ALGORITMO MULTIOBJETIVO PARA OTIMIZAÇÃO DE PROBLEMAS RESTRITOS APLICADOS A INDÚSTRIA

MULTIOBJECTIVE ALGORITHM FOR CONSTRAINED OPTIMIZATION PROBLEMS APPLIED TO INDUSTRY

Zini, Érico de Oliveira Costa; Bonini Neto, Alfredo; Garbelini, Enio

Artigo Completo:

Hoje em dia, com um mundo cada vez mais competitivo, as indústrias estão sujeitas a uma série de restrições impostas devido a vários fatores, tais como problemas ambientais e financeiros, recursos cada vez mais escassos e caros, custos elevados dos serviços e dos salários entre outros. Por isso, como as restrições em torno das indústrias aumentam dia após dia, este trabalho tem por objetivo apresentar uma metodologia para resolução de problemas de otimização com restrições utilizando uma estratégia de busca multiobjetivo, conhecido como algoritmo genético (AG). Os algoritmos genéticos são técnicas de buscas baseadas na teoria da evolução, combinando a sobrevivência dos mais aptos com a troca de informações de uma forma estruturada, onde um problema do mundo real é modelado através de um conjunto de indivíduos que são soluções potenciais que melhor se ajustam ao ambiente correspondendo a uma solução ótima ou quase ótima para o problema. A metodologia é composta por duas fases. Na primeira fase, todo o esforço do algoritmo está direcionado em encontrar, pelo menos, uma única 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. Os resultados obtidos são comparados com testes conhecidos na literatura, mostrando que a metodologia proposta obtém com êxito o resultado esperado.

Nowadays, with a world increasingly competitive, industries are subject to a number of constraints due to several factors, such as environmental and financial problems, increasingly scarce and expensive resources, high cost of services and wages between others. Therefore, as the constraint around the industries increase day by day, this work aims at presenting a methodology for solving constrained optimization problems using a multi-objective search strategy, known as genetic algorithm (GA). Genetic algorithms are search techniques based on the theory of evolution by combining the survival of the fittest with the exchange of information in a structured way, where a real-world problem is modeled through a set of individuals who are potential solutions that best adjust to the environment corresponding to an optimal or nearly optimal solution to the problem. The methodology consists of two stages. In the first phase, all effort of the algorithm is directed at finding at least one feasible solution, completely discarding the objective function. In the second phase, directs the problem as bi-objective, where intend to optimize the original objective function and maximize the compliance with the constraint. The results obtained are compared with tests known in the literature, showing that the proposed method successfully obtains the desired result.

Palavras-chave:

DOI: 10.5151/mathpro-cnmai-0064

Referências bibliográficas

• [1] Barreto, A. L. de Oliveira. 2001. Otimização em Processos Multidivisionais Aplicados à Industria Têxtil. R. Cient. Fac. Lour. Filho - v.1, n.1.
• [2] Castro, R. E. 2001. Otimização de estruturas, com multiobjetivos via algoritmo genético de pareto. 202f. Tese (Doutorado) - Coordenação dos Programas de Pós Graduação de Engenharia - COPPE, Universidade Federal do Rio de Janeiro - UFRJ, Rio de Janeiro, 2001.
• [3] Farmani, R.; Wright, J. 2003. Self-adaptive fitness formulation for constrained optimization, IEEE Transactions on Evolutionary Computation, New York, v.7, n.5, p. 445-455.
• [4] Koziel, S.; Michalewicz Z. 1999. Evolutionary algorithms, homomorphous mappings, and constrained parameter optimization. Evolutionary Computation, Cambridge, v.7, p. 19-44.
• [5] Linden, R. Algoritmos genéticos: uma importante ferramenta da inteligência computacional. Rio de Janeiro: Brasport, 2006.
• [6] Pozo, A.; Cavalheiro A. F.; Ishida, C.; Spinosa, E.; Rodrigues E. M. 2005. Computação evolutiva. Universidade Federal do Paraná, 61p. (Grupo de Pesquisas em Computação Evolutiva, Departamento de Informática-Universidade Federal do Paraná)
• [7] Runarsson, T.; Yao, X. 2000. Stochastic ranking for constrained evolutionary optimization. IEEE Transactions on Evolutionary Computation, New York, v.4, p. 344-354.
• [8] Venkatraman, S.; Yen, G. G. 2005. A Generic framework for constrained optimization using genetic Algorithms. IEEE Transactions on Evolutionary Computation, New York, v.9, n.4, p. 424-435.

Como citar:

Zini, Érico de Oliveira Costa; Bonini Neto, Alfredo; Garbelini, Enio; "ALGORITMO MULTIOBJETIVO PARA OTIMIZAÇÃO DE PROBLEMAS RESTRITOS APLICADOS A INDÚSTRIA", p-365-374. In: Anais do Congresso Nacional de Matemática Aplicada à Indústria [= Blucher Mathematical Proceedings, v.1, n.1]. São Paulo: Blucher, 2015.
ISSN soon, DOI 10.5151/mathpro-cnmai-0064