deste proce-
dimento evitar uma determinao iterativa e tediosa da quantidade de
entradas a serem utilizadas no regressor.
Abertura da vlvula (m) 0.05
0.04
0.03
0.02
0.01
0
0 1000 2000 3000 4000 5000 6000 7000 8000
nmero de amostras
1.5
Nvel do Molde (m)
0.5
0.5
0 1000 2000 3000 4000 5000 6000 7000 8000
nmero de amostras
Figura 6. Dados de entrada e sada utilizados na identicao do modelo.
O atraso do sistema (valor de d na Equao 5) foi escolhido

comparando-se os vrios modelos com m=2 e n = 2, e diferentes valores
para o atraso, selecionando o melhor a partir do critrio de informao
de Akaike (AIC Akaike's Information Criterion ) e do critrio de erros de
predio nal (FPE Final Prediction Error ). Atravs desta seleo, tem-se
um modelo com m = 2, n = 2 e d = 1.
Agora identica-se a rede neural na forma do modelo ARX, rede que
chamada de NNARX. Inicialmente, investigar-se- o efeito do nmero de
neurnios na camada interna (com funo de ativao tangente hiperblica
na camada interna). A rede neural utilizada tem a arquitetura totalmente
conectada e funo linear na camada de sada. Na Figura 7 mostra-se a
sada real do processo e a sada identicada pela rede neural, assim como o
erro de predio um passo a frente. A arquitetura da rede utilizada, possui
uma camada oculta com 10 neurnios. Como se trata do modelo NNARX,
este no possui caracterstica recorrente, sendo que as entradas da rede
sero denidas pelas sadas do processo y em dois intervalos de tempo
anteriores [y(t 1), y(t 2)], juntamente com o sinal de entrada u em dois
instantes anteriores [u(t 1), u(t 2)], caracterizando uma estrutura na
forma [2, 2, 1].
Observa-se na Figura 7, que a identicao realizada por redes neurais
apresenta uma preciso satisfatria para o caso de predio um passo a
Figura 7. Validao do modelo neural.
frente. Porm, quando a utilizao da rede for em controle, o modelo no

pode ser julgado por apenas este item.
Uma vez que o modelo obtido por redes neurais ser utilizado como mo-
delo de um processo, o qual ser usado no clculo do controlador preditivo,
uma caracterstica muito importante que deve ser analisada a capaci-
dade de predio do modelo. Desta forma, a Figura 8 mostra a sada real
do processo juntamente com a sada da rede com predio de 30 passos a
frente.
Atravs da Figura 8 nota-se a preciso que o modelo criado pela rede
neural possui em mapear o sistema real.
4. Resultados da Simulao Computacional

Uma vez que o modelo neural j est bem denido, apresenta-se nesta
seo a simulao do controle preditivo neural do nvel do molde do lingo-
tamento contnuo. Os algoritmos propostos por M.Nrgaard et al. (2000)
e discutidos na Seo 2 para o controle preditivo neural foram modicados
para incluir a sintonia feita atravs de algoritmo gentico, cuja populao
constituda por 50 indivduos com 30 geraes, e taxas de crossover e mu-
tao iguais a 0,8 e 0,1, respectivamente, sugeridas por Srivivas & Patnaik
(1994).
Figura 8. Sada real e sada prevista pela rede neural a 30 passos a frente.
As condies operacionais em que a simulao foi realizada no MatLab

so: h=1,2 m (Altura do Distribuidor); Am =0,25 m2 (rea do molde);
sg =0,35
X m (abertura da vlvula gaveta para uma velocidade constante
de 0,02 m/seg). O perodo de amostragem foi de 0,1 seg.
As restries no processo so: abertura da vlvula gaveta (u(t) 0,7
m) e na sua velocidade de abertura (u(t) 0,0041 m por perodo de
amostragem) e nos limites fsicos do sensor do nvel do molde (y(t) 0,2
m). As medidas so dadas em metros para evitar a saturao do modelo
neural, caso as unidades adotadas fossem em cm ou mm.
4.1 Controle preditivo neural sem distrbios

Primeiramente, no se considera a presena de distrbios tanto na simula-
o do controlador preditivo neural com linearizao instantnea (PNLI),
quanto na simulao do controlador preditivo neural com a regra do gradi-
ente (PNRG). Nesta situao, os parmetros ajustados por AG para a sin-
tonia do controlador PNLI foram: Nu =10, N2 =10, =0,8843, =91,3287
e =0,0796. Os parmetros ajustados por AG para a sintonia do contro-
lador PNRG foram: Nu =1, N2 =1, =0,5755, =747,6628 e =645,5345.
Desta forma, as respostas a diversos degraus do nvel do molde lingota-
mento contnuo, apresentadas para os dois controladores sem a presena
de distrbios, so semelhantes e possuem a forma mostrada na Figura 9.
0.9
0.8
0.7 Referncia
Nvel do Molde
Nvel do Molde (m)
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1000 2000 3000 4000 5000 6000
nmero de amostras
Figura 9. Resposta a diferentes degraus do nvel com os controladores

PNRG e PNLI.
Observa-se na Figura 9 que o nvel segue a referncia em toda regio do

molde, apresentando uma resposta suave e sem oscilaes. importante
mencionar que a inversa da funo de tness (Equao 4), apresentada na
simulao foi de 7,7477 para o PNLI e de 7,754 para o PNRG. Os tempos
de processamento de cada simulao foram de 32,67 seg. para o PNLI e de
48,44 seg. para o PNRG. Isto se justica uma vez que o algoritmo PNRG
executa, a cada perodo de amostragem, um procedimento iterativo para
calcular a ao de controle que converge para mnimo da funo custo. J
no PNLI a ao de controle calculada num nico passo a cada perodo
de amostragem.
4.2 Controle preditivo neural com distrbio de bulging

O distrbio de bulging pode ser representado por um sinal senoidal com
amplitude de 20 mm e uma frequncia w = (2) (0,077) rad/seg, interfe-
rindo no nvel do molde. Desta forma, a resposta apresentada pelo sistema
de nvel do lingotamento contnuo com a presena do distrbio de bulging
utilizando o PNLI e o PNRG permitiu que as oscilaes no nvel do molde
fossem reduzidas de 20 mm para cerca de 5 mm, o que mostra a eccia
destes controladores para este tipo de distrbio.
Os parmetros de sintonia dos controladores PNLI e PNRG foram os

mesmos anteriores para o caso sem distrbio. O tempo de simulao foi de
16,73 seg. para o PNLI e de 25,49 seg. para o PNRG.
4.3 Controle preditivo neural com distrbio de clogging

Neste parte realizada a sintonia do controlador preditivo considerando
o pior caso do distrbio de clogging para obter um controlador preditivo
robusto. O distrbio de clogging mais severo acontece quando o processo
de entupimento da vlvula ocorre no menor intervalo de tempo possvel
(T2 T1 =20 seg.), permanecendo obstruda com um determinado fator de
entupimento f durante um intervalo de tempo mais longo (T3 T2 =60
seg.), para em seguida ocorrer um desentupimento abrupto (T4 T3 =0).
Nas simulaes, o fator de entupimento f foi incrementado gradativamente
de 10% em 10% para se obter o entupimento mximo para o qual o con-
trolador consegue estabilizar o nvel.
As Figuras 10 e 11, mostram as respostas do nvel do molde conside-
rando o distrbio de clogging mais severo, ou seja, com entupimento de
at 80% na vlvula para o PNLI e de 75% para o PNRG. Tais Figuras
mostram tambm os respectivos sinais de controle e variao do sinal de
controle. importante mencionar que os parmetros utilizados nos exem-
plos anteriores (sem distrbio) no foram capazes de estabilizar o sistema
com o entupimento citado. Assim, foi necessrio fazer a re-sintonia dos pa-
rmetros usando o AG, de modo a aumentar a robustez dos controladores.
Estes parmetros foram Nu =2, N2 =4, =0,1342, =14,2027 e =1,5825
para o PNLI e Nu =2, N2 =4, =0,1522, =825,8170 e =538,3424 para o
PNRG.
Observa-se nas Figuras 10 e 11 que aplicado um degrau no instante
em que se inicia o processo de entupimento at o instante em que ocorre o
desentupimento da vlvula. Isto feito durante o perodo em que ocorre
o clogging mais severo, para garantir que o nvel do molde suba no incio
do clogging e no atinja valores negativos no nal do clogging. Na prtica,
se o nvel atingisse valores negativos, o molde se esvaziaria e a produo
deveria ser paralisada, implicando em prejuzos operacionais.
Para que o algoritmo do controlador PNRG consiga controlar o n-
vel com distrbio clogging, necessrio reinicializ-lo no momento em que
acontece o desentupimento. Isto devido aos erros numricos do clculo da
Hessiana aumentarem no instante de desentupimento, causando instabili-
dade no algoritmo PNRG. O tempo de simulao obtido neste experimento
foi de 4,86 seg. para o PNLI e de 17,48 seg. para o PNRG.
5. Concluso
Neste captulo foi analisado o desempenho do controlador preditivo neural
no controle do nvel do molde sujeito a distrbios de bulging e clogging. Dois
0.2
Nvel do Molde (m) 0.15
0.1
Referncia
0.05 Nvel do Molde
0
0 100 200 300 400 500 600 700 800 900 1000
nmero de amostras
0.08
0.06
Sinal de Controle
0.04
Variao do Sinal de Controle
0.02
0.02
0 100 200 300 400 500 600 700 800 900 1000
nmero de amostras
Figura 10. Simulao com controlador PNLI e clogging com f =0,8.
0.2
Referncia
Nvel do Molde (m)
0.15 Nvel do Molde
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000
nmero de amostras
0.08
0.06
0.04
Sinal de Controle
0.02
0
0 100 200 300 400 500 600 700 800 900 1000
nmero de amostras
Figura 11. Simulao com controlador PNRG e clogging com f =0,75.

algoritmos foram implementados: o primeiro utiliza a regra do gradiente

(PNRG) para atualizar a lei de controle e o segundo realiza a lineariza-
o da rede (PNLI) para obter o controle atravs da tcnica de controle
preditivo linear GPC. Tais controladores foram sintonizados atravs de um
Algoritmo Gentico para obter a ao de controle robusta diante dos efeitos
dos distrbios.
A partir dos resultados obtidos por simulao computacional, conclui-
se que as estratgias PNLI e PNRG possuem desempenhos semelhantes
quando o processo est sem distrbio ou quando apresenta o distrbio de
bulging, reduzindo as oscilaes na sada de 20 mm para 5 mm, o que est
dentro da faixa tolervel de de 10 mm. No entanto, na presena do dis-
trbio de clogging, foi necessrio fazer a re-sintonia dos parmetros para
garantir que o molde no transborde ou se esvazie durante o perodo em
que ocorre este distrbio. Para o pior caso de clogging, observou-se uma
pequena superioridade do controlador PNLI em relao ao PNRG, pois o
primeiro mantm o nvel do ao dentro dos limites fsicos do sensor, quando
o entupimento da vlvula atinge 80%, enquanto que no PNRG o mximo
entupimento chega a 75%. A explicao para isto que os erros numricos
no clculo da aproximao da inversa da Hessiana aumentam consideravel-
mente no instante de desentupimento da vlvula, sendo necessrio reiniciar
o algoritmo PNRG aps este momento. Outra desvantagem o tempo de
processamento maior do PNRG, que necessita de 8,2 milisegundos para
calcular a ao de controle a ser aplicada no processo (no PNLI isto exe-
cutado na metade deste tempo no mximo). No entanto, este tempo de
processamento suciente para realizar o controle em tempo real do nvel
do molde, j que o perodo de amostragem utilizado no controlador real
0,01 segundos.
Outro comentrio relevante que nos controladores PNLI e PNRG, a
ao de controle do tipo derivativa (u(t) = u(t) u(t 1)). Isto
devido ao fato do nvel do molde apresentar uma elevada instabilidade
ao de controle integrativa dada por u(t) = u(t 1) + u(t), conforme
mostra a anlise de estabilidade feita por Sanchotene (2009) para o molde
linear.
oportuno esclarecer que estas concluses no poderiam ser obtidas
se a sintonia do controlador preditivo fosse feita por tentativa e erro, pois
para este tipo de processo (instvel em malha aberta) esta metodologia no
vivel. Para trabalhos futuros pretende-se adaptar ltros rede neural,
tendo em vista que o sinal que entra na rede vindo do sensor de nvel
possui rudos provocados pela injeo do gs argnio, presente no processo
de lingotamento contnuo do ao.
Agradecimentos
Os autores agradecem Arcelor Mittal Tubaro pelo apoio e incentivo a
realizao desta pesquisa.
Referncias
de Almeida, G., Sintonia de Controle Preditivo Generalizado Atravs de
Algoritmo Gentico. Dissertao de mestrado, Programa de Ps-
graduao em Engenharia Eltrica, Universidade Federal do Esprito
Santo, Vitria, ES, 2006.
de Almeida, G.; Salles, J. & Denti Filho, J., Optimal tuning parameters
of the dynamic matrix predictive controller with constraints. Latin
American Appplied Research, 39(1):3340, 2009a.
de Almeida, G.; Salles, J. & Filho, J., Using genetic algorithms for tuning
the parameters of a generalized predictive control. In: VII Confern-
cia Internacional de Aplicaes Industriais (INDUSCON). Recife, PE,
2006.
de Almeida, G.; Salles, J. & Filho, J., Tunning a multivariable preditctive

control of a hot rolling mill with genetic algorithm. In: Anais do IX
Simpsio Brasileiro de Automao Inteligente (SBAI). Braslia, DF,
2009b.
Bitmead, R.R.; Gevers, M. & Wertz, V., Adaptative optimal control. The
thinking man's GPC. Englewood Clis, USA: Prentice-Hall, 1990.
Camacho, E.F. & Bordons, C., Model Predictive Control. London, UK:
Springer-Verlag, 2004.
Clarke, D.; Mohtadi, C. & Tus, P., Generalized predictive control Part
I. The basic algorithm. Automatica, 23(2):137148, 1987.
Cutler, C. & Ramaker, B., Dynamic matrix control a computer control

algorithm. In: Proceedings of AIChE National Meeting. Houston, USA,
1979.
Dougherty, D. & Cooper, D., Tunning guidelines of a dynamic matrix

controller for integrating (non-self-regulating) processes. Industrial
Engineering Chemical Research, 42(8):17391752, 2003.
Farago, A. & Lugosi, G., Strong universal consistency of neural networks

classiers. IEEE Transactions on Information Theory, 39(4):1146
1151, 1993.
Filali, S. & Wertz, V., Using genetic algorithms to optimize the design
parameters of generalized predictive controllers. International Journal
of Systems Science, 32(4):503512, 2001.
Guo, G.; Li, W.; Wang, J. & Liu, M., A CGPC controller in a continuous
casting process. In: Proceedings of 3 World Congress on Inteligent
rd
Control and Automation. Hefei, China, v. 4, p. 27832786, 2000.
Keyser, R. & van Cuawenberghe, A., Extended prediction self-adaptive

control.In: Proceedings of IFAC Symposium on Identication and
System Parameter Estimation. New York, USA, p. 13171322, 1985.
Kurokawa, T.; Kondo, T.; Mita, T.; Liu, K. & Sampei, M., Development of
mold level control in continuos casting by h control theory. In: Pro-
ceedings of 2nd IEEE Conference on Control Aplications. Vancouver,
Canada, v. 2, p. 865871, 1993.
Loureiro, R., Controle do Nvel do Ao de uma Mquina de Lingotamento

Contnuo. Dissertao de mestrado, Faculdade de Engenharia Eltrica
e de Computao, Universidade Estadual de Campinas, Campinas, SP,
1994.
Maciejowski, J., Predictive Control with Constraints. Englewood Clis,

USA: Prentice Hall, 2000.
Mattedi, A.; ALmeida, G.; Salles, J. & Sanchotene, F., Controle preditivo
do nvel do molde do lingotamento contnuo na presena de distrbios e
restries do processo. In: Proceedings of IX IEEE/IAS International
Conference on Industry Applications (INDUSCON). So Paulo, SP, p.
16, 2010.
M.Nrgaard, ; Ravn, O.; Poulsen, N. & Hansen, L., Neural Networks for
Modelling and Control of Dynamic Systems. London, UK: Springer-
Verlag, 2000.
Qin, S. & Badgwell, T., A survey of industrial model predictive control

technology.Control Engineering Practice, 11(7):733764, 2003.
Sanchotene, F., Modelagem e Controle no Sistema de Nvel de Ao no
Molde do Lingotamento Contnuo. Dissertao de mestrado, Departa-
mento de Engenharia Eltrica, Universidade Federal do Esprito Santo,
Vitria, ES, 2009.
Sanchotene, F. & Salles, J., Estudo de caso do sistema de controle do

nvel do molde do lingotamento contnuo: Modelagem e aplicao do
gpc. In: Anais do VI seminrio Nacional de Controle e Automao
(SNCA). Salvador, BA, 2009.
Srivivas, M. & Patnaik, L.M., Genetic algorithms: a survey. IEEE Com-

puter, 27(6):1726, 1994.
Tao, J. & Wang, N., Fuzzy neuron hybrid control for continuous steel
casting. In: Proceedings of 16 IFAC World Congress. Prague, Czech
th
Republic, v. 16, 2005.

Xiangdong, H. & Haruhiko, A., A new method for identifying orders of

input-output models for nonlinear dynamic systems. In: Proceedings
of American Control Conference. San Francisco, USA, p. 25202523,
1993.
Yoo, S. & Kueon, Y., Development of mold level controller using sliding
mode control in continuous casting processing. In: Proceedings of
5th IEEE Mediterranean Conference on Control and Systems. Paphos,
Cyprus, 1997.
Notas Biogrficas
Fbio de Borba Sanchotene formado em Engenharia Eltrica pela Univer-
sidade Federal do Esprito Santo (2001), Especialista em Automao Industrial
pela Universidade de Uberaba (2003) e tem Mestrado em Automao pela Uni-
versidade Federal do Esprito Santo (2009). Atua como engenheiro eletricista na
ArcelorMittal desde 2002, sendo responsvel pelo desenvolvimento de solues na
rea de automao de sistemas de controle envolvendo mquinas de lingotamento
e laminadores.
Gustavo Maia de Almeida formado em Engenharia Eltrica pela Univer-

sidade Federal de So Joo Del Rey (2005). Possui mestrado e doutorado em
Engenharia Eltrica pela Universidade Federal do Esprito Santo, concludos em
2006 e 2011 respectivamente. As reas de interesse em pesquisa so controle pre-
ditivo, algoritmos genticos, redes neurais e lgica fuzzy. Atualmente professor
do curso de automao do Instituto Federal de Tecnologia no municpio de Serra
(ES).
Jos Leandro Flix Salles formado em Engenharia Eltrica pela Universidade

Federal do Esprito Santo em 1987, e tem mestrado e doutorado em Engenharia
Eltrica pela Universidade Estadual de Campinas (1991 e 1999, respectivamente).
Professor do Departamento de Engenharia Eltrica da UFES desde 1992. De-
senvolve pesquisas nas reas de modelagem, controle e otimizao aplicados a
sistemas de manufatura, sistemas industriais e sistemas de energia. Possui di-
versos artigos publicados em congressos e perdicos, tendo orientado alunos de
mestrado e doutorado do Programa de Ps-Graduao em Engenharia Eltrica
da UFES.
Captulo 12
Algoritmo Evolutivo Hbrido

para Escalonamento Integrado na Agroindstria
Ademir Aparecido Constantino, Dario Landa-Silva e Wesley Romo
Resumo: Este captulo aborda um problema envolvendo o escalo-

namento integrado de pessoal e caminhes em uma agroindstria
brasileira que processa 1 milho de aves por semana. O escalo-
namento deve assegurar o constante fornecimento de aves para a
fbrica a m de evitar a ociosidade. O objetivo minimizar a quan-
tidade de horas extras pagas para os catadores e o tempo de espera
dos caminhes no ptio da fbrica. Prope-se um algoritmo evolu-
tivo combinado com busca local e simulao discreta determinstica.
Os experimentos foram executados com dados reais e os resultados
mostram que o mtodo efetivo para produzir escalas robustas.
Palavras-chave: Escalonamento, Agroindstria, Algoritmos gen-

ticos.
Abstract: This chapter addresses a problem involving integrated

personnel and lorry scheduling in a Brazilian farming industry that
processes around 1 million poultries per week. The schedule should
ensure constant supply of poultries to the factory to avoid idle pro-
cessing time. The objective is minimizing the extra time paid to
squads and minimizing the waiting time of lorries at the factory
parking. We propose an evolutionary algorithm combined with lo-
cal search and deterministic discrete simulation. The experiments
were done with real data and the results show that the method is
eective to produce robust schedules.
Keywords: Scheduling, Farming industry, Genetic algorithm.
Autor para contato: aaconstantino@uem.br

252 Constantino et al.
1. Introduo
Escalonamento (scheduling) de atividades signica designar um conjunto
de eventos ao longo do tempo, atendendo a um conjunto de restries e, em
geral, otimizando alguma funo objetivo. Os problemas de escalonamento
desempenham um papel importante dentro da computao, especialmente
dentro da pesquisa operacional, pelo fato de fomentar a investigao de
modelos computacionais e de novas tcnicas algortmicas.
O problema de escalonamento de atividades pode ser encontrado em
diversos contextos, seja envolvendo mquinas (simples ou paralela) (Sheen
& Liao, 2007; Blazewicz et al., 1994), processos (Sonmez & Gursoy, 2007;
Bansal et al., 2009) ou pessoas (Yunes et al., 2000). O escalonamento de
pessoal pode ser dividido em dois tipos: escalonamento de pessoal em local
xo e escalonamento de pessoal no setor de transportes (Bodin, 1983). O
escalonamento no setor de transportes um dos mais complexos do ponto
de vista computacional (Bodin, 1983). O desao computacional, portanto,
encontrar uma metodologia que obtenha uma soluo satisfatria para o
problema em tempo computacional vivel.
Como reportado por Bodin (1983), a maioria dos problemas de es-
calonamento no admitem soluo em tempo polinomial e so poucos os
casos modelados por programao matemtica utilizando algoritmos exa-
tos (Yunes et al., 2000). O escalonamento na agroindstria tratado aqui
se diferencia do escalonamento de transporte pelo fato da hora incio de
cada viagem ser desconhecido. O problema investigado surge no contexto
de uma indstria que processa mais de 1 milho de aves por semana onde
pequenas melhorias no escalonamento podem resultar em reduo signi-
cativa do desperdcio, implicando em reduo de custos. O escalonamento
automatizado deve ser capaz de denir a escala de atividades das equi-
pes de apanha, assegurando o constante fornecimento de suprimento para
a indstria, respeitando um conjunto de restries operacionais e otimi-
zando uma funo objetivo. Alm disto, informaes sobre o tamanho da
la de caminhes ou tempo de espera na la so parmetros que devem
ser otimizados. Por outro lado, estas informaes so complexas para se-
rem integradas em um modelo de programao matemtica. Considerando
a complexidade de se criar um modelo de programao matemtica e a
diculdade de incorporar informaes das las, optou-se por utilizar um
algoritmo heurstico.
O problema em tela no tem sido reportado na literatura, exceto uma
variao do mesmo apresentado por Hart et al. (1999), tambm baseado
em um caso real no norte da Inglaterra. Neste caso, a empresa no desejava
um escalonamento otimizado, mas apenas um sistema que automatizasse
o escalonamento, minimizando o nmero de violaes de restries. Por-
tanto, o caso foi tratado como um problema de satisfao de restries, o
qual foi abordado usando algoritmos genticos. Porm vrias caracters-
Algoritmo evolutivo hbrido para escalonamento na agroindstria 253
ticas se diferenciam do problema investigado neste estudo. Na Seo 2 o

problema ser apresentado em detalhes, fazendo uma comparao com o
trabalho de Hart et al. (1999).
Dada a complexidade para modelar o problema investigado e a dicul-
dade de calcular as informaes da la de espera, optou-se por implementar
uma metodologia baseada em algoritmos genticos, integrando-o progra-
mao matemtica e tcnica de simulao discreta determinstica para
clculo das estatsticas das las. O algoritmo possui duas fases hierrqui-
cas, sendo que a primeira fase procura minimizar o custo com as equipes de
apanha, enquanto que a segunda fase tenta melhorar o resultado focando
na minimizao do tamanho da la de espera.
Algoritmos genticos tambm tem sido utilizados em diversos proble-
mas de escalonamento, seja de pessoal (Wren & Wren, 1995; Kotecha et al.,
2004), de mquinas (Zhang et al., 2008; Park, 2001) e de processos (Con-
treras et al., 2005).
2. Descrio do Problema
O objeto deste estudo o escalonamento integrado na agroindstria. Este
problema est relacionado ao Escalonamento de Pessoal (Personnel Sche-
duling) integrado com escalonamento da produo e designao de veculos
de transporte. O problema investigado surge de um caso real observado
no setor da agroindstria, cujo insumo processado oriundo de carga de
aves vivas que no podem ser estocadas por muito tempo. A empresa
investigada realiza o processamento de mais de um milho de aves por se-
mana, dividido em trs plantas (fbricas) em diferentes localizaes. Os
caminhes com carga que chegam na fbrica devem aguardar num galpo
ventilado, principalmente nos perodos de alta temperatura do vero. O
desao dirio da empresa realizar o escalonamento das equipes de apa-
nha (mais de 100 pessoas no total) para manter as fbricas em constante
funcionamento, atendendo s restries operacionais e trabalhistas, alm
de minimizar os custos. A Figura 1 resume um exemplo de escalonamento
com duas equipes de apanha e mostra a sequncia de locais para as equipes
e as designaes (transportes) das cargas para trs fbricas. A ilustrao
mostra duas sequncias individuais, uma para cada equipe, embora em al-
guns momentos o mesmo local possa ser compartilhado por duas ou mais
equipes, no necessariamente no mesmo tempo, pois cada equipe ter sua
escala com horrios possivelmente diferentes. Nota-se, tambm, que as es-
calas dos caminhes com as cargas tm sua origem e destino nas fbricas.
As designaes dos caminhes so para o transporte de cargas de cada
granja para a fbrica. Uma granja pode ter vrias cargas que podem ter
destinos (fbricas) diferentes.
As aves devem ser coletadas em diferentes granjas, em locais espalhados
geogracamente num raio de aproximadamente 150 Km de cada fbrica. A
Granja
Equipe 1
Equipe 2
Base
Fbrica1 Fbrica 2 Fbrica 3

Figura 1. Ilustrao do escalonamento de duas equipes de apanha das
cargas para trs fbricas. As linhas contnuas representam a sequncia de
locais visitados por cada equipe. As linhas tracejadas representam as
designaes de cargas das granjas para as fbricas.
cada dia novos locais de coleta das aves so denidos, implicando na neces-
sidade de realizar escalonamentos dirios. O pessoal que realiza a apanha
das aves dividido em vrias equipes que podem ser designadas para dife-
rentes locais durante o dia. Logo, o tempo de transporte entre os locais de
apanha deve ser minimizado. As equipes tm sua base em um local dife-
rente das fbricas. Algumas informaes, tais como a sequncia de locais
de apanha, a hora de incio e trmino das atividades, a hora do carrega-
mento e descarregamento dos caminhes e o destino de cada carregamento
(carga) devem ser descobertas com a denio do escalonamento.
Para obter este escalonamento, algumas regras devem ser levadas em
considerao, como o acordo com a empresa, as regras trabalhistas e res-
tries operacionais. Alm disto, h uma funo objetivo a ser otimizada
relacionada com custos operacionais.
Os custos operacionais incluem custos com horas extras para as equipes
de apanha, custos com horas ociosas das equipes, custos com transporte
e custos relacionados ao tempo de espera do caminho no ptio da em-
presa. Considerando o alto custo da ociosidade da indstria, este custo
considerado como uma restrio do problema. Assim, a funo objetivo se
resume minimizao de custos com as equipes de apanha (horas pagas)
e ao tempo de espera na la (ptio da fbrica).
Para efeito de clculo do tempo de trabalho pago s equipes, so con-

siderados o tempo de viagem e o tempo gasto durante a apanha e carre-
gamento dos caminhes. Alm disto, algumas restries (regras) devem
ser atendidas na elaborao das escalas de trabalho. As regras a serem
seguidas so as seguintes:
O tempo normal de trabalho so 7 horas e 20 minutos (excluindo

o tempo de descanso). O tempo que extrapolar considerado hora
extra, incidindo um acrscimo de 50% sobre o valor pago no tempo
normal.
Se o total de horas trabalhadas for superior a 4 horas e no exceder 6

horas, dever ser adicionado um tempo de descanso de, no mnimo,
15 minutos.
Se o total de horas trabalhas for superior a 6 horas, dever ser adi-

cionado um descanso de no mnimo 1 hora.
O descanso deve ser de, no mximo, 2 horas, pois acima deste tempo
ser considerado tempo pago. A hora extra tambm contabilizada
sobre o tempo mnimo de descanso caso no seja considerado na
escala.
Alm das restries operacionais, existem alguns dados gerais que de-
vem ser utilizados pelo algoritmo, tais como: localizao de todas as gran-
jas, localizao da base das equipes de apanha, localizao das fbricas,
distncia entre todos os locais, velocidade mdia dos caminhes, veloci-
dade de abate de cada fbrica, hora de incio de operao de cada fbrica,
hora de trmino de operao de cada fbrica e capacidade de cada cami-
nho.
O escalonamento realizado diariamente e os dados de entrada do
algoritmo, especcos para cada dia, devem ser: as granjas onde sero
coletadas as aves, e o nmero de aves de cada granja.
Com base nas informaes apresentadas sobre o problema em estudo, a
Tabela 1 resume os aspectos em comum e as diferenas do presente trabalho
com o de Hart et al. (1999). Observa-se na tabela que o problema em estudo
possui mais diferenas do que aspectos em comum. Hart et al. (1999) tem
como objetivo minimizar as violaes de restries, enquanto que nesta
investigao o objetivo miminizar custos e tempo na la, satisfazendo as
restries. O fato de haver uma exibilidade para construo dos turnos
de trabalho, com divises de tarefas de uma hora de durao, signica
que h mais possibilidades de combinaes de tarefas, ampliando, assim,
a complexidade computacional para resolver o problema. A limitao de
espao no ptio de espera da fbrica e o tempo de espera no ptio so duas
caractersticas que esto relacionadas e que impem tanto uma restrio ao
problema como um objetivo a ser otimizado. Calcular o tempo de espera
no ptio (la) outro aspecto que tambm introduz um novo desao para
a resoluo do problema.
Tabela 1. Comparao com o trabalho de Hart et al. (1999).

Problema investigado Hart, Ross & Nelson
(1999)
Objetivo Minimizar os custos opera- Minimizar o nmero de vio-
cionais e tempo na la laes de restries
Abordagem Problema de Otimizao Problema de Satisfao de
Restrio
Nmero de f- Trs fbricas em locais dife- O nmero e localizao no
bricas rentes e com velocidades di- so informados.
ferentes de abate
Base das equi- Uma localizao diferente No mesmo local da fbrica
pes das fbricas
Turno de tra- Flexvel, com divises de Os turnos so divididos em
balho tarefas (tempo de carre- trs tipos: manh, tarde,
gamento) em intervalos de utuante
uma hora
Transporte Terceirizado. Neste caso as Frota prpria, mas utiliza
das aves escalas dos motoristas no servios de terceiros quando
so de responsabilidade da necessrio
indstria
Ptio de espe- Cada fbrica tem um n- No consta essa informao
ra na fbrica mero xo de vagas em um
galpo ventilado
Tempo de es- No h um limite de tempo Restries governamentais
pera no ptio mximo de espera estabelecem um limite de
da fbrica tempo
No h limite de tempo mximo, porm desejvel que a carga permanea
em espera o mnimo de tempo possvel para reduzir o custo operacional de

manter a carga no ptio de espera e reduzir a perda de aves.
3. Modelagem Matemtica
Como resultado da diviso do nmero de aves de uma granja pela capaci-
dade de transporte de cada veculo, tem-se o que denominado de carga.
Cada carga est associada as seguintes informaes:
1. Local de origem (granja);
2. Local de destino (fbrica);
3. Hora de incio do carregamento;
4. Durao do carregamento;
5. Equipe de apanha responsvel;
6. Nmero de aves.
Uma vez conhecido o conjunto de granjas e suas informaes, como

localizao e nmero de aves, ento o nmero de cargas, as suas origens e a
durao para carregamento so obtidos automaticamente. Portanto, resta
descobrir o destino (fbrica), a equipe responsvel pelo carregamento e a
hora de incio do carregamento. Todos estes dados so associados a cada
carga. Uma etapa fundamental para minimizao dos custos descobrir
a associao das cargas s fbricas. Para isto foi criado um modelo de
programao linear inteira binria descrito a seguir:
ng nf
X X
M in dgf xgf (1)
g=1 f =1
nf
X
Sujeito a : xgf = 1; g = 1, ..., ng; (2)
f =1
ng
X
sg xgf cpf ; f = 1, ..., nf (3)
g=1
xgf {0, 1}, g = 1, ..., ng; f = 1, ..., nf

onde ng o nmero de cargas, nf dgf a dis-
o nmero de fbricas,
tncia da granja que originou a carga g (g = 1, ..., ng) at a fbrica
f (f = 1, ..., nf ), sg o nmero de aves da carga g e cpf a capaci-
dade de processamento (em nmero de aves) da fbrica f . Por m, xgf
a varivel de deciso, sendo que xgf = 1 se a carga g for alocada fbrica
f , sendo nf o nmero de fbricas. A restrio 2 garante que apenas uma
carga seja alocada a uma nica fbrica, enquanto que a restrio 3 garante
que a capacidade da fbrica seja respeitada. A funo objetivo dada pela
Equao 1 procura minimizar a soma total das distncias relacionadas com
o transporte das aves.
Este modelo de programao matemtica resolve apenas uma parte do
problema global, que diz respeito ao destino das cargas de forma a mini-
mizar custos de transporte. A gerao de escala de trabalho por modelos
de programao matemtica ainda um desao para os pesquisadores da
rea (Bodin, 1983), o que tem justicado o uso de algoritmos heursticos.
Neste problema em estudo foram identicados dois aspectos que di-
cultam a formulao de um modelo geral de programao matemtica para
o problema global:
1. Conceder perodo de descanso conforme as regras trabalhistas pre-

viamente denidas. Neste caso em particular, sempre que possvel
o descanso deve ser durante o tempo de transporte entre granjas ou
da granja para sua base. Esta caracterstica surge neste contexto
pelo fato do tempo de transporte ser contabilizado como tempo de
trabalho, fato que no ocorre em escalonamento de pessoal em local

xo como, por exemplo, escalonamento de tele-atendentes.
2. A funo objetivo deve considerar o tamanho mdio das las de

caminhes nos ptios das fbricas. O uso de simulao tem sido
uma alternativa para superar esta diculdade de introduzir clculos
estatsticos de las em modelos de programao matemtica. Esta
abordagem pode ser observada em Lin et al. (2000), Harrison &
Zeevi (2005) e Atlason et al. (2008), os quais utilizam a combinao
de programao linear e simulao na resoluo de problemas de
escalonamento no setor de tele-atendimentos.
Por estas diculades de modelagem matemtica do problema, a im-

plementao de um algoritmo heurstico passa a ser uma alternativa in-
teressante. Neste trabalho proposto um algoritmo heurstico que utiliza
o modelo de designao linear em duas fases: fase de construo da solu-
o e fase de melhoramento (busca local). A formulao do problema de
designao (PD), denotada por P D([cij ]), a seguinte:
n1 n2
X X
z = M in cij xij (4)
i=1 j=1
n1
X
Sujeito a : xij = 1, j = 1, ..., n2 (5)
i=1
n2
X
xij = 1, i = 1, ...n1 (6)
j=1
xij {0, 1}, i = 1, ..., n1 , j = 1, ..., n2

A varivel de deciso xij binria {0, 1}, sendo que xij = 1 se o item
i for associado com o item j . Caso contrrio, xij = 0, e cij o custo de
associar o item i ao item j . Os itens podem ter diferentes signicados de
acordo com a fase de resoluo (construo e melhoramento), apresenta-
das nas sees seguintes. O valor de n1 deve ser igual a n2 . Porm, na
fase de construo da soluo n1 representa o nmero de equipes (reais
e ctcias) e n2 o nmero de cargas ng . Considerando que o nmero de
cargas sempre superior ao nmero de equipes, so criadas equipes ct-
cias para tornar a matriz [cij ] quadrada. Na fase de melhoramento, n1 e
n2 sero sempre o nmero mximo de equipes (nemax ) permitidas para o
escalonamento. Embora o algoritmo utilize o nmero mximo de equipes
disponveis, deve-se observar que a abordagem procura automaticamente
minimizar o nmero de equipes, tendo em vista que o objetivo minimizar
o custo global com pessoal.
4. O Algoritmo Proposto
O mtodo proposto um algoritmo evolutivo que utiliza alguns procedi-
mentos construtivos e de busca local (melhoramento). Nesta seo sero
apresentadas a forma de representao da soluo, os procedimentos cons-
trutivos, o procedimento de busca local e o procedimento geral baseado em
algoritmos genticos.
Uma escala de trabalho para uma equipe uma sequncia de ativida-
des a ser executada ao longo do dia. Porm, o tempo de carregamento
de um caminho de aproximadamente uma hora. Portanto, a escala de
trabalho pode ser discretizada em uma sequncia de atividades com dura-
o de uma hora. Cada atividade est relacionada com uma carga denida
anteriormente. Para efeito de simplicao do problema, a durao do car-
regamento de todas as cargas ser considerado o intervalo de uma hora.
Assim, considere t o ndice de tempo ao longo do dia de trabalho, sendo
t = 1, ..., 24, onde t = 1 signica o primeiro horrio do dia em que alguma
equipe inicia o trabalho de carregamento.
4.1 Procedimento construtivo

Dado um nmero mximo de equipes nemax pr-denido, a fase de constru-
o da soluo inicial parte do princpio de que a sequncia de atividades
(cargas) de cada equipe ainda est vazia e, ento, as cargas so designadas
sucessivamente at que todas as cargas sejam atribuidas para o nmero
mximo de equipes. A idia do algoritmo atribuir as cargas para as equi-
pes considerando que todos os carregamentos iniciam em t = 1. Assim,
em t=1 todas as equipes recebem a designao de uma carga selecionada
aleatoriamente. Para os demais intervalos de tempo t (t > 1) a designao
resolvida utilizando um problema de designao, o qual est associado a
uma matriz de custo cij , de dimenso ng , relacionada ao custo de associar
uma carga j a uma equipe i. Como o nmero de cargas sempre maior
do que o nmero de equipes (nemax ), ento a matriz dividida em dois
blocos e assume valores conforme denido na Figura 2.
Figura 2. Estrutura da matriz de custo para a fase de construo da

soluo.
Onde os custos do bloco I da matriz so calculados pela seguinte funo:
f a(i, j) = hp + ph, (7)
sendo hp as horas pagas para a equipe i ao ser designada ao trabalho de

carregamento da carga j, e ph uma penalidade caso alguma restrio no
seja atendida. Para o clculo das horas pagas so levadas em consideraes
as regras apresentadas na Seo 2. Como penalidade foi considerado o
limite de 9 horas de trabalho contnuo. O algoritmo do procedimento de
construo apresentado na Figura 3.
Figura 3. Procedimento de construo.
4.2 Busca local baseada em custo

A busca local tem o objetivo de realizar pesquisa em torno de uma soluo
corrente (algumas vezes chamada de busca na vizinhana) na tentativa de
encontrar solues aprimoradas. Neste trabalho prope-se dois procedi-
mentos de busca que so baseados em VND ( Variable Neighborhood Des-
cent ), que uma particularidade do VNS ( Variable Neighborhood Search )
(Hansen & Mladenovi, 2001).
Um procedimento de busca local, denominado k-swap, consiste em sele-
cionar k intervalos de tempo consecutivos iniciando no tempo t; para cada
equipe so agrupadas as atividades associadas neste intervalo gerando os
blocos de atividades denotados por ba(k, t). O k-swap realiza a investiga-
o de troca de blocos de atividades destes intervalos entre as escalas das
equipes.
A investigao de busca do k-swap se d pela resoluo de sucessivos

problemas de designao. Cada investigao requer uma matriz de custo
[cij ], de dimenso nemax , que representa o custo de associar um bloco
de atividades i com a escala da equipe j. A Figura 4 ilustra a estrutura
da matriz de custo para cada problema de designao utilizado pelo k-
swap. Nota-se que, diferente da estrutura da matriz do procedimento de
construo, agora a matriz de custo trata da relao de custos em associar
escalas ou parte das escalas, enquanto que a matriz anterior relacionava o
custo de associar cargas s equipes.
Figura 4. Estrutura da matriz de custo para o k-swap que se diferencia da

estrutura da matriz do procedimento de construo da soluo.
Considere ti o ndice da hora iniciada mais cedo pelas escalas das equi-
pes e tf o ndice da hora nalizada mais tardiamente pelas escalas das
equipes. A descrio do algoritmo do k-swap dada pela Figura 5.
Figura 5. Procedimento de melhoria k-swap.
A Figura 6 ilustra um exemplo de 1-swap para t=4 sobre um grafo

representando as atividades a serem realizadas por 4 equipes num perodo
de 7 horas, para o carregamento de 18 cargas. Os vrtices rotulados re-
presentam as cargas, enquanto que os vrtices vazios representam horrios
sem carregamento (descanso ou viagem). As arestas contnuas represen-

tam a sequncia de atividades previamente denidas, enquanto as arestas
tracejadas so possibilidades de trocas que sero investigadas pelo k-swap.
Figura 6. Ilustrao de 1-swap considerando somente um intervalo de

tempo no horrio t = 4.
A Figura 7 ilustra um exemplo de 2-swap para os intervalos de tempo

h=4 e 5.
Figura 7. Ilustrao de 2-swap considerando dois intervalos de tempo

consecutivos, t = 4 e t = 5.
O segundo procedimento de busca denominado de PCR (Procedi-

mento de Corte e Recombinao) em que so realizados cortes nas esca-
las entre dois horrios de trabalho, separando as sequncias de atividades
em duas partes. As partes so recombinadas utilizando o PD. A Figura 8
ilustra o procedimento PCR para um corte.
A matriz de custo [cij ], neste caso, representa o custo de associar a
sequncia de atividades i antes do corte com a sequncia j depois do corte.
O algoritmo que descreve PCR apresentado na Figura 9.
O algoritmo geral de busca local, denominado bl-VND, um algoritmo
baseado na meta-heurstica Variable Neighbourhood Descent (VND), que
explora o espao de solues por sistemticas mudanas da estrutura de vi-
zinhana (Hansen & Mladenovi, 2001). Seja R o conjunto de vizinhanas,
Figura 8. Ilustrao do PCR sendo aplicado no corte entre o horrio t = 1

e t = 2.
Figura 9. Procedimento de melhoria PCR.
N1 , N2 , ..., NR . Se a soluo corrente no melhorada usando uma parti-

cular vizinhana, ento uma prxima vizinhana explorada e assim por
diante. Para o algoritmo em questo foram utilizadas R = 6 vizinhanas,
sendo N1 = 1-swap, N2 = 2-swap,..., N5 = 5-swap e N6 =PCR.
Em cada iterao do bl-VND todas as vizinhanas so exploradas e o
algoritmo para quando nenhuma melhoria ocorre em uma das iteraes. A
avaliao de cada soluo derivada da Equao 7 que pode ser descrita
como:
ne
Xmax
f 1(s) = f a(i, j) | j SC(i), (8)

i=1
onde s a soluo com as escalas das equipes, SC(i) o conjunto de

atividades da escala da equipe i e f a(i, j) o custo da atividades j estar
na escala da equipe i. A estrutura geral do algoritmo apresentada na
Figura 10. Quando no ocorrer melhoras na soluo corrente depois de
passar por todas as R vizinhanas, ento o algoritmo para (critrio de

parada).
Figura 10. Procedimento geral de busca local utilizando todos os

procedimentos de melhoria anteriores.
4.3 Busca local baseada em fila

Os procedimentos construtivos e de busca local apresentados tm como
foco a minimizao dos custos de horas pagas. Portanto, so avaliadas
apenas as horas trabalhadas pelas equipes sem considerar o impacto no
funcionamento de cada fbrica no que diz respeito ao tempo de espera das
cargas no ptio das fbricas e tampouco a hora ociosa das fbricas. Com o
intuito de considerar este custo, foi introduzida uma segunda funo para
avalizar uma soluo denida como:
f 2(s) = tq + po, (9)
onde tq o tempo mdio na la de espera das fbricas e po uma penalidade

caso ocorra alguma ociosidade das fbricas, que neste caso foi penalizada
a ocorrncia de ociosidade da fbrica.
Visando a minimizao do tempo de espera no ptio de cada fbrica e a
ociosidade das mesmas, foi projetado um segundo algoritmo de busca local,
denominado bl-Queue, que realiza mudanas na hora de incio das escalas
de cada equipe. A hora de incio da escala para cada equipe adiantada ou
atrasada de tal maneira que o custo f 2 seja minimizado. Isto pode ser feito
avaliando o impacto de cada escala iniciando no tempo t, t = 1, ..., tmax ,
sendo tmax o tempo mximo permitido para que a ltima carga da escala
chegue na fbrica em tempo para descarregamento e abate. Este processo
repetido sequencialmente para cada equipe. O procedimento apresentado
na Figura 11.
Para calcular o valor de tq foi utilizada uma tcnica de simulao dis-
creta conhecida como mtodo das 3-fases (Chwif & Medina, 2007). O
Figura 11. Procedimento de busca local baseado na informao da la de

espera na fbrica.
mtodo considera dois tipos de eventos: condicional e programvel. O

evento programvel aquele que ocorre no tempo que estava sendo agen-
dado para acontecer, mas o evento condicional o tipo de evento que s
ocorre quando as condies que ele requer forem satisfeitas. Todo evento
condicional passa por uma la de espera na qual permanece at que as
condies sejam satisfeitas a m de que seja executado (por exemplo, se
a fbrica j iniciou o funcionamento ou se j possvel fazer o descarre-
gamento de algum caminho). Uma agenda utilizada para colocar em
ordem de ocorrncia os eventos programveis como tambm para atualizar
o relgio da simulao. O mtodo se resume nas trs fases a seguir:
1. Checar o tempo de todos os eventos da agenda e selecionar o que

ocorre primeiro. Atualizar o relgio da simulao para o tempo do
evento selecionado.
2. O evento selecionado executado e as entidades (cargas) so movidas

para as respectivas las de espera para a prxima atividade.
3. Pesquisar as entidades que esto na la de espera e iniciar os eventos

que satisfazem as condies do momento. Mover as entidades das
las para a atividade e calcular o tempo que a entidade permaneceu
na la.
Note-se que as prprias cargas, denidas anteriormente, podem ser in-

terpretadas como as entidades que praticaram os eventos da simulao.
Uma vez que se sabe a hora que as equipes iniciam suas escalas de tra-
balho, possvel saber qual a hora que cada carga chegar fbrica de
destino. Esta informao utilizada para calcular o tempo que cada enti-
dade (carga) permaneceu na la de espera. Ao nal da simulao se obtm
as estatsticas das las, como por exemplo, o tempo de permanncia e o
tamanho mdio das las.
4.4 O algoritmo geral

Nesta investigao foi proposto um algoritmo evolutivo, baseado em algo-
ritmos genticos, combinado com busca local. A abordagem por algoritmos
genticos foi escolhida pela facilidade de tratar problemas complexos onde

h diculdades para a modelagem matemtica e denio de um procedi-
mento de busca de solues. O problema investigado altamente restrito
e o uso de algoritmos genticos tem sido indicado para estas situaes
(Podgorelec & Kokol, 1997).
O algoritmo dividido em duas fases executadas consecutivamente,
onde cada fase compreende um algoritmo gentico. Porm, cada fase utiliza
uma busca local diferente. Na fase 1 o algoritmo procura gerar as escalas de
tal maneira que as horas pagas sejam minimizadas. Por outro lado, na fase
2 o algoritmo modica a hora de incio das escalas de cada equipe de tal
maneira que o tempo mdio na la de espera da fbrica seja minimizado.
Portanto, a primeira fase utiliza uma funo de avaliao f1 (Equao 8)
baseada em horas pagas, enquanto que a segunda fase utiliza f1 + f2
(Equaes 8 e 9, respectivamente). Antes de iniciar a execuo das fases 1
e 2, um modelo de programao linear inteira resolvido para identicar
a designao das cargas s fbricas minimizando custos de transporte e
respeitando a capacidade de processamento de cada fbrica.
Cada indivduo s (soluo do problema) codicado por um cromos-
somo que representa o conjunto de cargas, implementada em uma lista. O
objetivo do algoritmo encontrar a hora de incio de carregamento de cada
carga e atribu-la a uma equipe.
A populao inicial gerada aleatoriamente com auxlio do procedi-
mento Contruo apresentado na Seo 4.1. A populao atualizada com
base na estratgia steady state (algumas vezes denominada de estacion-
ria ou substituio incremental) para cada indivduo gerado. O indivduo
substituir aleatoriamente um membro da populao com uma avaliao
abaixo da mdia. Cada indivduo gerado signica uma iterao do algo-
ritmo. O nmero mximo de iteraes denido pelo parmetro MaxIt.
O uso da abordagem steady state tem sido utilizada para resolver muitos
problemas de otimizao, em particular os problemas de escalonamento
(Beasley & Chu, 1996; Jat & Yang, 2009; AlSharafat & AlSharafat, 2010).
Segundo Beasley & Chu (1996), um algoritmo gentico que utiliza esta
abordagem tende a convergir mais rpido do que o mtodo geracional.
A seleo dos indivduos para reproduo realizada pela tcnica do
torneio, selecionando dois indivduos aleatoriamente e escolhendo o mais
apto com base na funo de avaliao de cada fase.
O operador de cruzamento seleciona dois indivduos e os recombina
utilizando a tcnica do cruzamento uniforme das cargas. As designaes
das cargas s equipes so realizadas com o procedimento de construo.
Os indivduos selecionados (pais) sempre geram um nico indivduo (-
lho). Nesta pesquisa no foi utilizado o parmetro de taxa de cruzamento
porque foi observado que o problema investigado altamente restritivo.
Isto signica que nem sempre o cruzamento gera uma soluo vivel (aten-
dendo as restries). Portanto, todas as solues inviveis so descartadas.
Foi observado nos experimentos que, dependendo da instncia, a taxa de

solues inviveis poderiam chegar at a 40% dos indivduos gerados. O
uso de um operador de cruzamento hbrido com o procedimento de cons-
truo tem sido uma alternativa para reduzir esses casos de inviabilidade
em problemas altamente restritivos (Burke et al., 1995).
A mutao aplicada segundo uma taxa a ser denida como parmetro
do algoritmo. A mutao realiza a mudana da hora de incio de duas car-
gas selecionadas aleatoriamente. Este operador gentico tem uma funo
muito importante para introduzir diversidade de solues, uma vez que a
populao inicial criada para horrios iniciando em t = 1.
Na primeira fase do algoritmo os indivduos so avaliados com base nos
custos das horas pagas, enquanto que na segunda fase avalia-se o tamanho
das las nas fbricas utilizando uma tcnica de simulao discreta. Assim,
aps cada reproduo e mutao aplicado o algoritmo de busca local
bl-VND na fase 1 e bl-Queue na fase 2.
O critrio de parada um parmetro a ser denido em termos de n-
mero de iteraes. Quando o critrio de parada alcanado o algoritmo
devolve o melhor indivduo da populao. O nmero de iteraes utili-
zado como critrio de parada para cada fase. Porm, a fase 2 utiliza apenas
um percentual do nmero de iteraes da fase 1.
Cada fase do algoritmo segue os padres clssicos dos algoritmos ge-
nticos, mas a populao inicializada na fase 1, enquanto que a fase 2
continua operando sobre a populao resultante da fase 1. A Figura 12
mostra uma viso geral do algoritmo proposto.
5. Resultados Computacionais
O algoritmo passou por vrias experimentaes piloto, as quais serviram
para calibrar os parmetros do prprio algoritmo e tambm para modicar
algumas de suas caractersticas, de modo a chegar verso nal. Foram
realizados extensivos testes computacionais e diferentes parmetros foram
testados de forma emprica. Para os resultados computacionais apresenta-
dos nesta seo, os parmetros nais utilizados so descritos na Tabela 2.
Tabela 2. Parmetros do algoritmo proposto

Parmetro Valor
Tamanho da populao 60
Taxa de mutao 3%
Nmero de iteraes MaxIt 1000
50%
ph 100
po 10.000
Os experimentos foram realizados num computador com CPU Intel I3,

r
2,26 GHz, com Windows 7 64 bits, usando a linguagem Object Pascal com
Figura 12. Fluxograma do algoritmo geral, incluindo as duas fases

baseadas em algoritmos genticos.
compilador FreePascal. Foram utilizadas escalas reais de uma empresa,

obtidas ao longo de um perodo de 2 meses de operao, totalizando 45
dias. Envolveram um total de 112 catadores divididos em equipes de 14
pessoas (incluindo o motorista). A tabela 3 compara os valores obtidos pelo
algoritmo com as escalas produzidas manualmente pela empresa (coluna
Manual).
Os resultados mostram uma reduo signicativa dos custos operacio-
nais. Os custos com horas pagas so relativos s equipes, o que signica
que o custo reduzido deve ser multiplicado pelo nmero de pessoas envol-
vidas, neste caso 14 pessoas. A tabela tambm apresenta o nmero de
escalas inviveis que tambm contribui para os custos operacionais. Uma
escala tpica invivel planejada pela empresa ocorre quando o tempo real
de deslocamento entre duas granjas no contabilizado corretamente. Isto
signica que certamente a escala no ser executada dentro do tempo que
havia sido planejado. Isto acarreta custos operacionais adicionais. Os re-
sultados mostram uma reduo de 100% destes casos. Do ponto de vista
qualitativo foram observadas algumas eliminaes de escalas indesejadas,
Tabela 3. Resultados computacionais com o algoritmo proposto.

Manual Algoritmo Reduo % de
reduo
Total de horas pagas 3.290,60 2.938,18 352,42 10,71%
(horas)
Total de distncia per- 315.807,80 295.945,00 19.862,80 6,29%
corrida (Km)
Total de horas da f- 39,43 0,00 39,43 100,00%
brica parada (horas)
Nmero mdio de cami- 4,52 2,25 2,27 50,22%
nhes esperando no p-
tio
Tempo mdio de espera 119,04 4,93 114,11 95,86%
no ptio (minutos)
Sobrecarga de cami- 64 0 64 100,00%
nhes no ptio
Nmero de escalas in- 39 0 39 100,00%
viveis
Quantidade de vezes que o limite de caminhes no ptio da fbrica foi
ultrapassado.
como, por exemplo, escalas com extensos perodos de trabalho sem um

intervalo de descanso.
O total de horas ociosas da fbrica foi reduzido para zero. O custo de
uma fbrica parada geralmente muito alto, podendo chegar ao valor de
U$ 6.000,00 por hora parada.
Alm de reduzir o nmero mdio de caminhes no ptio da fbrica em
aproximadamente 50%, o tempo mdio de espera teve uma reduo ainda
mais acentuada, superior a 95%. Nota-se, ainda, uma reduo de 100%
dos casos de excesso de caminhes no ptio da fbrica. Nestes casos de
excesso os caminhes cam em um local imprprio, podendo comprometer
a carga e aumentar os custos operacionais.
O tempo total de experimentao foi de aproximadamente 90 minu-
tos para executar todas as instncias do problema. Algumas instncias
consumiram aproximadamente 10 minutos para obteno de uma soluo.
6. Discusso e Concluses
Neste trabalho foi investigado um algoritmo heurstico hbrido aplicado a
um problema de escalonamento de atividades na agroindstria. Os ajustes
no algoritmo e calibrao dos parmetros foram resultados de extensivas
execues piloto com dados de casos reais.
Os experimentos foram realizados com dados reais de uma empresa
que trabalha com exportao de derivados de aves. Em mdia, o mtodo
possibilitou a reduo aproximada dos seguintes aspectos: 11% dos custos
com horas pagas, 7% com custos de transporte, mais de 90% do tempo

de espera no ptio do abatedouro e ainda eliminou os casos de ociosidade
da fbrica. Alm disto, foram observadas outras melhorias nas escalas
das equipes do ponto de vista qualitativo. Embora no seja um objetivo
explcito, o nmero de equipes tambm minimizado automaticamente
uma vez que o algoritmo procura reduzir custos com horas pagas.
Do ponto de vista do estado da arte, este projeto proporcionou a inves-
tigao de novos procedimentos aplicados ao escalonamento de atividades
extensveis a outros problemas similares. Algoritmos genticos tiveram um
importante papel neste projeto pela sua exibilidade e facilidade de traba-
lhar com a resoluo de um problema de difcil modelagem matemtica.
Do ponto de vista da aplicabilidade, os experimentos realizados com o
algoritmo proposto demonstraram a viabilidade de sua utilizao num sis-
tema computacional para automatizar a construo de escala de trabalho
em situaes reais. Alm da agilidade na gerao das escalas compara-
das com o processo manual, notou-se uma reduo signicativa em termos
quantitativos (custos) e qualitativos. Na incorporao do algoritmo num
sistema computacional voltado para um gerente operacional da empresa,
possivelmente os valores dos parmetros do algoritmo deva car em se-
gundo plano ou at mesmo ocultos.
Como investigaes futuras pretende-se utilizar a abordagem geraci-
onal, juntamente com elitismo e utilizar uma taxa de mutao varivel,
conforme proposto por Beasley & Chu (1996), que aplica uma taxa de mu-
tao mais elevada quando a avaliao ( tness ) do melhor indivduo ca
prxima do pior indivduo da populao. Pesquisar por novos procedimen-
tos de busca local e novos operadores genticos tambm podem ser novas
propostas de investigaes futuras.
Agradecimentos
Os autores agradecem Coordenao de Aperfeioamento de Pessoal de
Nvel Superior (CAPES) pelo apoio nanceiro ao projeto.
Referncias
AlSharafat, W. & AlSharafat, M., Adaptive steady state genetic algorithm
Proceedings of International Con-
for scheduling university exams. In:
ference on Networking and Information Technology (ICNIT). p. 7074,
2010.
Atlason, J.; Epelman, M. & Henderson, S., Optimizing call center stang
using simulation and analytic center cutting-plane methods. Manage-
ment Science, 54(2):295309, 2008.
Bansal, S.; Gowtham, K. & Hota, C., Novel adaptive scheduling algorithm
for computational grid. In: Proceedings of the 3
rd
IEEE international
Conference on Internet Multimedia Services Architecture and Applica-

tions. p. 308312, 2009.
Beasley, J. & Chu, P., A genetic algorithm for the set covering problem.
European Journal of Operational Research, 94(2):392404, 1996.
Blazewicz, J.; Ecker, K.; Schmidt, G. & Weglarz, J., Scheduling in Compu-
ter and Manufacturing Systems. 2a edio. New York, USA: Springer-
Verlag, 1994.
Bodin, L., Solving large vehicle routing and scheduling problems in small
core. In:Proceedings of the 1983 Annual Conference on Computers:
Extending the Human Resource. p. 2737, 1983.
Burke, E.; Elliman, D. & Weare, R., A hybrid genetic algorithm for highly
Proceedings of the 6 Interna-
constrained timetabling problems. In:
th
tional Conference on Genetic Algorithms. p. 605610, 1995.

Chwif, L. & Medina, A., Modelagem e Simulao de Eventos Discretos:
Teoria e Aplicaes. 3a edio. So Paulo, SP: Edio dos Autores,
2007.
Contreras, A.; Valero, C. & Pinningho, J., Applying genetic algorithms for
production scheduling and resource allocation. special case: A small
size manufacturing company. In: Ali, M. & Esposito, F. (Eds.), Inno-
vations in Applied Articial Intelligence. Berlin, Germany: Springer-
Verlag, v. 3533 de Lecture Notes in Computer Science, p. 5570, 2005.
Hansen, P. & Mladenovi, N., Variable neighborhood search: Princi-
ples and applications. European Journal of Operational Research,
130(3):449467, 2001.
Harrison, J. & Zeevi, A., A method for stang large call centers based on
stochastic uid models. Manufacturing & Service Operations Mana-
gement, 7(1):2036, 2005.
Hart, E.; Ross, P. & Nelson, J., Scheduling chicken catching an investiga-
tion into the success of a genetic algorithm on a real-world scheduling
problem. Annals of Operations Research, 92(1):363380, 1999.
Jat, S. & Yang, S., A guided search genetic algorithm for the university
course timetabling problem. In: Proceedings of the 4 Multidiscipli-
th
nary International Scheduling Conference: Theory and Applications.

Dublin, Ireland, p. 180191, 2009.
Kotecha, K.; Sanghani, G. & Gambhava, N., Genetic algorithm for airline
crew scheduling problem using cost-based uniform crossover. In: Ma-
nandhar, S.; Austin, J.; Desai, U.; Oyanagi, Y. & Talukder, A. (Eds.),
Applied Computing. Springer Berlin / Heidelberg, v. 3285 de Lecture
Notes in Computer Science, p. 8491, 2004.
Lin, C.; Lai, K. & Hung, S., Development of a workforce management
system for a customer hotline service. Computers and Operations Re-
search, 27(10):9871004, 2000.
Park, Y., A hybrid genetic algorithm for the vehicle scheduling problem
with due times and time deadlines. International Journal of Produc-
tion Economics, 73(2):175188, 2001.
Podgorelec, V. & Kokol, P., Genetic algorithm based system for patient
scheduling in highly constrained situations. Journal of Medical Sys-
tems, 21(6):417427, 1997.
Sheen, G.J. & Liao, L.W., Scheduling machine-dependent jobs to mini-
mize lateness on machines with identical speed under availability cons-
traints. Computers and Operations Research, 34(8):22662278, 2007.
Sonmez, O. & Gursoy, A., A novel economic-based scheduling heuristic
for computational grids.International Journal of High Performance
Computing Applications, 21(1):2129, 2007.
Wren, A. & Wren, D., A genetic algorithm for public transport driver
scheduling. Computers and Operations Research, 22(1):101110, 1995.
Yunes, T.; Moura, A. & de Souza, C., Solving very large crew scheduling
Proceedings of the 2000 ACM Symposium
problems to optimality. In:
on Applied Computing. New York, USA: ACM, v. 1, p. 446451, 2000.
Zhang, F.; Cao, X. & Yang, D., Intelligent scheduling of public trac
vehicles based on a hybrid genetic algorithm. Tsinghua Science &
Technology, 13(5):625631, 2008.
Notas Biogrficas
Ademir Aparecido Constantino graduado em Matemtica e tem mestrado
e doutorado em Engenharia de Produo na rea de Otimizao e Simulao,
alm de Ps-doutorado na Univesidade de Nottingham, Inglaterra. Atualmente
professor titular do Departamento de Informtica da Universidade Estadual de
Maring.
Drio Landa-Silva tem graduao e doutorado em Cincia da Computao.

Atualmente professor na Faculdade de Cincia da Computao na Universidade
de Nottingham, Inglaterra.
Wesley Romo graduado em Engenharia Qumica, tem mestrado em Cincia

da Computao e doutorado em Engenharia de Produo. Atualmente
professor adjunto do departamento de Informtica da Universidade Estadual de
Maring.
Captulo 13
Heursticas Evolutivas Hbridas

para o Problema de Escalonamento de Projetos
com Restrio de Recursos Dinmicos
Andr R. Villela da Silva e Luiz Satoru Ochi
Resumo: Este captulo trata de um Problema de Escalonamento

de Projetos utilizando recursos dinmicos. Tais recursos so im-
portantes para a modelagem de certas situaes onde os recursos
estticos no so aplicveis. Uma nova formulao matemtica
proposta. Mtodos heursticos e hbridos so analisados e compa-
rados com resultados da literatura. Os resultados computacionais
obtidos mostram que os mtodos hbridos so muito ecientes. Em
algumas instncias, estes mtodos tiveram um desempenho melhor
do que o otimizador CPLEX. Outras caractersticas como robus-
tez e capacidade de evitar a convergncia prematura tambm esto
presentes nos mtodos estudados.
Palavras-chave: Algoritmos evolutivos, Mtodos hbridos, Formu-
lao matemtica, Representao de solues.
Abstract: This chapter deals with a Project Scheduling Problem
using dynamic resources. This kind of resources are important for
modeling certain situations where static resources are not applica-
ble. A new mathematical formulation is proposed. Heuristic and
hybrid methods are analyzed and compared with results in the litera-
ture. The computational results obtained show that hybrid methods
are very eective. For some instances, these methods performed
better than the CPLEX optimizer. Other features like robustness
and capacity to avoid premature convergence are also present in
the methods studied.
Keywords: Evolutionary algorithms, Hybrid methods, Mathema-
tical formulations, Solutions representation.
Autor para contato: avillela@ic.u.br
274 Silva & Ochi
1. O Problema de Escalonamento de Projetos - PEP

Nos Problemas de Escalonamento de Projetos (PEP) dois elementos so de
fundamental importncia: as tarefas, que constituem cada uma das etapas
do projeto a ser executado, e os recursos, que so os insumos necessrios
para que uma tarefa seja executada. As tarefas esto conectadas entre si
atravs de relaes de precedncia (do tipo nish-to-start ) que determinam
a ordem em que as tarefas podem ou no ser executadas. Tambm muito
comum que uma tarefa possa ter mais de uma predecessora. Neste caso,
todas as predecessoras precisam ter sido executadas antes da tarefa em
questo comear. O objetivo mais comum fazer com que todas as tarefas
do projeto sejam executadas o mais rapidamente possvel, respeitando as
restries de precedncia e de utilizao dos recursos.
Os recursos que so necessrios para a execuo das tarefas so o outro
elemento a ser administrado no PEP. Uma classicao bastante tradicio-
nal os divide em dois grupos: recursos renovveis e recursos no-renovveis.
Os recursos renovveis so aqueles que, aps ser utilizados na execuo de
uma tarefa do projeto, cam novamente disponveis para ser utilizados em
outra tarefa ainda no executada. Alguns exemplos de recursos desta classe
so as mquinas (escavadeiras, tratores, computadores) e os prossionais
(engenheiros, programadores, assistentes). Estes recursos podem ser reu-
tilizados ao nal de uma etapa de projeto. Os recursos so classicados
como no-renovveis se eles estiverem disponveis uma nica vez durante
todo horizonte de tempo no qual deve ser tratado o problema. Uma vez
que eles so utilizados (consumidos) no mais possvel contar com eles
at o m do problema. Exemplos mais comuns so combustveis e dinheiro,
entre outros.
Tradicionalmente, os PEPs no supem a gerao e, sim, o consumo
dos recursos que so dados de entrada com valores pr-denidos uma vez
que ou estes tm carter no-renovvel ou tm sua taxa de renovao bem
denida pelo problema, como mostrado em Valls et al. (2008) e Nonobe
& Ibaraki (2002). Estes cenrios, no entanto, no so capazes de modelar
certas situaes onde, a partir do trmino da execuo de uma etapa do
projeto, esta passa a gerar recursos adicionais. Como forma de ilustrar
estas situaes, suponha que o projeto em questo seja a expanso comer-
cial de uma companhia. Aps a construo de uma nova lial, razovel
supor que ela possa contribuir nanceiramente com a matriz por meio do
lucro que se espera dela. O recurso que se apresenta mais importante neste
caso, sem dvida, o retorno nanceiro. A quantia, uma vez investida na
construo da lial, no ca novamente disponvel ao nal desta etapa, ao
contrrio de uma mquina ou um trabalhador. O que ocorre que aps
a nalizao deste investimento, o mesmo passa a retornar novos recur-
sos nanceiros que podero ser aplicados na execuo de outras etapas:
Heursticas evolutivas para escalonamento de projetos com restrio 275
abertura de novas liais, contratao de pessoal, compra de equipamentos,

entre outros.
No modelo que ser estudado, o dinheiro um recurso renovvel, mas
no como nos modelos tradicionais, onde h uma quantidade mxima dis-
ponvel a cada instante de tempo. Neste modelo, um recurso renovvel
pelo fato de poder ocorrer diminuio e aumento de sua quantidade dis-
ponvel ao longo do tempo. A produo de recursos (dinheiro, no caso)
permanece desde o trmino da construo da lial at o m do horizonte
de planejamento em questo.
Este captulo aborda o PEP onde as tarefas consomem recursos ao
serem ativadas e, a partir de ento, passam a gerar recursos at o nal
do horizonte de planejamento, cujo tamanho dado por um parmetro de
entrada H. O modelo pressupe, ainda, uma quantidade inicial de recursos
que podero ser gastos nas primeiras ativaes. O objetivo deste modelo
chegar ao nal do horizonte de planejamento com a maior quantidade
possvel de recursos.
O recurso abordado neste caso no pode ter uma quantidade mxima
denida, j que o objetivo citado perderia o sentido. Este recurso que
consumido e, posteriormente, produzido apresenta variaes de quanti-
dade ao longo do horizonte de planejamento que so difceis de prever. Por
isto este tipo de recurso chamado de Recurso Dinmico. Desta forma,
o problema de escalonamento em questo ser denominado Problema de
Escalonamento de Projetos com Restrio de Recursos Dinmicos PE-
PRRD.
O PEPRRD encontra aplicaes potenciais em expanses comerciais ou
industriais, como no citado exemplo da abertura de liais que produzem
lucro aps sua implantao. Tambm possvel utilizar o PEPRRD em
problemas de prestao de servios ou provimento de infra-estrutura em
regies mais afastadas. Suponha, por exemplo, que se deseja expandir uma
rede de bra tica para vrias cidades do interior do estado ou do pas. No
possvel, a princpio, fornecer um ponto de acesso em qualquer localidade
por questes fsicas, logsticas ou mesmo nanceiras. A ampliao da rede
deve ocorrer atendendo primeiramente as regies onde o custo de implan-
tao de um ponto de acesso pequeno ou onde possvel conseguir maior
lucratividade com a prestao de algum tipo de servio (internet, telefonia,
entre outros), desde que esta implantao seja tecnicamente vivel, obvia-
mente. Cria-se ento uma situao de precedncia entre as localidades que
diferencia este problema de outros como os das p-medianas (Mladenovi
et al., 2007), por exemplo.
O objetivo principal deste trabalho propor algoritmos e mtodos para
o PEP estudado PEPRRD, que ofeream melhores resultados aproxima-
dos ou mesmo encontrem a soluo tima para algumas instncias da lite-
ratura. Embora o foco no esteja na construo de mtodos exatos, ser
276 Silva & Ochi
analisada uma nova formulao matemtica, na forma de um programa in-

teiro misto. O ponto central do trabalho ca, portanto, na discusso sobre
algoritmos heursticos e mtodos hbridos que incorporem conjuntamente
caractersticas das abordagens exata e heurstica.
O restante deste trabalho est organizado da seguinte forma: a Seo 2
traz a denio do problema e uma reviso da literatura existente. A
Seo 3 mostra as formulaes matemticas para o problema. Algoritmos
heursticos so introduzidos na Seo 4. Mtodos hbridos so o assunto da
Seo 5. Na Seo 6 so apresentados os resultados computacionais. Por
m, a concluso apresentada na Seo 7.
2. O Problema de Escalonamento de Projetos com Restrio

de Recursos Dinmicos PEPRRD
Antes de apresentar a denio do problema, importante deixar claro
alguns conceitos utilizados no funcionamento do modelo.
Recursos disponveis : so os recursos que podem ser aplicados,

t
no instante de tempo , na execuo de tarefas. Denota-se por Qt .
Custo de uma tarefa : a quantidade de recursos necessrios para
que uma tarefa possa ser executada. O custo de uma tarefa i
denotado por ci .
Lucro de uma tarefa : a quantidade no-negativa de recursos que
sero produzidos pela tarefa a partir do instante de tempo seguinte
a sua ativao. denotado por pi para cada tarefa i do problema.
Lucro acumulado : a soma do lucro das tarefas ativadas at um

t
instante de tempo . A notao feita por Pt .
Ativao de uma tarefa : a indicao de um tempo t no qual
a tarefa deve ser executada. Neste instante de tempo deve haver
recursos disponveis em quantidade igual ou maior do que o custo da
tarefa. Tambm necessrio que todas as tarefas predecessoras j
estejam ativadas at o instante de tempo anterior (t 1).
Horizonte de planejamento : o conjunto de instantes de tempo
nos quais as tarefas podem ser executadas. No PEPRRD, o tempo
discretizado em unidades de 1 at H, que um dado de entrada
do problema.
O PEPRRD composto por um grafo acclico direcionado G = (V, A),

onde V um conjunto de vrtices e A o conjunto de arcos que unem
os vrtices. A cada tarefa i V, est associado um custo ci e um lucro
pi , inteiros no-negativos. Inicialmente existe uma quantidade de recursos
disponveis Q0 > 0 e um lucro acumulado P0 = 0. O escalonamento
deve ser realizado durante um horizonte de planejamento composto por H
unidades de tempo. O objetivo do problema maximizar a quantidade de

recursos (recursos disponveis e lucro acumulado) ao nal do horizonte de
planejamento.
A Figura 1 apresenta um exemplo deste modelo de escalonamento,
sendo resolvido por um algoritmo arbitrrio. No exemplo, o horizonte de
planejamento composto por trs unidades (H = 3) e a quantidade inicial
de recursos disponveis Q0 = 4. Por questes de simplicao, a quantidade
de recursos disponveis Qt e o lucro acumulado Pt sero indicados por Q e
P , respectivamente. As tarefas (1,2,3,4,5,6) tm custos (2,3,4,1,2,4) e lucros
(1,2,4,2,3,5), respectivamente. As tarefas j ativadas esto em branco, as
que esto disponveis para ativao aparecem em cinza e as que ainda no
podem ser ativadas so mostradas em preto.
(a) (b)
(c) (d)
(e) (f)
Figura 1. Etapas do exemplo de escalonamento.
278 Silva & Ochi
No instante de tempo t = 1, Figura 1(a), as tarefas 1 e 2 esto dis-

ponveis para ativao. Suponha que o algoritmo escolha a tarefa 2 para
ser ativada. necessrio consumir 3 unidades de recursos, j que c2 = 3.
O lucro acumulado que inicialmente era zero passa a conter 2 unidades
( p2 = 2). Com o recurso disponvel restante no possvel ativar a tarefa
1, logo, o tempo t = 1 deve ser encerrado como na Figura 1(b). Ao se
passar para o instante seguinte (t = 2, Figura 1(c)) este lucro acumulado
torna-se recurso disponvel, uma vez que ele representa os recursos que
esto sendo produzidos pela tarefa j ativada. Com a ativao da tarefa
2 realizada, a tarefa 4 ca apta a ser ativada. A quantidade de recur-
sos disponveis, agora, permite que ambas as tarefas 1 e 4 sejam ativadas.
Esta deciso faz com que sejam subtradas 3 unidades de recursos e sejam
incorporadas mais 3 unidades ao lucro acumulado, como na Figura 1(d).
Como no h mais tarefas para serem ativadas neste momento, necess-
rio passar para o instante de tempo seguinte: o lucro acumulado somado
aos recursos disponveis e o estado das tarefas atualizado. No incio do
tempo t = 3 (Figura 1(e)), o ltimo instante de tempo, a tarefa 3 pode
ser ativada j que h recursos sucientes. Atualizados os recursos dispo-
nveis, o lucro acumulado e o estado das tarefas, restou uma unidade de
recurso disponvel e o lucro acumulado de nove unidades. O resultado
deste escalonamento, portanto, igual a dez unidades de recurso.
2.1 Reviso da literatura

O problema de escalonamento de projetos j estudado h bastante tempo
e apresenta diversos modelos que podem ser classicados de acordo com
alguns critrios como o nmero de projetos existentes em cada instncia,
as possveis formas de se executar cada tarefa do projeto, a quantidade e
tipos de recursos a serem utilizados, entre outros. Um primeiro trabalho
que apresenta estas classicaes e suas peculiaridades apresentado em
Blazewicz et al. (1983).
Recentemente, uma abordagem heurstica para o Problema de Esca-
lonamento de Projetos com Restrio de Recursos que vem apresentando
bons resultados atravs da tcnica denominada random-keys que pode
ser encontrada em Mendes et al. (2009) e Snyder & Daskin (2006). Esta
tcnica trabalha com as tarefas atravs de prioridades que so atribudas a
elas ao invs de manipul-las diretamente. Desta forma, possvel explorar
melhor o espao de solues do problema de forma bastante eciente.
Em Silva & Ochi (2006) proposto o PEPRRD e apresentados os
primeiros algoritmos para resolv-los. Naquele trabalho, uma heurstica
construtiva chamada de ADDR gera, a cada instante de tempo, uma lista
contendo todas as tarefas disponveis neste instante. A lista ordenada
de acordo com a relao custo/lucro. Um elemento escolhido aleatori-
amente para ativao, se ainda houver recursos sucientes para tanto. A
quantidade de recursos disponveis e o lucro acumulado so atualizados;
o algoritmo prossegue tentando ativar mais tarefas at que no haja mais

recursos ou tarefas disponveis. Quando isto ocorre, passa-se para o pr-
ximo instante de tempo. Estes procedimentos so repetidos at se analisar
o ltimo instante de tempo.
Ainda neste primeiro trabalho foram apresentadas duas buscas locais:
LS1 e LS2. Elas recebem um escalonamento j realizado e tentam localizar
e remover tarefas ou grupos delas que foram ativadas em vo, ou seja,
tarefas no-lucrativas que foram ativadas por causa de possveis sucessoras
mais lucrativas. O algoritmo construtivo e as buscas locais serviram de
base para a elaborao de dois algoritmos evolutivos chamados de EA1 e
EA2. Ambos operam sobre uma populao de tamanho xo. Os pais so
escolhidos de forma a favorecer indivduos com maior aptido. Cada tarefa
do lho gerado ser ativada de acordo com o menor tempo em que ela foi
ativada em cada um dos pais. Apenas os melhores indivduos (entre pais
e lhos) permanecem para a prxima gerao.
A forma de representao da soluo utilizada a representao direta.
Nela, uma soluo dada por um vetor de n inteiros no-negativos, onde n
o nmero de tarefas da instncia. Cada valor indica o tempo de ativao
de uma tarefa e o valor zero indica que a tarefa no foi ativada.
Outra busca local (LS3) foi empregada em Silva & Ochi (2007), como
parte de um novo algoritmo evolutivo (EA3). Esta busca xa uma parte da
soluo e reconstri o restante com um critrio puramente guloso. Desta
vez, alm dos operadores evolutivos bsicos, foram propostos outros me-
canismos para tentar evitar a convergncia prematura. Os mecanismos
de intensicao e diversicao mais especcos comeam a agir quando
a populao passa algumas geraes sem aprimorar a melhor soluo en-
contrada. Num primeiro momento, a melhor soluo encontrada serve de
semente para a gerao de indivduos bastante semelhantes, atravs da
LS3. Esta fase funciona como uma intensicao ao redor desta soluo.
Se melhorias no ocorrerem, porm, e mais algumas geraes se sucederem
sem aprimoramentos na melhor soluo, toda a populao ser descartada
e uma nova populao ser criada a partir do algoritmo construtivo. O
operador evolutivo de cruzamento e a seleo natural so idnticos aos pro-
postos em Silva & Ochi (2006). Uma diculdade que no foi bem superada
encontra-se na gerao dos lhos. O algoritmo de cruzamento adotado pelo
EA3 o mesmo dos primeiros algoritmos evolutivos gasta muito tempo
analisando a viabilidade dos lhos que so gerados, uma vez que a escolha
dos menores tempos de ativao para as tarefas, como feita, no assegura
que os lhos gerados sejam solues vlidas, sem a execuo de algoritmos
de correo.
Infelizmente, existem poucos trabalhos referentes ao PEPRRD. No
do conhecimento destes autores a existncia de outras abordagens para o
problema em questo que permita uma comparao mais detalhada. Vale
lembrar que os PEPs tradicionais no podem ser facilmente adaptados para
280 Silva & Ochi
o modelo estudado aqui, pois eles no admitem a gerao de recursos, o

que vem a ser um componente fundamental do PEPRRD.
3. Formulaes Matemticas Para o PEPRRD

Em Silva & Ochi (2006), foi proposta uma modelagem matemtica (F1),
na forma de um programa inteiro misto, para o PEPRRD. A formulao
foi muito til para que instncias pequenas fossem resolvidas at a sua oti-
malidade e os resultados fossem comparados com os mtodos heursticos
apresentados naquele trabalho. Instncias de maior porte ainda demora-
vam muitas horas, mesmo utilizando verses recentes de otimizadores.
No entanto, um ponto negativo na formulao original a possibilidade
das variveis de uma tarefa apresentarem valores que podem aumentar ou
diminuir de um instante de tempo para outro (quando uma tarefa ativada
o valor da varivel daquele instante passa a ser igual a um, depois este valor
volta a ser zero nas variveis dos tempos seguintes). Para determinar se
a tarefa est ativada preciso fazer um somatrio envolvendo todas as
variveis relativas a tempos anteriores.
Tentando resolver esta situao, vale a pena recordar que o PEPRRD
pressupe que uma tarefa permanecer ativada at o nal do horizonte de
planejamento. Desta forma, pode-se mudar a semntica da varivel binria
para que ela indique no somente quando uma tarefa foi ativada, mas se
ela j foi ativada ou no. Usando este raciocnio, foi desenvolvida uma
nova formulao (F2) que pretende manter o estado de ativao de uma
tarefa em todas as variveis binrias a partir de um momento escolhido
para tanto. A formulao F2 mostrada a seguir.
(F 2) M ax (QH + PH ) (1)
Sujeito
yit yit+1 i = 1, .., n t = 1, ..., H 1 (2)
yit yjt1 i = 1, .., n t = 1, ..., H j P red(i) (3)
X n
Qt = Qt1 + Pt1 ci (yit yit1 ) t = 1, ..., H (4)
i=1
n
X
Pt = pi yit t = 0, ..., H (5)
i=1
yi0 = 0 i = 1, ..., n (6)
yit {0, 1} i = 1, ..., n t = 1, ..., H (7)
Qt , Pt N t = 0, ..., H (8)
A varivel binria yit indica se a tarefa i est ativada no tempo t (valor

1) ou no (valor 0). A partir do momento em que a tarefa ativada, as
variveis binrias referentes aos tempos seguintes tambm sero xadas em

1, atravs das restries (2). As restries (3) garantem que uma tarefa
i s poder ser ativada caso todas as predecessoras j j estejam ativadas
anteriormente. As restries (4) mostram como denida a quantidade
recursos ao nal de cada instante de tempo t. O clculo do lucro acumulado
feito pelas restries (5), indicando que este valor dado pela soma
dos lucros de todas as tarefas j ativadas at o momento. As restries
(6) indicam que no incio do problema nenhuma tarefa est ativada. As
restries (7) e (8) denem o domnio das variveis.
A grande vantagem desta formulao que ela constituda na sua
quase totalidade de restries que so aritmeticamente muito simples e
deixam a matriz de coecientes muito esparsa. Esta caracterstica per-
mite que o otimizador descarte rapidamente as restries redundantes e
economize bastante memria. Alm disto, a busca por uma base tima no
mtodo Simplex pode ser mais eciente.
A utilizao de uma formulao matemtica e de um otimizador cons-
titui uma das possveis abordagens para se resolver um problema compu-
tacional, especialmente quando se trata de um problema de grande di-
culdade como o que est sendo estudado. Se for dado tempo suciente, o
otimizador conseguir encontrar pelo menos uma soluo que tenha o valor
timo. Na maioria dos casos, porm, no possvel esperar dias ou semanas
para se obter a soluo, mesmo que a formulao produzida seja a mais
eciente possvel. Uma estratgia para no se descartar completamente
desta abordagem construir algoritmos chamados de hbridos. Estes algo-
ritmos tero componentes provenientes da abordagem exata (geralmente
por formulao matemtica) e da abordagem heurstica. Algoritmos h-
bridos para o PEPRRD sero apresentados posteriormente neste captulo,
mas possvel adiantar que uma boa formulao matemtica, que possa
ser executada de forma bastante eciente pelo otimizador, crucial para
que os algoritmos hbridos tenham bom desempenho.
4. Mtodos heursticos para o PEPRRD

Como o problema tratado neste trabalho considerado difcil de ser resol-
vido em tempo computacional razovel (NP-rduo), justicada a abor-
dagem por mtodos heursticos. Tais mtodos devem ter o compromisso
de apresentar solues de boa qualidade em um curto espao de tempo,
mesmo que, para isto, tenham que sacricar a garantia da otimalidade.
Os Algoritmos Evolutivos so desdobramentos dos Algoritmos Gen-
ticos clssicos propostos em Holland (1975), que apresentam solues co-
dicadas por valores binrios e operadores genticos simples. Embora o
objetivo de manter bons padres (genes) em vrias solues simultneas
(indivduos) seja o mesmo, os Algoritmos Evolutivos introduzem novos
operadores de recombinao de solues, buscas locais e renamentos para
282 Silva & Ochi
fazer com que o aproveitamento dos padres seja potencializado. Outras

meta-heursticas evolutivas tambm utilizam princpios semelhantes (Da-
mak et al., 2009).
Normalmente os Algoritmos Genticos ou Evolutivos operam sobre de-
zenas ou centenas de indivduos simultaneamente, o que pode trazer di-
culdades se os operadores no forem ecientes o bastante ou permitirem a
gerao de solues infactveis que precisem de correo para que possam
ser consideradas solues viveis para o problema.
Os Algoritmos Evolutivos para o PEPRRD apresentam um maneira
de representar a soluo chamada de Representao Direta (Silva & Ochi,
2007). Nesta representao, cada elemento i de um vetor indica o tempo
em que a i-sima tarefa deve ser ativada. Embora esta representao seja
bastante objetiva, a principal diculdade em se trabalhar com ela que
alteraes nos seus valores frequentemente resultam em solues infact-
veis. Os clculos necessrios para que estas infactibilidades no existam
so computacionalmente to custosos que tambm no valem a pena ser
executados rotineiramente.
Uma das propostas deste trabalho empregar uma nova forma de re-
presentao chamada de Representao Indireta, pois agora, a cada tarefa,
ser dada uma prioridade de ativao que deve ser administrada por um
algoritmo de escalonamento diferente. As tarefas com maior prioridade
devero ser ativadas primeiro, desde que respeitem as restries de prece-
dncia e de recursos disponveis. Vale destacar que, para esta representa-
o, quaisquer valores reais (ou mesmo inteiros) podem gerar uma soluo
vivel, desde que o algoritmo de escalonamento respeite as restries do
problema. Neste contexto, o novo algoritmo de escalonamento verica,
a cada instante de tempo, quais tarefas esto disponveis e as ordena de
acordo com a prioridade. Aps analisar todas as tarefas disponveis e re-
alizar as ativaes possveis, o algoritmo passa para a unidade de tempo
seguinte.
4.1 Algoritmo evolutivo com prioridades EA_priority

A principal caracterstica deste algoritmo, proposto em Silva et al. (2008),
o uso de prioridades na representao de uma soluo. Como a repre-
sentao da soluo diferente daquela utilizada nos trabalhos j citados,
assim tambm dever ser a forma de se operar sobre ela. Portanto, no-
vos operadores evolutivos precisam ser denidos para que o potencial da
representao seja alcanado. A seguir sero apresentados os operadores
utilizados. Cada parmetro, tais como o tamanho da populao inicial,
a chance de mutao e o nmero de lhos gerados, foram denidos aps
testes preliminares com vrios valores.
Todo algoritmo evolutivo precisa gerar uma populao inicial para que
os demais operadores possam entrar em ao. Tarefas que devem ser pre-
ferencialmente ativadas devem possuir elevado lucro e/ou baixo custo. As-
sim, a prioridade de ativao de cada tarefa ser dada pela razo de seu
lucro pelo seu custo acrescido de um pequeno valor aleatrio. Aps serem
gerados todos os indivduos, a populao ordenada pela aptido de seus
membros de forma decrescente.
A recombinao procura escolher e combinar dois indivduos j exis-
tentes de forma que sejam gerados lhos com caractersticas semelhantes
a um pai ou a ambos. Para que as solues geradas sejam interessantes
ao problema, bom que os pais no sejam idnticos ou apresentem grau
de semelhana muito elevado. Por outro lado, pais com qualidade superior
tendem a gerar lhos melhores. Uma proposta para atender a estes requi-
sitos dividir a populao em classes, por exemplo: classe A composta
pelos 20% melhores indivduos, classe C composta pelos 20% piores in-
divduos, e classe B composta pelos demais indivduos. Um pai sempre
escolhido da classe A e outro sempre da classe B, para tentar evitar que
pais muito semelhantes sejam escolhidos, mas que tenham boa qualidade.
Na prtica, s esta diviso no garante que os pais escolhidos formem o
melhor par possvel, mas testes preliminares mostraram que, dentre v-
rios esquemas de escolha para os pais, esta diviso da populao foi a
que apresentou a melhor capacidade de gerar lhos que contribuam para
o desenvolvimento das geraes futuras. Portanto, o critrio adotado para
seleo dos pais deve-se a resultados empricos mais do que a caractersti-
cas tericas. Outros algoritmos heursticos que vierem a ser desenvolvidos
podem ter desempenho melhor com outros esquemas de seleo de pais.
A combinao dos pais procura gerar uma congurao de prioridades
analisando os valores presentes em cada um dos pais. Um critrio simples
e bastante razovel aplicar a mdia aritmtica das prioridades dos pais.
No operador de recombinao proposto, dois lhos so gerados a cada
recombinao. necessrio que se estabelea alguma forma de diferenci-
los para que no se obtenha indivduos idnticos. A adio de um pequeno
valor aleatrio pode ajudar a resolver este problema. Um total de N lhos
produzido a cada gerao.
A seleo natural tem por objetivo denir quais indivduos podero
continuar existindo na gerao seguinte e quais devero ser eliminados. O
critrio elitista, no qual os indivduos que possuem os melhores valores
de aptido so privilegiados, apresentou resultados satisfatrios nos testes
preliminares, sendo a escolha dos indivduos feita de forma determinstica.
Assim, apenas os N melhores indivduos, dentre pais e lhos, permanecero
na gerao seguinte.
O operador de mutao consiste em modicar um indivduo j exis-
tente, para que ele ou melhore de qualidade ou transmita seus genes mutan-
tes a outros indivduos por meio da recombinao. Uma forma de permitir
que mutaes mais intensas ocorram conforme as geraes se sucedam
atrelar a probabilidade de mutao ao nmero da gerao em questo. As-
sim, nas primeiras geraes a mutao ser pequena e nas ltimas geraes
284 Silva & Ochi
ser bem maior. Cada indivduo ter uma chance de 5% de sofrer mutao
a cada gerao.
Embora no seja um operador propriamente dito, o critrio de parada
um componente importante dos Algoritmos Evolutivos. Um bom crit-
rio de parada permite que o algoritmo tenha condies de aprimorar as
solues encontradas sem que seja consumido tempo demasiado. Poss-
veis critrios de parada incluem o nmero de geraes sem melhoria da
populao, o nvel de similaridade entre os indivduos, tempo computa-
cional mximo ou mesmo algum outro dado derivado do comportamento
do algoritmo. Nesta primeira verso de algoritmo evolutivo, no entanto,
utilizado o critrio mais trivial que o nmero mximo de geraes. Poste-
riormente, ser apresentado outro critrio derivado do desempenho obtido
pelo algoritmo ao longo de sua execuo.
4.2 Algoritmo evolutivo com reconstrues - EA_ages

O Algoritmo Evolutivo EA_priority apresentou grandes melhorias em re-
lao aos evolutivos anteriores, em especial queles propostos em Silva &
Ochi (2006). No entanto, o limite de geraes (nmero de iteraes) foi
bastante restritivo em algumas instncias de mdio e grande porte. Ao se
expandir este limite, recaa-se em outro problema que era a estagnao da
populao de indivduos. Uma populao considerada estagnada quando,
por exemplo, no consegue gerar indivduos melhores aps algumas gera-
es consecutivas. A estagnao um problema comum aos Algoritmos
Evolutivos, embora bastante indesejvel. Uma sada incorporar novos
mecanismos que permitam aos operadores j existentes uma prorrogao
de sua capacidade de gerar indivduos que no cause a estagnao da po-
pulao. A seguir so explicados estes mecanismos, partindo-se do prin-
cpio que a nova verso do algoritmo evolutivo tem por base o algoritmo
EA_priority.
Como a relao entre o custo e o lucro de uma tarefa pode ter o mesmo
valor para diversas combinaes (por exemplo: 2/5, 4/10, 6/15), ao elevar
o lucro pi ao quadrado, espera-se privilegiar as tarefas que, tendo a mesma
relao custo-benefcio, produzam mais recursos. Tambm utiliza-se o n-
mero de sucessoras para privilegiar tarefas que sejam pr-requisito para
outras. Este nmero de sucessoras multiplicado pela razo descrita.
Outra forma de tentar melhorar a qualidade de uma soluo aplicar
sobre ela algum mtodo de busca local. Algoritmo Evolutivo EA_ages
trabalha com uma relao de vizinhana baseada na troca de duas priori-
0
dades. Em outras palavras, uma soluo S considerada vizinha de S se
e somente se n2 tarefas tiverem as mesmas prioridades e as outras duas
tarefas tiverem prioridades trocadas, onde n o nmero total de tarefas
de S. Esta busca local chamada de LS_swap.
Visando um gasto menor de tempo, alguns critrios foram adotados
para que nem todos os pares de tarefas fossem testados para troca. So
testadas apenas as tarefas que possurem o mesmo nvel topolgico, mas

que tiverem sido ativadas em tempos distintos. Estas tarefas so particu-
larmente interessantes pois poderiam ter sido ativadas no mesmo instante
mas no o foram. A troca das prioridades destas tarefas permite que novas
escolhas, que no foram contempladas pelo escalonamento original, sejam
feitas durante o re-escalonamento que dever acontecer. Ela ser aplicada
em duas situaes: (i) quando uma nova melhor soluo for encontrada,
para que ela seja explorada ao mximo; (ii) quando a populao no conse-
guir produzir melhores resultados por 30 geraes seguidas. Neste ltimo
caso, a populao considerada estagnada e a busca local ser aplicada aos
melhores indivduos, tentando fazer com que estes melhorem pelo menos
um pouco suas aptides. Testes preliminares mostraram que a aplicao
apenas na classe A (20% melhores indivduos) apresenta, em geral, uma
boa relao de tempo consumido e melhorias obtidas.
O que se pde perceber nos testes preliminares que o nmero xo
de geraes funciona bem nas instncias onde rapidamente se produz uma
soluo prxima ao timo global. Nas outras instncias, este limite xo
pode acabar por encerrar o algoritmo sem que ele consiga esgotar toda sua
capacidade de melhoria das solues correntes. No EA_ages, o limite de
geraes o mesmo usado na verso anterior, mas conforme o algoritmo
consegue gerar solues melhoradas, o limite estendido por meio de
geraes extras que so adicionadas a ele. Inicialmente, = 4; a cada 20
geraes, aumenta uma unidade.
Se a populao ainda assim permanecer estagnada, no h indcios de
que manter a execuo normal do algoritmo produzir resultados melhores.
A proposta feita em Silva & Ochi (2009) foi uma mudana mais radical na
populao estagnada: eliminar todos os indivduos e reconstruir a popu-
lao a partir do melhor indivduo obtido at o momento. O objetivo
produzir uma populao mais semelhante a este indivduo como forma de
intensicar as buscas na vizinhana do que se conhece de melhor. A cria-
o de um novo indivduo similar se d com a adio de um pequeno valor
aleatrio a cada prioridade daquele indivduo tido como semente. Assim,
tem-se uma nova populao de indivduos distintos, porm com qualidade
prxima ao melhor conjunto de genes j produzido. Esta etapa chamada
de Reconstruo da Populao.
Esta nova populao tida uma populao inicial e o algoritmo procede
como se tivesse reiniciado sua execuo. O nmero de geraes restantes,
porm, ser preservado. O conjunto de geraes entre uma reconstruo e
outra ser chamada de Era ( Age, em ingls). As Eras terminam quando
forem computadas 150 geraes consecutivas sem mudanas na melhor so-
luo encontrada. A Figura 2 traz um esquema de como os operadores
deste algoritmo so executados. O tamanho da populao (N ) no EA3 foi
xado em 20 e em ambos, EA_priority e EA_ages, em 100. A probabili-
dade de mutao de cada indivduo de 20% no primeiro e de 5% nos dois
286 Silva & Ochi
ltimos. Todos os parmetros foram estabelecidos aps vrias baterias de

testes preliminares com cada algoritmo. A seleo dos pais, a recombina-
o, a mutao e a seleo natural so semelhantes quelas apresentadas
na verso EA_priority.
Figura 2. Esquema estrutural do algoritmo EA_ages.
4.3 Verso paralela do EA_ages

A proposta de uma verso paralela consiste na utilizao de processadores
com mltiplos ncleos e memria compartilhada, pois praticamente todos
os processadores vendidos atualmente tm capacidade de executar simul-
taneamente dois ou mais processos sem que haja a necessidade de troca
de mensagens via rede. O objetivo do emprego desta adaptao foi o de
reduzir o tempo computacional gasto para se gerar uma soluo de mesma
qualidade. O ambiente de testes, descrito na Seo 6, tem capacidade para
executar at 4 processos simultaneamente, o que permite que a verso pa-
ralela do algoritmo EA_ages tenha sua carga de trabalho dividida at este
grau, sem perda de desempenho. Vale lembrar que a verso sequencial do
EA_ages descrita na seo anterior utiliza apenas um ncleo de proces-
samento, o equivalente a apenas 25% da capacidade total da mquina
outro motivo para o uso de verses paralelas.
A paralelizao foi implementada por meio de alguns dos operadores
evolutivos utilizados. A seleo dos pais, a recombinao, a mutao, a
aplicao da busca LS_swap quando a populao estagna e a reconstruo

da populao foram paralelizadas e tiveram suas cargas de trabalho dividi-
das por 2 ou 4 ncleos, nas verses com 2 ou 4 threads respectivamente. A
ordenao da populao, a aplicao da LS_swap quando um melhor indi-
vduo encontrado e a seleo natural permanecem sequenciais. No caso
das etapas paralelizadas, metade ou um quarto da populao entregue
a cada ncleo para que possam ser aplicados os devidos operadores. No
caso da recombinao, metade ou um quarto dos lhos gerado por cada
ncleo.
5. Algoritmos Hbridos Para o PEPRRD

O primeiro dos algoritmos hbridos apresenta uma combinao entre a heu-
rstica EA_ages e a formulao matemtica F2, proposta na Seo 3 e exe-
1
cutada atravs do software CPLEX . O objetivo deste algoritmo utilizar
o ponto forte de uma das abordagens para suprir a decincia da outra. No
caso da execuo via CPLEX, um dos grandes problemas gerar a primeira
soluo factvel. Entretanto, isto deve ser uma tarefa fcil para os mtodos
considerados heursticos. No esquema proposto, aps a gerao da popu-
lao inicial, feita uma chamada para que o CPLEX inicie sua execuo.
Alm disto, informada a melhor soluo da populao inicial para que o
CPLEX tenha, desde o seu incio, um limite primal j estabelecido.
Por limite primal entende-se um valor geralmente obtido por uma so-
luo factvel, que prximo (ou igual) ao valor timo. O limite dual um
outro valor que indica at onde o valor da soluo tima pode alcanar.
Este valor pode ser obtido atravs de alguma situao de melhor caso que
normalmente no pode acontecer na prtica, servindo apenas como par-
metro para saber se uma soluo est longe de um provvel valor timo.
Quando o limite primal e dual tm o mesmo valor, este ser o valor timo
do problema. Em problemas de maximizao, o valor timo sempre maior
ou igual ao limite primal e menor ou igual ao limite dual. O otimizador
utilizado fornece e atualiza estes limites conforme vai executando a formu-
lao matemtica empregada.
O esquema hbrido proposto prev ainda que, ao encontrar uma nova so-
luo incumbente, isto , uma nova melhor soluo, o CPLEX deve repass-
la ao algoritmo evolutivo, que j roda paralelamente. A soluo inserida
na populao corrente na forma de um indivduo extra. Espera-se que este
indivduo possa transferir parte de sua carga gentica a seus sucessores
e que estes tenham uma aptido melhorada. A codicao do indivduo
algo bastante abstrato pois, para o CPLEX, no existe a questo da
prioridade entre as tarefas. Alguns mecanismos foram testados e um dos
que apresentaram resultado bem satisfatrio foi o de multiplicar por uma
1 http://www.ilog.com/products/cplex
288 Silva & Ochi
constante positiva K a diferena H Si , onde Si o tempo de ativao

da tarefa i na soluo encontrada pelo CPLEX. Se uma tarefa no estiver
ativada nesta soluo, seu valor Si ser considerado igual a H + 1, o que
resulta em uma prioridade negativa, ou seja, muito baixa.
importante notar que a passagem de um limite primal melhor para o
CPLEX tem dois efeitos positivos: (i) subproblemas que tiverem um valor
da relaxao linear pior do que o da soluo passada sero automaticamente
eliminados; (ii) permite-se que o CPLEX utilize suas tcnicas de polimento
e inferncia de cortes sobre uma soluo mais prxima do valor timo.
Portanto, provvel que sejam obtidos resultados melhores por meio destas
tcnicas.
O critrio de parada deste algoritmo hbrido ser o trmino da otimi-
zao realizada pelo CPLEX. Logo, este algoritmo pode ser considerado
como um mtodo exato, j que, se for dado a ele tempo suciente, sem-
pre fornecer uma ou mais solues timas. Infelizmente na prtica, no
vivel permitir que ele execute at que prove a otimalidade da soluo
nas instncias de maior porte neste(s) caso(s) ser dado um limite para
a execuo do mtodo hbrido.
5.1 CPLEX como busca local

Uma forma muito interessante de utilizar o otimizador CPLEX realizar
uma prexao do valor de variveis que estejam relacionadas a uma so-
luo gerada heuristicamente. O algoritmo Local Branching de Fischetti
& Lodi (2003) um exemplo desta tcnica. Para o PEPRRD, foi desen-
volvido um algoritmo que utiliza novamente a heurstica EA_ages, porm
em sua verso paralela. Toda vez que esta heurstica encontrar uma nova
melhor soluo S , ser criada uma formulao que levar em conta o tempo
de ativao de cada tarefa em S para que o CPLEX possa examinar a vi-
0
zinhana desta soluo. Aqui, uma soluo S ser considerada vizinha de
0
S se Si Z Si Si + Z i = 1, .., n, onde Z outra constante inteira
0 0
positiva e Si (Si ) o tempo de ativao da tarefa i na soluo S (S ).
Quando o CPLEX realizar a busca local, provavelmente encontrar
solues piores e melhores que S. Para acelerar a execuo da busca local,
informado ao CPLEX o valor da soluo S que serve de limite primal para
o algoritmo. Assim, nenhuma soluo de qualidade inferior considerada.
Infelizmente, a busca local pode demorar muito tempo, principalmente
em instncias com muitas tarefas. Como o objetivo da busca local no
necessariamente encontrar a soluo tima global do problema, mas apenas
buscar na vizinhana de uma soluo, estabelecido um limite de tempo
para que a busca seja executada. Ao nal, a melhor soluo encontrada
devolvida ao EA_ages que a utiliza como um indivduo de sua populao.
Se outro melhor indivduo for gerado, o CPLEX novamente acionado
para tentar aprimorar esta nova soluo. O operador que realiza a busca
local LS_swap ser substitudo pela aplicao desta busca local, chamada
LS_cplex, em um indivduo escolhido aleatoriamente dentro desta popu-

lao. Isto feito para que a LS_cplex no seja aplicada sempre sobre o
mesmo indivduo, nem que seja aplicada tantas vezes que torne o algoritmo
muito custoso computacionalmente.
Esta seo traz resultados dos principais testes realizados com as heursti-
cas e com os mtodos exatos discutidos nas sesses anteriores. Os testes
foram realizados em computadores Intel Quad-core 9550, com 8 Gigabytes
de memria RAM. A verso do CPLEX utilizada foi a 11.2 paralela (com
at 4 threads ). O cdigo dos mtodos heursticos e hbridos foi escrito em
linguagem C.
2
Todas as instncias utilizadas fazem parte do Projeto Labic , do
IC/UFF. So as nicas instncias existentes para o PEPRRD, j que as
instncias para outros problemas de escalonamento de projetos no contm
uma caracterstica fundamental que o lucro produzido pelas tarefas.
A topologia dos grafos foi elaborada para que 10% das tarefas no
tenham predecessor algum e as demais tenham de 1 a 5 predecessores alea-
toriamente escolhidos. O custo e o lucro das tarefas foram aleatoriamente
escolhidos dentro dos intervalos [1; 50] e [1; 10], respectivamente. Custos
maiores e/ou lucros menores resultam numa grande diminuio do nmero
de tarefas ativadas, tornando as instncias mais fceis. Por outro lado,
custos menores e/ou lucros maiores permitem que todas as tarefas sempre
valham a pena ser ativadas, diminuindo a diculdade da mesma forma. A
quantidade inicial de recursos Q0 foi aleatoriamente escolhida no intervalo
[M inCusto; 50], onde M inCusto o menor custo entre as tarefas sem pre-
cedncia. O horizonte de planejamento foi estabelecido com tamanho igual
raiz quadrada do nmero de tarefas.
Os principais fatores que determinam a diculdade de uma instncia
usualmente so o nmero de tarefas e o tamanho do horizonte de plane-
jamento. Uma instncia com 5000 tarefas, por exemplo, tende a ser mais
difcil do que outra com 2000 tarefas. Uma instncia com 20 unidades de
tempo tambm tende a ser mais difcil do que outra com apenas 8 unida-
des. A distribuio de custos e lucros, como j mencionado, como tambm
a topologia do grafo podem inuenciar na diculdade da instncia, porm
de forma menos direta.
A Tabela 1 apresenta comparaes dos limites primais e duais gerados
pela formulao F2. Todos os parmetros do CPLEX foram deixados com
seus valores padres e foi estabelecido um tempo limite de 50000 segundos
para cada execuo. Para as instncias de menor porte (menos de 300
tarefas), o timo foi encontrado e provado dentro do limite de tempo. A
2 http://www.ic.u.br/ labic
290 Silva & Ochi
quantidade de tarefas de cada instncia mostrada no nmero que antecede

letra a, no nome da instncia.
Tabela 1. Limites primais e duais obtidos pela formulao F2.

Instncia Limite dual Limite primal
350a 2571 2571,0
400a 7271 7271,0
450a 9705 9705,0
500a 14336 14336,0
550a 11087 11136,5
600a 10157 10199,6
650a 16332 16355,8
700a 31820 31836,2
750a 36216 36296,9
800a 38351 38729,8
850a 46840 46898,0
900a 38733 38834,8
950a 67903 67927,4
1000a 71864 71911,9
Um marco importante no desenvolvimento de mtodos heursticos foi

a mudana na maneira de representar a soluo. Os algoritmos evolutivos
propostos em Silva et al. (2008) e Silva & Ochi (2009), respectivamente
EA_priority e EA_ages, apresentaram grandes melhorias em relao aos
algoritmos evolutivos previamente propostos. A Tabela 2 indica a mdia
(de 30 execues) dos resultados obtidos por aqueles evolutivos que utilizam
a representao indireta (por prioridades) e a representao direta (EA3,
proposto em Silva & Ochi (2007)). O critrio de parada utilizado foi o
nmero mximo de geraes.
Tabela 2. Mdia dos resultados dos algoritmos evolutivos.

Instncia EA3 EA_priority EA_ages
100a 304,0 304,0
636,0
303,2
200a 613,1
2004,2
632,1
300a 1734,3 1958,5
400a 5500,6 6908,5
5962,2
500a 11386,3 13523,7
11954,3
600a 7097,8 9358,0
8616,0
700a 23775,5 28500,6
26217,7
800a 31642,3 35001,9
32354,4
900a 28379,1 34355,7
29912,6
1000a 60751,9 66399,7
63512,8
possvel perceber pela Tabela 2 que, em geral, os algoritmos evolu-

tivos que utilizam a representao indireta so bem superiores em relao
ao EA3. Na instncia 600a, por exemplo, tem-se uma melhoria de mais
de 30%. Isto se deve muito forma de representao e ao algoritmo de
recombinao utilizados em EA_priority e EA_ages. A Figura 3 ilustra
situaes como esta na instncia 550a. Cada algoritmo rodou por 100 ge-
raes e foram anotadas a qualidade da melhor soluo encontrada e a
aptido mdia dos indivduos de cada gerao computada pelos evolutivos
EA3, EA_priority e EA_ages.
Figura 3. Evoluo da melhor soluo e da mdia da populao.
O algoritmo EA3 conseguiu evoluir o melhor indivduo poucas vezes.

Sua recombinao, embora conseguisse produzir populaes com boa qua-
lidade em relao ao melhor indivduo, teve diculdades em estabelecer
novos padres genticos de qualidade superior. visvel, pelos grcos,
que os mecanismos de intensicao e diversicao do EA3 tentaram cum-
prir seu papel de promover uma reinicializao da populao quando esta
foi considerada estagnada, mas sem ecincia suciente. A recombinao
dos algoritmos evolutivos EA_priority e EA_ages teve desempenho bem
melhor, j que um nmero bem maior de evolues foi conseguido. O
EA_ages mostrou um desempenho um pouco melhor, inclusive em relao
mdia da populao que foi sempre bem mais prxima da melhor soluo
do que a apresentada pelo EA_priority.
Pelos experimentos computacionais efetuados, cou claro que a chance
de gerar indivduos melhores do que os pais bem maior usando a repre-
sentao indireta e o operador de recombinao correspondente. Mesmo
assim, aps mais de 200 ou 300 geraes, a populao comea a estagnar,
292 Silva & Ochi
ou seja, a no produzir indivduos melhores. O algoritmo EA_ages foi

desenvolvido para tentar superar estas diculdades atravs de uma srie de
novos operadores. A aplicao da LS_swap, que troca pares de priorida-
des, ajudou a aumentar a qualidade dos indivduos que eram considerados
novos best. Mas, sem dvida, o operador que permitiu adiar o estado de es-
tagnao da populao foi a reconstruo da populao baseada no melhor
indivduo. Esta reconstruo, como j foi mencionado, ativada quando
a populao considerada estagnada, ou seja, quando no h indcios de
que ela possa aprimorar mais a qualidade de seu melhor indivduo, o que
ocorre aps 150 geraes sem melhorias.
O primeiro experimento com os mtodos hbridos levou em conta o
algoritmo EA_ages + CPLEX e a formulao F2, rodando em algumas
instncias, durante 25000 segundos (metade do tempo dado s formula-
es nos testes do incio desta seo). O mtodo hbrido foi comparado a
duas verses do CPLEX. A primeira verso com todos os parmetros com
valor padro chamada de DS0, pois utiliza o algoritmo de otimizao
dynamic search, sem nfases especcas. A segunda verso, chamada de
BB4, utiliza o algoritmo de branch-and-bound tradicional com nfase 4,
signicando que o otimizador gastar mais tempo do que o normal para
buscar solues factveis a cada etapa da otimizao. Esta segunda verso
foi testada porque, ao se implementar o mtodo hbrido, o CPLEX auto-
maticamente ajusta os parmetros para os valores citados, sem que seja
possvel alter-los. A comparao do hbrido com o BB4 , portanto mais
justa do que com o DS0, j que os algoritmos e parmetros internos so
idnticos. A verso DS0 foi testada pois a maneira mais tradicional de
se executar a formulao matemtica, j que a maioria dos estudos utiliza
o otimizador isoladamente sem alterar seus parmetros. Infelizmente, po-
rm, no existem estudos ou maiores explicaes sobre como o dynamic
search funciona, como ele implementa as escolhas pertinentes ao processo
de otimizao e quais as diferenas entre ele e o mtodo branch-and-bound
tradicional.
Trs atributos de execuo foram analisados: o tempo total consumido,
o valor da melhor soluo encontrada e o limite dual ao nal da execuo.
A Tabela 3 mostra os limites, enquanto a Tabela 4 mostra os tempos. O
smbolo - indica que o tempo total consumido pelo algoritmo foi igual
ao tempo limite de 25000 segundos ou que o limite dual igual melhor
soluo encontrada. Obviamente, este ltimo fato s ocorre se a tal soluo
for uma soluo tima. Alm das instncias j testadas, um novo conjunto
de instncias foi includo no experimento, visando embasar melhor as an-
lises. Em negrito destacado o melhor limite soluo encontrada ou o
menor tempo total.
Comparando os resultados das verses DS0 e BB4 pode-se perceber,
na maioria das instncias, que a DS0 produziu solues melhores. Nas
instncias 350a3, 350a4, 350a7 e 400a2, a BB4 no conseguiu nem terminar
Tabela 3. Limites primais e duais da verso EA_ages + CPLEX versus

CPLEX.
Soluo Limite Dual
Inst. DS0 BB4 Hbrido DS0 BB4 Hbrido
300a 2073 2073 2073 - - -
350a 2571 2571 2571 - - -
400a 7271 7271 7271 - - -
450a 9705 9705 9705 - - -
500a
11081
14336 14336 14336
11140
- - -
550a 11054
10159,2
11054,7 11152
10197,9
11162
600a
16332
10157 10155 10205 10239
650a 16308 16351
31826,0
16331,3 16363 16446
700a 31820 31818 -
36225,7
31843 31854
750a 36216 36220 36291
38641,1
36302 36317
800a 0 0 38686
46837,2 46912
38736 38757
850a 46835 0
38787,9
46968
38823
46920
900a 38723 38650
67909,0
38837 38845
950a 67916
71851
67902 67854
71914
67931 67943
1000a 71844 71838,6 71920 71930
300a2 2399 2399 2399,0 - - -

300a3 2340 2340 2340,0 - - -
300a4 2434 2434 2434,0 - - -
300a5 4193 4193 4193,0 - - -
300a6 1257 1257 1257,0 - - -
300a7 1707 1707 1707,0 - - -
300a8 2009 2009 2009,0 - - -
300a9 2915 2915 2915,0 - - -
300a10 3233 3233 3233,0 - - -
350a2 3945 3945 3945,0

-
- -
-
-
350a3 3521
4128,0
3521 3521,0
-
3525
350a4 4126 4147 -
350a5 3614 3614 3614,0 3617 3629 -
350a6 8328 8328 8328,0
-
- -
-
-
350a7 3586 3586 3586,0 3594
400a2 11254 11254 11254,0 - 11267 -

400a3 5296 5296 5296,0
-
- -
-
-
400a4 10229 10229 10229,0 10230
a otimizao antes do tempo limite. A aparente superioridade da DS0 de

difcil explicao, j que pouco se sabe sobre as tcnicas utilizadas por ela.
294 Silva & Ochi
Tabela 4. Tempo computacional (seg.) da verso EA_ages + CPLEX

versus CPLEX.
Inst. DS0 BB4 Hbrido
300a 196,3 178,9 2460,4
350a 211,3 408,6 155,0
400a 467,8 1609,2 163,7
450a 9843,2 7570,01143,7
500a 6688,7 7228,1 822,6
550a - - -
600a - - -
650a - -
15061,2
-
700a - -
750a - - -
800a - - -
850a - - -
900a - - -
950a - - -
1000a - - -
300a2 386,9 435,4 1210,0

300a3 358,6 18679,0 90,6
300a4 1732,4 771,5
486,6
2410,9
300a5 1358,3 486,9
300a6 96,1 38,3
95,9
76,3
300a7 191,0
105,9
112,7
300a8
310,4
480,3 629,8
300a9 986,7 446,5
300a10 111,5 93,8 46,6
350a2 3319,7 9459,7 1925,3
350a3 7403,3 - 1198,9
350a4 22771,9 - 18731,5
350a5 387,7
770,9
- -
350a6 870,1
1642,8
820,9
350a7 4662,9 -
400a2 2895,8 - 464,7

400a3 3681,8
1443,2
9745,5 14087,9
400a4 5944,6 2724,0
Realizando a comparao do DS0 com o hbrido EA_ages + CPLEX

(resultados mdios de 10 execues), pode-se notar que a verso hbrida
consegue produzir solues ainda melhores, na maioria das instncias. Das
10 instncias onde no foi possvel encontrar o valor timo (550a1000a),

em 7 delas a verso hbrida produziu resultados mdios melhores e em
outras 7 o limite dual foi melhor. Das 22 instncias onde o tempo limite no
foi extrapolado, em 17 delas a verso hbrida foi mais rpida, terminando
mais cedo.
A instncia 700a um caso parte. Nela, o mtodo hbrido conseguiu
encontrar o valor timo em aproximadamente 15000 segundos, o que um
timo resultado se for considerado que, nos primeiros testes, utilizando
as duas formulaes, isto no foi possvel mesmo em 50000 segundos. A
explicao para tantos resultados bons se deve s primeiras solues que
so geradas pelo algoritmo evolutivo e aprimoradas por ele e pelo CPLEX.
Estas solues permitem que o limite primal seja rapidamente elevado (em
relao a uma execuo normal do evolutivo ou do CPLEX), reduzindo
o nmero de ns a serem analisados e possibilitando ao CPLEX executar
heursticas de aprimoramento sobre uma soluo de qualidade melhor.
Para realizar os testes com o EA_ages + LS_cplex, dois parmetros
foram calibrados: o tempo mximo de execuo das buscas locais feitas
pelo CPLEX e o valor de Z . Testes preliminares mostraram que um limite
de 100 segundos e um valor Z = 4 foram a melhor congurao. A Tabela 5
mostra os resultados do experimento. O critrio de parada foi o tempo li-
mite de 2 horas para as instncias onde a formulao F2 no encontrou o
valor timo. Nas demais instncias, o limite foi o tempo que a formula-
o F2 levou para terminar a otimizao. Os tempos esto presentes na
segunda coluna.
Um dos resultados que chamou a ateno foi a robustez do algoritmo,
indicada pela pequena diferena entre a melhor e a pior execuo (coluna
gap %). So valores muito pequenos se comparados aos dos outros mto-
dos heursticos onde a maioria dos valores cou acima de 2,0%. De fato,
a reiterada execuo da busca LS_cplex faz com que o algoritmo produza
resultados muito prximos, j que boa parte do espao de solues est
sendo analisado. Os resultados mdios (quinta coluna) tambm so muito
bons, mostrando que a incluso da LS_cplex conseguiu melhorar os re-
sultados do evolutivo EA_ages. A ltima coluna da Tabela 5, mostra o
quanto a soluo mdia do EA3 foi superada em relao ao resultado m-
dio do EA_ages + CPLEX. Em algumas instncias as melhorias passaram
de 50%, cando em torno de 30%, na mdia. Este resultado bastante
positivo, principalmente se for levado em considerao que o EA3 j possui
mecanismo para evitar a convergncia prematura, que um dos grandes
problemas dos Algoritmos Evolutivos.
Um outro experimento foi realizado para vericar o desempenho dos
dois mtodos hbridos em um curto espao de tempo. Foi estabelecido um
limite de apenas 300 segundos para que os algoritmos possam atingir o alvo.
Neste caso, o resultado mdio do algoritmo EA_ages foi denido como alvo.
Vrias instncias de diferentes tamanhos foram aleatoriamente escolhidas,
296 Silva & Ochi
Tabela 5. Resultados do algoritmo que usa a LS_cplex.

Inst. Tempo EA3 +CPLEX +LS_cplex gap Md
(s) (%) (%)
200a 6,4 604,1 636,0 636,0 0,00 5,3
300a 155,4 1757,8 2072,5 2038,2 0,15 17,9
400a 440,7 5550,2 7271,0 7217,2 0,54 31,0
500a 896,8 11345,2 15335,9 14319,7 0,31 26,4
600a 7200,0 7049,3 10157,6 10107,0 0,29 44,1
700a 7200,0 20982,2 31823,9 31819,6 0,07 51,7
800a 7200,0 30491,9 38637,0 38626,1 0,04 26,7
900a 7200,0 25233,3 38768,6 38766,6 0,11 53,6
1000a 7200,0 60080,5 71843,0 71855,8 0,06 19,6
50 execues foram feitas para cada uma e a Figura 4 mostra a anlise

probabilstica do experimento para a instncia 700a. Nesta anlise, cada
algoritmo foi executado 100 vezes e os tempos consumidos para que uma
soluo atingisse o valor alvo foram anotados e ordenados crescentemente.
Um ponto (t, p) no grco mostra que a p-sima execuo mais rpida
demorou t segundos para atingir o alvo.
700a
100
80
EA_ages+CPLEX
EA_ages+LS_cplex
Probabilidade
60
40
20
0
0 50 100 150 200 250 300
Tempo(seg)
Figura 4. Anlise probabilstica das verses EA_ages + CPLEX e
EA_ages + LS_cplex.
O desempenho do EA_ages + LS_cplex no foi muito signicativo exa-

tamente porque ele ca dependente da vizinhana da soluo a ele passada.
Como o experimento foi projetado para testar a capacidade dos algoritmos
em prover boas solues rapidamente, ca claro que, para isto ocorrer,
necessrio uma quantidade maior de tempo. As buscas locais at foram ca-
pazes de encontrar vizinhos melhores, mas estes eram apenas ligeiramente
superiores s solues originais, o que acabou no sendo suciente para
que o EA_ages + LS_cplex tivesse desempenho semelhante ao EA_ages
+ CPLEX.
Portanto, analisando-se os resultados obtidos, pode-se dizer que o al-
goritmo EA_ages + CPLEX apresenta os melhores resultados dentre os
mtodos no-determinsticos, tanto em testes com limite de tempo muito
pequeno quanto em testes onde o algoritmo pode ser mais longamente exe-
cutado.
7. Concluses
Este trabalho abordou o Problema de Escalonamento de Projetos com
Restries de Recursos Dinmicos (PEPRRD), atravs de duas formulaes
matemticas, de mtodos heursticos e mtodos hbridos. O PEPRRD se
diferencia dos demais problemas de escalonamento de projetos da literatura
porque as tarefas no s consomem recursos quando so ativadas, mas
tambm so capazes de ger-los aps suas ativaes. O problema encontra
aplicaes prticas em ambientes comerciais ou industriais nos planos de
expanso das empresas.
Um novo esquema de representao das solues do PEPRRD foi es-
tudado. Este esquema composto por uma lista de prioridades para cada
soluo. O algoritmo de escalonamento ativa as tarefas que estiverem dis-
ponveis respeitando a prioridade estabelecida. Desta forma, qualquer lista
de prioridade pode dar origem a um escalonamento vivel.
O primeiro algoritmo evolutivo analisado, EA_priority, foi capaz de
gerar resultados j bem superiores ao algoritmo EA3, um dos melhores
algoritmos heursticos conhecidos para o PEPRRD. A quantidade de atu-
alizaes na melhor soluo aumentou consideravelmente. A verso mais
complexa, EA_ages, apresentou caractersticas muito interessantes como
o critrio de parada com geraes extras, a busca local LS_swap mas,
principalmente, a estratgia de reconstruo de populao quando esta for
considerada estagnada. Todas estas caractersticas se mostraram ecien-
tes. As verses paralelas conseguiram obter resultados melhores do que a
verso sequencial em tempo um pouco menor.
Os mtodos hbridos, que mesclam elementos heursticos e exatos, fo-
ram propostos com a inteno de aproveitar o melhor das duas abordagens.
A mdia dos resultados deste mtodo (EA_ages + LS_cplex) foi quase to
298 Silva & Ochi
boa quanto a do EA_ages + CPLEX, com a vantagem de apresentar uma

robustez muito maior.
Agradecimentos
Os autores agradecem ao Conselho Nacional de Pesquisa (CNPq) pelo
apoio nanceiro ao projeto, sob protocolo 141074/2007-8.
Referncias
Blazewicz, J.; Lenstra, J. & Rinnooy Kan, A., Scheduling projects to re-
source constraints: classication and complexity. Discrete Applied
Mathematics, 5(1):1124, 1983.
Damak, N.; Jarboui, B.; Siarry, P. & Loukil, T., Dierential evolution for
solving multi-mode resource-constrained project scheduling problems.
Computers & Operations Research, 36(9):26532659, 2009.
Fischetti, M. & Lodi, A., Local branching. Mathematical Programming,
98(1-3):2347, 2003.
Holland, J., Adaptation in Natural and Articial Systems. Ann Arbor,

USA: The University of Michigan Press, 1975.
Mendes, J.; Gonalves, J. & Resende, M., A random key based genetic
algorithm for the resource constrained project scheduling problems.
Computers and Operations Research, 36:92109, 2009.
Mladenovi, N.; Brimberg, J.; Hansen, P. & Prez, J., The p-median pro-
blem: a survey of metaheuristic approaches. European Journal of
Operational Research, 179(3):927939, 2007.
Nonobe, K. & Ibaraki, T., Formulation and tabu search algorithm for the
resource constrained project scheduling problem. In: Ribeiro, C. &
Hansen, P. (Eds.), Essays and Surveys in Metaheuristics. 2002.
Silva, A. & Ochi, L., A dynamic resource constrained task scheduling pro-
blem. In:Proceedings of Latin-Ibero-American Congress on Operations
Research (CLAIO). Montevideo, Uruguai, 2006.
Silva, A. & Ochi, L., A hybrid evolutionary algorithm for the dynamic re-
source constrained task scheduling problem. In:Proceedings of the In-
ternational Workshop on Nature Inspired Distributed Computing (NI-
DISC'07). Long Beach, USA, 2007.
Silva, A. & Ochi, L., New sequential and parallel algorithm for dynamic re-
source constrained project scheduling problem. In: Proceedings of the
IEEE International Symposium on Parallel & Distributed Processing .
Piscataway, USA: IEEE Computer Society, p. 17, 2009.
Silva, A.; Ochi, L. & Santos, H., New eective algorithm for dynamic
resource constrained project scheduling problem. In: Proceedings of
International Conference on Engineering Optimization (ENGOPT).

Rio de Janeiro, RJ, 2008.
Snyder, L.V. & Daskin, M.S., A random-key genetic algorithm for the gene-
ralized traveling salesman problem. European Journal of Operational
Research, 174(1):3853, 2006.
Valls, V.; Ballestn, F. & Quintanilla, S., A hybrid genetic algorithm for the
resource-constrained project scheduling problem. European Journal of
Operational Research, 185(2):495508, 2008.
300 Silva & Ochi
Notas Biogrficas
Andr Renato Villela da Silva Doutor em Cincia da Computao
pela Universidade Federal Fluminense (Niteri-RJ) e atualmente leciona na
Universidade Plnio Leite, tambm em Niteri.
Luiz Satoru Ochi Doutor em Engenharia de Sistemas e Computao

pela Universidade Federal do Rio de Janeiro (COPPE-SISTEMAS/UFRJ).
Atualmente Professor Titular no Instituto de Computao da UFF (IC-UFF)
e pesquisador do CNPq, rea de Cincia da Computao, nvel 1D.
Captulo 14
Algoritmos Evolucionrios na Soluo do Problema do

Caixeiro Alugador
Marco C. Goldbarg, Paulo H. Asconavieta da Silva

e Elizabeth F. G. Goldbarg
Resumo: O Caixeiro Alugador uma nova variante do Caixeiro

Viajante com aplicaes na otimizao da programao do aluguel
de carros e em sistemas de transportes em geral. O presente traba-
lho dene o problema, estabelece sua complexidade computacional
e apresenta algoritmos metaheursticos para sua soluo. Um expe-
rimento computacional relatado de forma a avaliar o desempenho
de dois tipos de algoritmos evolucionrios na soluo do problema
proposto. Visando sustentar eventuais concluses frente ao estado
da arte, so relatados os resultados alcanados pelos algoritmos e
trs outros algoritmos metaheursticos aplicados ao problema. Ao
nal so apresentadas as concluses.
Palavras-chave: Otimizao combinatria, Caixeiro alugador,

Metaheursticas, Otimizao de sistemas de transporte.
Abstract: The Car Renter Salesman is a new variant of the Trave-

ling Salesman Problem with applications in the optimization of car
renting schedule and general transportation systems. This paper
denes the problem, establishes its computational complexity and
presents metaheuristic algorithms for its solution. A computatio-
nal experiment is reported in order to evaluate the performance of
two types of evolutionary algorithms for solving the proposed pro-
blem. Aiming at supporting eventual conclusions given the state of
the art, the results achieved by the algorithms and three other me-
taheuristic algorithms applied to the problem are reported. At the
end conclusions are present.
Keywords: Combinatorial optimization, Car renter salesman,

Metaheuristics, Transportation systems optimization.
Autor para contato: marcocgold@gmail.com
302 Goldbarg et al.
1. Introduo
O problema do Caixeiro Viajante (PCV) um dos clssicos problemas da
Otimizao Combinatria, consistindo em determinar em um grafo ponde-
rado G = (N, M ), onde N = {1, ..., n} representa o conjunto de vrtices
do grafo e M = {1, ..., m} o conjunto de arestas, um ciclo Hamiltoniano
de menor custo. O PCV N P -Difcil (Garey & Johnson, 1979), sendo um
dos problemas de otimizao combinatria mais intensamente pesquisados
na literatura. Ele possui vrias e importantes aplicaes prticas (Gutin &
Punnen, 2002) e diversas variantes. O problema do Caixeiro Alugador ou
Car Renter Salesman Problem (CaRS), at onde sabem os autores, uma
nova variante do PCV que possui aplicao na Engenharia de Transportes,
no segmento de transporte turstico. Este modelo tanto pode represen-
tar importantes aplicaes na rea do aluguel de transporte para turismo
(Car, 2008), quanto possui aplicaes em manufatura exvel. Por admitir
o PCV como um subcaso elementar, o modelo representa uma variante
de complexidade seguramente desaadora. Sob a dimenso da aplicao
na Engenharia de Transporte o trabalho realiza tambm uma reviso do
estado da arte dos modelos propostos para a soluo dos problemas de
transporte turstico.
Como o objetivo principal da pesquisa, todavia, contribuir para a
soluo do problema citado. O presente trabalho relata um estudo expe-
rimental para a soluo do Problema do Caixeiro Alugador envolvendo a
elaborao e comparao de desempenho entre algoritmos evolucionrios
do tipo Memtico (Moscato, 1989) e Transgentico (Goldbarg et al., 2009).
Tais algoritmos metaheursticos foram escolhidos em virtude de perten-
cerem a classes de algoritmos que possuem reconhecido desempenho na
soluo de problemas envolvendo roteamento Hamiltoniano em grafos, o
tipo de problema objeto da pesquisa.
A Seo 2 do presente trabalho dene o problema do Caixeiro Aluga-
dor e examina as vrias condies sob as quais esta variante do caixeiro
viajante pode se apresentar. A Seo 3 apresenta os fundamentos da abor-
dagem transgentica. A Seo 4 descreve dois algoritmos evolucionrios
de soluo, um algoritmo Memtico e um algoritmo Transgentico. Na Se-
o 5 o trabalho desenvolve um experimento computacional para comparar
o algoritmo transgentico proposto como um algoritmo da literatura. Na
Seo 6 so relatadas as concluses do experimento e do comportamento
dos diferentes algoritmos envolvidos.
2. O Problema do Caixeiro Alugador

2.1 A indstria de aluguel de veculos
Existem hoje mais de 90 companhias de locao de carros com porte econ-
mico signicativo no mercado mundial (Car, 2008). A importncia do ne-
Algoritmos evolucionrios na soluo do problema do caixeiro alugador 303
gcio de aluguel de carros pode ser medida tanto pelo faturamento do setor
como atravs do porte das companhias prestadoras de servio. Por exem-
plo, a empresa Hertz possui aproximadamente 8.000 postos de atendimento
em cerca de 145 pases (Hertz, 2009). Por outro lado, a Enterprise Rent-
A-Car, outra importante companhia do setor possui uma frota de aluguel
com cerca de 878.000 veculos operando em cerca de 6.900 agncias (En-
terprise Rent-A-Car, 2009). Por sua vez, a empresa Avis opera em cerca
de 3.800 postos de aluguel espalhados pela Europa, frica, Oriente Mdio
e sia. Em dezembro de 2007 a Avis contabilizava uma frota de aluguel
com cerca de 118.000 veculos (Avis, 2009).
Os nmeros que reportam a movimentao nanceira deste setor so
impressionantes. O Avis Budget Group faturou 5,1 bilhes de dlares em
2009 (Avis, 2010). A Enterprise Rent-A-Car, uma empresa da Enterprise
Holdings, faturou nos Estados Unidos 9,06 bilhes de dlares em 2006. Em
2009 a Enterprise Holdings que possui, hoje, ainda a National Car Rental,
Alamo Rent-A-Car and WeCar faturou cerca de 12,1 bilhes de dlares
(Conrad & Perlut, 2006). Os nmeros citados representam apenas uma
parte do mercado americano que ainda conta com outras grandes redes de
aluguel de carros como a Dollar e a Hertz. O mercado mundial em 2012
estimado em 52,6 bilhes de dlares (Car, 2008).
Todavia, o aluguel dos veculos apenas uma parte dos custos de trans-
porte associados s atividades de turismo e outras que demandam deslo-
camentos terrestres para negcios variados. Sobre estes custos se somam
pelo menos as despesas com combustvel, pedgios e seguros. Presente-
mente as opes de aluguel se diversicam cada vez mais com a expanso
das empresas do setor, justicando-se a busca de esquemas de aluguel que
minimizem o custo total desta forma de transporte.
2.2 Modelos de otimizao combinatria para a indstria de aluguel

de carros
Dentre os diversos problemas logsticos deste ramo de atividades, a litera-
tura relata estudos especcos de otimizao combinatria no problema de
programao de frota (Li & Tao, 2010), planejamento estratgico e ttico
de frota de veculos (Pachon et al., 2003), previso de demanda (Edelstein
& Melnyk, 1977) e gesto de frota de veculos com restries de manu-
teno (Hertz et al., 2009). tambm comum o emprego de modelos de
otimizao em transportes para encaminhar a soluo de vrios problemas
na indstria de aluguel de carros (Yang et al., 2008).
Os trabalhos da literatura focalizam o ponto de vista da locadora de
veculos. A otimizao dos custos sob a tica do cliente ainda no foi, do
conhecimento dos autores, objeto de pesquisa publicada.
304 Goldbarg et al.
2.3 O problema do caixeiro alugador

De uma forma geral, sob o ponto de vista de um usurio de carros alugados,
o objetivo realizar um dado conjunto de deslocamentos minimizando os
custos totais da atividade. Adicionalmente, no caso do aluguel turstico,
bastante comum que o alugador inicie e termine seu tour terrestre em
uma mesma cidade, realizando os deslocamentos mais longos atravs de
outros meios de transporte. No deslocamento, alm dos custos relativos
ao aluguel, somam-se, pelo menos, os custos relativos ao combustvel e
pedgio. G = (N, M, W ), onde N = {1, ..., n}
Considerando um grafo
representa o conjunto de vrtices do grafo, M = {1, ..., m} o conjunto de
arestas e W = {1, ..., w} o conjunto das distncias entre os vrtices de G
ou o comprimento das arestas do conjunto M . O problema presentemente
descrito possui as caractersticas citadas a seguir.
Esto disponveis para o aluguel vrios tipos de carro, cada qual pos-
suindo caractersticas prprias, ou seja, custos de operao especcos. Tais
custos englobam o consumo de combustvel, eventuais taxas de pedgio e
o valor do aluguel. Como as taxas de pedgio dependem, normalmente,
tanto do tipo de carro como da extenso do trecho percorrido e o valor do
aluguel pode ser associado ao quilmetro rodado, sem perda de generali-
dade pode-se considerar que todos os custos so contabilizados em funo
de cada carro em um valor associado ao peso ou comprimento das ares-
tas (i, j) do grafo G. O custo total de operao de um dado carro k ao
k
percorrer uma aresta (i, j)
representado pela varivel cij .
Um carro alugado em uma dada operadora somente poder ser devol-
vido em uma cidade que conta com pelo menos uma agncia desta mesma
locadora ou agncia conveniada. Consequentemente, no permitido ao
caixeiro alugar um carro de uma dada operadora para cumprir um trecho
de sua rota, se este carro no puder ser devolvido, na ltima cidade do
trecho, em local onde no exista uma agncia com capacidade para exe-
cutar seu recebimento. Sempre que for possvel alugar um carro em uma
cidade i e devolv-lo em uma cidade j sendo i 6= j , haver uma sobretaxa
relativa ao retorno do carro sua cidade de origem. A varivel d representa
a despesa pelo retorno do carro k alugado na cidade i e entregue na cidade
j , i 6= j , dkij 0, k. O tour iniciado e concludo na cidade em que o pri-
meiro carro alugado, a cidade base do caixeiro alugador. O caso em que
o caixeiro realiza seu tour com apenas um carro alugado corresponde ao
Caixeiro Viajante considerando-se as demais condies de custo associadas
apenas ao carro selecionado.
Mesmo carros de caractersticas iguais e alugados em uma nica rede
de locao podem ser contratados sob diferentes custos, dependendo da
cidade de locao e da negociao de contrato. Portanto, sem perda de ge-
neralidade, a designao de aluguel pode ser ento ecazmente controlada
por decises associadas aos carros, abstraindo-se as locadoras. Presente-
mente o conjunto K = {1, ..., k}, | K |= k o conjunto dos diferentes carros
que podem participar da soluo. Os custos do retorno do carro alugado

podem estar estritamente associados ao caminho entre a cidade de entrega
e a de origem ou serem decorrentes de clculo independente.
O objetivo do problema proposto encontrar o ciclo Hamiltoniano que,
partindo de um vrtice inicial previamente conhecido, minimize a soma dos
custos totais de operao dos carros utilizados no trajeto. Os custos totais
do deslocamento so compostos por uma parcela que unica o aluguel e
demais despesas de trajetria de cada carro em um valor associado s
arestas, e por uma parcela relativa devoluo de um veculo fora da
sua cidade base, calculada para cada carro e para cada par de cidades
origem/devoluo existentes no ciclo.
A Figura 1 exemplica, em um grafo completo de seis vrtices, uma
tpica instncia do CaRS. No exemplo existem trs diferentes carros de
aluguel, e os carros esto disponveis para aluguel e entregues em todas as
cidades do grafo. As Figuras 1(a), 1(b) e 1(c) exibem a contabilidade dos
custos envolvidos no deslocamento de cada tipo de carro. Observe-se que,
diferentemente do ciclo do caixeiro viajante clssico, a soluo do CaRS
depende da cidade escolhida para o incio do tour, cidade base do caixeiro.
Esse fato decorre da taxa de retorno poder estar vinculada tanto cidade
que inicia o ciclo, quanto ao prprio sentido de percurso deste ciclo. No
exemplo essa cidade representada pelo vrtice F.
Figura 1. Custos de rotas associadas aos carros (a) 1, (b) 2 e (c) 3.
A Figura 2 mostra, para o exemplo da Figura 1, alguns dos custos

do retorno dos carros a suas bases. Os custos de entrega aparecem como
nmeros sublinhados junto aos vrtices. A Figura 2(a) exibe o grafo de
retorno do carro 1 quando alugado no vrtice F. A Figura 2(b) exibe o grafo
de retorno do carro 2 quando alugado no vrtice B e a Figura 2(c) o retorno
do carro 3 quando alugado no vrtice C. No caso geral so conhecidos os
custos de retorno de todos os carros quando alugados em qualquer uma
das cidades.
Uma soluo do problema exemplicado nas guras 1 e 2 exibida na
Figura 3. Essa soluo considera um caso em que todos os carros dispon-
306 Goldbarg et al.
Figura 2. Custos de retorno associados aos carros (a) 1 alugado em F, (b)

2 alugado em B e (c) 3 alugado em C.
veis so alugados e no h carros alugados mais de uma vez. O custo de

percorrer o ciclo, segundo o esquema de soluo da gura 3, corresponde
ao custo do caminho F-A-B para o carro 1, somado ao custo do caminho
B-E-C para o carro 2, somado ao custo do caminho C-D-F do carro 3, em
um total de 6 unidades. A este valor deve se acrescentar o custo dos retor-
nos dos carros a suas bases. No caso do carro 1, o retorno do vrtice B ao
vrtice F, custa uma unidade. Para o caso do carro 2, o retorno do vrtice
C ao vrtice B custa duas unidades e, para o carro 3, o retorno ao vrtice
C quando o carro entregue no vrtice F custa duas unidades. Assim, a
soluo nal custa 11 unidades.
Figura 3. (a) Carros e (b) custos da rota para o exemplo proposto.
2.4 Variantes do problema do caixeiro alugador

O Caixeiro Alugador admite vrias situaes especcas de forma que pode
ser classicado quanto a:
1. Disponibilidade de carros para aluguel: Em uma situao real

no possvel considerar, de forma geral, que qualquer carro pode ser
alugado em qualquer cidade. O caso em que possvel alugar todos
os carros em todas as cidades denominado total. Em qualquer

outro caso o problema denominado parcial. O presente trabalho
aborda o problema total.
2. Alternativas de devoluo do carro alugado: Em uma situao

real no possvel considerar, de forma geral, que qualquer carro alu-
gado pode ser devolvido em qualquer cidade. O caso em que todas as
cidades podem fazer a recepo de todos os carros denominado de
irrestrito. Em qualquer outra situao o problema ser denominado
de restrito. O presente trabalho aborda o problema irrestrito.
3. Integridade do contrato: Quando o problema no permitir que

um mesmo tipo de carro seja alugado mais de uma vez no tour do
alugador, o problema ser denominado sem repetio. Nessa hip-
tese k t, ou seja, o nmero de carros disponveis para o aluguel
sempre igual ou maior que o nmero de carros alugados pelo caixeiro.
O caso sem repetio em que todos os carros devam ser obrigato-
riamente alugados denominado exato. Nessa hiptese k = t. O
problema denominado com repetio em qualquer outro caso.
Este trabalho aborda o problema sem repetio.
4. Clculo dos custos de devoluo do carro alugado: Os custos

de devoluo dos carros podem ser constitudos por valores indepen-
dentes da topologia ou restries da rede. Neste caso o problema
dito livre. No caso em que os custos de devoluo de um carro
so calculados levando em conta a rota empregada pelo carro para
retornar a sua base, o problema dito vinculado. Neste trabalho,
quando nenhuma observao for feita em contrrio, o problema
considerado livre.
5. Simetria das distncias entre as cidades: Quando ckij = ckji para

1 i, j n, 1 k ncars, onde ncars representa o nmero de car-
ros disponveis para alugar em dado caso, o problema denominado
simtrico. Em caso contrrio no simtrico. Observe-se que
o problema simtrico no implica que os custos nais de operao
possam ser considerados simtricos.
6. Existncia de ligaes no grafo de conexo que modela o

problema: Quando o grafo do problema for completo o problema
receber o mesmo nome. O problema ser denominado incompleto
em caso contrrio.
2.5 A dificuldade de solucionar CaRS

O problema consiste basicamente na determinao de um ciclo Hamilto-
niano em um grafo G atravs da composio de caminhos desenvolvidos
sobre os vrtices de G. Considerando T = {1, ..., t} o conjunto do ndice
308 Goldbarg et al.
de 1 at t subgrafos Hi de G, i T , e denominando por V (Hi ) os vrtices

de Hi , os subgrafos Hi de um CaRS possuem as seguintes propriedades:
t
[
V (Hi ) = N (1)
i=1
\
V (Hj ) V (Hi ) 1, j, i N (2)

A restrio 1 determina que a unio de todos os caminhos visite todos

os vrtices do grafo. A restrio 2 implica que dois diferentes subgrafos
nunca possuam mais de um vrtice em comum, uma condio para evitar
a formao de subciclos. Observe-se que as restries 1 e 2 ainda no so
sucientes para garantir o ciclo do caixeiro alugador. necessrio ainda
que os t subgrafos considerados trs a trs, quatro a quatro, etc, at t 1
a t 1, tambm no possuam mais do que um vrtice em comum.
Por se tratar de caminhos Hamiltonianos, cada caminho desenvolvido
por um carro em um dos subgrafos Hi visita todos os vrtices do subgrafo.
O caminho do subgrafo Hi deve ser atribudo a um carro diferente dos
carros atribudos a caminhos tornados vizinhos a este mesmo caminho du-
rante a construo do ciclo Hamiltoniano em G. Os custos das arestas de
cada subgrafo correspondem aos custos de operao do carro que por ele
trafega. Alm disto, quando t 2 deve-se levar em conta no somatrio dos
custos totais o valor do retorno de cada carro alugado em uma cidade ie
devolvido na cidade j , quando i 6= j .
O problema da determinao de ciclos e caminhos Hamiltonianos
N P -completo (Garey & Johnson, 1979). Pelo anteriormente exposto, a
diculdade de soluo do CaRS pelo menos to grande quanto a do PCV.
Todavia, apesar de algumas solues do PCV tambm se constiturem em
solues viveis para o CaRS, este ltimo problema possui um nmero
muito maior de solues viveis e incorpora todas as exigncias do PCV,
semelhantemente ao que acontece com diversas classes de problemas de
roteamento de veculos que sabidamente so problemas mais difceis de
resolver do que o PCV (Ralphs et al., 2003). O PCV um caso particular
do CaRS na situao em que existe apenas um nico veculo disponvel
para aluguel na primeira cidade do tour e nenhuma possibilidade de troca
deste veculo nas demais cidades. Ou ainda, a situao em que existe
somente um veculo para aluguel no problema, e os custos de aluguel do
mesmo independem da cidade em que alugado, sendo as taxas de retorno
maiores que zero.
2.6 Estado da arte da soluo do problema do caixeiro alugador

O CaRS foi descrito recentemente na literatura (Goldbarg et al., 2011).
Neste trabalho apresenta-se tanto o modelo quanto algoritmos metaheurs-
ticos de soluo da classe Greedy Randomized Adaptative Search (GRASP)
(Feo & Resende, 1995), do tipo Variable Neighborhood Search (VNS) (Mla-
cenovi & Hansen, 1997), hbridos GRASP/VNS e um algoritmo memtico.
So relatados resultados para 40 instncias disponveis na literatura, 20 ins-
tncias organizadas em norma Euclidiana e 20 em norma no Euclidiana.
O trabalho em pauta desenvolve um experimento computacional que mos-
tra ser o algoritmo memtico estatisticamente superior aos demais, tanto
no consumo de tempo de processamento, quanto na qualidade da soluo
alcanada.
3. Fundamentao da Abordagem Transgentica

Os Algoritmos Transgenticos pertencem classe dos algoritmos que mime-
tizam o processo biolgico de evoluo endossimbitica intracelular. Esse
tipo de evoluo biolgica pode ocorrer quando uma clula invadida por
outras unidades vivas de origem exgena. Se as unidades invasoras fo-
rem capazes de viverem no interior da clula hospedeiro sem a prejudicar
ou at mesmo produzindo efeitos bencos, a associao ser denominada
endossimbionte.
Como o fenmeno da endossimbiose ocorre no interior das clulas,
o contato da unidade viva invasora com o citoplasma da clula hospe-
deiro pode desencadear complicados mecanismos de transformao gen-
tica. Tais mecanismos podem resultar em alteraes genticas (evoluo)
que favoream a tness do indivduo composto (muitas vezes denominado
de quimera). O objetivo da evoluo articial, quando mimetizando este
paradigma, permitir constituir um sistema hospedeiro/endossimbiontes
capaz de intercambiar informaes genticas at que a quimera otimize sua
tness, ou seja, o problema seja solucionado. Esta forma de evoluo foi
identicada e caracterizada pela Teoria da Evoluo Endossimbitica Serial
(Serial Endosymbiotic Theory SET) (Taylor, 1974; Margulis, 2004).
As transformaes genticas naturais que viabilizam sicamente a troca
de informao gentica entre hospedeiro e endossimbiontes so denomina-
das de transferncia endossimbitica de genes (Henze et al., 2002). A
transferncia endossimbitica de genes um caso particular da Transfern-
cia Horizontal (ou lateral) de Genes (THG), mecanismo considerado, hoje,
fundamental para a evoluo por fornecer aos organismos acesso a genes
especcos que podem enriquecer ou diversicar o repositrio gentico das
criaturas vivas (Jain et al., 2003). Na transferncia endossimbitica de ge-
nes o DNA dos endossimbiontes tende a diminuir enquanto o do hospedeiro
tende a ser enriquecido (Wernegreen, 2005).
De uma forma simplicada pode-se dizer que as trocas genticas entre
hospedeiro e endossimbiontes ocorrem atravs de plasmdios e transposons,
os elementos genticos mveis do uxo intracelular (Zaneveld et al., 2008).
Os plasmdios so partculas genticas mveis, anis de DNA, que podem
se replicar independente dos cromossomos. Os transposons, ou genes sal-
310 Goldbarg et al.
titantes (jumping genes ), so elementos genticos que podem mover-se

espontaneamente entre diferentes posies de uma molcula de DNA. Os
transposons formam suas sequncias atravs de dois mecanismos diferentes
de edio do DNA. O primeiro permite cortar e colar trechos de DNA en-
quanto o segundo executa uma cpia e cola (Bouuaert & Chalmers, 2010).
De fato, outros mecanismos tambm podem promover o transporte ho-
rizontal dos elementos mveis, todavia no sero abordados no presente
trabalho.
3.1 Algoritmos evolucionrios associados transgentica

At onde os autores conhecem, os algoritmos transgenticos so a nica pro-
posta atualmente disponvel na literatura da Cincia da Computao que
mimetiza a evoluo intracelular endossimbitica. Todavia compartilha
sua idia cooperativa com a maioria dos tradicionais algoritmos endossim-
biticos e o uso de mecanismos que mimetizam a transferncia horizontal
com diversas variantes de algoritmos genticos. Apesar dos pontos em co-
mum, observe-se que a transgentica computacional pode dispensar o uso
do mecanismo da reproduo e de mutaes, caractersticas que denem
os algoritmos genticos e suas variantes.
A literatura relata alguns algoritmos evolucionrios que reclamam a
habilidade de mimetizar a endossimbiose extracelular. Neste tipo de endos-
simbiose dois organismos complexos vivem um no interior do outro. Um
exemplo deste tipo de endossimbiose so certos cnidrios alojando algas
nos seus tentculos. Como este caso no trata de um processo de intru-
so celular, tanto hospedeiro quanto endossimbionte podem preservar sua
completa autonomia, raramente compartilhando material gentico por via
lateral. Normalmente, os algoritmos que seguem nesta linha de mimetiza-
o so classicados como algoritmos evolutivos cooperativos (Kim et al.,
2006), onde a endossimbiose imitada no contexto computacional atravs
da formao de diferentes populaes que consistem em solues parciais
do problema investigado. Cada populao evolui, separadamente, por meio
de um algoritmo gentico padro. Rieel (2006) apresenta um modelo para
a representao da endossimbiose baseada no encapsulamento de solues
parciais aplicvel a problemas de montagem em plantas industriais. Nesta
proposta o endossimbionte uma soluo parcial (peas j montadas) que
pode ser composta com outros elementos residentes no hospedeiro (peas
ainda fora da soluo) visando formar uma soluo vivel de montagem.
Kumar et al. (2006) apresentam o Endosymbiotic-Psychoclonal Algorithm
(ESPC), onde a evoluo endossimbitica representada pela unio de dois
simbiontes (solues incompletas) para formar solues completas. Shin
et al. (2011) apresentam um algoritmo evolucionrio multi-objetivo para
Sistemas de Manufatura Flexvel. O processo de evoluo dividido em
dois nveis. O primeiro nvel composto por simbiontes que so solues
para o processamento de cada pea solues parciais do problema. O
segundo nvel composto por endossimbiontes que representam solues

completas do problema. A combinao dos indivduos do primeiro nvel
pode gerar indivduos para o segundo nvel. Os indivduos do primeiro
nvel podem ser utilizados para avaliar os indivduos do segundo nvel.
Heywood & Lichodzijewski (2010) propem mecanismos endossimbiticos
para a representao de modelos hierrquicos.
Observa-se que os algoritmos endossimbiticos anteriormente descritos
so todos associados metfora dos algoritmos genticos. De alguma forma
promovem a reproduo dos simbiontes/endossimbiontes (frequentemente
esta literatura no faz distino entre os termos). Neste tipo de associa-
o a reproduo dos endossimbiontes, representada pelos operadores de
reproduo dos algoritmos genticos, justicvel em virtude da completa
independncia fsica destas unidades vivas.
Certamente a reproduo livre do endossimbionte encontra diculdades
de se tornar aceitvel quando a quimera evolui para formar um mutualismo
obrigatrio que benecia tanto o hospedeiro quanto o endossimbionte.
J no contexto da mimetizao da THG, a literatura relata um farto
nmero de pesquisas em que a evoluo clssica dos algoritmos genticos
enriquecida ou guiada atravs da utilizao de mecanismos de transferncia
horizontal de genes. A transduo viral abordada no trabalho de Kubota
et al. (1996). A conjugao entre cromossomos abordada nos trabalhos
de Harvey (2011) e Muhlenbein & Voigt (1995). Perales-Gravn & Lahoz-
Beltra (2008) introduziram um operador gentico inspirado na conjugao
exibida por uma colnia de bactrias. O operador proposto permite a re-
dundncia e a sobreposio de genes no cromossomo. A transformao
abordada por Simes & Costa (2001) que propem agregar aos cromos-
somos da populao e ao longo do processo evolucionrio, fragmentos de
DNA de um repositrio de informaes que formado ao incio do processo
evolucionrio e atualizado ao longo da evoluo. O operador empregado
no interior de um algoritmo gentico clssico em substituio ao operador
de recombinao.
Algoritmos evolucionrios que empregam mecanismos de transposio
so propostos por Simes & Costa (1999) para problemas com um objetivo
e por Deb et al. (2000, 2002) para problemas com mltiplos objetivos.
Chan et al. (2005) simulam o processo de realocao de genes onde cada
cromossomo possui pelo menos um conjunto de genes consecutivos que
so transponveis. O comprimento deste conjunto transponvel pode ser
varivel. A alocao destes conjuntos no cromossomo pode ser designada
aleatoriamente. Por outro lado, a realocao do conjunto transponvel
tanto pode ser realizada dentro do prprio cromossomo quanto em outros
cromossomos da populao. Kumar et al. (2007) apresentam as operaes
de transposio sob a tica de macromutaes e sugerem a classicao
destas operaes de forma semelhante s propostas por Deb et al. (2002)
e Chan et al. (2005). De maneira similar Yeung et al. (2008) empregam
312 Goldbarg et al.
um operador de transposio que realiza operaes de cortar e colar em

trechos do DNA dos cromossomos que so empregadas para enriquecer um
algoritmo gentico aplicado deciso multicritrio no projeto de antenas.
3.2 Componentes bsicos dos algoritmos transgenticos ATs

Os Algoritmos Transgenticos (ATs) so baseados em trs premissas:
1. A evoluo ocorre no interior de uma clula hospedeiro que foi inva-

dida ou que absorveu outras unidades vivas. Hospedeiro e invasores
possuem seu prprio DNA.
2. A evoluo do ecossistema formado hospedeiro/endossimbiontes

ocorre de forma guiada e inuenciada pelo DNA do hospedeiro.
3. O processo de troca de informaes genticas necessrio evoluo

realizado exclusivamente atravs de mecanismos de transferncia
horizontal de genes.
Como consequncia das premissas anteriores os ATs pressupem a in-

terao de trs contextos:
Uma populao de cromossomos, denominados cromossomos endos-

simbiontes.
Um hospedeiro que possui informaes capazes de inuenciar a evo-

luo da populao de cromossomos endossimbiontes.
Uma populao de vetores, ditos vetores transgenticos, que trans-

portam informao do hospedeiro para os cromossomos endossimbi-
ontes, alterando os cdigos dos endossimbiontes e, por consequncia,
promovendo a variao necessria ao processo de busca.
Como a endossimbiose intracelular, mesmo em estgios iniciais de evo-

luo, praticamente no permite a reproduo do endossimbionte no inte-
rior do cromossomo, os algoritmos transgenticos igualmente independem
da reproduo e das mutaes delas decorrentes para desenvolverem sua
evoluo articial. Por outro lado, como hospedeiro e endossimbiontes po-
dem possuir diferentes DNAs, o processo capaz de utilizar informaes
sobre o problema e obtidas a priori ao desenvolvimento do processo evo-
lucionrio (DNA do hospedeiro) conjuntamente com informaes obtidas
durante este processo (DNA do hospedeiro e do endossimbionte). As infor-
maes a priori podem ser obtidas a partir de algum conhecimento prvio
sobre o problema tais como, limites inferiores ou superiores, solues heu-
rsticas, resultados de anlise estatstica do problema, entre outros. As
informaes a posteriori so constitudas a partir da evoluo das solu-
es iniciais do algoritmo. Informaes obtidas a priori e a posteriori so
residentes no hospedeiro.
Os vetores transgenticos mimetizam os vetores naturais de THG e

atuam segundo mtodos de transcrio especcos que so denidos con-
forme cada caso de aplicao. Um vetor transgentico, , uma dupla
= (I, ), onde I uma informao e o mtodo atravs do qual o
agente modica, ou manipula, o cromossomo alvo. O mtodo composto
de procedimentos, isto = (p1 , ..., ps ), onde o conjunto de procedimentos
pj , j = 1, ..., s, dene a atuao do vetor. Ao manipular um cromossomo
(Crom) o vetor transgentico provavelmente alterar o cdigo de Crom e,
por consequncia, sua adequao. Em uma analogia terminologia em-
pregada pela microbiologia so denidos vrios tipos de vetores transge-
nticos, dentre eles os plasmdios, plasmdios recombinados, transposons e
vrus. Na aplicao descrita neste trabalho dois vetores transgenticos so
utilizados: plasmdio e transposon, os quais so denidos na Tabela 1 que
resume os procedimentos que compem o mtodo de manipulao destes
dois vetores transgenticos.
Tabela 1. Procedimentos utilizados por plasmdios e transposons.

Procedimento Caracterizao
p1 - Ataque (A) Dene o critrio de avaliao que estabelece
quando um cromossomo Crom suscetvel ma-
nipulao de um vetor transgentico, .
A : (Crom, ) {f also, verdadeiro}
00
p2 - Transcrio Se A : (Crom, ) = verdadeiro , o procedi-
mento dene como a informao I , transportada
pelo vetor, ser transferida para o cromossomo.
p3 - Identicao Identica posies que sero utilizadas para limi-
tar a operao do vetor
Um vetor dito um plasmdio quando sua cadeia de informao I

descrita no mesmo formato que os cromossomos endossimbiontes, uma
subcadeia de DNA, e seu mtodo utiliza os procedimentos p1 e p2 . Os
plasmdos obtm suas cadeias de informao, em princpio, do hospedeiro.
Os plasmidios recombinados podem obter suas cadeias em procedimentos
heursticos que combinam informao gentica pr-existente com outro tipo
de informao. Um vetor dito transposon quando sua informao
uma regra de rearranjo do cdigo dos cromossomos endossimbiontes e seu
mtodo utiliza os procedimentos p1 , p2 e p3 . Noticia-se a existncia de mais
um vetor transgentico, o vetor vrus. Presentemente no ser descrito em
virtude de no ser empregado no algoritmo objeto deste trabalho.
O Algoritmo 1, mostrado a seguir, mostra a arquitetura geral de um
AT. O passo 1 cria a populao de cromossomos endossimbiontes, Pop.
O passo 2 carrega as informaes genticas a priori - IG no hospedeiro.
Tanto a populao de endossimbiontes quanto as informaes ditas a
314 Goldbarg et al.
priori tambm podem ser constitudas de forma aleatria, caso no sejam

disponveis. A evoluo transgentica beneciada com informaes
a priori de boa qualidade. Entretanto, a sua ausncia no impede o
processo. No passo 3 so criados os vetores transgenticos que atuaro
sobre a populao. O procedimento cria_vetores_trans() dene a
quantidade e informao transportada pelos vetores. O passo 5 seleciona
um subconjunto de cromossomos da populao, SubPop, que ser alvo
do ataque dos vetores transgenticos. No passo 6 o procedimento mani-
pular_cromossomos() implementa a manipulao dos cromossomos de
SubPop pelos vetores em TransVet e atualiza NovaSubPop com o resultado
obtido. No passo 7 a populao corrente atualizada com os cromossomos
manipulados. Se alguma informao julgada signicativa criada du-
rante a manipulao dos cromossomos endossimbiontes, esta informao
guardada no repositrio de informaes genticas do hospedeiro no passo 8.
Algoritmo 1. Meta-cdigo de um algoritmo transgentico

1. Pop iniciar_populao ()
2. IG informao_gentica ()
3. Repita
4. TransVet cria_vetores_trans (IG )
5. SubPop seleciona_cromossomos (Pop )
6. NovaSubPop manipular_cromossomos (SubPop,TransVet )
7. Pop atualiza_pop (Pop,NovaSubPop )
8. IG atualiza_ig (Pop )
9. at atender critrio de parada
4. Algoritmos Evolucionrios na Soluo do CaRS

Esta seo descreve dois algoritmos evolucionrios aplicados soluo do
CaRS: um algoritmo da classe memtica, baseado no trabalho de Gold-
barg et al. (2011), e um algoritmo transgentico, baseado nas informaes
constantes na Seo 3 deste captulo.
4.1 Algoritmo memtico

Algoritmos evolucionrios baseados em uma mescla entre a evoluo ge-
ntica e a evoluo Lamarckiana foram denominados, na computao, de
Algoritmos Memticos. Esta abordagem foi formalizada por Radclie &
Surry (1994) e consiste, basicamente, em aparelhar um algoritmo gentico
com mecanismos de busca local. A literatura reporta excelentes resulta-
dos na aplicao deste tipo de algoritmo para a soluo de problemas de
roteamento (Prins, 2009), especialmente em virtude da existncia de vi-
zinhanas e algoritmos de busca local que se mostraram tradicionalmente
ecientes para a soluo destes tipos de modelos.
4.1.1 Elementos bsicos do algoritmo memtico

O Algoritmo 2 exibe o pseudo-cdigo do algoritmo memtico desenvolvido
para o CaRS por Goldbarg et al. (2011). Os parmetros utilizados neste
trabalho so: o nmero de geraes (nOspring ) igual a 30, o tamanho
da populao (sizePop ) igual a 100, a taxa de recombinao (txCros )
ou nmero de indivduos que reproduzem a cada gerao igual a 0,6 da
populao, a taxa de mutao (txMuta ) igual a 0,4, e taxa de renovao
da populao (txRenw ) de 0,15%.
Algoritmo 2. Algoritmo Memtico

1. main(nameInstance,sizePop,nOspring,txCros,txMuta,txRenw )
2. instanceRead (nameInstance )
3. Pop [ ] generateInitPop (sizePop )
4. VNDlocalSearchPhase (Pop )
5. for i 1 to nOspring do
6. for j 1 to sizePop *txCros do
7. dad,mom parentsSelection ()
8. son1,son2 Recombination (dad,mom )
9. son1,son2 carsMutation (son1,son2,txMuta )
10. VNDlocalSearchPhase (son1,son2 )
11. if son1,son2 < Pop [dad ],Pop [mom ]
12. Pop [dad ] son1 ,Pop [mom ] son2
13. generateNewIndividuals (sizePop *txRenw )
14. return(Pop [0 ]
Os cromossomos so vetores bidimensionais com n elementos, conforme

ilustrado na Figura 4(a), para o caso do exemplo da Figura 3, e na Fi-
gura 4(b), para uma instncia com n = 11 e 5 carros. A primeira linha
do vetor corresponde aos ndices dos carros que visitam as cidades. A se-
gunda linha do vetor corresponde sequncia de cidades visitadas no tour.
O elemento na primeira coluna e segunda linha corresponde cidade i1 , e
assim por diante. Quando um carro Ci , i = 1, ..., k, onde k o numero de
carros do problema, viaja da cidade i1 para a cidade im o valor correspon-
dente ao carro Ci escrito na primeira linha do vetor acima da posio
da cidade i1 . A ltima cidade visitada por um carro no recebe o ndice
do carro que nela termina seu caminho. Assim, as posies da primeira
linha do cromossomo so anotadas pelos carros que iniciam seu caminho
nas cidades registradas na respectiva coluna da primeira linha. A cidade
0 sempre a cidade inicial do tour e no representada no cromossomo
como destino nal, o que ca subentendido. A Figura 4(b) representa um
tour que inicia na cidade 0 com o carro 2 passando pelas cidades 6, 4, 3 e
10 at chegar cidade 7. Na cidade 7 o carro 2 retorna cidade 0 e o carro
1 alugado para prosseguir o tour at a cidade 9. Na cidade 9 o carro 5
316 Goldbarg et al.
alugado e assim por diante. O carro 4, alugado na cidade 8 completa o

tour na cidade 0.
Figura 4. (a) Cromossomo da Figura 3, (b) cromossomo exemplo.
A adequao de cada cromossomo dada pelo clculo do inverso do

valor da funo objetivo. A populao inicial do algoritmo gerada pelo
procedimento do vizinho mais prximo (Gutin & Punnen, 2002) adaptada
ao CaRS no procedimento generateInitPop() que recebe o tamanho da
populao como parmetro de entrada, sendo nCar o nmero de carros
disponveis. O procedimento determina inicialmente de forma aleatria
um nmero de carros mximo para compor uma soluo. A cidade inicial,
cidade zero, retirada da lista de cidades visitveis. Escolhe-se aleatoria-
mente um carro c e uma cidade destino j para c. Constri-se um caminho
para c partindo da cidade inicial do tour at a cidade j atravs do proce-
dimento do vizinho mais prximo. O procedimento de escolha de um carro
diferente e de uma cidade alvo se repete retirando-se as cidades visitadas
nos tours do conjunto de cidades que podem ser visitadas. Existem duas
situaes de parada: 1) As cidades a serem visitadas se esgotam no tour de
um determinado carro sorteado. Neste caso a ltima cidade do tour deste
ltimo carro ligada cidade 0 e m. 2) O ltimo carro selecionado e
existem ainda cidades para serem visitadas. Nesta hiptese a heurstica
do vizinho mais prximo aplicada a partir do vrtice inicial do tour at
visitar todas as cidades restantes e cair no caso 1. A populao inicial do
algoritmo formada ento por 100-k solues obtidas pelo mtodo cons-
trutivo, adicionadas a k solues obtidas da aplicao do Concorde TSP
solver (Applegate et al., 2001) para cada carro isolado, onde k o nmero
de carros disponveis.
O nmero de carros a ser usado na recombinao sorteado aleatori-
amente no intervalo [2, nCar] em distribuio equiprovvel. O operador
de recombinao multiponto. O nmero de pontos a ser empregado no
operador Recombination(dad,mom) escolhido aleatoriamente e com igual
probabilidade no intervalo [1, 4]. Aps a reproduo, os lhos gerados so
submetidos ao procedimento de busca local VND descrito na Seo 4.1.2.
Os pais so selecionados para recombinar pelo mtodo da roleta.
A recombinao ilustrada na Figura 5 em uma instncia com n = 11
e 3 carros. Os cromossomos A e B geram os lhos C e D. A Figura 5 exibe
a execuo de um operador em 2 pontos. A primeira e terceira partes dos
cromossomos A e B so herdadas pelos cromossomos C e D, respectiva-

mente. Como a recombinao pode gerar inviabilidade no cromossomo,
um procedimento de reparao deve recuperar a viabilidade aps a desig-
nao das rotas e carros. Por exemplo, aps a recombinao de rota o
cromossomo C ca formado com a sequncia de visitas [0 3 1 8 10 1 9 4
5 10 6] que no vivel uma vez que repete as cidades 1 e 10 e deixa de
visitar as cidades 2 e 7. Ento a rota do cromossomo C reescrita como
[0 3 1 8 10 * 9 4 5 * 6] onde os asteriscos marcam a repetio das visitas.
Cada asterisco substitudo por uma cidade ausente do tour, no caso as
cidades 2 e 7. A linha correspondente designao de carros aps a re-
combinao [1 1 1 1 2 3 3 2 2 2 2 3] que igualmente no vivel, uma vez
que um carro somente pode ser alugado uma vez. Assim, a segunda linha
do cromossomo C reescrita como [1 1 1 1 2 3 3 * * * * 3] e os asteriscos
so substitudos pelo carro 3. Caso houvesse dois carros diferentes nas ex-
tremidades do conjunto de asteriscos, o escolhido seria o primeiro carro no
sentido do desenvolvimento do tour. O cromossomo D tratado de forma
similar.
Figura 5. Operador de recombinao.
Os lhos obtidos pelas recombinaes so submetidos ao procedimento

de mutao. O operador de mutao carsMutation(son1,son2,txMuta) ve-
rica quais veculos no esto representados na soluo. Cada um destes
veculos inserido em um dado segmento da rota conforme ser descrito
adiante. O tamanho mximo de cada segmento inserido denido na taxa
de mutao. O operador ilustrado na Figura 6, considerando-se uma
instncia com n = 11, e 5 carros, e a taxa de mutao associada a um
segmento de tamanho mximo 3 trs cidades. No exemplo, os carros 3
e 4 no so usados na soluo do cromossomo A da Figura 6. O opera-
dor de mutao insere um dos carros no usados na soluo, resultando o
cromossomo B. As cidades 10 e 5 so escolhidas de forma aleatria para
serem iniciadas pelos carros 3 e 4, respectivamente. Assim, o veculo 5
substitudo pelo veculo 3 na cidade 10, 7 e 1, e o carro 4 substitui o carro
1 nas cidades de 5 a 8, uma vez que necessrio pelos menos duas cidades
em um tour. A sequncia de carros resultante no cromossomo [2 2 2 5
318 Goldbarg et al.
3 3 3 5 1 4 4]. Aps a mutao ser necessrio aplicar o procedimento de

reparao para retomar a viabilidade do cromossomo, uma vez que o carro
5 alugado duas vezes. Assim, o cromossomo reescrito com asteriscos
resultando em [2 2 2 5 3 3 3 * 1 4 4], e o asterisco substitudo por 3, o
carro imediatamente anterior ao problema.
Figura 6. Operador de mutao.
Aps as operaes de cruzamento e mutao os lhos so submetidos

etapa da evoluo Lamarckiana representada pela busca local VND apre-
sentada na Seo 4.1.2.
4.1.2 A busca local do algoritmo memtico

Uma forma de busca local extremamente eciente proposta por Mlaceno-
vi & Hansen (1997) e denominada na literatura por Variable Neighborhood
Descent (VND) ou busca em vizinhana varivel descendente. A compo-
sio deste tipo de busca local com o poder de diversicao dos algoritmos
genticos promissora. Basicamente a idia do VND explorar sistema-
ticamente diferentes vizinhanas de busca para aumentar o poder de in-
tensicao do algoritmo de busca. No caso do algoritmo desenvolvido,
o procedimento VND VNDlocalSearchPhase(Pop) executa a fase de
busca local do algoritmo memtico. O procedimento explora trs diferen-
tes vizinhanas denominadas InvertSol, Insert&Saving e 2-Shift. InvertSol
um procedimento que inverte o sentido do percurso da rota, preservando
o sentido de menor custo. O procedimento Insert&Saving busca inserir
um carro na rota de forma que o custo total da rota diminua. Considere S
uma soluo que possui pelo menos um carro e que reste pelo menos um
carro ainda no alugado em S. O procedimento Insert&Saving possui duas
fases. Na primeira escolhe aleatoriamente um carro no designado na rota
e examina a possibilidade de inseri-lo em cada uma das cidades da rota,
substituindo um carro j existente, ou ocupando um trecho da rota entre
dois carros j designados. Se um destes dois casos produzir uma rota de
menor custo, ento o cromossomo reescrito segundo a nova congurao
encontrada. O procedimento continua at que no existam mais carros a
serem considerados para a insero. Em caso de fracasso na primeira fase,
o procedimento passa para a segunda fase. Nela a busca examina a pos-
sibilidade de alterar a cidade da troca de carros, sem alterar a sequncia
da troca de carros. Supondo que um carro c1 seja alugado na cidade x1 e
entregue na cidade x2 e um carro c2 seja alugado na cidade x2 e entregue

na cidade x3 , o procedimento testa a possibilidade dos carros c1 e c2 serem
trocados em todas as cidades entre x1 e x3 pertencentes rota e diferentes
de x2 . O procedimento 2-Shift examina os caminhos de cada carro, dentro
do tour geral, realizando os deslocamentos (shifts ) entre uma cidade da
rota e sua vizinha, para todas as cidades da rota, sem que se altere o carro
de aluguel. Os caminhos dos carros so examinados em sequncia. Cada
vez que uma melhoria alcanada, a soluo S atualizada.
4.2 O algoritmo transgentico

O algoritmo Transgentico proposto utiliza dois tipos de agentes: Plas-
mdio e Transposon. O material gentico do hospedeiro ser constitudo,
inicialmente, das solues obtidas do Concorde TSP Solver (Applegate
et al., 2001). Observar que estas solues so tambm adicionadas popu-
lao inicial do algoritmo memtico. O pseudocdigo do Algoritmo 3 exibe
o procedimento principal do algoritmo transgentico desenvolvido para o
Problema do Caixeiro Alugador.
A varivel informao transporta as informaes da cadeia do plasm-
dio. O procedimento loadHostRepository() realiza a inicializao do ma-
terial gentico do hospedeiro, o qual formado inicialmente tambm por
uma soluo gerada pelo Concorde a partir de um grafo cujas arestas cons-
tituem os menores custos individuais de cada carro. Alm disto, nCar + 1
solues de melhor aptido da populao de cromossomos completam o
material gentico do hospedeiro, sendo que ao nal de cada gerao trans-
gentica este material atualizado com at nCar + 1 solues campes no
procedimento updateHostRepository().
Os parmetros de entrada do algoritmo so: o nmero de elementos da
populao de cromossomos (tamPop ) que igual a 100, e o valor mximo
de geraes nIterations que, sendo igual a 100, dene quantas vezes a
populao de cromossomos atacada pelos agentes endossimbiontes. A
populao inicial do algoritmo transgentico constituda da mesma forma
que a populao inicial do algoritmo memtico atravs do procedimento
generateInitPop() j descrito anteriormente. No algoritmo transgentico
proposto so utilizados tanto plasmdios quanto transposons. Os agentes
plasmdios atuam na transferncia de uma cadeia de informaes de
comprimento aleatrio retirada de um dos componentes do material do
hospedeiro, tambm escolhido em sorteio equiprovvel. O plasmdio
forma sua cadeia de informao de uma parte da soluo sorteada e cujo
tamanho e localizao no cromossomo escolhido tambm so denidos
por sorteio. No exemplo da Figura 7, uma cadeia de tamanho trs
copiada de um componente do hospedeiro. O agente plasmdio retira do
cromossomo escolhido uma sequncia de cidades visitadas, bem como seus
carros de aluguel associados, como mostra a Figura 7. No ataque busca-se
em todas as posies possveis de transcrio no cromossomo uma posio
320 Goldbarg et al.
de insero desta cadeia de forma a alcanar uma melhoria no custo da

soluo.
Algoritmo 3. Algoritmo Transgentico

1. main(tamPop,nIterations )
2. instanceRead (nameInstance )
3. Pop [ ] generateInitPop (tamPop )
4. HRep [ ] loadHostRepository ()
5. for t 1 to nIterations do
6. #probPlasm setprob (t )
7. for z 1 to #evstage do
8. prob rand (0,1)
9. for r 1 to tamPop do
10. r 1 to tamPop do
11. if (prob < #probPlasm )
12. informao random_select (HRep )
13. Sol attackPlasmid (Pop [r ],informao )
14. else
15. Sol attackTransp (Pop [r ])
16. end_if
17. Sol attackInvertSolTransp (Sol )
18. if (f (Sol ) < f (Pop [r ]))
19. Pop [r ] Sol ; f (Pop [r ]) f (Sol )
20. if (f (Pop [r ] < f (Pop [0]))
21. Pop [0] Pop [r ]; f (Pop [0]) f (Pop [r ])
22. end_if
23. end_if
24. end_for
25. updateHostRepository (Pop )
26. end_for
27. end_for
28. Return(Pop [0])
Pode ser necessrio reparar os cromossomos caso o mtodo de insero

da cadeia do plasmdio ou a manipulao do transposon transforme o cro-
mossomo em uma soluo invivel como, por exemplo, possuindo o aluguel
repetido de um mesmo carro. O procedimento de reparao substitui as
ocorrncias de aluguel repetitivo sempre com o carro imediatamente an-
terior ao carro repetido. O procedimento de reparao tambm elimina
repetio ou ausncia de cidades no ciclo.
Os transposons manipulam diretamente os cromossomos da populao
sem depender do material do hospedeiro. No algoritmo so usados trs
tipos diferentes de transposons, cada um possuindo um mtodo diferente
Figura 7. Funcionamento do plasmdio.
de manipulao: 2-Shift, InvertSol e Insert&Saving. Os transposons sor-

teiam o trecho do cromossomo a manipular e a manipulao representa a
aplicao dos procedimentos de busca local da etapa VND do algoritmo
memtico sobre o trecho da congurao selecionada.
O transposon 2-Shift, gera uma vizinhana 2-Shift conforme denido
no procedimento VND, dentro do intervalo restrito de sua atuao, como
exemplica a Figura 8.
Figura 8. Funcionamento do operador 2-Shift.
Os trechos reduzidos com 4 cidades representados na Figura 8 entre

os dois cromossomos exemplicam as vrias combinaes possveis para o
trecho marcado entre as suas linhas tracejadas. Ao nal, a sequncia 5-10-
4-1 a adotada na transcrio nal. Assim como ocorre com o plasmdio, as
solues geradas por transposio podem exigir reparao. O transposon
Insert&Saving executa a mesma operao do procedimento Insert&Saving
da fase VND do algoritmo memtico, restrito ao intervalo sorteado para
322 Goldbarg et al.
sua atuao. O transposon InvertSolTransp inverte o sentido da rota do

cromossomo manipulado, trocando as cidades de aluguel e de retorno.
Visando manter a diversidade da populao os endossimbiontes que
no evoluem por 15 iteraes so substitudos por novos cromossomos
construdos pelo procedimento de inicializao. Os ataques dos vetores
transgenticos so coordenados segundo etapas evolutivas. Em cada etapa
evolucionria a probabilidade da utilizao de cada vetor transgentico
alterada, de forma que ao incio do processo os plasmdios que transportam
informaes obtidas a priori tenham mais chance de atuar e, ao nal, os
transposons sejam os de uso mais provvel.
O algoritmo transgentico proposto emprega 10 etapas de evoluo (va-
rivel #evstage ). Cada etapa composta de dez iteraes evolucionrias.
Na primeira etapa so utilizados somente plasmdios. Na segunda os plas-
mdios so sorteados com probabilidade de 90% enquanto os transposons
2-Shift possuem 10% de chance de atuao, na terceira a probabilidade
20-80%, na quarta 30-70%, na quinta 40-60% e na sexta 50-50%. Nas l-
timas 30 geraes atuam plasmdios, transposons 2-Shift e Insert&Saving.
Aps as transcries ou transposies o agente InvertSolTransp ataca o cro-
mossomo alterado, preservando-se sua contribuio caso melhore a aptido
do cromossomo.
5.1 Metodologia
O presente tpico desenvolve um experimento computacional no sentido de
validar o algoritmo transgentico proposto, e o faz atravs de uma compa-
rao de desempenho com o algoritmo memtico proposto por Goldbarg
et al. (2011). Os experimentos foram executados em microcomputadores
com processador Intel Xeon QuadCore W3520 2,8 GHz, 8GB de RAM
em Linux com C++. Foram realizadas 30 execues independentes em
cada instncia. So relatados resultados para instncias disponveis em:
http://www.dimap.ufrn.br/lae/en/projects/CaRS.php. Observe-se que os
mtodos de manipulao dos vetores do algoritmo transgentico so seme-
lhantes aos mtodos de gerao de vizinhana de busca do algoritmo me-
mtico e a formao da populao inicial a mesma nos dois algoritmos.
Finalmente, ambos compartilham uma estratgia semelhante de melhoria
da populao inicial. Tais cuidados visam permitir uma avaliao melhor
do mtodo evolucionrio, tentando-se isolar eventuais interferncias decor-
rentes das estratgias de busca empregadas. No experimento solucionado
o mesmo conjunto de 40 instncias relatados em Goldbarg et al. (2011)
com o mesmo nmero de execues.
5.2 Resultados obtidos

A Tabela 2 apresenta os resultados alcanados no conjunto de instncias
testadas em relao aos valores mdios e melhores resultados das 30 exe-
cues, considerado o tempo de execuo igual ao tempo demandado pelo
algoritmo transgentico. Da anlise dos resultados mdios da Tabela 2
observa-se que os p -valores do U-test da comparao do transgentico con-
tra o memtico indicam 30 resultados favorveis ao algoritmo transgentico
contra 7 resultados favorveis ao algoritmo memtico e 3 resultados no
conclusivos. Aplicando-se o teste de propores de Taillard et al. (2008)
com o alvo de sucesso centrado na mdia, obtm-se um p -valor igual a 0
para a hiptese de que o algoritmo transgentico estatisticamente supe-
rior ao algoritmo memtico. Para o caso do nmero de melhores solues
encontradas verica-se 11 vitrias do memtico, 25 do transgentico e 4
casos inconclusivos, sustentando-se novamente a hiptese da superioridade
estatstica do algoritmo transgentico.
A Tabela 3 resume os resultados em relao aos valores mdios e me-
lhores resultados quando os algoritmos so executados segundo o tempo
demandado pelo algoritmo memtico. Da anlise dos resultados mdios
observa-se que os p -valores indicam 25 resultados favorveis ao algoritmo
memtico contra 11 resultados favorveis ao algoritmo transgentico e 4
resultados no conclusivos. Aplicando-se o teste de comparao de propor-
es bicaudal de Taillard et al. (2008) obtm-se p -valor 0,00259, menor que
0,05, sustentando aqui a hiptese contrria, com a concluso da superio-
ridade estatstica do algoritmo memtico. O mesmo se verica em relao
ao nmero de melhores resultados alcanados.
Em relao aos tempos de execuo dos algoritmos observa-se que o
tempo de execuo do algoritmo memtico se mostra, de uma forma geral,
menor que o tempo do algoritmo transgentico. Observa-se que ambos
os algoritmos obtm os melhores resultados qualitativos em seu respectivo
tempo de parada, o que, provavelmente, indica que o processo de parame-
trizao foi eciente.
Os experimentos mostram que o algoritmo memtico no se mostra
capaz de aproveitar com a mesma ecincia do transgentico um eventual
aumento na disponibilidade do tempo computacional. Por exemplo, na
instncia BrasilCO40n o algoritmo memtico gasta 24 segundos para al-
canar a melhor soluo, que possui o valor de 627. Quando executado
por 136 segundos, reduz a soluo para 597. J o algoritmo transgentico
passa de 634 aos 24 segundos para 577 aos 136 segundos. No conjunto de
casos de teste examinados, em nenhum caso o algoritmo memtico obtm
resultados melhores em relao ao transgentico do que os obtidos no seu
prprio tempo de parada. Em outras palavras, se o algoritmo memtico
no possui melhor resultado em seu prprio tempo de parada, no conjunto
de instncias do teste realizado no h esperana de que melhore o seu
resultado relativo em relao ao algoritmo transgentico.
324 Goldbarg et al.
Tabela 2. Execues segundo o tempo do algoritmo transgentico.

Instncia Valor Transgentico Memtico TRG p -val
N. Nome nCid-nCar Melhor Mdia Melhor Mdia Melhor T(s)
1 BrasilRJ14e 14-2 294 294 294 294 294 2 0,83

2 BrasilRN16e 16-2 375 376 375 375 375 3 0,96
3 BrasilPR25e 25-3 508 509 508 517 509 17 0
4 BrasilAM26e 26-3 467 467 467 494 493 15 0
5 BrasilMG30e 30-4 529 548 529 555 529 30 0
6 BrasilSP32e 32-4 588 593 588 612 588 39 0
7 BrasilRS32e 32- 4 491 494 491 532 512 29 0
8 BrasilCO40e 40-5 668 678 668 752 711 84 0
9 BrasilNO45e 45-5 829 882 829 877 845 94 0
10 BrasilNE50e 50-5 756 776 756 819 766 178 0
20 Betim100e 100-3 1396 1414 1396 1429 1429 495 0
27 Vitoria100e 100-5 1354 1396 1354 1463 1381 668 0
29 PortoVelho200e 200-3 2307 2401 2307 2413 2413 4803 0,08
32 Cuiaba200e 200-3 2327 2453 2327 2495 2368 4735 0,03
41 Belem300e 300-4 2993 3081 2993 3612 3012 9492 0
54 berlin52eA 52-3 8948 8954 8948 9050 8948 76 0
63 eil76eB 76-4 1776 1849 1776 1925 1822 468 0
89 rat99eB 99-5 3105 3182 3105 3296 3223 713 0
92 rd100eB 100-4 9933 9957 9933 9951 9951 463 0,01
95 st70eB 70-4 1805 1911 1805 1932 1875 389 0,06
101 BrasilRJ14n 14-2 167 167 167 167 167 4 0,99
102 BrasilRN16n 16-2 188 191 188 189 188 7 1
103 BrasilPR25n 25-3 226 227 226 230 227 27 0
104 BrasilAM26n 26-3 202 202 202 210 207 28 0
105 BrasilMG30n 30-4 272 279 272 291 280 49 0
106 BrasilSP32n 32-4 254 258 254 269 258 70 0
107 BrasilRS32n 32-4 269 273 269 290 273 65 0
108 BrasilCO40n 40-5 577 585 577 632 597 136 0
109 BrasilNO45n 45-5 547 556 547 634 603 194 0
110 BrasilNE50n 50-5 625 639 625 693 661 380 0
122 Londrina100n 100-3 1225 1269 1225 1285 1223 1957 0
123 Osasco100n 100-4 1009 1085 1009 1212 1142 1835 0
131 Aracaju200n 200-3 1966 2097 1966 2365 2224 8058 0
135 Teresina200n 200-5 1946 2064 1946 2218 1984 3917 0
144 Curitiba300n 300-5 3005 3757 3005 3696 3362 6395 0,97
154 berlin52nA 52-3 1385 1512 1434 1448 1398 75 1
157 ch130n 130-5 2424 2778 2525 2593 2385 647 1
159 d198n 198-4 3353 4581 3353 4596 4382 7665 1
170 kroB150n 150-3 3018 3168 3018 3430 3310 9202 0
192 rd100nB 1 00-4 1485 1561 1485 1675 1556 2419 0
Tabela 3. Execues segundo o tempo do algoritmo memtico

Instncia Valor Memtico Transgentico MEM p -val
N. Nome nCid-nCar Melhor Mdia Melhor Mdia Melhor T(s)
1 BrasilRJ14e 14-2 294 294 294 294 294 1 0,96

2 BrasilRN16e 16 -2 375 375 375 384 375 1 1
3 BrasilPR25e 25-3 508 522 510 543 517 2 1
4 BrasilAM26e 26-3 467 494 493 499 469 3 0,98
5 BrasilMG30e 30-4 529 578 541 589 559 8 1
6 BrasilSP32e 32-4 588 621 613 635 611 7 1
7 BrasilRS32e 32-4 491 537 524 510 497 7 0
8 BrasilCO40e 40-5 668 786 726 751 685 23 0
9 BrasilNO45e 45-5 829 932 848 932 872 30 0,4
10 BrasilNE50e 50-5 756 869 814 925 840 35 1
20 Betim100e 100-3 1396 1425 1396 1437 1396 247 1
27 Vitoria100e 100-5 1354 1495 1381 1445 1354 292 0,03
29 PortoVelho200e 200-3 2307 2413 2413 2499 2393 1862 1
32 Cuiaba200e 200-3 2327 2502 2492 2580 2421 1682 1
41 Belem300e 300-4 2993 3672 3298 3265 3082 5184 0
54 berlin52eA 52-3 8948 9090 8948 8983 8948 43 0
63 eil76eB 76-4 1776 1946 1864 1926 1831 184 0,03
89 rat99eB 99-5 3105 3304 3239 3280 3196 248 0
92 rd100eB 100-4 9933 9951 9951 9989 9935 255 0,98
95 st70eB 70-4 1805 1970 1891 1989 1945 148 0,96
101 BrasilRJ14n 14-2 167 167 167 172 169 1 1
102 BrasilRN16n 16-2 188 191 188 214 206 1 1
103 BrasilPR25n 25-3 226 241 229 248 233 5 1
104 BrasilAM26n 26-3 202 213 207 214 208 6 0,94
105 BrasilMG30n 30-4 272 299 286 306 295 9 1
106 BrasilSP32n 32-4 254 284 275 289 274 12 1
107 BrasilRS32n 32-4 269 311 280 305 291 13 0,01
108 BrasilCO40n 40-5 577 660 627 659 634 24 0,33
109 BrasilNO45n 45-5 547 667 613 644 614 39 0
110 BrasilNE50n 50-5 625 736 687 830 749 48 1
122 Londrina100n 100-3 1225 1338 1278 1452 1404 492 1
123 Osasco100n 100-4 1009 1259 1126 1263 1167 385 0,54
131 Aracaju200n 200-3 1966 2446 2331 2618 2430 2491 1
135 Teresina200n 200-5 1946 2241 1971 2203 2027 2514 0,02
144 Curitiba300n 300-5 3005 3726 3334 3617 3414 6599 0
154 berlin52nA 52-3 1385 1447 1385 1502 1450 86 1
157 ch130n 130-5 2424 2630 2424 2722 2535 743 1
159 d198n 198-4 3353 4665 4297 4905 4642 2756 1
170 kroB150n 150-3 3018 3675 3491 3970 3737 1527 1
192 rd100nB 100-4 1485 1832 1681 2074 1898 464 1
326 Goldbarg et al.
6. Concluses
O problema do caixeiro alugador pode representar um modelo de otimi-
zao importante para tratar situaes tpicas do processo de aluguel de
carros, hoje um segmento de signicativa importncia econmica na enge-
nharia de transportes.
No sentido de testar o desempenho de abordagens evolucionrias no
clssicas no contexto do problema proposto, o presente trabalho desenvol-
veu um algoritmo da classe transgentica para o problema.
Os resultados obtidos no experimento apontam para a possibilidade
de signicativa melhoria qualitativa das solues alcanadas em Goldbarg
et al. (2011), desde que seja admissvel um maior consumo do tempo de
processamento computacional.
Como trabalhos futuros sero desenvolvidos algoritmos segundo outras
classes de metaheursticas para a soluo do CaRS. Ser aperfeioado o
ataque dos vetores transgenticos no sentido da reduo de seu tempo de
execuo. O algoritmo memtico ser modicado no sentido de alcanar
uma maior diversicao na populao sem penalizar proibitivamente o
tempo de processamento.
Agradecimentos
Este trabalho foi parcialmente suportado pelo CNPq e CAPES.
Referncias
Applegate, D.; Bixby, R.; Chvtal, V. & Cook, W., TSP cuts which do
not conform to the template paradigm. In: Junger, M. & Naddef, D.
(Eds.), Proceedings of Computational Combinatorial Optimization,
Optimal or Provably Near-Optimal Solutions. London, UK: Springer-
Verlag, p. 261303, 2001.
Avis, , Avis Europe PLC Financial and Strategic Analysis Review.

Global Markets Direct 17. Acesso em Dezembro de 2010, 2009.
http://www.researchandmarkets.com/reports/690999/.
Avis, , Avis Budget Rental Car Funding. Acesso em Dezembro de 2010,
2010. http://www.dbrs.com/research/232065/avis-budget-rental-car-
funding-aesop-llc-series-2010-2-3/rating-report-series-2010-2-3.pdf.
Bouuaert, C. & Chalmers, R.M., Gene therapy vectors: the prospects and
potentials of the cut-and-paste transposons. Genetica, 138:473484,
2010.
Car, , Car Rental Business Global Strategic Business Report Glo-

bal Industry Analysts. Acesso em Dezembro de 2010, 2008.
Chan, T.; Man, K.F.; Tang, K.S. & Kwong, S., Jumping gene algorithm for
multiobjective resource management in wideband CDMA. Computer
Journal, 48(6):749768, 2005.
Conrad, C. & Perlut, A.H., Enterprise Rent-A-Car Hits

New Billion-Dollar Revenue Mark for 3rd Consecu-
tive Year. Acesso em Dezembro de 2010, 2006.
http://www.enterpriseholdings.com/NewsReleases/Enterprise_FYO6
_Sept06.pdf.
Deb, K.; Agrawal, S.; Pratap, A. & Meyarivan, T., A fast elitist non-
dominated sorting genetic algorithm for multiobjective optimization:
Proceedings of the Sixth International
NSGA-II. In: et al., M.S. (Ed.),
Conference on Parallel Problem Solving from Nature. Paris, France, p.
849858, 2000.
Deb, K.; Pratap, A.; Agrawal, S. & Meyarivan, T., A fast and elitist
multiobjective genetic algorithm: NSGA-II. IEEE Transactions on
Edelstein, M. & Melnyk, M., The pool control system. Interfaces, 8(1):21
36, 1977.
Enterprise Rent-A-Car, , Enterprise Rent-A-Car Company Strategic

Analysis Review. Global Markets Direct 9. Acesso em Dezembro de
2010, 2009. http://www.researchandmarkets.com/reports/690685/.
Feo, T. & Resende, M., Greedy randomized adaptive search procedures.
Journal of Global Optimization, 6:109133, 1995.
Garey, M. & Johnson, D., Computers and Intractability: A Guide to the
Theory of NP-completeness. New York, USA: Freeman, 1979.
Goldbarg, M.; Asconavieta, P. & Goldbarg, E., Memetic algorithm for the
car renter salesman problem. In: Evolutionary Algorithms. INTECH
Open Access Publisher, 2011.
Goldbarg, M.; Bagi, L. & Goldbarg, E.F.G., Transgenetic algorithm for

the traveling purchaser problem. European Journal of Operational
Research, 119(1):3645, 2009.
Gutin, G. & Punnen, A., The Traveling Salesman Problem and Its Varia-
tions. Springer, 2002.
Harvey, I., The microbial genetic algorithm. In: Advances in Articial Life.
Darwin Meets von Neumann. Heidelberg, Germany: Springer-Verlag,
v. 5778 de LNCS, p. 126133, 2011.
Henze, K.; Schnarrenberger, C. & Martin, W., Endosymbiotic gene trans-

fer: A special case of horizontal gene transfer germane to endosymbio-
sis, the origins of organelles and the origins of eukaryotes. In: Syvanen,
M. & Kado, C. (Eds.), Horizontal Gene Transfer. London, UK: Aca-
demic Press, 2a edio, p. 351362, 2002.
328 Goldbarg et al.
Hertz, , The Hertz Corporation Strategic Analysis Review. Glo-

bal Markets Direct 12. Acesso em Dezembro de 2010, 2009.
Hertz, A.; Schindl, D. & Zuerey, N., A solution method for a car eet
management problem with maintenance constraints. Journal of Heu-
ristics, 5:425450, 2009.
Heywood, M. & Lichodzijewski, P., Symbiogenesis as a mechanism for

building complex adaptive systems: a review. In: Proceedings of AAAI
Symposium on Complex Adaptive Systems. p. 112, 2010.
Jain, R.; Rivera, M.; Moore, J. & Lake, J., Horizontal gene transfer ac-
celerates genome innovation and evolution. Molecular Biology and
Evolution, 20(10):15981602, 2003.
Kim, K.; Kim, J. & Kim, Y., An endosymbiotic evolutionary algorithm for
the integration of balancing and sequencing in mixed-model U-lines.
European Journal of Operational Research, 168(3):838852, 2006.
Kubota, N.; Shimojima, K. & Fukuda, T., The role of virus infection in
virus-evolutionary genetic algorithm. Journal of Applied Mathematics
and Computer Science, 6(3):415429, 1996.
Kumar, P.; Gospodaric, D. & Bauer, P., Improved genetic algorithm ins-
pired by biological evolution. Soft Computing, 11(10):923941, 2007.
Kumar, V.; Kumar, P.; Tiwari, M.K. & Chan, F., Stochastic make-to-stock
inventory deployment problem: an endosymbiotic psychoclonal algo-
rithm based approach. International Journal of Production Research,
44(11):22452263, 2006.
Li, Z. & Tao, F., On determining optimal eet size and vehicle transfer
policy for a car rental company. Computers & Operations Research,
37(2):341350, 2010.
Margulis, L., Serial endosymbiotic theory (set) and composite individuality.

Microbiology Today, 31:172174, 2004.
Mlacenovi, N. & Hansen, P., Variable neighborhood search. Computers

& Operations Research, 24(11):10971100, 1997.
Moscato, P., On Evolution, Search, Optimization, Genetic Algorithms and
Martial Arts: Towards Memetic Algorithm. Technical Report 826,
Pasadena, USA, 1989.
Muhlenbein, H. & Voigt, H.M., Gene pool recombination in genetic algo-

Proceedings of the Sixth International
rithms. In: Eshelman, L. (Ed.),
Conference on Genetic Algorithms. San Mateo, USA: Morgan Kauf-
mann, p. 104113, 1995.
Pachon, J.; Iakovou, B.; Ip, C. & Aboudi, R., A synthesis of tactical
eet planning models for the car rental industry. IIE Transactions,
35(9):907916, 2003.
Perales-Gravn, C. & Lahoz-Beltra, R., An AM radio receiver designed

with a genetic algorithm based on a bacterial conjugation genetic ope-
rator. IEEE Transactions on Evolutionary Computation, 12(2):129,
2008.
Prins, C., Two memetic algorithms for heterogeneous eet vehicle rou-
ting problems. Engineering Applications of Articial Intelligence,
22(6):916928, 2009.
Radclie, N. & Surry, P., Formal memetic algorithms. In: Fogarty,

T. (Ed.), Evolutionary Computing. Heidelberg, Germany: Springer-
Verlag, v. 865 de LNCS, p. 116, 1994.
Ralphs, T.; Kopman, L.; Pulleyblank, W. & Trotter, L., On the capacita-
ted vehicle routing problem. Mathematical Programming, 94:343359,
2003.
Rieel, J., Evolutionary Fabrication The Co-Evolution of Form and For-

mation. PhD thesis, The Faculty of the Graduate School of Arts and
Sciences, Brandeis University, Waltham, USA, 2006.
Shin, K.; Park, J. & Kim, Y., Multi-objective fms process planning with
various exibilities using a symbiotic evolutionary algorithm. Compu-
ters & Operations Research, 38(3):702712, 2011.
Simes, A. & Costa, E., Enhancing transposition performance. In: Press, I.

(Ed.), Proceedings of the 1999 Congress on Evolutionary Computation.
Piscataway, USA, 1999.
Simes, A. & Costa, E., On biologically inspired genetic operators: Trans-

In: Proceedings of the
formation in the standard genetic algorithm.
Genetic and Evolutionary Computation Conference. p. 584591, 2001.
Taillard, E.; Waelti, P. & Zuber, J., Few statistical tests for proportions
comparison. European Journal of Operational Research, 185(3):1336
1350, 2008.
Taylor, F., Implications and extensions of the serial endosymbiosis theory

of the origin of eukaryotes. Taxon, 23(2/3):229258, 1974.
Wernegreen, J., For better or worse: genomic consequences of intracellular

mutualism and parasitism. Current Opinion in Genetics & Develop-
ment, 15(6):572583, 2005.
Yang, Y.; Jin, W. & Hao, X., Car rental logistics problem: a review of
literature. In: Proc. of IEEE International Conference on Service
Operations and Logistics, and Informatics. p. 28152819, 2008.
Yeung, S.; Ng, H. & Man, K.F., Multi-criteria design methodology of a
dielectric resonator antenna with jumping genes evolutionary algo-
rithm. AEU - International Journal of Electronics and Communicati-
ons, 62(4):266276, 2008.
330 Goldbarg et al.
Zaneveld, J.; Nemergut, D. & Knight, R., Are all horizontal gene transfers
created equal? prospects for mechanism-based studies of hgt patterns.
Microbiology, 154(1):115, 2008.
Notas Biogrficas
Marco Cesar Goldbarg Engenheiro de Forticao e Construo pelo Ins-
tituto Militar de Engenharia (1982), mestrado em Sistemas e Computao pelo
Instituto Militar de Engenharia (1987), doutorado em Sistemas e Computao
pela COPPE/UFRJ (1990) e ps-doutorado em Cincia da Computao pela
UFMG (1999). Atualmente professor associado na Universidade Federal do
Rio Grande do Norte.
Paulo Henrique Asconavieta da Silva tem mestrado em Tecnologia

(UTFPR, 2008) e Professor do Departamento de Computao do Instituto
Federal de Educao, Cincia e Tecnologia Sul-Riograndense (IFSUL). Atual-
mente doutorando no programa de ps-graduao em Sistemas e Computao
da Universidade Federal do Rio Grande do Norte (UFRN).
Elizabeth F. G. Goldbarg tem graduao em Engenharia Industrial pelo

Centro Federal de Educao Tecnolgica Celso Suckow da Fonseca (1985),
mestrado em Sistemas e Computao pelo Instituto Militar de Engenharia
(1993), doutorado em Engenharia de Produo pela COPPE/UFRJ (2001) e
ps-doutorado pela COPPE/UFRJ, Sistemas e Computao (2006). Atualmente
professora associado na Universidade Federal do Rio Grande do Norte.
Captulo 15
Algoritmo Micro-gentico Aplicado ao Scheduling

de uma Rede de Distribuio de Derivados de Petrleo
Henrique Westphal, Flvio Neves-Jr e Lcia Valria R. de Arruda
Resumo: Este captulo modela o problema de distribuio de de-

rivados de petrleo atravs de redes de dutos como um problema
de otimizao multiobjetivo. A rede estudada composta por duas
fontes, dois ns intermedirios com capacidade de estoque e trs
terminais. O principal objetivo satisfazer a demanda de produtos
nos terminais consumidores de acordo com um horizonte de tempo
determinado a priori, garantindo ainda que uma produo mnima
seja enviada das fontes. Um conjunto de restries operacionais tais
que capacidade do parque de armazenamento, estoques, vazo dos
dutos e outros devem ser respeitados. Prope-se a utilizao de
algoritmos genticos com elitismo e pequena populao (algoritmo
micro-gentico) na soluo do problema. O modelo desenvolvido
e resultados simulados so apresentados para validar o algoritmo
proposto.
Palavras-chave: Otimizao multiobjetivo, Algoritmo micro-

gentico, Escalonamento, Rede de dutos.
Abstract: In this chapter, distribution of derived petroleum pro-

ducts through pipelines networks is approached as a multiobjective
optimization problem. The studied pipe network contains two sour-
ces, two intermediate connections with storage capacity and three
consumer terminals. The main goal is to satisfy the demanded pro-
ducts at the destination points in a due time while assuring that a
minimal production is delivered by each source. Moreover, a num-
ber of operational constraints must be satised, such as storage ca-
pacity limits, product inventories, pipe ow rates and others. The
proposed methodology uses a genetic algorithm with small popula-
tion and elitist strategy to nd a set of feasible solutions. The deve-
loped model and simulated results are presented in order to validate
the proposed Micro Genetic Algorithm.
Keywords: Multiobjective optimization, Micro-genetic algorithm,

Scheduling, Pipelines network.
Autor para contato: lvrarruda@utfpr.edu.br

332 Westphal et al.
1. Introduo
A diminuio de custos de produo e a melhoria em produtos e servios so
objetivos comuns a diversos setores industriais. A complexidade do plane-
jamento (planning ) e programao (scheduling ) da produo na indstria
em geral, contornada pela adoo de polticas operacionais conservativas,
que no utilizam a capacidade mxima de operao do sistema produtivo.
A necessidade de modelagem das estruturas industriais e a busca pela eci-
ncia no transporte de derivados de petrleo determinam a execuo deste
trabalho. O objetivo principal a modelagem das operaes envolvidas
no gerenciamento (scheduling ) de operaes de uma rede de distribuio
de derivados de petrleo. Estas redes so compostas por um nmero de
renarias e terminais, ou reas, interligadas por um conjunto de polidutos,
ou trechos de dutos, os quais operam o transporte de produtos (derivados
de petrleos e produtos orgnicos) entre reas adjacentes. A operao da
rede deve considerar restries fsico-qumicas de contato entre produtos
distintos, prioridade no envio de determinados produtos e preferncias ope-
racionais no bombeamento de bateladas com maior volume, atendimento a
demanda de mercado, buscando-se sempre a soluo que apresenta o menor
custo operacional.
Esta uma atividade importante na economia de um pas e, por ser
complexa, demanda cuidados na sua realizao. Considerando que a taxa
de ocupao das redes est cada vez mais elevada, faz-se necessrio uma
poltica tima de utilizao dos recursos. Uma melhor ecincia no uso da
rede, quando possvel, uma soluo mais barata e mais rpida que inves-
timentos na ampliao da malha de distribuio. De acordo com Neves-Jr
et al. (2007), um grande desao a busca por modelos de scheduling para
redes de dutos complexas integrando diversas reas e transportando dife-
rentes produtos que possam ser implementados na prtica, considerando
uma carga computacional aceitvel. Atualmente a programao das ope-
raes em redes reais realizada por especialistas experientes, entretanto
tcnicas de pesquisa operacional tm se tornado uma ferramenta eciente
na otimizao destes processos operacionais, auxiliando na modelagem e
resoluo de problemas combinatrios (Relvas et al., 2006). Por outro lado,
nas ltimas dcadas, tcnicas metaheursticas baseadas em populao tm
sido amplamente estudadas e utilizadas na resoluo de vrios problemas
complexos de scheduling de sistemas produtivos e mostram ser muito eci-
entes na busca de solues satisfatrias em um tempo mais curto (Hertz &
Widmer, 2003; Dro et al., 2006). Atravs da anlise destes trabalhos, em
especial dos que utilizam algoritmos genticos em problemas de scheduling
de atividades de produo, vericou-se que uma abordagem por AG mul-
tiobjetivo pode ser uma alternativa para a soluo deste tipo de problema
que, classicamente, demanda o uso de solvers de programao inteira mista
de larga escala (Shah, 1998).
Algoritmo micro-gentico aplicado ao scheduling da distribuio de petrleo 333
Neste contexto, este trabalho prope ento uma metodologia baseada

em algoritmo gentico multiobjetivo para realizar o scheduling de uma rede
de distribuio de derivados de petrleo.
Um problema de otimizao multiobjetivo envolve a minimizao (ou
maximizao) de vrios critrios conitantes que no podem ser satisfeitos
simultaneamente. Nestes casos, procura-se um conjunto de solues ti-
mas em que nenhuma soluo do conjunto pode ser considerada superior s
outras quando todos os critrios so analisados separadamente. Este con-
junto denominado conjunto timo de Pareto e as solues que o compe
so conhecidas como solues no dominadas (Coello, 2003).
Uma reviso bibliogrca e comparativa dos vrios mtodos evolucio-
nrios existentes na literatura, para a resoluo de problemas multiobjetivo
(Multi-Objective Evolutionary Algorithm MOEA) pode ser encontrados
em Coello (2003). No entanto, apesar da variedade de mtodos existentes
e das melhorias alcanadas nos ltimos anos (Dro et al., 2006), a ecin-
cia computacional dos mtodos MOEA tem limitado o seu uso na soluo
de problemas combinatrios de grande porte como o caso do problema
de scheduling da rede de dutos. sabido que os dois principais processos
que demandam tempo computacional em um algoritmo MOEA so: o ran-
queamento da populao que requer um mecanismo de comparao entre
todos os indivduos a m de determinar sua dominncia e um mecanismo
para manter a diversidade a m de evitar a convergncia prematura do
algoritmo devido reproduo preponderante de super-indivduos (Coello
& Pulido, 2001).
Para contornar estes problemas, prope-se o uso de um algoritmo gen-
tico com uma populao pequena e um processo de reinicializao com uma
memria externa para armazenar as solues no dominadas previamente
encontradas. Esta classe de algoritmo gentico denominada na litera-
tura de algoritmo micro-gentico (Coello & Pulido, 2001). Alm disto, no
algoritmo micro-gentico proposto includo um mecanismo de formao
de nichos capaz de manter vrias solues diferentes por um perodo de
tempo innito em relao ao tamanho da populao garantindo, assim,
a diversidade da populao. O algoritmo micro-gentico assim desenvol-
vido utilizado para calcular o scheduling de uma rede de distribuio de
derivados de petrleo.
Este artigo composto por sete sees. A Seo 2 traz um breve estado
da arte sobre os trabalhos relacionados s redes dutovirias, com especial
ateno para as solues de scheduling que usam tcnicas evolucionrias.
O algoritmo micro-gentico proposto desenvolvido na Seo 3. A rede
dutoviria estudada e o problema de distribuio de produtos a ela associ-
ado so discutidos respectivamente nas Sees 4 e 5. A Seo 6 apresenta
os resultados alcanados e, por m, a Seo 7 expe as concluses deste
trabalho.
334 Westphal et al.
2. Algoritmos Genticos Aplicados ao Scheduling de Dutos

Vrios mtodos metaheursticos, em especial aqueles baseados em AG, tm
sido utilizados para resolver problemas combinatrios em aplicaes de
scheduling (Hertz & Widmer, 2003; Dro et al., 2006; Souza-Filho et al.,
2006). Entretanto, somente um nmero limitado de artigos refere-se ao
scheduling de um poliduto ou de redes de dutos (Sasikumar et al., 1997;
Crane et al., 1999; Garcia et al., 2004; Alves & Ferreira-Filho, 2007; Arruda
et al., 2010).
O problema de scheduling mensal de uma rede de dutos para distribui-
o de produtos derivados do petrleo foi inicialmente proposto por Sasi-
kumar et al. (1997). Estes autores desenvolveram um mtodo heurstico
cuja soluo consiste de quatro componentes: o produto a ser enviado, sua
quantidade, o modal de transporte e a sequncia de envio. A soluo leva
em considerao restries do tamanho da batelada, do sequenciamento de
envio, e de tancagem na origem e no destino. Tambm so calculadas as
datas de envio e chegada dos produtos nas diferentes localidades. As solu-
es obtidas foram consideradas aceitveis pelos usurios para um perodo
de 30 dias.
Crane et al. (1999) apresentaram um modelo aplicando algoritmo ge-
ntico para a resoluo do problema simplicado de scheduling de dutos.
A rede estudada composta por 8 ns terminais com 2 tanques em cada,
ligados por 7 dutos unidirecionais em que no permitido a reverso, 2
produtos e 3 nveis de capacidade de armazenamento dos produtos nos tan-
ques. A soluo tima para este problema foi obtida, mostrando, assim, a
possibilidade de soluo de um problema complexo como o scheduling de
dutos atravs da aplicao de algoritmo gentico.
Em Cruz et al. (2003) um modelo para otimizao multiobjetivo base-
ado em algoritmo evolucionrio com restries proposto para o problema
de distribuio de produtos derivados do petrleo atravs de uma malha de
dutos. O modelo foi aplicado em um problema simplicado, com o obje-
tivo principal de satisfazer a demanda de produtos em um tempo mnimo,
minimizando a interface entre diferentes produtos.
Garcia et al. (2004) usaram duas tcnicas para a resoluo do problema
de scheduling de uma rede de dutos: um mtodo heurstico do tipo algo-
ritmo evolucionrio multiobjetivo, e programao matemtica usando o
mtodo das restries na programao linear inteira mista. Seus resultados
mostraram que os mtodos evolucionrios facilmente solucionam problemas
de otimizao combinatria no-lineares. So capazes de evitar timos lo-
cais, e ambas as tcnicas alcanaram solues similares. Entretanto, o uso
do mtodo hbrido, que combina programao linear e algoritmo evoluci-
onrio encontrou melhores solues em um tempo menor de execuo, se
consideradas ambas as tcnicas separadamente.
Em Alves & Ferreira-Filho (2007), um modelo baseado em algoritmo

gentico para a transferncia de petrleo em rede de dutos proposto,
considerando a disponibilidade de estoques no porto, a programao dos
cortes de petrleo na renaria, o tamanho da batelada e o sequenciamento
de envio. A soluo calculava um scheduling vivel para um horizonte de
tempo de 7 a 14 dias. No entanto consideraes fsicas de operao tais que
compatibilidade e restries de temperatura, alm de paradas de bombeio
no so levadas em conta na soluo apresentada.
Arruda et al. (2010) desenvolveram uma abordagem semelhante apre-
sentada neste trabalho em que utiliza um algoritmo gentico multiobjetivo
(MOGA) para estabelecer o scheduling mensal de uma rede de dutos. No
entanto, por apresentar uma funo de adequabilidade modelada em pro-
gramao linear inteira mista, o custo computacional da soluo apresen-
tada se torna inaceitvel para aplicaes reais.
Tentando amenizar os problemas de carga computacional acima cita-
dos, que se prope a utilizao de um algoritmo micro-gentico na soluo
do problema. Tem sido relatado na literatura que solues baseadas em
algoritmo micro-gentico permitem a reduo do tempo de processamento
enquanto mantm uma preciso aceitvel, se comparado com solues ob-
tidas via AG padro (Coello & Pulido, 2001; Chen et al., 2007; Carpinelli
et al., 2010). Esta reduo do tempo computacional deve-se ao fato que o
pequeno nmero de indivduo na populao reduz o esforo para avaliao
e ranqueamento de cada indivduo. Alm disto, utiliza-se o mtodo do
critrio global para avaliar cada indivduo, evitando a formao de mlti-
plas populaes comum aos mtodos MOEA (Coello, 2003; Arruda et al.,
2008). Tambm se prope uma aproximao do mtodo da ponderao de
objetivos para gerar prioridades entre os objetivos e preencher a memria
externa do algoritmo com o conjunto de solues no dominadas.
3. Algoritmo Micro-Gentico com Nichos e Castas

O algoritmo micro-gentico foi proposto por Krishnakumar (1989) para o
caso monobjetivo e mais tarde estendido para o caso multiobjetivo em (Co-
ello & Pulido, 2001). Em ambos os artigos, os algoritmos micro-genticos
desenvolvidos convergiram para a fronteira de Pareto de modo mais rpido
que suas contrapartidas padro (AG) que foram analisadas. Segundo estes
trabalhos, a garantia da convergncia do algoritmo micro-gentico est no
uso de estratgias de reinicializao da populao aps poucas geraes,
a m de assegurar a diversidade da populao e evitar convergncia pre-
matura. Em especial, o algoritmo proposto por Coello & Pulido (2001)
utiliza duas memrias auxiliares para esta reinicializao. A primeira
denominada memria populacional e usada como fonte de diversidade
na reinicializao das populaes. A segunda uma memria externa que
utilizada para guardar o conjunto de solues de Pareto encontradas ao
336 Westphal et al.
longo da evoluo. Alm disto, a memria populacional dividida em duas

partes, uma substituvel e outra no substituvel que se mantm ao longo
das geraes, assegurando a diversidade da populao. Ainda, segundo
Coello & Pulido (2001), para favorecer a busca ao longo das geraes em
diferentes pontos na fronteira de Pareto, tcnicas elitistas variadas devem
ser utilizadas. Assim, para cada reinicializao, as solues no-dominadas
armazenadas na memria externa devem ser selecionadas para fazer parte
da populao no substituvel de modo que, ao nal, a populao ser
exclusivamente formada por solues no-dominadas. Apesar dos meca-
nismos de formao de populao, um algoritmo micro-gentico funciona
exatamente igual a um algoritmo gentico padro atravs de procedimentos
de seleo e aplicao de operadores de recombinao e mutao (Goldberg,
1989).
A partir destas idias, este trabalho apresenta uma adaptao do algo-
ritmo gentico multi-objetivo com formao de nichos e castas proposto por
Westphal (2006); Arruda et al. (2008) para uma arquitetura micro-gentica.
Este algoritmo apresenta um mtodo de seleo baseado na tcnica elitista
de ranqueamento e formao de nichos (Goldberg, 1989), mas com algu-
mas particularidades. Neste caso, o elitismo mantm determinado nmero
de cpias de bons elementos dentro de uma casta isolada do programa
principal (casta elitista). Estes indivduos no participam do processo de
seleo e no sofrem alteraes dos operadores genticos. Alm disto, den-
tro desta casta no existem solues repetidas (Westphal, 2006). A casta
elitista guarda semelhanas com a memria no-substituvel do trabalho
de (Coello & Pulido, 2001).
As operaes genticas ocorrem somente no corpo principal do algo-
ritmo gentico, no qual existem cpias dos elementos guardados na casta
elitista. A casta elitista tem tambm a funo de manter os melhores
indivduos encontrados durante toda a evoluo, mesmo no momento da
convergncia total de um nico elemento nas demais castas da populao.
Para escolha dos indivduos em cada populao foi empregado o mtodo
de seleo por torneio, com elitismo de 10% do tamanho da populao.
Foram determinadas quatro castas distribuidas conforme a Figura 1. A
casta elitista composta por 10% do tamanho da populao, e abriga os
melhores elementos da gerao anterior, sem que haja repetio de uma
mesma soluo. A casta de reproduo formada pela reproduo dos 20%
melhores elementos da populao corrente, podendo haver repeties. A
casta intermediria formada pela transmisso direta de 50% da popula-
o corrente referente aos indivduos com nvel de aptido intermedirio.
A ltima casta composta pelas solues menos adequadas da populao
corrente, que sofrem um processo de eliminao e so transmitidas apenas
em parte para a nova gerao. As porcentagens determinando o tamanho
das castas foram escolhidas experimentalmente. A Figura 1 tambm apre-
Figura 1. Distribuio da populao e construo das castas.
senta o procedimento utilizado pelo algoritmo gentico para a construo

das castas descritas.
De acordo com a Figura 1, primeiramente os indivduos da popula-
o corrente so avaliados e em seguida ordenados de acordo com seus
nveis de aptido. A populao ento, subdividida em trs partes cor-
respondentes a 20, 50 e 30% do tamanho total da populao. A seguir, o
algoritmo repassa os indivduos com melhor nvel de aptido para a casta
elitista da populao seguinte, at completar o nmero de 10% do tama-
nho da populao, sem que haja indivduos iguais. Como pode existir
indivduos repetidos dentro da subdiviso Sb1 (20% melhores da popula-
o corrente), a casta elitista pode ser formada por elementos das outras
subdivises. Posteriormente os indivduos da subdiviso Sb1 so repro-
duzidos atravs da atuao da seleo por torneio formando a casta de
reproduo. Os indivduos da subdiviso Sb2 so repassados diretamente
para a casta intermediria, e, nalmente, alguns indivduos da subdiviso
Sb3 sofrem eliminao, tambm atravs da utilizao da seleo por tor-
neio novamente, gerando a casta de eliminao. Aps este procedimento,
so utilizados os operadores genticos de mutao e recombinao somente
no corpo principal do algoritmo gentico (Figura 1), para a nalizao da
338 Westphal et al.
construo da nova gerao. Esta nova gerao tem todos os seus indi-
vduos avaliados, ordenados e posteriormente subdivididos nas trs partes
(Sb1, Sb2 e Sb3 ) para a continuao do ciclo de busca.
Com a utilizao da metodologia apresentada, ao nal da evoluo,
so disponveis na casta elitista, no apenas um, mas vrios indivduos
que formam o conjunto das melhores solues encontradas pelo algoritmo
gentico. Neste conjunto podem existir ou no solues de Pareto. Para
descobr-las aplicado o algoritmo proposto por Deb (1999), o qual ro-
tula as solues em dominadas e no-dominadas. Aps esta rotulao, as
solues no-dominadas so enviadas para uma memria externa do algo-
ritmo, de onde sero selecionadas algumas solues para a reinicializao
completa da populao do algoritmo micro-gentico que ocorre aps uma
convergncia parcial.
De acordo com Carpinelli et al. (2010) nos algoritmos micro-genticos
duas condies podem ser testadas para determinar a reinicializao das
populaes:
o controle do melhoramento da adequabilidade das solues (tness )
existentes na populao corrente.
um nmero mximo de indivduos gerados e/ou de geraes pr-
estabelecidas.
Neste artigo adotou-se a segunda estratgia, e aps um nmero xo de
geraes, a populao completamente substituda. Para esta substitui-
o, as subdivises Sb2 e Sb3 so aleatoriamente inicializadas, enquanto a
subdiviso Sb1 recebe elementos da memria externa, os quais so solues
no-dominadas. O algoritmo micro-gentico pra aps um nmero xo de
reinicializaes e, como resultado nal, a memria externa possui um con-
junto de solues no-dominadas bem distribudas ao longo da fronteira de
Pareto do problema.
4. Rede de Dutos
O modelo utilizado neste trabalho uma simplicao de uma rede real e
mostrado na Figura 2. Este modelo composto por um conjunto de fontes
(renarias) representadas na Figura 2 pelos ns N1 e N2, um conjunto de
terminais (pontos de destino) representados pelos ns N5, N6 e N7, e um
conjunto de tanques intermedirios que podem ser receptores ou fornece-
dores de produtos (parque de armazenagem) representados pelos ns N3
e N4. Ainda na Figura 2, as linhas que unem os ns representam os du-
tos e as echas representam a direo em que ui o produto transportado.
Ambos os ns, N1 e N2, fornecem produtos para N3 e N4 atravs das
conexes D1, D2, D3 e D4. Estas conexes so unidirecionais, ou seja, o
produto ui somente na direo da fonte para os ns intermedirios. Os
ns N3 e N4 so conectados atravs de um poliduto bidirecional D5 e D8.
A conexo D6 e D7 conectam os ns N5 e N6 a N3 respectivamente. As

conexes D9 e D10 conectam os ns N6 e N7 a N4 respectivamente. Os
produtos produzidos nas fontes N1 e N2 so designados de forma genrica
como produto P1, P2, P3 e P4. O produto que cada fonte produz con-
gurado conforme desejado. Por exemplo, a fonte N1 pode ser congurada
para produzir produtos do tipo 1 e 2 e a fonte N2 para produzir produtos
do tipo 3 e 4.
Figura 2. Rede estudada.
Considera-se a tancagem agregada por produto, isto , cada n inter-

medirio e/ou terminal possui a quantidade de tanques necessria para
receber cada produto. Ou seja, se em um n possvel receber quatro ti-
pos de produtos, ento se assume que neste n existam pelo menos quatro
tanques para a armazenagem destes produtos.
O modelo assume uma discretizao uniforme do tempo e considera
ainda que os produtos so entregues na forma de bateladas discretas. Uma
batelada representa um volume mnimo de um produto a ser transportado
em uma unidade de tempo. Uma batelada unitria um volume mnimo
que preenche um duto. Cada conexo possui uma distncia normalizada
em termos de unidades de tempo necessrias para que uma dada batelada
seja transportada de um ponto a outro. Com isto o tempo de transporte de
uma batelada de um n a outro na rede um nmero inteiro e, os tempos
envolvidos em todas as conexes so mostrados na Tabela 1.
A soluo para o problema dada por cada tipo de batelada que
enviada em cada instante de tempo em cada conexo da rede. Os progra-
madores de scheduling da rede devem atender aos seguintes objetivos:
Demanda de fornecimento: denida como a quantidade mnima de
bateladas de cada produto que deve ser enviada de uma renaria,
340 Westphal et al.
Tabela 1. Matriz de tempos de percursos (conexo) na rede.

Conexo N de origem N de destino Tempo
1 1 3 1
2 1 4 3
3 2 3 3
4 2 4 2
5 3 4 3
6 3 5 3
7 3 6 4
8 4 3 2
9 4 6 3
10 4 7 2
evitando assim a saturao dos seus tanques de armazenagem. No

desejvel paralisar a produo por falta de parque de armazenagem.
Demanda de recebimento: denida como a quantidade de batela-
das de cada produto que deve ser entregue aos pontos solicitantes
(terminais).
Minimizao do tempo para atendimento s demandas, este tempo
denominado horizonte de programao.
Minimizao da fragmentao das bateladas nas conexes: evitar
a alternncia no envio das bateladas dos produtos, ou seja, tentar
enviar sempre sequncias de bateladas do mesmo produto. A alter-
nncia no tipo de produto a ser enviado pode provocar contamina-
es nas fronteiras do produto enviado e por isto a fragmentao de
bateladas no desejada
4.1 Representao da rede no AG

Uma matriz onde cada linha representa um indivduo usada para codicar
a populao. Cada indivduo composto por instantes de tempo, que por
sua vez contm o valor da batelada (tipo de produto transportado) de todas
as conexes naquele instante. Por exemplo, a Figura 3 mostra um indivduo
que representa o estado da rede em 10 instantes de tempo: os primeiros
n elementos representam as bateladas enviadas atravs das n conexes
no primeiro instante de tempo, os n elementos seguintes representam as
bateladas para o segundo instante de tempo e assim sucessivamente. Os
valores esto no intervalo [0; numerodeprodutos] onde 0 representa uma
conexo vazia.
Para aproximar o modelo da situao real, a fonte representada pelo
n N1 pode produzir tipos de produtos diferentes de N2. Desta forma,
algumas conexes no podem assumir determinados valores. Uma tabela
Figura 3. Codicao do AG.
de compatibilidade de produtos por conexo, respeitando as produes nas

renarias foi implementada (Tabela 2), onde x indica que o produto no
pode passar na conexo.
Tabela 2. Matriz de compatibilidade de produtos por conexo.

Conexo P1 P2 P3 P4
1 1 2 x x
2 1 2 x x
3 x x 1 2
4 x x 1 2
5 1 2 3 4
6 1 2 3 4
7 1 2 3 4
8 1 2 3 4
9 1 2 3 4
10 1 2 3 4
5. Formulao do Problema de Otimizao Multiobjetivo

Para a formulao matemtica do problema de scheduling da rede mostrada
na Figura 2 foi utilizada a seguinte nomenclatura:
Bij : Quantidade de bateladas demandada do produto j pelo destino i.
Rij : Quantidade de bateladas recebida do produto j no destino i.
Pij : Quantidade mnima de bateladas do produto j que deve ser enviada
pela fonte i.
Cij : Quantidade de bateladas do produto j armazenado no tanque i.
Eij : Quantidade de bateladas do produto j enviado pela fonte i.
F ragi : Quantidade de fragmentaes na conexo i.
M ask: Vetor contendo a quantidade de produto em cada conexo em
um dado instante de tempo. Este vetor resultante da aplicao
342 Westphal et al.
da mscara dada na Tabela 2 em um indivduo codicado como na

Figura 3.
T chegadaij : Tempo de chegada da ltima batelada do produto j no des-
tino i.
T mini : Menor tempo de recebimento de uma batelada no destino i.
T max: Horizonte de tempo do modelo ou horizonte de programao.
N C : Nmero de colises na conexo bidirecional.
LCmij : Limite inferior da quantidade de bateladas do produto j no n i.
LCMij : Limite superior da quantidade de bateladas do produto j no n
i.
N f : Quantidade de fontes.
N d: Quantidade de destinos.
Nconex : Quantidade de conexes.
N ti : Quantidade de tanques no n i.
N n: Quantidade de ns.
N o: Quantidade de objetivos.
5.1 Restries
O modelo matemtico desenvolvido est sujeito a uma srie de restries
operacionais descritas pelas Equaes 1 a 4. A Equao 1 indica que uma
quantidade mnima de cada produto deve ser enviada de cada fonte, para
evitar a paralisao da produo em uma renaria devido indisponibili-
dade de recursos (tanques) para armazenagem dos produtos.
Pij Eij LCMij para i = 1, ... Nf e j = 1, ... N ti (1)

A demanda em cada destino deve ser cumprida para evitar desabasteci-
mento no mercado e cada destino no deve receber mais do que o planejado
pois pode no haver tanques sucientes para armazenar os estoques.
Rij = Bij para i = 1, ... Nd e j = 1, ... N ti (2)
Um n no pode enviar e receber ao mesmo tempo produtos de uma
conexo bidirecional, portanto ou o n est em um estado de envio ou de
recebimento ou ainda em estado ocioso.
NC = 0 (3)
A capacidade de armazenamento em cada n no pode ser violada.
LCmij Cij LCMij para i = 1, ... Nn e j = 1, ... N ti
(4)
As restries 1 e 2 sero tratadas como objetivos. Para tratar as restri-

es 3 e 4 adotou-se uma estratgia de reparao da soluo que consiste em
reparar um indivduo infactvel, transformando-o em uma soluo factvel.
A reparao da restrio 3 considera que a conexo bidirecional des-
dobrada em duas conexes, uma representando o envio em um sentido, e
a outra representando o envio no sentido oposto. Desta maneira, toda vez
que duas bateladas existirem na conexo ao mesmo tempo, a batelada que
iniciar primeiro ser mantida, e a outra ser retirada. Se as bateladas inici-
aram ao mesmo tempo o envio, ento uma delas retirada aleatoriamente.
Para a reparao da restrio 4 e a m de eliminar a sobredemanda,
uma funo recursiva implementada. Esta funo responsvel por fazer
a contagem das bateladas e por atualizar o estado de cada tanque. Para
cada conexo, e em cada instante de tempo, a funo identica se est
acontecendo um evento de envio ou de recebimento de uma batelada. Se
o evento for um envio, ento a nica violao passvel de ocorrer seria a
superao do limite inferior do tanque. Caso ocorra esta violao, a bate-
lada retirada da conexo e adicionada ao estoque na origem da batelada.
Caso o evento seja um recebimento de uma batelada, ento ocorreria uma
violao no limite superior da tancagem agregada. Neste caso, a batelada
retirada da conexo, decrementada no destino e adicionada na origem. Ao
adicionar uma batelada na origem, o estado passado do estoque se altera
podendo ocorrer uma nova violao e por isto a funo deve ser recursiva
e recomear a contar as bateladas novamente aps terminar a vericao
em todo o horizonte de tempo.
5.2 Funo de fitness

O mtodo aplicado para calcular o desempenho de um indivduo uma
aproximao do mtodo do critrio global, onde faz se necessrio o conhe-
cimento do valor timo da funo objetivo como forma de normalizar a rede
(Coello & Christiansen, 2000). Critrios com grandezas diferentes podem
dominar a avaliao nal e com isto prejudicar os critrios com magnitudes
menores. O mtodo do critrio global apresentado na Equao 5:
N0
X fi (x) fi0
F (x) = (5)
i=0
f maxi fi0
onde F (x) o resultado da composio de todos os objetivos, f maxi o

pior caso para o critrio i, fi (x) o resultado do critrio i e fi0 o valor
ideal para o objetivo i. Ao normalizar a rede, os resultados cam dentro da
faixa [0; 1], de tal forma que 0 o valor timo desejado, ou seja, todos os
critrios foram cumpridos. F (x) com valor igual a 1 signica que nenhum
critrio foi atendido. Qualquer valor de F (x) entre 0 e 1 mostra que o
critrio foi atendido parcialmente.
344 Westphal et al.
Conforme discutido na Seo 4, os programadores estabelecem quatro

objetivos a serem alcanados pela poltica de scheduling da rede de dutos.
A formulao matemtica destes objetivos dada pelas Equaes 6 a 9.
A m de atender a demanda de fornecimento, a Equao 6 considera a
minimizao do envio de uma produo mnima por produto e por fonte,
considerando todas as fontes.
Nf N tj Eij
1 X 1 X 1 Pij , Eij Pij
min ( ) (6)
N f j=0 N tj i=0 0, Eij > Pij
Para atender a demanda de recebimento, a Equao 7 apresenta a
minimizao do atendimento demanda de cada produto em cada destino,
considerando todos os destinos conjuntamente.
Nd N tj
1 X 1 X Eij
min 1 (7)
N d j=0 N tj i=0 Pij
Para minimizar o tempo de atendimento demanda de recebimento
necessrio penalizar o resultado quando esta demanda no atendida,
considerando que a varivel T chegadaij coincide com T mimj . A Equao 8
miniza o tempo de atendimento demanda por produto em cada destino,
considerando todos os destinos conjuntamente.
N tj T chegadaij T minj
Nd
1 X 1 X T maxT minj
+ Bij Rij
min (8)
N d j=0 N tj i=0 Bij Rij + 1
A Equao 9 minimiza a fragmentao no envio de bateladas em todas

as conexes do modelo.
NX
conex F ragi M ask[i]1
1 , F ragi M ask[i]
min ( M ask[i] ) (9)
Nconex i=0
0 , F ragi > M ask[i]
A avaliao nal de um indivduo (medida de adequabilidade ou tness )

obtida pela mdia da soma de todos os objetivos, levando em considerao
seus respectivos pesos, conforme mostrado na Equao 10.
PN0
i=0 i fi
J= P N0
para i 0 (10)
i=0 i
A metodologia desenvolvida mostrada na Figura 4 e foi implementada
em linguagem C++ utilizando a ferramenta Builder 5.0. Primeiramente
uma populao inicializada com valores aleatrios. Em seguida, a funo
reparadora corrige as solues infactveis desta populao de acordo com
a violao de cada restrio. As violaes referem-se aos limites mximo e
mnimo dos tanques, a sobreproduo e a existncia de colises. A popu-

lao em seguida avaliada e ranqueada de acordo com a funo objetivo
na Equao 10. Para isto so calculados os quatro objetivos referentes
produo mnima, ao atendimento demanda (restries modeladas como
objetivos), ao tempo deste atendimento e por m fragmentao (obje-
tivos propriamente ditos). Aps o ranqueamento, as castas elitistas so
formadas e alguns indivduos so selecionados para a aplicao dos ope-
radores genticos de recombinao e mutao de acordo com o explicado
na Seo 3. A nova populao ento formada e ca sujeita novamente
a funo reparadora, pois solues infactveis podem surgir em qualquer
ocasio aps as operaes genticas.
Figura 4. Metodologia baseada em AG para otimizao multiobjetivo do

scheduling da rede de dutos.
Como mostrado na Figura 4, o algoritmo micro-gentico a menos do

mecanismo de formao da populao funciona exatamente como um al-
goritmo gentico padro em que os operadores genticos so responsveis
por criar novos e melhores indivduos a partir dos j existentes. Os opera-
dores implementados neste trabalho so a recombinao de ponto nico e
a mutao, conforme descrito em Westphal (2006).
346 Westphal et al.
6. Resultados e Discusso
Para validar o modelo proposto, foi realizado um estudo de caso em que
os objetivos das Equaes 6 a 9 so ponderados na Equao 10 com os
pesos dados na Tabela 3, os quais levam o denominador da funo de t-
ness na Equao 10 a assumir o valor 10. Nesta tabela, considera-se que
o objetivo relativo minimizao da fragmentao no envio das bateladas
um critrio que pode prejudicar o desempenho da otimizao dos outros
critrios. Por esta razo o objetivo possui um peso associado menor. Isto
signica que evitar a fragmentao importante, mas no a prioridade
neste estudo de caso. Por outro lado, o atendimento s demandas de forne-
cimento e recebimento, bem como a minimizao do tempo de transporte
dos produtos na rede so igualmente priorizados. O horizonte de progra-
mao considerado em ambas as simulaes de 48 unidades de tempo, ou
seja, o ltimo recebimento de produto possvel ser na unidade de tempo
48 e nenhum envio poder ocorrer aps este tempo.
Tabela 3. Ponderaes utilizadas na funo objetivo.

Critrio Objetivo Peso
Demanda de fornecimento (f1 ) 3
Demanda de recebimento (f2 ) 3
Minimizao do tempo de programao (f3 ) 3
Minimizao da Fragmentao (f4 ) 1
Para este estudo de caso, os parmetros do algoritmo micro-gentico

foram escolhidos de acordo com as recomendaes de Grefenstette (1986)
e so dados na Tabela 4. Os limites mximo de armazenamento (volume
dos tanques) para cada produto em cada n so dados na Tabela 5.
Tabela 4. Parmetros do AG.

Parmetro Valor
Tamanho da populao 20
Taxa de mutao 0,1
Taxa de recombinao 0,8
Quantidade de indivduos para o torneio 8
Quantidade de geraes para a reinicializao 1000
Para este estudo de caso, as demandas de fornecimento so congura-

das atravs de uma quantidade mnima de bateladas de cada produto que
deve ser enviada a partir de cada renaria. Do mesmo modo, as deman-
das de recebimento so congurada atravs da quantidade de bateladas de
Tabela 5. Limite mximo de estoque de produto em cada n.

N P1 P2 P3 P4
1 10 10 10 10
2 10 10 10 10
3 10 10 10 10
4 10 10 10 10
5 6 6 6 6
6 6 6 6 6
7 6 6 6 6
cada produto que cada terminal dever receber. Estas demandas de for-
necimento e recebimento por n so apresentadas na Tabela 6. Os valores
iniciais de estoque por produto e por n so dados na Tabela 7.
Tabela 6. Demandas de fornecimento e recebimento.

Demanda N P1 P2 P3 P4
Fornecimento 1 5 5 - -
Fornecimento 2 - - 5 5
Recebimento 3 3 3 3 3
Tabela 7. Valores iniciais de estoque de produto em cada n.

N P1 P2 P3 P4
1 8 8 0 0
2 0 0 8 8
3 1 1 1 1
4 1 1 1 1
5 0 0 0 0
6 0 0 0 0
7 0 0 0 0
Todas as simulaes foram realizadas em um computador HP Intel

Pentium Mobile 1600Mhz, 512 MB de memria RAM. Foram executados
20 experimentos de 5000 geraes cada. Em um experimento, a cada mil
geraes, parte da populao (subdivises Sb2 e Sb3 ) reiniciada aleato-
riamente nos espaos de busca descritos acima, excetuando a subdiviso
Sb1. Esta subdiviso reinicializada com solues no-dominadas aleato-
348 Westphal et al.
riamente selecionadas da memria externa. Aps formao da nova popu-

lao, os individuos so ranqueados para a formao das castas conforme
mostrado na Figura 1 e, a evoluo continua. Os resultados estatsticos em
termos de mdia, mediana, desvio padro (DP), mximo e mnimo de cada
um dos objetivos (Equaes 6 a 9) e da funo de avaliao (Equao 10)
esto mostrados na Tabela 8. Estes resultados tambm so apresentados
no boxplot da Figura 5. Em todas estas execues foram encontradas 31
solues de Pareto diferentes.
Tabela 8. Resultados para um conjunto de 20 simulaes

Funo Mnimo Mximo Mdia Mediana DP
f1 0 0,5114 0 0,0714 0,1584
f2 0 0,4087 0,0093 0,0601 0,0936
f3 0,2877 0,6208 0,3263 0,3866 0,1018
f4 0 0,3017 0,1000 0,1200 0,0851
J 0,0490 0,4416 0,0622 0,1184 0,1010
0.6
0.5
0.4
VALORES
0.3
0.2
0.1
f1 f2 f3 f4 J
OBJETIVOS
Figura 5. Resultados estatsticos de 20 simulaes.
Por exemplo, para o experimento 1 (primeira simulao com 5.000 ge-

raes), foram encontradas 3 diferentes solues de Pareto que so dadas
na Tabela 9. Onde o valor zero signica que o objetivo foi cumprido, o
valor um signica que o objetivo no foi cumprido e qualquer valor entre
zero e um signica que o objetivo foi atendido parcialmente.O tempo de
execuo para achar a soluo foi de 30 segundos. O estado nal de cada
tanque em cada n apresentado na Tabela 10. A carta de Gantt apre-

sentada na Figura 6 mostra a distribuio de cada produto nas conexes
do melhor indivduo ao longo do horizonte de programao.
Tabela 9. Solues de Pareto para o experimento 1.

Indivduo Demanda de Demanda de Tempo de Fragmen-
(soluo) Recebimento Fornecimento atendimento tao
1 0 0 0,35 0,26
7 0,11 0 0,44 0,24
9 0,16 0 0,58 0,18
Tabela 10. Valores nais de estoque de produto em cada n.

N P1 P2 P3 P4
1 0 0 0 0
2 0 0 0 0
3 1 1 0 1
4 0 0 1 0
5 3 3 3 3
6 3 3 3 3
7 3 3 3 3
Pode-se notar que tanto a demanda de recebimento (objetivo f1 )

quanto a de fornecimento (objetivo f2 ) foram atendidas totalmente. No
grco da Figura 6 pode ser visto que os envios se concentram do lado es-
querdo do grco, o que signica que houve uma minimizao do tempo de
atendimento (objetivo f3 ) a demanda. Atingir o valor zero para o objetivo
de minimizao do tempo no possvel, pois sicamente invivel que
todos os produtos de um terminal sejam recebidos ao mesmo tempo com
apenas uma ou duas conexes. A Figura 6 mostra tambm uma minimiza-
o na fragmentao das bateladas (objetivo f4 ) nos envios, isto pode ser
notado pela baixa alternncia de produtos no grco.
Para ns de comparao, a Figura 7 traz a carta de Gantt da soluo
de Pareto representada pelo indivduo 7 da Tabela 9. Analisando a co-
nexo 1 desta gura, comprova-se que esta soluo apresenta uma menor
fragmentao (3 ocorrncias) entre os produtos P1 e P2, em comparao
com a mesma conexo da soluo tima dada na Figura 6 (4 ocorrncias).
Os resultados encontrados so satisfatrios em termos de soluo e ve-
locidade de convergncia e validam o modelo e a metodologia propostos.
Apesar da complexidade do modelo, a implementao pode ser conside-
rada simples. O bom desempenho da rede est associado capacidade de
350 Westphal et al.
Figura 6. Carta de Gantt da melhor soluo (indivduo 1).
Figura 7. Carta de Gantt de uma soluo no-dominada (indivduo 7).

corrigir solues infactveis. As funes reparadoras devem ser tratadas

com ateno para evitar inconsistncias nas solues durante as geraes.
Os resultados tambm mostram que a conexo 6 uma conexo crtica
visto que devido a sua extenso, representada por uma elevada distncia
em unidades de tempo, era necessrio que ela estivesse 100% do tempo
ocupada para o atendimento da demanda dentro do horizonte de tempo
programado.
Por m, os resultados obtidos com o algoritmo micro-gentico proposto
foram comparados com os resultados obtidos com o algoritmo MOGA de-
senvolvido em Arruda et al. (2010). O micro-gentico foi 10 vezes mais
rpido que o MOGA em termos de carga computacional, e apresentou
uma diversidade de solues na fronteira de Pareto equivalente: 31 para
micro-gentico e 28 para o MOGA.
7. Concluses
Este trabalho apresentou uma modelagem de um problema de distribuio
de derivados de petrleo atravs de uma rede de dutos a qual uma sim-
plicao de uma rede real. O mtodo de soluo proposto baseado em
algoritmo micro-gentico com elitismo, tcnica de ranqueamento e forma-
o de nicho, o qual garante, ao nal da evoluo, um conjunto de boas
solues em relao aos diferentes objetivos do problema de otimizao. A
utilizao de uma pequena populao com uma memria externa e uma
casta interna garantiu a diversidade na populao e permitiu alcanar um
conjunto de solues bem distribuido ao longo da fronteira de Pareto do
problema multi-objetivo. O mtodo do critrio global foi utilizado para
construo de uma funo de tness multiobjetivo e a utilizao de ponde-
raes permitiu a elaborao de um mtodo sistemtico para a insero de
prioridades no modelo. O tratamento das restries via funo reparadora
foi uma contribuio essencial para evitar solues infactveis. Atravs do
mtodo recursivo desenvolvido, restries deixaram de ser vistas como ob-
jetivo e puderam ser corrigidas dinamicamente sem depender da evoluo
do modelo.
As simulaes realizadas no estudo de caso demonstraram o potencial
do modelo desenvolvido para auxiliar o processo de tomada de deciso em
problemas de scheduling de uma rede de distribuio de derivados de pe-
trleo, sugerindo alternativas de solues, de acordo com os objetivos con-
siderados.Uma das principais vantagens do mtodo proposto foi o baixo
tempo computacional para alcanar a soluo quando comparado com ou-
tra tcnica do tipo MOEA.
Neste trabalho a modelagem apresentada no contemplou o uso inteli-
gente das conexes bidirecionais e, com isto, no proporcionou um ganho
real ao modelo, no que se refere utilizao deste tipo de conexo. O uso
352 Westphal et al.
racional destas conexes importante, uma vez que elas so o gargalo de

muitas operaes em redes reais.
Agradecimentos
Os autores agradecem Agncia Nacional do Petrleo ANP e Fi-
nanciadora de Estudos e Projetos FINEP por meio do Programa de
Recursos Humanos da ANP para o Setor Petrleo e Gs PRH-ANP/MCT
(PRH10-UTFPR) e ao CNPq (Processos 305188/2007-0 e 311877/2009-5).
Referncias
Alves, V. & Ferreira-Filho, V., Programao de transferncia de derivados
de petrleo em rede dutoviria usando algoritmo gentico. In: Anais
do XXXIX Simpsio Brasileiro de Pesquisa Operacional. Fortaleza,
CE, p. 112, 2007.
Arruda, L.; Neves-Jr, F. & Yamamoto, L., Using MOGA to order batches
in a real world pipeline network. In: Garca-Pedrajas, N.; Herrera, F.;
Fyfe, C.; Bentez, J.M. & Ali, M. (Eds.), Trends in Applied Intelligent
Systems Part III. Heidelberg, Alemanha: Springer-Verlag, v. 6098
de Lecture Notes in Articial Inteligence, p. 546555, 2010.
Arruda, L.; Swiech, M.; Delgado, M. & Neves-Jr., F., PID control of MIMO
process based on rank niching genetic algorithm. Applied Intelligence,
29(3):290305, 2008.
Carpinelli, G.; Protoa, D.; Noceb, C.; Russoc, A. & Varilone, P., Opti-
mal allocation of capacitors in unbalanced multi-converter distribu-
tion systems: A comparison of some fast techniques based on genetic
algorithms. Electric Power Systems Research, 80:642659, 2010.
Chen, D.; Hsu, Z. & Lin, F., Micro-genetic approach for surface meshing on
a set of unorganized points. Computer Methods in Applied Mechanics
and Engineering, 196:19972008, 2007.
Coello, C., Evolutionary multiobjective optimization: Current and future
challenges. In: Bentez, J.; Cordn, O.; Homann, F. & Roy, R. (Eds.),
Advances in Soft Computing: Engineering, Design and Manufacturing.
Heidelberg, Alemanha: Springer-Verlag, p. 243256, 2003.
Coello, C. & Christiansen, A., Multiobjective optimization of trusses using
genetic algorithms. Computers & Structures, 75(6):647660, 2000.
Coello, C. & Pulido, G., A micro-genetic algorithm for multiobjective op-
timization. In: Zitzler, E.; Deb, K.; Thiele, L.; Coello, C.C. & Corne,
D. (Eds.), Evolutionary Multi-criterion Optimization. Berlin, Alema-
nha: Springer-Verlag, v. 1993 de Lecture Notes in Computer Science,
p. 126140, 2001.
Crane, D.; Wainwright, R. & Schoenefeld, D., Scheduling of multi-product

fungible liquid pipelines using genetic algorithms. In: Proceedings of
the ACM Symposium on Applied Computing. San Antonio, EUA, p.
280285, 1999.
Cruz, J.; Andrs-Toro, B.; Hrran, A.; Besada, E. & Blanc, P., Multi-
objective optimization of the transport in oil pipeline networks. In:
Proceedings of the IEEE International Conference on Emerging Tech-
nologies and Factory Automation. p. 566573, 2003.
Deb, K., Evolutionary algorithms for multi-criterion optimization in en-
gineering design. In: K. Miettinen M.M. Mkel, P.N. & Periaux,
J. (Eds.), Proceedings of Evolutionary Algorithms in Engineering and
Computer Science. Chichester, Reino Unido: John Wiley & Sons, p.
135161, 1999.
Dro, J.; Siarry, P.; Petrowski, A. & Taillard, E., Metaheuristics for Hard
Optimization. 2a edio. Heidelberg, Alemanha: Springer-Verlag,
2006.
Garcia, J.; Martin, J.; Gonzales, A. & Blanc, P., Hybrid heuristic and
mathematical programming in oil pipelines networks. In: Proceedings
of the IEEE Congress on Evolutionary Computation. v. 2, p. 1479
1486, 2004.
Goldberg, D., Genetic Algorithms in Search, Optimization, and Machine
Learning. Reading, EUA: Addison-Wesley, 1989.
Grefenstette, J., Optimization of control parameters for genetic algorithms.
IEEE transactions on Systems, Man and Cybernetics, 16(1):122128,
1986.
Hertz, A. & Widmer, M., Guidelines for the use of meta-heuristics in com-
binatorial optimization. European Journal of Operational Research,
151(2):247252, 2003.
Krishnakumar, K., Micro-genetic algorithms for stationary and non-
stationary function optimization. In: Rodriguez, G. (Ed.), Procee-
dings of SPIE Intelligent Control and Adaptive Systems Conference.
p. 289296, 1989.
Neves-Jr, F.; Magato, L.; Stebel, S.; Boschetto, S.; Felizari, L.; Czai-
kowski, D.; Rocha, R. & Ribas, P., An ecient approach to the ope-
rational scheduling of a real-world pipeline network. In: Plesu, V. &
Agachi, P. (Eds.), Proceedings of 17th European Symposium on Com-
puter Aided Process Engineering. Bucareste, Romnia: Elsevier B.V.,
p. 697702, 2007.
Relvas, S.; Matos, H.; Barbosa-Pvoa, A.; Fialho, J. & Pinheiro, A., Pi-
peline scheduling and inventory management of a multiproduct dis-
tribution oil system. Industrial & Engineering Chemistry Research,
45(23):78417855, 2006.
354 Westphal et al.
Sasikumar, R.; Prakash, S.; Patil, R. & Ramani, S., PIPES: A heuris-
tic search model for pipeline schedule generation. Knowledge-Based
Systems, 10(3):566573, 1997.
Shah, N., Single and multisite planning and scheduling: Current status
and future challenges. American Institute of Chemical Engineering
Symposium Series, 320(94):7590, 1998.
Souza-Filho, E.; Alves, V. & Ferreira-Filho, V., Utilizao de tcnicas de
pesquisa operacional em problemas de distribuio dutoviria: Uma
reviso. In: Anais do XXXVIII Simpsio Brasileiro de Pesquisa Ope-
racional. Goinia, GO, p. 18731880, 2006.
Westphal, H., Algoritmo Gentico Aplicado Otimizao Multiobjetivo em
Redes de Distribuio de Petrleo. Dissertao de mestrado, Programa
de Ps-graduao em Engenharia Eltrica e Informtica, Universidade
Tecnolgica Federal do Paran, Curitiba, PR, 2006.
Notas Biogrficas
Henrique Westphal Mestre e Bacharel em Engenharia Eltrica pela Univer-
sidade Tecnolgica Federal do Paran. Atualmente trabalha como Engenheiro
de Pesquisa e Desenvolvimento na Landys+Gyr.
Flvio Neves Jr. Doutor em Automao pela Universit Paul Sabatier -

Frana (LAAS, 1998) e atualmente Professor Associado III do Departamento
de Eletrnica e do Programa de Ps-Graduao em Engenharia Eltrica e
Informtica Industrial (CPGEI), ambos da Universidade Tecnolgica Federal do
Paran.
Lcia Valria Ramos de Arruda Doutor em Automao pela Universit de

Nice Sophia-Antipolis - Frana (UNSA, 1992) e atualmente Professora Asso-
ciada III do Departamento de Eletrnica e do Programa de Ps-Graduao em
Engenharia Eltrica e Informtica Industrial (CPGEI), ambos da Universidade
Tecnolgica Federal do Paran.
Captulo 16
Aplicao de Algoritmos Bio-Inspirados

para a Sntese e Otimizao de Sistemas
para Produo de Petrleo Offshore
Beatriz Souza Leite Pires de Lima e Breno Pinheiro Jacob
Resumo: A indstria de petrleo vem enfrentando novos desaos

na produo em guas profundas. No caso Brasileiro, as recentes
descobertas de grandes reservas na camada do pr-sal tm impul-
sionado atividades de pesquisa, dentre elas o desenvolvimento de
ferramentas computacionais de anlise e projeto de sistemas para
produo oshore. Neste cenrio, este captulo descreve resumida-
mente algumas aplicaes de mtodos de computao evolutiva na
soluo de diferentes problemas de sntese e otimizao de sistemas
de produo de petrleo oshore. As aplicaes abordadas incluem
o projeto de sistemas de risers, de operaes de canhoneio de poos,
e de denio de rotas de dutos submarinos.
Palavras-chave: Petrleo e gs, Sistemas oshore, Risers, Poos

de petrleo, Dutos submarinos, Sntese e otimizao, Computao
evolutiva.
Abstract: The oil & gas industry has been facing new challenges
in deepwater production activities. The recent discoveries of huge
oil reserves on the Brazilian pre-salt region have pushed research
activities, including the development of computational tools for the
analysis and design of oshore production systems. In this context,
this chapter summarizes some applications of evolutionary compu-
tation on the solution of dierent synthesis and optimization pro-
blems, including the design of riser systems; perforating procedures
of oil wells, and denition of submarine pipeline routes.
Keywords: Oil and gas, Oshore systems, Risers, Oil wells, Sub-
marine pipelines, Synthesis and optimization, Evolutionary compu-
tation.
Autor para contato: bia@coc.ufrj.br
356 Lima & Jacob
1. Introduo
A crescente demanda por leo, gs e energia vem levando a indstria de pe-
trleo a enfrentar novos desaos, relacionados principalmente a atividades
de produo em guas profundas. No caso brasileiro, as recentes descober-
tas de grandes reservas na camada do pr-sal tm impulsionado atividades
de pesquisa, incluindo o desenvolvimento de ferramentas computacionais
de anlise e projeto de sistemas para produo oshore. Dentre os diferen-
tes tipos de sistemas que tm sido estudados, neste captulo ser abordada,
resumidamente, a aplicao de mtodos de computao evolutiva na solu-
o de problemas de sntese e otimizao relacionados ao projeto de risers,
de operaes de canhoneio de poos e de denio de rotas de dutos
submarinos.
Para a produo de petrleo oshore, empregam-se plataformas utu-
antes mantidas em posio por sistemas de ancoragem. As facilidades de
produo na plataforma so conectadas a equipamentos submarinos (como
as cabeas de poo ou manifolds) por conjuntos de dutos exveis conheci-
dos como risers, que levam o leo e gs plataforma, e tambm podem ser
empregados para injetar gua e gs nos poos. Uma congurao tpica de
riser conectado a uma plataforma utuante ilustrada na Figura 1.
Figura 1. Riser conectado a plataforma utuante.
Por sua vez, o projeto e execuo dos poos inclui diversas atividades,
incluindo perfurao, revestimento e cimentao. Estas ltimas compem
a etapa de completao, que visa garantir produo satisfatria com o
mnimo de intervenes. Nesta etapa, para manter a estabilidade geo-
mecnica do poo e evitar o colapso, pode-se instalar um revestimento de
ao. Como isto restringe o uxo de leo entre a rocha-reservatrio e o poo,
necessita-se executar as operaes de canhoneio para restaurar o uxo.
Tais operaes consistem em empregar cargas explosivas para abrir tneis
que atravessam o revestimento, o cimento e perfuram a rocha-reservatrio,
como ilustrado na Figura 2.
Algoritmos bio-inspirados para otimizao de sistemas de produo de petrleo 357
Figura 2. Poo de petrleo canhoneado.
Finalmente, os sistemas oshore incluem, ainda, dutos submarinos em-

pregados para exportar a produo de uma plataforma at uma base em
terra, ou at outra plataforma instalada em guas mais rasas. A Figura 3
ilustra duas rotas alternativas para um duto apoiado no leito marinho, pas-
sando prximo a obstculos e conectando equipamentos submarinos prxi-
mos a duas plataformas.
Figura 3. Rota de duto submarino.
Tradicionalmente, o projeto de tais sistemas vinha sendo feito manual-

mente por engenheiros, por inspeo e/ou efetuando uma srie de simula-
es numricas que empregam mtodos custosos de anlise (por exemplo,
o Mtodo dos Elementos Finitos MEF), compondo estudos paramtri-
cos exaustivos. Para ilustrar estes procedimentos tradicionais de projeto,
pode-se considerar o caso dos trs tipos de sistemas oshore mencionados
anteriormente.
No caso do projeto de risers, para executar tais estudos usualmente
empregavam-se ferramentas computacionais baseadas no MEF, variando-se
358 Lima & Jacob
os parmetros que denem sua congurao (por exemplo, o comprimento

e posio dos segmentos com utuadores). O resultado das simulaes
permitia indicar melhores valores para estes parmetros, que levam a uma
congurao eciente, com menores custos e capaz de resistir aos carrega-
mentos aplicados.
Por outro lado, no projeto das operaes de canhoneio, diferentes fa-
tores afetam a produtividade do poo, incluindo o nmero de tiros, a pro-
fundidade e o dimetro do tnel. Neste caso, o objetivo tambm seria
determinar os valores para estes parmetros que levem minimizao dos
custos e ao aumento do uxo gerado pelo tnel do canhoneio, de modo a
maximizar a produo.
Em relao ao projeto de dutos submarinos, a seleo de uma rota
para o duto tem sido feita manualmente por engenheiros, pela inspeo
dos dados geofsicos e geotcnicos (obtidos da batimetria e sonograa de
fundo) e dos dados de obstculos (equipamentos submarinos, regies que
devem ser evitadas, etc).
Assim, verica-se que, mesmo com o auxlio de mtodos de simulao
numrica, estes procedimentos so altamente dependentes da experincia
do engenheiro. Portanto, devem ser formalmente descritos e tratados como
problemas de sntese e otimizao. Sabe-se tambm que estes e outros pro-
blemas de engenharia so complexos por natureza e de difcil modelagem,
o que diculta a aplicao de mtodos de otimizao clssicos. Por outro
lado, os mtodos de computao evolutiva tem se mostrado promissores,
como ilustrado em trabalhos anteriores com a participao dos autores
(Vieira et al., 2003; Albrecht, 2005; de Lima et al., 2005; Vieira et al.,
2008, 2010; Pina et al., 2010) onde tais mtodos so aplicados a problemas
oshore reais.
Assim, o restante deste captulo descreve resumidamente desenvolvi-
mentos de ferramentas de sntese e otimizao baseadas em mtodos de
computao evolutiva, para os trs tipos de sistemas oshore descritos: ri-
sers, canhoneio de poos e rota de dutos. Tais desenvolvimentos vm sendo
efetuados no contexto de trabalhos acadmicos (dissertaes de Mestrado
e teses de Doutorado orientadas pelos autores), e em atividades de con-
sultoria e desenvolvimento em parceria com a Petrobras. Os seguintes
mtodos de computao evolutiva so empregados na implementao das
ferramentas aqui descritas: Algoritmos Genticos (AG), Enxame de Part-
culas (PSO) e Sistemas Imunolgicos Articiais (SIA).
A descrio das ferramentas inclui a modelagem de cada problema, em
termos da montagem da funo-objetivo que avalia cada congurao can-
didata gerada no processo de busca. Esta funo, que depende dos aspectos
relevantes envolvidos no respectivo projeto, geralmente envolve um termo
de custo (procurando alcanar os menores custos de construo/operao)
e termos de penalizao (procurando respeitar as restries de projeto, de
modo a obedecer todas as normas e critrios associados).
Em aplicaes de algoritmos evolutivos a problemas de otimizao de

engenharia, o custo computacional para avaliao da funo objetivo pode
ser muito alto. Esta questo se mostra especialmente importante para
as aplicaes especcas em engenharia oshore apresentadas neste traba-
lho. Por exemplo, na otimizao de sistemas de risers cada congurao
candidata deve ser avaliada atravs de anlises dinmicas no-lineares de
modelos de Elementos Finitos, que demandam tempo de processamento
muito elevado. Portanto, o foco dos estudos apresentados tambm reside
na reduo do nmero de anlises para o clculo da funo objetivo. Esta
questo tratada atravs de aprimoramentos nos algoritmos, customizando
seus parmetros de acordo com cada problema especco estudado, e na
utilizao de metamodelos.
2. Modelagem dos Problemas

2.1 Risers
2.1.1 Descrio do problema
Os risers empregados em plataformas utuantes podem ser classicados
como exveis ou rgidos (Jacob et al., 1999). Risers exveis so estru-
turas complexas, com camadas de diferentes tipos de material. Tem sido
empregados com sucesso em guas com profundidade menor do que 1000m.
No entanto, em guas mais profundas podem alcanar seus limites de via-
bilidade tcnica e econmica, devido s elevadas presses externas a que
so submetidos.
Mais recentemente, o conceito de riser rgido em catenria (SCR) tem
se mostrado capaz de superar estas limitaes, pois so de estruturas mais
simples, fabricadas com tubos de ao. Estudos anteriores (Jacob et al.,
1999) avaliaram conguraes alternativas para SCRs, desde a catenria
livre at outras mais complexas com elementos de utuao. Os resulta-
dos demonstraram que estas ltimas apresentam um comportamento mais
favorvel, e dentre elas a congurao lazy-wave (ilustrada na Figura 1)
foi selecionada para estudos mais detalhados. A congurao lazy-wave
um arranjo em dupla catenria, com utuadores distribudos instalados em
uma seo intermediria do riser. Estes utuadores aliviam o peso supor-
tado pela plataforma, e contribuem com foras de restaurao quando o
riser submetido a cargas laterais.
Em Jacob et al. (1999) o comportamento desta e de outras congura-
es de risers foi estudado atravs de um grande nmero de anlises no-
lineares no domnio do tempo empregando modelos de Elementos Finitos.
Tais anlises compuseram um exaustivo estudo paramtrico, envolvendo a
variao manual de diferentes parmetros do riser e de dados de carrega-
mento ambiental, para avaliar o comportamento estrutural e determinar
valores melhores para alguns dos parmetros que denem a congurao
360 Lima & Jacob
do riser (incluindo, por exemplo, o comprimento e posicionamento do seg-

mento com utuadores). Naquele trabalho, o objetivo era alcanar uma
congurao com custos razoveis e capaz de resistir s cargas ambientais
extremas e operacionais.
No entanto, aqueles estudos foram efetuados para um cenrio parti-
cular, e as concluses obtidas no podem ser diretamente estendidas para
outros cenrios como, por exemplo, em guas ultra-profundas, onde outro
conjunto semelhante de exaustivos estudos paramtricos deveria ser rea-
lizado. Assim, deve-se reconhecer que a seleo de uma congurao de
riser com bom desempenho estrutural e baixos custos deve, de fato, ser
formalmente descrita e tratada como um problema de sntese e otimizao.
Neste captulo so sintetizados alguns dos resultados obtidos em tra-
balhos anteriores (Vieira et al., 2003; de Lima et al., 2005; Vieira et al.,
2008), onde mtodos de computao evolucionria foram empregados no
desenvolvimento de uma ferramenta para a otimizao de conguraes de
risers. Nas duas prximas sees ser descrita a modelagem do problema
e, mais adiante, na Seo 4.1, sero apresentados resultados de estudos de
casos.
2.1.2 Variveis de projeto

A Figura 4 apresenta um modelo esquemtico indicando as variveis de
projeto consideradas no processo de otimizao de um riser em congura-
o lazy-wave, a ser instalado em um cenrio com profundidade da lmina
d'gua indicada pelo parmetro H.
Figura 4. Variveis de projeto para o riser.
Os parmetros geomtricos que denem o riser so os comprimentos

dos segmentos de topo, com utuadores, e inferior (respectivamente L1, L2
e L3; o comprimento, dimetro e espaamento das bias (Lf , HDf e Esp);
o ngulo () que o eixo do riser faz com a direo vertical na conexo com
a plataforma, medido na congurao de equilbrio neutro; a profundidade

da conexo (z ), e a projeo horizontal (P ).
No entanto, estes dois ltimos parmetros so ditados pela caracte-
rstica da plataforma e do posicionamento dos poos. Portanto, no so
considerados como variveis de projeto do riser propriamente dito. Por
outro lado, possvel demonstrar que o ngulo est geometricamente re-
lacionado projeo P e soma dos comprimentos (L1 + L2 + L3). Desta
forma, as variveis de projeto tratadas no problema de otimizao so L1,
L2, L3, HDf , Lf e Esp. Os valores para as demais variveis so calcula-
dos a partir destes parmetros de busca, ou dados como parmetros xos
de entrada, como denido em Vieira et al. (2008).
2.1.3 Funo objetivo e restries

Uma funo de avaliao do riser pode ser denida em funo do compri-
mento e custo de cada segmento, bem como do custo das bias, de acordo
com a Equao 1:
fmin
f = Pn (1)
i=1 IC i Li + (Vf lut ICf lut )
onde i = 1, ..., n representa o ndice de cada segmento; ICi e Li so, res-

pectivamente, a ponderao de custo relativo e o comprimento de cada
segmento; Vf lut e ICf lut representam o volume das bias e o respectivo fa-
tor de ponderao de custo; e fmin o valor mnimo que pode ser atribudo
a f de modo a normalizar o resultado no intervalo [0,1].
As restries de projeto, determinadas a partir de resultados de anlises
estruturais do riser, so as seguintes:
a) Um valor mximo admissvel para a tenso equivalente de Von Mises
atuando nas sees do riser (para garantir sua integridade estrutural);
b) Um valor mximo para o ngulo entre o eixo do riser e a direo vertical,
na conexo de topo com a plataforma (para atender a requisitos da
instalao);
c) A variao mxima entre o ngulo de built-in, medido a partir do eixo

do riser no topo, entre a congurao de equilbrio neutro e qualquer
outra congurao alcanada pelo riser durante a aplicao das cargas
ambientais e do movimento da plataforma (para atender a limitantes
do projeto da junta exvel que compe a conexo com a plataforma);
d) A trao mxima no topo (tambm para atender ao projeto da junta

exvel);
e) A trao mnima do riser no segmento de fundo (para evitar compres-

so, ambagem e colapso do riser ).
362 Lima & Jacob
Uma funo de penalizao associada violao de cada uma destas

cinco restries, pela seguinte expresso em termos da razo x entre o
limite de projeto e o valor extremo calculado pelas anlises, afetada por
um fator k para favorecer solues no restringidas:
k (1 x3 ),

se x<1
P = (2)
0, se x1
Finalmente, a aptido de uma congurao de riser dada por:

f
faptido = 100 P (3)
1.0 + Pj
onde Pj a penalizao associada violao do j -simo critrio de restri-
o. Com esta expresso normalizada, a faixa de valores possveis para a
aptido varia no intervalo [0,100].
2.2 Canhoneio
A principal meta do processo de canhoneio de poos de petrleo elevar a
produtividade, procurando maximizar o desempenho da operao e mini-
mizar os custos. Contudo, determinar a melhor estratgia para o canhoneio
e a produo do poo um processo complexo, visto que h um grande
nmero de variveis envolvidas, incluindo as propriedades geomtricas do
poo e do tnel do canhoneado (ilustrados na Figura 5), as propriedades
fsicas da rocha-reservatrio, as condies operacionais e o cenrio econ-
mico.
Para avaliar a inuncia destas variveis e determinar quais delas efe-
tivamente inuenciam no desempenho do poo de petrleo, em trabalhos
anteriores foram efetuados estudos paramtricos baseados em modelos de
Elementos Finitos (da Silva et al., 2008; Baioco et al., 2008) . No entanto,
em razo da grande quantidade de parmetros, e da ampla faixa de varia-
o de cada um deles, verica-se que efetuar manualmente a gerao de
modelos e a execuo de anlises um procedimento muito exaustivo.
Assim, o desenvolvimento de uma ferramenta computacional de sntese
e otimizao, empregando algoritmos evolutivos, contribui para a obteno
e o uso de informaes sobre a inuncia de todos estes parmetros, iso-
ladamente ou combinados, objetivando a maximizao da produtividade,
reduzindo os riscos na tomada de deciso e, consequentemente, obtendo
maiores ganhos para a indstria do petrleo.
O desenvolvimento de tal ferramenta atende a diferentes objetivos, in-
cluindo os seguintes:
a) Formar um banco de conhecimentos com resultados de anlises pa-

ramtricas realizadas automaticamente, possibilitando uma viso mais
abrangente das operaes de canhoneio;
Figura 5. Representao esquemtica do tnel canhoneado.
b) Denir valores melhores para parmetros que caracterizem a operao,

de modo a obter procedimentos mais ecientes, que levem a maiores
ganhos na produtividade;
c) Quando estiverem disponveis ndices de custo atribudos a diferentes

componentes da operao de canhoneio, a denio da congurao
tima poder atender tambm ao critrio de custos menores.
Os resultados apresentados consistem de uma implementao prelimi-

nar da ferramenta de otimizao, tendo-se obtido um primeiro prottipo,
a partir do qual, aps novos ciclos de testes, aplicaes e desenvolvimentos
(incluindo a disponibilizao de mais informaes sobre ndices de custo),
ser possvel obter uma verso de produo da ferramenta. Tal ferramenta
poder ser de grande valia para a gesto de operaes de canhoneio, quando
aplicada tomada de deciso de projetos de completao.
Partindo-se de um mdulo de otimizao baseado em implementaes
de algoritmos evolutivos descritos na Seo 3, as tarefas para implementa-
o desta ferramenta podem ser sintetizadas da seguinte forma:
a) Dentre os parmetros relacionados ao problema de uxo em canhonea-

dos estudados em (da Silva et al., 2008; Baioco et al., 2008), selecionar
os mais adequados para compor as variveis de projeto que devem ser
otimizadas. Para isto torna-se necessrio estudar a correlao e a inter-
dependncia entre os diferentes parmetros.
364 Lima & Jacob
b) Montagem da funo objetivo que avalia cada congurao, prevendo a

denio de ndices de custos relativos. O procedimento padro para a
anlise do problema de uxo emprega o programa de Elementos Finitos
MSC/MARC. Alternativamente, foi desenvolvido um metamodelo para
o clculo da vazo no canhoneado baseado em uma soluo analtica
aproximada.
c) Estabelecimento de restries e penalidades para controlar o espao de

busca e evitar o surgimento de indivduos ou conguraes dos parme-
tros do procedimento de canhoneio que no sejam factveis ou realistas.
2.2.2 Variveis de projeto

A tarefa (a), mencionada anteriormente, crucial para se obter uma fer-
ramenta factvel, j que, caso fossem considerados todos os parmetros da
extensa quantidade envolvida em procedimentos de canhoneio, o espao de
busca do processo de otimizao seria demasiadamente complexo. Assim,
o passo inicial na montagem da ferramenta consistiu-se na execuo de
uma anlise estatstica de correlao entre as variveis, utilizando como
referencial um grande banco de dados obtido com os resultados dos estu-
dos paramtricos relacionados ao problema de uxo (da Silva et al., 2008;
Baioco et al., 2008).
O resultado desta anlise estatstica permitiu estabelecer a correla-
o dos parmetros entre si e com a produtividade, de modo a identicar
quais inuenciam mais signicativamente no processo e, portanto, devem
ser considerados como variveis livres no processo de otimizao. Na sele-
o das variveis considera-se a distino entre parmetros geomtricos do
problema do canhoneio (dentre os quais se incluem aqueles que realmente
podem ser controlados durante operaes de canhoneio), e os parmetros
fsicos que so caractersticas da rocha-reservatrio e, portanto, no podem
ser considerados como variveis de projeto a otimizar.
Considerando-se estes critrios, e observando-se a representao esque-
mtica de um tnel canhoneado indicado na Figura 5, as variveis livres
selecionadas para o procedimento de otimizao so as seguintes:
a) Densidade de tiros, expressa como o nmero de tiros por p ( spf, Shots

per Foot), variando entre 2-5 spf;
b) Comprimento do tnel (Lp ), variando entre 3-80 in;
c) Dimetro do tnel na rocha (Dehr ), variando entre 2 e 1 in;
d) Dimetro nal do tnel (Dehf ), variando entre 0,1 e 0,75 in;
e) Espessura da regio da rocha danicada pelo canhoneio (ec ), variando

entre 0,1 e 1 in.

Para a avaliao da funo objetivo dos indivduos, ou conguraes de ca-
nhoneio candidatas no processo de otimizao, deve-se determinar o com-
portamento do problema de uxo de leo da rocha-reservatrio at o poo,
passando pelos tneis do canhoneado.
O modelo matemtico para representar o problema de uxo baseado
na lei de Darcy para um sistema radial, dado pela Equao 4, onde k
representa a permeabilidade da rocha; a viscosidade do uido; re e rw
so os raios do reservatrio e do poo, respectivamente; h a altura do
sistema de uxo radial, e P a variao da presso:
2kh
q= P (4)
ln rrwe
O mtodo mais preciso para resolver este modelo matemtico e calcular
o uxo no poo canhoneado consiste em gerar modelos numricos tridimen-
sionais e efetuar anlises de Elementos Finitos (EF), empregando-se, por
exemplo, um programa comercial como o MSC/MARC. No entanto, cada
anlise computacionalmente muito dispendiosa. Alm disto, sabe-se que
em procedimentos tpicos de otimizao por algoritmos evolutivos podem
ser geradas dezenas de populaes, cada uma podendo incluir at centenas
de indivduos. Portanto, a avaliao de todos os indivduos de todas as
populaes poderia requerer milhares de anlises.
Desta forma, para o desenvolvimento, validao e testes da ferramenta
necessrio contar com uma ferramenta de avaliao mais rpida e eciente
do que uma simulao por EF. Para tanto, foi desenvolvido um metamo-
delo baseado na soluo de uma formulao analtica para o clculo da
vazo no canhoneado, a partir de uma analogia da Lei de Darcy para uxo
em meios porosos com transferncia de calor e resistncias trmicas. Esta
formulao, descrita em detalhes em Baioco et al. (2010), foi validada a
partir dos resultados obtidos pelo modelo numrico, e possui a vantagem
de exigir muito menos esforo computacional, reduzindo o tempo de an-
lise, podendo, portanto, ser utilizada na calibrao do algoritmo evolutivo
empregado.
Tomando o uxo q obtido, o desempenho ou aptido de cada indivduo
gerado pelo algoritmo de otimizao pode ento ser avaliado pela funo
apresentada a seguir, que dene a rentabilidade terica do processo (sem
levar em conta o declnio da vazo com o tempo), calculada em unidades
monetrias, em funo da vazo q e do custo total:
Aptido = M ax(3, 76 102 q Poil Tprod Cost) (5)
Esta funo considera o preo do leo Poil , o tempo de produo Tprod

e o custo da operao de canhoneio Cost. A constante que multiplica a
equao serve para converso de unidades. Alternativamente, caso estes
366 Lima & Jacob
parmetros de preo e custo no estejam disponveis, pode-se simplesmente

tomar o prprio valor do uxo q como a aptido, de modo a maximizar o
uxo de leo.
Finalmente, as restries na gerao dos modelos devem ser deni-
das para controlar o espao de busca e evitar o surgimento de indivduos
ou conguraes dos parmetros do canhoneio que no sejam factveis ou
realistas. As restries dizem respeito geometria do canhoneado e s pro-
priedades de permeabilidade k da rocha s e das regies danicadas pela
perfurao e pelo canhoneio, como descrito a seguir com base no esquema
da Figura 5.
As restries geomtricas procuram evitar que sejam gerados canhone-
ados distorcidos que no ocorrem em aplicaes reais. Assim, os dimetros
do tnel na entrada no revestimento do poo (Deh ) e na ponta (Dehf )
devem ser menores que o dimetro na rocha (Dehr ): Deh , Dehf < Dehr .
Para haver coerncia no raio de drenagem do reservatrio, o raio externo
do reservatrio (re ) deve ser maior que o raio do poo (rw ) somado ao
comprimento do tnel (Lp ) e da ponta (Lf ): re > rw + Lp + Lf . Para
evitar sobreposio dos tneis dos canhoneados, o produto da densidade
de tiros (spf ) pelo dimetro do tnel na rocha (Dehr ) no pode exceder o
permetro do poo e a altura (h): spf . Dehr < 2 rw e spf Dehr < h.
A ltima restrio geomtrica estabelece que a espessura do dano do ca-
nhoneio (ec ), deve ser menor que o dimetro do tnel na rocha (Dehr ):
Dehr > ec .
Finalmente, considera-se uma restrio relacionada aos parmetros de
permeabilidade, que estabelece que a permeabilidade do tnel (kt ) deve
ser maior que a da rocha s (kr ), a qual, por sua vez, deve ser maior do
que a das regies danicadas pelo canhoneio e pela prpria perfurao:
kt > kr > kc , kf .
Estas restries so vericadas para cada indivduo gerado. Caso al-
guma delas seja violada, um novo valor para o parmetro correspondente
gerado aleatoriamente, dentro da faixa admissvel, mantendo-se o indivduo
assim modicado na populao.
2.3 Rota de dutos

Como mencionado na Introduo, tradicionalmente a seleo de uma rota
para dutos submarinos tem sido efetuada manualmente pelo engenheiro,
por inspeo dos dados de batimetria e obstculos no fundo do mar. Trata-
se de um processo complexo e governado por diversas variveis, seguindo
recomendaes de projeto estabelecidas por normas. Eventualmente, a
avaliao de alguma rota poderia ser feita atravs de mtodos de anlise
e simulao numrica, mas, de qualquer forma, o processo altamente
dependente da experincia do engenheiro.
Intuitivamente, a melhor rota seria aquela com o menor comprimento,

levando a menores custos de material. No entanto, outros fatores que afe-
tam o desempenho tambm devem ser considerados, incluindo, por exem-
plo, as informaes geofsicas/geotcnicas/geogrcas obtidas atravs de
medies de sonograa e levantamento da batimetria de fundo. Tais dados
denem os obstculos e regies no leito marinho que devem ser evitadas,
levam a um valor mnimo de raio de curvatura para a rota, e tambm
ao nmero de vos livres ao longo da rota que devem ser minimizados ou
mitigados.
Assim, torna-se aparente que o processo de seleo de uma rota de
duto submarino com elevado desempenho e baixo custo tambm deve ser
formalmente descrito e tratado como um processo de sntese e otimiza-
o. Neste contexto, trabalhos anteriores (Vieira et al., 2010; de Lima Jr.
et al., 2011) descreveram os passos iniciais na direo do desenvolvimento
e implementao de uma ferramenta para a sntese e otimizao de rotas
de dutos submarinos, baseada em mtodos de computao evolucionria.
Neste captulo, as prximas sees resumem os aspectos relacionados
modelagem do problema, e a Seo 4.3 apresenta alguns resultados preli-
minares obtidos. Maiores detalhes podem ser encontrados em (de Lima Jr.
et al., 2011).
2.3.2 Parametrizao da rota

A representao paramtrica que dene a congurao geomtrica de uma
rota, em termos de seus pontos extremos A e B, e de um conjunto de
trechos retos e curvas apresentada a seguir .
A Figura 6 ilustra um trecho em curva, denido como um arco circular
de raio R e pontos inicial e nal P C e PT respectivamente. Retas conectam
o ponto nal e inicial de duas curvas consecutivas; o prolongamento destas
retas se intersecta em um ponto de inexo (P I ). A posio do conjunto
de P Is pode ser associada a pontos base distribudos ao longo da linha
reta AB conectando os extremos da rota. A posio de cada P I relativa ao
respectivo ponto-base pode ento ser denida em termos das coordenadas
polares indicadas na Figura 7: as coordenadas radiais ( ) e angulares ().
Pode ser demonstrado (Vieira et al., 2010) que o conjunto de retas e
curvas que compem uma rota pode ser completamente descrito apenas
por essas coordenadas e de cada P I, e pelo raio R da curva associada.
Com base nestes parmetros principais, expresses para calcular os demais
parmetros secundrios so demonstradas em Vieira et al. (2010), incluindo
o ngulo central AC do setor circular; as coordenadas dos pontos P C e P T ;
o comprimento T dos segmentos de reta tangentes conectando estes pontos
ao ponto de inexo P I e as coordenadas do centro C do crculo contendo
o arco.
368 Lima & Jacob
Figura 6. Representao geomtrica de uma rota.
Figura 7. Coordenadas polares denindo um ponto de inexo P I .
Observa-se que esta representao planar complementada pela infor-

mao das coordenadas verticais obtidas de informaes de batimetria que
denem a topograa do fundo marinho.

A funo que avalia a aptido de cada rota candidata deve levar em conta
os aspectos relevantes considerados no projeto de rotas submarinas. Dentre
eles, um dos mais importantes o comprimento total, que deve ser mini-
mizado para reduzir custos de material. Desta forma, se outros aspectos
fossem ignorados, a melhor rota seria trivialmente denida como a linha
reta ligando os pontos extremos A e B.
Evidentemente, existem diversos outros fatores que afetam o custo e a
segurana de uma rota de duto, relacionados s restries fsicas, geom-
tricas e estruturais. Para tratar estes fatores, introduzem-se Np termos
de penalidade na funo objetivo, de modo que a aptido de cada rota
calculada pela seguinte expresso:
distAB
Aptido = 100 P Np (6)
LRota + i=1 (Ki penali )
O termo distAB representa o comprimento da reta entre os extremos
da rota. Se uma dada rota no viola nenhuma restrio, sua aptido
denida simplesmente como distAB /LRota , e a soluo trivial de uma rota
no penalizada teria o valor mximo de aptido igual a 100 j que distAB =
LRota .
Nesta expresso, o valor de cada termo de penalidade representado
como penali , e Ki representa um fator de ponderao atribudo a cada
penalidade para controlar sua inuncia relativa. As restries associadas
a estas penalidades so descritas em detalhes em de Lima Jr. et al. (2011),
e algumas delas so apresentadas de forma resumida a seguir.
Auto-Cruzamento
A metodologia de parametrizao descrita na Seo 2.3.2 poderia gerar
rotas com segmentos que se cruzam. Como tal congurao geomtrica no
factvel em aplicaes reais, introduz-se o seguinte termo de penalizao
para evitar o auto-cruzamento de uma rota, com base em um algoritmo que
percorre todos os segmentos e conta o nmero de cruzamentos nSelf Cross:
penalSelf Cross = exp(nSelf Cross 1) (7)
Interferncia com Obstculos

A regio de solo marinho ao longo das rotas pode incluir reas crticas
tais como corais, ou outros obstculos como equipamentos submarinos e
outros dutos j existentes. Assim, para cada rota gerada verica-se a ocor-
rncia de interferncia com tais obstculos, e acumula-se o nmero total
de ocorrncias em uma varivel nInter. Considera-se tambm os seguintes
graus de importncia de cada obstculo, de acordo com as consequncias
de uma possvel interferncia:
a) Poucas consequncias, pode ser tolerada;
b) Consequncias mdias;
c) Severas, no se permite interferncia.
A cada um destes nveis se atribui um fator de ponderao imp, per-

mitindo que o algoritmo aceite rotas que cruzam obstculos menos impor-
tantes, e o termo de penalizao denido pela seguinte expresso:
nInter
!
X
penalObst = exp imp 1 (8)
i=1
370 Lima & Jacob
Comprimento Mnimo dos Trechos Retos

As operaes de lanamento de dutos requerem trechos retos entre duas
curvas, e tambm nos segmentos inicial e nal da rota, para garantir as
manobras da embarcao de lanamento. Trechos retos j so natural-
mente includos na parametrizao descrita na Seo 2.3.2, mas desejvel
garantir que um comprimento mnimo Lmin seja respeitado. Para isto,
introduz-se um termo de penalidade quando a rota apresenta um trecho
reto com comprimento menor do que este valor mnimo.
Raio Mnimo de Curvatura

Dutos lanados em curvas com raios pequenos podem escorregar sobre
o solo e deixar a rota predenida. Para evitar tal situao, estabelece-se o
seguinte termo de penalidade sempre que o raio Ri de uma curva menor
do que um valor Rrotamin , funo do coeciente de atrito solo-duto , do
peso submerso do duto ws , e da trao residual no duto Tresidual na sua
congurao de equilbrio aps o lanamento:
Tresidual
RRotamin = (9)
ws
penalRmin = exp(RRotamin Ri ) 1 (10)
Declividade
Um outro aspecto importante, relacionado batimetria do solo ma-
rinho, a declividade da superfcie do fundo do mar onde o duto est
apoiado. O algoritmo de gerao de rotas calcula a declividade de cada
ponto ao longo do duto tomando uma malha de pontos que representa o
fundo, gerada atravs das curvas de nvel. Sempre que a declividade (L )
assim calculada para uma srie de pontos ao longo da rota (nN odes) ex-
cede um valor preestabelecido (LLim ), introduz-se o seguinte termo de
penalidade:
nNP
odes
exp(L LLim )
i=1
penalDecliv = (11)
nN odes
3. Algoritmos
Nesta seo so apresentados os mtodos de computao evolutiva que
foram empregados na construo das ferramentas de sntese e otimizao
para as aplicaes oshore descritas na seo anterior.
importante ressaltar que, como o foco deste captulo reside exata-
mente na modelagem e no estudo do desempenho dos mtodos para estas
aplicaes, apenas um breve resumo de cada mtodo ser apresentado, res-

pectivamente para os Algoritmos Genticos (AG), Enxame de Partculas
(PSO) e Sistemas Imunolgicos Articiais (SIA). Para maiores detalhes, o
leitor pode consultar as referncias bibliogrcas citadas ao longo do texto.
3.1 Algoritmos genticos AG

Dentre os mtodos baseados em computao evolutiva mais populares,
destacam-se os Algoritmos Genticos (AG) (Goldberg, 1989). So ins-
pirados na Teoria de Darwin sobre a evoluo das espcies por seleo
natural. Na aplicao destes mtodos para a soluo de um problema de
otimizao, os indivduos (ou solues candidatas) mais aptos dentro de
uma populao tm uma probabilidade mais alta de sobreviverem, e de
gerarem descendentes mantendo suas boas caractersticas genticas.
Cada problema caracterizado por um conjunto de variveis (xn ) a oti-
mizar. Um conjunto de valores x1 , x2 , ..., xn para estas variveis dene um
dado indivduo ou soluo candidata. Nos AGs, cada varivel codicada
em um gene, e o conjunto de genes para todas as variveis, que identi-
ca cada indivduo, compe um cromossomo. Uma populao ento
representada por um conjunto de indivduos com seus respectivos cromos-
somos. Veja, por exemplo, a codicao de uma rota de duto apresentada
na Seo 4.3.
Nos AGs simples, inicia-se o processo de evoluo com uma populao
de indivduos gerada aleatoriamente. A evoluo das populaes rea-
lizada atravs de operadores genticos que, em cada gerao, efetuam a
seleo probabilstica dos melhores indivduos para reproduo. Para esta
seleo, avalia-se a qualidade ou aptido de cada indivduo, relacionada
ao valor da funo objetivo associada ao problema a ser otimizado (veja,
por exemplo, as Sees 2.1.3, 2.2.3 e 2.3.3 da seo anterior).
Os indivduos selecionados so colocados numa populao intermediria
para gerar os descendentes atravs das operaes de cruzamento e mutao.
Estas operaes so fundamentais na evoluo, pois permitem explorar
diversas regies do espao de busca. O cruzamento aplicado a um par
de indivduos criando dois descendentes, enquanto a mutao aplicada
somente num indivduo aps a operao de cruzamento. Este processo
segue os mesmos preceitos da teoria da evoluo, onde a probabilidade de
cruzamento alta e a de mutao muito baixa.
Como resultado das operaes de cruzamento e mutao, so criados
descendentes que compem as novas geraes. Cada gerao tende a ser
composta por melhores indivduos, e o processo continua at satisfazer um
determinado critrio de parada, com o melhor indivduo da ltima gerao
sendo a soluo obtida.
Ao longo dos anos, diferentes variaes e melhorias vem sendo incorpo-
radas no AG cannico (Deb et al., 2002; Lemonge & Barbosa, 2004; Giger
et al., 2007). Como j mencionado, no faz parte do escopo deste captulo
372 Lima & Jacob
descrever em detalhes o AG cannico e suas variaes. Para isto, o leitor

pode consultar Michalewicz (1999).
Quanto escolha dos parmetros de controle dos AGs, em princpio
ela deveria ser feita para cada aplicao especca, o que uma tarefa
complexa. Porm, de modo geral podem ser empregados os seguintes valo-
res, sugeridos na literatura (De Jong & Spears, 1990): taxa de cruzamento
entre 0,60 e 0,90 e de mutao entre 0,001 e 0,05 por bit. O tamanho da po-
pulao tambm pode variar de acordo com a aplicao. Algumas anlises
empricas sugerem valores entre 50 e 100 indivduos. Embora a maioria dos
trabalhos ajuste os parmetros do AG empiricamente, alternativas foram
empregadas procurando ajustar estes parmetros automaticamente (Eiben
et al., 1999).
3.2 Enxame de partculas PSO

O mtodo de otimizao por Enxame de Partculas PSO ( Particle Swarm
Optimization), proposto por um psiclogo da rea social e por um enge-
nheiro eletricista (Kennedy & Eberhart, 1995), tambm um algoritmo
populacional que tem apresentado excelentes resultados na soluo de pro-
blemas de otimizao em engenharia. O mtodo foi inspirado no comporta-
mento social de bandos de pssaros e cardumes de peixes. Esta inspirao
se deve essncia da inteligncia social, onde os indivduos aprendem com
o sucesso dos vizinhos, se comparam a eles e imitam o comportamento dos
que obtiveram sucesso.
No PSO, cada soluo candidata representada por uma partcula, que
se move pelo espao de busca em iteraes sucessivas na busca pelo ponto
timo. Este movimento baseado numa teoria scio-cognitiva onde cada
partcula possui sua prpria experincia e capaz de avaliar a qualidade
desta experincia. As partculas tambm possuem conhecimentos sobre o
desempenho de suas vizinhas, caracterizando um comportamento social.
Estes dois tipos de informao correspondem aprendizagem individual
(cognitiva) e transmisso cultural (social), respectivamente.
Considerando um espao de busca com dimenso L igual ao n-
mero de variveis de projeto, cada partcula i composta por vetores L-
dimensionais de posio Xi e velocidade Vi , que so atualizados ao longo
do tempo. O algoritmo armazena estes vetores em uma iterao t e os
emprega para a atualizao da populao na iterao t + 1.
Em cada iterao, a posio atual de cada partcula avaliada atravs
da funo objetivo associada ao problema, para determinar sua aptido.
A melhor posio encontrada pela partcula ao longo de toda a evoluo
at o momento atual armazenada em um vetor pi , e a melhor posio
encontrada por todas as partculas do enxame tambm armazenada em
um vetor pg .
Para atualizar o vetor de velocidade emprega-se a seguinte expresso:
pg Xi (t) pi Xi (t)
Vi (t + 1) = Vi (t) + C1 rnd1 + C2 rnd2 (12)
t t
onde t um intervalo de tempo, que pode ser considerado como tendo

valor unitrio; rnd1 e rnd2 so variveis aleatrias de distribuio uniforme
entre 0 e 1; um coeciente de inrcia que permite ajustar um balano
entre explorao e explotao (ou busca global e local) (Shi & Eberhart,
1998); C1 e C2 so os chamados parmetros social e cognitivo, uma vez
que ajustam o balanceamento entre os termos da equao que dependem
respectivamente da distncia entre a posio atual da partcula e a melhor
posio das partculas vizinhas (pg ) e da prpria partcula (pi ).
Para atualizar o vetor posio de cada partcula, utiliza-se a seguinte
equao:
Xi (t + 1) = Xi (t) + Vi (t + 1) t (13)
Em sntese, o algoritmo PSO pode ser descrito pelos seguintes passos:
1. Inicializar um conjunto de partculas em um tempo t=0 com velo-

cidades e posies aleatoriamente distribudas dentro do espao de
busca;
2. Avaliar a funo objetivo de cada uma das partculas da populao;
3. Atualizar a melhor posio de cada partcula individualmente e a

melhor posio do enxame;
4. Atualizar a posio de cada partcula no tempo t+1 baseado na

posio e velocidade no tempo t;
5. Repetir os passos 2 a 4 at que uma condio de parada seja satis-
feita.
3.3 Sistemas imunolgicos artificiais

O sistema imune natural (SI) o principal mecanismo de defesa do nosso
organismo contra a invaso de microorganismos externos patgenos. Sua
funo principal distinguir e classicar, entre todas as molculas presentes
no organismo, aquelas que so prprias (do prprio organismo) e no-
prprias (patognicas). O SI ativado quando reconhece uma molcula
no-prpria e produz uma defesa apropriada a esta ativao.
Os sistemas imunolgicos articiais (SIA) (de Castro & Timmis, 2002)
so ferramentas numricas inspiradas em teorias e princpios adaptativos
dos sistemas imunolgicos naturais. Diversas variantes dos algoritmos SIA
tm sido aplicadas a problemas reais de otimizao em engenharia. Dentre
eles destaca-se o algoritmo CLONALG (de Castro & von Zuben, 2002),
que o utilizado nas aplicaes descritas neste trabalho. Como o nome
374 Lima & Jacob
sugere, ele foi inspirado pelo princpio da seleo clonal, em particular na

gerao e proliferao de clones e na sua modicao atravs da aplicao
de hipermutao.
Este algoritmo, assim como o princpio que o inspirou, apresenta ca-
ractersticas evolutivas que se assemelham ao AG. No SIA, os anticorpos
so as solues candidatas e sua qualidade tratada como anidade, ou
seja, o equivalente aptido no AG.
O algoritmo possui algumas caractersticas importantes, dentre as quais
se destacam a capacidade de auto-adaptao da mutao, introduo de
diversidade na populao e preservao dos melhores anticorpos. A hi-
permutao somtica inversamente proporcional ao valor de anidade,
de forma que os melhores candidatos so pouco alterados devido s taxas
baixas de mutao, enquanto os piores buscam melhorar sofrendo maio-
res efeitos da mutao. A taxa de mutao () pode ser apresentada da
seguinte forma:

= eF (14)
onde um parmetro que controla a suavidade da exponencial inversa,

e F a anidade normalizada entre 0 e 1. Esta taxa empregada na
mutao Gaussiana largamente utilizada para codicao usando nmeros
reais (Michalewicz, 1999).
Em sntese, o algoritmo original de de Castro & von Zuben (2002) pode
ser descrito da seguinte forma:
1. Gerar uma populao de anticorpos aleatoriamente;
2. Avaliar os valores de anidade desta populao;
3. Gerar Nc clones, clonando todos anticorpos da populao;
4. Aplicar hipermutao nos clones proporcionalmente anidade;
5. Avaliar os valores de anidade da populao de clones mutados;
6. Selecionar os melhores clones para compor a nova populao de an-

ticorpos;
7. Repetir os passos 3 a 6 at atingir um critrio de convergncia.
4. Estudos de Caso
Esta seo apresenta resultados de estudos de casos com a aplicao das
ferramentas desenvolvidas para cada um dos problemas oshore conside-
rados, de acordo com a modelagem descrita na Seo 2, e empregando os
algoritmos descritos na Seo 3.
Procura-se abordar aspectos relacionados ao desempenho de cada ferra-
menta. Como j mencionado na Seo 1, no contexto de problemas reais de
engenharia tais como os problemas oshore o desempenho se mede em ter-

mos da reduo do nmero de avaliaes da funo-objetivo (evidentemente
associada ao aumento da aptido mdia e reduo do desvio-padro das
aptides em um conjunto de realizaes aleatrias de cada experimento).
Assim, sabendo-se que o desempenho dos mtodos de computao evo-
lutiva em geral signicativamente dependente dos valores escolhidos para
seus parmetros, apresenta-se resultados de experimentos variando os pa-
rmetros de modo a obter uma customizao do algoritmo para a aplicao
considerada. No caso dos risers, o foco est no ajuste dos parmetros do
mtodo PSO. No caso das operaes de canhoneio, na Seo 4.2.2 relata-se
sucintamente resultados da comparao do desempenho dos trs mtodos
(AG, PSO e AIS/CLONALG), cada um com parmetros ajustados para
esta aplicao em particular.
Ainda no caso das operaes de canhoneio, e tambm procurando me-
lhorar o desempenho do algoritmo, na Seo 4.2.1 apresentam-se resultados
da aplicao de um metamodelo analtico simplicado que se compor em
uma alternativa eciente para a avaliao da funo-objetivo.
Finalmente, na Seo 4.3 apresenta-se os primeiros resultados da apli-
cao da ferramenta de otimizao da rota de dutos submarinos com AG.
4.1 Risers
Estudos paramtricos relacionados aplicao de diferentes algoritmos evo-
lutivos para a otimizao de risers foram apresentados em Pina et al. (2010)
e Vieira et al. (2008). Nesta seo so resumidos alguns dos resultados ob-
tidos, considerando uma congurao lazy-wave a ser instalada em uma
lmina d'gua com profundidade de 1290m e uma projeo horizontal de
2000m.
Os limites atribudos para as variveis de projeto (Figura 4) so os se-
guintes: comprimento dos segmentos L1 e L3 variando entre [800m, 2000m],
comprimento do segmento com utuadores L2 [400m, 800m], dimetro das
bias [0,8m, 2m], comprimento das bias [0,5m, 2m] e espaamento entre
as bias [1m, 3m]. Assume-se que o segmento com bias custa duas vezes
mais do que um segmento de riser sem utuadores. Os limites para as
restries so os seguintes: tenso mxima de Von Mises 415,15 mPa, n-

gulo de topo mximo e mnimo 18 e 5 respectivamente, trao mxima
no topo 1500 kN, e trao mnima 300 kN. Foi empregada na codicao
das solues candidatas a representao real.
A seguir so sintetizados alguns dos resultados de experimentos reali-
zados com o PSO especicamente para aplicao de otimizao de risers,
procurando estudar o comportamento do algoritmo com a variao de seus
parmetros.
376 Lima & Jacob
4.1.1 Descrio dos experimentos

Uma descrio detalhada dos parmetros considerados pode ser encontrada
em Pina et al. (2010). Em sntese, tomam-se os coecientes de inrcia da
Equao 12, empregando tanto valores xos , quanto um valor inicial 0
associado a uma variao linear ou no linear, de acordo com Eberhardt &
Shi (2000) e Chatterjee & Siarry (2006), respectivamente; e os parmetros
social e cognitivo C1 e C2 , empregando diferentes valores iniciais e nais
que denem sua variao linear de acordo com a seguinte equao dada
por Ratnaweera et al. (2004), onde N o nmero mximo de iteraes:
t
Ci (t) = (Cif in Ciini ) + ciini (15)
N
Os testes consideraram uma populao de 10 partculas, levando em
conta resultados anteriores apresentados em Albrecht (2005) que indica-
ram que, com menos partculas, o espao de busca no sucientemente
explorado e pode-se chegar a uma convergncia prematura. Por outro lado,
o uso de mais de 10 partculas aumenta o custo computacional sem melho-
rar signicativamente os resultados.
O algoritmo executado 30 vezes para cada conjunto de parmetros,
cada execuo correspondendo a uma realizao dos termos aleatrios.
Cada execuo terminada quando a aptido mdia permanece acima de
98% da aptido da melhor partcula ao longo de cinco iteraes sucessivas,
o que indica que as partculas esto concentradas prximas a uma soluo
tima.
4.1.2 Resultados
Resultados estatsticos detalhados destes experimentos, em termos de m-
dia e desvio-padro dos valores de aptido, so apresentados em Pina et al.
(2010). Um bom desempenho do algoritmo indicado por altos valores
para a mdia e baixos valores para o desvio-padro.
Sumarizando as concluses obtidas, vale ressaltar a inuncia do coe-
ciente de inrcia . Observou-se que o uso de valores xos para levou
a resultados piores (com menores mdias e maiores desvios-padro de ap-
tido), enquanto o melhor desempenho do algoritmo foi vericado com o
uso da variao no-linear de .
Pde ser observado, ainda, que o desempenho signicativamente pre-
judicado pelo uso de valores menores para . Este comportamento mais
notvel para o valor xo = 0, 4 (ou para o valor inicial 0 = 0, 4 nos
casos com variao linear ou no-linear). Nestes casos, o algoritmo resulta
numa convergncia precoce para conguraes de risers apresentando va-
lores menores de aptido mdia e valores maiores de desvio-padro. Os
resultados no so notavelmente diferentes para valores maiores do que
= 0.8, embora para > 2, 0 tenham sido observados valores ligeira-
mente menores para a mdia e maiores para o desvio-padro. Isto sugere,

portanto, a seleo de (ou 0 ) em uma faixa entre 1,2 e 2,0 .
Dentre todos os experimentos executados, o que levou maior apti-
do mdia (61,54) corresponde ao conjunto de parmetros C1 /C2 com C1
variando linearmente entre 1 e 2, e C2 variando linearmente entre 2 e 1,
com variao no-linear do coeciente de inrcia e valor inicial 0 = 1, 6.
Dentre as 30 rodadas deste experimento, o maior valor individual de apti-
do obtido foi 61,69. A pequena diferena entre esta aptido mxima e o
valor mdio (apenas 0,15, ou 0, 24%) reetida no fato de que este expe-
rimento tambm levou a um dos menores valores de desvio-padro (0,108)
dentre todos os testes. Como mencionado anteriormente, valores baixos
de desvio-padro indicam a qualidade e a robustez do algoritmo, o que,
juntamente com a capacidade de fornecer maiores mdias de aptido, pode
ser considerada uma das caractersticas mais importantes do mtodo de
otimizao.
4.1.3 Desempenho computacional

Evidentemente, outra importante caracterstica do mtodo seu desem-
penho computacional. Para as aplicaes em problemas oshore descritas
neste captulo, os custos do algoritmo de otimizao propriamente dito
podem ser considerados irrelevantes. Nestas aplicaes, os custos se con-
centram no mtodo de avaliao de cada indivduo. No caso dos risers,
trata-se de anlises dinmicas no-lineares de modelos de Elementos Fini-
tos. Portanto, o desempenho do mtodo de otimizao deve ser medido em
termos do nmero de avaliaes efetuadas.
Durante a execuo dos estudos paramtricos, observou-se que o n-
mero de avaliaes cresce com o aumento do valor do coeciente de inrcia
. Para o menor valor xo utilizado, o algoritmo requereu cerca de 400
avaliaes. Tomando valores xos maiores o nmero de avaliaes cresce
notavelmente e, na maior parte dos casos, o algoritmo interrompido ao
se exceder o nmero limite de avaliaes estabelecido em 1000.
Por outro lado, observou-se que o nmero de avaliaes reduzido com
o uso da variao linear ou no-linear de . Valores iniciais de 0 em uma
faixa entre 0,4 e 1,2 levaram a um nmero de avaliaes entre 200 e 500.
Tomando valores iniciais maiores o nmero de avaliaes cresce, mas nunca
excedeu 900.
Em resumo, considerando-se apenas a ecincia e estabilidade do al-
goritmo (em termos de valores de mdia e desvio-padro da aptido), os
resultados dos experimentos sugerem que um comportamento mais preciso
e estvel do PSO pode ser obtido empregando a variao nolinear do coe-
ciente de inrcia , associado ao valor inicial 0 em uma faixa entre 1,2 e
2,0 . Ao se levar em conta o custo computacional, lembrando que o nmero
de avaliaes cresce com 0 , conclui-se que o valor mais adequado para 0
igual a 1,2 .
378 Lima & Jacob
4.2 Canhoneio
4.2.1 Comparao dos mtodos de avaliao
Inicialmente so apresentados resultados de experimentos comparando o
desempenho do processo de otimizao que utiliza avaliaes pelo mtodo
dos Elementos Finitos e pelo metamodelo composto pela avaliao anal-
tica aproximada, como descrito na Seo 2.2.3 (Baioco et al., 2008, 2010).
As variveis de projeto a otimizar so as descritas na Seo 2.2.2. Foi
empregada a representao real na codicao das solues candidatas.
A Figura 8 e a Figura 9 apresentam os grcos da evoluo dos al-
goritmos, usando, respectivamente, a avaliao numrica por Elementos
Finitos e o metamodelo analtico. Observa-se que esta ltima demandou
um nmero superior de avaliaes para obter a convergncia e chegar ao
resultado timo. Mesmo assim, como a avaliao analtica tem um custo
computacional muito inferior da avaliao numrica, o tempo total de
execuo do procedimento de otimizao com a avaliao analtica foi de
apenas 00:00:14, muito menor do que o requerido com a avaliao numrica,
15:12:25.
Figura 8. Evoluo do algoritmo utilizando avaliao por elementos nitos.
Figura 9. Evoluo do algoritmo utilizando a avaliao analtica.
Na Tabela 1 esto apresentados os valores das variveis que denem a

congurao do melhor indivduo, obtidos pela avaliao analtica aproxi-
mada e pelo solver de Elementos Finitos, bem como para a vazo obtida.
Como se pode observar, a avaliao analtica fornece uma aproximao

razovel dos resultados mais rigorosos de EF, tanto para os parmetros
timos, quanto para a vazo.
Portanto, observa-se que, devido sua elevada ecincia computacio-
nal, este metamodelo analtico pode se mostrar til para auxiliar na de-
purao da ferramenta de otimizao, bem como para a calibrao dos
parmetros do mtodo evolutivo. Apesar das simplicaes envolvidas, o
modelo fornece uma aproximao razovel, seguindo a tendncia do resul-
tado mais preciso fornecido pelo modelo numrico, e apresentando resulta-
dos mais conservadores.
Tabela 1. Comparativo dos valores timos.

Elementos Analtico Diferena
Finitos (%)
Nmero Tiros por Passo 5 5 0,0%
Comprimento do Tnel 76,97" 80,00" 3,9%
Dimetro de Entrada no Revestimento 0,5" 0,5" 0,0%
Espessura do Dano do Canhoneio 0,10" 0,10" 0,0%
3
Vazo (in /d) 4114,66 3949,51 4,0%
4.2.2 Comparao dos algoritmos

Estudos relacionados aplicao dos diferentes algoritmos evolutivos foram
apresentados em Baioco et al. (2010). Diferentes parmetros dos algoritmos
foram variados, incluindo o tamanho da populao, a taxa de cruzamento e
de mutao do AG, o nmero de anticorpos, clones e o valor do parmetro
do AIS/CLONALG, e o nmero de indivduos e os coecientes do PSO.
Para cada combinao de parmetros, foram realizadas 50 execues
da ferramenta de otimizao. Os resultados so apresentados em termos
de valores estatsticos (mdia e desvio-padro) da aptido do melhor in-
divduo, e do nmero de avaliaes da funo objetivo (que devem ser
reduzidas considerando que o uso de mtodos de avaliao por Elementos
Finitos tem custos computacionais elevados).
Os resultados so apresentados e comentados de forma detalhada em
Baioco et al. (2010), onde foram realizadas vrias anlises de sensibilidade
dos parmetros dos trs algoritmos utilizados. Foi observado que, con-
forme j citado anteriormente e reconhecido pela literatura, a escolha dos
parmetros dos algoritmos um fator importante e especco para cada
aplicao.
Uma sntese dos melhores resultados para cada algoritmo pode ser ob-
servada na Tabela 2. Comparando-se o desempenho dos trs algoritmos,
verica-se que o PSO apresentou um resultado ligeiramente superior aos de-
mais, tanto em termos de maiores mdias e menores desvios-padro (D.P.)
da aptido mxima, quanto do menor nmero de avaliaes.
380 Lima & Jacob
Tabela 2. Resumo dos resultados para o canhoneio.

AG AIS/CLONALG PSO
Mdia D.P. Mdia D.P. Mdia D.P.
Aptido Mx. (US$) 91712 370 91774 271 91895 4
Nmero de Avaliaes 528 71 484 94 447 43
4.3 Rota de dutos

Nesta seo ilustrada a aplicao da ferramenta de otimizao de rota de
dutos submarinos para um cenrio tpico da Bacia de Campos, com resul-
tados de um estudo para avaliar a inuncia da penalizao de declividade
descrita na Seo 2.3.3. Resultados detalhados deste e outros estudos so
apresentados em de Lima Jr. et al. (2011).
Dentre os algoritmos descritos neste captulo, na implementao inicial
da ferramenta de otimizao de rota considerou-se apenas o AG. A codi-
cao de cada rota (ou indivduo) no contexto do AG ento composta
por um cromossomo com N genes, cada um associado a um P I, com trs
genes representando os trs parmetros principais descritos na Seo 2.3.2
(as coordenadas e , e o raio R). Alm destes existe um quarto gene,
associado a uma chave de ativao A que indica o estado de cada P I. Isto
permite que o nmero de P Is varie ao longo do processo de otimizao, a
partir de um valor mximo especicado pelo usurio. Assim, dependendo
da complexidade do problema, a representao geomtrica da rota pode ser
simplicada pelo algoritmo atravs da desativao de alguns P Is, o que
indica que o trecho de rota correspondente uma reta e no uma curva. A
chave de ativao A um valor binrio 0 (indicando que o PI est inativo
e seus parmetros devem ser ignorados), ou 1 (indicando que o PI gera
uma curva).
A codicao completa de um cromossomo pode ento ser escrita como:
A1 1 1 R1 A2 2 2 R2 ...AN N N RN
onde A1 1 1 R1 so os genes correspondentes ao primeiro P I, e N o

nmero mximo de P Is especicado pelo usurio. Desta forma, ao longo
do processo de otimizao da rota, o algoritmo dene solues candidatas
selecionando o nmero de pontos P I, os valores para as coordenadas que
denem suas posies, e para os respectivos raios de curvatura.
Foram efetuadas rodadas do algoritmo tomando-se diferentes valores
3 e 5 . Os
para a restrio de declividade longitudinal, respectivamente
resultados obtidos (em termos de geometria/comprimento da rota, e o valor
da aptido) so comparados com uma rota projetada manualmente segundo
os procedimentos usuais de projeto. A rota manual foi introduzida no
sistema para permitir a avaliao de sua aptido e comparao com as

rotas otimizadas obtidas.
A Tabela 3 resume os resultados obtidos, em termos do comprimento,
aptido e da soma dos valores de violaes das restries das rotas. Os
resultados so visualizados na Figura 10, onde a declividade indicada
por escalas de cor. Pode-se observar que as rotas possuem comprimentos
muito prximos, diferenciando-se basicamente pela declividade longitudi-
nal mxima estipulada. A rota utilizando como critrio uma declividade

mxima de 5 apresentou o menor comprimento e, consequentemente, a

melhor aptido. Por outro lado, a rota com limite de 3 mais longa, j
que necessita contornar declives maiores. Por sua vez, a rota projetada
manualmente tem um comprimento prximo ao da rota otimizada com 3 ,
mas infringe mais o critrio de declividade, e portanto, na sua avaliao,
mostrou aptido menor para ambos os valores-limite de declividade.
Tabela 3. Resumo dos resultados para a otimizao de rota.

Rota Comprimento Melhor Soma
Rota Aptido Penalidades
Declividade Mxima 3 13291m 18,0878 4,4631

Rota Original com 3 13268 m 16,9680 4,8248

Rota Original com 5 13268 m 19,3279 4,1106

Declividade Mxima 5 13013 m 19,4031 4,1106
Observando-se estes resultados e os apresentados em de Lima Jr. et al.

(2011), conclui-se que a ferramenta de otimizao pode-se mostrar ade-
quada para a aplicao a projetos reais. Os resultados so consistentes,
satisfatrios e com baixo custo computacional. So coerentes com os obser-
vados com projetos j executados pela Petrobras. As pequenas diferenas
ocorridas podem ser atribudas aos limites estipulados para as restries
e penalizaes, j que no se teve acesso informao dos valores empre-
gados no projeto original para as restries de declividade e de raio de
curvatura por exemplo.
5. Comentrios Finais
Como mencionado na Introduo deste captulo procurou-se agrupar re-
sultados do desenvolvimento e aplicao de ferramentas de sntese e oti-
mizao, baseadas em mtodos de computao evolutiva, para diferentes
tipos de sistemas oshore. O principal objetivo foi apresentar tais resul-
tados de forma consolidada e sinttica, de modo a realar a relevncia da
aplicao destas ferramentas em projetos reais de engenharia, e tambm a
necessidade de ajustar os parmetros dos algoritmos para customiz-los e
melhorar seu desempenho para cada aplicao especca.
382 Lima & Jacob
Figura 10. Comparao das rotas.
Evidentemente, no se pretendeu aqui esgotar todos os aspectos relacio-

nados ao desenvolvimento e aplicao de mtodos de computao evolutiva
a problemas de engenharia em geral ou mesmo a problemas oshore, j que
se trata de um tema muito vasto. Outros aspectos esto sendo tratados
em estudos em andamento, tanto na modelagem dos problemas como em
melhoramentos nos prprios algoritmos.
Por exemplo, est sendo considerada a incorporao de tratamentos
mais sosticados para as restries, incluindo o uso de tcnicas de penali-
zao adaptativa (da Silva, 2010). Tambm est sendo estudado o uso de
Redes Neurais Articais compondo metamodelos capazes de fornecer uma
avaliao aproximada do sistema oshore e portanto reduzir os custos com-
putacionais envolvidos nas avaliaes da funo objetivo (Pina et al., 2010).
Com o mesmo intuito de reduzir o nmero de avaliaes da funo objetivo,
pode-se considerar tambm a hibridizao dos algoritmos, combinando as
melhores caractersticas de cada um deles.
Alm disto, todos os problemas descritos aqui foram modelados como
uni-objetivo, mas muitos deles podem se beneciar de uma representa-
o multi-objetivo. o caso por exemplo do problema de rotas de dutos
submarinos, onde pode-se otimizar tanto o comprimento quanto o peso
submerso necessrio para manter sua estabilidade. Estudos nesta linha
encontram-se em andamento (Vieira, 2010a), j tendo sido obtidos resulta-
dos preliminares no desenvolvimento de um mtodo multi-objetivo baseado
no algoritmo SIA/CLONALG, denominado SIAMEP Sistema Imunol-

gico Articial com Memria Externa de Pareto.
Como resultado destes estudos, espera-se obter ferramentas ecientes
para uso prtico em aplicaes reais de projeto de sistemas oshore e, ao
mesmo tempo, avaliar, comparar e aprimorar os algoritmos evolutivos de
modo a torn-los mais ecientes para estas aplicaes.
Referncias
Albrecht, C., Algoritmos Evolutivos Aplicados Sntese e Otimizao de
Sistemas de Ancoragem. Tese de doutorado, PEC/COPPE, Universi-
dade Federal do Rio de Janeiro, Rio de Janeiro, RJ, 2005.
Baioco, J.; Seckler, C.; Albrecht, C.; de Lima, B.; Jacob, B. & Soares,
A., Application of optimization algorithms in perforating procedures
Proceedings of the
of oil wells. In: 2ndInternational Conference on
Engineering Optimization. Lisboa, Portugal, p. 110, 2010.
Baioco, J.; Seckler, C.; da Silva, K.; Jacob, B.; Silvestre, J.; Soares, A. &
Freitas, S., Anlise paramtrica aplicada a procedimentos de canhoneio
de poos de petrleo. In:Proceedings of of the Rio Oil & Gas Expo
and Conference. Rio de Janeiro, Brasil, p. 17, 2008.
Chatterjee, A. & Siarry, P., Nonlinear inertia weight variation for dynamic
Computers & Operations
adaptation in particle swarm optimization.
Research, 33(3):859871, 2006.
da Silva, A., Anlise de uma Tcnica de Penalizao Adaptativa aplicada
ao Algoritmo de Enxame de Partculas. Dissertao de mestrado,
PEC/COPPE, Universidade Federal do Rio de Janeiro, Rio de Ja-
neiro, RJ, 2010.
da Silva, K.; Jacob, B.; Freitas, S.; Soares, A. & Silvestre, J., Predio da
razo de produtividade de um poo canhoneado utilizando o mtodo
dos elementos nitos. In: Anais do XXIX Congresso Ibero Latino-
Americano sobre Mtodos Computacionais em Engenharia. Macei,
Brasil, p. 113, 2008.
de Castro, L. & Timmis, J., An articial immune network for multimodal

function optimization. In: Proceedings of the Congress of Evolutionary
Computation. p. 699704, 2002.
de Castro, L. & von Zuben, F., Learning and optimization using the clonal
selection principle. IEEE Transactions on Evolutionary Computation,
6(3):239251, 2002.
De Jong, K. & Spears, W., An analysis of the interacting roles of population

size and crossover in genetic algorithms. In: Schwefel, H.P. & Mnner,
R. (Eds.), Parallel Problem Solving from Nature. Berlin, Germany, v.
496 de LNCS, p. 3847, 1990.
384 Lima & Jacob
de Lima, B.; Jacob, B. & Ebecken, N., A hybrid fuzzy/genetic algorithm

for the design of oshore oil production risers. International Journal
for Numerical Methods in Engineering, 64(11):14591482, 2005.
de Lima Jr., M.; Baioco, J.; Albrecht, C.; de Lima, B.; Jacob, B.; Rocha,
D. & Cardoso, C., Synthesis and optimization of submarine pipeline
Proceedings of the
routes considering on-bottom stability criteria. In:
ASME 30 International Conference on Ocean, Oshore and Arctic
th
Engineering. Rotterdam, Netherlands, p. 112, 2011.

Deb, K.; Pratap, A.; Agarwal, S. & Meyarivan, T., A fast and elitist
multi-objective genetic algorithm: NSGA-II. IEEE Transactions on
Eberhardt, R. & Shi, Y., Comparing inertia weights and constriction fac-
tors in particle swarm optimization. In: Proceedings of Congress on
Evolutionary Computation. Piscataway, USA: IEEE Press, v. 1, p. 84
88, 2000.
Eiben, A.; Hinterding, R. & Michalewicz, Z., Parameter control in evoluti-

onary algorithms. IEEE Transactions on Evolutionary Computation,
3(2):181197, 1999.
Giger, M.; Keller, D. & Ermanni, P., AORCEA an adaptive operator

rate controlled evolutionary algorithm. Computers and Structures,
85(19/20):15471561, 2007.

Learning. Reading, USA: Addison-Wesley, 1989.
Jacob, B.; de Lima, B.; Reyes, M.; Torres, A.; Mourelle, M. & Silva, R.,
Alternative congurations for steel catenary risers for turret-moored
FPSOs. In:Proceedings of the 9 International Oshore and Polar
th
Engineering Conference. Brest, France, p. 234239, 1999.

of the IEEE Conference on Neural Networks. Piscataway, USA: IEEE
Press, p. 234239, 1995.
Lemonge, A. & Barbosa, H., An adaptive penalty scheme for genetic algo-
International Journal for Numerical
rithms in structural optimization.
Methods in Engineering, 59(5):703736, 2004.
Michalewicz, Z., Genetic Algorithms + Data Structures = Evolution Pro-
grams. 3a edio. Heidelberg, Germany: Springer-Verlag, 1999.
Pina, A.; Albrecht, C.; de Lima, B. & Jacob, B., Tailoring the particle
swarm optimization algorithm for the design of oshore oil production
risers. Optimization and Engineering, 12(5):215235, 2010.
Ratnaweera, A.; Halgamuge, S. & Watson, H., Self-organizing hierarchical
particle swarm optimizer with time-varying acceleration coecients.
IEEE Transactions on Evolutionary Computation, 8(3):240255, 2004.
Shi, Y. & Eberhart, R., A modied particle swarm optimizer. In: IEEE
international Conference on Evolutionary Computation. Piscataway,
USA: IEEE Press, p. 19451950, 1998.
Vieira, I., Otimizao Multi-Objetivo de Rotas de Dutos Submarinos uti-

lizando Algoritmos Bio-Inspirados. Exame de qualicao de douto-
rado, PEC/COPPE, Universidade Federal do Rio de Janeiro, Rio de
Janeiro, RJ, 2010a.
Vieira, I.; Albrecht, C.; de Lima, B.; Jacob, B.; Rocha, D. & Cardoso, C.,
Towards a computational tool for the synthesis and optimization of
Proceedings of the Twentieth Interna-
submarine pipeline routes. In:
tional Oshore and Polar Engineering Conference. Beijing, China, p.
226233, 2010.
Vieira, I.; de Lima, B. & Jacob, B., Optimization of steel catenary risers
for oshore oil production using articial immune system. In: Ben-
tley, P.; Lee, D. & Jung, S. (Eds.), Articial Immune Systems. Berlin,
Germany: Springer-Verlag, v. 5132 de LNCS, p. 254265, 2008.
Vieira, L.; de Lima, B.; Evsuko, A. & Jacob, B., Application of genetic
algorithms to the synthesis of riser congurations. In: Proceedings of
the 22th International Conference on Oshore Mechanics and Arctic
Engineering. Cancun, Mexico, v. 1, p. 391396, 2003.
Notas Biogrficas
Beatriz Souza Leite Pires de Lima possui graduao em Engenharia
Civil pela Universidade do Estado do Rio de Janeiro (1983), mestrado (1991)
e doutorado (1996) em Engenharia Civil pela COPPE/UFRJ. professor
associado do Programa de Engenharia Civil da COPPE e do departamento de
Expresso Grca da Escola Politcnica da Universidade Federal do Rio de
Janeiro. Tem experincia na rea de sistemas oshore, mtodos numricos,
inteligncia computacional, data mining, otimizao e algoritmos evolutivos.
Breno Pinheiro Jacob possui graduao em Engenharia Civil pela Universi-

dade de Braslia (1979), Mestrado (1983) e Doutorado (1990) em Engenharia
Civil pela COPPE/UFRJ. Atualmente Professor Associado da Universidade
Federal do Rio de Janeiro (lotado no Programa de Engenharia Civil da COPPE),
e coordenador do LAMCSO Laboratrio de Mtodos Computacionais e
Sistemas Oshore. Atua em ensino, pesquisa, desenvolvimento e consultoria
para a indstria, principalmente nos seguintes temas: Petrleo e Gs, Mtodos
Computacionais, Estruturas e Sistemas Oshore, Mecnica das Estruturas,
Anlise Dinmica, Anlise No-Linear, Mtodo dos Elementos Finitos.

Computação Evolucionária em Problemas de Engenharia - Lopes, Heitor Silvério - 2011

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Computação Evolucionária em Problemas de Engenharia - Lopes, Heitor Silvério - 2011

Transféré par

Droits d'auteur :

Formats disponibles

Heitor Silvrio Lopes

Ricardo Hiroshi Caldeira Takahashi

A editora disponibiliza por acesso livre a verso eletr-

Projeto grco e editorao:

Dados Internacionais de Catalogao na Publicao

C738 Computao evolucionria em problemas de engenharia/

1. Inteligncia articial. 2. Computao evolutiva. 3.

O projeto de sistemas de engenharia um campo que requer, por

Nas ltimas dcadas, pesquisadores procuraram desenvolver no-

Dentre as tcnicas utilizadas para a resoluo de problemas de

No Brasil h um grande nmero de grupos de pesquisa em di-

Heitor Silvrio Lopes  UTFPR

Aplicao do algoritmo de colnia de formigas com informaes

regulador de velocidade fuzzy para acionamentos eltricos . . . . . 89

7 Srgio L. vila, Djonny Weinzierl, Mrio A. Santos Jr., Luiz

15 distribuio de derivados de petrleo . . . . . . . . . . . . . . . . . . . . . . . . . . 331

Aplicao do Algoritmo de Colnia de Formigas com

Ivo C. Silva Junior, Flvia R. Nascimento, Edimar J. Oliveira,

Resumo: Este captulo prope a determinao e a utilizao de

Palavras-chave: Multiplicadores de Lagrange, Operao de uni-

Abstract: This chapter proposes the use of a merit order as ad-

As decises de partida, parada e as dinmicas quanto reativao

No atual modelo competitivo do setor eltrico, ganhos de pequena

H uma variao acentuada entre as demandas em horrios de pico

A programao diria da operao pode ser denida como sendo a de-

de Unidades Termoeltricas de Gerao (UTEs) para um perodo de vinte

Tabela 1. Natureza combinatria do problema.

Fazendo uma anlise da literatura pode-se constatar que h necessidade

maior quantidade de feromnio, estas continuaro depositando a substn-

3. Formulao do Problema da Programao Diria da Opera-

N Nmero total de unidades trmicas;

T Perodo total de operao;

i ndice da unidade trmica;

DOi (t) Varivel discreta [0, 1] de deciso ON/OFF, da unidade

Xion (t) Tempo em que a unidade trmica i est ligada;

Xiof f (t) Tempo em que a unidade trmica i est desligada;

SCi (t) Custo de partida da unidade trmica i na hora t;

p (t) Multiplicador de Lagrange associado ao limites de potncia

A funo objetivo (FOB), Equao 1, consiste na minimizao da soma

importante mencionar que o custo de partida das unidades geradoras

O custo de parada (SD) sempre dado como um valor constante para

necessrio prever uma folga, designada de reserva girante, entre a

Em relao s unidades geradoras foram consideradas as seguintes res-

Xion (t) Tion (t) (8)

Xiof f (t) Tiof f (t) (9)

Pimin Pi (t) Pimax . . . pi (t) (10)

4.1 Limite inferior do custo de operao

4.2 Multiplicadores de Lagrange

Figura 1. Funo deciso de operao.

F DOi (xti ) Funo contnua sigmide que representa a deciso de ope-

rao ON/OFF da unidade trmica i na hora t;

xi (t) Multiplicador de Lagrange associado ao argumento da fun-

o sigmide da unidade i na hora . t

1. Intervalo rgido de canalizao para o argumento da FDO, 0 xti

2. A insero de uma nova unidade geradora, ctcia, denominada uni-

quando comparado com as demais unidades existentes e capacidade

Diante da insero desta nova unidade, uma parcela adicional ( D ),

Custo operacional da unidade termoeltrica de convergncia

P gC (t) Potncia ativa (MW) gerada pela termoeltrica de convergn-

Diante das consideraes anteriores apresentadas, o processo de otimi-

4.3 Processo de busca via colnia de formigas

F OBki (m) Valor da funo objetivo referente soluo m, obtida pela

M Fki (m) Depsito de feromnio da formiga k, referente a soluo

Projeto grco e editorao:

1. Inteligncia articial. 2. Computao evolutiva. 3.

Heitor Silvrio Lopes UTFPR

A programao diria da operao pode ser denida como sendo a de-

DOi (t) Varivel discreta [0, 1] de deciso ON/OFF, da unidade

rao ON/OFF da unidade trmica i na hora t;

2. A insero de uma nova unidade geradora, ctcia, denominada uni-

Esse depsito importante a m de guardar as informaes das solues

Outro aspecto que deve ser levado em conta a m de tornar o algoritmo

alm de permitir que a busca no que presa em timos locais e possa,

inuncia da concentrao de feromnio ou da informao

busca. Este passo consiste em vericar se o critrio de parada do algoritmo

Padhy, N., Unit commitment a bibliographical survey. IEEE Transacti-

Keywords: Genetic algorithms, optimization, articial intelli-