Um Algoritmo de Busca Tabu para a Otimiza ao de Redes de Distribui ao de G s c c a

Daniel Almeida da Costa Pessanha

UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF CAMPOS DOS GOYTACAZES, RJ 28 JANEIRO - 2011

 Trabalho relativo a terceira avaliacao da disciplina METAHEURISTICAS APLI` CADAS A OTIMIZACAO 2010 Curso de Engenharia de Producao Centro de Ci ncias e Tecnologia Unie versidade Estadual do Norte Fluminense UENF.

CAMPOS DOS GOYTACAZES - RJ 28 JANEIRO - 2011

ii

RESUMO Neste artigo um algoritmo de busca tabu e proposto para a otimizacao de redes restri tas de distribuicao de g s. O problema consiste em encontrar as menores combinacoes a de custo e di metros, a partir de um conjunto discreto de condicoes comercialmente a disponveis, para os tubos de uma determinada rede de g s, satisfazendo as restricoes a ` relacionadas aos requisitos de press o mnima e condicoes de tubo citadas a cima. a Como este e um problema inteiro misto n o linear, abordagens metaheursticas parea cem ser mais adequadas e prover melhores resultados do que os m todos cl ssicos de e a otimizacao. Neste trabalho, uma heurstica de busca tabu e aplicada ao problema e os resultados do algoritmo proposto s o comparados com os resultados de um algoritmo a gen tico e duas outras versoes de algoritmos de busca tabu. Os resultados s o muito e a ` promissores, quanto a qualidade das solucoes e tempo computacional

iii

ABSTRACT

In this paper a tabu search algorithm is proposed for the optimization of constrained gas distribution networks. The problem consists in nding the least cost combination of diameters, from a discrete set of commercially available ones, for the pipes of a given gas network, satisfying the constraints related to minimum pressure requirements and upstream pipe conditions. Since this is a nonlinear mixed integer problem, metaheuristic approaches seem to be more suitable and to provide better results than classical optimization methods. In this work, a tabu search heuristics is applied to the problem and the results of the proposed algorithm are compared with the results of a genetic algorithm and two other versions of tabu search algorithms. The results are very promising, regarding both quality of solutions and computational time.

iv

Sum rio a

Introdu ao c

Trabalhos Anteriores sobre Problemas Relacionados

Formula ao do Modelo Matem tico c a

Algoritmos de Busca Tabu

Implementa ao do Algoritmo c 5.1 5.2 5.3 5.4 5.5 Solucao Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mudanca de Geracao Vizinha . . . . . . . . . . . . . . . . . . . . . . . . . Procedimento de Diversicacao . . . . . . . . . . . . . . . . . . . . . . . . Movimentos Tabu e Crit rio de Aspiracao . . . . . . . . . . . . . . . . . . e Crit rios de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e

10 11 11 12 12 12 13

Experimentos Computacionais e Resultados

Conclusoes

18

Refer ncias Bibliogr cas e a

19

Lista de Tabelas

6.1 6.2 6.3

Comparacao da qualidade das solucoes para 34 redes pequenas e m dias e Comparacao das solucoes dos 10 maiores problemas Tempos m dios de execucao e

. . . . . .

14 15 17

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

vi

Lista de Figuras

5.1

Pseudocodigo do algoritmo proposto . . . . . . . . . . . . . . . . . . . .

10

vii

Captulo1 Introducao

Redes de distribuicao de g s s o uma parte muito importante da infra-estrutura das a a cidades, servindo tanto casas como industrias e, normalmente, implicam em custos enormes para a sua implementacao. Por essas razoes, muitas empresas que fornecem este tipo de servico precisam utilizar ferramentas computacionais para determinar o melhor projeto para essas redes. O projeto envolve a denicao de um layout para a rede e o dimensionamento dos canos. Para denir o layout, deve-se levar em conta uma s rie de fatores, tais como as ruas, a topologia, os riscos ambientais, a econoe mia e a seguranca da rede. Uma vez que o layout e denido, ent o os tamanhos dos a di metros dos tubos previstos devem ser determinados. a Os tubos s o produzidos e comercializados apenas em um certo numero de materiais a e em determinados di metros xos. Seus custos por unidade de comprimento gerala mente variam de acordo com o material de que s o feitos e com os di metros. Para a a di metros maiores, tubos mais caros s o esperados. A press o tamb m cai ao longo a a a e dos tubos a uma taxa decrescente aos di metros maiores para um uxo constante, isso a signica que di metros maiores implicam em redes mais con veis, com melhor gaa a rantia de atendimento da demanda. Neste artigo, presume-se que um layout e previamente denido. Assim, o objetivo e selecionar os di metros das tubulacoes de forma que eles sejam grandes o suciente a para garantir que os requerimentos da demanda sejam atendidos e os custos gerais de tubos sejam minimizados. Uma restricao adicional e que cada tubo, n o incidente a em um no de origem, deve ter pelo menos um tubo de di metro igual ou maior a a montante. Dado um layout para a rede, o objetivo e minimizar a soma dos custos das tubulacoes. Neste trabalho invariavelmente estruturas de arvore s o consideradas a para o layout da rede e o termo cano (pipe) ser utilizado para se referir a um arco a entre dois nos de uma certa arvore. Embora a hipotese da estrutura em arvore ter sido feita, o m todo proposto se aplica tamb m a redes de distribuicao em laco (loop). e e O doravante denominado problema de dimensionamento do tubo e formulado como

2 um problema de otimizacao de restricoes. Uma vez que as restricoes est o implcitas a e observa-se equacoes n o-lineares, a viabilidade de uma solucao so pode ser deter a minada pela resolucao das equacoes de uxo da rede. Por tais motivos, investigacao analtica e m todos computacionais exatos n o parecem promissores para solucionar e a esse tipo de problema e a utilizacao de metaheursticas e a alternativa natural para li dar com ele. A proxima secao apresenta uma breve revis o de trabalhos anteriores sobre os proble a ` mas relacionados a otimizacao de redes de distribuicao. A formulacao matem tica do a problema de dimensionamento do tubo como um problema de otimizacao n o linear a inteiro misto e dada na secao seguinte. A secao 4 introduz alguns conceitos b sicos de a algoritmos de busca tabu. Detalhes do algoritmo proposto s o apresentados na secao a 5. A secao 6 mostra os resultados computacionais obtidos pela nova abordagem e a ultima secao resume as principais contribuicoes deste trabalho.

Captulo2 Trabalhos Anteriores sobre Problemas Relacionados

Em uma das primeiras investigacoes sobre um problema relacionado, Rothfarb et al. [10] explorou, entre outras questoes do projeto de redes de distribuicao de g s em a campos offshore para plantas de separacao dos subprodutos, o problema da selecao de di metros. Seu objetivo era minimizar a soma dos investimentos e custos operaa cionais. Naquele documento, as redes consideradas foram aquelas que continham o menor numero de dutos que pudessem entregar o g s dos campos para as plantas de a separacao ou, em outras palavras, redes com estruturas em arvore. Boyd et al. [1] desenvolveu um algoritmo gen tico para o problema de dimensioe namento da tubulacao e usando uma funcao de penalizacao para levar a press o ao a mnimo e levar em conta as restricoes de tubulacao a montante. As solucoes foram e representadas por uma sequ ncia de n inteiros, onde n e o numero de segmentos de tubo (arcos) na rede, cada inteiro indicava o ndice do di metro a ser escolhido para um a dado tubo. Esta representacao permite que todo o espaco de pesquisa seja codicado e facilita a utilizacao de operadores gen ticos, como a mutacao creep e o crossover e uniforme, ambos utilizados no algoritmo gen tico. Uma populacao n o estruturada e a de 100 redes foi utilizada por 100 geracoes e permitiu aos autores relatar um resultado 4% melhor para um exemplo real de 25 tubos quando comparado a uma heurstica utilizada pela empresa British Gas. Essa ultima heurstica e simples e serve como id ia e base para outros m todos propostos para resolver o problema. Consiste em adivinhar e alguns tamanhos iniciais de tubos que levam a uma rede v lida e otimizar localmente a a solucao atual tentando, repetidamente, reduzir o di metro de um dos tubos at que a e nenhuma reducao possa gerar uma solucao ainda vi vel. a O m todo COMOGA (Otimizacao de Restricoes por Algoritmos Gen ticos Multi-Objetivos) e e [11] trata as restricoes, explcitas ou implcitas, do problema como um crit rio sepa e rado em uma formulacao multi-objetivo do problema. O m todo tem a vantagem e de diminuir o numero de par metros livres a serem sintonizados, quando compaa rado com a formulacao tradicional da funcao de penalizacao, e permanecer pouco

4 sensvel a estes. Isso consiste em reduzir o problema a um duplo crit rio unico, con e densando todas as restricoes em um unico crit rio. Ao calcular um ranking de Pareto e para cada solucao da populacao (numero de solucoes que o dominam) sobre o nvel de violacao de todas as restricoes originais, o m todo minimiza o custo e o grau de e inviabilidade de solucoes atrav s de um esquema reverse annealing (recozimento in e verso) que ajusta a probabilidade de selecionar e substituir indivduos da populacao de acordo com um (custo) ou outro (viabilidade) crit rio. Os autores argumentam que e o m todo COMOGA necessita de, consideravelmente, menos experimentos e e muito e menos sensvel aos par metros envolvidos na sua concepcao. a No mesmo ano, Osiadacz e Goreki [8] apresentaram um estudo razoavelmente com pleto da otimizacao das redes de distribuicao de agua e g s por meio de m todos a e heursticos, procedimentos exatos que consideram a disponibilidade de di metros contnuos, a e m todos de otimizacao discreta. Eles propoem resolver o problema com a utilizacao e de um m todo interativo, que minimize a cada passo uma aproximacao quadr tica e a de um objeto da funcao Lagrangiana para aproximacoes linearizadas sequencialmente das restricoes. Ao nal, os di metros s o corrigidos para os tamanhos discretos dis a a ponveis mais proximos dos di metros calculados. a Em outra linha de investigacao, Boyd et al. [2] estudou o problema de minimizacao do custos de combustvel e gerou limites inferiores uteis para avaliar a qualidade das solucoes fornecidas pelos algoritmos de otimizacao de tubulacoes. Um estudo do espaco de solucao e funcao objetivo foi realizado, por m o problema especco e que eles lidaram estava mais preocupado em minimizar o combustvel nas estacoes de compress o e, portanto, os limites inferiores desenvolvidos n o se aplicam diretaa a mente ao problema de dimensionamento da tubulacao. As redes de distribuicao compostas basicamente por bombas e canos (uma vez que acessorios podem ser modelados apenas por seu di metro) s o consideradas na publicacao a a de Castillo e Gonz lez [3]. As vari veis de decis o s o, ent o, denidas como sendo caa a a a a ractersticas QH das bombas (taxas de press o e uxo) e di metros de tubos e acessorios, a a tomadas a partir de um conjunto comercial discreto de di metros disponveis. Uma a formulacao do problema e apresentada na qual a velocidade do uxo compreende a restricao mais importante e um algoritmo gen tico com operadores de crossover es e pecializados e proposto. O algoritmo gen tico tamb m faz uso de uma funcao de e e penalizacao para desfavorecer as solucoes invi veis, somando-se o maior custo possvel a

5 de cada elemento da rede em que as restricoes s o violadas. Eles aplicam o procedi a mento a dois casos de teste teorico e a um real, decorrente das atividades de uma empresa de produtos l cteos. Os operadores gen ticos do problema especco dea e monstram ser melhores na pr tica do que na teoria. a Finalmente, Cunha e Ribeiro [6] propoem um algoritmo de busca tabu para encontrar o projeto de menor custo para redes de distribuicao de agua em loop. Mesmo lidando com um tipo diferente de uido a ser distribudo, a estrutura matem tica do problema a e e id ntica ao problema de otimizacao de redes de distribuicao de g s, incluindo a a mesma preocupacao com as restricoes de tubulacao a montante e press o mnima do a projeto. Al m de fornecer um vasto levantamento sobre as abordagens anteriores para e o problema, o algoritmo sugerido parece ser simples e ecaz para resolver este problema de otimizacao. Ele comeca a partir de uma solucao vi vel trivial onde todos os a tubos s o denidos para o maior di metro disponvel e em cada etapa sucessiva ele a a diminui o di metro de um dos tubos, enquanto mant m a viabilidade da solucao atual a e respeitando todas as restricoes. Quando o algoritmo encontra uma solucao onde ne nhuma reducao adicional do di metro conduz a uma solucao ainda vi vel, ele faz um a a movimento de diversicacao, aumentando o di metro de um dos tubos, selecionados a de acordo com um dos seguintes crit rios: e o o tubo cujo di metro e aumentado e o que apresenta o menor valor de um a par metro determinado pela multiplicacao do numero de mudancas no di metro a a do tubo durante o processo de busca pelo numero de vezes que foi atribudo ao tubo o aumento do di metro; a o o tubo escolhido e o que teve o tamanho mantido no mesmo di metro pelo a perodo mais longo nas iteracoes anteriores. Estes crit rios denem duas versoes diferentes do algoritmo, chamado TS1 e TS2, rese pectivamente. Em ambos os casos, a modicacao do tamanho do tubo, cujo di metro a foi alterado torna-se um movimento tabu e entra na lista tabu. Os autores experimentaram par metros tabu diferentes, xos e vari veis, e, comparando os resultados dos a a seus algoritmos com as melhores solucoes conhecidas de cinco casos de benchmark do problema, eles demonstram a ec cia do m todo proposto. a e

Captulo3 Formulacao do Modelo Matem tico a

O problema do dimensionamento da tubulacao pode ser declarado como segue: para selecionar, a partir de um conjunto discreto de di metros de tubos comercialmente a disponveis, a combinacao de di metros que d a rede o menor custo capaz de fornecer a a um conjunto de nos de demanda com, pelo menos, condicoes mnimas de press o e a que satisfacao as condicoes de tubulacao a montante. O modelo correspondente pode ser escrito como: min sujeito a Pi PDi , i N {n0 } Dk DUk , k NP Dk D, k NP (3.2) (3.3) (3.4)

k NP

c( Dk ).Lk

(3.1)

onde NP e o conjunto de tubos, N e o conjunto de nos, com n0 representando a fonte de g s, D e o conjunto de di metros comerciais, Dk e o di metro do tubo k, a a a tomado como as vari veis de decis o, Lk e o comprimento do tubo k, c : D R+ e a a uma funcao do conjunto de di metros para numeros reais positivos, que representa a o custo do tubo por unidade de comprimento, Pi e a press o obtida no no i para os a di metros de tubos atribudos, PDi e a press o necess ria no no i, e DUk e o di metro a a a a do tubo a montante do tubo k. A funcao objetivo (1) representa a minimizacao do custo total da rede de distribuicao de g s, expresso como a soma dos custos de cada secao de tubo que o compoem. O a custo do tubo, por sua vez, e uma funcao dos di metros dos tubos (tomada como as a vari veis de decis o) e o comprimento da secao. a a O conjunto de restricoes (2) representa os requisitos mnimos de press o do projeto a

7 em cada no. Elas so podem ser vericadas pela resolucao sucessiva das equacoes n o a lineares (5) para obter a queda de press o desde a fonte para cada secao do tubo. a
0.5

T Q = C b D2.5 e Pb

2 2 P1 P2 LGTa Za f

(3.5)

onde Q e a taxa de vaz o, C e uma constante para os sistemas de convers o de unia a a a dades, a Tb e a temperatura base, Pb e a press o base, D e o di metro do tubo, e e a eci ncia do tubo, P1 e P2 s o as pressoes de entrada e sada, respectivamente, L e o e a comprimento do tubo, G e a gravidade especca do g s, Ta e a temperatura do g s, Za a a e o fator de compressibilidade do g s e f e o fator de atrito da tubulacao. a O conjunto de restricoes (3) indica as condicoes do tubo a montante, o que signica que cada tubo deve ter um di metro inferior ou igual ao di metro do tubo a montante a a do seu. Uma vez que as redes que estamos considerando neste trabalho t m estrutue ras de arvore, o tubo a montante pode ser facilmente determinado como o unico que se conecta diretamente ao referido tubo e est mais proximo do no de origem. Se as a redes de distribuicao em loop forem consideradas, equacoes de uxo teriam que ser resolvidas para determinar as direcoes de uxo e os tubos a montante. Finalmente, as restricoes em (4) limitam os di metros possveis dos tubos para os comercialmente a disponveis.

Captulo4 Algoritmos de Busca Tabu

Dentre os v rios m todos de metaheursticas propostos nas ultimas d cadas para a a e e solucao de problemas complexos de otimizacao, a busca tabu se distingue como uma heurstica de sucesso em muitos campos de aplicacao. Suas principais caractersticas se baseiam em analogias com o processo da memoria humana e s o totalmente explia cadas por Glover e Laguna [7]. O m todo de busca tabu propoe uma busca iterativa na vizinhanca da solucao atual em e uma ordem que permite que os melhores movimentos sejam explorados e ao mesmo tempo, impede a repeticao de solucoes j visitadas. Para atingir este objetivo uma es a trutura determinada de vizinhanca e uma funcao para gerar solucoes vizinhas (por meio de movimentos estruturados) devem ser denidas. A exploracao da vizinhanca pode ser feita inteiramente ou restrita a um determinado numero de solucoes. Outra parte da funcionalidade da busca tabu est impedindo-a de visitar v rias vea a zes a mesma solucao. Isto e feito pela denicao de alguns movimentos possveis para o status tabu, isso signica que eles n o podem ser executados por certo numero de a iteracoes. Isto pode evitar o ciclismo em solucoes visitadas. Al m disso, o par metro e a de posse tabu dene o numero de iteracoes nas quais os elementos adicionados a uma lista tabu mant m seu status tabu, tornando a busca mais ou menos restritiva. e A implementacao da busca tabu pode ou n o fazer uso de um crit rio de aspiracao. a e Este crit rio permite que um movimento tabu seja feito em uma determinada iteracao e se ele levar a uma solucao que satisfaca alguma condicao, por exemplo, se a nova solucao e melhor do que qualquer outra solucao encontrada anteriormente. Eventualmente, a pesquisa ir conduzir a uma solucao mnima local e nenhum moa vimento ser capaz de trazer melhorias ao processo. Em tais casos, o algoritmo deve a utilizar um procedimento de diversicacao que permitir a exploracao de regioes do a espaco de busca que n o tenham sido consideradas ainda. A habilidade de determi a nar as regioes inexploradas e apoiada pelo uso de estruturas de memoria de longo prazo, que mant m o registro das vizinhancas j visitadas. Finalmente, a busca e e a

9 concluda quando alguns crit rios de parada s o alcancados. E evidente que esta e a t cnica metaheurstica incorpora estrat gias ecientes para evitar otimos locais, ene e quanto mant m a implementacao bastante simples e isso pode explicar, parcialmente, e a popularidade do m todo. e

Captulo5 Implementacao do Algoritmo

Neste trabalho, propomos um algoritmo de busca tabu para a solucao do problema de dimensionamento da tubulacao. A implementacao considera apenas as redes vi veis, a o que signica que nunca ser o geradas solucoes que violem as restricoes do problema. a Ele simplica a funcao objetivo no sentido de que n o h necessidade de uma funcao a a de penalizacao. O objetivo e minimizar o custo total da tubulacao de uma rede de distribuicao de g s. a Esta secao descreve as caractersticas b sicas envolvidas na implementacao do algo a ritmo proposto, tais como: a solucao inicial, a exploracao da vizinhanca (incluindo a mudanca de geracao vizinha, o procedimento de diversicacao, o crit rio de aspiracao, e os movimentos tabu e o par metro de posse tabu), e os crit rios de parada. Um pseua e docodigo do algoritmo descrito e apresentado a seguir. Figura 5.1 Pseudocodigo do algoritmo proposto

11

5.1 Solucao Inicial Uma vez que estamos preocupados em manter a viabilidade das solucoes atrav s de e todas as iteracoes, e necess rio considerar um m todo para gerar solucoes iniciais que a e garantam a satisfacao das exig ncias de press o e tubulacao a montante. Portanto, a e a estrat gia adotada neste trabalho foi utilizar a rede mais segura possvel (embora a e mais cara) como solucao inicial. Esta rede e aquela onde o maior di metro possvel e a atribudo a cada tubo. Essa estrat gia traz o benefcio adicional de ser capaz de deter e minar logo no incio se o exemplo tem ou n o ao menos uma solucao. Se a solucao ini a cial proposta e invi vel, n o h solucao para o problema. Uma solucao inicial aleatoria a a a n o seria adequado porque a densidade de solucoes vi veis no espaco de busca e extrea a mamente baixa e isto poderia levar um grande esforco computacional para encontrar uma delas aleatoriamente.

5.2 Mudanca de Geracao Vizinha Para detalhes de como o algoritmo explora a vizinhanca da solucao atual, o movi mento de geracao vizinha subjacente e explicado. Em primeiro lugar, considere que as solucoes s o representadas como uma lista de tubos e di metros correspondentes, a a ordenados pela profundidade dos nos incidentes. O movimento b sico consiste em a diminuir o di metro do tubo para o menor valor possvel mantendo a viabilidade da a solucao. Ele e feito das folhas at a raiz da arvore para favorecer o cumprimento das e restricoes a montante. O estilo de baixo para cima das reducoes da tubulacao pode permitir que a diminuicao do di metro do tubo permita aos seus tubos montantes re a ` duzirem seu di metro tamb m. No entanto, devido a complexidade das restricoes ena e volvidas, a press o em cada no tem de ser recalculada para cada reducao de di metro a a para garantir que a rede ainda esteja atendendendo aos requisitos.

12

5.3 Procedimento de Diversicacao Quando uma solucao e encontrada e nela nenhuma reducao de di metro da tubulacao a e possvel, atingiu-se um otimo local. Para prosseguir com a busca, o processo de diversicacao e aplicado. A solucao vizinha e, ent o, gerada aumentando os di metros a a da tubulacao. Um tubo aleatorio (cujo di metro n o e o maior disponvel) e selecio a a nado e seu di metro e aumentado para o proximo tamanho disponvel. Este movia mento mant m sempre a rede v lida em relacao as restricoes de press o, mas pode e a ` a fazer com que o tubo selecionado viole a restricao do montante. Isto e facilmente corri gido, aumentando recursivamente o di metro do tubo a montante dos tubos alterados a quando necess rio. a

5.4 Movimentos Tabu e Crit rio de Aspiracao e Do mesmo modo, se o di metro da tubulacao e diminudo ou aumentado, o ramo com a o di metro que foi mudado recebe o status de tabu. Ent o, a modicacao de seu a a di metro e proibida durante certo numero de iteracoes. O par metro de posse tabu e a a implementado para ser randomizado. Para todas as iteracoes, cada movimento tem uma probabilidade p de sair da lista tabu. Alguns experimentos foram realizados e um valor de p = 0, 05 mostrou-se ecaz para o problema estudado. Este valor foi utilizado em todos os testes que relatamos neste trabalho. Al m disso, um crit rio de e e aspiracao foi utilizado para permitir que um status tabu seja removido se o movimento correspondente leva a uma nova melhor solucao.

5.5 Crit rios de Parada e Dois crit rios de parada foram utilizados: a duracao m xima e um numero m ximo e a a de iteracoes sem melhorias na melhor solucao. Seja n o numero de tubos em um dado exemplo. O tempo m ximo permitido para a execucao do algoritmo de busca tabu a em experimentos computacionais foi n segundos. O numero m ximo de iteracoes sem a melhorias na melhor solucao foi 2n. Isso pode ser vericada na secao seguinte atrav s e dos testes realizados que, em geral, o segundo crit rio foi o que interrompeu a busca. e

Captulo6 Experimentos Computacionais e Resultados

Para ns de validacao do algoritmo proposto, ele foi aplicado a 58 exemplos teoricos com tamanhos variando de 51 a 1432 nos e, consequentemente, de 50 a 1431 secoes de tubulacao. Estes exemplos s o baseados em exemplos do TSPLIB - um banco de exem a plos de problemas de caixeiro viajante [9] - e que foram gerados da seguinte forma. Pri meiro, a arvore geradora de mnimos do gr co completo obtidos a partir de exemplos a do TSP foi calculada, o primeiro no xado como o no de origem. Ent o, os valores de a uxo em cada tubo e de press o mnima exigida por cada no foram gerados aleatoriaa mente em um intervalo previamente denido. Finalmente, um conjunto de di metros a comerciais foi escolhido a partir dos disponveis no mundo real [4] [5]. Cada exem plo do problema de dimensionamento da tubulacao e referido com o mesmo nome do exemplo do TSP que o originou. As duas versoes do algoritmo de busca tabu extrados de Cunha e Ribeiro [6] e o al goritmo gen tico multi-objetivo de Surry et al. [11] foram aplicadas ao problema e mantendo todas as suas caractersticas b sicas inalteradas. O algoritmo proposto e a comparado a eles. O crit rio de parada para estes algoritmos foi denido para ser o e mesmo que o do algoritmo proposto, um tempo m ximo de n segundos e um m ximo a a de 2n iteracoes sem melhorias na melhor solucao j encontrada, onde n e o numero a de nos do exemplo. Para cada exemplo, 30 execucoes independentes dos algoritmos foram feitas em um computador Pentium IV de 2,8 GHz com 512MB de RAM, exceto para o algoritmo gen tico em exemplos com mais de 1000 nos, por razoes expostas a e seguir. A Tabela 1 mostra os resultados obtidos com os algoritmos para os exemplos menores (menos de 1000 nos). A melhor solucao encontrada por qualquer um dos algoritmos testados para cada exemplo, juntamente com o mnimo e a diferenca m dia, em per e centagem, e o desvio padr o da diferenca para cada algoritmo s o apresentados. 14 a a exemplos pequenos e f ceis (at 264 nos) s o omitidos uma vez que todos os m todos a e a e alcancaram os mesmos resultados. Apenas os resultados da TS1 [6] s o mostrados a

14 porque o desempenho da segunda vers o foi inferior a ela. A TS2 foi capaz de encona trar uma solucao mais barata do que TS1 apenas para um exemplo e os seus tempos de execucao foram iguais ou piores do que o tempo de funcionamento da TS1 em 55 dos exemplos. O algoritmo gen tico [11] n o encontrou nenhuma solucao vi vel e a a para os exemplos pr299 ou u724. TS refere-se ao algoritmo proposto, enquanto TS-C e ` GA-S referem-se a busca tabu comparada [6] e a um algoritmo gen tico [11], respectie vamente.

Tabela 6.1 Comparacao da qualidade das solucoes para 34 redes pequenas e m dias e
Instance Best Sol. Proposed TS Min. Avg. SD Gap Gap Gap 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.15 0.15 0.00 0.00 0.00 0.00 0.00 0.09 0.15 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.43 0.11 0.00 0.02 0.11 0.00 0.00 0.01 0.00 0.00 0.00 Min. Gap 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 5.25 0.55 0.15 0.00 0.02 0.00 27.20 8.24 0.00 26.76 5.73 10.55 3.56 TS-C Avg. Gap 0.00 0.00 0.00 0.00 5.09 0.00 0.00 0.00 5.40 6.64 0.00 14.38 0.00 0.00 0.00 0.00 5.67 0.00 0.00 0.00 0.00 5.25 8.64 0.15 0.00 21.02 0.49 27.20 8.24 0.00 27.13 10.28 10.55 3.56 SD Gap 0.00 0.00 0.00 0.00 27.88 0.00 0.00 0.00 29.57 5.14 0.00 11.13 0.00 0.00 0.00 0.00 31.08 0.00 0.00 0.00 0.00 0.00 3.68 0.00 0.00 7.12 1.85 0.00 0.00 0.00 2.03 24.61 0.00 0.00 Min. Gap 3.50 2.65 1.23 5.05 0.34 8.06 0.79 5.05 5.62 12.73 2.02 9.14 8.05 5.49 5.29 4.47 7.83 3.98 14.71 0.31 0.32 7.09 0.00 5.46 59.34 35.98 60.83 42.62 6.45 48.40 67.83 38.98 GA-S Avg. Gap 4.56 4.43 2.52 5.98 0.94 11.06 1.54 7.54 9.10 18.45 2.92 12.51 12.21 8.54 8.42 8.25 23.82 4.83 25.60 0.48 0.50 19.90 1.47 7.83 59.34 35.98 60.83 42.62 8.21 48.40 67.83 38.98 SD Gap 0.58 0.95 1.45 0.74 0.23 2.36 1.07 1.58 1.50 3.73 0.64 3.09 3.20 2.37 3.13 2.40 11.55 0.49 6.73 0.23 0.11 13.04 5.03 1.66 0.00 0.00 0.00 0.00 0.46 0.00 0.00 0.00

pr76 kroA100 kroE100 lin105 pr107 pr124 bier127 pr136 prl144 kroA150 kroB150 prl152 u159 d198 kroA200 kroB200 ts225 tsp225 pr226 gil262 a280 pr299 lin318 rd400 417 pr439 pcb442 d493 u574 rat575 p654 d657 u724 rat783

913473.10 193351.60 197996.90 134466.50 392422.10 532125.00 975471.80 932218.70 539456.30 253311.10 234850.30 658830.80 391681.80 128528.90 274397.80 273240.10 1198600.00 36647.40 763475.40 21516.70 25080.50 479309.90 405353.80 140256.80 107799.80 1053042.50 504545.90 331245.30 348626.20 65209.40 361242.50 460791.80 414143.80 86522.50

A ec cia do algoritmo proposto e claramente demonstrada na tabela acima. Nossa a busca tabu encontra a melhor solucao para todos, exceto um exemplo (rd400), para o

15 qual a solucao encontrada foi de apenas 0,15% a mais que a solucao do algoritmo gen tico. Al m disso, para os quatro exemplos em que a melhor solucao n o foi ene e a contrada em todas as execucoes, a m dia da diferenca n o chegou a 0,5%. Por outro e a lado, o algoritmo de busca tabu de Cunha e Ribeiro [6] tamb m mostrou um desempee nho consistente, mas n o foi capaz de encontrar a melhor solucao conhecida em 8 casos a e sua diferenca m dia foi pior do que a diferenca m dia do algoritmo proposto para 15 e e destes casos. Os resultados tamb m indicam que o desempenho da TS-C e superior a e GA-S, uma vez que em apenas 2 exemplos o primeiro apresentou uma diferenca m dia e pior do que o segundo e o GA-S encontrou apenas uma melhor solucao conhecida. Como o desempenho do GA-S deteriorou-se seriamente para os ultimos exemplos na Tabela 1, o algoritmo proposto foi comparado apenas ao TS-C nos exemplos maiores. A Tabela 2 mostra os resultados destes dois algoritmos apresentados para 10 exemplos com mais de 1000 nos no mesmo formato da Tabela 1. E evidente que a busca tabu proposta supera o m todo de refer ncia, uma vez que obt m os melhores mnimos e e e e m dias das solucoes para todas as redes. Al m disso, a robustez do algoritmo e visvel e e porque a diferenca m dia da melhor conguracao encontrada e, no m ximo, 1,83% e e a o desvio padr o excede 1,0% em apenas um caso. Pode ser visto que o TS-C falha na a obtencao de solucoes competitivas para exemplos de grande porte, talvez por causa da depend ncia do seu tempo de execucao e dos crit rios de parada empregados. e e

Tabela 6.2 Comparacao das solucoes dos 10 maiores problemas Instance Best Sol. Proposed TS TS-C Min. Avg. SD Min. Avg. Gap Gap Gap Gap Gap 0.00 1.15 0.80 10.17 12.68 0.00 1.55 0.94 11.65 19.75 0.00 1.09 0.84 11.31 12.53 0.00 1.28 0.73 30.06 41.68 0.00 0.69 0.73 78.77 84.34 0.00 1.83 0.75 47.15 58.57 0.00 1.15 0.70 6.53 6.53 0.00 0.25 0.28 70.30 71.09 0.00 1.70 1.07 87.48 87.54 0.00 0.32 0.20 113.51 114.24 SD Gap 11.96 22.03 6.71 20.27 11.24 16.07 0.00 0.46 0.04 0.42

pr1002 u1060 vm1084 pcb1173 d1291 rl1304 rl1323 nrw1379 1400 ui432

2662871.80 2302421.10 2324953.00 591012.00 528294.10 2701706.20 3134737.40 561381.10 202637.50 1584001.50

A qualidade das boas solucoes apresentadas pelo algoritmo proposto nas tabelas anteriores pode consistentemente apontar para sua utilidade. Esta observacao e rati

16 cada na Tabela 3, onde o tempo m dio de execucao e dado para cada exemplo. Mais e uma vez, o algoritmo proposto apresentou bons resultados, gastando em exemplos menores menos de um d cimo do tempo gasto por TS-C e, signicativamente mee nos tempo nos demais casos. E relevante observar que o crit rio de parada do tempo e m ximo de execucao n o era necess rio para o algoritmo proposto. No entanto, o TSa a a C mostra resultados de baixa qualidade para os 12 maiores exemplos, provavelmente por causa do tempo de funcionamento m ximo permitido, que foi alcancado em todas a as execucoes desses exemplos. Os tempos m dios de execucao do GA-S s o omitidos e a porque este m todo utilizou todo o tempo disponvel para todas as execucoes de todos e os exemplos. Uma vez que uma solucao otima global n o e conhecida para esses problemas, e muito a importante para avaliar diferentes m todos heursticos encontrar a solucao mais adee quada. Atrav s da an lise realizada, o algoritmo de busca tabu proposto demonstra e a ser muito efetivo em resolver as diculdades do problema. Al m disso, os algoritmos e comparados s o de reconhecido valor para esta classe de problemas, ent o a an lise a a a pode armar que este e de fato um m todo adequado para este tipo de problema. E e razoavelmente esperado que uma abordagem da busca tabu apresente bons resultados em outros problemas relacionados, como o problema de otimizacao da rede de distribuicao de agua, estudado por Cunha e Ribeiro [6].

17 Tabela 6.3 Tempos m dios de execucao e Instance pr76 kroA100 kroE100 lin105 pr107 pr124 bier127 pr136 pr144 kroA150 kroB150 pr152 u159 d198 kroA200 kroB200 ts225 tsp225 pr226 gil262 a280 pr299 lin318 rd400 417 pr439 pcb442 d493 u574 rat575 p654 d657 u724 rat783 pr1002 u1060 vm1084 pcb1173 d1291 rl1304 rl1323 nrw1379 1400 u1432 Proposed TS 0.119 0.039 0.039 0.043 0.313 0.406 0.063 0.494 0.634 0.923 0.090 0.966 0.744 1.149 1.027 1.200 1.694 0.202 2.158 0.271 0.312 8.923 10.880 1.560 5.026 62.854 16.048 18.130 36.154 6.559 72.481 26.071 91.008 26.242 557.313 918.610 944.113 1032.390 456.914 1227.100 1291.161 1117.667 462.311 1251.755 TS-C 1.076 0.852 0.865 0.895 3.620 4.403 1.801 5.736 8.450 10.774 2.730 9.238 7.889 17.115 23.772 38.465 31.311 9.578 17.576 14.643 17.470 86.404 65.950 49.649 174.955 218.321 213.174 354.374 504.909 464.208 654.269 642.325 724.510 783.501 1002.387 1060.277 1084.526 1173.583 1292.244 1304.494 1323.406 1379.547 1401.127 1433.146

Captulo7 Conclusoes

Um algoritmo de busca tabu para o problema de dimensionamento da tubulacao foi proposto. Seus recursos especializados permitiram encontrar solucoes de alta quali dade em reduzidos tempos computacionais. Isso demonstra a capacidade das me taheursticas em lidar com as complexas restricoes desse problema combinatorio. No entanto, mais experimentacao e necess ria para permitir que uma conclus o deni a a tiva seja desenhada. Em trabalhos futuros, uma adaptacao do m todo de fus o serial e a e paralelo [10] ser investigado como parte dos algoritmos heursticos. Outra linha de a pesquisa ir considerar redes com loop e adicionar novos dispositivos ao modelo de a distribuicao, tais como bombas e compressores.

Refer ncias Bibliogr cas e a

[1] Boyd, I. D., Surry, P. D., Radcliffe, N. J. (1994): Constrained gas network pipe sizing with genetic algorithms. EPCC-TR94-11, University of Edinburgh. [2] Boyd, E. A., Scott, L. R., Wu, S. (1997): Evaluating the quality of pipeline optimization algorithms. http://www.psig.org/paper/1997/9709.pdf. [3] Castillo, L., Gonz lez, A. (1998): Distribution network optimization: nding the most a economic solution by using genetic algorithms. European Journal of Operational Research, 108 (3), pp. 527-537. [4] Castro, M. P. (2004): Algoritmos evolucion rios para o problema de dimensionamento a dos dutos de uma rede urbana de distribui ao de g s natural. Dissertation (Master dec a s gree in Systems and Computers). Universidade Federal do Rio Grande do Norte. [5] Costa, W. E. (2004): Um estudo algortmico para o problema do dimensionamento de dutos em uma rede urbana de distribui ao de g s natural. Dissertation (Master degree c a s in Systems and Computers). Universidade Federal do Rio Grande do Norte. [6] Cunha, M. C., Ribeiro, L. (2004): Tabu search algorithms for water network optimization. European Journal of Operational Research, 157 (3) pp. 746-758. [7] Glover, F., Laguna, M. (1997): Tabu search. Kluwer Academic Publishers. Dordrecht. [8] Osiadacz, A. J., Gorecki, M. (1995): Optimization of pipe sizes for distribution gas network design. http://www.psig.org/papers/1987/9511.pdf. [9] Reinelt, G. (1991): A traveling salesman problem library. ORSA Journal on Computing 3, pp. 376-384.

20 [10] Rothfarb, B., Frank, H., Rosenbaum, D., Steiglitz, K., Kleitman, D. (1970): Optimal design of offshore natural-gas pipeline systems. Operations Research, Vol. 6, 18, pp. 922-1020. [11] Surry, P. D., Radcliffe, N. J., Boyd, I. D. (1995): A multi-objective approach to constrained optimization of gas supply networks: the COMOGA method, in: Evolutionary Computing. AISB Workshop, T. Fogarty (Ed.), Springer-Verlag.