Centro de Pesquisa e Desenvolvimento emEngenharia Elétria
Algoritmos Evoluionários Eientes para
Otimização de Redes
Eduardo Gontijo Carrano
Tesede doutoradosubmetidaà BanaExaminadora
de-signada pelo Colegiado do Programa de Pós-Graduação
emEngenharia Elétria da UniversidadeFederal de
Mi-nasGerais, omo requisito parial para obtenção do
tí-tulode Doutor emEngenharia Elétria.
Orientador: Prof. Riardo HiroshiCaldeira Takahashi
Neste trabalho apresentam-se novas ferramentas voltadas à otimização de redes.
Primeiramente são apresentadas abstrações de oneitos ontínuos, apazes de gerar
oneitosanálogosnoespaçodisreto, ondeasredes sãodenidas. Estes oneitos
on-feremaoespaçode redesferramentasomorepresentaçõesespaiais,álulosde posição
relativa e distânia e determinação de direções. Isso torna possível a implementação
de ténias geralmente só empregadas em problemas ontínuos, omo análises de
dis-persão, busas loais, otimizações unidimensionais, et, que podem ser inorporadas
aos algoritmos de otimização através de operadores evoluionários. Estes operadores
sãoutilizadosomobase paraaonstruçãode dois algoritmos: um AlgoritmoGenétio
e um Algoritmo de Seleção Clonal. Estes algoritmos foram apliados na solução de
dois problemas lássios, reonheidamente omplexos, e em dois problemas prátios.
Alémdisso, são apresentados algoritmosespeíos,voltados a três situações distintas
doproblemade projeto desistemas de distribuiçãode energiaelétria: posiionamento
de subestações assoiado ao projeto da topologia de redes, projeto multi-objetivo de
redes de distribuição de energia e sheduling da expansão de sistemas de distribuição
deenergia. Estes algoritmossão baseados emoperadoresquesão onstruídostendoem
onta asaraterístias espeíasdos problemas tratados.
Osresultadosobtidosmostramqueasferramentasdesenvolvidassãoúteisnasolução
de problemasde otimização emredes, sendoapazes de obter boas soluçõesem
This work presents new tools tohelp in the solution of networkoptimization
prob-lems. Firstly, some onepts of ontinuous spaes have been extended to the disrete
spae, where the networks are dened. These onepts grant to the network spae
in-terestingproperties,suh asspatialrepresentations, relativepositionalulus,distane
measurements and diretion denitions. They make possible the implementation of
tehniques whihare usuallyemployed onlyinontinuousproblems, suhasdispersion
analysis, loalsearhes, unidimensionaloptimizations, et, whih an be embedded in
optimization algorithmsthrough evolutionary operators. These operators are used to
build two algorithms: a Geneti Algorithm and a Clonal Seletion Algorithm. These
algorithms have been employed for optimization of two lassial problems whih are
known to be diult, and two pratial ases. Besides, three problem spei
algo-rithms are presented, for three situations of distribution system design: joint faility
loation and network topology design, multi-objetive design of distribution systems
andsystem expansionsheduling. Thesealgorithmsarebased onoperatorswhihhave
been built taking into aount the harateristis of problem.
The results showthat the developed toolsare useful fornetwork optimization, and
thattheyanobtaingoodsolutionsinproblemswhihouldnotbesolvedbytraditional
Antes detudoagradeçoaDeusportudoqueEletemproporionadoemminhavida,
aminhamãeEnia, portudo quefezpormimenquanto esteve aomeulado eameu pai
Jorge,portoda ompreensão, amizade,ompanheirismo e apoioirrestritodediados.
AgradeçoaosmeuorientadoresRiardoTakahashi,OrianeMagelaeCarlosM.F
on-sea, não só pela orientação reebida e tempo dediado, mas também por todas as
nossas longas disussões que sempre resultaram em boas idéias e são responsáveis por
boaparte doonteúdo deste texto.
Agradeço à minha família,prinipalmente àMaria, Evelin, César, Manoel, Samuel
e Estelita, pelo arinho e força e a minha namorada Danielle pelo amor, ompreensão
epaiênia, prinipalmente nos momentos difíeis.
Agradeçoaos meusamigos Frederio Gadelha,RodrigoCardoso, Luiano Pimenta,
EdgarPereira,LuísEpifânio,AlexandreRamos,RiardoAdriano,CássiaNunes,Bruno
Baetae ÉriBaeta pelaajudaao longo destapesquisa.
Agradeçoatodos meus professores, prinipalmenteRodney Saldanha,Jaime
Rami-rez, José Raphael, Walmir Caminhas, Antnio Braga, João Vasonelos e Élie Melo
porterem feito partede minhaformação aadêmia eientía.
Lista de Figuras viii
Lista de Tabelas x
Lista de Arnimos xi
1 Projeto Ótimo de Redes 1
1.1 Grafos . . . 5
1.1.1 Árvores . . . 6
1.2 Representação das Variáveis . . . 8
1.3 Formulação Geral doProblemade Projeto Ótimode Redes . . . 9
1.3.1 Árvore Geradora Mínima -MST . . . 10
1.3.2 Árvore de Comuniação Ótima- OCST . . . 11
1.3.3 Árvore Geradora QuadrátiaMínima - q-MST . . . 11
1.4 Modelagemde Sistemas Reais UtilizandoRedes . . . 12
2 FormulaçãoGeraldeProblemasde OtimizaçãoContínuaeAlgoritmos Determinístios 15 2.1 Formulação Geral de Problemas de OtimizaçãoContínua . . . 15
2.1.1 Caso Mono-objetivo . . . 15
2.1.2 Caso Multi-objetivo. . . 17
2.2 Algoritmos Determinístiospara Problemas Mono-objetivo . . . 19
2.2.1 Algoritmo quasi-Newton BFGS . . . 20
2.3 Algoritmos Determinístiospara Problemas Multi-objetivo . . . 23
2.3.1 Abordagemvia ProblemaPonderado -
P λ
. . . 232.3.2 Abordagemvia Problema
ǫ
Restrito -Pǫ
. . . 252.3.3 AbordagemHíbrida . . . 26
2.4 Tratamento de RestriçõesemAlgoritmos Determinístios . . . 28
2.4.1 Método de Barreira . . . 28
3 Algoritmos Evoluionários 31
3.1 Algoritmos Evoluionários Mono-objetivo . . . 32
3.1.1 Algoritmo Genétio . . . 32
3.1.2 Algoritmo de Seleção Clonal . . . 39
3.2 Algoritmos Evoluionários Multi-objetivo . . . 45
3.2.1 NSGA-II . . . 47
3.3 Tratamento de RestriçõesemAlgoritmos Evoluionários . . . 52
3.3.1 Penalidade de Soluções . . . 52
3.3.2 Eliminaçãode Soluções . . . 52
3.3.3 Reparo de Soluções . . . 52
3.4 Diuldades na Apliação de Algoritmos Evoluionários para Projeto Ótimo de Redes . . . 53
3.4.1 Uso de Operadores Desenvolvidos para Redes . . . 54
3.4.2 Uso de CodiaçõesEspeías para Redes . . . 55
3.4.3 Controle Dimensionalem Problemas de Redes . . . 57
4 Projeto de Redes Utilizando Algoritmos om Inspiração Contínua 65 4.1 Coneitos Contínuos em Projeto de Redes . . . 66
4.1.1 PosiçõesRelativase Medidas de Distânia emProblemas de Redes 68 4.1.2 Pesos TopológiosemÁrvores . . . 73
4.2 Operaçõesno EspaçoVetorial . . . 74
4.2.1 Interpolaçãoem Linha eBusa Unidimensional . . . 74
4.2.2 Vizinhança eBusa Loal . . . 76
4.2.3 PontosAleatórios aDistânias Pré-denidas . . . 77
4.3 Exemplos . . . 78
4.4 Algoritmos Evoluionários Desenvolvidos . . . 82
4.4.1 Operadores . . . 82
4.4.2 GANet . . . 85
4.4.3 ClonalNet . . . 85
4.5 Resultados . . . 86
4.5.1 Metodologia de Comparação dos Algoritmos . . . 87
4.5.2 OCST . . . 91
4.5.3 q-MST . . . 93
4.6 Testes de Desontinuidadedo Espaço de Redes . . . 95
4.6.1 Teste de Desontinuidade 1 . . . 96
4.6.2 Teste de Desontinuidade 2 . . . 97
5 Apliações no Projeto e Planejamentode Sistemas de Distribuiçãode Energia Elétria 100 5.1 O Sistemade Distribuiçãode Energia Elétria . . . 100
5.2 Sistema Teste . . . 107
5.3 ExpansãodeRedesdeDistribuiçãoConsiderandoInertezasnaEvolução de Carga . . . 109
5.3.1 Análise de SensibilidadeMulti-objetivo . . . 110
5.3.2 Resultados . . . 115
5.4 ProjetoMulti-objetivo de Redes de Distribuição . . . 120
5.4.1 Algoritmo GenétioEspeío . . . 120
5.4.2 Resultados . . . 121
5.5 Loalizaçãode SubestaçõesAssoiadoaoProjetodaTopologiade Redes de Distribuição- Caso Mono-objetivo . . . 125
5.5.1 Formulação doProblema . . . 126
5.5.2 Algoritmo Proposto . . . 127
5.5.3 Resultados . . . 128
5.6 Loalizaçãode SubestaçõesAssoiadoaoProjetodaTopologiade Redes de Distribuição- Caso Multi-objetivo . . . 135
5.6.1 Formulação doProblema . . . 135
5.6.2 Algoritmo Coneitual . . . 137
5.6.3 O AlgoritmoGA-BFGS Multi-objetivo . . . 139
5.6.4 Resultados . . . 140
5.7 Sheduling da Expansão de Sistemas de Distribuição Utilizando o Dy-nami Programming GenetiAlgorithm (DP-GA) . . . 144
5.7.1 Sheduling da Expansãode Sistemasde Distribuição . . . 145
5.7.2 Dynami Programming Geneti Algorithm -DP-GA . . . 148
5.7.3 Métodos Não-dinâmios . . . 149
5.7.4 Resultados . . . 150
6 Conlusões e Propostas de Continuidade 154 6.1 Conlusões. . . 154
6.1.1 Projeto de Redes . . . 154
6.1.2 Algoritmos Evoluionários Baseados em InspiraçõesContínuas . 155 6.1.3 Apliações no Projeto de Sistemas de Distribuição de Energia Elétria . . . 155
6.2 Propostas de Continuidade . . . 157
6.3 Produção BibliográaDurante oDoutoramento . . . 159
Referênias Bibliográas 161 A Denições Relevantes 173 A.1 Conjuntos . . . 173
B Operadores Desenvolvidos 176
B.1 Operadores - KruskalGA . . . 176
B.1.1 Cruzamento . . . 176
B.1.2 Mutação . . . 177
B.2 Operadores - GANet e ClonalNet . . . 177
B.2.1 Cruzamento . . . 177
B.2.2 Mutação . . . 178
B.3 Operadores - NSGA-PS . . . 179
B.3.1 Cruzamento . . . 179
B.3.2 Mutação . . . 180
B.3.3 Operadores Determinístios . . . 183
B.4 Operadores - DP-GA . . . 184
B.4.1 Operadores de Correção . . . 184
B.4.2 Cruzamento . . . 184
B.4.3 Mutação . . . 185
C Sheduling da Expansão do Sistema de 100 Nós - Soluções Obtidas 189 C.1 Sheduling ObtidopeloDP-GA . . . 189
C.2 Sheduling ObtidopeloAlgoritmoGenétio Não-Dinâmio . . . 192
1.1 Exemplo de grafo . . . 6
1.2 Exemplo de árvore geradora . . . 8
1.3 Exemplo de grafoom redundânia . . . 13
1.4 Exemplo de ilo de Hamilton . . . 13
2.1 Exemplo de fronteira Pareto emum problema bi-objetivo . . . 19
2.2
P λ
. . . 252.3 Funionamentodaabordagem
P ǫ
. . . 262.4 Falhas do
P ǫ
. . . 273.1 Métodos de seleção emGA's: RWS vs. SUS . . . 37
3.2 Células dosistema imunológio . . . 40
3.3 Exemplo de fronteira Pareto emum problema bi-objetivodisreto . . . 46
3.4 Exemplo de odiação porraio de abrangênia . . . 60
3.5 Limitaçõesdaodiação porraiode abrangênia . . . 61
3.6 Triangulação de Delaunay de um onjuntode 5pontosnoplano . . . . 63
4.1 Interpolação de redes . . . 76
4.2 Geração de redes a distânias pré-denidas . . . 78
4.3 Sistema de 3 nós . . . 79
4.4 Sistema de 3 Nós- Representação dos vetores em
R
3
. . . 804.5 Sistema de 9 nós . . . 81
4.6 Sistema de 9 nós - Rede
R
. . . 824.7 Variávelaleatória
X1
. . . 894.8 Exemplo de dominâniaestoástia de primeiraordem . . . 89
4.9 OCST - Intervalos . . . 91
4.10 q-MST - Intervalos . . . 93
4.11 OCST (25 nós) - Teste de desontinuidade 1 . . . 96
4.12 OCST (50 nós) - Teste de desontinuidade 1 . . . 96
4.13 OCST (25 nós) - Teste de desontinuidade 2- Direção 1 . . . 98
4.14 OCST (25 nós) - Teste de desontinuidade 2- Direção 2 . . . 98
4.15 OCST (50 nós) - Teste de desontinuidade 2- Direção 1 . . . 99
5.1 Sistema teste - Conexões possíveis . . . 107
5.2 Sistema teste - Melhor soluçãoalançada . . . 108
5.3 Inerteza aumulada emuma variável Gaussiana . . . 113
5.4 Sistema de 21 nós - Problema . . . 115
5.5 Sistema de 21 nós - Resultados . . . 116
5.6 Sistema de 21 nós - Alternativasviáveis . . . 117
5.7 Sistema de 21 nós - Conjunto de Pareto . . . 122
5.8 Sistema de 21 nós - Algumasredes do onjunto de Pareto . . . 123
5.9 Sistema de 100 nós -Conexões possíveis . . . 123
5.10 Sistema de 100 nós -Conjuntode Pareto . . . 124
5.11 Sistema de 100 nós -Rede A . . . 124
5.12 Caso real . . . 129
5.13 Sistema real - Posição daSS paradiferentes horizontes de tempo . . . . 130
5.14 Sistema real - Topologias . . . 131
5.15 Sistema real - Custoaumulado . . . 132
5.16 Sistema tíio- Posição da SS para diferentes horizontes de tempo . . 133
5.17 Sistema tíio- Topologias . . . 134
5.18 Sistema tíio- Custo aumulado . . . 134
5.19 Exemplo de fronteira Pareto para o problema MJFLND . . . 137
5.20 Soluçõesanalisadas pelo algoritmonoMJFLND . . . 139
5.21 Algoritmo GA-BFGSmulti-objetivo . . . 141
5.22 Sistema real - FronteiraPareto. . . 142
5.23 Sistema real - Algumassoluçõesdo onjunto de Pareto . . . 143
5.24 Exemplo de sheduling da expansão de uma rede. . . 147
5.25 Representação da expansãoapresentada na Fig. 5.24 . . . 149
5.26 Sistema de 100 nós -Rede iniial (
x
[0])
. . . 1515.27 Sistema de 100 nós -Comparação das abordagens . . . 152
5.28 Sistema de 100 nós -Efeitos dadisretização dotempode projeto . . . 153
C.1 Sheduling obtido peloDP-GA. . . 191
C.2 Sheduling obtido pelondGA . . . 193
4.1 Propriedades de espaços vetoriais . . . 69
4.2 Propriedades de produtos esalares . . . 70
4.3 Propriedades de medidas de distâniaem espaçosvetoriais . . . 71
4.4 Sistema de 9 nós - Distânia entre as redes . . . 82
4.5 Algoritmos. . . 90
4.6 OCST - Resultados . . . 92
4.7 q-MST - Resultados . . . 94
5.1 Sistema teste - Resultados obtidospelo GANet e ClonalNet . . . 107
5.2 Parâmetros das distribuiçõesde probabilidades. . . 117
5.3 ClonalNet - Soluções não-dominadas . . . 118
5.4 GANet - Soluçõesnão-dominadas . . . 119
AIS: sistemaimunológioartiial
BFGS: Broyden-Flether-Goldfarb-Shanno
Clonal: Algoritmode SeleçãoClonal
ClonalNet: Clonal om inspiração ontínua
DP: Programaçãodinâmia
DP-GA: Dynami Programming Geneti Algorithm
EA: algoritmoevoluionário
GA: algoritmogenétio
GA-BFGS: algoritmohíbrido que ombina um GA e um quasiNewton BFGS
GANet: GA om inspiração ontínua
In: expansãodo sistemautilizandoa abordageminremental
IBEA: Indiator Based Evolutionary Algorithm
MOCSA: Multi-objetive Clonal Seletion Algorithm
MOGA: Multi-objetive Geneti Algorithm
MOIA: Multi-objetive Immune Algorithm
MST: árvore geradora mínima
ndGA: expansão do sistemautilizandoo algoritmogenétio não-dinâmio
NPGA: Nihed Pareto Geneti Algorithm
NSGA: Non-dominated Sorting Geneti Algorithm
OCST: árvore de omuniação ótima
PAES: Pareto Arhived Evolution Strategy
PESA: Pareto Envelop-based Seletion Algorithm
q-MST: árvore geradora quadrátiamínima
RWS: roleta estoástia
SPEA: Strength Pareto Geneti Algorithm
SS: subestações
SUS: amostragem universal estoástia
TS: seleção por torneio
TSP: problema doaixeiro viajante
Projeto Ótimo de Redes
O projeto ótimo de redes pode ser denido omo a tarefa de enontrar o onjunto
de arestas que minimiza uma dada função de usto enquanto e oneta todos os
vér-ties de um grafo, enquanto obedee uma estrutura pré-estabeleida. Estes problemas
apresentamsérias diuldadesemsua solução,oquesedeveprinipalmenteànatureza
ombinatóriados mesmos(Pierre, 1993).
Essa natureza ombinatóriaimplia emum númeromuito grandede possíveis
solu-ções,quereseexponenialmenteomadimensãodoproblema. Alémdisso,anatureza
disretaimposta por este tipode problema geralmenteausa severas desontinuidades
no espaço onde as variáveis de deisão estão denidas, o que faz om que não exista
um onjuntode soluções fatíveisno qualse possa aminhar failmente, sem saltos no
espaço.
Estesaspetosrestringemonsideravelmenteosmétodosquepodemserapliadosno
projetoótimode redes. Autilizaçãode métodos determinístios,voltadosàotimização
não-lineardeespaçosontínuos,setornaimpossível,umavez queosmesmosdependem
de álulos de derivadas que, por denição, não existem no espaço disreto onde as
redes são denidas.
Téniasquemontamaárvoredepossibilidades(tambémhamadasdemétodos
enu-merativos), omo o Branh-and-Cut ou o Branh-and-Bound (Grötsheland Holland,
do problema. No entanto, sua apliação se torna inviável em parte dos asos
práti-os uma vez que alto omputaional assoiado a estes métodos se torna um aspeto
restritivo nasolução de problemas de médio e grandeporte atempoviável.
Algoritmospolinomiaisvoltados àotimizaçãode redes, omoDijkstra,Kruskal and
Ford-Fulkerson (Dijkstra, 1959; Ahuja etal., 1993; Bazaraa etal., 1991) apresentam
grandeeiênianasoluçãodosproblemasparaosquaisforamdesenvolvidos(aminhos
mínimos, árvore geradora mínima e uxo máximo respetivamente) tendo entretanto
sua apliação limitada em outros ontextos. Versões disretas do algoritmo Simplex
Vanderbei (2001) tambémpodem ser apliadasà solução de redes, desde que todos os
funionaissejamlineares. Asoluçãodeproblemasnão-linearesutilizandoestesmétodos
sóépossívelatravésdeaproximaçõeslinearesque,emboapartedos asos,podemlevar
asoluçõesnais que não ondizem om o problema real.
A inapliabilidade da maior parte das ténias lássia motiva a busa de outros
métodos para a solução deste problema. Os algoritmosevoluionários (EAs) se
desta-amomouma alternativaviáveldentre esses métodos, umavez queapresentamvárias
araterístiasfavoráveis:
•
Nãodependem de premissas matemátias fortes omo linearidade, difereniabili-dade,onvexidade ouunimodalidade;•
Podem ser apliadosàmaiorparte dos problemasprátiossem adaptações estru-turais;•
Permitem adaptações da estrutura do algoritmo nos asos em que a estrutura tradiionalse mostrainsuiente;•
São reonheidamenteeientes nabusa de ótimos globais emproblemas multi-modais (Duan and Yu,2002).Algoritmos genétios: Os algoritmos genétios (GAs) (Holland, 1975; Goldberg,
1989)vêmsendo apliadosàsoluçãode vários problemasrelaionadosom redes,
taisomo:
•
Projetode redes de teleomuniações (Abuali etal.,1994);•
Projetoderedesdedistribuição(Ramírez-Rosadoand Bernal-Agustín,1998);•
Projetoderedesdetransmissãodeenergia(Duan and Yu ,2002;Chung etal., 2003);•
Roteamentode veíulos (Ferentinos et al., 2002;Baker and Ayehew,2003);•
Projetode sistemasde trânsitourbano (Chakroborty, 2003),et.Oautor dapresente tese apresentaalgumasontribuiçõesnoprojeto de sistemas
de distribuição de energiaelétria utilizandoalgoritmosgenétios:
•
Projeto multi-objetivo utilizando um GA espeío (Carrano etal., 2004, 2006b);•
Posiionamentode subestaçõesassoiadoaoprojetodatopologiadosistema utilizando GAs híbridos (Carrano etal.,2005,2007e)•
Planejamento do sheduling da expansão do sistema utilizando uma meta-heurístia que assoia um algoritmogenétio aum método de programaçãodinâmia(Carrano et al., 2007a).
Sistemas imunológios artiiais: A apliação de sistemas imunológios
artii-ais(AIS)(Dasgupta,1999;de Castro and Timis,2002;Dasgupta etal.,2003)na
solução de problemas de projeto ótimo de redes se enontra restrita a pouas
apliações:
•
Soluçãodoproblemadoaixeiroviajante(doinglêsTravelingSalesman Prob-lem ou TSP)(de Castroand Von Zuben, 2002);•
Navegação de robs (Luh and Liu,2004).As pouas referênias enontradas na bibliograa são provavelmente justiadas
pela estrutura destes algoritmos, que é dependente de uma denição adequada
de distânia. O autor da tese emprega estes algoritmos no projeto de sistemas
de distribuição de energia elétria onsiderando inertezas na evolução de arga
(Carrano etal.,2007). Aimplementaçãopropostaébaseadanamétriaproposta
porCarrano et al.(2007f),apaz de determinar a distâniaentre redes.
Ant algorithms: A estrutura disreta intrínsea dos Ant algorithms (Dorigo, 1992;
Dorigoetal., 1996) favoree a utilização destes algoritmosna solução de
proble-masderedes. Apesarde reentes, estesalgoritmosvêmsendoapliadosemvários
problemasrelaionados:
•
Solução doTSP (Dorigo and Gambardella, 1997);•
Roteamentode redes wireless ad ho (Güne³and Bouazizi,2002);•
Projetode sistemasde distribuiçãode água (Zehin et al., 2003);•
Roteamentode veíulos (Bell and MMullen, 2004);•
Projetode redes de distribuição de energia elétria(Gómezet al., 2004).Estes algoritmos são utilizados nesta tese para omparação om os resultados
obtidospelos algoritmosapresentados noCap. 4, quando utilizadospara solução
de um sistema de distribuição de energia elétria.
As ontribuições do autor itadas aima ompõem a maior parte dos resultados
apresentadosnestetrabalho. OsCaps.4e5apresentamosprinipaisresultadosobtidos
nestasreferênias.
Na seqüênia deste apítuloé apresentado o oneito de grafo,fundamentalpara a
1.1 Grafos
Ooneitodegrafoéessenialparaoentendimentodoproblemadeprojetoótimode
redes,umavezqueelassãomodeladasporgrafos. Umgrafo
G
onsisteemumonjunto nitoV
de vérties(|V
|
=
n
),um onjuntonitoA
de arestas(|A|
=
m
),eumamatriz de adjaêniaM
, que assoia a ada arestaa
deG
um par não ordenado de vérties (não neessariamentedistintos) deG
, hamados de extremos dea
(Bondy and Murty , 1976;Wilson,1996).As redes tratadas ao longo deste trabalho são modeladas por grafos planares, om
arestas não-direionadas e sem realimentação dos nós. Essas propriedades denem a
matrizde adjaêniaque desreve o grafoompleto (
G
C
), omo apresentado em(1.1).M
G
C
[
i, j
] =
0
sei
=
j
1
sei
6
=
j
i, j
= 1
, . . . , n
(1.1)Neste aso, a laro que o número de arestas presentes no grafo ompleto é denido
por:
m
=
n
−
1
X
i
=1
i
=
n
·
(
n
−
1)
2
.
(1.2)AFig. 1.1(a)apresentaum exemplodegrafonão-direional,
G
1
(
V
G
1
, A
G
1
)
,omseis vérties (V
G
1
= [1
,
2
,
3
,
4
,
5
,
6]
) e 10 arestas (A
G
1
= [
a, b, c, d, e, f, g, h, i, j
]
) om pesosW
G
1
= [
w
a
, w
b
, w
c
, w
d
, w
e
, w
f
, w
g
, w
h
, w
i
, w
j
]
respetivamente. JáaFig.1.1(b)apresentaografoompletoparaoonjuntode vértiesdografodaFig.1.1(a),queéumsub-grafo
de
G
C
(G
1
⊂
G
C
).Uma estrutura partiular de grafos, as árvores, é disutida de forma detalhada na
CAPÍTULO 1. PROJETO ÓTIMODE REDES 6
1
2
3
4
5
6
a
[
w
a
]
b
[
w
b
]
c
[
w
c
]
d
[
w
d
]
e
[
w
e
]
f
[
w
f
]
g
[
w
g
]
h
[
w
h
]
i
[
w
i
]
j
[
w
j
]
(a) Grafoom6vértiese10arestas
PSfrag replaements
1
2
3
4
5
6
(b)Grafoompleto
Figura 1.1: Exemplo de grafo
1.1.1 Árvores
As árvores representam umas das lasses mais importantes de grafos, uma vez que
muitosproblemasprátiosapresentamestruturadeárvoreoupodemser modeladospor
elas. Outrossistemas,embora nãoenvolvendo redesomestrutura deárvore,envolvem
árvores emertasetapas doseu projeto. Umgraforepresentauma árvore se obedeea
seguintedenição:
Denição 1.1 Um grafo
G
(
V, A
)
éumaárvorese,e somentese,G
é umgrafo onexo 1quenão ontém ilos.
Dessadenição, derivamalguns teoremas importantes (Narsingh, 1984):
Teorema 1.1 Existeum, eapenasum, aminhoentrequalquerpar devérties emuma
árvore.
Teorema 1.2 Em uma árvore om
n
vérties existemn
−
1
arestas.A demonstração desses teoremas é simples, e pode ser enontrada em Narsingh
(1984). Destes teoremas perebe-se que a remoção, ou adição,de uma aresta aografo
faz om que o mesmo deixe de ser uma árvore: a remoção de uma aresta faz om que
o grafo deixe de ser onexo, enquanto que, a adição de uma aresta insere um ilo no
grafo.
Outroteorema importantesobre árvores éapresentado porCayley (1889):
Teorema 1.3 (Teorema de Cayley) Em um grafo ompleto
G
C
, omn
vérties em
=
n
(
n
−
1)
2
arestas, existemn
n
−
2
árvores que são sub-grafos de
G
C
.O Teorema de Cayley dá uma noção sobre a dimensão do espaço de busa do
pro-blema,que rese exponenialmente om onúmero de nós.
Uma árvore partiular, que tem grande importânia no ontexto de otimização, é
a árvore geradora mínima (do inglês Minimum Spanning Tree ou MST), disutida na
seqüênia(Even , 1989).
Árvore Geradora Mínima
Um grafo
G
′
(
V
′
, A
′
)
é hamado um sub-grafo de um grafoG
(
V, A
)
, seV
′
⊆
V
eA
′
⊆
A
. Claramente, uma esolha arbitráriadeV
′
⊆
V
eA
′
⊆
A
pode não produzir umsub-grafo,simplesmenteporqueistopode nãoser umgrafo: algunsdosvértiesquesão extremos de
A
′
podem não estar ontidos em
V
′
.
Seja
G
(
V, A
)
um grafoonexo esuponhaqueadaarestaa
∈
A
tem peso onheidow
(
a
)
>
0
. Deseja-se enontrar um sub-grafo onexoG
′
(
V, A
′
)
ujo peso totalX
a
∈
A
w
(
a
)
é mínimo; ou, em outras palavras, deseja-se remover de
G
o sub-onjunto de arestas ujo peso total é máximo, e que ainda deixa o grafo onexo. Fia laro que essesub-grafo não possui ilos, uma vez que possui peso total mínimo. Como
G
′
é onexo,
pelo Teorema 1.1, pode-se onstatar que
G
′
é uma árvore, não podendo portanto ser
removida nenhuma aresta sem destruir a onetividade do grafo. O sub-grafo de
G
queontém todos osvérties deG
e éuma árvore é hamadode árvore geradora deG
(a Fig. 1.2 apresenta um exemplo de árvore geradora para o grafo da Fig. 1.1(a)). APSfrag replaements
1
2
3
4
5
6
a
b
d
h
j
Figura 1.2: Exemplo de árvore geradora para o grafodaFig. 1.1(a)
1.2 Representação das Variáveis
O espaço de busa do problema de projeto de redes é denido pelo sub-onjunto
de sub-grafos de
G
C
que obedeem a estrutura de interesse (no aso deste trabalho, busa-se sub-grafos deG
C
que são árvores). Com isso, ada aresta do grafo ompleto representa uma variávelde deisãodo problema de otimização.Tendo em onta estes aspetos, pode-se representar as soluções do problema de
otimização através de um vetor
X
omposto porm
variáveis binárias que indiam a presença ouausênia de ada uma das arestas possíveis, omo ilustradoem(1.3).de
1
1
. . .
2
2
. . . n
n
−
1
para2
3
. . .
3
4
. . .
n
n
X
=
[
x
1
x
2
. . . x
k
x
k
+1
. . .
x
m
]
x
i
∈
[0
,
1]
(1.3)Entretanto esta representação binária não é suiente em todos os asos, uma vez
que, em parte dos problemas prátios, ada aresta pode assumir tipos distintos
(pro-blemas multi-branh). Isso oorre por exemplo em redes de energia elétria, onde se
pode utilizar ondutores om bitolas diferentes, ouemredes de água, onde geralmente
Umaalternativamaisompatapara estesproblemas éautilizaçãodeinteirospara
representar o tipo de onexão utilizado (Ramírez-Rosadoand Bernal-Agustín, 1998).
Nessarepresentaçãoadavariáveldedeisão
x
i
podeassumirvaloresinteirosquevariam de0
(ausênia de onexão)ab
(nós onetadosom uma onexão de tipob
, ondeb
éo númerode tiposde onexões possíveis). A Eq. (1.4)ilustra essa representação.de
1
1
. . .
2
2
. . . n
n
−
1
para
2
3
. . .
3
4
. . .
n
n
X
=
[
x1
x2
. . . x
k
x
k
+1
. . .
x
nc
]
x
i
∈
[0
,
1
, . . . , b
]
(1.4)1.3 Formulação Geral do Problema de Projeto Ótimo
de Redes
Tendoomo baseosoneitos desritos anteriormenteesendo
f
c
(
X
)
umafunçãoX
que se deseja minimizar, pode-se denir a seguinte formulação geral para o problemade otimização de redes:
X
∗
= arg min
X
f
c
(
X
)
sujeito a
:
X
∈ F
X
onde
F
X
é o onjunto de redes fatíveis.NoCap. 3são disutidas ténias deotimização potenialmenteapazes de resolver
este problema, tendoem vistaas diuldades já itadas.
Na seqüênia, serão disutidas as formulações de três problemas lássios tratados
ao longo desta tese: árvore geradora mínima, árvore de omuniação ótima (do
in-glês Optimal Communiation Spanning Tree ou OCST) e árvore geradora quadrátia
1.3.1 Árvore Geradora Mínima - MST
ComojáfoiitadonaSeção1.1.1,oproblemadeenontraraárvoregeradoramínima
onsiste da busa da árvore geradora na qual a soma dos pesos das arestas é mínima.
Este problema apresenta aseguintedenição formal(Lin and Gen, 2006):
Seja
G
(
V, A
)
um grafoonexo, não direionado e sejaw
i,j
∈
W
o peso assoiado à arestaqueoneta oparde vérties(
i, j
)
. SejamT
⊆
A
eS
osvértiesinduzidosporT
(i.e.,S
é o onjunto de vérties quesão extremosdas arestasdeT
). O problema MST pode ser denido omo busar oonjuntoT
que minimiza:T
∗
= arg min
T
X
i,j
∈
V
w
i,j
·
t
i,j
(1.5)sujeito a:
X
i,j
∈
V
t
i,j
=
|V
| −
1
X
i,j
∈
V
t
i,j
≤ |S| −
1
t
i,j
∈ {
0
,
1
}
,
∀i, j
∈
V
(1.6)
onde
(
i, j
)
∈
T
se, e somente set
i,j
= 1
.Como exemplo,para este problema ousto da árvore
T
apresentada naFig. 1.2é:C
T
=
w
a
+
w
b
+
w
d
+
w
h
+
w
j
AsoluçãodoproblemaMST nãoonstituiumatarefaomputaionalomplexa,uma
vezqueomesmopodeserresolvidoemtempopolinomialutilizandoalgoritmoslássios,
omo Kruskal (Kruskal, 1956) ouPrim (Prim, 1957). No entanto, muitas variantes do
problema MST são omputaionalmente omplexas. Dentre elas sedestaam o OCST
eoq-MST,para osquaisaindanão existemalgoritmospolinomiaisexatos (Soak et al.,
1.3.2 Árvore de Comuniação Ótima - OCST
Oproblema de enontrar árvore de omuniação ótima onsistenabusa daárvore
geradora de mínimo usto que umpre om requisitos de omuniação previamente
onheidos entre os pares de vérties do grafo (Hu, 1974; Soaket al., 2006). O OCST
foi iniialmente provado omo NP-hard (Garey and Johnson, 1979) e posteriormente
foiprovadoser MAXSNP-hard (Arora et al.(1998)mostramquenão existemmétodos
aproximados om usto polinomial para solução de problemas MAX SNP-hard om
NP
6
=
P
.). O problema apresenta a seguinte formulação:Seja
R
i,j
a demanda de omuniação existente entre(
i, j
)
eC
X
i,j
o peso aumuladodo aminho
(
i, j
)
emT
2. A formulação apresentada para o MST (Eqs. (1.5) e (1.6))
pode ser estendida para OCST apenas substituindo-se (1.5) por (1.7).
T
∗
= arg min
T
X
i,j
∈
V
R
i,j
·
C
i,j
X
(1.7)Para este problema, ousto da árvore
T
apresentada na Fig.1.2 é:C
T
=
R1
,
2
w
a
+
R1
,
3
w
b
+
R1
,
4
(
w
a
+
w
d
) +
R1
,
5
(
w
a
+
w
d
+
w
h
)+
R1
,
6
(
w
a
+
w
d
+
w
h
+
w
j
) +
R2
,
3
(
w
a
+
w
d
) +
R2
,
4
w
d
+
R2
,
5
(
w
d
+
w
h
) +
R2
,
6
(
w
d
+
w
h
+
w
j
) +
R3
,
4
(
w
b
+
w
a
+
w
d
)+
R3
,
5
(
w
b
+
w
a
+
w
d
+
w
h
) +
R3
,
6
(
w
b
+
w
a
+
w
d
+
w
h
+
w
j
)+
R
4
,
5
w
h
+
R
4
,
6
(
w
h
+
w
j
) +
R
5
,
6
w
j
1.3.3 Árvore Geradora Quadrátia Mínima - q-MST
O problema de enontrar a árvore geradora quadrátia mínima, iniialmente
pro-posto por Assad and Xu (1992), onsiste da busa pela árvore geradora que
mini-miza uma função quadrátia, que depende dos pesos das arestas e da interação
en-tre as mesmas (Soak et al., 2006). Este problema também foi provado omo NP-hard
2
(Assad and Xu, 1992)e apresenta aseguinteformulação:
Seja
w
k,l
i,j
o peso induzido na aresta(
i, j
)
pela aresta(
k, l
)
. Mais uma vez pode-se extenderaformulaçãodoMST (Eqs. (1.5)e(1.6))paraoq-MST substituindoafunçãoobjetivo(1.5) por(1.8).
T
∗
= arg min
T
X
i,j
∈
V
X
k,l
∈
V
w
k,l
i,j
·
t
i,j
·
t
k,l
!
+
w
i,j
·
t
i,j
(1.8)Neste aso, o usto daárvore
T
(Fig.1.2) é:C
T
=
w
a
+
w
a
b
+
w
a
d
+
w
h
a
+
w
j
a
+
w
b
+
w
a
b
+
w
d
b
+
w
h
b
+
w
j
b
+
w
d
+
w
d
a
+
w
b
d
+
w
h
d
+
w
j
d
+
w
h
+
w
h
a
+
w
b
h
+
w
d
h
+
w
j
h
+
w
j
+
w
j
a
+
w
j
b
+
w
j
d
+
w
j
h
1.4 Modelagem de Sistemas Reais Utilizando Redes
Vários problemas de projeto em engenharia são araterizados por estruturas de
redes. Devido a isso, algumas estruturas de grafos são utilizadasna modelagemdestes
problemas:
Redes om redundânia: Em problemas de projeto geralmente se busam grafos
onexos,sendo que as árvores se araterizamomo grafos onexos mínimos. No
entanto,emalgunsproblemasprátiosdeseja-se quearede apresente alternativas
de onexão emtodos, ou na maior parte, dos vérties (deseja-se que exista mais
de um aminho entre dois extremos
a
eb
). Nestes asos são inseridas arestas queriamredundânias, dando aos vérties dografoalternativasde alimentação.Redes de gás, teleomuniações, transmissão de energiae omputadores são
pro-blemasprátios que apliam essa estrutura. A Fig. 1.3 mostra um dos possíveis
grafos om redundânia que podem ser obtidos do grafo apresentado na Fig.
1
2
3
4
5
6
a
b
d
f
g
h
j
Figura1.3: Exemplo de grafoom redundânia
Cilos de Hamilton: Outra lasse relevante de grafos tem a estrutura de ilos de
Hamilton. Seja
G
um grafoonexo, um ilo de Hamilton deG
é denido omo um aminhofehado que atravessa ada vértie uma únia vez, exeto o vértiede partida do urso, que é atravessado duas vezes. Os problemas mais lássio
que empregam essa estrutura de grafos são o TSP e problemas de Sheduling.
Variantes doTSP tambémempregameste tipode estrutura, omo planejamento
delimpezaurbanaeplanejamentode rotasaéreaseterrestres. A Fig. 1.4mostra
um dos possíveis ilos de Hamiltonque podemser obtidosdografo apresentado
naFig. 1.1(a). PSfrag replaements
1
2
3
4
5
6
a
b
e
f
i
Redes em árvore: Como disutido neste apítulo,as árvores representam uma das
lasses mais importantes de grafos. A estrutura de uma árvore é disutida na
seção 1.1.1. Dentre os problemas modelados por redes em árvore, pode-se itar
projeto de redes de distribuição de água, projeto de redes de distribuição de
energiaelétriaeprojeto de redes de sensores sem o. Umadas possíveisárvores
Formulação Geral de Problemas de
Otimização Contínua e Algoritmos
Determinístios
Ao longo deste apítulo são apresentadas as formulações gerais de problemas de
otimização ontínua para asos mono e multi-objetivo. Também são disutidos
algo-ritmos apazes de resolver estes problemas. Estas formulações e algoritmos não são
diretamente apliáveis a problemas de redes, devido à araterístia ombinatóriados
mesmos. No entanto, o estudo destes tópios onstitui uma parte importante deste
trabalho, uma vez que parte dos métodos desenvolvidos aquisão onstruídos om
ins-piração em abordagens ontínuas. Além disso, no Cap. 5 são apresentadas apliações
destes algoritmos, que são exeutados juntamente om algoritmos evoluionários para
posiionamentode nós e projeto datopologia darede simultâneos.
2.1 Formulação Geral de Problemas de Otimização
Contínua
2.1.1 Caso Mono-objetivo
Seja
x
∈
R
n
o vetor de parâmetros que devem ser esolhidos em um determinado
problema,e
f
(
·
) :
R
n
7→
R
deniro problema de otimização omo:
x
∗
= arg min
x
f
(
x
)
(2.1)
ouseja, busa-se o valorde
x
para o qualf
(
x
)
é mínimo.No entanto, na maior parte dos problemas também é neessário o atendimento de
restrições relaionadas ao problema. Para atendimento dessas restrições, denem-se
regiões noespaço de parâmetros
R
n
atravésde desigualdadese igualdades:
g
i
(
x
)
≤
0
∀
i
= 1
, . . . , r
h
j
(
x
) = 0
∀
j
= 1
, . . . , p
(2.2)
Portanto, o problema de otimização restrita, em um ontexto geral, apresenta a
seguinte formulação:
x
∗
= arg min
x
f
(
x
)
(2.3) sujeito a:
g
1
(
x
)
≤
0
.
.
.
g
r
(
x
)
≤
0
h1
(
x
) = 0
.
.
.
h
p
(
x
) = 0
(2.4)
Asaraterístiasdafunçãoobjetivoedoonjuntoderestriçõesdoproblema
usual-mente denem o método a ser utilizado em sua solução. Uma araterístia muito
importantepara a esolha dessesalgoritmosé a modalidade.
Modalidade de Funções
Com base nas denições apresentadas noAp. A, pode-se deniruma ategorização
Denição 2.1 (Função Unimodal) Seja
f
(
·
) :
C
⊂
R
n
7→
R
. Diz-se que
f
(
·
)
é unimodal seR
(
f, α
)
1
é onexo para todo
α
∈
R
. Diz-se ainda quef
(
·
)
é estritamente unimodalse, além disso,R
(
f, α
)
é um onjunto ompato para todoα
∈
R
.Por simetria,dene-se ainda:
Denição 2.2 (Função Multimodal) Seja
f
(
·
) :
C
⊂
R
n
7→
R
. Diz-se que
f
(
·
)
é multimodalse existeα
∈
R
tal queR
(
f, α
)
não é onexo.Uma função unimodalgeralmente apresenta um únio mínimo. No entanto, é
im-portante destaar que uma função unimodal pode possuir múltiplos mínimos, desde
queoonjuntosdestes formeum onjunto onexo. Uma função estritamenteunimodal
tambémpode assumir múltiplos mínimos,desde que o onjunto destes forme um
on-junto onexo ompato (Takahashi,2004). As funções multimodaispossuem múltiplos
mínimosemtodos osasos.
2.1.2 Caso Multi-objetivo
Seja
x
∈
R
n
ovetorde parâmetrosquedevemseresolhidosemum problema
multi-objetivo. Seja ainda
f
(
·
) :
R
n
7→
R
m
o vetor de
m
funções objetivodesse problema. O onjuntoX
∗
das soluçõeseientes desritopor:
X
∗
= arg min
x
f1
(
x
)
.
.
.
f
m
(
x
)
(2.5)
1
sujeito a:
g1
(
x
)
≤
0
.
.
.
g
r
(
x
)
≤
0
h
1
(
x
) = 0
.
.
.
h
p
(
x
) = 0
(2.6)
a denido univoamente.
Seja
F
x
aregião naqualo problema seenontra restrito(denida peloonjuntode restriçõesapresentado em(2.6)). Emgeral, não existe um únio pontox
∈ F
x
emquef
(
·
)
atingevalormínimopara todas asfunções. Então:X
∗
=
{x
∗
∈ F
x
| 6 ∃
z
∈ F
x
ondef
(
z
)
≤
f
(
x
∗
)
ef
(
z
)
6
=
f
(
x
∗
)
}
(2.7)onde osoperadores relaionais
≤
e6
=
são denidos para vetoresu, v
∈
R
m
, talque:
u
≤
v
⇔
u
i
≤
v
i
∀
i
= 1
, . . . , m
u
6
=
v
⇔ ∃i
|
u
i
6
=
v
i
, i
= 1
, . . . , m
(2.8)
Ospontos
x
∈ F
x
quenãopertenemaX
são hamadosde dominados,umavezque existem outros pontosz
∈ F
x
, tal quef
(
z
)
≤
f
(
x
)
ef
(
z
)
6
=
f
(
x
)
, o que signia quef
(
z
)
émelhorquef
(
x
)
emaomenosuma oordenada semser pior emnenhuma outra.Neste aso, diz-se que
z
dominax
. As soluçõesx
∗
que pertenem ao onjunto
X
∗
,são
hamadas de soluções eientes, já que não são dominadas por nenhum outro ponto.
Portanto,naotimizaçãomulti-objetivobusa-seumonjuntodesoluçõeseientespara
um problema de otimização de um vetor de funções. Este onjunto,
X
∗
, é hamado
de onjunto de Pareto, e dene a fronteira Pareto,
Y
∗
, no espaço de objetivos. Um
exemplode fronteira Pareto, para um problema ontínuoom duas funçõesobjetivo,é
ofereesuporteparadeisãoemproblemasdeprojeto,umavezqueaposiçãorelativadas
soluçõesnafronteiraPareto permiteumaavaliaçãode ompromissodentre osobjetivos
tratados. Com isso, o projetista pode avaliar o efeito de substituir uma solução por
outra, tendo em vista a perda em um objetivo om o simultâneo ganho em outro (ou
outros). A abordagemmono-objetivo não permite esse tipo de análise.
−2.8
−2.6
−2.4
−2.2
−2
−1.8
−1.6
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
PSfrag replaements
f
1
f
2
A
Y
∗
B
Figura2.1: Pode-se pereber que não existe dominânia entre as soluções do onjunto
Y
∗
. As soluções daregião
A
estão fora do onjunto imagem (I
) def
(
·
)
, não podendo portanto ser alançadas. Já assoluções daregiãoB
pertenem àI
, mas estão fora deY
∗
, poisada uma delas édominada por aomenos uma solução de
Y
∗
.
2.2 Algoritmos Determinístios para Problemas
Mono-objetivo
Nesta seção é apresentado o algoritmo quasi-Newton BFGS
2.2.1 Algoritmo quasi-Newton BFGS
Introdução
Os algoritmos de direção de busa, em sua maioria, têm omo suporte a mesma
idéia básia:
1. Esolherumadireçãonaqualseespera quesejapossívelderesimentodafunção;
2. Enontrar um ponto sobre essa direção na qual a função assume valor mínimo
(otimizaçãounidimensional);
3. Denir o ponto enontrado omo ponto orrente e repetir o proesso até que se
atinjaum ritériode onvergênia pré-estabeleido.
Uma esolha óbvia para a direção em que será realizada a busa unidimensional é o
vetor que anula o vetor gradiente no ponto orrente (isto é válido em problemas de
minimização).
Nas déadas de 50 e 60 foram propostas melhorias desse método, utilizando
infor-mações da urvatura da função para orreção da direção de busa. Essas informações
de urvatura são estimadas através de algum método de aproximação da inversa da
matriz Hessiana da função objetivo. No método quasi-Newton BFGS, a aproximação
dainversa damatriz Hessiana édenida por:
r
k
=
x
k
+1
−
x
k
v
k
=
∇f
(
x
k
+1
)
− ∇f
(
x
k
)
H
k
+1
=
H
k
+
1 +
r
′
k
·
H
k
·
r
k
r
′
k
·
v
k
·
v
k
·
v
′
k
v
′
k
·
v
k
−
v
k
·
r
′
k
·
H
k
+
H
k
·
r
k
·
v
′
k
r
′
k
·
v
k
(2.9)
onde:
x
k
é opontoavaliadona iteraçãok
;∇f
(
x
k
)
é o gradienteda funçãoobjetivono pontox
k
;Na prátia,as Eqs. (2.9)fazem uma aproximação iterativada inversa daHessiana,
porém om um usto omputaional muito inferior ao álulo exato da mesma, uma
vez quenão éneessárionenhum áluloadiionalde funçãoobjetivo,enem ainversão
damatriz. Informaçõesadiionaissobre métodos de direçãode busa,inluindooutros
métodos queutilizamaproximaçõesdainversa daHessiana,podemser enontradasem
Takahashi (2004);Bazaraa et al.(1993).
Algoritmo
Umadesrição geraldo algoritmosBFGS éapresentada abaixo.
Estrutura Básia do Algoritmo quasi-Newton BFGS
1:
H
0
←
I
; 2:k
←
0
;3: alular
∇f
(
x
0
)
;4: while
kx
k
+1
−
x
k
k
< ε
do 5:α
∗
←
arg min
α
f
(
x
k
−
α
·
H
k
· ∇f
(
x
k
))
; 6:x
k
+1
←
x
k
−
α
∗
·
H
k
· ∇f
(
x
k
)
; 7: alular∇f
(
x
k
+1
)
;8:
r
k
←
x
k
+1
−
x
k
;9:
v
k
← ∇f
(
x
k
+1
)
− ∇f
(
x
k
)
; 10:H
k
+1
←
H
k
+
1 +
r
′
k
·
H
k
·
r
k
r
′
k
·
v
k
·
v
k
·
v
′
k
v
′
k
·
v
k
−
v
k
·
r
′
k
·
H
k
+
H
k
·
r
k
·
v
k
′
r
′
k
·
v
k
;
11:
k
←
k
+ 1
; 12: end whileOnde:
x0
éa soluçãoiniial;A determinação de
α
∗
é realizada através de algum método de otimização
unidi-mensional, omoo algoritmodaseção áurea, desritoabaixo (Takahashi, 2004).
Algoritmo da Seção Áurea
1:
x
a
←
b
−
0
.
618(
b
−
a
)
; 2:x
b
←
a
+ 0
.
618(
b
−
a
)
; 3:f
a
←
f
(
x
a
)
;4:
f
b
←
f
(
x
b
)
;5: while
b
−
a > ǫ
do 6: iff
a
< f
b
then 7:b
←
x
b
; 8:x
b
←
x
a
;9:
x
a
←
b
−
0
.
618(
b
−
a
)
; 10:f
b
←
f
a
;11:
f
a
←
f
(
x
a
)
; 12: else13:
a
←
x
a
; 14:x
a
←
x
b
;15:
x
b
←
a
+ 0
.
618(
b
−
a
)
; 16:f
a
←
f
b
;17:
f
b
←
f
(
x
b
)
; 18: endif19: end while
20:
x
f
←
a
+
b
2
;Onde:
a
eb
são os limitesonsiderados pelaseção áurea;Oalgoritmoquasi-Newton BFGSdepende da difereniabilidadedafunção objetivo
e das restrições para funionar adequadamente. Além disso, esse algoritmo se mostra
ineienteemproblemasmultimodais, umavez que asoluçãoótima enontrada é
alta-mente dependentedo ponto iniialonsiderado.
2.3 Algoritmos Determinístios para Problemas
Multi-objetivo
Algoritmos determinístios não-lineares, omo o algoritmo quasi-Newton disutido
naSe. 2.2.1, não são apazes de mapear todooonjuntode Pareto diretamente, uma
vez queosmesmosoperamemumaúniafunçãoobjetivo. Entretanto,pode-seassoiar
aessesalgoritmosténiasquetornemosmesmosapazesdeobteroonjuntodePareto
emproblemas ontínuos. Como uso destas ténias é possível obter uma soluçãoapós
ada exeução ompleta do algoritmo. Isso implia na neessidade de se exeutar o
algoritmoao menos
P
vezes para obterP
pontos noonjunto de Pareto (diz-se que o algoritmodeve ser exeutado aomenosP
vezes porque nem todas as soluções obtidas pertenem neessariamenteao onjunto de Pareto).Na seqüênia, são disutidos três métodos apazes de estimaro onjuntode Pareto
emproblemas ontínuos, utilizandoalgoritmosdeterminístios.
2.3.1 Abordagem via Problema Ponderado -
P λ
Uma ténia intuitiva para solução de problemas é o
P λ
, que propõe uma soma ponderada dos objetivos. Os pontos do onjunto de Pareto são obtidos através davariaçãodo vetor de pesos, utilizandoa formulação apresentada abaixo:
x
= arg min
x
m
X
i
=1
sujeito a:
x
∈ F
x
λ
i
≥
0
m
X
i
=1
λ
i
=
1
Umavantagemdestemétodoéamanutençãodaestruturaderestriçõesdoproblema
original. No entanto, esse método apresenta omo prinipal limitação a inapaidade
de mapear todo o Pareto em problemas não-onvexos: o
P λ
só é apaz de mapear as soluções do onjunto de Pareto que pertençam à asa onvexa deF
. Isto pode ser vistonainterpretaçãogeométria doalgoritmo,extraída de Takahashi(2004):Montando aformulaçãodo
P λ
no espaçode objetivos:y
∗
= arg min
y
∈F
y
m
X
i
=1
λ
i
y
i
(2.11)Esteproblemapodeser vistoomo: enontrar oponto
y
∗
∈ F
y
queminimizaoproduto esalarλ
′
y
. Seα
∗
é o valormínimodesse produto, então:
λ
′
y
∗
=
α
∗
(2.12)éa equaçãodohiperplanosuporte a
F
y
nopontoy
∗
. Essa interpretação éilustradana
Fig. 2.2(a).
Perebe-seportantoqueessaténiasóéapazdeenontrarsoluções
y
∗
dafronteira
Pareto
Y
∗
que admitam hiperplanos de suporte, o que só oorre nas soluções
perten-entes à asa onvexa do onjunto
F
y
. A Fig. 2.2(b) ilustraum problema onde parte das soluções não pode ser obtida utilizandoa abordagemponderada.Éimportantesalientarquediferentes vetoresde pesospodemlevaràmesmasolução
PSfragreplaements
f
1
f
2
h
1
h
∗
Y
∗
Y
y
∗
(a) Partindode um hiperplano iniial
h1
, uja inlinação édenida pelo vetorde ponderaçõesλ
, um algoritmo de otimização mono-objetivo determinaumaseqüeniadehiperplanosparale-losa
h1
,busandoaminimizaçãodadistâniade adahiperplanoemrelaçãoàorigemdoespaçoY
,omarestriçãodequeohiperplanoontenha algumpontodeF
y
. Oalgoritmoonvergepara ohiperplanosuporteh
∗
,ujoúniopontode
in-terseção om
F
y
é o pontoy
∗
, pertenente ao
onjuntodePareto
Y
∗
. PSfrag replaementsf
1
f
2
h
1
h
2
Y
∗
Y
(b) A fronteira Pareto
Y
∗
∈ Y
possui trehos,
representadospor linha ontínua, nosquais
to-dos os pontos possuem hiperplano suporte, e
trehos, representados porlinha traejada, nos
quaisnenhumpontoadmitehiperplanosuporte.
Nenhum desses pontos pode ser obtido
uti-lizandoaformulação
P λ
.Figura2.2:
P λ
2.3.2 Abordagem via Problema
ǫ
Restrito - Pǫ
Outra formulação alternativa para obtenção do onjunto de Pareto em problemas
ontínuos é apresentada em (2.13). Neste aso, o problema atua na otimização de
apenas uma das funções objetivo, tratando as outras omo restrições. Para se obter
novas soluções varia-se o vetor das restrições
ǫ
. A Fig. 2.3 ilustra essa abordagem (Takahashi,2004).x
∗
= arg min
x
f
i
(
x
)
(2.13)
sujeito a:
x
∈ F
x
Pode ser demonstrado que esse método é apaz de enontrar todas as soluções
do onjunto de Pareto (Takahashi, 2004). No entanto, os problemas gerados por esse
métodopodemsetornaromputaionalmenteomplexos,umavez queomesmoalteraa
estruturaderestriçõesdoproblemaoriginal(objetivosnão-linearessetornamrestrições
não-lineares).
PSfrag replaements
f
1
f
2
A
B
ǫ
2
ǫ
1
Y
Figura 2.3: A fronteira Pareto
Y
∗
é representado pela linha ontínua. Os pontos
A
eB
pertenemàfronteiraPareto, sendoenontrados atravésdoproblemaP ǫ
respetiv a-mente: om aminimizaçãodef1
sujeita af2
≤
ǫ2
eom a minimizaçãodef2
sujeita af1
≤
ǫ1
.Alémdisso, este métodose deparaom mais dois problemas (Takahashi, 2004):
•
Alguns vetoresǫ
podem resultaremsoluçõesnão-eientes (Fig. 2.4(a));•
Alguns vetoresǫ
podem gerar problemasinfatíveis(Fig. 2.4(b)).2.3.3 Abordagem Híbrida
Pode-se ombinar as duas ténias desritas anteriormente para gerar uma ténia
PSfragreplaements
f
1
f
2
A
B
C
D
Y
Y
∗
(a) O onjunto imagem da função
f
(
·
)
possui trehosdesuafronteiranãopertenentesaoon-junto de Pareto: os trehos
AB
eCD
. Como o valor da funçãof1
é igual em todo otrehoAB
, e orresponde ao mínimo def1
, a mini-mização desta função om a restriçãof2
< ǫ2
pode gerar pontos pertenentes aAB
e por-tanto não pertenentes ao onjunto de Pareto.Omesmooorrenotreho
CD
onsiderandof2
omofunçãoobjetivo.PSfrag replaements
f
1
f
2
ǫ
2
ǫ
1
Y
(b) A fronteira doonjunto imagemda função
f
(
·
)
é representada por uma linha ontínua no trehoqueorrespondeaoonjuntodeParetodoproblema,eporuma linha traejada notreho
quenão fazparte domesmo. Casosejam
esta-beleidas asrestrições
f1
< ǫ1
ef2
< ǫ2
simul-taneamente,nãohaverásoluçãofatível,emboraadarestriçãoisoladamente admitasoluções.
Figura 2.4: Falhas do
P ǫ
Essa abordagemhíbrida éomposta de dois passos:
1. Exeutaro
P λ
para uma estimativainiial doPareto;2. Caso existam buraos na fronteira Pareto enontrado pelo
P λ
, então utilizar oP ǫ
apenas nesses buraos, visando preenher ompletamenteo Pareto, aso sejapossível.
A prinipal vantagem dessa ténia é que problemas de maior omplexidade que o
original somente serão resolvidos quando forem realmente neessários. Além disso o
métodoauxiliadiretamentenadeterminaçãodos limitesdos vetores
ǫ
. Poroutro lado, sua apliaçãose torna inviável emproblemas om mais de duas funções objetivo, umavez quea deteção de buraos nafronteira Pareto pode se tornar omplexaemtrês ou
mais dimensões.
uti-(1983);Ehrgott (2000);Takahashi (2004).
2.4 Tratamento de Restrições em Algoritmos
Deter-minístios
Dois métodos são usualmente empregados no tratamento de restrições através de
algoritmosbaseados emdireçõesde busa:
•
Métodode barreira;•
Métodode penalidade.Uma breve desrição desses métodos é apresentada abaixo. Detalhes sobre estes e
outros métodos podem ser enontradas em Luenberger (1984); Bazaraa et al. (1993);
Takahashi (2004).
2.4.1 Método de Barreira
Seja oproblema de otimizaçãorestrita:
x
∗
= arg min
x
f
(
x
)
sujeito a:
g
1
(
x
)
≤
0
g2
(
x
)
≤
0
.
.
.
g
p
(
x
)
≤
0
Uma das possíveis formulações do método de barreira é apresenta na seqüênia
x
∗
= arg min
x,α
F
(
x, α
)
(2.14)
onde:
F
(
x, α
) =
f
(
x
)
−
p
X
i
=1
α
i
g
i
(
x
)
α
= [
α1
α2
α3
. . . α
p
]
′
(2.15)
sendo
1
≫
α
i
>
0
.Esta formulação modiadado problema aproxima o problema original, sendo que
F
(
x, α
)
assumeum valorpróximode innitoparapontosnafronteiradaregiãofatíveldoproblema.
Para que esta formulação funione, deve-se partir de um ponto iniial dentro da
regiãofatível.
F
(
x, α
)
é uma função que apresenta asseguintes propriedades:•
lim
g
(
x
)
→
0
−
F
(
x, α
) = +
∞
•
F
(
x, α
)
≈
f
(
x
)
, α
i
≪
g
(
x
)
∀i
•
lim
α
→
0
+
F
(
x, α
) =
f
(
x
)
,
∀
g
(
x
)
<
−ǫ
onde
ǫ >
0
é um esalarpequeno.2.4.2 Método de Penalidade
Omesmoproblema de otimização restrita,quandomodeladopelométodode