No description available.

No description available.

A minimização de massa de estruturas metálicas unifilares (como treliças) é um problema comum em projetos estruturais. Neste caso as áreas das seções transversais das barras podem ser assumidas como as variáveis de projeto para o dimensionamento estrutural de uma treliça. As estruturas estão sujeitas a critérios de normas a serem verificados e as variáveis de projeto (seções das áreas transversais), que podem ser contínuas ou discretas, oferecem uma grande variedade de combinações na solução do projeto. O uso da otimização objetiva selecionar as variáveis de projeto de uso comercial para obter um projeto eficiente (dentro dos limites estabelecidos em Normas) e ao mesmo tempo com massa minimizada. Neste trabalho utilizou-se o método do Algoritmo Genético fazendo utilização e modificações nos parâmetros do toolbox de Algoritmo Genéticos do MATLAB para obter a otimização de treliças tanto planas como espaciais. Através da otimização obtém-se uma massa mínima, levando em consideração restrições e critérios baseados em dados da literatura, os quais foram demonstrados e desenvolvidos através de exemplos numéricos para validação da metodologia proposta. Estudos paramétricos são utilizados para traçar indicações de sugestão na escolha dos parâmetros do método que melhor irá se adequar à proposta de minimização da massa. Por fim é apresentado um exemplo mais realista de uma estrutura de treliça espacial a qual é otimizada em termos das restrições impostas pela nova norma NBR8800:2008 e os resultados são comparados com aqueles obtidos através de um software comercial. / The structural mass minimization of steel truss structures is a common task in the structural design. The beam cross sectional areas can be assumed as design variables which represent the final structural design of a truss. The structures are ruled by rigid standard criteria that must be attended and the design variables (such as cross sectional areas), which could be continuous or discrete, offer a large variety combination in the project’s choice. The optimization procedure aims at the design variable evaluation using available commercial cross sectional areas to attain an efficient project (bounded by Standard prescriptions) and at the same time with reduced mass. In this work it is used the Genetic Algorithm method, using and modifying parameters of the Matlab’s Genetic Algorithm toolbox to reach minimum mass for plane and spatial trusses. This optimization accounts for constraints and criteria based on literature, which were used to develop and analyze through numerical examples to validate the proposed methodology. Parametric studies are used to draw suggestions regarding the algorithm’s parameters choice that best fits to the proposed task. At last it is presented a realistic spatial truss which is optimized taking into account NBR8800:2008 standard constraints and the results are compared against commercial software.

A minimização de massa de estruturas metálicas unifilares (como treliças) é um problema comum em projetos estruturais. Neste caso as áreas das seções transversais das barras podem ser assumidas como as variáveis de projeto para o dimensionamento estrutural de uma treliça. As estruturas estão sujeitas a critérios de normas a serem verificados e as variáveis de projeto (seções das áreas transversais), que podem ser contínuas ou discretas, oferecem uma grande variedade de combinações na solução do projeto. O uso da otimização objetiva selecionar as variáveis de projeto de uso comercial para obter um projeto eficiente (dentro dos limites estabelecidos em Normas) e ao mesmo tempo com massa minimizada. Neste trabalho utilizou-se o método do Algoritmo Genético fazendo utilização e modificações nos parâmetros do toolbox de Algoritmo Genéticos do MATLAB para obter a otimização de treliças tanto planas como espaciais. Através da otimização obtém-se uma massa mínima, levando em consideração restrições e critérios baseados em dados da literatura, os quais foram demonstrados e desenvolvidos através de exemplos numéricos para validação da metodologia proposta. Estudos paramétricos são utilizados para traçar indicações de sugestão na escolha dos parâmetros do método que melhor irá se adequar à proposta de minimização da massa. Por fim é apresentado um exemplo mais realista de uma estrutura de treliça espacial a qual é otimizada em termos das restrições impostas pela nova norma NBR8800:2008 e os resultados são comparados com aqueles obtidos através de um software comercial. / The structural mass minimization of steel truss structures is a common task in the structural design. The beam cross sectional areas can be assumed as design variables which represent the final structural design of a truss. The structures are ruled by rigid standard criteria that must be attended and the design variables (such as cross sectional areas), which could be continuous or discrete, offer a large variety combination in the project’s choice. The optimization procedure aims at the design variable evaluation using available commercial cross sectional areas to attain an efficient project (bounded by Standard prescriptions) and at the same time with reduced mass. In this work it is used the Genetic Algorithm method, using and modifying parameters of the Matlab’s Genetic Algorithm toolbox to reach minimum mass for plane and spatial trusses. This optimization accounts for constraints and criteria based on literature, which were used to develop and analyze through numerical examples to validate the proposed methodology. Parametric studies are used to draw suggestions regarding the algorithm’s parameters choice that best fits to the proposed task. At last it is presented a realistic spatial truss which is optimized taking into account NBR8800:2008 standard constraints and the results are compared against commercial software.

A minimização de massa de estruturas metálicas unifilares (como treliças) é um problema comum em projetos estruturais. Neste caso as áreas das seções transversais das barras podem ser assumidas como as variáveis de projeto para o dimensionamento estrutural de uma treliça. As estruturas estão sujeitas a critérios de normas a serem verificados e as variáveis de projeto (seções das áreas transversais), que podem ser contínuas ou discretas, oferecem uma grande variedade de combinações na solução do projeto. O uso da otimização objetiva selecionar as variáveis de projeto de uso comercial para obter um projeto eficiente (dentro dos limites estabelecidos em Normas) e ao mesmo tempo com massa minimizada. Neste trabalho utilizou-se o método do Algoritmo Genético fazendo utilização e modificações nos parâmetros do toolbox de Algoritmo Genéticos do MATLAB para obter a otimização de treliças tanto planas como espaciais. Através da otimização obtém-se uma massa mínima, levando em consideração restrições e critérios baseados em dados da literatura, os quais foram demonstrados e desenvolvidos através de exemplos numéricos para validação da metodologia proposta. Estudos paramétricos são utilizados para traçar indicações de sugestão na escolha dos parâmetros do método que melhor irá se adequar à proposta de minimização da massa. Por fim é apresentado um exemplo mais realista de uma estrutura de treliça espacial a qual é otimizada em termos das restrições impostas pela nova norma NBR8800:2008 e os resultados são comparados com aqueles obtidos através de um software comercial. / The structural mass minimization of steel truss structures is a common task in the structural design. The beam cross sectional areas can be assumed as design variables which represent the final structural design of a truss. The structures are ruled by rigid standard criteria that must be attended and the design variables (such as cross sectional areas), which could be continuous or discrete, offer a large variety combination in the project’s choice. The optimization procedure aims at the design variable evaluation using available commercial cross sectional areas to attain an efficient project (bounded by Standard prescriptions) and at the same time with reduced mass. In this work it is used the Genetic Algorithm method, using and modifying parameters of the Matlab’s Genetic Algorithm toolbox to reach minimum mass for plane and spatial trusses. This optimization accounts for constraints and criteria based on literature, which were used to develop and analyze through numerical examples to validate the proposed methodology. Parametric studies are used to draw suggestions regarding the algorithm’s parameters choice that best fits to the proposed task. At last it is presented a realistic spatial truss which is optimized taking into account NBR8800:2008 standard constraints and the results are compared against commercial software.

Resumo O presente trabalho teve como objetivo a obtenção e implementação de um algoritmo de geração de um classificador, no contexto da Mineração de Dados. Este classificador utilizou Algoritmos Genéticos (AGs). Alguns dos fundamentos que justificaram a escolha deste paradigma, foram baseados em sua grande capacidade em lidar com ruídos, dados inválidos ou imprecisos e, sua facilidade de adaptação frente à diferentes domínios de dados. A principal contribução do algoritmo projetado é a utilização de listas tabu restringindo o processo de seleção do AG. Esta restrição permite gerar um conjunto de regras potenciais para o classificador. Este tipo de estrategia foi proposta recentemente para trabalhar com funções multimodais e ainda não tinha sido avaliado seu comportamento no contexto de mineração de dados. Para análise da eficiência do algoritmo implementado foram realizados testes em cinco bases de dados, e os resultados comparados a 34 algoritmos classificadores. Posteriormente, foram realizados testes com adição de ruídos nas bases de dados. O algoritmo implementado demonstrou ser efeciente e robusto. A estratégia utilizada para manter a diversidade do AGs se mostrou válida, pois mesmo na utilização de populações menores, o algoritmo conseguiu manter sua precisão de classificação. A maior dificuldade encontrada no algoritmo foi o ajuste da medida de distância, parâmetro utilizado para as listas Tabu, o que afetou diretamente os resultados da precisão de classificação do algoritmo.

Resumo: A produção de grades horárias em instituições de ensino é uma tarefa complexa e de difícil solução, pois, neste contexto, existem muitas restrições necessárias à validade e aplicabilidade das respostas produzidas. Na literatura, a produção de grades horárias e, na verdade, uma das variações de timetabling, o qual, em essência, é um problema de escalonamento de eventos em um periodo finito de tempo, sujeito a restrições, como por exemplo, tempo, recursos humanos disponíveis (professores), recursos físicos existentes (salas de aula) e atividades a serem desenvolvidas (exames, aulas, entre outros). Para solucionar esse problema e automatizar o processo, abordagens de Inteligência Artificial têm sido aplicadas com sucesso, mais especificamente, os métodos da Computação Evolutiva. A computação evolutiva define uma classe de algoritmos que modelam computacionalmente os conceitos da teoria da Evolução de Charles Darwin. Esses algoritmos aplicam operadores genéticos sobre populações de indivíduos, visando à produção de indivíduos mais aptos que os antigos. Como resultado, obtêm-se indivíduos ou soluções candidatas com um alto grau de aptidão para solucionar um problema específico. O objetivo principal deste trabalho é estudar e implementar uma solução para o problema de Geração de Grades Horárias, com base na Computação Evolutiva. O método evolutivo escolhido é denominado Algoritmo Coevolutivo Cooperativo. Esse método subdivide um problema complexo em problemas menores, sendo que cada um deles é representado por uma população pertencente ao dominio do problema. Cada uma dessas populações possui características individuais e, no processo, todas evoluem paralelamente, de maneira cooperativa, por meio de sucessivas aplicações de operadores genéticos. Ao final do processo, os representantes de cada uma das populações formam, em conjunto, uma solução completa. Para verificar a validade do método para a resolução do problema em estudo, implementou-se um algoritmo cooperativo. Os resultados dos experimentos mostraram que algoritmos cooperativos são ferramentas poderosas, capazes de resolver problemas complexos de otimização numérica sujeitos a restrições.

Este trabalho apresenta uma revisão bibliográfica atualizada sobre duas grandes áreas da Inteligência Artificial: Planejamento e Algoritmos Genéticos. A pesquisa se estende pela criação de modelos genéticos implementados em um sistema planejador dedicado à resolução de uma conhecida classe de problemas de planejamento, usando bibliotecas de código de domínio público em ambas as áreas. Uma análise dos resultados motivou a remodelagem e nova implementação, alterando a plataforma e o sistema operacional e reescrevendo o código sem o uso das bibliotecas de domínio público. O modelo foi readaptado e ajustado conforme os resultados dos novos testes, para o uso de novos operadores genéticos não-convencionais, permitindo alcançar novas conclusões sobre a abordagem original proposta. Outra importante contribuição apresenta uma forma alternativa e simples de inferir tipos de objetos e parâmetros na linguagem PDDL para instancíar corretamente as ações e reduzir drasticamente o espaço de busca.

O presente trabalho abordou a simulação numérica de problemas relacionados a um tópico de grande importância na área médica: o comportamento de tecidos ósseos. Foram utilizadas ferramentas computacionais, fundamentos de Mecânica dos Sólidos e teorias baseadas em estudos e experimentos, para simular o comportamento desses tecidos vivos. Aqui se desenvolveu uma metodologia para criar modelos computacionais de ossos fazendo uso de leituras tomográficas, designando as propriedades em função do valor das densidades. A metodologia foi aplicada juntamente com algoritmos genéticos e o método dos elementos finitos para obter a melhor posição de implantes ortodônticos, visando uma homogeneização da tensão no osso na região de colocação do implante. Também foi possível fazer uma comparação entre modelos utilizados na literatura e o desenvolvido aqui. Em particular, foi demonstrado que o uso de materiais isotrópicos homogêneos e materiais com propriedades variáveis de acordo com a densidade levam a resultados diferentes para a otimização da orientação do implante. Foi criado um modelo computacional de remodelamento ósseo com isotropia transversal, com base no modelo de crescimento ósseo isotrópico de Stanford e utilizando as relações constitutivas dos tecidos ósseos. Foi realizada uma comparação entre os modelos isotrópico e isotrópico transversal na simulação do processo de remodelamento ósseo, sendo possível destacar as principais diferenças entre eles. A seguir foi realizada a aplicação do remodelamento ósseo para a otimização de próteses femorais. Foram construídos modelos computacionais integrando o método dos elementos finitos, um modelo matemático do comportamento adaptativo do material ósseo e o método dos algoritmos genéticos, visando a minimização da perda de massa óssea após a inserção de próteses em um osso hospedeiro. Foram realizadas três otimizações para combinações diferentes de parâmetros de projeto de uma prótese femoral. Na primeira, foi realizada a otimização da geometria e do módulo de Young da prótese. Na segunda, foi otimizado apenas o módulo de Young da prótese. Na terceira, foi proposto um modelo de prótese bimaterial, no qual os módulos de Young e a posição da divisão entre os materiais são os parâmetros de projeto escolhidos. A partir dos resultados obtidos, foi possível fazer comentários e sugestões sobre o material utilizado para construção de próteses femorais, bem como sobre a aplicabilidade da metodologia empregada na simulação de problemas de biomecânica. / The present work is addressed to the numerical simulation of problems related to an important topic in the medical area, namely, bone tissues. Computational methods, solid mechanics and theoretical/experimental studies were used to simulate the behavior of live bone tissues. A methodology was developed to create computational models using tomography data, assigning the mechanical properties from the corresponding densities map. The methodology was applied with genetic algorithms and the finite element method to predict the optimal position of orthodontic implants, aiming the homogenization stress in the bone. It was possible to compare some models found in literature and the one developed here. In particular, it was showed that homogeneous isotropic materials and materials with variable density result in different predictions in the optimization of the implant orientation. A computational scheme for bone remodeling was developed using three material behavior laws: transversally isotropic, isotropic Stanford model and classical constitutive relations for bone tissues. A comparison between the isotropic model and the transversally isotropic in the simulation of the bone remodeling was carried out, and the main differences between them were highlighted. Then the proposed bone remodeling scheme was applied to optimize femoral prosthesis. The computational models integrated the finite element method, a mathematical model to describe the behavior of adaptive bone material, and the genetic algorithm. The optimization aimed reduction of bone absorption after the insertion of a prosthesis in a bone host. Three cases of cemented femoral prosthesis were optimized. In the first case, the Young Modulus and geometry of the prosthesis were selected as design variable. In the second case, only the Young Modulus was used as design variable. In the third case, a bi-material prosthesis was proposed was proposed and optimized. Conclusions about the applicability of the proposed formulation for the simulation of biomechanics problems are drawn.

Este trabalho demonstra a utilização da Otimização Paramétrica através da técnica de Algoritmos Genéticos. O método proposto é testado no modelo de uma estrutura utilizada para o carregamento de granéis sólidos em porões de navios graneleiros. A otimização tem dois objetivos principais: a redução de massa total e a redução das máximas tensões absolutas atuantes no modelo, utilizando restrições de flambagem e de deslocamento. A otimização paramétrica modifica as propriedades da seção transversal de cada elemento que compõe o modelo, baseada em uma lista discreta de perfis disponíveis definida pelo usuário. A otimização inicia com um modelo solucionado através do Método dos Elementos Finitos (MEF), utilizando a formulação de elementos de viga. As variáveis de saída do modelo numérico, entre elas as tensões máximas devido à tração, compressão, flexão e torção são calculadas, bem como os deslocamentos e fatores de flambagem da estrutura. Os dados de saída selecionados para representar este modelo inicial são direcionados para o algoritmo genético. As melhores opções da população inicial são combinadas para criar uma nova geração, utilizando o Algoritmo Genético NSGA-II (Nondominated Sorting Genetic Algorithms). Todo o processo é repetido até que o algoritmo atinja o número máximo de geração proposto pelo usuário. Uma vez que os dois objetivos da otimização são contraditórios (minimização de massa e tensão), uma fronteira de Pareto, também conhecida como curva de eficiência, é encontrada com os resultados obtidos, permitindo que o usuário possa escolher nesta fronteira a opção que mais lhe convêm. Ao final do trabalho, os resultados mostram que a otimização estrutural foi bem sucedida e a comparação com o modelo original ilustra as modificações propostas pelo algoritmo de otimização. / The proposed work is a Parametric Optimization study carried out by means of a Genetic Algorithm and applied to a structural problem. The method is tested over a common type of structure used in equipments that load bulk materials into the ship’s hold. The optimization process has two main objectives: reduce the whole structural mass and reduce the model maximum absolute stresses, using buckling and displacement constrains. The parametric optimization changes the cross section properties of each structural element in the frame model, based on a discrete list of available profiles defined by the user. The optimization starts with an initial configuration, which are solved by Finite Element Method (FEM) using beam elements. Output variables, including the maximum stresses due to traction, compression, bending and torsion are computed, as well as structure displacements and buckling factors. The outputs of this first population are sent back to the Genetic Algorithm. The best results are combined to create a new generation, using the NSGA II (Nondominated Sorting Genetic Algorithms). The entire process repeats until the algorithm achieved the maximum number of generations proposed by the user. Since the two optimization objectives (mass and stress reduction) are contradictory, a described Pareto frontier or a called trade-off curve is found with the results, allowing the user to choose where to place the design over this frontier. At the end of the work, results shows that an optimized structure has been achieved and a comparison to the original design illustrate the modifications proposed by the optimization algorithm.