Made available in DSpace on 2014-06-12T17:36:38Z (GMT). No. of bitstreams: 2 arquivo2276_1.pdf: 2642883 bytes, checksum: 1f303d82998032e2904934b949150f26 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nas ciências em geral, o termo otimização se refere ao estudo de um conjunto de técnicas que têm como objetivo a obtenção de um melhor resultado para uma função e parâmetros (variáveis de projeto) pré-especificados dentro de um conjunto permitido (espaço de projeto). A otimização em geral é feita através de procedimentos numéricos computacionais. A maioria desses procedimentos utiliza algoritmos que fazem uso de gradientes devido principalmente à eficiência computacional dos mesmos no processo de obtenção de pontos de ótimo. No entanto, nas últimas décadas, algoritmos metaheurísticos (algoritmos que não requerem cálculos de gradientes no processo de otimização) têm atraído grande atenção da comunidade científica. Os algoritmos dessa classe geralmente imitam algum fenômeno da natureza e são comumente chamados de algoritmos evolucionários. Dentre as alternativas existentes nessa classe de algoritmos, podem ser citados: o algoritmo genético (genetic algorithm GA), o recozimento simulado (simulated annealing SA) e o enxame de partículas (particle swarm PS). Embora as técnicas citadas requeiram mais avaliações de funções para encontrar uma solução ótima, quando comparadas com algoritmos que utilizam o cálculo de gradientes, os algoritmos baseados em procedimentos evolucionários apresentam várias vantagens, a saber: facilidade de programação; não necessitam da garantia de continuidade nas funções envolvidas na definição do problema; mais adequado na determinação de um ótimo global ou próximo do global; e adequados na solução de problemas discretos. Nos últimos três anos, o nosso grupo de pesquisa tem se empenhado na implementação computacional e uso do algoritmo de otimização do enxame de partículas (Particle Swarm Optimization - PSO). O algoritmo PSO se desenvolveu de experiências com algoritmos que modelavam o comportamento de muitas espécies de pássaros. A metodologia estudada tem fortes raízes em vida artificial e na psicologia social. Neste trabalho, o procedimento desenvolvido é aplicado a uma diversidade de problemas que têm o intuito de enfatizar a eficácia e versatilidade da metodologia estudada nos diversos tipos de problemas existentes, inclusive em problemas práticos da engenharia.Várias versões foram desenvolvidas no ambiente MATLAB, onde o algoritmo PSO está implementado, tanto para problemas que envolvem uma única função objetivo como para aqueles que envolvem várias funções (otimização multiobjetivo). As várias opções disponíveis estão configuradas em um ambiente bastante fácil de entender e de operar. A utilização de modelos substitutos de baixo custo computacional, porém de precisão aferida, constitui uma alternativa bastante promissora a ser utilizadas em tais algoritmos, evitando desta forma uma grande demanda de tempo computacional, característica inerente das metodologias evolucionárias acopladas a simuladores numéricos. Nesta combinação de estratégias, o grande número de avaliações de funções requeridas pelo algoritmo evolucionário não mais se darão através de simulações numéricas do problema real, e sim através de cálculos rápidos que consideram o uso de modelos aproximados. Neste contexto, a técnica escolhida foi o método das Bases Reduzidas. Além da opção de modelos substitutos, uma implementação alternativa utilizando os paradigmas da computação paralela foi realizada objetivando a eficiência computacional. Para essa implementação, as operações realizadas no algoritmo PSO, como atualizações no decorrer das iterações e cálculo de funções de avaliação, foram distribuídas entre as várias unidades de processamento disponíveis. Ambos os aspectos acima mencionados são de crucial importância, especificamente para o caso da aplicação dos algoritmos PSO em problemas da engenharia prática. As aplicações deste trabalho se dirigiram ao uso de funções empíricas multimodais objetivando mostrar a potencialidade da metodologia em se determinar a solução global, bem como as funções provenientes da simulação numérica de treliças planas sob várias condições de solicitação. Foram conduzidas otimizações uni e multiobjetivo considerando a abordagem PSO, no contexto do uso de modelos reais e substitutos, e também alguns estudos utilizando o algoritmo na versão da implementação computacional paralela

Made available in DSpace on 2014-06-11T19:22:32Z (GMT). No. of bitstreams: 0 Previous issue date: 2009-02-20Bitstream added on 2014-06-13T19:28:05Z : No. of bitstreams: 1 zini_eoc_me_ilha.pdf: 1142984 bytes, checksum: 4ff93a7fe459a5a56e15da26b7a6dd45 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Este trabalho apresenta uma metodologia composta de duas fases para resolver problemas de otimização com restrições usando uma estratégia multiobjetivo. Na primeira fase, o esforço concentra-se em encontrar, pelo menos, uma solução factível, descartando completamente a função objetivo. Na segunda fase, aborda-se o problema como biobjetivo, onde se busca a otimização da função objetivo original e maximizar o cumprimento das restrições. Na fase um propõe-se uma estratégia baseada na diminuição progressiva da tolerância de aceitação das restrições complexas para encontrar soluções factíveis. O desempenho do algoritmo é validado através de 11 casos testes bastantes conhecidos na literatura especializada. / This work presents a two-phase framework for solving constrained optimization problems using a multi-objective strategy. In the first phase, the objective function is completely disregarded and entire search effort is directed toward finding a single feasible solution. In the second phase, the problem is treated as a bi-objective optimization problem, where the technique converts constrained optimization to a two-objective optimization: one is the original objective function; the other is the degree function violating the constraints. In the first phase a methodology based on progressive decrease of the tolerance of acceptance of complex constrains is proposed in order to find feasible solutions. The approach is tested on 11 well-know benchmark functions.