O Método do Lagrangeano aumentado em problemas de otimização estrutural com restrições dinâmicas, bem como os conceitos matemáticos e numéricos necessários à sua compreensão são descritos. Este método resolve uma seqüência de problemas de minimização sem restrições definidos utilizando a função objetivo e as funções restrições. Um programa de computador é desenvolvido e aplicado em diversos exemplos. Alem disto, foi efetuada uma análise de sensibilidade com relação aos parâmetros utilizados no método. O método mostrou-se eficiente nas aplicações em problemas com restrições dinâmicas. / We present the method of the augmented Lagrangian in problems of scructural optimization with dynamic restrictions, as well as its mathemathical and numerical concepts. This method solves a series of unconstrained minimization problems using the objective function and the restriction functions. A computational program is implemented and applied in several examples. The augmented Lagrangian parameters senbility is analysed. The method is quite efficient in applications in optimization problems with dynamic restrictions.

O Método do Lagrangeano aumentado em problemas de otimização estrutural com restrições dinâmicas, bem como os conceitos matemáticos e numéricos necessários à sua compreensão são descritos. Este método resolve uma seqüência de problemas de minimização sem restrições definidos utilizando a função objetivo e as funções restrições. Um programa de computador é desenvolvido e aplicado em diversos exemplos. Alem disto, foi efetuada uma análise de sensibilidade com relação aos parâmetros utilizados no método. O método mostrou-se eficiente nas aplicações em problemas com restrições dinâmicas. / We present the method of the augmented Lagrangian in problems of scructural optimization with dynamic restrictions, as well as its mathemathical and numerical concepts. This method solves a series of unconstrained minimization problems using the objective function and the restriction functions. A computational program is implemented and applied in several examples. The augmented Lagrangian parameters senbility is analysed. The method is quite efficient in applications in optimization problems with dynamic restrictions.

Orientador: José Mario Martínez Pérez / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica / Made available in DSpace on 2018-08-20T09:19:13Z (GMT). No. of bitstreams: 1 Prudente_LeandrodaFonseca_D.pdf: 1307430 bytes, checksum: 6ac8a3a70af28dce0b2cd6d839b227ef (MD5) Previous issue date: 2012 / Resumo: Algoritmos de programação não-linear práticos podem convergir para pontos inviáveis mesmo quando o problema a ser resolvido é viável. Quando isso ocorre, é natural que o usuário mude o ponto inicial e/ou parâmetros algorítmicos e reaplique o método na tentativa de encontrar uma solução viável e ótima. Desta forma, o ideal é que um algoritmo não só seja eficiente em encontrar soluções viáveis, mas também que detecte rapidamente quando ele está fadado a convergir para um ponto inviável. Na tentativa de atingir esse objetivo, apresentamos modificações em um algoritmo baseado em Lagrangiano aumentado de modo que, no caso de convergência para um ponto inviável, os subproblemas são resolvidos com tolerâncias moderadas e, mesmo assim, as propriedades de convergência global são mantidas. Experimentos numéricos são apresentados / Abstract Practical Nonlinear Programming algorithms may converge to infeasible points even when the problem to be solved is feasible. When this occurs, it is natural for the user to change the starting point and/or algorithmic parameters and reapply the method in an attempt to find a feasible and optimal solution. Thus, the ideal is that an algorithm is eficient not only in finding feasible solutions, but also in quickly detecting when it is fated to converge to an infeasible point. In pursuit of this goal, we present modifications of an algorithm based on Augmented Lagrangians so that, in the case of convergence to an infeasible point, the subproblems are solved with moderate tolerances and, even then, the global convergence properties are maintained. Numerical experiments are presented / Doutorado / Matematica Aplicada / Doutor em Matemática Aplicada

Esta tese é um estudo acerca do Problema de Equilíbrio de Nash Generalizado (GNEP). Na primeira parte, faremos um resumo dos principais conceitos sobre GNEPs, a relação com outros problemas já conhecidos e comentaremos brevemente os principais métodos já feitos até esta data para resolver numericamente este tipo de problema. Na segunda parte, estudamos condições de otimalidade e condições de qualificação (CQ) para GNEPs, fazendo uma analogia como em otimização. Estendemos os conceitos de cone tangente, normal, gerado pelas restrições ativas, linearizado e polar para a estrutura dos GNEPs. Cada CQ de otimização gera dois tipos de CQ para GNEPs, sendo que a denotada por CQ-GNEP é mais forte e útil para a análise de algoritmos para GNEPs. Mostramos que as condições de qualificação para GNEPs deste tipo em alguns casos não guardam a mesma relação que em otimização. Estendemos também o conceito de Aproximadamente Karush-KuhnTucker (AKKT) de otimização para GNEPs, o AKKT-GNEP. É bem conhecido que AKKT é uma genuína condição de otimalidade em otimização, mas para o caso dos GNEPs mostramos que isto não ocorre em geral. Por outro lado, AKKT-GNEP é satisfeito, por exemplo, em qualquer solução de um GNEP conjuntamente convexo, desde que seja um equilíbrio bvariacional. Com isso em mente, definimos um método do tipo Lagrangiano Aumentado para o GNEP usando penalidades quadráticas e exponenciais e estudamos as propriedades de otimalidade e viabilidade dos pontos limites de sequências geradas pelo algoritmo. Finalmente alguns critérios para resolver os subproblemas e resultados numéricos são apresentados. / This thesis is a study about the generalized Nash equilibrium problem (GNEP). In the first part we will summarize the main concepts about GNEPs, the relationship with other known problems and we will briefly comment on the main methods already done in order to solve these problems numerically. In the second part we study optimality conditions and constraint qualification (CQ) for GNEPs making an analogy with the optimization case. We extend the concepts of the tangent, normal and generated by the active cones, linear and polar cone to the structure of the GNEPs. Each optimization CQ generates two types of CQs for GNEPs, with the one called CQ-GNEP being the strongest and most useful for analyzing the algorithms for GNEPs. We show that the qualification conditions for GNEPs of this type in some cases do not have the same relation as in optimization. We also extend the Approximate Karush- Kuhn-Tucker (AKKT) concept used in optimization for GNEPs to AKKT-GNEP. It is well known that AKKT is a genuine optimality condition in optimization but for GNEPs we show that this does not occur in general. On the other hand, AKKT-GNEP is satisfied, for example, in any solution of a jointly convex GNEP, provided that it is a b-variational equilibrium. With this in mind, we define Augmented Lagrangian methods for the GNEP, using the quadratic and the exponential penalties, and we study the optimality and feasibility properties of the sequence of points generated by the algorithms. Finally some criteria to solve the subproblems and numerical results are presented.

Made available in DSpace on 2016-12-12T20:25:13Z (GMT). No. of bitstreams: 1 Gustavo Assis da Silva.pdf: 2694304 bytes, checksum: 361de063d220eeeebb77985807d4fc22 (MD5) Previous issue date: 2016-02-22 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This work addresses the use of the topology optimization of continuum structures under uncertainties in material properties associated to stiffness. The perturbation approach is used to perform the uncertainties quantification and the midpoint method is used for the random field discretization, where a decorrelation technique is used to reduce the computational effort. The finite element method is used for the domain discretization and the SIMP approach is used as material parameterization. Two problems are analyzed: the compliance minimization with volume constraint and the volume minimization with local stress constraints. The first problem is solved by using a optimality criteria method and the second problem by using the augmented Lagrangian method with a gradient based minimization method proposed in this work. The qp approach is used to avoid the singularity phenomenon in the problem with local stress constraints. Although this approach can be used considering uncertainty in any material property associated to stiffness ,the examples in this work show uncertainty only in Young s modulus. Different correlation lengths are considered to verify its influence in the optimum topologies. It is shown that the optimum topology, in both problems analyzed, becomes more distinct from the deterministic topology when the correlation length is reduced. / Este trabalho aborda o uso da otimização topológica de estruturas contínuas sob incertezas nas propriedades do material associadas à rigidez. O método de perturbação é utilizado para a quantificação de incertezas e o método do ponto médio é utilizado para a discretização do campo aleatório, onde uma abordagem de desacoplamento é utilizada para reduzir o custo computacional. O método dos elementos finitos é utilizado para a discretização do domínio e o modelo SIMP é utilizado na parametrização material. Dois problemas são analisados: o problema de minimização de flexibilidade com restrição de volume e o problema de minimização de volume com restrição local de tensão. O primeiro problema é solucionado utilizando-se um método de critério de ótimo e o segundo problema utilizando-se o método do Lagrangiano aumentado juntamente com um método de minimização baseado em gradiente proposto neste trabalho. Considerando-se o problema com restrição local de tensão, utilizou-se a relaxação qp para evitar o fenômeno de singularidade. Embora esta abordagem possa ser utilizada considerando-se incerteza em qualquer propriedade do material associada à rigidez, os exemplos ilustrados no trabalho apresentam incerteza apenas no módulo de elasticidade. Diferentes tamanhos de correlação são considerados de forma a verificar a sua influência na topologia ótima. Verifica-se que a topologia obtida, em ambos os problemas apresentados, torna-se mais distinta da topologia determinística com a redução do tamanho de correlação.

Esta tese é um estudo acerca do Problema de Equilíbrio de Nash Generalizado (GNEP). Na primeira parte, faremos um resumo dos principais conceitos sobre GNEPs, a relação com outros problemas já conhecidos e comentaremos brevemente os principais métodos já feitos até esta data para resolver numericamente este tipo de problema. Na segunda parte, estudamos condições de otimalidade e condições de qualificação (CQ) para GNEPs, fazendo uma analogia como em otimização. Estendemos os conceitos de cone tangente, normal, gerado pelas restrições ativas, linearizado e polar para a estrutura dos GNEPs. Cada CQ de otimização gera dois tipos de CQ para GNEPs, sendo que a denotada por CQ-GNEP é mais forte e útil para a análise de algoritmos para GNEPs. Mostramos que as condições de qualificação para GNEPs deste tipo em alguns casos não guardam a mesma relação que em otimização. Estendemos também o conceito de Aproximadamente Karush-KuhnTucker (AKKT) de otimização para GNEPs, o AKKT-GNEP. É bem conhecido que AKKT é uma genuína condição de otimalidade em otimização, mas para o caso dos GNEPs mostramos que isto não ocorre em geral. Por outro lado, AKKT-GNEP é satisfeito, por exemplo, em qualquer solução de um GNEP conjuntamente convexo, desde que seja um equilíbrio bvariacional. Com isso em mente, definimos um método do tipo Lagrangiano Aumentado para o GNEP usando penalidades quadráticas e exponenciais e estudamos as propriedades de otimalidade e viabilidade dos pontos limites de sequências geradas pelo algoritmo. Finalmente alguns critérios para resolver os subproblemas e resultados numéricos são apresentados. / This thesis is a study about the generalized Nash equilibrium problem (GNEP). In the first part we will summarize the main concepts about GNEPs, the relationship with other known problems and we will briefly comment on the main methods already done in order to solve these problems numerically. In the second part we study optimality conditions and constraint qualification (CQ) for GNEPs making an analogy with the optimization case. We extend the concepts of the tangent, normal and generated by the active cones, linear and polar cone to the structure of the GNEPs. Each optimization CQ generates two types of CQs for GNEPs, with the one called CQ-GNEP being the strongest and most useful for analyzing the algorithms for GNEPs. We show that the qualification conditions for GNEPs of this type in some cases do not have the same relation as in optimization. We also extend the Approximate Karush- Kuhn-Tucker (AKKT) concept used in optimization for GNEPs to AKKT-GNEP. It is well known that AKKT is a genuine optimality condition in optimization but for GNEPs we show that this does not occur in general. On the other hand, AKKT-GNEP is satisfied, for example, in any solution of a jointly convex GNEP, provided that it is a b-variational equilibrium. With this in mind, we define Augmented Lagrangian methods for the GNEP, using the quadratic and the exponential penalties, and we study the optimality and feasibility properties of the sequence of points generated by the algorithms. Finally some criteria to solve the subproblems and numerical results are presented.

Neste trabalho propomos uma abordagem computacional especificamente talhada para a solução de problemas de programação matemática discreta-mista com restrições de equilíbrio (MPEC). Para isso, inicialmente, transformamos o MPEC discreto-misto em uma sequência de MPECs contínuos. Na formulação dos MPECs contínuos, inserimos restrições de igualdade e de desigualdades artificias, as quais nos permitem considerar as variáveis discretas como contínuas. Cada MPEC contínuo é transformado em um problema de programação não-linear (PNL) padrão. Isso é feito por meio da reformulação das restrições de complementaridade originais do MPEC contínuo em um conjunto equivalente de restrições usuais de desigualdade. As restrições de igualdade originais do PNL são tratadas por meio da função lagrangiana clássica, as restrições de igualdade artificiais associada às variáveis discretas do PNL são tratadas por meio de uma técnica variante do método de penalidades clássico e as restrições de desigualdade artificias e originais do problema são tratadas por meio do método de reescalamento não-linear integrado proposto neste trabalho. Cada PNL é resolvido por meio de uma abordagem primal-dual do método de reescalamento não-linear integrado (PDRNLI) com atualização dinâmica dos parâmetros e com a estratégia de convergência global proposta. O método PDRNLI é aplicado ao problema de fluxo de potência ótimo reativo com restrições de atuação de dispositivo de controle de tensão associado aos sistemas elétricos IEEE-14, IEEE-30 e IEEE-118 barras. Os resultados numéricos comprovam a eficiência do método PDRNLI proposto para a solução do problema. / In this work we propose a computational approach specifically tailored for solving mixed-discrete mathematical problems with equilibrium constraints (MPEC). For such a purpose, we initially transform the mixed-discrete MPEC problem into a sequence of continuous MPEC problems. In the formulation of the continuous MPECs, we insert artificial equality and inequality constraints, which allow us handling discrete variables as continuous ones. Each continuous MPEC is transformed into a standard nonlinear programming problem (NLP). This is performed by reformulating the original complementarity constraints of the continuous MPEC problems into an equivalent system of standard inequality constraints. The original equality constraints of the NLP problem are handled by means of the classical lagrangian function, while the artificial equality constraints associated with the discrete variables are handled by means of a variant of the classic penalty method. The original and artificial inequality constraints are handled by means of the integrated nonlinear rescaling method proposed in this work. Each NLP is solved by means of a primal-dual version of the integrated nonlinear rescaling approach (PDINLR), with dynamic updating of parameters together with proposed a global convergence strategy. The PDINLR method is applied to the reactive optimal power flow problem with additional constraints associated with the actuation of voltage control devices for the associated with IEEE-14, 30 and 118 bus electrical systems. Numerical results assure the efficiency of the method PDINLR proposed for solving the problem.

Métodos do tipo Lagrangiano Aumentado são muito utilizados para minimização de funções sujeitas a restrições gerais. Nestes métodos, podemos separar o conjunto de restrições em dois grupos: restrições fáceis e restrições difíceis. Dizemos que uma restrição é fácil se existe um algoritmo disponível e eficiente para resolver problemas restritos a este tipo de restrição. Caso contrário, dizemos que a restrição é difícil. Métodos do tipo Lagrangiano aumentado resolvem, a cada iteração, problemas sujeitos às restrições fáceis, penalizando as restrições difíceis. Problemas de minimização com restrições lineares aparecem com freqüência, muitas vezes como resultados da aproximação de problemas com restrições gerais. Este tipo de problema surge também como subproblema de métodos do tipo Lagrangiano aumentado. Assim, uma implementação eficiente para resolver problemas com restrições lineares é relevante para a implementação eficiente de métodos para resolução de problemas de programação não-linear. Neste trabalho, começamos considerando fáceis as restrições de caixa. Introduzimos BETRA-ESPARSO, uma versão de BETRA para problemas de grande porte. BETRA é um método de restrições ativas que utiliza regiões de confiança para minimização em cada face e gradiente espectral projetado para sair das faces. Utilizamos BETRA (denso ou esparso) na resolução dos subproblemas que surgem a cada iteração de ALGENCAN (um método de lagrangiano aumentado). Para decidir qual algoritmo utilizar para resolver cada subproblema, desenvolvemos regras que escolhem um método para resolver o subproblema de acordo com suas características. Em seguida, introduzimos dois algoritmos de restrições ativas desenvolvidos para resolver problemas com restrições lineares (BETRALIN e GENLIN). Estes algoritmos utilizam, a cada iteração, o método do Gradiente Espectral Projetado Parcial quando decidem mudar o conjunto de restrições ativas. O método do gradiente Espectral Projetado Parcial foi desenvolvido especialmente para este propósito. Neste método, as projeções são computadas apenas em um subconjunto das restrições, com o intuito de torná-las mais eficientes. Por fim, tendo introduzido um método para minimização com restrições lineares, consideramos como fáceis as restrições lineares. Incorporamos BETRALIN e GENLIN ao arcabouço de Lagrangianos aumentados e verificamos experimentalmente a eficiência e eficácia destes métodos que trabalham explicitamente com restrições lineares e penalizam as demais. / Augmented Lagrangian methods are widely used to solve general nonlinear programming problems. In these methods, one can split the set of constraints in two groups: the set of easy and hard constraints. A constraint is called easy if there is an efficient method available to solve problems subject to that kind of constraint. Otherwise, the constraints are called hard. Augmented Lagrangian methods solve, at each iteration, problems subject to the set of easy constraints while penalizing the set of hard constraints. Linearly constrained problems appear frequently, sometimes as a result of a linear approximation of a problem, sometimes as an augmented Lagrangian subproblem. Therefore, an efficient method to solve linearly constrained problems is important for the implementation of efficient methods to solve nonlinear programming problems. In this thesis, we begin by considering box constraints as the set of easy constraints. We introduce a version of BETRA to solve large scale problems. BETRA is an active-set method that uses a trust-region strategy to work within the faces and spectral projected gradient to leave the faces. To solve each iteration\'s subproblem of ALGENCAN (an augmented Lagrangian method) we use either the dense or the sparse version of BETRA. We develope rules to decide which box-constrained inner solver should be used at each augmented Lagrangian iteration that considers the main characteristics of the problem to be solved. Then, we introduce two active-set methods to solve linearly constrained problems (BETRALIN and GENLIN). These methods use Partial Spectral Projected Gradient method to change the active set of constraints. The Partial Spectral Projected Gradient method was developed specially for this purpose. It computes projections onto a subset of the linear constraints, aiming to make the projections more efficient. At last, having introduced a linearly-constrained solver, we consider the set of linear constraints as the set of easy constraints. We use BETRALIN and GENLIN in the framework of augmented Lagrangian methods and verify, using numerical experiments, the efficiency and robustness of those methods that work with linear constraints and penalize the nonlinear constraints.

Neste trabalho propomos uma abordagem computacional especificamente talhada para a solução de problemas de programação matemática discreta-mista com restrições de equilíbrio (MPEC). Para isso, inicialmente, transformamos o MPEC discreto-misto em uma sequência de MPECs contínuos. Na formulação dos MPECs contínuos, inserimos restrições de igualdade e de desigualdades artificias, as quais nos permitem considerar as variáveis discretas como contínuas. Cada MPEC contínuo é transformado em um problema de programação não-linear (PNL) padrão. Isso é feito por meio da reformulação das restrições de complementaridade originais do MPEC contínuo em um conjunto equivalente de restrições usuais de desigualdade. As restrições de igualdade originais do PNL são tratadas por meio da função lagrangiana clássica, as restrições de igualdade artificiais associada às variáveis discretas do PNL são tratadas por meio de uma técnica variante do método de penalidades clássico e as restrições de desigualdade artificias e originais do problema são tratadas por meio do método de reescalamento não-linear integrado proposto neste trabalho. Cada PNL é resolvido por meio de uma abordagem primal-dual do método de reescalamento não-linear integrado (PDRNLI) com atualização dinâmica dos parâmetros e com a estratégia de convergência global proposta. O método PDRNLI é aplicado ao problema de fluxo de potência ótimo reativo com restrições de atuação de dispositivo de controle de tensão associado aos sistemas elétricos IEEE-14, IEEE-30 e IEEE-118 barras. Os resultados numéricos comprovam a eficiência do método PDRNLI proposto para a solução do problema. / In this work we propose a computational approach specifically tailored for solving mixed-discrete mathematical problems with equilibrium constraints (MPEC). For such a purpose, we initially transform the mixed-discrete MPEC problem into a sequence of continuous MPEC problems. In the formulation of the continuous MPECs, we insert artificial equality and inequality constraints, which allow us handling discrete variables as continuous ones. Each continuous MPEC is transformed into a standard nonlinear programming problem (NLP). This is performed by reformulating the original complementarity constraints of the continuous MPEC problems into an equivalent system of standard inequality constraints. The original equality constraints of the NLP problem are handled by means of the classical lagrangian function, while the artificial equality constraints associated with the discrete variables are handled by means of a variant of the classic penalty method. The original and artificial inequality constraints are handled by means of the integrated nonlinear rescaling method proposed in this work. Each NLP is solved by means of a primal-dual version of the integrated nonlinear rescaling approach (PDINLR), with dynamic updating of parameters together with proposed a global convergence strategy. The PDINLR method is applied to the reactive optimal power flow problem with additional constraints associated with the actuation of voltage control devices for the associated with IEEE-14, 30 and 118 bus electrical systems. Numerical results assure the efficiency of the method PDINLR proposed for solving the problem.

Hoje em dia, é amplamente reconhecido que o projeto de estruturas otimizadas deve ser robusto em relação a incertezas nas forças, geometria e propriedades do material. Entretanto, existem diversas alternativas para considerar tais incertezas em problemas de otimização estrutural. Esta tese apresenta quatro formulações para lidar com incertezas no problema de otimização topológica com restrição de tensão. As três primeiras são desenvolvidas para lidar com incertezas na intensidade e direção das forças aplicadas: 1) formulação robusta probabilística, onde substituem-se as restrições de tensão originais por uma soma ponderada entre os seus valores esperados e desvios padrão, obtidos por meio do método de perturbação de primeira ordem; 2) formulação baseada em confiabilidade, onde consideram-se restrições de tensão probabilísticas; o problema é formulado por meio de uma abordagem acoplada de primeira ordem; 3) formulação robusta não probabilística, onde considera-se o pior cenário possível para as restrições de tensão; o problema é formulado com uma abordagem acoplada de otimização com anti-otimização. A quarta formulação não segue o padrão das três primeiras; diferente das demais, esta é desenvolvida para lidar com incerteza uniforme de manufatura: 4) formulação robusta de três campos, onde três topologias são consideradas de forma simultânea durante o processo de otimização, de forma a simular possíveis imperfeições que possam ocorrer devido a erros de manufatura. As quatro abordagens são bastante diferentes na forma de lidar com as incertezas; no entanto, o procedimento de solução é o mesmo: a abordagem baseada em densidade é empregada na parametrização material, enquanto que o método do Lagrangiano aumentado é empregado para solucionar o problema resultante, de forma a lidar com o elevado número de restrições de tensão. Diversos exemplos são solucionados para mostrar a aplicabilidade das formulações propostas. Os exemplos são posteriormente verificados através da Simulação de Monte Carlo e comparados com os resultados determinísticos. Os resultados mostram que as estruturas obtidas com a abordagem tradicional determinística são extremamente sensíveis a incertezas. As formulações desenvolvidas nesta tese, por outro lado, mostraram-se alternativas válidas a formulação determinística, fornecendo resultados robustos e confiáveis na presença de incertezas. / It is nowadays widely acknowledged that optimal structural design should be robust with respect to the uncertainties in loads, geometry and material parameters. However, there are several alternatives to consider such uncertainties in structural optimization problems. This thesis addresses four formulations to handle uncertainties in topology optimization with stress constraint. The first three are developed to handle uncertainties in magnitude and direction of applied loads: 1) probabilistic robust formulation, where the original stress constraints are replaced by a weighted sum between their expectations and standard deviations; these are obtained by first-order perturbation approach; 2) reliability-based formulation, where probabilistic stress constraints are considered; the problem is formulated by a coupled first order approach; 3) non-probabilistic robust formulation, where the worstcase scenario for the stress constraints is considered; the problem is formulated by a coupled approach called optimization with anti-optimization. The fourth formulation is quite different from the first three; it is developed to handle uniform boundary variation: 4) three-field robust approach, where three topologies are simultaneously considered during the optimization process, in order to simulate imperfections which may occur due to manufacturing errors. These four formulations are quite different in handling with uncertainties; however, the solution rocedure is the same: the density approach is employed to material parameterization, while the augmented Lagrangian method is employed to solve the resulting problem, in order to handle the large number of stress constraints. Several examples are solved to demonstrate applicability of proposed formulations. Numerical examples are further verified via Monte Carlo Simulation and compared to deterministic results. The results show that the structures obtained with raditional deterministic formulation are extremely sensitive to uncertainties. On the other hand, the formulations developed in this thesis are shown to be valid alternatives to the deterministic formulation, providing robust and reliable results in the presence of uncertainties.