1 INTRODUO S TCNICAS DE OTIMIZAO EM ENGENHARIA SIMONE PEREIRA SARAMAGO1, VALDER STEFFEN JR.

2 Resumo: O objetivo deste trabalho apresentar um estudo sobre os mtodos de otimizao e aplic-los na soluo de problemas de engenharia. Sero considerados tanto os mtodos determinsticos, baseados no clculo de derivadas ou em aproximaes destas e no gradiente, quanto os mtodos heursticos, tambm conhecidos como mtodos naturais, que so mtodos aleatrios. Essas tcnicas so aplicadas na minimizaco do custo de uma viga Cantilever e na otimizao de um problema de usinagem por descarga eltrica. Para soluo destes problemas so utilizados o mtodo do multiplicador de Lagrange aumentado e os algoritmos genticos. O problema de usinagem um problema de otimizao multi-objetivo, sendo utilizado o mtodo da ponderao dos objetivos, para transformar as funes objetivo em uma nica funo escalar. Os resultados obtidos so comparados com outros resultados encontrados na literatura. Palavras-chave: otimizao, mtodos determinsticos, mtodos heursticos, problema multiobjetivo Abstract: The objective of this work is to present a study of optimization methods and applying them to solve engineering problems. Both deterministic methods, based on calculations of derivatives or in their approaches and the gradient, and heuristic methods, also known as natural methods, which are pseudo-random methods will be taken into account. As examples, these techniques are applied to minimize the cost of a cantilever beam and in to optimize an electrical discharge machining problem. To this aim the Augmented Lagrange Multiplier Method and Genetic Algorithms have been used. As the machining problem is a multi-objective optimization problem, the weighting objectives method was used to write a single objective scalar function that takes into account all the different objectives. The results are compared with other results found in the literature. Keywords: Optimization, deterministic methods, heuristic methods, multi-objective problem

Faculdade de Engenharia Mecnica, UFU, e-mail: sisaramago@gmail.com Faculdade de Engenharia Mecnica, UFU, e-mail: vsteffen@mecanica.ufu.br Av. Joo Naves de vila, 2160, Santa Mnica, Uberlndia, MG, Brasil.
2

2 1. INTRODUO Otimizao consiste em encontrar uma soluo ou um conjunto de solues timas para uma determinada funo ou conjunto de funes. O conceito de soluo tima inerente do problema que se deseja otimizar. Por exemplo, em uma situao A modelada matematicamente por uma nica funo FA h a necessidade de determinar um valor (valor timo) tal que FA seja mnimo, ou ainda, uma situao B cujo modelo matemtico seja expresso por n funes FBn (n = 1,2, 3,...,n) onde se pretende maximizar algumas e minimizar as demais. Neste caso, pode-se ter uma nica soluo, um conjunto de solues ou ainda no haver soluo que satisfaa todas as funes. medida que o nmero de funes e o nmero de variveis aumentam, a dificuldade em se determinar o conjunto de solues timas tambm aumenta. neste contexto que surge a necessidade de desenvolver tcnicas matemticas e 2. O PROBLEMA DE OTIMIZAO A forma genrica dos problemas de otimizao ou de programao no-linear : computacionais que refinem o processo de otimizao, dado que este amplamente utilizado para resolver problemas de engenharia. Os mtodos para a soluo de problemas de otimizao se dividem em dois grupos, os mtodos baseados no clculo (Deterministic Optimization) e os mtodos randmicos ou aleatrios (Random Strategies). Quanto presena de limitantes ao problema, tem-se a otimizao irrestrita e a otimizao restrita. Na otimizao restrita existem os mtodos indiretos (Mtodos Seqenciais e outros) e os mtodos diretos (Programao Linear e outros). No grupo dos mtodos aleatrios podem ser citados os mtodos de ordem zero, Algoritmos Genticos, Simulated Annealing, Redes Neurais, Evoluo Diferencial. Raramente pode-se garantir a existncia e unicidade de um projeto timo, isto ocorre devido existncia de vrias solues, mal condicionamento convergncia. A estratgia prtica utilizada inicializar o processo de otimizao a partir de diferentes configuraes de X0, caso se encontre o mesmo valor para Fmn, tem-se alguma garantia de mnimo global. numrico ou lenta

3 Minimizar f(X) Sujeita a X S, (1) perda de generalidade, falar apenas de Minimizao. Um resultado fundamental, relacionado Em que f: n e S n . S chamado conjunto factvel. O vetor X = [x1, x2,..., xn] composto pelas variveis do projeto. Consideram-se dois tipos de solues deste problema: 2.1. Condies de Otimalidade para Definio 2.1: Um ponto X* S um minimizador local de f em S se e somente se existe > 0 tal que f(X) f(X*) para todo X minimizao sem restries Analisa-se inicialmente o caso em que o conjunto factvel n . Nesta circunstncia, (1) chamado de problema de minimizao
f ( X * )

com o problema de otimizao, dado pelo Teorema de Bolzano-Weierstrass: Uma funo real contnua f, definida em um conjunto fechado e limitado S n , admite um minimizador global em S.

S tal que || X X * || < . Se f(X) > f(X*)

para todo X S tal que X X* e || X X * || < , considera-se que se trata de um minimizador local estrito em S. Definio 2.2: Um ponto X * S um minimizador global de f em S se e somente f(X) f(X*) para todo X S. Se f(X) > f(X*) para todo X S tal que X X*, considera-se que se trata de um minimizador global estrito em S. Em forma anloga, define-se

irrestrita.

Seja

H(X*),

respectivamente, o gradiente e a matriz Hessiana da funo f(X) no ponto X*. Desta forma, definem-se:

Condies necessrias de primeira ordem: Seja f: n , f C 1 . Se X *

um minimizador local de f em n , ento f ( X * ) = 0.

Condies necessrias de segunda ordem: Seja f: n , f C 2 . Se X *

um minimizador local de f em n , ento: (i) f ( X * ) = 0 ;

maximizadores locais e globais. possvel observar que Maximizar f equivalente a Minimizar f, razo pela qual se pode, sem

(ii) H(X*) semidefinida positiva.

4
Condies suficientes de segunda

A seo urea um dos mtodos mais utilizados para determinao de

ordem: Seja f: n , f C 2 . Se

X* n , f ( X * ) = 0 , e H(X*) > 0, ento X* um minimizador local estrito de f em n . As provas das condies apresentadas acima podem ser encontradas em Friedlander (1994).

(Vanderplaats, 1999).

3. MTODOS DE OTIMIZAO FUNES DE VRIAS VARIVEIS SEM RESTRIES

Nem sempre possvel minimizar funes de vrias variveis por meio de uma soluo analtica. Surgem, ento, mtodos numricos, baseados em um modelo de algoritmo com buscas direcionais, que visam tal objetivo.

2.2. Modelo Geral de Otimizao

conveniente pensar em algoritmos de otimizao como uma aplicao iterativa. A maioria dos algoritmos de otimizao requer um conjunto inicial de variveis de projeto X0. A partir da, o projeto atualizado iterativamente:

3.1. Direes de Descida

Dado X n , se f ( X ) 0 , sabe-se

q +1

= X + S

que X no um minimizador local de f em (2) n . Portanto, em toda vizinhana de X existe Z n tal que f(Z) < f(X). Assim, torna-se importante, caracterizar as direes a partir de X, nas quais possvel achar um ponto Z n que verifique f(Z) <
f(X).
Definio 3.1: Sejam f: n , f

Em que q representa o nmero da iterao, X o vetor das variveis de projeto, S

q

o vetor direo de busca no espao de

projeto, * o escalar multiplicador que define o passo que se deseja dar na direo de S. O uso da Eq. (2) consiste em duas etapas. Primeiro, a determinao da direo de busca S, e segundo, definir o parmetro escalar *, o qual ir minimizar f(X) o mximo possvel na direo Sq.

C 1 , X n tal que f ( X ) 0 , S n tal

que t f ( X ) S < 0 . Ento existe > 0 tal que f(X+S) < f(X) para todo (0, ] .

5
Prova: Seja a funo () f(X+S).
direo de descida mais ngreme. Toma-se como direo de busca aquela oposta ao gradiente:

Ento (0) f(X), e aplicando a regra da cadeia tem-se (0) = t f ( X ) S . Como (0) = lim

( ) (0) , ento 0
suficientemente

S q = f ( X q ),
* q sendo X q +1 = X q + q S q = 1, 2, 3, ...

para 0 < < , com

(3)

pequeno, o sinal de (0) e o sinal de

( ) (0) deve ser o mesmo.

Como t f ( X ) S < 0 tem-se que (0) < 0 e ( ) (0) < 0 para 0 < < , portanto

f(X+S) < f(X).

A definio 3.1 diz que, dado S n tal que t f ( X )S < 0 , certamente pode-se

encontrar nessa direo pontos onde o valor da funo seja estritamente menor que f(X). As direes

S n ,

tais

que

Figura 1 - Mtodo da Descida Mxima (Vanderplaats, 1999). O mtodo associado busca

t f ( X ) S < 0 , so chamadas direes de

descida a partir de X. A existncia dessas

direes sugere um modelo geral de otimizao, baseado em um mtodo iterativo, que visa minimizar uma funo sem restries.

unidimensional de * , a convergncia boa no incio, mas muito lenta ao se aproximar do mnimo.

3.2. Mtodo da Descida Mxima

Trata-se de um clssico mtodo de 1 ordem, sua importncia permitir estabelecer o ponto inicial para mtodos mais sofisticados. No utiliza informaes sobre iteraes anteriores, apenas usa a

3.3. Mtodo Quasi-Newton

Trata-se ainda de um mtodo de 1 ordem, sendo que agrupa os mtodos mais utilizados em otimizao seqencial. Melhora-se a eficincia do processo ao

6 considerar anteriores. A idia bsica criar uma matriz que aproxime a matriz Hessiana inversa. Por simular os mtodos de Newton (2 ordem), tais tcnicas so chamadas Mtodo QuasiNewton. O algoritmo dado por: informaes de iteraes

p = X q X q 1 e y = f ( X ) f ( X
q q 1

(7)

E os escalares:

= p T y e = y T G q 1 y
Para

(8)

=0

tem-se

Mtodo

de para

S q = G q f ( X q ), sendo X q +1 = X q + * S q q = 1, 2, 3, ... (4)

Davidon-Fletcher-Powell

(D.F.P.),

=1

tem-se o Mtodo de Broydon-

Fletcher-Goldfarb-Shanno (B.F.G.S.).

A matriz G inicializada pela matriz identidade, e durante o processo calculada como:

0

3.4. Mtodos de Segunda Ordem:

Seja f(X) expandida em srie de Taylor at 2 ordem, em torno de X0:

1 f ( X ) f ( X 0 ) + f ( X 0 )X + X T H ( X 0 )X 2

G =I G q = G q 1 + D q , q = 1, 2, 3, ...

(5)

(9) Sendo, X = X X 0 .

Em que,
Dq =

2 G q 1 yp T + p(G q 1 y )T

pp T +

1 q 1 G y (G q 1 y )T

Diferenciando a equao em relao a X, temos:

(6) D conhecida como matriz simtrica de otimizao. Os vetores p e y so dados por:

f ( X ) f ( X 0 ) + H ( X 0 ) X X No ponto de mnimo:

(10)

H ( X 0 )X = f ( X 0 ) X = H ( X ) f ( X ) X X 0 = H ( X 0 ) 1 f ( X 0 )
0 1 0

H ( X q ).S q = f ( X q )
(11)

(15)

Uma suposio prtica para diminuir o tempo computacional calcular H aps cada conjunto de algumas iteraes e f a cada iterao, pois se supe que a segunda

Portanto, X = X 0 H ( X 0 ) 1 f ( X 0 )

(12)

derivada varia pouco.

Portanto a direo de busca nos mtodos de segunda ordem dada por: S q = H ( X q ) 1 f ( X q )

4.

MINIMIZAO

COM

RESTRIES

(13)

O problema geral de otimizao com restries consiste em minimizar uma funo objetivo, sujeita, ou no, a restries de igualdade, desigualdade e restries laterais. A funo objetivo e as funes de restries podem ser funes lineares ou no lineares em relao s variveis de projeto, implcitas ou explcitas, calculadas por tcnicas analticas ou numricas. Seja o problema geral de otimizao dado por: Minimizar:

Matematicamente, so mtodos mais precisos, pois consideram a aproximao da funo at 2 ordem, mas apresentam srios problemas numricos para a obteno da matriz Hessiana e para obter a inversa. Os mtodos de 2 algoritmo dado por:
q +1 q * q

ordem tm seu

=X

S q = H (X q )

+ S

f ( X q )

(14)

f ( X ) , X = [ x1 , x 2 , , x n ]T , X n
Neste algoritmo no se precisa calcular a inversa da matriz Hessiana, para isso resolve-se o sistema de equaes (15) pelo mtodo da eliminao por Gauss.
Sujeito a:

(16)

g j (X) 0 , j=1,2,...,J
hk (X) = 0, k=1, 2,..., K
xi( L) x xi(U ) , i= 1, 2,..., n

S f ( x) = S f ( x) cos (17) S f ( x ) 0 (19)

Setor utilizvel.

vivel: Um

semelhante hiperplano

ao

setor

tangente

4.1. Definies

superfcie de restrio no ponto A limitar o o projeto deve-se setor vivel.

Para

melhorar

determinar um vetor direo S que reduz f(x) sem violar nenhuma restrio. Setor utilizvel: a tangente a uma curva f(x) constante em um ponto A, limitar todas as direes utilizveis possveis. Qualquer direo do lado do hiperplano que reduza f(x) definida como direo utilizvel e esta poro do espao de projeto chamada de setor utilizvel. De maneira anloga,
90 270 cos 0

Figura 3 - Setor Vivel

(18)

S g ( x ) 0

(20)

Observando a Figura 3, nota-se que se S for escolhido prximo tangente que limita o setor vivel tem-se uma drstica reduo de f(x), mas viola-se a restrio. Se S for escolhido prximo tangente Figura 2 Setor Utilizvel O produto escalar de qualquer direo S, escolhido no setor utilizvel pelo gradiente que limita o setor utilizvel, conforme pode ser visto pela Figura 2, no se viola a restrio, mas tem-se uma lenta convergncia.

f(x) ser menor ou igual a zero:

9 Sendo assim, ser considerado como setor vivel e utilizvel a regio sombreada da Figura 4.

Figura 5 Ponto timo B

f ( X ) + g ( X ) = 0
Figura 4 Setor vivel e utilizvel Restrio ativa: uma restrio

(21)

Considere outro exemplo, observando a Figura 6, no qual se tem duas restries ativas e uma no-ativa. Assim:

considerada ativa quando o seu valor igual a zero ou est dentro de uma pequena tolerncia prxima de zero. O vetor direo de busca S tem que ser vivel em relao a todas as restries ativas em um dado momento do processo.

f ( X *) + 1g1( X *) + 2g2 ( X *) = 0 3 = 0 (restrio no-ativa) (22)

4.2. Condies necessrias para o timo

Seja o ponto B da Figura 5, observe que

f(X) e g(X) esto em direes opostas.

Assim no ponto timo B, a nica possibilidade para a direo de busca S ser tanto vivel como utilizvel ser a de ser tangente tanto ao limite da restrio quanto curva f(X) =cte. Figura 6 Interpretao Geomtrica do ponto timo (Vanderplaats, 1999).

10 Generalizando, a condio necessria para um ponto ser mnimo que: resultante igual e oposto ao gradiente

f(X).
As condies de Kuhn-Tucker so necessrias e suficientes para definir um timo global se, f(X) e todas as superfcies de restrio, so convexas. No problema convexo as retas unindo dois pontos, de duas iteraes do processo, contm apenas pontos da regio vivel e a matriz Hessiana definida positiva para todos os projetos.

f (X) + jg j (X) + m+khk (X) = 0

j =1 k =1
(23)

para sinal. A timo.

j 0
Eq.

m+ k

sem restrio de

(23) define uma

condio

necessria, mas no suficiente para o projeto

5. FUNES RESTRITAS DE N VARIVEIS MTODOS INDIRETOS

Condies de Kuhn-Tucker: se o vetor X* define o projeto timo, as trs condies abaixo so satisfeitas:

Para minimizar uma funo f(X), sujeita a restries, adota-se o seguinte procedimento. Minimiza-se a funo objetivo, como uma funo sem restries, mas introduzindo penalidades para limitar a violao das restries. Assim, cria-se uma nova funo objetivo, objetivo. O timo do projeto restrito obtido atravs da soluo seqencial de vrios problemas sem restrio. Estes mtodos so conhecidos como SUMT (Sequential Unconstrained Minimization Techniques). Uma aproximao clssica usando SUMT, denominada funo pseudo-

* (1) X vivel * (2) jgj (X ) = 0; j =1,m;j 0 m l (3) f (X*) + g (X*) + h(X*) = 0 j j k+m j=1 k=1
(24) (1) - Se o projeto timo, deve satisfazer todas as restries. (2) - Se a restrio ativa gj(X*)=0, se no for ativa j=0. (3) - Se multiplicarmos o gradiente de cada restrio crtica pelos correspondentes multiplicadores de Lagrange, o vetor

11 para criar uma funo pseudo-objetivo dada por:

Se rp for pequeno, a funo (X, rp) facilmente minimizada, porm ocorrem srias violaes s restries. Se rp for

( X , r p ) = f ( X ) + r p p( X )
Em que,

(25)

grande, as restries so satisfeitas, mas tmse srias dificuldades numricas para minimizar (X, rp). O procedimento usual inicializar o processo com rp pequeno e aumenta-se rp de um fator :

f(X) a funo objetivo

original; representa a funo pseudoobjetivo; p(X) funo de penalidade; rp o coeficiente de penalidade e p o nmero da iterao. O fator rp mantido constante para uma dada iterao da minimizao irrestrita, para nova atualizao da direo de busca, podese atualizar rp. Existem vrias formas de se escrever a funo de penalidade, neste estudo foram considerados dois mtodos que sero apresentados a seguir.

rp +1 = .rp

(27)

Minimiza-se novamente a partir da soluo anterior, at obter resultado satisfatrio. Os critrios de convergncia mais utilizados so: f(X) no alterado significativamente durante a minimizao irrestrita ou f(X) muito pequeno: f ( X p +1 ) f ( X p ) < .

5.1. Mtodo da Funo de Penalidade Exterior

Neste caso, a funo de penalidade vale:

todas
m l p ( X ) = mx 0, g j ( x) 2 + [hk ( X )]2 j =1 k =1

as

restries

g j (X ) 0

{ [

]}

hk ( X ) = 0 , dentro de certa tolerncia.

(26) A funo de penalidade facilmente incorporada ao processo de otimizao, sendo que, s h penalidade quando as restries so violadas.

5.2. Mtodo

do

Multiplicador

de

Lagrange Aumentado (MMLA)

Neste mtodo procura-se reduzir a dependncia do algoritmo em relao escolha dos coeficientes de penalidade e a maneira pela qual so utilizados. Reduz o

12 mal A por:
Condio (1): X *vivel
m l

condicionamento Funo Lagrangeana

numrico clssica

normalmente introduzido pelas penalidades. associada ao problema de otimizao dada

L( X , ) = f ( X ) + k hk ( X )
k =1

(30)

Em que as condies do timo so:

L( X , ) = f ( X ) + j g j ( X ) + k +1hk ( X )
j =1 k =1

Condio (2): k hk ( X * ) = 0 Condio (3): L( X * , * ) deve ser

(28) Sendo Lagrange. O gradiente da funo Lagrangeana (28) dado por:

m

estacionrio (gradiente nulo), pois:

l

os

multiplicadores

de

L( X * , * ) = f ( X * ) + * k hk = 0
k =1

(31) de (A)

Usando funo como:

mtodo

da

Funo

Penalidade Exterior, pode-se escrever a pseudo-objetivo aumentada

L ( X , ) = f ( X ) + j g j ( X )
j =1

+ k +1hk ( X )
k =1

A ( X , , rp ) = L (X, )+ r p p(X) (29)

(32)

Logo:
l l

Para L( X , ) = 0, a 3 condio de Kuhn-Tucker obedecida.

A( X , , rp ) = f ( X ) + k hk ( X ) + rp [hk ( X )]2
k =1 k =1

(33)

5.2.1. Problemas igualdade

com

restries

de
Para

k = 0 , tem-se o mtodo de

Na minimizao de f(X) sujeito a restries de igualdade, as condies de Kuhn-Tucker permitem escrever o lagrangeano como:

Penalidade Exterior clssico. O ponto timo X * deve ser soluo de:

13

A( X * , * , r p ) = 0

Pois, no limite ( X * ), estas equaes so

* * f ( X * ) + * k + 2r p hk ( X ) hk ( X ) = 0

{[ k =1
l

iguais.

(34)

5.2.2. Problemas desigualdade

com

restries

de

Observa-se que o ponto timo independe do valor adotado para rp .

X*

Na minimizao de f(X) sujeito a restries de desigualdade, o problema convertido a outro equivalente com restries de igualdade atravs da introduo de variveis de folga Z j :

Alm disso, se * fosse conhecido na Eq. (34), exigiria apenas uma minimizao sem restries para obter X equao:
l
*

resolvendo a

g j (X ) + Z 2 j = 0 sendo, j = 1, m ;

(37)

* f ( X * ) + * k hk ( X ) = 0 k =1

(35)

Substituindo na Eq. (30):

Na prtica no se conhece * k . O que se faz fixar rp > 0 , adotar uma estimativa 1 permitindo obter
m

L(X, , Z) = f (X) + j g j (X) + Z 2 j

j=1

{[

]}

(38)

X 1.

Corrigem-se

os

valores de e continua o processo. Assim, geram-se duas seqncias de vetores:

1 2 3 , , ,... 1 2 3 e no limite pretende-se X , X , X ,...

Portanto, possvel reescrever (32) como: A ( X , , r p , Z ) = L (X, ,Z)+ rp p(X) (39)

que convirjam para * e X * . A correo de usualmente feita comparando-se as Eqs. (34) e (35), ou seja:

Logo:
m m 2 2 A(X,,rp, Z) = f (X) + j g j (X) + Z2 j + rp g j (X) + Z j j=1 j=1 (40)

{[

]}

kp +1 = kp + 2rp hk ( X p )

(36)

Mas Z aumenta muito o nmero de variveis de projeto, tornando o processo

14 muito lento. Assim, para eliminar estas variveis Z , reescreve-se a funo pseudoobjetivo aumentada como:
E no limite pretende-se que convirjam
m m
1 2 3 , , ,... 1 2 3 X , X , X ,...

(44)

A( X , , r p ) = f ( X ) + j j + r p 2 j
j =1 j =1

para * e X * .

(41) Sendo:

5.2.3. Mtodo Multiplicador de Lagrange Aumentado - caso geral

j = max g j ( X ),

j 2rp

(42)

A soluo do problema geral obtida pela funo pseudo-objetivo:

m A( X , , r p ) = f ( X ) + j j + r p 2 j j =1
l

A atualizao de , segundo a Eq. (36) dada por:

+1 p = p j j + 2 r p j

]
]

(43)

+ m+k hk ( X ) + rp (hk ( X ))2

k =1

(45) Na prtica no se conhece * k . O que se faz fixar rp > 0 , adotar uma estimativa 1 permitindo obter Em que:

X 1.

Corrigem-se

os

valores de e continua o processo. Assim, geram-se duas seqncias de vetores. De forma similar ao problema de restrio de igualdade, adota-se uma estimativa para 1 permitindo obter X 1 . Corrigem-se, ento, os valores de de forma a obter duas seqncias de vetores:

j = max g j ( X ),

j 2r p

(46)

As atualizaes de j e k + m , segundo as Eqs. (36) e (43), so dadas por:

p +1 j p p j = j + 2rp . max g j ( X ), ; j = 1, m r 2 p p +1 p p k + m = k + m + 2rp hk ( X ); k = 1, l (47)

15 De forma similar aos problemas de restrio de igualdade e de desigualdade, adota-se uma estimativa para 1j e para

aplicados a problemas que apresentam no diferenciabilidade ou descontinuidade. H algumas dificuldades comuns entre as tcnicas diretas e indiretas: A convergncia a uma soluo tima depende da escolha da soluo inicial; Muitos algoritmos tendem a ficarem presos em uma soluo sub-tima (mnimos locais);

1 k +m

permitindo obter X . Corrigem-se,

ento, os valores de de forma a obter trs seqncias de vetores:

3 1j , 2 j , j ,...

1 2 3 k + m , k + m , k + m ,... 1 2 3 X , X , X ,...

(48)

Um algoritmo eficiente na soluo de um problema de otimizao pode no ser eficiente na soluo de outro; No so eficientes em tratar problemas onde o espao de busca discreto; No so adequados para serem usados em computao paralela. Os mtodos heursticos podem reduzir algumas das dificuldades apresentadas anteriormente, justificando o fato de que

E no limite pretende-se que convirjam para j, k+m,e X*.

6. MTODOS HEURSTICOS DE OTIMIZAO

Em engenharia, os problemas geralmente so complexos, no lineares, de difcil representao e descritos por funes nem sempre diferenciveis, necessitando de mtodos numricos para sua soluo. Os mtodos determinsticos, baseados no clculo de derivadas ou em aproximaes destas e no gradiente, produzem bons resultados quando as funes so contnuas, convexas e unimodais. No entanto, na maioria das vezes, so ineficientes quando

cada vez mais esto sendo desenvolvidas pesquisas com estes mtodos, visando comparar seus resultados com os mtodos clssicos na soluo de problemas de otimizao. Os mtodos heursticos, tambm

conhecidos como mtodos naturais, se caracterizam pela busca da melhor soluo atravs de regras de de probabilidade, aleatria trabalhando maneira

orientada. Tais mtodos utilizam apenas as

16 informaes da funo de otimizao, no requerendo informaes sobre suas derivadas ou possveis descontinuidades. Estas tcnicas requerem um nmero elevado de avaliaes do problema. Isto necessrio para que se d chance ao mtodo de explorar devidamente toda a regio do espao de busca em que est contida a soluo tima, resultando em um grande nmero de avaliaes da funo necessrios para encontrar a soluo. Os mtodos naturais so procedimentos iterativos que tentam simular os processos usados na natureza para resolver problemas difceis. Entre as tcnicas mais conhecidas pode-se citar recozimento simulado (Simulated Annealing), Busca Tabu e um grupo de mtodos baseados em populao. Neste ultimo grupo, Genticos, destacam-se Estratgias os de Algoritmos Evolutivos ou Evolucionrios (Algoritmos Evoluo, Evoluo Diferencial, etc.) e os algoritmos baseados na inteligncia coletiva (otimizao por enxame de partculas, colnias de formigas, etc.). Estes algoritmos se baseiam em populao de indivduos, onde cada indivduo representa um ponto de busca no espao de solues potenciais de um dado problema e imitam os princpios da natureza para Os criar procedimentos de otimizao. Algoritmos Evolutivos A fundamentao dos Algoritmos
7. ALGORITMOS GENTICOS

possuem alguns procedimentos de seleo baseados na aptido dos indivduos, e em operadores de cruzamento e mutao.

Genticos baseada na gentica natural. Desta forma, comum o uso dos termos: indivduos de uma populao, cromossomos, genes e alelos. Nos Algoritmos Genticos, a populao de indivduos um conjunto de pontos do domnio da funo a ser maximizada ou minimizada. A quantidade de pontos depende do nmero de variveis de projeto Algoritmos do problema so em questo. algoritmos genticos

iterativos, em que a cada iterao a populao modificada, usando as melhores caractersticas dos elementos da gerao anterior e submetendo-as aos trs tipos bsicos de operadores, para produzir melhores resultados (Goldberg, 1989). Para atingir estes objetivos so usados os seguintes processos: Reproduo: um processo no qual cada cadeia copiada levando em conta os valores da funo de adaptao f. A probabilidade ou aptido de cada indivduo um valor que representa o grau de

17 adaptabilidade deste, ou seja, o quo prximo o indivduo est da soluo do problema em relao aos indivduos da populao. Esta probabilidade medida com auxlio da funo objetivo e pode ser dada pela seguinte expresso: fc ( X ) , sendo pi =1 fc ( X )
De modo geral, suponha que se deseja otimizar uma funo f qualquer de n variveis, Mutao: a modificao aleatria ocasional (de baixa probabilidade) do valor de um alelo da cadeia.

pi =

(49)

f(X) = f(x1, x2,..., xn) sujeita a xil < xi < xiu i = 1, 2, ... , n

(52)

Este processo denominado seleo por roleta. Existem outras formas, tais como torneio e elitista. Para se calcular o valor da funo de adaptao fc, deve-se primeiro converter a seqncia binria (base 2) para a base 10, ou seja, deve-se decodificar um cromossomo, conforme a expresso:
mi 1 j =0

(53)

Ento cada seqncia de n variveis denominada de cromossomo ou indivduo (Haupt & Haupt, 1998 ) e cada uma das n variveis um gene. Cada gene representado no sistema binrio; os bits 0 e 1 so denominados alelos. O comprimento de cada gene depende da preciso requerida para o problema e da amplitude do intervalo onde ele est definido. O domnio de definio do gene xi o intervalo (xil, xiu). Admitindo que a preciso do problema de p casas decimais, ento o intervalo ( xil, xiu )

xi = b ij 2 j

(50)

Em seguida, calcula-se o valor real da varivel xi, dentro da regio vivel, atravs da relao:

xu xl x i = x il + x i i m i 2 i 1

(51)

deve

ser

dividido

em

(xiu

xil)10p

subintervalos iguais. Portanto, o gene xi Cruzamento: um processo no qual a combinao em partes de cada um de dois cromossomos gera um novo descendente. 2 mi 1 < ( xiu xil ) 10 p < 2 mi (54) dever ter pelo menos mi bits, pois:

18 Em outras palavras, o comprimento do gene xi a menor potncia de 2 dentre aquelas em que 2M supera (xiu - xil)10p. Assim, cada cromossomo tem um total de
m1 + m2 + + m n

Os Algoritmos Genticos, assim como muitos algoritmos evolutivos de otimizao, so desenvolvidos para resolver problemas irrestritos. Assim, no caso de problemas com restries, torna-se necessrio introduzir modificaes no mtodo. Neste estudo, utilizado o conceito, j visto anteriormente, de Funo de Penalidade (Vanderplaats, 1999). Nesta tcnica, os problemas com restries so transformados em problemas sem restries adicionando uma funo de penalidade p(X) funo objetivo original para limitar as violaes das restries. Esta nova funo objetivo, chamada pseudo objetivo, penalizada toda vez que encontrar uma restrio ativa. Seja a funo pseudo objetivo, , dada conforma a Eq. (56):

bits

(alelos)

representado por:
1 1 1 2 2 b1 bm ... b1 b0 bm 1 bm 1 2 m 1 1 2 2 2 Ck = 2 2 n n n n ... b1 b0 . . . bm bm ... b1 b0 1 2 n n

(55)

Em que b ij (que tem valor 0 ou 1) o (mi j)-simo alelo correspondente ao isimo gene. O procedimento consiste em criar, aleatoriamente, uma populao inicial de indivduos {C1, C2,..., Cn}. Em seguida, todos os indivduos dessa populao so modificados, submetendo-os aos operadores genticos; reproduo, cruzamento e mutao. Considerando estas definies, segundo Saramago (2003), o processo de otimizao utilizando algoritmos genticos representado pelo fluxograma da Figura 7.

(X) = f(X) + kp p(X)

(56)

2 L J 2 p(X) = {max 0 , g j ( X ) } + [hl ( X )] l =1 j =1

(57)

8. FUNES RESTRITAS DE N VARIVEIS GENTICOS ALGORITMOS

19

Incio

Codificao

xisup xiinf mi = log 2 preciso

1 1 0 1 0 1 1 0 0 1 0 1 1 0

Criar a populao

Decodificao xi = xiinf + decimal ( genei )2 Avaliar o custo xisup xiinf 2 mi 1

Critrio de parada satisfeito?

No

Sim

Fim

Seleo

Cruzamento 1 1 0 0 1 1 0 1 1 0 1 1 1 0

Mutao

Figura 7 - Fluxograma bsico de um algoritmo gentico binrio Em que f(X) a funo objetivo original, p(X) uma funo de penalidade imposta dada pela Eq.(57), gj(X) e hj(X) so funes de restries de desigualdade e igualdade, respectivamente. O escalar kp um multiplicador que quantifica a magnitude da penalidade. Para a eficincia do mtodo, deve-se procurar um valor adequado para o fator de penalidade de forma a garantir que todas as restries sejam obedecidas.

9.

OTIMIZAO

MULTI-

OBJETIVO
Um problema de otimizao multiobjetivo definido quando se deseja minimizar ou maximizar vrias funes objetivo simultaneamente, sendo que, em vrios casos, uma funo est em conflito com outra (Eschenauer et al, 1990).

20 Este problema pode estar sujeito a restries e todas as funes envolvidas podem ser no-lineares. Vrias tcnicas esto disponveis e podem ser consideradas para resolver este complexo problema de otimizao. Alguns mtodos clssicos so baseados em escalonar as funes, sendo que o vetor funo objetivo transformado em uma funo escalar, enquanto que outros mtodos tratam as funes objetivo como restries adicionais. Este trabalho utiliza o mtodo da ponderao dos objetivos na soluo de problemas de otimizao multi-objetivo. Neste mtodo, os problemas de otimizao multi-objetivo so substitudos por um problema de otimizao escalar. Seja fio utilizado para denotar o valor fio = fi(Xo(i)) = min fi(X) (60) Em que xj um vetor de variveis de deciso, fi(x) um vetor da funo objetivo, g(x), hm(x) so restries de desigualdade e de igualdade, respectivamente. Seja uma soluo chamada de soluo ideal. Para determinar esta soluo, deve-se encontrar, separadamente, o mnimo atingvel para todas as funes objetivo. Assumindo que este mnimo pode ser encontrado, seja Xo(i) = [x1o(i) x2o(i) ... xno(i)]T o vetor de variveis que minimiza cada i-sima funo objetivo fi(X). Em outra formulao, pode-se escrever que o vetor Xo(i) X tal que

9.1. Problema de Otimizao MultiObjetivo

Seja um problema de otimizao multiobjetivo formulado como a seguir: Minimizar ou maximizar: fi(X) = [f1(X) f2(X) ... fk(X)]
T

mnimo de cada i-sima funo. O vetor fo = [f1o f2o... fko]T ideal para um problema de otimizao multi-objetivo e o ponto no fo determinado por este vetor a soluo ideal. Pareto (1896) formulou um conceito de timo que continua sendo muito importante

i = 1, 2, ..., k (58)

para a anlise multi-objetivo. A maneira mais comum de definir este timo dada por: Um ponto X* X timo de Pareto se:

Sujeita a: xjmin xj xjmax, j = 1, 2, ..., n g(x) 0, = 1, 2, ..., L hm(x) = 0, m = 1, 2, ..., M (59)

fi(X) fi(X*) para todo i I = [1,2,....,k] (61)

21 ou existe pelo menos um i I tal que: fi(X) > fi(X*) para no mnimo um i I (62) quais as funes so expressas. Para que wi possa refletir bem a importncia dos objetivos, todas as funes devem ser expressas em unidades que aproximem os Esta definio baseada no conceito intuitivo de que o ponto X* escolhido como o timo se nenhum objetivo pode ser melhorado sem prejudicar pelo menos outro objetivo. Infelizmente, o timo de Pareto quase sempre no d uma nica soluo, mas, um conjunto de solues chamadas de solues no-inferiores ou solues nodominadas. Os melhores resultados so, usualmente, obtidos se ci=(1/fio), onde fio representa a soluo ideal para o problema. Em alguns exemplos, o valor fio assume valores muito grandes ou muito prximos de zero. Neste trabalho adota-se o vetor objetivo de Nadir. Dadas duas funes objetivo f1 ( X ) e
f 2 ( X ) para X = [x1 x 2 ] , considere:
T

mesmos valores numricos (Deb, 2001). Com este objetivo a Eq. (63) ser escrita na seguinte forma:
k

f ( X ) = wi f i ( X )ci , em que ci so fatores

i =1

de multiplicao.

(64)

9.2.

Mtodo

da

Ponderao

dos

Objetivos
Trata-se de um mtodo para soluo de problemas substituio multi-objetivo destes baseado por na um problemas

problema de otimizao escalar. Isso ocorre, por exemplo, atravs da criao de uma funo da forma:
k k

f 1o = f 1 X o (1)

f ( X ) = wi f i ( X ), wi = 1
i =1 i =1

(63)

f 2o

[ ( ) f (X )] ) f (X )] = [ f (X
2 o (1) T 1 o(2) 2

o(2) T

(65)

Em que f1 X o(1) Na qual wi 0 so os coeficientes de ponderao. Para os mtodos numricos de procura do mnimo dado pela Eq. (63) a localizao, depende no somente dos valores wi, mas tambm das unidades nas

e f 2 X o( 2) so os
f1 ( X ) e

valores mnimos das funes

f 2 ( X ) , respectivamente, no espao objetivo.

O vetor objetivo de Nadir pode ser estimado por

f nad = f1 X o( 2)

[ (

f 2 X o (1)

)]T . Este

22 vetor pode ser aplicado ao mtodo da ponderao dos objetivos. Para duas funes objetivo, determina-se uma nova funo objetivo, dada por: As variveis de projeto so as dimenses da viga, x1(h), x2(l), x3(t) e x4(b), conforme indicado na Figura 8.

f1( X) f1 Xo(1) f2( X) f2 Xo(2) + w f ( X) = w 2 nad 1 nad o(1) o(2) f f X f f X 2 1 1 2

(66)

( ) ( )

( ) ( )

10. APLICAES
Na resoluo de problemas com restrio atravs da aplicao de do mtodo do O problema pode ser escrito como: Minimizar: (X) = 1,10471x12x2 + 0,04811x3x4(14,0+x2) (67) Sujeito a: g1(X) = (X) - max 0 g2(X)= (X) - max 0 (68) (69) (70) multiplicador Matlab. Para resoluo dos problemas atravs da aplicao de algoritmos genticos, utilizouse a sub-rotina GAOT do Matlab. Em cada aplicao do mtodo foi utilizada uma populao de 80 indivduos e 100 geraes, sendo executadas 30 iteraes do mtodo, escolhendo-se o melhor valor (Grace, 1992). Lagrange aumentado

Figura 8 - Projeto de uma Viga Engastada.

(MMLA), utilizou-se a subrotina constr do

10.1. Projeto de uma viga engastada

O objetivo minimizar o custo de uma viga de Cantilever, sujeita a restries de tenso de cisalhamento, tenso de ruptura, esforo de carga na barra, deflexo final da viga e restries laterais, conforme expresso nas Eqs. (67) a (85). g4(X) = 0,10471x12 +0,04811x3x4(14+x2)- 5 0 (71) g3(X)= x1 x4 0

23 g5(X)= 0,125 x1 0 g6(X)=(X) - max 0 g7(X)= P Pc(X) 0 Em que: (72) (73) (74)
2 6 x3 x4

(X ) =

4 PL3
3 Ex3 x4

(82)

4,013E Pc ( X ) =

x E 36 1 3 (83) L2 2 L 4G

x ( X ) = ( ' ) + 2 ' ' ' 2 + ( ' ' ) 2 2R

2

Sendo:
(75)

P=6000 lb, L = 14in , E = 30.106 psi

(76)

'=

2 x1 x 2

G=12.106 psi , max=13600 psi max= 30000 psi , max= 0,25 in

(84)

''=

MR J

(77)

Os seguintes limites das variveis X = [x1, x2, x3, x4] so utilizados:

x M = P( L + 2 ) 2

(78)

0,01 x1 2 0,01 x2 10 (85) 0,01 x3 10 0,01 x4 2 Na Tabela 1 so apresentados alguns

R=

2 x2 x +x + 1 3 4 2

(79)

x 2 x + x 2 3 J = 2 2 x1 x 2 2 + 1 12 2

(80)

resultados encontrados na literatura para comparar com os obtidos atravs da aplicao dos mtodos MMLA e dos algoritmos genticos para a resoluo do problema da viga engastada.

(X ) =

6 PL
2 x 4 x3

(81)

24 Tabela 1: Resultados para o Problema da Viga Cantilever.

Deb (1997) Coello (2000) MMLA (constr) Algoritmos genticos (GAOT)

x1(h) x2(l) x3(t) x4(b) g1(X) g2(X) g3(X) g4(X) g5(X) g6(X) g7(X)
(X)

0,2486 6,1730 8,1739 0,2533 -5758,60 -255,577 -0,00440 -2,98287 -0,12390 -0,23416 -4465,27
2,4331

0,2088 3,4205 8,9975 0,2100 -0,33781 -353,903 -0,00120 -3,41187 -0,08380 -0,23565 -363,232
1,7483

0,2057 3,4705 9,0366 0,2057 0,0000 0,0000 0,0000 -3,4330 -0,0807 -0,2355 0,0000
1,7249

0,6683 1,4450 4,6704 0,7702 -0,0839 -0,4724 -0,0819 -2,2775 -0,5633 -0,2220 -183645,57
1,8365

Os resultados mostram que o mtodo de algoritmos genticos diminui o valor das dimenses l e t, e aumenta as dimenses h e b, obedecendo a todas as restries e diminuindo a funo custo em relao ao resultado apresentado por Deb (1997). O MMLA foi mais eficiente que as demais tcnicas encontrando o menor valor da funo objetivo e obedecendo s restries. Conseqentemente, diminui-se o custo de produo da viga e a utilizao de matrias primas.

10.2. Problema de Usinagem por Descarga Eltrica

O processo de usinagem por descarga eltrica (EDM) baseia-se na destruio de partculas metlicas por meio de descarga eltrica. Para que o processo de EDM ocorra necessrio que os materiais envolvidos (pea a ser usinada e ferramenta) sejam bons condutores de eletricidade. Pea e eletrodo so mergulhados num recipiente que contm um dieltrico. Tanto a pea como o eletrodo esto ligados a uma fonte de corrente contnua, por meio de cabos. Geralmente, o eletrodo tem

25 polaridade positiva e a pea, polaridade negativa. Ao ser ligado o interruptor, conforme ilustrado na Figura 9, forma-se uma tenso eltrica entre o eletrodo e a pea. De incio no h passagem de corrente, j que o dieltrico atua como isolante. Quando o espao entre a pea e a ferramenta diminudo at uma distncia determinada (GAP), o dieltrico passa a atuar como condutor, formando uma ponte de ons entre o eletrodo e a pea. O processo de usinagem ocorre simultaneamente na pea e no eletrodo. Com ajustes da mquina, possvel controlar a eroso, de modo que se obtenha at 99,5% de eroso na pea e 0,5% no eletrodo. O tamanho da GAP pode determinar a rugosidade da superficie da pea. Com um GAP baixo, o tempo de usinagem menor, mas a rugosidade maior. J um GAP mais alto implica maior tempo de usinagem e menor rugosidade da superfcie. O fornecimento de corrente interrompido pelo afastamento do eletrodo. O dieltrico atua na limpeza das partculas fundidas e ainda refrigera a superfcie usinada. O ciclo recomea com a Figura 9: Esquema simplificado do processo de eletroeroso (Cruz et al., 1999). O caso em estudo, que visa modelar a usinagem de um furo com alta preciso, foi escrito considerando duas funes objetivos: a minimizao do desgaste do eletrodo em porcentagem, Eq. (86), e do consumo potncia eltrica N em W, Eq. (87). reaproximao do eletrodo at a distncia GAP, provocando uma nova descarga (Cruz et al., 1999).

= e 81,509 I 5,634 0,349 ln t i 0,335 ln t 0 + 0,119 ln + 0,174 ln g t i 3,726 0,551 ln t 0 0,344 ln + 0,253 ln g
t 013,609 2,045 ln + 0,207 ln g 12,219 0,171 ln g g 3,102 (86)

26 N = e 0.663 I 1,341 0,066 ln t i 0,119 ln t 0 + 0,140 ln + 0,053 ln g t i 0,2300,071 ln t 0 0,048 ln + 0,016 ln g t 0 0,845 0,197 ln 0,058 ln g 0,557 0,003 ln g g 0,005 As variveis de projeto foram: durao do pulso eltrico ti em s, o intervalo de tempo do pulso t0 em s, a corrente de descarga I em A, o dimetro da perfurao em mm e a profundidade da perfurao g em mm, sujeitas s seguintes restries laterais: Para 500 t i 2000 50 70
64 I 128

(87)

Conforme a Eq. 61, foram obtidas as solues ideais para o caso em estudo, sendo que os resultados encontrados so mostrados na Tabela 2 considerando:

Caso 1: o = min e Caso 2: N = min N.

a soluo do problema de

125 t0 250 5 g 10 (88)

otimizao definido nas Eqs. (86) a (88), utilizou-se o mtodo da ponderao dos objetivos proposto na Eq. (66), sendo os valores ideais mostrados na Tabela 2.

Tabela 2: Resultados obtidos para solues ideais.

MMLA (constr)

Algoritmos Genticos (GAOT)

Pontos Iniciais
I (A) ti (s) t0 (s) (mm) g (mm) (%) N (W) f0 100 1000 100 60 07 1,6698 5610,3 -

Caso 1
64 2000 250 70 10 0,1980 3604,2 0,1980

Caso 2
64 500 250 70 10 1,9417 2806,5 2806,5

Caso 1
64 2000 250 70 10 0,1980 3604,2 0,1980

Caso 2
64 500 250 70 10 1,9417 2806,5 2806,5

27 Observando os resultados apresentados nas Tabelas 3 e 4, verifica-se que os valores timos obtidos foram sensveis variao dos coeficientes de ponderao wi conforme Tabela 3: Resultados obtidos com o Mtodo da Ponderao dos Objetivos para o problema da usinagem de um metal por descarga eltrica, utilizando-se MMLA. w1 w2 I (A) 1,0 0,0 64 0,9 0,1 64 0,8 0,2 64 0,7 0,3 64 0,6 0,4 64 0,5 0,5 64 0,4 0,6 64 0,3 0,7 64 0,2 0,8 64 0,1 0,9 64 0,0 1,0 64 ti (s) t0 g 10 5 5 10 10 10 10 10 10 10 10 (%) N (W) Tempo (s) 0,2250 3811,7 0,2970 0,2035 3569,3 0,8120 0,2035 3569,3 0,2810 0,6061 3188,4 0,1870 0,6140 3183,9 0,1880 0,6170 3182,2 0,1560 0,6260 3177,2 0,2340 1,6020 2866,3 0,2970 1,9417 2806,5 0,2190 128 704 248 62 176 68 74 167 212 0,0155 0,0984 0,1937 0,3075 0,3324 0,3556 0,3770 0,2940 0,2000 0,1000 9,1*10-6 K f(X) (s) (mm) (mm) 2000,0 125 70 2000,0 250 70 2000,0 250 70 1013,9 250 70 1006,1 250 70 1003,1 250 70 994,3 561,9 500,0 500,0 500,0 250 70 250 70 250 70 250 70 250 70 mostrado nas Figuras 3 e 4, que representa a curva do conjunto timo de Pareto.

1,9417 2806,5 23,3130 46838 1,9417 2806,5 53,9530 63752

Tabela 4: Resultados obtidos com o Mtodo da Ponderao dos Objetivos para o problema da usinagem de um metal por descarga eltrica, utilizando-se algoritmos genticos. w1 w2 I (A) 1,0 0,0 64 0,9 0,1 64 0,8 0,2 64 0,7 0,3 64 ti (s) t0 g 10 5 5 5 (%) N (W) Tempo (s) 0,1980 3604,2 16,3800 1679 0,2035 3569,3 16,7390 1712 0,2035 3569,3 17,2690 1771 0,2998 3443,0 19,7660 1970 2,7*10-5 0,0984 0,1937 0,2790 K f(X) (s) (mm) (mm) 2000,0 250 70 2000,0 250 70 2000,0 250 70 1616,7 250 70

28 0,6 0,4 64 0,5 0,5 64 0,4 0,6 64 0,3 0,7 64 0,2 0,8 64 0,1 0,9 64 0,0 1,0 64 1115,5 250 70 893,4 715,6 562,0 500,0 500,0 500,0 250 70 250 70 250 70 250 70 250 70 250 70 10 10 10 10 10 10 10 0,5180 3243,8 17,8000 1836 0,7467 3116,4 17,0350 1914 1,0758 2994,1 17,7380 2061 1,6020 2866,3 18,0340 2007 1,9417 2806,5 14,8820 1692 1,9417 2806,5 15,3970 1754 1,9417 2806,5 16,1300 1704 0,3294 0,3516 0,3425 0,2940 0,2000 0,1000 9,1*10-6

Figura 2: Conjunto timo de Pareto para o problema da usinagem de um metal por descarga eltrica usando o mtodo da Ponderao dos Objetivos e MMLA.

Figura 3: Conjunto timo de Pareto para o problema da usinagem de um metal por descarga eltrica usando o mtodo da Ponderao dos Objetivos e algoritmos genticos. Na Figura 4 possvel visualizar as funes objetivos encontradas pelos dois mtodos - MMLA e algoritmos genticos, de acordo com a variao do coeficiente de ponderao w1.

29

Figura 4: Funes objetivos apresentada por MMLA e algoritmos genticos, conforme a variao do coeficiente de ponderao w1. Observando-se a Figura 4, possvel notar que o valor da funo objetivo encontrada pelos algoritmos genticos foi coincidente ou menor que o apresentado pelo MMLA. Dessa forma, os algoritmos genticos se mostraram como um mtodo mais eficiente na resoluo do problema de usinagem. No entanto, como j era esperado, este mtodo, por ser randmico, necessita de um nmero de iteraes maior que o MMLA, que um mtodo seqencial. de problemas de engenharia. No caso da minimizao do custo da viga Cantilever, os resultados obtidos com os algoritmos genticos e MMLA foram melhores que os apresentados por Deb (1997). No problema de usinagem os algoritmos genticos ou de obtiveram Portanto, a resultados utilizao coincidentes de tcnicas

melhores que os encontrados pelo MMLA. otimizao mostrou-se como uma opo vivel para os projetos estudados.

10. CONCLUSO
Os mtodos estudados se mostraram como ferramentas eficientes na otimizao

11. AGRADECIMENTO
Este trabalho teve apoio do

PIBIC/CNPq/UFU.

30

12. REFERNCIAS BIBLIOGRFICAS

COELLO, C. A. C. - Use of self adaptive penalty approach problems. for engineering Computers in optimization

GOLDBERG, D. E. Genetic Algorithms in Search, 1989. Optimization, and Machine Learning. Reading, MA: Addison-Wesley,

Industry v. 41, n. 2, p. 113-127, 2000. CRUZ, C.; MALAQUIAS, E. S.;

GRACE, A. Optimization Toolbox- For use with Matlab. The Math Works Inc., Natick, 1992. HAUPT, R. L.; HAUPT, S. E. Practical

FERNANDES, L. A. Introduo usinagem no tradicional, Uberlndia-MG: DEEME, UFU, 1999. p. 7-19. DEB, K. GeneAs: a robust optimal design technique for mechanical component design, 1997. DEB, K. Multi-objetive optimization using Evolutionary Algorithms. John Wiley & Sons, 2001. ESCHENAUER, OSYCZKA, A. H.; KOSKI, J.; Design

Genetic

Algorithms.

Wiley-Interscience

Publication, New York, 1998.

SARAMAGO, otimizao Genticos e

S.

F.

P.

Mtodos

de So

Randmica: Simulated

Algoritmos

Annelaing.

Carlos: SBMAC, v. 6, 35 p., 2003. VANDERPLAATS, G. N. Numerical Optimization Techniques for Engineering Design, Colorado Springs, CO: Vanderplaats Research & Development, Inc., 1999. 3. ed.

Multicriteria

Optimization. Berlin, Springer-Verlag, 1990. FRIEDLANDER, A. Elementos de

programao no-linear. Campinas, SP: Ed. da UNICAMP, 1994. 123 p.