UNIVERSIDADE
FEDERAL DE SANTA CATARINA
CURSO
DE PÓS-GRADUAÇÃO
EM
ENGENHARIA
ELÉTRICA
~
~OTIMIZAÇAO
DO
PROJETO DE
E
MÁQUINAS
DE
CORRENTE
CONTÍNUA
UTILIZANDO
ALGORITMOS
GENÉTICOS
Dissertação
submetida à
Universidade
Federalde Santa
Catarinacomo
partedos
requisitospara
aobtenção
do
grau de
Mestre
em
Engenharia
Elétrica;CARLOS
OGAWA
-
CORRENTE
CONTINUA
IITILIZANDO
ALGORITMOS
GENETICOS
Carlos
Ogawa
“Esta
Dissertação
foijulgada
adequada
para
obtenção
do
Títulode
Mestre
em
Engenharia
Elétrica,
Area
de
Concentração
em
Controle,Automação
e Informática Industrialem
que
foi realizado
o
trabalho, eaprovadalem sua
fonna
ñnal
peloCurso de
Pós-Graduação
em
Engenharia
Elétricada Universidade
Federalde Santa
Catarina.”Prof. Guilherme Bittencourt, Dr.
O
` tador . V fE
Prof.
Edso
beitoDe
ieri, Dr.Coordenador do Programa
deP
s-Graduacaoem
Engenharia ElétricaBanca
Examinadora:
\%
IiiE
Prof. Guilherme Bittencourt, Dr. Presidente
/
/Prof.
Marcelo RicardoStemmer,
Dr._/
Prof. JoM
z Barreto, D.Sc. ÍMi
ti lvziz .lw
termz
ia igzzfjmini
'nha
ƒam
í1ilho
ilfm
Ogaw
tmba
Hiroko
íco
este
ha
mãe
iíchiOga
Ded
em
especial
À
Deus,
pela
graça
que
de
me
conceder finalizar mais
este
trabalho;
À
minha
família
pelo apoio
e
atenção nos
momentos
de
dificuldades;
Hiroko
Ogawa
EduardoOgawa
AngelaOgawa
ChiekoOgawa
À
minha namorada
pelo carinho
e
compreensão;
Adriana
Moro
Ao
meu
orientador
pela
paciência,
dedicação
e
ensinamento;
Guilherme Bittencourt
'
Aos meus
amigos do
laboratório
que
muito contribuíram
neste
trabalho
César Cris Eder Fred Jerusa Karina Llanos Michele Rafael Renato Torrico Terezinha Vinicius
Aos
meus
colegas
de
trabalho
da
WEG
pelo
apoio;
Alcides Fredemar Guilherme Marli Nilson Ortiz
A
todos
os
meus
amigos,
pelo
incentivo e
apoio;
Resumo
da
Dissertação apresentadaà
UFSC
como
partedos
requisitos necessáriospara
aobtenção
do
grau de
Mestre
em
Engenharia
Elétrica. .OTIMIZAÇÃO
DO
PROJETO
DE MÁQUINAS DE
CORRENTE CONTINUA
QTILIZANDO
ALGORITMOS
GENETICOS
Carlos
Ogawa
12/2001
Orientador:
Guilhenne
Bittencourt.Área de
Concentração:
Controle,Automação
eInfonnática
Industrial.Palavras-chave:
Algoritmos
Genéticos,_Máquinas
de
corrente contínua, InteligênciaArtificial.
Número
de
Páginas:98
O
projeto eletromagnéticodas
máquinas
elétricas,nem
sempre
trivialpode
ser analisadocomo
um
problema de
otimização.Dentro
deste contexto, osAlgoritmos Genéticos
seapresentam
como
proposta para
se alcançaruma
boa
solução para
a áreade
projetosde
máquinas de
corrente contínua.Os
Algoritmos Genéticos consistem
numa
técnicada
Inteligência Artificial (IA)
que
utilizaum
método
computacional
adaptativode busca
eotimização
baseado na
evolução
naturaldas
espécies.Através
de mecanismos
operadores
inspirados
na
genética e critériosde
seleção,o algoritmo
evolui indivíduos acada
geração
e,
assim
como
no
ambiente
natural,acaba
por
evoluirna
maioria
dos
casospara urna
nova
população
com
indivíduoscada vez
mais
próximos da
solução
globaldo
sistema.Assim,
quando
empregado
no
cálculode
máquinas
elétricas,o algoritmo
écapaz
de
“evoluir”um
grupo de parâmetros para
uma
dasmelhores
configurações
eletromagnéticasda máquina.
A
utilização desta técnicada
IA,abrange
as áreasonde não
existem
métodos
exatospara
otimização
ou onde
osmétodos
existentes são precários e insatisfatórios.Nas
máquinas de
corrente contínua, as
inúmeras
combinações
de
fatores elétricos,mecânicos, térmicos
emagnéticos dificultam O desenvolvimento de
uma
seqüência
de
cálculo exatapara
todas asconfigurações de máquinas
propostas.Este
trabalho apresentaa
utilização desta técnicada
IA
para o
projetode
máquinas
de
corrente contínua.Através
da
análisedos
resultadosobtidos
em
comparação
com
um
projetista etambém
com
O
próprio ensaiodo motor
em
DIRECT
CURRENT
MACHINES
DESIGN
OPTIMIZATION
USING
GENETIC
ALGORITHMS
Carlos
Ogawa
December/
2001
Advisor: Prof.
Guilhenne
Bittencourt, Dr.Area of
Concentration: Control,Automation and
.IndustrialComputing
Keywords:
Genetic Algorithms,
DirectCurrent
Machines,
Artificial Intelligence.Number
of
Pages: 98
The
electromagneticdesignof
electricalmachines can be
analysed
asan optimization
problem.
At
this point,Genetic Algorithms
ispresented
in thiswork
asa proposal
toreach
a
good
solution todc
machines
design
area.Genetic
Algorithms
isan
Artificial Intelligence (AI)technique
that usesa computational
method
of
searchand
optimizationbased
on
the evolutionof
species.Through
operatorsmechanisms
inspired in geneticand
selectionrules, the
algorithm
iscapable
toevolve
individuals ateach
generation thatsuch
as naturalenviromnent,
finish evolving mostly
cases toa
new
population
composed
of
individualsmore
and
more
near
of
global solution-of
the system.Thus,
when
applied to electricalmachines
design, thealgorithm
is capable toevolve a
setof
parameters
(correspondent tomachine
configurations)
toone of
the best electromagneticconfigurations of
themachine.
The
use
of
this Artificial Intelligencetechnique reaches
areaswhere
the existent optimizationmethods
are uncertain or unsatisfactory. In electricalmachines,
the severalcombinations
of
electrical,mechanical, thermal
and
magnetic
factors,tum
thedevelopment
of
an
exact
calculationsequence
difficult to allrange
of machines
proposed
by
thecustomers.
This
work
presentsan
utilisationof
thisAI
technique
to the designof
direct currentmachines. Analysing
the resultsobtained
and
comparing
itwith
real projectsdesigned
by
an
experienced
designerand
alsowith
amotor
at testshop
it is possible toSUMÁRIO
1NTRODUÇÃO
... ... .. . . . . 1ALGORITMOS
GENÉTICOS.
... ... .. 1 2. 1INTRODUÇÃO
... .. 2.2APLICAÇÃO
... .. 2.3FUNDAMENTOS
... .. 2.4 CODn=1cAÇÃo ... ._ 2.5FUNÇÃO
DE AVALIAÇÃO
... .. 2.6SELEÇÃO
... ... ... _.2.6.1
Método
do sorteio da roleta ... ..2.6.2
Método
de seleção pelo rank ... ..2.6.3 Amostragem Estocástica Universal ... ._
2. 6.4
Método
de seleçãopor
tomeio (Tournament Selection)2.7
OPERADORES
GENETICOS ... ..2. 7.1 Crossover simples ... ._
2. 7.2 Crossover de pontos múltiplos ... ... ..
2. 7.3 Crossover uniforme ... ..
2. 7.4 Crossover parcialmente
mapeado (PMÂQ
... ..2. 7.5
Mutação
... .. 2.7.6 Operador de Inversão ... _. 2.8REINSERÇÃO
... .. 2.9 CRJTÉRIOSDE
PARADA
... _. 2 .10FUNCIONAMENTO
... .. 2. 10.1 Hyperplanos e Hypercubos ... .. 2.1 1IMPLEMENTAÇÃO
... .. 2.12IMPLEMENTAÇÕES
PARALELAS ...CONCLUSÃO
3.
PROJETO DE
MÁQUINAS
DE
CORRENTE CONTÍNUA
... ... .. 233.1 HISTÓRICO ... ..
3.2 CARACTERÍSTICAS
DA
MÁQUINA
DE
CORRENTE CONTINUA
...3.3
ASPECTOS
CONSTRUTIVOS ... .... ..3.4 PRINCÍPIOS DE
FUNCIONAMENTO
... ..3.4.1
Dados
Características ... ._3.4.2 Considerações Gerais ... ..
3.4.3 Curva de Conjugado e Potência ... ..
3.4.4
O
efeito de reação da armadura ... ..3.4.5 Comutação ... ..
3.5 ESPECIFICAÇÃO
ELETROMACNETICA
DA
MÁQUINA
DE CORRENTE CONTÍNUA
3.5.1 Análise eletromagnética ... ..
3.5.2 Considerações para o cálculo das grandezas elétricas ... ..
3.5.3
O
Cálculo das grandezas do enrolamento principal ... ..
3.5.4 Força Eletromotriz (ƒÍe.m.) ... _.
3.5.5 Cálculo da rotação nominal ..Ç ... ..
3.5.6 Cálculo do número de escovas por suporte ... ..
3.5. 7 Perdas do comutador ... ..
3.5.8 Determinação da tensão de reatância ... _.
3.5.9 Determinação da tensão entre lamelas ... ..
3.5.10 Rendimento ... ..
3.5.11 Indução no entreferro ... ..
3.5.12 Indução nos dentes da armadura ... ..
3.5.13 Indução na armadura ... ..
3.5.14 Indução no pólo ... _.
4.
IMPLEIVIENTAÇÃO
DAS
FUNÇÕES
DO
ALGORITMO
... .. 4.1FUNÇÃO
DE
GERAÇÃO
... .. 4.2FUNÇÃO
DE
CROssOvER
... .. 4.3FUNÇÃO
DE
MUTAÇÃO
... .. 4.4FUNÇÕES DE
SELEÇÃO ... .. A 4.4.1 Seleção da roleta ... ..4.4.2
Método
de seleção peloRank
... ..4.4.3
Mudança
de escala de maneira linear ... ..4.5
FUNÇÃO
DE
DECODIEIÇAÇÃO ... ..5.
IMPLEMENTAÇÃO
DO ALGORITMO
... ..5.1 CONsIDERAÇOEs_ ... ..
5.2 CODIEIÇAÇÃO ... ..
5.3
IMPLEMENTAÇÃO DA FUNÇÃO DE AVALIAÇÃO
... ..5.3.1 Elevação de temperatura do enrolamento principal ( V3) ... ..
5.3.2 Elevação de temperatura nos condutores da armadura ( V1 )..
5.3.3 Elevação de temperatura no enrolamento de comutação ( V2) 5.3.4 Cálculo do enchimento da armadura ( V4) ... ..
5.3.5 Determinação da rotação ( V5) ... ..
5.3.6 Determinação do comprimento ( V6) ... ..
5.3. 7 Cálculo da tensão entre segmentos do comutador ( V7) ... ..
5.3.8 Cálculo da tensão de reatância ( V8 ) ... ..
5.3.9 Cálculo das perdas da máquina ... ..
5.3.10 Critério de parada pelo cálculo do rendimento ... ..
6.
RESULTADOS
... ..6.1 LIMITES ADMIssÍvEIs ... ..
6.2
PARÂMETROS
DE CONFIGURAÇÃO
... ..6.3
SIMULAÇÕES
... _.6.3.3
Método
de seleção dacom
"Scaledƒitness " 736.3.4 Análise dos resultados ... .. 74
6.4
SIMULAÇÃO
GENERICA ... ._ 80 6.5COMPARAÇÃO
TEÓRICA ... .. 826.6
COMPARACÃO
PRÁTICA ... .. 84ó.
CONCLUSÃO
... ... _. sóANEXO
1zPRIMEIRA
SIMULAÇÃO
... ... ... .. ssANEXO
2zSEGUNDA SIMULACÃO
... ... .. s9ANEXO
3:TERCEIRA
SIMULAÇÃO
... ... .. 9oANEXO
4:QUARTA
SIMULAÇÃO
... .. 91ANEXO
szQUINTA
SIMULAÇÃO
... ... .. 92ANEXO
ózRESULTADOS
DA
SIMULAÇÃO
GENERICA
... ... .. 93ANEXO
7:COMPARAÇÃO
PRÁTICA
... .. 94ANEXO
szDADOS DETALHADOS
... .. 95LISTA
DE
FIGURAS
FIGURA
1.11FLUXOGRAMA
PARA
PROJETODE
MÁQUINAS
... ..FIGURA
2.12FLUXOGRAMA
GENÉRICODE
UM
AG
... ..FIGURA
2.2:MATRIZ DE
TRANsIÇÃO....FIGURA
2.3:GENEs
ECROMOssoMOs
..FIGURA
2.4:ROLETA
... ..FIGURA
2.5: SORTEIO PELORANK
... _.FIGURA
2.6: DISTRIBUIÇÃOPARA
SUS
FIGURA
2.7:TÉCNICA
DE SELEÇÃOSUS
... ..FIGURA
2.8:CROSSOVER
SIMPLES ... ..FIGURA
2.9!CROSSOVER DE
PONTOS MÚLTIPLOS ... ..FIGURA
2.102FIGURA
2.11FIGURA
2.12FIGURA
2.13FIGURA
2.14FIGURA
2.15FIGURA
2.16:FIGURA
2.172FIGURA
2.18FIGURA
2.19FIGURA
3.1:ROTOR DO MOTOR
DECORRENTE CONTÍNUA
... ..FIGURA
3.2: DETALI-IEsDA CHAPA
DO
ROTOR
(PARA EIOCIRCULAR
ERETANGULAR)
FIGURA
3.3:ESTATOR DE
CILAPASLAMINADAS
... ..FIGURA
3.4:CORTE
LONGITUDINALDO ESTATOR
... ..FIGURA
3.5 zRÉGUAS
DE SUPORTEDO
PORTA EsCOvA
EANEL
... ..UNIPORM CRossOvER
..PMX
... ._z
ALGORITMO
DO
PMX
:
MUTAÇÃO
... _.ÔPERADOR
DE
INVERSÃO ... ..CUBO COM
vERTICEsROTULADOS POR
BITS ... ..ALGORITMO
DO FLUXOGRAMA DA
FIGURA 2.1 ... ..MIGRAÇÃO
COMPLETA...:
MIGRAÇÃO EM
ANEL
.... ..FIGURA 3.72
FORMA
DEONDA
RETIFICADAPARA
I ESPIRA EN
ESPIRAS ... ..FIGURA 3.81
CURVA
DE
CONJUGADO
E POTÊNCIA ... ..FIGURA 3.9 AI
CAMPO
EM
VAZIO ... _.FIGURA 3.9 E:
CAMPO
MAGNETICO
GERADO
PELAARMADURA
... ..FIGURA 3.101 DISTRIBUIÇÃO ESPACIAL
DO
FLUXO
PRINCIPAL ... ._FIGURA 3 .I 12
ANÁLISE
PORELEMENTOS
FINITOS ... ..FIGURA 4.1:
FUNÇÃO
DEGERAÇÃO
DA
POPULAÇÃO
... ..FIGURA 4.2:
FUNÇÃO
DEcRossOvER DE
PONTOS MúLTIPLOs ... ..FIGURA 4.3:
FUNÇÃO
DEMUTAÇÃO
... ..FIGURA 4.4:
ROTINA DE
sELEÇÃODA
ROLETA
... ..FIGURA 4.5:
METODO
DE SELEÇÃO PELO RAN-K ... _.FIGURA 4.6:
MUDANÇA
DE EscALA ... ..FIGURA 4.7:
FUNÇÃO
DE
PRE EscALA ... _.FIGURA 4.8:
DEÇODIPICAÇÃO
DO cROMOssOMo
... _.FIGURA 5.12
FLUXOGRAMA
DETALHADO
... ..FIGURA 5.2:
GEOMETRIA DA MÁQUINA
132 ... ..FIGURA 5.3:
FLUXOGRAMA
DETALHADO
DA
FUNÇÃO DE AVALIAÇÃO
... ..FIGURA 5.42
FLUXO
MAGNÉTICO
NA
ARMADURA
... ..FIGURA 5.5:
CURVA
DE
SELEÇÃOAPROXIMADA DO COMPRIMENTO MAGNETIÇO
FIGURA 6.1:
AVALIAÇOEs
OETIDASPARA
A
PRIMEIRA sIMUI.AÇÃO ... ..FIGURA 6.2:
ELEVAÇÃO
DETEMPERATURA PARA
A
PRIMEIRASIMULAÇÃO
... ..FIGURA 6.3:
ROTAÇÃO
CALÇULADA PARA
A
PRIMEIRASIMULAÇÃO
... ..FIGURA 6.4:
AVALIAÇÕES
OBTIDASPARA
A
SEGUNDA SIMULAÇÃO
... _.FIGURA 6.5:
ELEVAÇÃO
DETEMPERATURA PARA A SEGUNDA SIMULAÇÃO
... ..FIGURA 6.6:
ROTAÇÃO
GALCULADA PARA
A
sEGUNDA SIMULAÇÃO
... ..FIGURA 6.7:
AVALIAÇÕES
OBTIDASPARA
A
TERCEIRASIMULAÇÃO
... ..FIGURA 6.8:
ELEVAÇÃO
DETEMPERATURA PARA A
TERCEIRASIMULAÇÃO
... ..FIGURA 6.10 FIGURA 6.11 FIGURA 6.12 FIGURA 6.13 FIGURA 6.14 FIGURA 6.15 FIGURA 6.16 FIGURA 6.171 FIGURA 6.18: FIGURA 6.19 FIGURA 6.202 FIGURA 6.21 FIGURA 6.22: FIGURA 6.23 FIGURA 6.241
:
AVALIAÇÕES
OETIDASPARA
A
QUARTA SIMULAÇÃO
... ..ELEVAÇÃO
DETEMPERATURA PARA A QUARTA
SIMULAÇÃO...ROTAÇÃO
CALCULADA PARA
A
QUARTA SIMULAÇÃO
... ..z
AVALIAÇÕES
OBTIDASPARA
A
QUINTASIMULAÇÃO
... ..z
ELEVAÇÃO
DETEMPERATURA PARA
A
QUINTA sIMULAÇÃO....z
ROTAÇÃO
CALCULADA PARA A
QUINTASIMULAÇÃO
... ..GRÁFICO
DECONVERGENCIA
... ..ELEVAÇÃO
DETEMPERATURA Nos ENROLAMENTOS
... _.GRÁFICO DE
INDUÇÓES ... ..PERDAS
TOTAISDO
MOTOR
... ..CUSTO
... ..RELATÓRIO DE
SAÍDA ... ..AVALIAÇÃO
DA
SIMULAÇÃO
GENERICA ... ..ELEVAÇÃO DE TEMPERATURA PARA A SIMULAÇÃO
GENERICATABELA
2.12ROLETA
... _.TABELA
2.2:SELEÇÃO
PELORANR
... ..TABELA
3.12 CLASSES DE ISOLAMENTO E RESPECTIVASELEVAÇÕES
DETEMPERATURA
TABELA
5.1: CODIFICAÇÃO DOSPARÂMETROS DE BUSÇA
... ..TABELA
5.2: CODIFIÇAÇÃO DosCONDUTORES
DA
ARMADURA
... ..TABELA
5.3: CODIFIÇAÇÃODO
CONDUTOR
ENUMERO
DE
ESPIRASDA
EXÇITAÇÃO ... ._TABELA
5.4: CODIFIÇAÇÃO DosCONDUTORES
DA ÇOMUTAÇÃO
... ..TABELA
5.52 CODIFICAÇÃODO COMPRIMENTO
DA
ARMADURA
... ..TABELA
5.6:DESCRIÇÃO
DosPARÂMETROS AVALIADOS
... _.TABELA
5.7:DENSIDADE PADRÃO
SE2PARA
100°C ... ..TABELA
5.8:SXAS
PADRÃO
PARA 100°C ... ..TABELA
5.9:DENSIDADE PADRÃO
SCM
PARA
100°C ... ..TABELA
6.1: LIMITES DAS vARIÁvEISDA
FUNÇÃO DE AVALIAÇÃO
... ..TABELA
6.22TABELA
DE
PESOS DOSPARÂMETROS AVALIADOS
... ..TABELA
6.3: CARACTERÍSTICASDO
MOTOR
... ._TABELA
6.4:CONFIGURAÇÃO DA
PRIMEIRASIMULAÇÃO
... ..TABELA
6.5:CONFIGURAÇÃO DA
SEGUNDA SIMULAÇÃO
... ..TABELA
6.7:RESULTADOS
OBTIDOSPARA
A
SEGUNDA SIMULAÇÃO
... ..TABELA
6.6:CONFIGURAÇÃO DA
TERCEIRASIMULAÇÃO
... _.TABELA
6.7:CONFIGURAÇÃO DA QUARTA SIMULAÇÃO
... ..TABELA
6.8:TABELA
DE
PROPOSTADE
PESOSPAPA
Novos PARÂMETROS
... ..TABELA
6.9:CONFIGURAÇÃO DA
QUINTASIMULAÇÃO
... ..TABELA
6.10:NOVA
CONFIGURAÇÃO
DOSGENES
... ..TABELA
6.1 1:CONFIGURAÇÃO PARA
UMA
SIMULAÇÃO
GENERICA ... ..TABELA
6.12:CONFIGURAÇÃO DO ALGORITMO
... ..TABELA
6.14;RESULTADOS
DA
COMPARAÇÃO
... ..TABELA
615: CARACTERÍSTICASDO
MOTOR
... _.TABELA
6.16:CONFIGURAÇÃO PARA O CASO
PRÁTICO ... ..TABELA
6.17:RESULTADOS
OBTIDOSPARA O CASO
PRÁTICO ... ..fi
p: nz ¢: ¢,,: cu: e:Emax:
Emedí
a: N: Za: Ua: Ra: Ia: Rexc: Aexc: Ppe:AT
ez ltotalf Jexc: Ue, Uexc: Pexc: Iexc: Freqüência da redeem Hz
Número
deipar de pólosRotação
em
rpm
Fluxo
instantâneoFluxo nominal
Velocidade angular
em
rad/sTensão
instantâneaem
V
Tensao
máxima
em
V
Tensão média
em
V
Número
de circuitos paralelosna armadura
Número
de condutoresna annadura ou
ranhurasdo
rotorNúmero
total de condutoresTensão
dearmadura
em
V
Resistência
do
enrolamento daarmadura
em
Q
Corrente de
armadura
em
A
Resistência
do
enrolamento da excitaçãoem
Q
Seção transversaldo
condutorda
excitaçãoem
mmz
Número
de pólos da excitaçãoem
paralelo _Elevação de temperatura
do
enrolamento de excitaçãoem
°C
Comprimento
totaldo
enrolamento de excitaçãoem
mm
Densidade de corrente
do
enrolamento da excitaçãoem
A/mm2
Tensão
de excitaçãoem
V
Potência dissipada pelo enrolamento de excitação
em
W
Corrente de excitaçãoem
A
He:
AU:
fe.m:
Raq:
Rcm:
-4Uesc ns: de: í,taI ax:Pcomí
Acomí
Pat: ` VP: er:L
R:mL:
Van: L¡a': 6- AS: Íasobí nN. "f-Z
L: eL:Força Magnetomotriz
da excitaçãoem
A/cm
Queda
de tensãodo
circuito daarmadura
em
V
Força
eletromotrizem
V
Resistência quente
do
enrolamento daarmadura
em
Q
Resistência quente
do
enrolamento dacomutação
em
Q
Queda
de tensão nas escovasem
V
Número
de escovas necessáriaDensidade
de correntenominal
da escovaem
A/cm-2 'Medida
tangencial da escovaem cm
Medida
axial da escovaem cm
Perdasno comutador
em
W
Área
superficialdo comutador
em
cm2
Perdas mecânicas
na
escovaem
W
Velocidade periférica
do comutador
em
m/s
Tensão
de reatânciaem
V
Coeficiente
de auto induçãoNúmero
de espiras por lamelaVelocidade periférica da
annadura
em
rn/sComprimento
ideal daarmadura
em
mm
Coeficiente
de PichelmayerCarga
periférica daarmadura
em
A/cm2
Corrente de sobrecarga
em
A
Rotação
nominal damáquina
em
rpm
Rotação
máxima
(enfraquecimento decampo)
em
rpm
Número
de lamelasdo comutador
B
L: Púzz'1= Pn: Bentreferroí ¢ares¡Da:
BdenteíBcarmí
Di: la: bhp:Dk:
58, ôhp: Ó`c:Bhp:
Bwp:
SranhurafZapN:
F
ioA: Cp:F
íohp: Ppe:Rf
S82:EMK:
Induçãono
entreferroem
T
Potência útilem
kW
Potêncianominal
em
kW
Induçãono
entreferroem
T
Fluxo principalem
mWb
Diâmetro
externoda armadura
em
mm
Indução
no
dentedo
rotorem T
I Induçãona
coroa daarmadura
em
T
Diâmetro intemo da armadura
em
mm
Comprimento
daarmadura
em
mm
Arco
polarem
rnm
Diâmetro
do comutador
em
mm
Entreferro principal
em
mm
Entreferro decomutação
em
mm
Largura
do
pólo principalem
mm
Largurado
pólo decomutação
em
mm
Enchimento
máximo
da ranhura daarmadura
em
mmz
Número
total de condutores por ranhuraDiâmetro do
condutor daarmadura
em
mm
Número
de condutores daannadura
em
paraleloDiâmetro do
fio
da
excitaçãoem
mm
Número
de pólos de excitaçãoem
paraleloResitência fria
do
enrolamento de excitaçãoem
Q
Densidade
de corrente de referência paral00°C
17:
ATa:
ASPzzdrâz›vSzz2= Nc:Ppw:
Scomí
ATcom¡
Scofn2¡Rcomí
Pc: lcurvaí eLlimite¡ eRlimite¡ P¡: Psuplementaresí PescovasíPFQ:
77c:wwc:
WEP:
F
iowp: Ench.:Redimento
damáquina
em
%
Elevação de temperatura
do
enrolamento da armaduraem
°C
Parâmetro padrão para elevação de temperatura de
lO0°C
Rotação
calculadaem
rpm
Número
de pólos decomutação
em
paraleloDensidade
de correntedo
enrolamento decomutação
em
A/mmz
Elevação de temperatura
do
enrolamento decomutação
em
°C
Densidade
padrão para elev. de temperaturalO0°C
em A/mmz
Resistência quente da
comutação
em
Q
Perdas
do
enrolamento decomutação
em
W
Comprimento
estimado pelo gráficoLimite admissível da tensão entre lamelas
em
V
Limite admissível da tensão de reatânciaem
V
Perdas totaisem
W
Perdas suplementares
em
W
Perdas geradas pelas escovasem
W
Perdasno
ferroem
W
Rendimento
calculadoem
%
Número
de espirasdo
enrolamento decomutação
Número
de espirasdo
enrolamento principalDiâmetro
do
condutordo
enrolamento dacomutação
em
mm
1.
INTRODUÇÃO
Atualmente, o projeto elétrico das
máquinas
de corrente contínua é realizado através deprogramas
computacionaisque
consistemnuma
seqüência de cálculos pré estabelecidos de acordocom
a teoria eletromagnética (baseadona
lei de Faraday).Os
dados
de entrada desta seqüência de cálculo são constituídos basicamente dedados
deorigem
geométrica (mecânicos) e especificações elétricas. Através destes dados, é possível estimar/
teoricamente o
comportamento
eletromagnéticoda
máquina
elétricaem
questão.A
análise dos dados de saída,ou
seja, os resultados provenientes da resposta da seqüência de cálculos,permitem
ao projetista eletromecânico observar as melhoriasou
reparosque
devem
ser realizados através dos dados de entrada.
Assim; o ciclo se repete continuamente até
que
os resultados doscálculosatendam
todos os requisitos necessários da máquina. Pode-se representar este ciclo através dofluxograma
da ñ- gura 1.1.Dados
de
EntradaSeqüência
de
Entrarcom
novos CálculoDados
Atende
Nã°
requisitos?Sim
Seqüênciade
` CálculoFigura
1.1 :Fluxograma
para
projetode
máquinas
Do
fluxograma da figura l.lpode
se concluirque o
tempo
está diretamente relaci-2
O
projeto deuma
máquina
baseada nestemétodo
entrega totalmente a confiabilidade damelhor configuração
damáquina
à experiênciado
projetista.Assim,
o projeto especificadocom
pouca
experiência abre possibilidades de existir outros dados de entrada, diferentes daqueles utili-zados
pelo projetista quemelhor atendam
os requisitos damáquina ou atendam
os requisitoscom
um
custo de fabricação menor.O
estudo apresentado neste trabalho, utiliza ométodo
de Algoritmos Genéticoscomo
fer-ramenta
para a otimização da seqüência de cálculos utilizada para 0 projeto da máquina.A
funçãoa ser otimizada,
denominada
como
função de avaliação (que será estudadano próximo
capitulo),integrará todas as principais características da máquina. '
O
método
procura asseguraruma
das melhoresconfigurações
de dados de entrada para a seqüência de cálculossem
a necessidade de interferência pelo projetista.A
cada análise das res-postas da seqüência de cálculos, o algoritmo .gera
novas
opções de entrada baseadasem
outros da- dos de entrada ena
qualidade das avaliações por elas obtidas.No
capítulo seguinte, será estudado a teoria dos Algoritmos Genéticos e seuesquema
de funcionamento.Uma
introdução à teoria dasmáquinas
elétricas de corrente contínua será abordadano
capítulo 3.As
implementações das funções edo Algoritmo
Genético aplicado ao projeto dasmáquinas
será estudadono
capitulo4
e 5.O
capítulo 6 apresenta os resultados obtidos paraalgumas
simulações de projetoscom
aimplementação do programa
realizadoem
Matlab
com
todas as tabelas e curvas geradas pelo2.
ALGORITMOS
GENÉTICQS
Os
Algoritmos Genéticos constituemuma
técnica debusca
e otimização baseadana
evo- lução natural das espécies.Com
inspiraçãona
genética,o
algoritmo é capaz de evoluir populações de indivíduos através das gerações,conduzindo
eventualmente à determinação da solução ótima para oproblema
proposto.Uma
implementação
do
algoritmo inicia-sena
geração da população inicial de indivíduos,geralmente aleatória.
Na
etapa seguinte, a avaliação da população indica os indivíduoscom
maior
ou
menor
potencial para soluçãodo
problema.É
baseado nesta avaliação que os indivíduos rece-bem
as probabilidades de reprodução.Em
analogia ao processo natural, esses indivíduos,denomi-
nados
decromossomos
pela literatura genética, sofrem transformações através dos operadores ge-néticos,
como
recombinação
e mutação, gerando assim a sua descendência. Este ciclo se repete a cadanova
geração até que o critério de parada seja satisfeito. ~2.1
Introdução
Os
indivíduosna
naturezacompetem
entre si pelo alimento, espaço e reprodução [l],evoluindo de acordo
com
as regras naturais de "sobrevivência",onde
osmais
fortesou que melhor
se
adaptam
ao ambientetêm maior
possibilidade de se reproduzirem e assimmanterem
sua des-cendência por
mais
tempo
que aquelesmenos
adaptadosou
mais
frágeis. Portanto, a seleção natu- ral tende amanter
nas populações os genes dos indivíduoscom
as melhores características de adaptação ao ambiente, genes estesque
serão transmitidos para as gerações futuras, demaneira
que, a cada geração, os indivíduos estejam
melhor
adaptados parao
ambiente.O
aspecto de adaptação de cada indivíduo ao ambiente natural está relacionadocom
suascaracterísticas hereditárias.
Os
genes quecompõem
oscromossomos possuem
codificadas todas as informações das característicasdo
indivíduo. Dentro da genética, esse código édenominado
genó-tipo, enquanto as caraterísticas propriamente ditas, são
chamadas
de fenótipo.Assim,
quando
existeo cruzamento
de dois seres demesma
espécie, a descendência passa a herdaruma
combinação do
material genético de seus pais, fato pelo qual, o indivíduopode
pos-suir
algumas
característicasdo
pai e outras damãe.
Analogamente
a essecomportamento
natural, os Algoritmos Genéticos interagemcom
4
entretanto, codificados (genótipos).
A
cadaum
desses indivíduos, atribui-seuma
nota, avaliada poruma
funçãodenominada função de
avaliação. Essa nota, está espelhadano
grau de adaptaçãodo
indivíduono
ambiente natural.Através da avaliação,
o
algoritmopode
então fazer a seleção dos elementos aserem
repro- duzidos deforma
que ao finaldo
processo,ou
seja, a- convergência da população, os indivíduosrepresentem a
melhor
solução para oproblema
proposto.2.2
Aplicação
Os
algoritmos genéticospodem
ser aplicados à maioria dosproblemas
de otimização, en-tretanto, sua performance
não
deve sercomparada
a técnicas existentes especíñcas paraum
pro-blema
em
particular. _As
áreas de aplicação dosAG's
são principalmente aquelasonde não
existemuma
técnica específicaou
cujos resultados obtidos pelosmétodos
convencionaisnão
são satisfatórios.Ainda
assim,mesmo
onde
existem técnicas de otimização, pode-se alcançaruma
melhora significativa adotandouma
técnica híbridacom
os Algoritmos Genéticos [2].Os
AG's
podem
ser aplicados aproblemas
de otimização de construções civisou
pontespara se encontrar a
melhor
relação de gastos de materiais dentro dos limites de esforços aos quais aestrutura será submetida.
Também
tem
sido alvo de trabalhosna
área de escalonamentonos
siste-mas
deprodução
[3],onde
sedeve
otimizar o_tempo
paraaumentar
a produtividade. _Outro
campo
de atuação dos Algoritmos Genéticos está nasmáquinas
elétricas [4-l2],como
apresentadosem
[4,7,l0],na
determinação de parâmetrosdo
circuito equivalentedo motor
de indução.
Em
[10] é apresentada ainda,uma
comparação
entre osAG's
e aProgramação
Genéti-ca, através de três circuitos equivalentes.
Segundo, David
E.Goldberg
em
[13],podem
ser definidasalgumas
categorias para semotivar a utilização dos Algoritmos Genéticos: Natureza, Sistemas Artificiais,
Competência
eEconomia.
Das
categorias citadas por Goldberg, asmais
interessantesparecem
ser a competênciado
método
e a economia.A
natureza e sistemas artificiais estão relacionados a justificativas de funci-onamento do método
(a evolução naturalcomo
prova existente de funcionamento)enquanto
acompetência
e aeconomia
estão relacionadas aos limites dos operadores genéticos,economia
de2.3
Fundamentos
Diferentemente dos
métodos
tradicionais de otimização, os Algoritmos Genéticos traba-lham
com
uma
codificaçãodo
conjunto de parâmetros enão
diretamentecom
os parâmetros.As
possíveis soluções
do problema
são representadas por códigos, geralmenteuma
cadeia de bits. Es- ses códigos, inspirados da genética, são conhecidoscomo
cromossomos
e sãocompostos
pelos genes.Cada
gene
pode
ser consideradocomo
representante deum
parâmetrodo problema
de oti-mizaçao.
Os
Algoritmos Genéticos trabalhamcom
uma
população de individuos(cromossomos)
que
são avaliados, selecionados e reproduzidos para darorigem
auma
nova
geração e assim suces- sivamente.Essa
característica,segundo
alguns autores [1,l4] constituiuma
das principais diferen- ças destemétodo
em
relação aos tradicionais, pois a exploraçãodo
espaço de busca se dá através de vários pontos enão
deum
único ponto. Entende-se por espaço de busca, o conjuntoou
regiãoque
compreende
as soluções possíveisdo problema
a ser otimizado.Uma
população reduzidapode
levar auma
pequena
varredurado
espaço de busca epode
diminuir a
chance
de ser encontrada a solução ótima global principalmentequando houver
um
tempo
reduzido. Entretanto,uma
populaçãomaior
pode
explorarmelhor
o espaço e reduzir a pos-sibilidade de
uma
convergência prematura,porém
deve-se considerarque
parauma
população denúmero
de indivíduos muito elevado,o
algoritmo será limitado pelo custo computacional.Assim,
procura-se encontrar
um
equilíbrio satisfatório na questãodo
custo computacional e qualidade da solução.De
maneira
genérica a estrutura deum
Algoritmo
Genéticopode
ser representada atravésdo
fluxograma
dafigura
2.1.A
etapa inicial de geração da populaçãonormalmente
é aleatória, excetoem
casosonde
jáse
conhecem
pontospróximos
da solução global, nestes casos entretanto, a possibilidade de utili-zação de
métodos
de otimizaçãocomo
escalagem (do Inglês hillclimbing)com
auxíliodo
gradi- entepode
seruma
altemativamais
eficiente (verfigura
2.2).6
Geração da População
H
AvaliaçãoRecombinação Avaliação
WW
Reposição na PopulaçãoN
Convergiu? S VFigura
2.1:Fluxograma
genérico de
um
AG
Através da função de avaliação, os
cromossomos
são avaliados para posteriormenteserem
selecionados.
Seus
descendentes, assimcomo
na
natureza, herdarão as caracteristicasde
seus pais.Os
indivíduosque
representam as soluçõesnão
adequadas aoproblema
são descartadosou tem
menos
chance de
reprodução, reduzindo assim a sua descendência durante as próximas gerações, o que leva a população a convergir parauma
solução otimizada.A
função de avaliação utilizada pelosAG's
independe demétodos
de derivadaou
que
exijam
algum
conhecimento
auxiliar sobre o sistema.A
transição deuma
geração para- a outra, utilizamétodos
probabilísticos enão
determinísticoscomo
nos
métodos
tradicionais.É
possivelque
a reprodução de dois individuoscom
baixa avaliação possa darorigem
auma
descendênciacom uma
avaliação alta. Énecessário então que se escolhaum
método de
sele-ção
que
não
exclua totalmente a possibilidade deum
indivíduocom
baixa avaliação se reproduzir.A
etapa de seleção é responsável pela escolha dos indivíduos “pais” , que transmitirão seumaterial genético para as futuras gerações.
Uma
vez selecionados, os indivíduos são inseridosnuma
matriz de transiçãoonde
aguardam
arecombinação
e reposiçãona
população atual.Terminada
a inserção dos descendentes na população original,o
cicloretoma
à avaliaçãoda população e
novamente
se reiniciao
laço até que o critério de parada seja satisfeito.As
etapas representadas pelo fluxogramada
figura
2.1 serão tratadascom
mais
detalhesno
população Matriz de transição
Recombinação
Nova
PopulaçãoIfñillflil
ITOIOT|Tü'II0010010
Vno
o 5 ÉC>
ÍÍÊÊÃÊÊÊÃÉ
“TUI”
Figura
2.2:Matriz
de
transição '2.4
Codificação
A
soluçãodo problema
a ser otimizado écomposta
porum
conjunto de parâmetros, conhe-cidoscomo
genes, que, juntoscompõem
a seqüência de caracteres da cadeiadenominada cromos-
SOI`I10.
A
maioria das aplicações de Algoritmos Genéticos trabalhacom
problemas de naturezanão-linear,
ou
seja,não
é possível resolver oproblema
simplesmente isolando as variáveis, pois existem relações (Epistasis) entre os genes (Parâmetros)que
devem
ser consideradasna
soluçãodo
problema.
No
caso particular deuma
função bidimensional f(x, y),onde
as variáveis x ey
são codi-ficadas
(genes) poruma
cadeia de 10 bits, ocromossomo
teráum
comprimento
total de20
bits(ver
figura
2.3). Neste caso, as variáveisx
ey
podem
representarum
intervalo de210
valores.Cada
gene
corresponde aum
parâmetro realdo problema
a ser otimizado.Um
problema
freqüente
que
se encontra nesta codificação é que,nem
sempre, os parâmetros representam valoresdiscretos, logo,
uma
representação bináriacom
1024
valores é possível de se realizarcom
10 bits, entretanto,quando
se pretende representar524
valores,nove
bits são insuficientes enquantoque
uma
representaçãocom
dez bits apresenta500
valoresalém do
necessário, Nestes casos, pode-se utilizar técnicas de redundância [l4],onde
alguns indivíduostêm
uma
dupla representação.H
I I I O I I I O lICTOITIOSSOITIOI
8
No
caso denão
se relacionar os valores dos parâmetroscom
todos os códigos bináriosdo
cromossomo, não
é possível assegurarque
durante suamanipulação
pelos operadores genéticos,não apareçam
valores decromossomos
sem
significado real, prejudicandoou
invalidando a quali-dade da solução, pois existirão pontos inválidos
no
espaçode
busca.Tradicionalmente, os
cromossomos
sãocompostos
por elementos binários, entretanto,existem diversas discussões a respeito
da
cardinalidade das representaçõesnão
binárias [14] e suas vantagens.Em
trabalhoscom
variáveisde
valor contínuo, deve-se definir a precisão necessária eo
intervalo da solução,
em
seguida, passa-se a discretização desses valores. Assim, senum
intervaloentre [0;lO] for utilizado
uma
codificaçãocom
6 bits, tem-se26
valores discretos para este inter- valo, portanto, a precisão será de 0.15.Caso
a precisão seja insuficiente para a qualidadeda
res- posta, pode-seaumentar
onúmero
de bits da codificação, entretanto, tendoem
mente
oaumento
do
espaço de busca.2.5
Função
de
avaliação
A
funçãof
citadana
seção anterior é conhecidatambém
como
ftmção de avaliação.Seu
papel é essencial
no
desempenho do
algoritmouma
vez que seu objetivo é avaliar a qualidade de cadacromossomo
para o_ referido problema.A
complexidadeda
avaliação está relacionada a quantidade de parâmetros aserem
otimizados ecomo
fazer sua avaliação.A
função geralmentenão
é trivial, pois varia de acordocom
a aplicação e juntamentecom
a codificação,pode
constituirem
certos casos, amaior
dificuldadede implementação do
algo- ritmo.É
importante observar que,como
os Algoritmos Genéticos trabalhamcom
populações, a função será utilizada proporcionalmente aonúmero
de indivíduos e a cada geração efetuada.No
caso hipotético deuma
avaliação levaraproximadamente
15 segundos para cada indivíduo,numa
população de300
individuos, o algoritmo levaria cerca de4500 segundos ou
l hora e 15minutos
para avaliar todos os individuos a cada geração. '
A
regra geral para a função de avaliação é desenvolvê-la demaneira
que ela reflitao
valorpro-blemas
de otimização,onde
existem diversas restrições e muitos pontosdo
espaço debusca
podem
ter
um
significado inválido.Métodos
de tratamento de restriçõestem
sido propostosem
[l,l5],como
a função de pe-nalidade (Penalty Function),
que
penaliza oscromossomos
inválidoscom uma
reduçãona
avalia-ção. Outra
abordagem
parao problema
decromossomo
inválidos é proposta porCramer
[l],onde
se
recompensa
aquelescromossomos que possuírem
uma
avaliação válidano
espaço de busca.2.6
Seleção
Após
a etapa de avaliação dos indivíduos, deve-se escolher quais serão os responsáveis pela geração danova
população. Nesta etapa, édefinido
então oesquema
de seleção a ser utiliza-do. _
A
seleção é realizada de maneira a favorecer os indivíduoscom
melhor
avaliação,ou
seja,que
tenham
sido avaliadoscomo
mais
aptos à soluçãodo
problema, enquanto que, indivíduoscom
menor
nota (avaliação) sãomenos
favorecidosna
reprodução.Para
que
oscromossomos
com
melhor
notauma
vez encontradossempre
semantenham
durante as gerações,pode
se utilizaruma
estratégia elitista, simplesmente copiando-os para anova
população, garantindo assim que nesta população, a avaliação
do melhor
indivíduonunca
sejamais
baixaque na
geração anterior.2.6.1
Método
do
sorteioda
roletaUma
técnica de seleçãocomum
é a escolha dos indivíduos atravésdo
sorteioda
roleta,onde
a probabilidade de cadacromossomo
ser selecionado é diretamente proporcional à sua avali-ação. Este tipo de
mecanismo
de seleção é conhecidotambém
como
seleção proporcional à avalia-ção.
Este
método
consisteem
dividiruma
roletaem
setores proporcionais à notadada
pela fun- ção de avaliação,conforme
mostra afigura
2.4.O
número
de indivíduos a ser selecionado é onúmero
de vezes que a roleta deverá ser gi- rada. Nota-se que nestemétodo
de seleção, o indivíduocom
maior avaliação (indivíduo 1) possuimaiores chances de ser sorteado pelo giro da roleta.
Neste
método
de sorteio proporcional à avaliação,quando
existeuma
discrepânciamuito
10
ele
pode
nem
sempre
ser o indivíduo representanteda
solução ótima globaldo
problema,mas
deum
máximo
local. Esse tipo deproblema
pode
levar auma
convergência prematurada
população.Número
do indivíduo Avaliação SOFMO di Roletal 31,25 2 12,00 3 13,00 4 12,50 5 25,00 6 6,250
Tabela
2.1:Roleta
Figura
2.4:Roleta
6
6%
13% 3 12%
13%
A
mudança
de escala de maneira linear (fitness scaling) proposta porGoldberg
em
[15]pode minimizar
este tipo de problema. Nestamudança
de escala,f,
que é a avaliação deum
de-terminado indivíduo, possui
uma
relação linearcom
f', seu valor nanova
escala.f=a.f+b
(2.1)
A
relação entref
ef
émostrado
pelaequação
( 2.1 ).Os
coeficientesa
e bpodem
ser es-colhidos de diversas maneiras, entretanto,
em
todos os casos, ométodo
sugere queo
valor def
médio
seja igual af
médio.Ao
utilizar este tipo demudança
de escala deve-se estarsempre
atentoaos valores
assumidos
porf
e fazer a correção necessáriaquando
este valor for negativo.Outra
fonna
de minimizar0 problema
de“domínio”
deum
único indivíduo da roleta éutilizar técnicas
de
seleçãocomo
oMétodo
de Seleção pelo rankou
Amostragem
Estocástica Uni-versal.
2.6.2
Método
de
seleção pelorank
O
método
de seleção pelo rank é similarao da
roleta, entretanto, os setoresda
roleta são distribuídos de acordocom
o rank de cada elemento enão
pela sua avaliação.O
rank deum
indivíduo se refere à sua posiçãoem
ordem
decrescente de avaliação, por exemplo,o
indivíduocom
pior avaliaçãoocupa
a posição denúmero
l.Embora
esse tipo de seleçãotome
o algoritmomais
lento porque omelhor
indivíduo dapopulação
tem
uma
diferença baixaem
relação aos demais, tal procedimento evitao problema
de convergência prematura citadono método do
sorteioda
roleta.A
construçãodo
método
de seleção pelo rankpode
ser observadana
tabela 2.2,onde
osmesmos
indivíduos da tabela 2.1 são utilizados.Indivíduo Avaliação Rank
%do
Totall 31,25 6 28 2 12,00 2 l0 3 13,00 4 19 4 l2,50 3 l4 5 25 ,O0 5 24 6 6,25 l 5
Tabela
2.2:Seleção
pelorank
*Seleção pelo rank 6
5%
24% 10 14% 3%
19%Figura
2.5: Sorteio pelorank
É
baseadona
quarta coluna da tabela 2.2que
os setoresda
roleta deverão ser distribuídos.Observa-se
que
existeuma
distribuiçãomais
uniforme nestemétodo
eque
a distribuição para seisindivíduos
sempre
será a percentualmene amesma,
independente das avaliações dos indivíduos. 2.6.3Amostragem
Estocástica UniversalNa
técnica de seleçãoSUS
(Stochastic Universal Sampling), a distribuição dos indivíduos é realizada demaneira
proporcional à avaliaçãocomo
no método
da
roleta,porém,
o sorteio é rea- lizado demaneira
diferente.Indivíduo: l 2 3 4 5 6
Marcador: O
~i
.3l .43 .56 .69 .94 lFigura
2.6: Distribuiçãopara
SUS
Inicialmente, marca-se
o segmento onde
os indivíduosforam
distribuídos (figura 2.6),em
N
partes iguaisonde
N
é onúmero
de individuosque
se deseja selecionar.O
espaçamento
entre cadamarcador
deverá ser igual a 1/N e o primeiromarcador
é colocado aleatoriamenteente
0
e l/N.12
No
exemplo
dafigura
2.6, 0número
de individuos a ser selecionado é 4, portanto, divide-se o
segmento
em
4
partes iguais.O
espaçamento
entre os marcadores é de 0.25 e a posiçãodo
primeiro
marcador
é escolhido de maneira aleatória entre0
e 0.25.Indivíduo: I 2 3 4 5 6
Marcador: O
~
.3l .43 .56 .69 .94 lLo <
i<
1/NL
1/N
L
1/N
L
1/N
I
Figura
2.7:Técnica
de
seleçãoSUS
Os
indivíduos selecionados neste caso são: 1, 3,4
e 6. Estemétodo
também
evita o pro-blema
dedominância
deum
único indivíduo da população.2.6.4
Método
de
seleçãopor
torneio(Tournament
Selection)Neste
método
de seleção é possível controlar a pressão seletiva, isto é,o
graucom
que
osmelhores indivíduos são favorecidos [16-18] - quanto
maior
a sua avaliaçãomaior
a probabilidadede ser escolhido, quanto
menor
a avaliação,menor
a probabilidade.A
pressão seletivadeve
serentendida
como
sendo a probabilidadedo melhor
indivíduo ser escolhidocomparado
com
a pro- babilidademédia
de todos os indivíduos serem escolhidos.A
técnicade
seleção portomeio ou
tournamentem
suaconcepção mais
simples, consisteem
se escolher aleatoriamenteN
indivíduos (2<
N
< Nmáx)
da população e selecionaro
melhor
indivíduo entre os
N
indivíduos escolhidos,ou
seja, aqueleque
apresentar amaior
avaliação.O
número
N
de indivíduos sorteados é conhecidocomo
“tamanho
do tomeio”
e é através desse valorque
a pressao seletivapode
ser controlada.2.7
Operadores
Genéticos
A
recombinação
dos indivíduos é realizada através dos operadores genéticos crossover emutação. Tais operadores são aplicados
com
certa probabilidade,ou
seja,uma
vez
selecionados os indivíduos para a recombinação, existeuma
probabilidadeX
(usualmente80%)
deque
os indiví-2. 7.1 Crossover simples
A
técnica de crossover simples consisteem
escolherum
ponto aleatoriamenteno
cromos-
somo
e, a partir deste ponto, trocar os bits seguintescom
o
outrocromossomo, conforme mostra
afigura
2.8.Ponto de crossover
IE! ©›-n
|\)›-›
Descendentes de 1 e2
Figura
2,8:Crossover Simples
2. 7.2 Crossover de
pontos
múltiplosO
crossover de dois pontos,ou
demaneira
mais
genérica, crossover de pontos múltiplos éuma
extensãoda
técnica de crossover simples.Esta técnica
melhora o
algoritmo quanto à exploraçãodo
espaço de busca.No
crossover de pontos múltiplos,o
cromossomo
é consideradocomo
uma
cadeia unindo-seo
finaldo cromos-
somo
com
seu início. Para se trocaro segmento
deuma
cadeiacom
outro, torna-se necessário en-tão, dois pontos,
um
de iníciodo segmento
e outro defim.
A
troca ocorre normalmente,como
o
crossover de
um
ponto.Pontos de crossover
Indivíduo 1 Indivíduo 2 Descendentes
14
2. 7.3 Crossover
uniforme
O
crossover uniforme (uniform crossover) é Luna técnicaem
que
cada gene da descen- dência é criado copiando-seo gene
correspondente aum
dos pais, escolhido de acordocom uma
máscara
gerada aleatoriamente.Onde
houver 1na
máscara,o gene
é copiadodo
primeiro cro-mossomo
eonde houver
O,do
segundo,confonne
afigura
2.10.]nd_ 1 'if-:gl 'lx , z,;z. . .>^Í .-le Il: Y
Ind.2l10l000101
Máscaral0l1l01l00
T?DCSC-1
10
o
1 Desc. 2 1 0 l O O 1Figura
2.10:Uniform
Crossover
2. 7.4 Crossover parcialmente
mapeada
(PAHO
A
técnica dePMX
proposta porGoldberg
e Lingle [15] selecionaum
mesmo
intervaloaleatório
nos
doiscromossomos
pais e os transpõe.A
transposição éuma
permutação onde
os dois elementos são trocados e osdemais
permanecem
inalterados.Ind-1
1nó.2|11o1ooo1o1|
D¢s‹z.1 o 1 o o Desc. 2 | 1 1 o 1o
1 |Figura
2.11:PMX
O
algoritmo dañgura
2.12exemplifica
a operação de crossover parcialmentemapeado.
O
Descl
=
Indl;Desc2
=
Ind2;Gerar dois
números
aleatóriosp
1 ep
2
com
0<
p
1<
p
2
S max
Para i=
pl atép2
façaDesc2
=
Indl[ i ];Descl
=
Ind2[ i ];Figura
2.12:Algoritmo
do
PMX
2. 7.5
Mutação
A
outra técnica demanipulação
genética é a mutação,que
consisteem
trocaro
bit deum
cromossomo
numa
posição aleatória por seucomplemento.
A
mutação
é aplicadacom
menos
fre-qüência
que
o crossover (geralmente 1 a cada 1000 indivíduos,ou segundo
algtms autores,com
probabilidade l/l
onde
l é 0comprimento
da cadeia de bitsdo cromossomo).
1zzà.1|11o1z~=zgg›§fâzo
o1o1|
D¢z¢.1|1
1 o 1 o o 1 o1|
Figura
2.13:Mutação
A
mutação
é responsável pela exploraçãodo
espaço de busca e asseguraque
todos ospontos
do
espaçopossam
ser pesquisados [l].Assim
como
na
técnica de crossover, amutação
também
possui suas variantes quanto à probabilidade e técnica.Existem
propostas para se utilizarsomente
a seleção emutação
para a evolução,denominada
naíve evolution [l4].Para os operadores genéticos de crossover,
mutação
e suas variantes,não
existem estudosque
comprovem
Lunaconfiguração
ideal a ser utilizada, pois experimentalmente, algunsmétodos
são
mais
eficientesem
determinadas situações, entretanto,mostram-se
deficientesem
outras.2. 7.
6
Operador de
InversãoNo
operador de inversão, dois pontos são escolhidos aleatoriamente ao longo da cadeia e a posição de cada bitcompreendido
entre esses dois pontos é invertida,conforme
mostra afigura
2.14.
I
16 1nà.1 | 1 1 1 o 1 | D‹-=sc.1)1 1 1 ‹›
1|
Figura
2.14:Operador de
inversãoO
operador de inversãono
entanto,embaralha
os bits de maneira aleatória gerandoum
cromossomo
não somente
com
significado diferentemas também
com
uma
avaliação diferente. Assim,0
método
propõeuma
indexação das posições dos bits a partirda
qual é possívelmanter o
significado
do
cromossomo
mesmo
alterando aordem
de determinados bits,mantendo
assim sua avaliação.Geneticamente
falando, o genótipopermanece
inalteradouma
vez que as característicasdo
indivíduo (fenótipo) continuam inalteradas.A
restriçãodo
usodo
operador de inversão estáem
secomprometer
com
um
índice para cada indivíduo etambém
com
efetuar operações derecombinação somente
entrecromossomos de
mesma
indexação. .. .2.8
Reinserção
Uma
vez
selecionados e recombinados, osnovos
indivíduospodem
ser avaliados e reinse- ridosna
população.Se
onúmero
de descendentes formenor
que o
número
de indivíduos dapopu-
lação, então é necessário que haja
um
critério para a substituição de antigoscromossomos
pelos novos.O
intervalo de geração [14] (do Inglês generation gap) édefinido
como
a proporção dos indivíduosda população
que serão reinseridos a cada geração. Para a maioria das aplicações,o
valor l é atribuído ao intervalo, isto é, a população inteira é substituída a cada geração, entretanto,
a tendência
mais
recentetem
favorecidoo
tipo de reposição estado estacionário (steady-state),que
utilizaum
intervalo de baixo valor - tipicamentesomente
dois indivíduos são reinseridos acada
geração.