ESTUDO SOBRE TÉCNICAS DE OTIMIZAÇÃO APLICADAS A UM PROBLEMA DE ENGENHARIA

Tamanho: px
Começar a partir da página:

Download "ESTUDO SOBRE TÉCNICAS DE OTIMIZAÇÃO APLICADAS A UM PROBLEMA DE ENGENHARIA"

Transcrição

1 CONVÊNIOS CNPq/UFU & FAPEMIG/UFU Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA COMISSÃO INSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 008 UFU 30 anos ESTUDO SOBRE TÉCNICAS DE OTIMIZAÇÃO APLICADAS A UM PROBLEMA DE ENGENHARIA Simone Pereira Saramago Faculdade de Engenharia Mecânica, UFU, Av. João Naves de Ávila, 60, Santa Mônica, Uberlândia, MG, Brasil. sisaramago@gmail.com Valder Steffen Jr. Faculdade de Engenharia Mecânica, UFU, Av. João Naves de Ávila, 60, Santa Mônica, Uberlândia, MG, Brasil. vsteffen@mecanica.ufu.br Resumo: O objetivo deste trabalho é apresentar um estudo sobre os métodos de otimização e aplicá-los na solução de um problema de engenharia. Serão considerados tanto os métodos determinísticos, baseados no cálculo de derivadas ou em aproximações destas e no gradiente, quanto os métodos heurísticos, também conhecidos como métodos naturais, que são métodos aleatórios. Essas técnicas são aplicadas na otimização de um problema de usinagem por descarga elétrica. Para solução destes problemas são utilizados o Método do Multiplicador de Lagrange Aumentado e os Algoritmos Genéticos. O problema de usinagem é um problema de otimização multi-objetivo, sendo utilizado o método da ponderação dos objetivos, para transformar as funções objetivo em uma única função escalar. Palavras-chave: otimização, métodos determinísticos, métodos heurísticos, problema multiobjetivo.. INTRODUÇÃO Otimização consiste em encontrar uma solução ou um conjunto de soluções ótimas para uma determinada função ou conjunto de funções. O conceito de solução ótima é inerente do problema que se deseja otimizar. Por exemplo, em uma situação A modelada matematicamente por uma única função F A há a necessidade de determinar um valor (valor ótimo) tal que F A seja mínimo, ou ainda, uma situação B cujo modelo matemático seja expresso por n funções F Bn (n =,, 3,...,n) onde se pretende maximizar algumas e minimizar as demais. Neste caso, pode-se ter uma única solução, um conjunto de soluções ou ainda não haver solução que satisfaça todas as funções. À medida que o número de funções e o número de variáveis aumentam, a dificuldade em se determinar o conjunto de soluções ótimas também aumenta. É neste contexto que surge a necessidade de desenvolver técnicas matemáticas e computacionais que refinem o processo de otimização, dado que este é amplamente utilizado para resolver problemas de engenharia. Os métodos para a solução de problemas de otimização se dividem em dois grupos, os métodos baseados no cálculo (Deterministic Optimization) e os métodos randômicos ou aleatórios (Random Strategies). Quanto à presença de limitantes ao problema, tem-se a otimização irrestrita e a otimização restrita. Na otimização restrita existem os métodos indiretos (Métodos Seqüenciais e outros) e os métodos diretos (Programação Linear e outros). No grupo dos métodos aleatórios podem ser citados os métodos de ordem zero, Algoritmos Genéticos, Simulated Annealing, Redes Neurais, Evolução Diferencial. - Acadêmico do curso de Engenharia Mecânica - Orientador

2 . O PROBLEMA DE OTIMIZAÇÃO A forma genérica dos problemas de otimização é: Minimizar f(x), sujeita a X S () Em que R n n f : R e S R. S é chamado conjunto factível. O vetor X = [x, x,..., x n ] é composto pelas variáveis do projeto. Em forma análoga, define-se maximizadores locais e globais. É possível observar que Maximizar f é equivalente a Minimizar f, razão pela qual se pode, sem perda de generalidade, falar apenas de Minimização. Nem sempre é possível minimizar funções de várias variáveis por meio de uma solução analítica. Surgem, então, métodos numéricos, que visam tal objetivo... Modelo Geral de Otimização É conveniente pensar em algoritmos de otimização como uma aplicação iterativa. A maioria dos algoritmos de otimização requer um conjunto inicial de variáveis de projeto X 0. A partir daí, o projeto é atualizado iterativamente: X q+ q = X + α S q () Em que q representa o número da iteração, X é o vetor das variáveis de projeto, S q o vetor direção de busca no espaço de projeto, α * é o escalar multiplicador que define o passo que se deseja dar na direção de S. O uso da Equação consiste em duas etapas. Primeiro, a determinação da direção de busca S, e segundo, definir o parâmetro escalar α *, o qual irá minimizar f(x) o máximo possível na direção S q. A seção áurea é um dos métodos mais utilizados para determinação de α * (Vanderplaats, 999). 3. MINIMIZAÇÃO COM RESTRIÇÕES O problema geral de otimização com restrições consiste em minimizar uma função objetivo, sujeita, ou não, a restrições de igualdade, desigualdade e restrições laterais. A função objetivo e as funções de restrições podem ser funções lineares ou não lineares em relação às variáveis de projeto, implícitas ou explícitas, calculadas por técnicas analíticas ou numéricas. Seja o problema geral de otimização dado por: Minimizar: T n f (X ), X = [ x, x, K, x n ], X ε R (3) Sujeito a: g j (X) 0, j=,,...,j h k (X) = 0, k=,,..., K (4) (L) xi x (U ) x i, i=,,..., n Sendo que f(x) representa a função objetivo, g j e h k as restrições de desigualdade e de n igualdade. X assume valores em R e possui limites inferiores - X (L) - e superiores -X (U). 4. MÉTODOS INDIRETOS

3 Para minimizar uma função f(x), sujeita a restrições, adota-se o seguinte procedimento. Minimiza-se a função objetivo, como uma função sem restrições, mas introduzindo penalidades para limitar a violação das restrições. Assim, cria-se uma nova função objetivo, denominada função pseudo-objetivo. O ótimo do projeto restrito é obtido através da solução seqüencial de vários problemas sem restrição. Estes métodos são conhecidos como SUMT (Sequential Unconstrained Minimization Techniques). Uma aproximação clássica usando SUMT, para criar uma função pseudo-objetivo é dada por: φ ( X, rp ) = f ( X ) + rp p( X ) (5) Em que, f(x) é a função objetivo original; φ representa a função pseudo-objetivo; p(x) função de penalidade; r p o coeficiente de penalidade e p o número da iteração. O fator r p é mantido constante para uma dada iteração da minimização irrestrita, para nova atualização da direção de busca, pode-se atualizar r p. Para a eficiência do método, deve-se procurar um valor adequado para o fator de penalidade de forma a garantir que todas as restrições sejam obedecidas. Existem várias formas de se escrever a função de penalidade, neste estudo foi considerado o método que será apresentado a seguir. 4.. Método do Multiplicador de Lagrange Aumentado (MMLA) Neste método, procura-se reduzir a dependência do algoritmo em relação à escolha dos coeficientes de penalidade e a maneira pela qual são utilizados. Reduz o mal condicionamento numérico normalmente introduzido pelas penalidades. A Função Lagrangeana clássica associada ao problema de otimização é dada por: m l L( X, λ ) = f ( X) + λ j g j ( X) + λk+ hk ( X) (6) j= k= Sendo λ i os multiplicadores de Lagrange. A solução do problema geral é obtida pela função pseudo-objetivo: m l λ, rp ) = f ( X ) + [ λ jψ j + rp j ] + [ h ( X) + r ( h ( X)) ] A( X, ψ j = λ m+ k k p k (7) k= Em que: λ j ψ j = max g j ( X ), (8) rp As atualizações de λ j e λ k + m são dadas por: p+ p p λ j λ j = λ j + rp.max g j ( X ), ; j =, m rp p+ p p λk+ m = λk+ m + rphk ( X ); k =, l (9) 3

4 Adota-se uma estimativa para λ j e para λ k +m permitindo obter X. Corrigem-se, então, os valores de λ e X a cada iteração, e no limite, pretende-se que convirjam para a solução ótima. 5. MÉTODOS HEURÍSTICOS DE OTIMIZAÇÃO Em engenharia, os problemas geralmente são complexos, não lineares, de difícil representação e descritos por funções nem sempre diferenciáveis, necessitando de métodos numéricos para sua solução. Os métodos determinísticos, baseados no cálculo de derivadas ou em aproximações destas e no gradiente, produzem bons resultados quando as funções são contínuas, convexas e unimodais. No entanto, na maioria das vezes, são ineficientes quando aplicados a problemas que apresentam não diferenciabilidade ou descontinuidade. Os métodos heurísticos, também conhecidos como métodos naturais, se caracterizam pela busca da melhor solução através de regras de probabilidade, trabalhando de maneira aleatória orientada. Tais métodos utilizam apenas as informações da função de otimização, não requerendo informações sobre suas derivadas ou possíveis descontinuidades. Os métodos naturais são procedimentos iterativos que tentam simular os processos usados na natureza para resolver problemas difíceis. Entre as técnicas mais conhecidas pode-se citar recozimento simulado (Simulated Annealing), Busca Tabu e um grupo de métodos baseados em população. Neste ultimo grupo, destacam-se os Algoritmos Evolutivos ou Evolucionários (Algoritmos Genéticos, Estratégias de Evolução, Evolução Diferencial, etc.) e os algoritmos baseados na inteligência coletiva (otimização por enxame de partículas, colônias de formigas, etc.). Estes algoritmos se baseiam em população de indivíduos, onde cada indivíduo representa um ponto de busca no espaço de soluções potenciais de um dado problema e imitam os princípios da natureza para criar procedimentos de otimização. Os Algoritmos Evolutivos possuem alguns procedimentos de seleção baseados na aptidão dos indivíduos, e em operadores de cruzamento e mutação. Cada vez mais estão sendo desenvolvidas pesquisas com estes métodos, visando comparar seus resultados com os métodos clássicos na solução de problemas de otimização. 5.. Algoritmos Genéticos A fundamentação dos Algoritmos Genéticos é baseada na genética natural. Desta forma, é comum o uso dos termos: indivíduos de uma população, cromossomos, genes e alelos. Nos Algoritmos Genéticos, a população de indivíduos é um conjunto de pontos do domínio da função a ser maximizada ou minimizada. A quantidade de pontos depende do número de variáveis de projeto do problema em questão. Algoritmos genéticos são algoritmos iterativos, em que a cada iteração a população é modificada, usando as melhores características dos elementos da geração anterior e submetendo-as aos três tipos básicos de operadores genéticos, reprodução, cruzamento e mutação, para produzir melhores resultados (Goldberg, 989), acompanhando o princípio Darwiniano da luta pela vida. De modo geral, considere que se deseja otimizar uma função f qualquer de n variáveis, conforme abaixo: Maximizar f(x) = f(x, x,..., x n ), sujeita a x i l < x i < x i u, i =,,..., n (0) Cada seqüência de n variáveis é denominada de cromossomo ou indivíduo (Haupt & Haupt, 004) e cada uma das n variáveis é um gene. Cada gene é representado no sistema binário e os bits 0 e são denominados alelos. O comprimento de cada gene depende da precisão requerida para o problema e da amplitude do intervalo onde ele está definido. O procedimento consiste em criar, aleatoriamente, uma população inicial de indivíduos {C, C,..., C n }. Em seguida, todos os indivíduos dessa população são modificados, submetendo-os aos operadores genéticos acima mencionados. Segue uma conceituação básica destes operadores: 4

5 Reprodução: é um processo no qual cada cadeia é copiada levando em conta os valores da função de adaptação f. A função de adaptação de cada indivíduo é um valor que representa o grau de adaptabilidade deste no contexto em que se encontra, ou seja, o quão próximo o indivíduo está da solução do problema em relação aos indivíduos da população. Cruzamento: é um processo no qual a combinação de partes de cada um de dois cromossomos gera um novo descendente. Mutação: é a modificação aleatória ocasional (de baixa probabilidade) do valor de um alelo da cadeia. Os Algoritmos Genéticos, assim como muitos algoritmos evolutivos de otimização, são desenvolvidos para resolver problemas irrestritos. Assim, no caso de problemas com restrições, torna-se necessário introduzir modificações no método. Neste estudo, é utilizado o conceito, já visto anteriormente, de Função de Penalidade (Vanderplaats, 999). Nesta técnica, a função de penalidade é: J L { max[ 0, g ( X )]} + [ h ( X )] p( X ) = j l () j = l = 6. OTIMIZAÇÃO MULTI-OBJETIVO Um problema de otimização multi-objetivo é definido quando se deseja minimizar ou maximizar várias funções objetivo simultaneamente, sendo que, em vários casos, uma função está em conflito com outra (Eschenauer et al, 990). Este problema pode estar sujeito a restrições e todas as funções envolvidas podem ser não-lineares. Várias técnicas estão disponíveis e podem ser consideradas para resolver este complexo problema de otimização. Alguns métodos clássicos são baseados em escalonar as funções, sendo que o vetor função objetivo é transformado em uma função escalar, enquanto que outros métodos tratam as funções objetivo como restrições adicionais. Este trabalho utiliza o método da ponderação dos objetivos na solução de problemas de otimização multi-objetivo. Neste método, os problemas de otimização multi-objetivo são substituídos por um problema de otimização escalar. 6.. Método da Ponderação dos Objetivos Seja um problema de otimização multi-objetivo formulado como a seguir. Minimizar ou maximizar: f i (X) = [f (X) f (X)... f n (X)] T i =,,..., n () Sujeita a: x l min x l x l max, l =,,..., L g j (X) 0, j =,,..., J (3) h k (X) = 0, k =,,..., K Em que x l é um vetor de variáveis de decisão, f i (X) é um vetor da função objetivo, g j (X), h k (X) são restrições de desigualdade e de igualdade, respectivamente. No método da poderação dos objetivos, a solução de problemas multi-objetivo está baseado na substituição destes problemas por um problema de otimização escalar. Isso ocorre, por exemplo, através da criação de uma função da forma: n n f ( X ) = wi fi ( X ), wi = (4) i= i= 5

6 Na qual w i 0 são os coeficientes de ponderação. Para os métodos numéricos de procura do mínimo dado pela Equação 4 a localização, depende não somente dos valores w i, mas também das unidades nas quais as funções são expressas. Para que w i possa refletir bem a importância dos objetivos, todas as funções devem ser expressas em unidades que aproximem os mesmos valores numéricos (Deb, 00). Com este objetivo a Equação 4 será escrita na seguinte forma: n f ( X ) = wi fi ( X ) ci, (5) i= em que c i são fatores de multiplicação. Os melhores resultados são, usualmente, obtidos se c i =(/f i o ), onde f i o representa a solução ideal para o problema. Em alguns exemplos, o valor f i o assume valores muito grandes ou muito próximos de zero. Neste trabalho adota-se o vetor objetivo de Nadir. Dadas duas funções objetivo ( X ) f X =, considere: f e f ( X ) para [ x x ] T o () o () T o o ( ) o ( ) [ f ( X ) f ( X )] e f [ f ( X ) f ( X )] T = (6) o = o() o() Em que f ( X ) e ( X ) X f X, respectivamente, no espaço objetivo. O vetor objetivo de Nadir pode ser estimado por nad o() o() T f = [ f( X ) f ( X )]. Este vetor pode ser aplicado ao método da ponderação dos objetivos. Para duas funções objetivo, determina-se uma nova função objetivo, dada por: o() ( X) f ( X ) nad o() f ( X ) f são os valores mínimos das funções f ( ) e ( ) o() ( X) f ( X ) f ( ) ( ) = f f X w + w nad () f f f X o (7) Pareto (896) formulou um conceito de ótimo que continua sendo muito importante para a análise multi-objetivo. A maneira mais comum de definir este ótimo é dada por: Um ponto X * X é ótimo de Pareto se: f i (X) f i (X * ) para todo i I = [,,...,n] (8) ou existe pelo menos um i I tal que: f i (X) > f i (X * ) para no mínimo um i I (9) Esta definição é baseada no conceito intuitivo de que o ponto X * é escolhido como o ótimo se nenhum objetivo pode ser melhorado sem prejudicar pelo menos outro objetivo. Infelizmente, o ótimo de Pareto quase sempre não dá uma única solução, mas, um conjunto de soluções chamadas de soluções não-inferiores ou soluções não-dominadas. 7. PROBLEMA DE USINAGEM POR DESCARGA ELÉTRICA O processo de usinagem por descarga elétrica (EDM) baseia-se na destruição de partículas metálicas por meio de descarga elétrica. Para que o processo de EDM ocorra é necessário que os materiais envolvidos (peça a ser usinada e ferramenta) sejam bons condutores de eletricidade. Peça e eletrodo são mergulhados num recipiente que contém um dielétrico. Tanto a peça como o eletrodo estão ligados a uma fonte de corrente contínua, por meio de cabos. Geralmente, o eletrodo tem polaridade positiva e a peça, polaridade negativa. Ao ser ligado o interruptor, conforme ilustrado na 6

7 Figura, forma-se uma tensão elétrica entre o eletrodo e a peça. De início não há passagem de corrente, já que o dielétrico atua como isolante. Quando o espaço entre a peça e a ferramenta é diminuído até uma distância determinada (GAP), o dielétrico passa a atuar como condutor, formando uma ponte de íons entre o eletrodo e a peça. O processo de usinagem ocorre simultaneamente na peça e no eletrodo. Com ajustes da máquina, é possível controlar a erosão, de modo que se obtenha até 99,5% de erosão na peça e 0,5% no eletrodo. O tamanho da GAP pode determinar a rugosidade da superficie da peça. Com um GAP baixo, o tempo de usinagem é menor, mas a rugosidade é maior. Já um GAP mais alto implica maior tempo de usinagem e menor rugosidade da superfície. O fornecimento de corrente é interrompido pelo afastamento do eletrodo. O dielétrico atua na limpeza das partículas fundidas e ainda refrigera a superfície usinada. O ciclo recomeça com a reaproximação do eletrodo até a distância GAP, provocando uma nova descarga (Cruz et al., 999). Figura : Esquema simplificado do processo de eletroerosão (Cruz et al., 999). O caso em estudo, que visa modelar a usinagem de um furo com alta precisão, foi escrito considerando duas funções objetivo: a minimização do desgaste do eletrodo δ em porcentagem, Equação 0, e do consumo potência elétrica N em W, Equação. δ 8,509 5,634 0,349 ln t 0,335 ln 0 + 0,9 ln + 0,74 ln 3,76 0,55ln 0 0,344 ln + 0,53 ln = e I i t φ g t φ g ti 3,609,045 lnφ + 0,07 ln g,9 0,7ln g 3,0 t0 φ g (0) N 0.663,34 0,066 ln t 0,9 ln 0,40 ln 0,053 ln 0,300,07ln 0,048 ln 0,06 ln e I i t0 + φ + g t t 0 φ + g = i 0,845 0,97 lnφ 0,058 ln g 0,557 0,003 ln g 0,005 t0 φ g () As variáveis de projeto foram: duração do pulso elétrico t i em μs, o intervalo de tempo do pulso t 0 em μs, a corrente de descarga I em A, o diâmetro da perfuração φ em mm e a profundidade da perfuração g em mm, sujeitas às seguintes restrições laterais: 500 t i 000 ; 5 t 0 50 ; 50 φ 70 ; 5 g 0 ; 64 I 8 () Conforme a Equação 8, foram obtidas as soluções ideais para o caso em estudo, sendo que os resultados encontrados são mostrados na Tabela, considerando: Caso - δ o = min δ e Caso - N = min N. 7

8 Neste trabalho, para resolução do problema com restrição através da aplicação do método do multiplicador de Lagrange aumentado (MMLA), utilizou-se a subrotina constr do Matlab. Enquanto que, para aplicação dos algoritmos genéticos, utilizou-se a sub-rotina GAOT do Matlab. Em cada aplicação do método foi considerada uma população de 80 indivíduos e 00 gerações, sendo executadas 30 iterações do método, escolhendo-se o melhor valor (Grace, 99). Tabela : Resultados obtidos para soluções ideais. MMLA (constr) Algoritmos Genéticos (GAOT) Pontos Iniciais Caso Caso Caso Caso I (A) t i (μs) t 0 (μs) φ (mm) g (mm) δ (%),6698 0,980,947 0,980,947 N (W) 560,3 3604, 806,5 3604, 806,5 f 0-0, ,5 0, ,5 Tabela : Resultados obtidos com o Método da Ponderação dos Objetivos para o problema da usinagem de um metal por descarga elétrica, utilizando-se MMLA. I t w w t (A) i (μs) 0 φ g Tempo Δ (%) N (W) (μs) (mm) (mm) (s) K f(x),0 0, , ,50 38,7 0, ,055 0,9 0, , , ,3 0, ,0984 0,8 0, , , ,3 0, ,937 0,7 0, , , ,4 0, ,3075 0,6 0, , , ,9 0, ,334 0,5 0, , ,670 38, 0, ,3556 0,4 0, , , , 0, ,3770 0,3 0, , , ,3 0, ,940 0, 0, , , ,5 3, ,000 0, 0, , , ,5 0,90 0,000 0,0, , , ,5 53, ,*0-6 Tabela 3: Resultados obtidos com o Método da Ponderação dos Objetivos para o problema da usinagem de um metal por descarga elétrica, utilizando-se algoritmos genéticos. I t w w t (A) i (μs) 0 φ g Tempo δ (%) N (W) (μs) (mm) (mm) (s) K f(x),0 0, , , , 6, ,7*0-5 0,9 0, , , ,3 6, ,0984 0,8 0, , , ,3 7, ,937 0,7 0, , , ,0 9, ,790 0,6 0,4 64 5, , ,8 7, ,394 0,5 0, , , ,4 7, ,356 0,4 0, , , , 7, ,345 0,3 0, , , ,3 8, ,940 0, 0, , , ,5 4, ,000 0, 0, , , ,5 5, ,000 0,0, , , ,5 6, ,*0-6 8

9 Figura : Conjunto ótimo de Pareto para o problema da usinagem de um metal por descarga elétrica usando o método da Ponderação dos Objetivos e MMLA. Figura 3: Conjunto ótimo de Pareto para o problema da usinagem de um metal por descarga elétrica usando o método da Ponderação dos Objetivos e algoritmos genéticos. Para a solução do problema de otimização definido nas Equações 0 a, utilizou-se o método da ponderação dos objetivos proposto na Equação 7, sendo os valores ideais mostrados na Tabela. Observando os resultados apresentados nas Tabelas e 3, verifica-se que os valores ótimos obtidos foram sensíveis à variação dos coeficientes de ponderação w i conforme mostrado nas Figuras e 3, que representam a curva do conjunto ótimo de Pareto. Na Figura 4 é possível visualizar as funções objetivos encontradas pelos dois métodos - MMLA e algoritmos genéticos, de acordo com a variação do coeficiente de ponderação w. Observando-se a Figura 4, é possível notar que o valor da função objetivo encontrada pelos algoritmos genéticos foi coincidente ou menor que o apresentado pelo MMLA. Dessa forma, os algoritmos genéticos se mostraram como um método mais eficiente na resolução do problema de usinagem. No entanto, como já era esperado, este método, por ser randômico, necessita de um número de iterações maior que o MMLA, que é um método seqüencial. Figura 4: Funções objetivos apresentada por MMLA e algoritmos genéticos, conforme a variação do coeficiente de ponderação w. 9

10 8. CONCLUSÃO Neste trabalho, métodos de otimização foram estudados e aplicados na otimização de um problema de usinagem por descarga elétrica. Os algoritmos genéticos obtiveram resultados coincidentes ou melhores que os encontrados pelo MMLA. As técnicas utilizadas se mostraram, portanto, como ferramentas eficientes na solução de problemas de engenharia. 9. AGRADECIMENTOS Este trabalho teve apoio do PIBIC/CNPq/UFU. 0. REFERÊNCIAS Cruz, C., Malaquias, E. S. and Fernandes, L. A, 999, Introdução à usinagem não tradicional, Uberlândia-MG: DEEME, UFU, p Deb, K, 00, Multi-objetive optimization using Evolutionary Algorithms, John Wiley & Sons. Eschenauer, H., Koski, J. and Osyczka, A, 990, Multicriteria Design Optimization, Berlin, Springer-Verlag. Goldberg, D. E, 989, Genetic Algorithms in Search, Optimization, and Machine Learning, Reading, MA: Addison-Wesley. Grace, A, 99, Optimization Toolbox- For use with Matlab, The Math Works Inc., Natick. Haupt, R. L. and Haupt, S. E., 004, Practical Genetic Algorithms, Wiley-Interscience Publication, New York. Vanderplaats, G. N, 999, Numerical Optimization Techniques for Engineering Design, Colorado Springs, CO: Vanderplaats Research & Development, Inc., 3. ed. STUDY OF OPTIMIZATION METHODS APPLIED IN ENGINEERING PROBLEMS Simone Pereira Saramago Faculdade de Engenharia Mecânica, UFU, Av. João Naves de Ávila, 60, Santa Mônica, Uberlândia, MG, Brasil. sisaramago@gmail.com Valder Steffen Jr. Faculdade de Engenharia Mecânica, UFU, Av. João Naves de Ávila, 60, Santa Mônica, Uberlândia, MG, Brasil. vsteffen@mecanica.ufu.br Abstract: The objective of this work is to present a study of optimization methods and applying them to solve an engineering problem. 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 example, these techniques are applied 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. Keywords: Optimization, deterministic methods, heuristic methods, multi-objective problem. 0

Av. João Naves de Ávila, 2160, Santa Mônica, Uberlândia, MG, Brasil.

Av. João Naves de Ávila, 2160, Santa Mônica, Uberlândia, MG, Brasil. INTRODUÇÃO ÀS TÉCNICAS DE OTIMIZAÇÃO EM ENGENHARIA SIMONE PEREIRA SARAMAGO, VALDER STEFFEN JR. Resumo: O obetivo deste trabalho é apresentar um estudo sobre os métodos de otimização e aplicá-los na solução

Leia mais

4 Implementação Computacional

4 Implementação Computacional 4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)

Leia mais

DEPARTAMENTO DE ENGENHARIA MECÂNICA

DEPARTAMENTO DE ENGENHARIA MECÂNICA DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos

Leia mais

4 Métodos Existentes. 4.1 Algoritmo Genético

4 Métodos Existentes. 4.1 Algoritmo Genético 61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser

Leia mais

BCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017

BCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira   22 de novembro de 2017 BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro

Leia mais

)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD

)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD )XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios

Leia mais

Sistemas de Apoio à Decisão Optimização V 2.0, V.Lobo, EN/ISEGI, 2011

Sistemas de Apoio à Decisão Optimização V 2.0, V.Lobo, EN/ISEGI, 2011 V.0, V.Lobo, EN/ISEGI, 0 ópicos Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Métodos matemáticos clássicos Método de Monte Carlo Hill- Climbing Simulated Annealing Algoritmos Genéticos

Leia mais

Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn

Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?

Leia mais

Optimização Não-linear

Optimização Não-linear Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este

Leia mais

Métodos de pesquisa e Optimização

Métodos de pesquisa e Optimização Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios

Leia mais

Prof. Flávio Vinícius Cruzeiro Martins

Prof. Flávio Vinícius Cruzeiro Martins Prof. Flávio Vinícius Cruzeiro Martins Os mecanismos de otimização tratam da questão de determinar a melhor solução de problemas abstratos. Abordagem Escalar = mono-objetivo. O mecanismo de otimização

Leia mais

Otimização Multiobjetivo

Otimização Multiobjetivo Otimização Multiobjetivo Otimização Restrita Prof. Frederico Gadelha Guimarães Lucas S. Batista Eduardo G. Carrano Universidade Federal de Minas Gerais Programa de Pós-Graduação em Engenharia Elétrica,

Leia mais

Optimização Não-linear

Optimização Não-linear Problemas de optimização não-linear Optimização Não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=x +log(x )*sin(x x ), com x -x! < 0 Não existem métodos universais para este tipo de

Leia mais

Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO

Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de

Leia mais

Marina Andretta. 02 de agosto de 2010

Marina Andretta. 02 de agosto de 2010 Introdução Marina Andretta ICMC-USP 02 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 02 de agosto de 2010 1 / 19 Otimização Otimizar significa encontrar a melhor maneira

Leia mais

O USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES

O USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES O USO DE ALGORITMOS GENÉTICOS PARA DETERMINAR ZEROS DE FUNÇÕES NÃO LINEARES RESUMO Ediany Batista Silva Universidade Católica de Brasília Curso de Matemática Os algoritmos genéticos utilizam conceitos

Leia mais

Métodos modernos de pesquisa e Optimização

Métodos modernos de pesquisa e Optimização Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios

Leia mais

II. Funções de uma única variável

II. Funções de uma única variável II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado

Leia mais

OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO

OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)

Leia mais

Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:

Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante: Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000

Leia mais

Inteligência Artificial. Algoritmos Genéticos. Aula I Introdução

Inteligência Artificial. Algoritmos Genéticos. Aula I Introdução Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos

Leia mais

Estratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva

Estratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe

Leia mais

ALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR

ALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras

Leia mais

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br

Leia mais

3. Resolução de problemas por meio de busca

3. Resolução de problemas por meio de busca Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por

Leia mais

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas

Leia mais

Exemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan

Exemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)

Leia mais

Algoritmos Genéticos e Evolucionários

Algoritmos Genéticos e Evolucionários Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução

Leia mais

Redes Neurais e Sistemas Fuzzy

Redes Neurais e Sistemas Fuzzy Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização

Leia mais

Sistemas de Apoio à Decisão Optimização V 1.0, V.Lobo, EN/ISEGI, 2005

Sistemas de Apoio à Decisão Optimização V 1.0, V.Lobo, EN/ISEGI, 2005 Métodos modernos de pesquisa e Optimização Victor Lobo Introdução Problema de optimização Dada uma função f(x) encontrar o seu óptimo (máximo ou mínimo) Cada um faz a sua pesquisa!!! Problema de pesquisa

Leia mais

Máquinas de Vetores de Suporte

Máquinas de Vetores de Suporte Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização

Leia mais

ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS

ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS Laercio Brito Gonçalves, Marco Aurélio Cavalcante Pacheco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada

Leia mais

MÉTODO NUMÉRICO PARA A DETERMINAÇÃO DO MÓDULO DE TENACIDADE DE MATERIAIS A PARTIR DE ENSAIOS DE TRAÇÃO

MÉTODO NUMÉRICO PARA A DETERMINAÇÃO DO MÓDULO DE TENACIDADE DE MATERIAIS A PARTIR DE ENSAIOS DE TRAÇÃO MÉTODO NUMÉRICO PARA A DETERMINAÇÃO DO MÓDULO DE TENACIDADE DE MATERIAIS A PARTIR DE ENSAIOS DE TRAÇÃO Autores: Pedro Henrique Gwiggner SERIGHELLI 1, Cristiano José TURRA 2, David Roza JOSÉ 3. 1 Graduando

Leia mais

Métodos para resolver problemas de otimização restrita

Métodos para resolver problemas de otimização restrita Métodos para resolver problemas de otimização restrita Marina Andretta ICMC-USP 22 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 22 de novembro de 2010 1 / 13 Problema

Leia mais

Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008

Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.

Leia mais

4 Metáforas de Optimização

4 Metáforas de Optimização 4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,

Leia mais

3 Algoritmos Genéticos

3 Algoritmos Genéticos Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação

Leia mais

Teoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016

Teoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016 Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização

Leia mais

pontos: f(1)=2, f(2)=3, f(3)=5, f(5)=10 e f(6)=30.

pontos: f(1)=2, f(2)=3, f(3)=5, f(5)=10 e f(6)=30. EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: SEGUNDO BIMESTRE: EDGARD JAMHOUR Eemplo A: Interpolação polinomial Funções de interpolação: fa() = 2 - /2 + 2 /2 fb() = 5/2-17/12 + 2-3 /12 fc() = 23/2-1183/60 +133

Leia mais

Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto

Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca

Leia mais

Codificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações

Codificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática

Leia mais

Computação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural

Computação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/

Leia mais

Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva

Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente

Leia mais

1. Computação Evolutiva

1. Computação Evolutiva Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais

Leia mais

Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório

Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório https://eventos.utfpr.edu.br//sicite/sicite2017/index Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório RESUMO Iolanda Ortiz Bernardes ibernardes@alunos.utfpr.edu.br Estudante

Leia mais

Otimização Aplicada à Engenharia de Processos

Otimização Aplicada à Engenharia de Processos Otimização Aplicada à Engenharia de Processos Aula 2: Programação Matemática Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013

Leia mais

MÉTODO NUMÉRICO PARA A DETERMINAÇÃO DO MÓDULO DE TENACIDADE DE MATERIAIS A PARTIR DE ENSAIOS DE TRAÇÃO

MÉTODO NUMÉRICO PARA A DETERMINAÇÃO DO MÓDULO DE TENACIDADE DE MATERIAIS A PARTIR DE ENSAIOS DE TRAÇÃO MÉTODO NUMÉRICO PARA A DETERMINAÇÃO DO MÓDULO DE TENACIDADE DE MATERIAIS A PARTIR DE ENSAIOS DE TRAÇÃO Autores: Pedro Henrique Gwiggner SERIGHELLI 1, Cristiano José TURRA 1, David Roza JOSÉ 2. 1 Graduando

Leia mais

Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos. Niterói, 12 de Maio de 2018

Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos. Niterói, 12 de Maio de 2018 Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos Niterói, 12 de Maio de 2018 Realização 2 Realização 3 Programação: manhã 9:30h-10:30H VISÃO GERAL: OTIMIZAÇÃO E INTELIGÊNCIA COMPUTACIONAL

Leia mais

ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP

ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP Gilson Rogério Batista, Gideon Villar Leandro Universidade Regional do Noroeste do Estado do Rio

Leia mais

11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados

11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)

Leia mais

INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira

INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação

Leia mais

Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP

Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como

Leia mais

PEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização

PEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE

Leia mais

Teoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba

Teoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista.  lusoba Teoria da Decisão Otimização Vetorial Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução

Leia mais

Universidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada

Universidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada Universidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada Introdução à teoria de otimização Tiago de Souza Farias 23 de

Leia mais

FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD

FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira

Leia mais

7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos

7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos 7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos 7.. Introdução Este capítulo analisa o problema de decisão de investimento num projeto sujeito a incertezas

Leia mais

Notas em Matemática Aplicada 6

Notas em Matemática Aplicada 6 Notas em Matemática Aplicada 6 Editado por Eliana X.L. de Andrade Universidade Estadual Paulista-UNESP São José do Rio Preto, SP, Brasil Rubens Sampaio Pontifícia Universidade Católica do Rio de Janeiro

Leia mais

Cálculo Numérico BCC760

Cálculo Numérico BCC760 Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita

Leia mais

Método do Lagrangiano aumentado

Método do Lagrangiano aumentado Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos

Leia mais

UNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição

UNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos

Leia mais

ALGUMS MÉTODOS CLÁSSICOS DE OTIMIZAÇÃO

ALGUMS MÉTODOS CLÁSSICOS DE OTIMIZAÇÃO ALGUMS MÉTODOS CLÁSSICOS DE OTIMIZAÇÃO Pedro Henrique Rodrigues da Silva, pedro henrique-02@hotmailcom 1 Milena Almeida Leite Brandão, milena@pontalufubr 1 1 Universidade Federal de Uberlândia, Faculdade

Leia mais

CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro

CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...

Leia mais

Algoritmos Evolutivos Canônicos

Algoritmos Evolutivos Canônicos Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição

Leia mais

IF-705 Automação Inteligente Algoritmos Evolucionários

IF-705 Automação Inteligente Algoritmos Evolucionários IF-705 Automação Inteligente Algoritmos Evolucionários Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br

Leia mais

Pesquisa Operacional Aplicada à Mineração

Pesquisa Operacional Aplicada à Mineração Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação

Leia mais

Otimização Aplicada à Engenharia de Processos

Otimização Aplicada à Engenharia de Processos Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013

Leia mais

INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira

INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias

Leia mais

Otimização Combinatória - Parte 4

Otimização Combinatória - Parte 4 Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional

Leia mais

DINÂMICA DO SISTEMA CARRO-PÊNDULO

DINÂMICA DO SISTEMA CARRO-PÊNDULO DINÂMICA DO SISTEMA CARRO-PÊNDULO Rafael Alves Figueiredo 1 Universidade Federal de Uberlândia Av. João Naves de Ávila, 2121, Santa Mônica, Uberlândia, MG, Brasil. rafamatufu@yahoo.com.br Márcio José Horta

Leia mais

Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos

Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica

Leia mais

Teoria da Decisão. Abordagem Clássica para Tomada de Decisão Multicritério. Prof. Lucas S. Batista.

Teoria da Decisão. Abordagem Clássica para Tomada de Decisão Multicritério. Prof. Lucas S. Batista. Teoria da Decisão Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Abordagem Bellman-Zadeh Sumário

Leia mais

Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos

Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de

Leia mais

Otimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana

Otimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização

Leia mais

Introdução aos Algoritmos Genéticos

Introdução aos Algoritmos Genéticos Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos

Leia mais

2 Métodologia para a Resolução do NEP

2 Métodologia para a Resolução do NEP Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Algoritmos para o Problema de Equilíbrio de Nash Euda Mara da Silva Ferreria Universidade Federal do Paraná, UFPR, Curitiba, PR E-mail: diretoria@facel.com.br

Leia mais

ENG-418 OTIMIZAÇÃO DE PROCESSOS QUÍMICOS

ENG-418 OTIMIZAÇÃO DE PROCESSOS QUÍMICOS Universidade Federal da Bahia - UFBA Escola Politécnica EP Departamento de Engenharia Química - DEQ Laboratório de Controle e Otimização de Processos Industriais - LACOI Disciplina: Otimização de Processos

Leia mais

TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira

TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento

Leia mais

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de

Leia mais

3 Aprendizado por reforço

3 Aprendizado por reforço 3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina

Leia mais

Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid

Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid 1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método

Leia mais

INTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR

INTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma

Leia mais

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO

Leia mais

Capítulo 5 - Optimização Não-Linear

Capítulo 5 - Optimização Não-Linear Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia

Leia mais

II Seminário da Pós-graduação em Engenharia Elétrica

II Seminário da Pós-graduação em Engenharia Elétrica UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista

Leia mais

Técnicas de Inteligência Artificial

Técnicas de Inteligência Artificial Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora

Leia mais

Optimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança

Optimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada

Leia mais

Matemática Aplicada Mestrados em Engenharia Industrial e Engenharia Química

Matemática Aplicada Mestrados em Engenharia Industrial e Engenharia Química Matemática Aplicada Mestrados em Engenharia Industrial e Engenharia Química Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 1 o Semestre 2007/2008

Leia mais

DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB

DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,

Leia mais

Métodos de Pesquisa Operacional

Métodos de Pesquisa Operacional Métodos de Pesquisa Operacional Programação Linear é a parte da Pesquisa Operacional que trata da modelagem e resolução de problemas formulados com funções lineares. Programação Linear } Métodos de Resolução

Leia mais

Máquinas de Vetores de Suporte

Máquinas de Vetores de Suporte Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)

Leia mais

3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos

3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos 27 3 Algoritmos Evolucionários 3.1 Algoritmos Genéticos Essencialmente, Algoritmos Genéticos são métodos de busca e otimização que tem sua inspiração nos conceitos da teoria de seleção natural das espécies

Leia mais

Tópicos Especiais em Otimização

Tópicos Especiais em Otimização Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender

Leia mais

Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões.

Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Edgard Jamhour Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Procura encontrar soluções ótimas ou próximo de ótimas para problemas de engenharia industrial, economia e finanças,

Leia mais

INTRODUÇÃO AOS MÉTODOS NUMÉRICOS. Solução de Sistemas Lineares

INTRODUÇÃO AOS MÉTODOS NUMÉRICOS. Solução de Sistemas Lineares INTRODUÇÃO AOS MÉTODOS NUMÉRICOS Solução de Sistemas Lineares Introdução Uma variedade de problemas de engenharia pode ser resolvido através da análise linear; entre eles podemos citar: determinação do

Leia mais

1. Computação Evolutiva

1. Computação Evolutiva Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da

Leia mais

3 Computação Evolucionária

3 Computação Evolucionária 34 3 Computação Evolucionária Computação Evolucionária compreende diversos algoritmos inspirados no princípio Darwiniano da evolução das espécies e na genética. São algoritmos probabilísticos, que fornecem

Leia mais

O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR RESUMO INTRODUÇÃO

O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR RESUMO INTRODUÇÃO O USO DE ALGORITMOS GENÉTICOS NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR Douglas Peioto de Carvalho,Miquéias Augusto Ferreira Nantes (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)

Leia mais