Beruflich Dokumente
Kultur Dokumente
ESTRUTURAS
LI CHONG LEE BACELAR DE CASTRO
TESE DE DOUTORADO EM ESTRUTURAS E CONSTRUO CIVIL
DEPARTAMENTO DE ENGENHARIA CIVIL
FACULDADE DE TECNOLOGIA
UNIVERSIDADE DE BRASLIA
UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL E AMBIENTAL
UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL
INTELIGNCIA COMPUTACIONAL APLICADA ENGENHARIA DE
ESTRUTURAS.
LI CHONG LEE BACELAR DE CASTRO
TESE SUBMETIDA AO DEPARTAMENTO DE ENGENHARIA CIVIL E
AMBIENTAL DA FACULDADE DE TECNOLOGIA DA UNIVERSIDADE DE
BRASLIA COMO PARTE DOS REQUISTOS NECESSRIOS PARA A
OBTENO DO GRAU DE DOUTOR EM ESTRUTURAS E CONSTRUO
CIVIL.
APROVADA POR:
_________________________________________________
Prof. Paul William Partridge, PhD. (UnB)
(Orientador)
_________________________________________________
Prof. Luciano Mendes Bezerra, PhD. (UnB)
(Examinador Interno)
_________________________________________________
Prof. William Taylor Matias Silva, Dr. Ing. (UnB)
(Examinador Interno)
_________________________________________________
Prof. Nelson Francisco Favilla Ebecken, DSc. (UFRJ)
(Examinador Externo)
_________________________________________________
Prof. Carlos Cristiano Hasenclever Borges, DSc. (UFJF)
(Examinador Externo)
BRASLIA/DF, 30 DE MARO DE 2009
ii
FICHA CATALOGRFICA
CASTRO, LI CHONG LEE BACELAR DE
Inteligncia Computacional Aplicada Engenharia de Estruturas [Distrito Federal] 2009.
xviii, 130p., 297 mm (ENC/FT/UnB, Doutor, Estruturas e Construo Civil, 2009). Tese
de Doutorado Universidade de Braslia. Faculdade de Tecnologia.
Departamento de Engenharia Civil e Ambiental.
1.Engenharia de Estruturas
2.Algoritmo Gentico
3.Redes Neurais Artificiais
4.Mtodo das Solues Fundamentais
I. ENC/FT/UnB
II. Ttulo (srie)
REFERNCIA BIBLIOGRFICA
CASTRO, L. L. B. (2009). Inteligncia Computacional Aplicada Engenharia de
Estruturas, Publicao E.TD-02/09, Departamento de Engenharia Civil e Ambiental,
Universidade de Braslia, Braslia, DF, 130p.
CESSO DE DIREITOS
AUTOR: Li Chong Lee Bacelar de Castro.
TTULO: Inteligncia Computacional Aplicada Engenharia de Estruturas.
GRAU: Doutor
ANO: 2009
____________________________
Li Chong Lee Bacelar de Castro
QRSW 5 A4 ap. 306, Sudoeste.
70.675-504 Braslia DF Brasil.
iii
AGRADECIMENTOS
Ao Professor Paul pela orientao, dedicao, pacincia, incentivo e, principalmente, pelas
valiosas sugestes e ensinamentos transmitidos.
A minha famlia, que no vejo h alguns anos: Ailton, Sued, Lilian, Guliver, Joseph e
Anthony. Saudades!
Aos antigos companheiros da sala 14: Arlindo, Cludio e Svio. Arlindo, sinto falta da
disciplina, incentivo e principalmente da sua amizade. Aos novos: Aaro, Fabrcio e
Fernanda.
A todos os que no foram citados, mas contriburam de alguma forma neste trabalho.
iv
Dedicado
aos
que
no
RESUMO
INTELIGNCIA COMPUTACIONAL APLIACADA ENGENHARIA DE
ESTRUTURAS
Autor: Li Chong Lee Bacelar de Castro
Orientador: Paul William Partridge
Programa de Ps-graduao em Estruturas e Construo Civil
Braslia, maro de 2009
A inteligncia computacional vem mudando a forma com que alguns problemas so tratados e
solucionados, pois fornece um manancial poderoso de solues para pesquisadores de todas as
reas, inclusive em aplicaes difceis, extremamente restritivas, ou mesmo consideradas
impossveis. Neste trabalho, os Algoritmos Genticos (AGs) e as Redes Neurais Artificiais
(RNAs) so utilizados para a otimizao de estruturas reticuladas e estruturas contnuas em 2D
e 3D. A utilizao dos AGs visam obter uma soluo para um problema especfico usando
uma estrutura de dados baseado em um cromossomo, uma das possveis solues do problema.
A utilizao das RNAs por sua vez visam generalizar o processo de otimizao em substituio
aos mtodos clssicos de anlise estrutural. Os cromossomos so estruturados em uma cadeia
binria e operadores genticos so aplicados para gerarem novos pontos amostrais em um
espao de busca que recombinam estas estruturas preservando e aprimorando informaes
crticas. O Mtodo dos Elementos Finitos (MEF) combinado com o AG com o intuito de
avaliar cada soluo possvel produzida no caso da otimizao de peso e o Mtodo dos
Elementos de Contorno (MEC) para as a otimizao de forma. Para os outros casos o Mtodo
das Solues Fundamentais (MSF) utilizado. O MSF uma tcnica de contorno indireta que
evita singularidades por definir uma superfcie fictcia que envolve todo o domnio do
problema,
em pontos do
vi
ABSTRACT
COMPUTATIONAL
STRUCTURES
INTELLIGENCE
APPLIED
TO
ENGENEERING
OF
vii
NDICE
1 INTRODUO ............................................................................................................. 1
1.1 CONSIDERAES INICIAIS ................................................................................. 1
1.2 MOTIVAO ............................................................................................................ 1
1.3 OBJETIVOS ............................................................................................................... 2
1.4 ESTRUTURA DA TESE ........................................................................................... 3
2 INTELIGNCIA COMPUTACIONAL...................................................................... 4
2.1 INTRODUO ...................................................................................................... 4
2.2 ALGUNS PROJETOS E PESQUISAS SOBRE INTELIGNCIA
COMPUTACIONAL PARA ENGENHARIA NO BRASIL ........................................... 5
2.3 COMPUTAO NATURAL ............................................................................... 7
2.3.1 Lgica Nebulosa ............................................................................................ 8
2.3.2 Redes Neurais Artificiais ............................................................................... 9
2.3.2.1 Aprendizado Supervisionado ...................................................................... 9
2.3.2.2 Aprendizado No-supervisionado ............................................................ 10
2.3.2.3 Aprendizado por Reforo ......................................................................... 10
2.3.3 Computao Evolucionria .............................................................................. 11
2.3.3.1 Algoritmos Genticos ............................................................................... 11
2.3.3.2 Programao Evolucionria ...................................................................... 11
2.3.3.3 Estratgias Evolucionrias ........................................................................ 12
2.3.3.4 Programao Gentica .............................................................................. 12
2.3.3.5 Estratgia de Colnia ................................................................................ 12
3 COMPUTAO NATURAL ..................................................................................... 13
3.1 ALGORITMOS GENTICOS ........................................................................... 13
3.1.1 Introduo .................................................................................................. 13
3.1.2 Teoria do Processo Evolutivo ................................................................... 18
3.1.2.1 Hipteses dos Blocos de Construo ........................................................ 18
3.1.2.2 Teorema Fundamental dos Algoritmos Genticos ................................... 22
3.1.2.3 Paralelismo Implcito ................................................................................ 24
3.1.3 Algoritmo Gentico Geracional ................................................................ 24
3.1.4 Algoritmo Gentico No Geracional ........................................................ 24
3.1.5 Estrutura de funcionamento ..................................................................... 25
viii
xi
LISTA DE FIGURAS
xii
xiii
LISTA DE TABELAS
Tabela 5.1 Parmetros da Trelia. .................................................................................... 89
Tabela 5.2 Sees comerciais do AISC. ........................................................................... 89
Tabela 5.3 Parmetros do AG........................................................................................... 90
Tabela 5.4 Comparao dos resultados da literatura e o presente trabalho (Peso, Tenso e
deslocamento). ..................................................................................................................... 90
Tabela 5.5 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais). ...................................................................................................... 90
Tabela 5.6 Grupos e tipos de sees comerciais (Prtico de 33 barras) ........................... 90
Tabela 5.7 Conjunto de sees transversais disponveis do AISC ................................... 92
Tabela 5.8 Propriedades do material e restries (Prtico de 33 barras) ......................... 93
Tabela 5.9 Parmetros para o prtico de 33 barras (AG) ................................................. 93
Tabela 5.10 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais). ...................................................................................................... 94
Tabela 5.11 Comparao dos resultados AG+MEF e AG+RNA (Geraes). ................. 98
Tabela 5.12 Parmetros para a viga. ............................................................................... 101
Tabela 5.13 Soluo para diferentes pontos de controle (Penalizao Esttica). ........... 101
Tabela 5.14 Soluo para diferentes pontos de controle (Penalizao dinmica). ......... 102
Tabela 5.15 Soluo para diferentes pontos de controle (Penalizao adaptativa). ....... 102
Tabela 5.16 Soluo para diferentes valores do raio (SVD), Medeiros (2005).............. 105
Tabela 5.17 Parmetros para a viga. ............................................................................... 106
Tabela 5.18 Soluo para diferentes valores do raio (AG)............................................. 107
Tabela 5.19 Parmetros para o cilindro. ......................................................................... 108
Tabela 5.20 Resultados para o cilindro (SVD), Medeiros (2005). ................................. 109
Tabela 5.21 Soluo para diferentes valores do raio (AG)............................................. 110
Tabela 5.22 Resultados para o cilindro (AG) ................................................................. 110
Tabela 5.23 Convergncia para alguns valores do raio fictcio em funo da preciso . 112
Tabela 5.24 Tenses ao longo da linha OP para o problema gravitacional.................... 112
Tabela 5.25 Deslocamentos no ponto P para o problema gravitacional ......................... 112
Tabela 5.26 Resultados para problema com carga centrfuga Caso 2D ...................... 114
Tabela 5.27 Convergncia para o raio fictcio em funo da preciso ........................... 114
Tabela 5.28 Convergncia para diferentes valores do raio fictcio em funo da preciso
........................................................................................................................................... 115
xiv
Tabela 5.29 Resultados para problema com carga centrfuga Caso 3D ...................... 115
Tabela 5.30 Valores de xx em x = 0 para problema com cargas trmicas Caso 2D .. 117
Tabela 5.31 Convergncia para o raio fictcio em funo da preciso ........................... 117
Tabela 5.32 Convergncia para o raio fictcio em funo da preciso. .......................... 117
Tabela 5.33 Valores de xx em x = 0 para problema com cargas trmicas Caso 3D .. 118
xv
minimizao
(mx)
maximizao
x, xi
varivel
F ( x ), f ( x ) funo objetivo
penal (x)
funo de penalizao
H, H1, H2
esquemas
m( H , t )
f i , f med
2 - Matrizes e vetores
K
matriz de rigidez
matriz de massa
matriz de rotao
Ni
U, u
uL
3 - Escalares
xiL, xiU limites inferior e superior das variveis respectivamente
o(H )
ordem de um esquema
(H )
f (H )
desempenho de um esquema
P, Pi
probabilidade de seleo
n pop
Pd, PD
xvi
constante
nv
ID
densidade de massa
Li
Ai
Ei
Ri
dH
distncia Hamming
ui
vi
tenso normal
mdulo de elasticidade
freqncia natural
4 - ndices
( )T
( )
( )
5 - Abreviaturas
AG
Algoritmo Gentico
AGs
Algoritmos Genticos
AISC
xvii
FO
Funo Objetivo
MRD
MDF
MSF
MEC
MEF
PO
Problema de Otimizao
RNA
RNAs
xviii
1 INTRODUO
1.1 CONSIDERAES INICIAIS
A concepo de um problema de otimizao concentra-se na determinao de uma
variedade de tipos de objetivos ou um nico, feitas por meio de vrias anlises visando a
determinao da soluo de melhor desempenho global. Sendo a otimizao uma fuso de
reas da engenharia e da matemtica, capaz de adicionar dados relevantes a pesquisa, alm
da experincia do pesquisador.
A inteligncia computacional vem mudando a forma com que alguns problemas so
tratados e solucionados, pois fornece um manancial poderoso de solues para
pesquisadores de todas as reas, inclusive em aplicaes difceis, extremamente restritivas,
ou mesmo consideradas impossveis. Os processos de tomada de deciso utilizam como
base o conhecimento que os pesquisadores tm sobre a realidade de suas reas. Muito
desse conhecimento pode ser retirado de dados resultantes da atividade cotidiana da
pesquisa, continuamente acumulados; o que os sistemas inteligentes fazem uma
transformao eficiente desses dados em conhecimento til, que pode resultar num melhor
desempenho das pesquisas.
Este ambiente propicia a busca de tcnicas que minimizem as necessidades de pacotes
comerciais e que requeiram uma anlise mais simplificada, porm robusta, e que diminuam
as incertezas para as tomadas de deciso.
1.2 MOTIVAO
A motivao em desenvolver pesquisa em inteligncia computacional aplicada
engenharia de estruturas se d pelos seguintes aspectos (Lemonge, 1999):
Deslocamentos;
Temperatura;
Tenses;
2 INTELIGNCIA COMPUTACIONAL
2.1 INTRODUO
Muitos debatem hoje em dia a diferena entre inteligncia artificial e a inteligncia
computacional. Vrios livros no distinguem entre os termos, enquanto outros dizem que a
inteligncia artificial a cincia que tenta compreender e emular a inteligncia humana
como um todo (tanto no comportamento quanto no processo cognitivo), enquanto que a
inteligncia computacional procura desenvolver sistemas que tenham comportamento
similares a certos aspectos do comportamento inteligente (Linden, 2006).
As correntes de pensamento que se cristalizaram em torno da IA j estavam em gestao
desde os anos 30 (Barr e Feigenbaum, 1981). No entanto, oficialmente, a IA nasceu em
1956 com uma conferncia de vero em Dartmouth College, NH, USA. Na proposta dessa
conferncia, escrita por John McCarthy (Dartmouth), Marvin Minsky (Hardward),
Nathaniel Rochester (IBM) e Claude Shannon (Bell Laboratories) e submetida fundao
Rockfeller, consta a inteno dos autores de realizar um estudo durante dois meses, por
dez homens, sobre o tpico inteligncia artificial. Ao que tudo indica, esta parece ser a
primeira meno oficial expresso Inteligncia Artificial (MacCorduck, 1979). Desde
seus primrdios, a IA gerou polmica, a comear pelo seu prprio nome, considerado
presunoso por alguns, at a definio de seus objetivos e metodologias.
A verdade que atualmente no existe ainda uma definio consensual do que
inteligncia e os cientistas ainda no tm certeza de como a adquirimos ou como a
aperfeioamos (Silveira e Barone, 2001). Definir o que inteligncia , ento, uma tarefa
complexa, podendo esta ser uma capacidade de pensar em termos abstratos, de resolver
problemas importantes em determinado ambiente ou ento simplesmente de entender
conceitos que so considerados difceis por um observador que queira determinar nossa
inteligncia (Minsky, 1961).
A inteligncia computacional quando utilizado no apoio tomada de decises e ao
gerenciamento das organizaes, constitui ferramenta de sucesso para a previso de
cenrios de mercado, definio de opes de investimentos, anlises de risco, inferncias,
modelagens, planejamentos e, at mesmo, para a deteco de fraudes.
2.2 ALGUNS
PROJETOS
PESQUISAS
SOBRE
INTELIGNCIA
universidades, por exemplo, UFJF, UFPE, UFMG, PUC/RJ, USP e outros, dos quais
alguns exemplos so considerados em seguida.
Soares (1997) em sua dissertao de mestrado analisou o desempenho dos AGs
numericamente e prope novas tcnicas de como proceder a codificao e parametrizao
em cdigo binrio.
Lemonge (1999) apresentou em sua tese de doutorado a aplicao dos AGs em otimizao
estrutural de estruturas reticuladas planas e espaciais, analisando problemas de
minimizao de peso, minimizao de trabalho de deformao, reao mxima de apoio e
otimizao de parmetros e topologia.
Borges (1999) desenvolveu em sua tese de doutorado, modelos de AGs paralelos e uma
formulao para problemas de identificao de danos estruturais, baseada em informaes
a respeito do comportamento dinmico da estrutura danificada.
Barcellos (2000) apresenta uma outra classe de AG, o MetaAG, verificando que o mesmo
mais estvel em relao aos seus parmetros de controle.
Silva (2000) aplicou os AGs para otimizar estruturas de concreto armado, analisou um
trecho de pilar submetido flexo composta oblqua e um prtico plano de cinco
pavimentos.
Castro (2001) em sua tese de doutorado desenvolveu um AG para otimizao de problemas
estruturais com multi-objetivos, cuja finalidade era evoluir um conjunto uniformemente
distribudo de solues para determinar o conjunto timo de solues do problema tratado,
alm disso prope novas caractersticas para o AG, como combinao de outros operadores
genticos.
Mendona (2004) prope em sua tese de doutorado uma estratgia hbrida paralela
utilizando redes neurais treinadas com indivduos retirados das populaes do AG para
aproximar funes no-lineares na otimizao do casco de uma plataforma semisubmersvel, com o objetivo de minimizar movimentos.
Na UnB as pesquisas com inteligncia artificial foram iniciadas em 2003 e so voltadas
para engenharia civil e bioengenharia. Desde ento foram desenvolvidas trs dissertaes e
uma tese de doutorado conforme se descreve a seguir, alm deste trabalho.
6
10
11
12
3 COMPUTAO NATURAL
3.1 ALGORITMOS GENTICOS
3.1.1 Introduo
H muito tempo, o homem tem se servido das caractersticas e princpios existentes na
natureza para a criao de mquinas, mtodos e tcnicas que melhorem sua qualidade de
vida no planeta. Alguns exemplos tpicos so os submarinos com sistemas de imerso
semelhantes aos peixes, sonares baseados nos morcegos, entre outros (Silva, 2000).
Dorigo e Sttzle (2004) descrevem outro fato interessante ao estudarem o comportamento
de ninhos de formigas, pois, mesmo elas sendo to simples e irracionais possuem
mecanismos naturais de otimizao. So capazes de encontrar um caminho mais curto
entre o ninho e uma fonte de comida sem usar sugestes visuais, mesmo que ocorram
mudanas no ambiente original, como a introduo de um obstculo, que pode ser
observado nas Figuras 3.1 a 3.4 a seguir.
13
Figura 3.4 Percurso timo com o passar do tempo (Dorigo e Sttzle, 2004).
A explicao para a descoberta do caminho timo a ser percorrido pelas formigas, que
elas depositam durante a caminhada certa quantidade de feromnio, com uma taxa fixa
atravs da urina e seguem a trajetria probabilisticamente mais rica em tal sinalizador
qumico. O caminho original ao ser interrompido pela introduo de um obstculo, leva as
formigas a se dividirem pelas alternativas possveis e com o decorrer do tempo tero
passado pelo menor caminho, ficando o caminho com uma maior concentrao do
feromnio, por isso este novo trajeto ser adotado.
Outro exemplo, observado por Darwin, que numa determinada populao, quando h
escassez de recursos, sejam eles: comida, espao ou outro recurso essencial. Os indivduos
mais preparados para a competio dominam os mais fracos e sobrevivem, acontece
porque, dentre todas as caractersticas imprescindveis competio, esses serem possuem
algumas mais acentuadamente presente que os outros. Pela hereditariedade, essas
caractersticas passaro para seus descendentes, e assim, tero grande chance de serem
tambm vencedores. Porm, indivduos fortes podem surgir da explorao de outra
caracterstica ainda no desenvolvida na populao. Se a natureza tentasse descobrir essas
14
15
o cromossomo decodificado.
16
Por exemplo,
Alelo: na biologia, representa uma das formas alternativas de um gene. Nos AGs,
representa os valores que o gene pode assumir.
A idia de otimizao em conjunto com a seleo natural dos mais aptos no processo de
evoluo torna-se um campo convidativo e interessante pelos inmeros resultados de
sucesso nas mais diferentes reas de aplicao. Alm de ser uma alternativa de grande
fora por sua caracterstica: robustez, flexibilidade, eficincia e principalmente,
simplicidade.
f , ou seja:
P=
fi
(3.1)
f (H )
f
P=
(3.2)
m( H , t + 1) = m( H , t ).n pop .
f (H )
f
(3.3)
f med =
(3.4)
n pop
m( H , t + 1) = m( H , t )
f (H )
f med
(3.5)
Da Equao 3.5 nota-se que o nmero de esquemas aumentar dependendo da razo entre
os desempenhos mdios de suas instncias e da populao. Esta etapa considerou apenas o
efeito da seleo (selection).
Considere agora o cromossomo C abaixo, de comprimento 7 e dois esquemas por ele
representado:
19
1010101
(H )
o(H )
H1
****1*1
H2
1*0***1
Pd =
(H )
(l 1)
(3.6)
PD = p c .
(H )
(l 1)
(3.7)
O cruzamento pode ser realizado entre representantes de mesmo esquema, e assim esse
esquema jamais ser destrudo, ento:
PD p c .
(H )
(l 1)
(3.8)
(3.9)
PS 1 p c .
(H )
(l 1)
(3.10)
m( H , t + 1) = m( H , t )
f (H )
(H )
1 pc
f med
(l 1)
(3.11)
Esta Equao mostra que se um esquema tem desempenho acima do desempenho mdio da
populao e pequeno comprimento de definio, provavelmente ele proliferar. Nesta
etapa considerou agora o efeito da seleo (selection) e do cruzamento (crossover).
O ltimo operador a ser considerado a mutao (mutation). Cada alelo simples tem
probabilidade PS 2 = 1 Pm , e como cada mutao estatisticamente independente, a
probabilidade de sobrevivncia PS 2 para um esquema particular ser o produto das
probabilidades para cada posio fixa, ou seja a probabilidade de sobrevivncia de um
esquema com ordem o(H) :
PS 2 = (1 p m ) o ( H )
(3.12)
Neste ponto, fazemos uma simplificao na Equao 3.12, pois geralmente p m << 1
(grandes probabilidades de mutao transformam o problema em um processo aleatrio,
pois perde-se o material gentico que foi aprimorado pelo cruzamento) e portanto
(Goldberg, 1989):
PS 2 = 1 p m o( H )
(3.13)
O efeito combinando dos trs operadores levam a Equao 3.5 para a seguinte forma:
m( H , t + 1) = m( H , t )
f (H )
(H )
1 pc
[1 p m o( H )]
f med
(l 1)
(3.14)
21
m( H , t + 1) = m( H , t )
f (H )
(H )
1 pc
p m o( H )
f med
(l 1)
(3.15)
Que finalmente a formulao matemtica dos efeitos dos operadores genticos sobre o
nmero de esquemas esperados para a prxima gerao e tambm conhecido como
Teorema Fundamental dos Algoritmos Genticos.
(3.16)
(3.17)
011
010
111
100
011
01*
0*1
*11
0**
*1*
**1
***
23
24
25
(3.18)
2 l = nv
l log 2
xU x L
(3.19)
xU x L
2l 1
(3.20)
Concatenao
xi = x L + ID.
xU x L
2l 1
(3.21)
Ento imaginemos que temos uma preciso = 0,01; limites xU = 50,0 e xL = 20,0; e
tamanho l = 12. Se x1 = 101000100001 ento seu ID :
ID = 1 x 211 + 0 x 210 + 1 x 29 + 0 x 28 + 0 x 27 + 0 x 26 + 1 x 25 + 0 x 24 + 0 x 23 + 0 x 22 +
+ 0 x 21 + 1 x 20 = 2593
E sua varivel no intervalo [20, 50] (utilizando a Equao 3.21):
x1 = 20,0 + 2593.
50,0 20,0
= 38,99
212 1
3.1.5.4 A configurao
A configurao correta dos parmetros que influenciam os algoritmos genticos um dos
aspectos mais relevantes dentro da estratgia de configurao. A literatura sobre este tema
no direcionada, uma vez que tais configuraes iro depender entre outras coisas da
aplicao a ser resolvida, entretanto, intuitivo perceber que este passo de grande
importncia no desempenho do mecanismo de busca. A eficincia e funcionamento de um
AG so altamente dependentes dos seus parmetros de controle, cujos tipos bsicos so
descritos nas subsees seguintes.
27
(3.22)
Sendo assim, aplicando-se a Equao 3.22 tem-se, por exemplo, para l = 10, 20, 30 e 40
temos 10, 20, 30 e 40 n pop 20, 40, 60 e 80 respectivamente.
No existem critrios para definio do tamanho da populao ainda bem definidos,
portanto a escolha vai depender de cada problema e da experincia adquirida ao longo do
processo (Lemonge, 1999).
3.1.5.6 Taxa ou probabilidade de cruzamento
Este parmetro indica a probabilidade de um indivduo ser recombinado com outro.
Quanto maior for esta taxa ( p c ), mais rapidamente novos indivduos sero introduzidos na
populao, em contrapartida, se for muito alta, indivduos com boas aptides podero ser
retirados mais rapidamente da populao, ocorrendo perda de indivduos de alta aptido.
Valores baixos podem tornar lenta a convergncia do algoritmo.
Usualmente, a taxa de cruzamento varia entre 0,50 e 0,95. Estes nmeros indicam apenas
uma ordem de grandeza, j que existem vrios tipos possveis de cruzamentos, limitados
apenas pela capacidade criativa do pesquisador.
28
pm =
1
n pop l
(3.23)
Porm, assim como os demais parmetros, a taxa de mutao ideal depender da aplicao
a ser resolvida. Todavia, a maioria das taxas utilizadas varia entre 0,001 e 0,1.
3.1.5.8 A inicializao
O processo se inicia com a codificao do campo de trabalho, ou seja, a escolha do tipo de
representao a ser utilizada para o universo das solues. Uma vez definida a codificao
e o estabelecimento de uma populao inicial, que a representao de possveis solues
do problema a ser avaliado, deflagrar-se o processo de atuao do algoritmo. Os indivduos
que constituem a populao inicial so escolhidos, geralmente, de forma aleatria
utilizando-se funes randmicas, e assumindo tipicamente formas de cadeias binrias.
3.1.5.9 Classificao dos cromossomos
A avaliao a fase mais importante onde se encontra a ligao entre o algoritmo e o
problema. Avaliar um cromossomo em um AG significa determinar o seu nvel de aptido
de sobrevivncia em relao aos demais indivduos da populao (Ochi e Rocha, 2000).
Nessa etapa realizado o primeiro passo da seleo, onde cada indivduo associado a um
valor numrico, que representa seu grau de adaptao, obtido atravs de sua avaliao pela
funo de desempenho (aptido). Para tanto, existe a funo aptido que responsvel por
29
classificar os indivduos de acordo com o grau de adaptao e especfica para cada tipo
de problema. Essa classificao pode ser feita atravs da ordenao das solues em ordem
crescente ou decrescente de suas aptides, se o problema de minimizao ou
maximizao, respectivamente.
Genericamente, a funo aptido para um problema de otimizao pode ser definida como
na Equao mostrada abaixo:
F ( x ) = f ( x ) + penal ( x)
(3.24)
f ( x ) = f ( Ai ) = W = Ai Li
(3.25)
i =1
A parcela penal (x), que a funo de penalizao, ser definida no captulo cinco para cada
tipo de problema.
No entanto, o valor da funo objetivo nem sempre adequado para ser utilizado como
parmetro para a aptido. Se a funo objetivo assumir valores negativos alguns mtodos
de seleo podem no funcionar, valores muito prximos tornam a seleo aleatria e
ainda, valores muito elevados em relao ao resto da populao causam a convergncia
prematura.
N i
N 1
(3.26)
AFi = q(1 q )
i 1
(3.27)
31
pi =
fi
M
i=1
32
fi
(3.28)
A cada giro na roleta ser sorteada uma cpia exata do candidato a compor a populao
intermediria que ir passar pelos demais operadores de cruzamento e mutao
(Torres, 2003).
possvel que no processo de evoluo um indivduo com alta aptido seja eliminado,
devido ao corte do cruzamento ou ocorrncia de mutao. importante garantir que o
melhor indivduo passe de uma gerao a outra sem alteraes. Para tanto se utiliza o
recurso do operador elitismo. A Figura 3.10 representa este procedimento, que pode ser
aplicado a qualquer mtodo de seleo.
Mtodo da
Populao Intermediria
roleta
(m)
Populao
Elitismo
Transformao
Substituio
Descendncia
33
Pai 2
Filho 1
Filho 2
34
Filho 2
35
3.2.2 Perceptrons
Aps o trabalho de McCulloch e Pitts (1943), Rosenblatt (1958) teve a idia de colocar os
neurnios artificiais em camadas e assim formar uma rede neural artificial. As sadas de
cada neurnio de uma camada representam as entradas para outros neurnios de uma
camada posterior.
As camadas onde so colocados os neurnios do tipo discriminadores lineares possuem
nomes diferentes de acordo com as suas posies. Assim, a primeira camada, ou camada
de entrada aquela que recebe as entradas ou informaes a serem processadas. A ltima
camada ou camada de sada aquela que devolve as informaes j processadas pela rede.
As camadas intermedirias so denominadas de camadas ocultas, pois estas no so
perceptveis ao operador na aplicao final da rede.
37
anterior.
As dimenses dos vetores dependem dos dados, estrutura e forma do perceptron.
Considera-se como na Figura 4.5 que a rede possui trs camadas (0 i 3) e que, para
facilitar a notao, trata-se de uma rede com o mesmo nmero N de neurnios em todas as
camadas (0 k N).
38
v 2, 4 = w2, 4 ,k x1,k 4
(3.29)
k =1
(3.30)
u = h (v 2 , 4 )
O objetivo principal ensinar rede perceptron ajustando seus pesos (w e ) para que
estes forneam os resultados esperados (u3,j). O aprendizado na verdade um processo
iterativo cujo objetivo determinar os pesos de maneira que a rede cometa erros tolerveis
na sua utilizao. A regra que rege o treinamento de um neurnio na sua forma mais geral
:
w1novo = w1velho + w1
w1 = yld yl xid,l
(3.31)
(3.32)
Sendo yld o resultado desejado e yl o resultado obtido com a entrada xdi,l. O representa
uma taxa de aprendizado, que pode ou no ser uma constante. Quando no constante, a
taxa de aprendizado uma funo dependente de w1.
A Equao 3.32 mostra que a correo (wi) a ser feita pesos iniciais (wivelho) para obter os
novos pesos corrigidos, winovo, proporcional diferena entre o resultado estimado e o
desejado, ou seja, ao erro cometido pelo neurnio. O processo iterativo termina quando o
erro corrigido nulo ou muito pequeno para uma preciso pr-estabelecida.
O algoritmo de aprendizagem do perceptron utiliza o algoritmo de correo de erros como
base. Pode-se ilustrar o funcionamento e o mtodo de aprendizagem do perceptron de uma
camada atravs da formulao exemplo. Posteriormente este exemplo generalizado e
aplicado conforme se segue no captulo 5.
Dada uma rede do tipo perceptron formada por 3 terminais de entrada utilizando pesos
iniciais de w0 = 0.4, w1 = -0.5, w2 = 0.6; valor threshold = 0.5 e a taxa de
aprendizado = 0.4 (Figura 3.17).
Ensinar a rede gerar a sada 1 para o padro 001 sada de 1 para o padro 110.
39
Aps a rede treinada, determinar a que classe pertence os padres 111, 000, 100,
011.
+ 1
y=
1
se
x>0
se
x0
Soluo:
-1
x1
= 0.5
0
w0 = 0.4
x2
w1 = -0.5
wixi
w2 = 0.6
x3
-1 1 d
De acordo com o processamento da rede, percebe-se que a sada est incorreta em relao a
sada desejada, deve-se ento aplicar o algoritmo de treinamento do perceptron:
wi = wi + e xi | e = (d y)
w3 = 0,5 + 0,4 . (-1 -1) . -1
w3 = 1.3 | w3 =
w0 = 0,4 + 0,4 . (-1 -1) . 0
w0 = 0,4
40
y = -1
Neste momento, verifica-se que a sada desejada igual a sada obtida pela rede, com isso
no necessrio a atualizao dos pesos, pois a rede emitiu uma sada correta.
Processamento para o padro 110:
y = (-1 . 1,3) + (1 . 0,4) + (1 . -0.5) + (0 . -0,2)
y = -1.4
y = -1
Novamente, percebe-se que a sada emitido pela rede est incorreta em relao a sada
desejada, deve-se ento aplicar o algoritmo de treinamento do perceptron:
wi = wi + e xi | e = (d y)
w3 = 1.3 + 0,4 . (1 - (-1) ) . -1
w3 = 0,5
w0 = 0,4 + 0,4 . (1 - (-1) ) . 1
w0 = 1,2
w1 = -0,5 + 0,4 . (1 - (-1) ) . 1
w1 = 0.3
41
y=1
Neste momento, verifica-se que a sada desejada igual a sada obtida pela rede, com isso
no necessrio a atualizao dos pesos, pois a rede emitiu uma sada correta.
Com o treinamento realizado, pode-se ento classificar os padres 111, 000, 100, 011 e
obter as sadas 1, -1, 1, -1 respectivamente. A Figura 3.18 ilustra tal classificao:
3.2.3 ADALINE
Quase na mesma poca que Rosenblatt (1958), mas de forma independente, Widrow e
Hoff (1960) apresentaram o ADALINE (ADAptative LINear Element) e posteriormente o
MADALINE (Mltipla ADALINE).
42
= , = .
(3.33)
= ,
(3.34)
= ,
(3.35)
Para minimizar a Eq. (3.35) necessrio que a derivada do funcional E(w) seja igual zero
no ponto de mnimo. Desta forma possvel escrever:
,
= 0
2
,
= 0
=
(3.36)
(3.37)
(3.38)
=
Possuir inversa, ou seja, as linhas da matriz Q sejam linearmente independentes.
43
(3.39)
=
(3.40)
Obtidos os pesos w, fcil aplicar rede, basta utilizar a Equao (3.33). A rede
MADALINE idntica Adaline, diferenciando-se somente no fato de possuir mais de
uma sada do neurnio. O aprendizado basicamente o mesmo, salvo as alteraes
provocadas pela direfena entre os modelos.
+ 1 = #
(3.41)
(3.42)
= 2
$ $,
= 2
(3.43)
Utilizando a Equao (3.41) com o resultado da Equao (3.43) pode-se obter diretamente:
+ 1 = + 2#
&
sendo &
=
44
(3.44)
Observando a Equao (3.44) possvel verificar que a correo dos pesos depende
somente do erro cometido (&
) na iterao entre os valores estimados '( pela rede e os
desejados de ')( , assim como do valor atribudo taxa de aprendizado #.
A Equao (3.44) supe a correo dos pesos somente depois da apresentao completa do
conjunto de treinamento, porm possvel corrigir os pesos para cada par de dados
separadamente aps a apresentao. Ambos caminhos possuem as suas vantagens e
desvantagens, dependendo do tipo de problema.
Antes de encerrar este item, importante tambm comentar a respeito do critrio de
parada, uma vez que se trata de um problema iterativo. Basicamente, dois critrios de
parada devem ser aplicados. Deve-se interromper o interromper o treinamento quando o
erro quadrtico cometido ou a distncia entre os vetores de duas iteraes subseqentes
forem suficientemente pequenos. Tambm necessrio limitar o nmero de iteraes
mximas permitidas ao computador, evitando que o mesmo treinamento continue
indefinidamente no caso de um problema sem convergncia.
Para finalizar, deve-se lembrar que quanto maior for o nmero de dados obtidos, melhores
resultados so esperados, embora deva-se cuidar que os dados sejam linearmente
independentes. bom lembrar que, quanto maior for o nmero de dados, maior ser a
composio e complexidade do problema numrico.
3.2.4.1 Retropopagao
O algoritmo de retropropagao ou backpropagation foi introduzido por Rumelhart et al.
(1986). Basicamente trata-se da regra delta aplicada a redes neurais multicamadas, como a
apresentada na Figura 3.16, que permitiu um avano significativo no estudo das redes
neurais artificiais.
No item anterior, verificou-se que a rede ADALINE no utiliza a funo da ativao h(v),
limitando-se sua aplicao a problemas lineares. O percentron multicamadas pode utilizar
um grande nmero de funes de ativao. Entretanto, s algumas poucas so utilizadas na
prtica em funo dos seus comportamentos na rede.
45
A funo de ativao h(v) pode eventualmente ser a funo degrau unitrio ou sinal, mas
usualmente esta funo toma a forma de uma funo logstica dada pela Equao:
+ =
(3.45)
,- .
- .
,- .
(3.46)
= + = %,
$ $ $
(3.47)
+ 1 = + #
onde &
= '( ')(
&
(3.48)
)34
)4
5
5 1 78
=
6
9
5+
5+ 1 + 7 8
=
01 + 7 8 17 8
1 + 7 8
1
7 8
1 + 7 8 1 + 7 8
= + 6
1 + 7 8 1
9
1 + 7 8
= +1 +
(3.49)
& = 1
(3.50)
+ 1 = + # 1
(3.51)
8
Novamente as correes a fazer em w(k) para obter w(k+1) s dependem dos valores
desejados
, das entradas
e sadas
do neurnio, o que facilita o treinamento.
47
A utilizao de funes de ativao do tipo logstica fornece aos neurnios artificiais uma
maior flexibilidade no tratamento de sinais contnuos, e a correspondente sada no se d
mais somente em pulso e no pulso. A sada de uma funo logstica tambm contnua,
embora observa-se na Figura 3.19 um saturamento da clula nos valores de 1 e -1.
Deste modo, necessrio normalizar o problema a ser tratado pela rede de forma a
trabalhar com valores prximos da unidade e assim aproveitar melhor a resposta da funo
de ativao h(v). Para tal, basta colocar um fator de escala antes e depois da rede de forma
a localizar o problema tratado na faixa de melhor funcionamento da rede. O exemplo
numrico do prximo captulo mostra como isto pode ser realizado.
3.2.4.2 Interpretao da Retropopagao
O algoritmo de retropropagao (backpropagation) utiliza o resultado da regra delta
generalizada para cada neurnio nas suas respectivas camadas. Basicamente o algoritmo de
treinamento consiste em propagar o erro de trs para frente, ou seja, os primeiros neurnios
a terem seus pesos corrigidos so os ltimos da rede. Os prximos so os anteriores a estes
e finalmente os ltimos a terem seus pesos corrigidos so os primeiros da rede. Isto mostra
o porque do nome de algoritmo de retropropagao.
De acordo com o exposto, parece que inicialmente bastarias somente uma iterao para
resolver o problema, mas na verdade deve-se realizar esse procedimento at que para o
dado conjunto de treinamento esteja-se dentro dos parmetros previamente estabelecidos
como aceitveis, ou seja, o erro cometido seja o menor possvel para o nvel de preciso
estabelecido previamente.
Essa transmisso do erro dos neurnios posteriores para os anteriores deu o nome de
retropropagao do erro ao algoritmo em questo. Esse algoritmo apresentado de forma
simplificada, lembrando que j existem no mercado vrios pacotes computacionais com
estas rotinas implementadas (JOONE, 2007). Basta escolher a topologia e o nmero de
neurnios nas camadas, funes de ativao, etc, que os programas se encarregam de
treinar a rede neural escolhida.
O algoritmo de retropropagao permite treinar as redes neurais multicamadas e com isso
vencer obstculos, como a impossibilidade de resolver alguns problemas no lineares sem
soluo fechada ou com modelos matemticos desconhecidos. Na verdade isso representou
48
=
,
e uma rede de n entradas, m sadas e j camadas, possvel escrever o algoritmo de
retropropagao como:
1. Inicializa-se a rede com pesos iniciais w aleatrios de nmeros pequenos.
2. Aplica-se o vetor de entradas
rede e determina-se a sada obtida
para todo
l = 1,...,L.
3. Determina-se o erro final cometido E(w) e adiciona-se ao contador C uma unidade
(k = k+1)
4. Interrompe-se o treinamento no caso de : k = Nmero de iteraes mximas ou
E(w) < Erro mximo admissvel.
5. Determinam-se 0s erros da camada de sada &< e das camadas subseqentes
&
, , &> .
6. Com erros calculados acima atualizam-se os pesos de cada neurnio w(k+1) e
realiza-se outra iterao retornando ao passo 2.
49
Desempenho: Deve ser fornecida uma funo que associe uma nota de aptido a
cada soluo. Esse valor deve refletir o desempenho dessas redes na soluo do
problema considerado;
Nesta aplicao, cada indivduo pode ser visto como um ponto no espao de estados de
possveis redes. Iniciando o processo com uma populao de redes vlidas, na maioria das
vezes geradas aleatoriamente, um gerador reconstri estas redes (fentipos) a partir de sua
representao (gentipos) de acordo com a funo de transformao utilizada. Em seguida,
um simulador treina todas as redes com um mesmo conjunto de dados de treinamento e
seus desempenhos so avaliados.
Os desempenhos obtidos permitem a avaliao da populao, com a atribuio de uma nota
de aptido para cada rede, de acordo com o seu desempenho em relao s outras redes.
Por meio do mtodo da roleta, por exemplo. Nessa fase, os operadores genticos so
aplicados aos indivduos selecionados para produzir uma nova gerao de redes.
Esse ciclo repetido e, a cada nova gerao, a populao idealmente evolui rumo a
gentipos que correspondam a fentipos com melhores desempenhos.
51
52
Figura 3.21 Exemplo de RNA com treinamento para uma estrutura reticulada.
53
4 OTIMIZAO
4.1 INTRODUO
Apesar de existirem muitos mtodos de otimizao, eles no so aplicados apenas na
engenharia, mas em outras reas como na economia, medicina e cincias aplicadas. A
otimizao estrutural tenta encontrar a melhor disposio das variveis de projeto, com ou
sem restries, dispostas no comportamento estrutural, geometria e outros fatores.
O objetivo da otimizao est definido pela funo objetivo (FO), que define alguma
grandeza significativa (custo, peso, dimenses, carregamento, etc.).
4.2 A FORMULAO DE UM PROBLEMA DE OTIMIZAO
Um problema de otimizao (PO) est sempre associado a um problema de minimizao
ou maximizao de uma ou mais funes. No caso de minimizao o PO pode ser colocado
na seguinte forma (Lemonge, 1999):
minimize
(4.1)
(4.2)
assim, tem-se:
(mn) f(x) = (mx) g(x) = (mx) {- f(x)}
(4.3)
As funes f(x) e g(x) so conhecidas como funes objetivo. Podem ser de uma ou mais
variveis, sendo estas duas opes classificadas como otimizao unidimensional e
multidimensional respectivamente. So estas funes que desejamos minimizar ou
maximizar, ou seja, encontrar o seu ponto extremo em um intervalo de busca (Santos
Jnior, 2002).
Em geral, difcil afirmar que tal valor extremo ou global devido possibilidade de
existncia de vrios extremos locais e, assim, somente um deles ser global, como visto na
Figura 4.1. O que se pode afirmar que o valor encontrado mnimo em uma vizinhana
do espao de busca (Valente et al., 2002; Sampaio, 2004).
54
Mnimo global
Mnimos locais
56
(4.4)
57
F ( x) = f ( x ) +
1=1
ij
. f j ( x)
(4.5)
j =1
F ( x ) = f ( x ) + C. S i
(4.6)
i =1
F ( x) = f ( x) + (C.t ) . S j ( x)
j =1
58
(4.7)
F ( x) = f ( x ) + Ri
j =1 i =1
1
S j ( xi )
(4.8)
f ( x )
Ri 10Ei, sendo esta ltima definida como Ei Int log10 L P i
1
j =1i =1 S j ( xi )
Quando Sj 1 a FO penalizada e quando Sj 1 a funo se mantm. L o nmero de
restries e P o nmero de variveis de projeto.
Coit et al. (1996) propuseram a FO da seguinte forma:
f j ( x)
F ( x) = f ( x) + (F feas (t ) Fall (t ) )
j =1 q j (t )
m
(4.9)
onde Fall a melhor soluo na iterao anterior, sem considerar a penalizao; Ffeas a
melhor soluo factvel e K uma constante.
ij , j + bi = 0
59
(4.10)
(4.11)
p i = ij n j
ij =
1
(ui , j + u j ,i )
2
(4.12)
Para um material linear elstico isotrpico, a Lei de Hooke que relaciona tenses e
deformaes pode ser escrita da forma
(4.13)
ij = 2 ij + kk ij
1, para i = j
.
0, para i j
ij =
As constantes de Lam podem ser expressas em funo de termos mais familiares, como
mdulo de elasticidade transversal (G), mdulo de elasticidade longitudinal (E) e
coeficiente de Poisson (), atravs das relaes:
(1 + )(1 2 )
=G=
E
2(1 + )
(4.14)
Assim, a relao tenso-deformao pode ser escrita em funo destes parmetros mais
usuais, atravs da equao
ij = 2G ij +
2G
kk ij
1 2
(4.15)
Uma expresso que descreve as deformaes em funo das tenses, pode ser obtida
tomando-se o inverso da Equao (4.15).
60
ij =
kk ij
ij
2G
1 +
(4.16)
Substituindo a Equao (4.12) na Equao (4.15), obtm-se uma expresso que descreve as
tenses em funo do gradiente de deslocamentos. E, substituindo esta expresso na
Equao (4.10), obtm-se uma expresso muito conhecida na elasticidade que a equao
de Navier, descrita por
Gu j ,kk +
G
u k ,kj + b j = 0
(1 2 )
(4.17)
pi =
2G
u k ,k ni + G (u i , j + u j ,i )n j
(1 2 )
(4.18)
Em certos problemas, diferentes efeitos como temperatura podem ser includos sobre a
formulao como tenso ou deformao inicial (Brebbia et al, 1984). Se o efeito trmico
considerado, a tenso inicial tem a forma
ij = 2G ij +
2G
kk ij ijT = ije ijT
1 2
(4.19)
onde a tenso ij agora igual a diferena entre a tenso elstica ije e as componentes
trmicas ijT .
Para um material termicamente isotrpico as componentes ijT so dadas por
1 +
1 2
ijT = 2G
T
ij
(4.20)
ijT = ij
onde o coeficiente linear de expanso trmica e a diferena de temperatura.
61
(4.21)
O Mtodo das Diferenas Finitas (MDF) foi o primeiro mtodo numrico amplamente
conhecido e bastante utilizado pelos pesquisadores. No utiliza integrao numrica,
trabalha com matrizes esparsas, sendo baseado em uma formulao matemtica simples.
No MDF, um conjunto de pontos alocado no interior do domnio, que so agrupados em
molculas que descrevem o comportamento local de uma equao. Isto resulta num
sistema de equaes lineares que d origem a uma nica soluo desde que as condies de
contorno do problema tenham sido satisfeitas. Apesar da fcil implementao e de produzir
solues estveis, o MDF apresenta dificuldades em se modificar o tamanho da diferena
entre os pontos em algumas regies, no sendo, portanto, adequado para modelos de
domnios irregulares (Jichun et al, 2002).
62
No Mtodo dos Elementos Finitos (MEF), a equao diferencial que governa o problema
transformada em um sistema de equaes integrais equivalentes que contm as incgnitas a
serem determinadas. Estas equaes integrais so aproximadas atravs da discretizao de
todo o domnio em elementos, onde as incgnitas so interpoladas usando funes simples,
substituindo as funes desconhecidas por seus valores nodais. Na engenharia, o MEF j
consagrado, sendo aplicado a muitos problemas prticos, inclusive de geometria
complexas. Uma de suas grandes desvantagens que para se obter resultados precisos h a
necessidade de refinamento da malha, o que implica em um nmero maior de elementos e,
conseqentemente, de incgnitas, gerando grandes sistemas matriciais. Alm disso, a
utilizao do MEF necessita o uso de tabelas de conectividade, cujo procedimento difcil
de automatizar.
O Mtodo dos Elementos de Contorno (MEC) tem sido apresentado como um mtodo
numrico eficiente para a soluo de problemas de engenharia e como uma boa alternativa
para fugir das desvantagens apresentadas pelo MDF e MEF (Brebbia et al, 1984; Brebbia e
Domingues, 1989). Na formulao clssica, o MEC baseia-se em uma equao integral que
envolve incgnitas apenas do contorno. Uma das grandes vantagens do MEC sobre o MDF
e o MEF que apenas o contorno discretizado. A discretizao processada s no
contorno gera sistemas de equaes com um menor nmero de graus de liberdade e,
portanto, requer um menor tempo computacional, dando maior estabilidade numrica s
solues. Todavia, se a equao a ser resolvida no homognea, o MEC torna-se menos
atrativo, devido formulao integral que envolve uma integral de domnio, que requer
tcnicas especiais para ser transformada em integrais de contorno.Alm disso, problemas
de conectividade, para a aplicao do MEC em duas dimenses, so facilmente resolvidos,
no entanto, em trs dimenses, utiliza-se elementos de superfcie e a questo da
conectividade deve ser considerada.
Contudo, de grande interesse desenvolver mtodos numricos que no requeiram
discretizao do domnio nem do contorno e, portanto, que evitem a conectividade. Neste
contexto, alguns mtodos sem malha relacionados aos principais mtodos numricos tm
aparecido, chamando bastante a ateno dos pesquisadores. Como por exemplo, tem-se em
o Mtodo das Diferenas Finitas Generalizadas, derivado do MDF, Sanchz (2004); o
Galerkin sem malha, derivado do MEF e, o Mtodo das Solues Fundamentais (MSF) que
tem sido uma alternativa altamente eficiente para o tradicional MEC, o qual abordado
com detalhes na prxima seo (Partridge e Sensale, 2000).
63
(4.22)
No sistema local o elemento tem deslocamentos apenas axiais (uL1 e uL2). J no sistema
global tem dois graus de liberdade por n, sendo duas translaes (u1 e v1 ou u2 e v2) de tal
forma que o vetor de deslocamentos :
u
u L = L1
u L 2
(4.23)
u1
v
u = 1
u 2
v2
(4.24)
64
xx
xx + xy xy + yy yy )d = P x u + P y v d + ((bx u + b y u )d
(4.25)
Tm-se apenas efeitos axiais de tal forma que xx 0 e as foras de corpo como nulas
temos:
xx
xx )d = Pu
(4.26)
(4.27)
onde U uma funo desconhecida, necessria para calcular os termos da equao 4.25, Ni
so funes conhecidas, chamadas de funes de forma, e uin so valores nodais das
incgnitas.
Para o elemento de trelia plana as funes de forma para a equao 4.27 so:
65
N1 = 1
N2 =
x
L
x
L
(4.28)
(4.29)
U = N1u L1 + N 2 u L 2
(4.30)
KL
ET
EA
EA
L
= L
EA EA
L
L
(4.31)
66
v L1
uL = 1
v L 2
2
(4.32)
2 x 3 3x 2
N 1 = 3 2 + 1
L
L
(4.33)
x 3 2x 2
N 2 = 2
+ x
L
L
(4.34)
3x 2 2 x 3
N 3 = 2 3
L
L
(4.35)
x3 x2
N 4 = 2
L
L
(4.36)
(4.37)
KL
EV
12 EI
L3
6 EI
2
= L
12 EI
L3
6 EI
L2
6 EI
L2
4 EI
L
6 EI
2
L
2 EI
L
12 EI
L3
6 EI
2
L
12 EI
L3
6 EI
2
L
6 EI
L2
2 EI
L
6 EI
2
L
4 EI
(4.38)
67
u L1
v
L1
uL = 1
u L 2
v L2
2
(4.39)
KL
EP
EA
L
=
EA
L
0
12 EI
L3
6 EI
L2
6 EI
L2
4 EI
L
12 EI
L3
6 EI
L2
0
6 EI
L2
2 EI
L
EA
L
0
0
EA
L
0
0
0
12 EI
L3
6 EI
2
L
0
12 EI
L3
6 EI
2
L
6 EI
L2
2 EI
L
6 EI
2
L
4 EI
L
0
(4.40)
Aps gerar a matriz de rigidez do elemento finito (trelia, viga ou prtico) em relao ao
seu sistema de coordenadas (locais) necessrio referi-la a um sistema global de
68
coordenadas e para isso usa-se a matriz de rotao ( R ). Para o elemento prtico plano, por
exemplo, tem-se:
KG
cos
sen
0
R=
0
0
EP
EP
(4.41)
= RT K L R
sen
cos
cos
sen
0 sen
cos
0
0
0
0
0
0
(4.42)
, + = 0 em
Com as condies de contorno bsicas (Figura 4.7):
69
(4.43)
(4.44)
( ij , j + b j )u j * d =0
Calculando duas integraes por partes a partir da equao integral (4.44), obtm-se:
( ij , j + b j )u * d = ( p j p j )u * d + (u j u j ) p * d
2
(4.45)
Esta equao o ponto de partida da aplicao do mtodo dos elementos de contorno. Para
transformar a equao (4.45) em uma integral de contorno necessrio calcular a soluo
fundamental para u * .
Soluo fundamental
A soluo fundamental u * representa o valor gerado por uma fonte unitria concentrada
agindo num ponto i . O efeito dessa fonte propagado de i para infinito sem qualquer
considerao de condies de contorno. Por causa disto, u * satisfaz a equao de Poisson
seguinte:
(4.46)
ij , j * + ei = 0
ij , j
*)u j d = (ei )u i d = u i ei
(4.47)
70
(4.48)
pij* =
1
{(3 4 ) ln(r ) ij r , i r , j }
8 (1 )G
r
1
(1 2 ) (r , i n, j r , j n, i )
(1 2 ) ij + 2 r , i r , j
n
4 (1 )r
(4.49)
(4.50)
ci u i + p * ud = pu * d
(4.51)
(4.52)
71
O contorno passa a ser ento representado pelo somatrio desses elementos. Assim a
equao (4.51) fica representada em somatrio da forma:
N
ci u i + p * d u = u * d p
j 1 j
j 1 j
(4.53)
u
u ( ) = 1u1 + 2u2 = [1 2 ] 1
u2
p
p( ) = 1 p1 + 2 p 2 = [1 2 ] 1
p2
Figura 4.8 Definio de elemento linear com suas coordenadas, (Brebbia e Domingues,
1989).
Em duas dimenses a coordenada varia de -1 at +1 e as duas funes de interpolao
so (Brebbia e Domingues, 1989):
1 =
1
(1 )
2
2 =
1
(1 + )
2
(4.54)
Aplicando (4.54) na integral (4.53) tem-se para cada elemento j a seguinte equao:
u
pu * d = [1 2 ] p * d 1 = hij1
j
u 2
72
u
hij2 1
u 2
(4.55)
hij1 = 1 p * d
(4.56)
hij2 = 2 p * d
(4.57)
p
pu * d = [1 2 ]u * d 1 = g ij1
j
p2
p
g ij2 1
p2
(4.58)
ento:
g ij1 = 1u * d
(4.59)
g ij2 = 2u * d
(4.60)
ci u i + H i1
H i 2 K H iN
u1
p1
u
p
2 = [Gi1 Gi 2 K GiN ] 2
M
M
u N
pN
(4.61)
2N
j 1
j 1
ci u i + H ij u j = Gij p j
(4.62)
Fazendo a simplificao,
H ij = H ij + ci ij
(4.63)
2N
j 1
j 1
H ij u j = Gij p j
(4.64)
(4.65)
(N
+ N 2 = N ). Assim somente
(4.66)
e G com os valores
correspondentes de u e p conhecidos.
74
Recentemente, o MSF tem sido aplicado a problemas de potencial mais gerais, como casos
no lineares e problemas dependentes do tempo, utilizando solues particulares para
modelar termos no homogneos, (Golberg, 1995). No caso em que o termo no
homogneo uma funo conhecida, uma soluo particular exata pode ser obtida de
forma direta, caso contrrio, uma soluo particular aproximada pode ser calculada usando
o Mtodo de Reciprocidade Dual (DRM).
A seguir vamos considerar o mtodo aplicado a alguns problemas de elasticidade linear 2D
e 2D/3D com foras de corpo devido a cargas gravitacionais, centrfugas e trmicas.
(4.67)
= log()
= ()
(4.68)
(4.69)
=1
( )
(4.70)
(4.71)
(4.72)
Considere um problema linear elstico, por simplicidade sem foras de corpo, governado
pela equao de Navier, Eq. (4.17)
Gu j , kk +
G
u k , kj = 0
(1 2 )
(4.73)
E
e os ndices j,k = 1,2, para o caso
2(1 + )
(x)
S()
pij* =
1
{(3 4 ) ln(r ) ij r , i r , j }
8 (1 )G
1
r
(1 2 ) (r , i n, j r , j n, i )
(1 2 ) ij + 2 r , i r , j
4 (1 )r
n
(4.74)
(4.75)
r
onde: r = x 2 + y 2 , as componentes x e y so as projees do vetor r nas direes x e
y, e as derivadas r , i =
ri
.
r
79
(1 + )
(Brebbia e
Dominguez, 1989).
Considerando um ponto fonte na coordenada x pertencente a 1 tendo uma condio de
contorno u i = u i , e N pontos na coordenada () pertencentes ao crculo fictcio, podemos
escrever (veja fig. 4.9):
N
u i = u i ( x) = u1*i ( a , x) a + u 2*i ( a , x) a + N
(4.76)
a =1
p i = p i ( x) = p1*i ( a , x) a + p 2*i ( a , x) a + N
(4.77)
a =1
onde p1*i e p 2*i so solues fundamentais para traes de superfcie, Eq. (4.75) e a os
mesmos coeficientes na Eq. (4.76). Considerando Eq. (4.76) para cada grau de liberdade
que pertence a 1, e Eq. (4.77) para cada grau de liberdade pertencente a 2, tem-se o
sistema de equaes de ordem 2N,
A = y
(4.78)
*
*
11 ( x) = [ 111
( a , x) a + 112
( a , x) a + N ]
a =1
*
*
12 ( x) = [ 121
( a , x) a + 122
( a , x) a + N ]
(4.79)
a =1
*
*
22 ( x) = [ 221
( a , x) a + 222
( a , x) a + N ]
a =1
*jki =
1
{(1 2 ) (r , k ij + r , j ik ) + 2 r ,i r , j r , k }
4 (1 )r
(4.80)
Considere um problema elstico linear, com foras de corpo, governado pela equao de
Navier, Eq. (4.81). Os termos de foras de corpo so termos no homogneos, no levados
em conta pela soluo fundamental
Gu j ,kk +
G
u k ,kj + b j = 0
(1 2 )
(4.81)
81
ui ui = u1*i ( a , x) a + u2*i ( a , x) a + N
(4.82)
a =1
pi p i = p1*i ( a , x) a + p2*i ( a , x) a + N
(4.83)
a =1
onde p 1*i e p2*i so solues fundamentais para traes de superfcie, Eq. (4.75), p i uma
soluo particular e a os mesmos coeficientes vistos na Eq. (4.82).
As solues particulares ui e p i podem ser aproximadas usando o DRM como segue. Para
uma funo de aproximao f predeterminada, obtm-se solues particulares U mk de tal
forma que:
GU mkj ,ll +
G
U lkj ,lm = f j mk
(1 2 )
(4.84)
bli = f ij l j
(4.85)
j =1
i = F 1bi
(4.86)
L(u l ) = Gu l ,kk +
G
u k ,kl
(1 2 )
(4.87)
obtm-se:
(4.88)
L(u l ) = bl
ento:
M
j =1
j =1
(4.89)
uli = U lkij kj
(4.90)
j =1
p li = Plkij kj
(4.91)
j =1
(4.92)
A = y
onde A uma matriz de dimenso 2Nx2N. Uma vez obtida a soluo para , pode-se
calcular valores desconhecidos de ui, tanto no contorno 2 quanto no interior, usando:
N
ui = u1*i ( a , x) a + u2*i ( a , x) a + N + ui
a =1
e, valores de pi em 1 usando:
83
(4.93)
pi = p1*i ( a , x) a + p2*i ( a , x) a + N + p i
(4.94)
a =1
Valores de tenses, tanto para pontos no contorno quanto para pontos no interior ,
podem ser obtidos usando:
N
*
*
11 ( x) = [ 111
( a , x) a + 112
( a , x) a + N ] + 11
a =1
*
*
12 ( x) = [ 121
( a , x) a + 122
( a , x) a + N ] + 12
(4.95)
a =1
*
*
22 ( x) = [ 221
( a , x) a + 222
( a , x) a + N ] + 22
a =1
*jki =
1
{(1 2 ) (r ,k ij + r , j ik ) + 2 r,i r , j r ,k }
4 (1 )r
(4.96)
(4.97)
ki = D jki j
(4.98)
e depois calcula-se ki :
84
lk
2
U lk =
3
2 + (3n + 10) 4( n + 4) (1 )
2G (1 )(n + 2) (n + 4)
+ (n + 2){2(n + 3) (n + 2)(n + 4) log r}r r
l k
lk + rk nl
r
r
+
Plk =
+ 2[2n(n + 3) (n + 2)(n + 4){n log r + 1}] rl rk
2
2
n
2(1 )(n + 2) (n + 4)
r
r
l k
2
(4.99)
(4.100)
85
U lk =
r2
{(7 8 ) lk 2r , l r , k }
32(1 )G
(4.101)
U lk =
1l 1k
x m+ 2
lk
G (m + 2)(m + 1)
2(1 )
(4.102)
solues para os termos ym podem ser obtidas trocando x por y e os ndices 1 por 2.
Para o termo xy:
)
{(
x 3 y + y 3 x lk
1
U lk =
1
4 x 3 y 1l 1k + y 3 x 2l 2 k + ( x 4 + y 4 ) 1l 2 k + 2l 1k
12
8(1 )
(4.103)
1 4
1
U lk =
x y lk
5 x 4 y 1l 1k + x 5 [ 1l 2 k + 2l 1k ]
12
10(1 )
(4.104)
a expresso para y2x obtida trocando x por y e os ndices 1 por 2, e vice-versa, em ambos
os casos.
Para os termos em sen(mx):
sen(mx)
lk 1l lk
U lk =
2
2(1 )
m G
(4.105)
solues para os termos sen(my) podem ser obtidas trocando x por y e os ndices 1 por 2.
Para o termo em sen(x).sen(y):
86
U lk =
1
{(3 4 )sen( x) sen( y) lk cos( x) cos( y)[ 1l 2k + 2l 1k ]}
8(1 )G
(4.106)
U lk =
r2
{(9 10 ) lk 2r , l r, k }
60G (1 )
(4.107)
U lk =
r4
[140(13 14 ) log r lk + (882 799) lk 16(35 log r 12)r ,l r ,k ] (4.108)
39200
87
5 RESULTADOS OBTIDOS
5.1 MNIMO PESO
5.1.1 Algoritmos Genticos
Para estruturas reticuladas que tm seo transversal uniforme, a sua otimizao pode ser
colocada da seguinte forma: encontre o conjunto de reas Ai = {A1, A2, ..., An} que
minimize o peso da estrutura:
n
f ( x ) = f ( Ai ) = W = Ai Li
(5.1)
i =1
i
1 0
mx
di
d mx
(5.2)
(5.3)
1 0
FO( Ai ) = f ( Ai ) +
1=1
ij
. f j ( Ai )
FO( Ai ) = f ( Ai ) + (C.t ) . S j ( Ai )
j =1
88
(5.4)
j =1
(5.5)
FO ( Ai ) = F ( x) = f ( x) + Ri
j =1 i =1
1
S j ( xi )
(5.6)
Material
Mdulo de Young (E)
Densidade ()
Carga (P)
Tenso admissvel (mx)
Deslocamento nodal admissvel (dmx)
Valor
107 Psi
0,1 lbm/in
100.000 lbs
25.000 Psi
2,0 in
89
Usando a Equao 3.1, uma cadeia binria com seis bits (l = 6) necessria para cada
varivel de projeto, perfazendo um total de 64 variveis ( nv = 64 ).Como artifcio, as 22
primeiras variveis sero alocadas no vetor duas vezes, ou seja, as sees de 1,62 a 4,59
sero dispostas na seguinte forma por exemplo, S = {1,62; 1,62; 1,80; 1,80, e etc}. A partir
da temos ento um cromossomo de comprimento lt = 60. Os outros parmetros partem
das equaes 3.5 e 3.6. A Tabela 5.3 mostra a parametrizao para este problema.
Tabela 5.3 Parmetros do AG.
Parmetros
Populao (npop)
80
0,02
Referncia
(lb)
5490,73
5490,73
5491,71
5491,71
5493,36
5458,33
uy1 (in)
uy2 (in)
-1,96
-1,96
-1,96
-1,96
-1,96
-1,97
-1,99
-1,99
-1,99
-1,99
-2,00
-2,01
5 (Ksi)
14,20
14,20
13,85
13,85
14,01
14,35
Tabela 5.5 Comparao dos resultados da literatura e o presente trabalho (Peso e reas
das sees transversais).
1
22,9
22,9
22,9
22,9
22.0
22,0
2
14,2
14,2
15,5
15,5
13.9
14,2
3
33,5
33,5
33,5
33,5
33.5
33,5
4
1,62
1,62
1,62
1,62
1.62
1,62
5
22,9
22,9
22,0
22,0
22.9
22,9
90
6
1,62
1,62
1,62
1,62
1.62
1,62
7
7,97
7,97
7,97
7,97
7.97
7,97
8
22,0
22,0
22,0
22,0
22.9
22,0
9
1,62
1,62
1,62
1,62
1.62
1,62
10
1,62
1,62
1,62
1,62
1.62
1,62
Tipo de Perfil
A1 = A26
A2 = A25
A3 = A27
A4 = A29 = A31 = A33
A5 = A28 = A30 = A32
A6 = A7 = A23 = A24
A8 = A9 = A10 = A11
A12 = A13 = A14 = A15
A16 = A22
A17 = A21
A18 = A20
A19
W
W
W
W
W
W
WT
WT
L
L
L
L
91
2,51
2,68
4,45
4,71
4,72
4,74
5,26
5,56
5,57
5,89
6,16
6,48
6,49
6,50
7,08
7,36
7,61
7,65
7,68
7,69
8,24
8,79
8,84
8,85
9,12
9,13
9,71
10,00
10,30
10,31
10,32
10,60
11,20
11,50
11,70
11,71
11,80
11,81
12,60
13,10
13,30
13,31
13,50
14,10
14,11
14,12
14,40
14,60
14,70
14,71
15,60
15,61
15,80
15,81
16,20
16,21
16,30
16,31
1,25
1,34
1,92
2,08
2,21
2,22
2,23
2,50
2,63
2,78
0,49
0,72
1,00
1,07
1,09
1,16
1,19
1,20
1,32
1,37
1,44
1,46
1,48
1,56
1,63
1,73
1,75
1,78
1,93
2,11
2,22
2,25
2,26
2,43
2,51
2,75
2,86
2,99
2,35
2,36
92
4,16
4,44
2 l = nv
2 l = nv
2 l = 64
2 l = 16
2 l = 32
l=6
l=4
l=5
Temos seis variveis de projeto com sees W, duas com seo WT e quatro com seo L.
Portanto temos um cromossomo de comprimento lt = 64.
Tabela 5.8 Propriedades do material e restries (Prtico de 33 barras)
Propriedades
Valores
3 x 104 Ksi
Densidade ()
0,283 lb/in
36,0 Ksi
1,5 in
100,0 Kips
Carga (P)
Carga (M)
700,0 Kips.in
Parmetros
Populao (npop)
100
0,01
93
Cross-sectional areas
(Ai)
A1 = A26
A2 = A25
A3 = A27
A4 = A29 = A31 = A33
A5 = A28 = A30 = A32
A6 = A7 = A23 = A24
A8 = A9 = A10 = A11
A12 = A13 = A14 = A15
A16 = A22
A17 = A21
A18 = A20
A19
Peso Total (lb)
Shape
Areas
(AISC)
(mm x 10)
W16x36
W21x57
W6x16
W21x44
W6x12
W14x26
WT3x4,5
WT3x4,5
L3x2x3/16
L3x2,5x3/16
L3x2x3/16
L3x2x3/8
8693,21
10,60
16,70
4,74
13,00
3,55
7,69
1,34
1,34
1,80
1,99
1,62
3,47
(AISC)
(mm x 10)
W8x35
W24x55
W6x16
W14x48
W8x10
W8x28
WT3x4,5
WT3x4,5
L3x2,5x3/8
L3x3x3/8
L3x2,5x5/16
L6x4x5/16
8711,15
10,30
16,30
4,74
14,10
2,96
8,24
1,34
1,34
1,93
2,11
1,63
2,99
5.1.1.3 Concluses
Como pode ser notado, a funo de penalizao
penali
adaptativa demonstra ganhos potenciais de
desempenho se comparado com os outros dois. A funo objetivo comporta-se
comporta
melhor e
94
Nesta primeira fase foram utilizadas as estruturas reticuladas da subseo anterior. Devido
ao grande nmero de barras, tanto da trelia, quanto no prtico, as barras foram agrupadas
com o objetivo de reduzir o nmero de variveis de entrada.
O Algoritmo Gentico utiliza como entrada para a otimizao as reas, as tenses e o
deslocamento. Como o nmero de informaes muito grande e o que realmente importa
so o deslocamento mximo e a tenso mxima, visto que as restries do problema de
otimizao so os deslocamentos e as tenses, foi feita uma pr-anlise estrutural para
descobrir os pontos crticos de mxima tenso e mximo deslocamento. Uma vez que
atendidas as restries nos pontos crticos pode-se afirmar que toda a estrutura respeitaria
as restries.
A pr-anlise foi realizada da seguinte forma: foram gerados aleatoriamente vrios
conjuntos de reas comerciais (AISC); essas reas foram utilizadas como parmetro de
entrada para o programa de anlise estrutural; e como sada registrou-se, para cada
conjunto de reas, quais eram os pontos crticos da estrutura. Dentre os pontos crticos,
escolheu-se os pontos com maior freqncia para mxima tenso ou mximo
deslocamento, respectivamente, para elementos e ns.
No processo de treinamento foram utilizados conjuntos entrada/sada escolhidos
aleatoriamente dentro do espao de busca. O procedimento de treinamento se repetiu vrias
vezes at que o erro mdio atingisse um valor aceitvel. O menor erro mdio obtido foi
0.029, ou seja 2,9%, conforme notado nas Figura 5.6 e Figura 5.7.
O processo de aprendizagem muito demorado, principalmente quando se faz a validao.
Para o treinamento com validao do treinamento, no caso da trelia foram necessrios 9
dias e 17 minutos e com o prtico 14 dias e 43 minutos. Sem a validao o primeiro e o
segundo caso tiveram uma melhora significativa, 4 horas e 1 dia respectivamente, no
entanto o menor erro mdio obtido foi 0.10, ou seja 10%.
Com a rede j treinada para a anlise estrutural, passou-se a utiliz-la como ferramenta de
anlise estrutural em substituio rotina baseada em elementos finitos, Figura 5.8. Neste
momento a RNA substitui o MEF nas avaliaes das estruturas. Cada execuo na rotina
em Fortran gera informaes que so armazenadas em um arquivo compartilhado,
gerenciado via mdulo JDBC (Java Data Base Conection) que por sua vez alimentado no
96
Estrutura
Anlise
Trelia
Trelia
Prtico
Prtico
MEF
RNA
MEF
RNA
Funo de
Penalizao
Esttica
2954
324
11689
2103
Funo de
Penalizao
Dinmica
2205
213
6437
515
Funo de
Penalizao
Adaptativa
2004
142
5161
379
98
99
Massa i
F ( M i ) = Massa i +
1 +
1
i Massa max
i max
(5.7)
= 10000
(5.8)
100
50
0.02
95% dos cromossomos serem iguais
Aqui foi utilizado o Mtodo dos Elemento de Contorno (MEC) na avaliao da estrutura.
A Equao governante a considerada no captulo anterior. Os elementos de contorno
utilizado o linear, tambm mostrado.
A montagem do contorno de forma aleatria e controlada, cada gerao proporciona um
conjunto de cromossosos que formam um possvel contorno. So predefinidos pontos de
controle na estrutura (como um grid). Inicialmente cada ponto do grid ocupado por um
elemento de contorno e eles so dispostos de forma a no se cruzarem, havendo
cruzamento o elemento desprezado. A cada gerao os novos cromossomos so impostos
a uma nova configurao tendendo a diminuir sua forma em virtude da sua funo
objetivo..
Tabela 5.13 Soluo para diferentes pontos de controle (Penalizao Esttica).
N. de pontos de Controle
12
21
29
35
51
69
81
117
Preciso Gerao
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
M (kg)
614,32 x10-6
413,8 9x10-6
374,42 x10-6
315,67 x10-6
315,85 x10-6
315,26 x10-6
315,26 x10-6
315,26 x10-6
uy (mm)
0,375
0,348
0,244
0,322
0,359
0,159
0,159
0,159
Ainda no mesmo problema agora se faz a anlise com as funes de penalizao dinmica
e adaptativas. O resultados so mostrados nas Tabelas 5.14 e 5.15.
101
Preciso Gerao
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
M (kg)
514,32 x10-6
433,89 x10-6
324,47 x10-6
315,67 x10-6
315,85 x10-6
315,26 x10-6
315,26 x10-6
315,26 x10-6
uy (mm)
0,245
0,328
0,244
0,322
0,259
0,159
0,159
0,159
Preciso Gerao
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
0.0001
100
M (kg)
393,8 9x10-6
374,12 x10-6
315,16 x10-6
315,16 x10-6
315,16 x10-6
315,16 x10-6
315,26 x10-6
315,16 x10-6
uy (mm)
0,218
0,239
0,190
0,189
0,189
0,189
0,189
0,189
102
Figura 5.14 Gerao 100, com doze pontos de controle, penalizao esttica.
Figura 5.15 Gerao 100, com 35, 51, 69, 81 e 117 pontos de controle.
Py =
3
4 y2
8
104
(5.9)
P=4
Y
h = 4.00 m
L = 20 m
Flecha
10.085
10.301
10.209
10.377
10.285
10.377
105
f ( x ) = f (R ) = Flecha
(5.10)
(5.11)
1 0
Para os dois problemas que sero apresentados a seguir, utilizou-se uma funo aptido
incorporada a uma funo de penalizao, transformando o problema com restries em
um problema sem restries (Equao 4.6).
A sua utilizao gera uma forma eficaz de se tratar as restries, alm de proporcionar que
solues prximas as factveis podem ser utilizadas no processo de seleo e fornecer uma
parte do seu material gentico para a prxima gerao.
A parcela penal (Flecha) definida para os problemas mencionados conforme Equao
(5.12).
F ( Ri ) = Flechai +
1
i Flecha max
onde = 10000
(5.12)
(5.13)
l > 22 .22
Com isso l = 23. A Tabela 5.17 mostra a parametrizao para este problema.
106
46
0.02
95% dos cromossomos serem iguais
Gerao
27
17
Raio
246.3977
360.84601
Flecha
10.3754
10.37500
A melhor soluo foi obtida quando adotou-se uma preciso maior, ou seja 5 casas
decimais, chegando-se a flecha mxima terica.
Nota-se neste exemplo que a preciso interfere diretamente na obteno da flecha.
5.3.1.2 Cilindro
Aqui se considerou um cilindro sob presso interna como mostrado na Fig. 5.17.
Considera-se um quarto do problema aproveitando a natureza axissimtrica da geometria.
P = 20
Figura 5.17 Cilindro sob presso interna (esquerda) e Sub-regies empregadas (direita).
Os parmetros elsticos considerados foram E = 210 e = 0.3. A soluo exata dada em
(Timoshenko e Goodier, 1970).
107
r =
a2 P b2
1
(b 2 a 2 ) r 2
(5.14)
a2 P b2
1 +
(b 2 a 2 ) r 2
(5.15)
ur =
r
[ r ]
E
(5.16)
onde a o raio interno considerado como sendo 10, b o raio externo tomado como 20, P
a presso interna, tomada como 20 e r a distncia da origem at o ponto em
considerao.
O problema foi resolvido usando o MSF com sub-regies, que levam a uma matriz em
banda de blocos na mesma maneira que em MEC, Partridge e Sensale (2000). Quatro subregies foram empregadas, cada uma com 18 pontos, como mostrado na Fig. 5.17.
Resultados para raio do crculo fictcio igual a 100, so dados na Tabela 5, para o contorno
x = 0. Os resultados encontrados foram aproximadamente constantes dentro da gama de
valores para o raio do crculo fictcio de 50 a 400. Para problemas usando sub-regies, um
crculo de pontos fictcios usado para cada sub-regio, tendo o mesmo nmero de pontos
que a sub-regio, neste caso 18, centrado nos respectivos baricentros.
Tabela 5.19 Parmetros para o cilindro.
Parmetros
Populao (npop)
46
0.02
Critrio de parada
108
Exato
33.33
23.73
18.51
15.37
13.33
33.35
23.71
18.50
15.32
13.33
Exato
-20.00
-10.40
-5.18
-2.04
-0.00
-20.00
-10.37
-5.20
-2.01
-0.07
u
1.87
1.59
1.43
1.33
1.26
Exato
1.87
1.59
1.43
1.33
1.26
Este segundo problema pode ser colocado da seguinte forma: encontre o raio fictcio R que
determine as tenses radiais mximas da estrutura:
f ( x ) = f (R ) = r
(5.17)
Sujeito restrio das tenses e deslocamentos (Equaes 5.2 a 5.3 respectivamente) sobre
o cilindro.
i
EXATA
ri
rEXATA
ui
u EXATA
1 0
(5.18)
1 0
(5.19)
(5.20)
1 0
i
ri
ui
F ( Ri ) = ri +
1 +
1 +
1
i
rEXATA
u EXATA
EXATA
(5.21)
onde = 10000
A melhor soluo foi obtida quando adotou-se uma preciso maior, ou seja 5 casas
decimais,
chegando-se
as
tenses
deslocamentos
Goodier, 1970).
109
conforme
(Timoshenko
Gerao
21
Raio
217.37178
33.33
23.73
18.51
15.37
13.33
Exato
33.33
23.73
18.51
15.37
13.33
r
-20.00
-10.40
-5.18
-2.04
-0.00
Exato
-20.00
-10.40
-5.18
-2.04
-0.00
u
1.87
1.59
1.43
1.33
1.26
Exato
1.87
1.59
1.43
1.33
1.26
5.3.1.3 Concluses
A metodologia no apresentou deficincia em nenhum momento da otimizao, chegando
nos dois exemplos ao resultado esperado, a soluo exata. Sendo verificado que os
resultados oscilam consideravelmente em funo do raio e de sua preciso.
i
ui
F ( Ri ) = i +
1 +
1
i Exata
u Exata
onde = 10000
(5.22)
1.00 m
2.00 m
xx = g (l x)
ux =
g
2E
x(2l x)
(5.23)
l > 22 , 22
Com isso l = 23.
A melhor soluo foi obtida quando se adotou uma preciso maior, ou seja, 5 casas
decimais, chegando-se as tenses e ao deslocamento conforme Tabela 5.23 e 5.24,
respectivamente.
111
Tabela 5.23 Convergncia para alguns valores do raio fictcio em funo da preciso
Caso
2D
2D
3D
3D
Tentativa
1
2
1
2
Preciso
0.0001
0.00001
0.0001
0.00001
Gerao
27
17
107
167
Raio
346.3077
460.84802
236.3077
334.94842
Os resultados MRM (i) e (ii) diferem em funo de constantes diferentes usadas na soluo
fundamental e foram retirados de Neves e Brebbia (1991), como tambm as solues
exatas. Os resultados usando DRBEM com ATPS foram obtidos por Partridge e Sensale
(1997).
Tabela 5.24 Tenses ao longo da linha OP para o problema gravitacional
Presente
trabalho
Partridge e
Medeiros (2001)
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2D 3D
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
2D 3D
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
MRM
(i) 2D
2.009
1.753
1.492
1.237
0.986
0.738
0.491
0.244
0.000
(ii) 2D
2.036
1.774
1.512
1.255
1.003
0.752
0.501
0.251
0.000
Exato
2D 3D
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
2D 3D
2D
3D
Soluo (i) 2D
Soluo (ii) 2D
2D
2D 3D
Deslocamento P
0.2000x10-3
0.2015x10-3
0.2028x10-3
0.2017x10-3
0.1988x10-3
0.2012x10-3
0.2000x10-3
Medeiros e Partridge (2001) adotaram no caso das solues em 2D, crculos de pontos
fictcios com raios de 10, 100 e 1000, e no caso das solues em 3D, esferas de pontos
fictcios com raios de 10, 100 e 1000. Para modelar o termo no homogneo usou-se a
112
rr =
(3 + )
a 2b 2
2 b 2 + a 2 2 r 2
8
r
(3 + )
(1 + 3 )r 2
2 b 2 + a 2 + a 2 b 2
8
(3 + )
ur =
r
( rr )
E
(5.24)
Este problema colocado conforme Eq. 5.22. Codificou-se o cromossomo com o uso da
Eq. 3.1. Para um espao de busca no intervalo [0;500] e uma preciso de 5 casas decimais.
113
10.0
12.5
15.0
17.5
20.0
Presente
trabalho
34750
27468
22614
18739
15250
ur
rr
MSF
Exato
34763
27463
22608
18711
15258
34750
27468
22614
18739
15250
Presente
trabalho
0.0
3603
4010
2604
0.0
MSF
Exato
0.0
3636
4000
2621
0.0
0.0
3603
4010
2604
0.0
Presente
trabalho
1.654
1.570
1.529
1.496
1.452
MSF
Exato
1.653
1.569
1.528
1.495
1.451
1.654
1.570
1.529
1.496
1.452
Preciso
0.00001
Gerao
127
Raio
135.94302
Empregou-se um crculo de pontos fictcios para cada sub-regio, usando o mesmo nmero
de pontos como tem de ns na sub-regio, neste caso 18. A funo de aproximao
f = r 2 log r , acrescida de termos lineares, foi usada para modelar o termo no homogneo.
Testes com as funes de aproximao f = r 4 log r e f = r 6 log r produziram os mesmos
resultados, como verificado no exemplo anterior. O emprego do algoritmo SVD no se
mostrou necessrio neste caso.
Caso 3D
Foram empregados 146 pontos no contorno e, 7 pontos internos foram distribudos
uniformemente sobre o eixo x. As solues exatas para deslocamento e tenso so dadas,
respectivamente, em Neves e Brebbia (1991), como segue:
xx =
ux =
w 2
2E
w 2
2E
(l 2 x 2 )
x (l 2
x3
)
3
(5.25)
Preciso
0.00001
Gerao
154
Raio
172.98312
x
x
0,00
0,25
0,50
0,75
1,00
1,25
1,50
1,75
2,00
Presente
trabalho
0,0000E+00
4,9740E-05
9,7917E-05
1,4297E-04
1,8333E-04
2,1745E-04
2,4375E-04
2,6068E-04
2,6667E-04
MSF
Exato
0,0000E+00
5,0594E-05
9,9282E-05
1,4479E-04
1,8558E-04
2,2010E-04
2,4677E-04
2,6403E-04
2,7044E-04
0,0000E+00
4,9740E-05
9,7917E-05
1,4297E-04
1,8333E-04
2,1745E-04
2,4375E-04
2,6068E-04
2,6667E-04
Presente
trabalho
2,00000
1,96880
1,87500
1,71880
1,50000
1,21880
0,87500
0,46875
0,00000
MSF
Exato
2,02460
1,99270
1,89880
1,74270
1,52370
1,24050
0,89212
0,47858
0,00130
2,00000
1,96880
1,87500
1,71880
1,50000
1,21880
0,87500
0,46875
0,00000
Y
X
1.00 m
2.00 m
115
Caso 2D
O modelo foi feito considerando uma fora de corpo de bi = (3 + 2 ) ,i e uma trao de
superfcie de pi = (3 + 2 ) ni , Lin (1968), sendo estes dois efeitos equivalentes a um
aumento de temperatura ; e sendo as constantes de Lam.
Usando esta analogia, os deslocamentos calculados pelo programa so corretos, porm
necessrio recuperar os valores das tenses fazendo:
ij = ij' (3 + 2 ) ij
(5.26)
onde ij' so as tenses calculadas pelo programa. Nas relaes acima, o coeficiente de
expanso trmica e:
(3 + 2 ) =
2G (1 + )
(1 2 )
(5.27)
xx = E
(5.28)
116
Presente
trabalho
-9.3750
-8.1200
-7.0850
-6.2400
-5.5550
-5.0000
-4.5450
-4.1600
-3.8150
-3.4800
-3.1250
Caso (ii)
MSF
Exato
-9.3750
-8.1200
-7.0850
-6.2400
-5.5550
-5.0000
-4.5450
-4.1600
-3.8150
-3.4800
-3.1250
-9.3750
-8.1200
-7.0850
-6.2400
-5.5550
-5.0000
-4.5450
-4.1600
-3.8150
-3.4800
-3.1250
Presente
trabalho
-2.7015
-3.4835
-4.1267
-4.6503
-4.9003
-5.0000
-4.9003
-4.6503
-4.1267
-3.4835
-2.7015
MSF
Exato
-2.7015
-3.4835
-4.1267
-4.6503
-4.9003
-5.0000
-4.9003
-4.6503
-4.1267
-3.4835
-2.7015
-2.7015
-3.4835
-4.1267
-4.6503
-4.9003
-5.0000
-4.9003
-4.6503
-4.1267
-3.4835
-2.7015
Preciso
0.00001
Gerao
43
Raio
25.17512
Caso 3D
Neste ltimo exemplo empregou-se 9 pontos no interior, distribudos uniformemente ao
longo do eixo y. As condies de contorno so: ux = 0 em x = 1, uz = uy = 0 em z = y = 0
e x = 1. As foras de corpos so as mesmas consideradas no item anterior. Considera-se
apenas um caso: (iii) = 100 y . A soluo exata dada pela Eq. (40).
Este problema colocado conforme Eq. 5.23, levando em conta apenas as tenses.
Codificou-se o cromossomo com o uso da Eq. 3.1. Para um espao de busca no intervalo
[0;500] e uma preciso de 5 casas decimais.
Os resultados so apresentados na Tabela 5.33, para funo de aproximao f = r 2 log r
acrescida dos termos polinomiais (1, x, y, z). Medeiros (2005) adotou o raio da superfcie
fictcia igual a 100.
Preciso
0.00001
Gerao
43
117
Raio
25.17512
Presente
trabalho
-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
-5,00
MSF
Exato
-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
-5,00
-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
-5,00
5.3.2.4 Concluses
A metodologia no apresentou deficincia em nenhum momento da otimizao, chegando
a todos os seis exemplos ao resultado esperado, a soluo exata.
118
6 CONCLUSES
6.1 INTRODUO
Neste trabalho pretendeu-se partir dos cdigos originais de Algoritmos Genticos
utilizados no mestrado, escritos em 2005, implementar as modificaes necessrias para
serem executados com os mtodos numricos tradicionais explanados nos captulos
anteriores e definir parmetros para a utilizao eficiente e competitiva da inteligncia
computacional. Pretendeu-se tambm abordar a generalizao desses cdigos com a
utilizao das Redes Neurais Artificiais.
O processo de otimizao fez uso do AG, do tipo geracional com codificao binria e
estratgia elitista, associados ao MEC, MEF ou MSF. As restries, inerentes s variveis
de projeto e da composio estrutural, foram considerados nos problemas por meio de uma
funo objetivo modificada pela adio de um termo de penalizao. Desta forma, os
problemas com restries foram tratados como problemas sem restries. As funes de
penalizao foram definidas atravs de parmetros de penalizao constantes, dinmicos
ou adaptativos durante toda a evoluo.
A pesquisa atual de doutorado uma continuao do mestrado, tambm com foco em
inteligncia computacional e otimizao, porm mais abrangente. Desde ento
alguns resultados que foram compartilhados com a comunidade cientfica por meio das
seguintes publicaes, que incluem os resultados do captulo 5 entre outros:
6.2 CONCLUSES
A partir das respostas observadas nos exemplos estudados podem-se apresentar as
seguintes concluses:
6.3 SUGESTES
Como desenvolvimentos futuros podem ser considerados os seguintes aspectos:
120
(aprendizagem
hebbiana),
buscando
reduzir
os
custos
Implementao
de
Algoritmos
Genticos
Paralelos,
fazendo-se
estudos
121
REFERNCIAS BIBLIOGRFICAS
AISC - American Institute of Steel Construction, (1991). Manual of steel construction:
Allowable stress design. 9th edition, Chicago, USA.
Amano, K., (1994). A charge simulation method for the numerical conformal mapping of
interior, exterior and doubly connected domains, Journal of Computational and pplied
Mathematics, Vol 53, pp 353-370.
Bacarji, E., (2001). Aplicao do mtodo dos elementos de contorno anlise de
pavimentos de edifcios. Tese de Doutorado, Escola de Engenharia de So Carlos, da
Universidade de So Paulo.
Baker, J., (1987). Reducing Bias and Inefficiency in Selection Algorithm, In:
Proceedings of The Second International Conference on Genetic Algorithm and Their
Application, 14-21.
Barbosa, H. J. C. e Lemonge, A. C. C., (2003). A New Adaptive Penalty Scheme for
Genetic Algorithms, In: Information Science. 156(2003), 215-251.
Barcellos, J. C. H. (2000). Algoritmos Genticos Adaptativos: Um Estudo Comparativo,
Dissertao de Mestrado, Escola Politcnica de So Paulo, 131p.
Barr e E.A. Feigenbaum, editors (1981). The Handbook of Artificial Intelligence, volume
I-II. William Kaufmann Inc., Los Altos, California.
Berger, J. R., e Karageorghis A., (1999). The Method of Fundamental Solutions for Heat
Conduction in Layered Meterials. Journal for Numerical Methods in Engineering.
Vol. 45, pp. 1681-1694.
Bezerra, L. M. (1993). Inverse Elastostatics Solutions with Boundary Elements, PhD
Thesis, Carnegie Institute of Technology, Pittsburgh, USA, 107p.
Bogomolny, A., (1984). Fundamental Solutions Method for Elliptic Boundary Value
Problems. Society for Industrial and Applied Mathamatics Journal. Vol. 22. pp. 644669.
Borges, C. C. H. (1999). Algoritmos Genticos para Otimizao em Dinmica de
Estruturas, Tese de Doutorado, Universidade Federal do Rio de Janeiro COPPE, 216p.
Brebbia, C. A. (1978), The Boundary Element Method for Engineers, Pentech Press,
London, U.K.
Brebbia, C. A. e Dominguez, J., (1989). Boundary Elements an Introductory Course,
Computacional Mechanics Publications, Southampton, McGraw-Hill Book Company.
122
123
Erbatur, F., Hasanebi, I. T. and Kili, H., (2000). Optimal Design of Planar and Space
Structures with Genetic Algorithms, Computer e Structures, vol. 75, pp. 209-224.
Fairweather G. e Karageorghis A., (1998), The Method of Fundamental Solutions for
Elliptic Boundary Value Problems, Advances in Computational Mathematics. Vol. 9.
pp. 69-95.
Felippa, C. A., (2000). Introduction to The Finite Element Method Lecture Notes.
University of Colorado at Boulder.
Fox, R.L., (1973). Optimization Methods for Engineering Design. 2nd Edition, AddisonWesley, London, UK.
Galante, M., (1996). Genetic Algorithms As An Approach To Optimize Real-World
Trusses. International Journal for Numerical Methods In Engineering, vol. 39, pp. 361382.
Gere, J. M. e Weaver, W. JR. (1981). Anlise de Estruturas Reticuladas, Editora
Guanabara Dois, Rio de Janeiro.
Ghasemi, M. R. and Hinton E, W, R. D., (1997). Optimization of trusses using genetic
algorithms for discrete and continuous variables. Engineering Computations, vol. 16,
pp. 272-301.
Golberg M. A. e Chen C. S., (1994a). The method of Atkinson for evaluating domains
integrals in the boundary element method, Journal of Computational and Applied
Mathematics, vol 60, pp 125-138.
Golberg, M. A, (1995), The method of Fundamental Solutions for Poissons Equations.
Engineering Analysis with Boundary Elements. Vol. 16. pp. 205-213.
Golberg, M. A. e Chen, C. S., (1994b), The Theory of Radial Basis Functions applied to
the BEM for inhomogeneous partial differential equations. Boundary Element
Communications. Vol. 5. pp. 57-61.
Golberg, M. A., Chen, C. S. e Karur, S. R., (1996), Improved Multiquadric Approximation
for Partial Differential Equations. Engineering Analysis with Boundary Elements.
Vol.18. pp. 9-17.
Goldberg, D. E. (1989), Genetic Algorithms in Search, Optimization and Machine
Learning, Addison-Wesley, USA.
Haftka, R. T. and Gurdal, Z., (1992). Elements of Structural Optimization, 3th edition,
Kluwer Academic Publishers, London, U.K.
Hajela, P. e Berke, L. (1990). Neurobiological Computational Models in Structural
Analysis. In: Computers e Structures. 41(4), 657-667.
124
Hampson, S. E., (1990). Fundantals of articial neural networks. MIT Press, Cambridge.
Hesser, J. and Manner, P., (2000). Pratical Guide to Genetic Algorithms, Naval Research
Laboratory, Chemistry Division.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems, University of
Michigan Press, USA.
Homaifar, H., Lai, S. H. Y. and Qi, X., (1994). Constrained Optimization Via Genetic
Algorithms. Simulation, vol. 64, pp. 242-254.
Jichun Li, Hon Y. C. e Chen C. S., (2002). Numerical comparisons of two meshless
methods using radial basis functions, Engineering Analysis with Boundary Elements,
Vol. 26, 205-225.
Joines, J. e Houck, C. (1994). On the Use of Non-stationary Penalty Functions to Solve
Nonlinear Constrained Optimization Problems with Gas, In: Proceedings of the First
IEEE international Conference on Evolutionary Computation, 579-584.
JOONE (2007), Java Oriented Neural Engine. The Complete Guide All you need to
know about Joone.
Karageorghis A. e Fairweather G., (1987). The Method of Fundamental Solutions for the
Numerical Solution of the Biharmonic Equation, Journal of Computational Phisics,
Vol 69, pp 434-459.
Karageorghis A. e Fairweather G., (1989a). The Method of Fundamental Solutions for the
Solutions of Nonlinear Plane Potential Problems, IMA J. Numerical Analysis, Vol 9,
pp 231-242.
Karageorghis A. e Fairweather G., (1999), The Method of Fundamental Solutions for
Axisymetric Potential Problems. Journal for Numerical Methods in Engineering. Vol.
44. pp. 1653-1669.
Karageorghis A. e Fairweather G., (1999b), The Method of Fundamental Solutions for
Axisymetric Problems, BETECH XIII Eds. C. S. Chen et al, WIT Press, Southampton Boston, pp. 387 396.
Karageorghis A., (1992), The Method of Fundamental Solutions for the Solution of Steady
State Free Boundary Problems. Journal of Computational Physics. Vol. 98. pp. 119-127.
Karur S. R. e Ramachandran P. A., (1994). Radial Basis function appoximation in the dual
reciprocity method, Mathematical and Computational Modelling, vol 20, pp 59-70.
Karur S. R. e Ramachandran P. A., (1995). Augmented thin plate spline approximation in
DRM, Boundary Elements Communications, vol 6, pp 55-58.
125
Khan, N., (2002). Population Sizing in Genetic and Evolutionary Algorithms Lecture
Notes, University of Illinois at Urbana-Champaign.
Kupradze, V. D. e Aleksidze, M. A., (1964). A Method for the approximate solution of
limiting problems in mathematical physics, USSR Computational Mathematics and
Mathematical Physics, Vol 4, pp 199-205.
Lacerda, E. G. M. e Carvalho, A. C. P. L. F. (1999). Introduo aos algoritmos
genticos. In: Sistemas Inteligentes: Aplicaes a Recursos Hdricos e Sistemas
Ambientais, Editora Universidade, UFRGS.
Lagaros, N. D., Papadrakakis, M. e Kokossalakis, G. (2002) a. Structural Optimization
Using Evolutionary Algorithms, In: Computer and Structures, 80(2002), 571-589.
Lemonge, A. C. C. (1999). Aplicao de Algoritmos Genticos em Otimizao Estrutural,
Tese de Doutorado, Universidade Federal do Rio de Janeiro COPPE, 218p.
Lemonge, A. C. C. and Barbosa, H. J. C., (2004). An Adaptive penalty Scheme for Genetic
Algorithms in Structural Optimization. International Journal for Numerical Methods in
Engineering, vol. 59, pp. 703-736.
Levin, D e Tal, A., (1986). A Boundary Collocation Method for the Solution of a Flow
Problem in a Complex Three-Dimensional Porous Medium, International Journal for
Numerical Methods in Fluids, Vol 6, pp 611-622.
Lin, T. H., (1968), Theory of Inelastic Structures, John Wiley.
Linden, R., (2006). Algoritmos Genticos. Ed. Brasport.
Lucas, D. C. (2000). Algoritmos Genticos: Um Estudo de seus Conceitos Fundamentais e
Aplicao no Problema de Grade Horria, Monografia de Graduao, 92p.
Ludemir, T. B., Carvalho, A. C. P. L. F., Braga, A. P. e Souto, M. C. P. (2005), Sistemas
inteligentes Hbridos, Sistemas Inteligentes Fundamentos e Aplicaes, Editora
Manole.
Mathon, R. e Johnston, R. L, (1977). The approximate solution of Elliptic Boundary Value
Problems by Fundamental Solutions, SIAM Journal of Numerical Analysis, Vol. 14, pp
638-650.
Maysa, M. P. (1996). Genetic Algorithms on Evolving Solutions to NP-Complete
Problems, In: <http://www.kneehighs.com/outline.html>, Acesso em 06/2004.
McCorduck. (1979). Machines Who Think, Freeman, San Francisco.
McCulloch, W. e Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous
Activity, In: Bulletin of Mathematical Biophysics, 115-133.
126
127
128
129
Livros Grtis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administrao
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Cincia da Computao
Baixar livros de Cincia da Informao
Baixar livros de Cincia Poltica
Baixar livros de Cincias da Sade
Baixar livros de Comunicao
Baixar livros do Conselho Nacional de Educao - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Domstica
Baixar livros de Educao
Baixar livros de Educao - Trnsito
Baixar livros de Educao Fsica
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmcia
Baixar livros de Filosofia
Baixar livros de Fsica
Baixar livros de Geocincias
Baixar livros de Geografia
Baixar livros de Histria
Baixar livros de Lnguas