Estudo comparativo entre os métodos gradiente reduzido generalizado e algoritmo genético em otimização com múltiplas respostas

Abstract

Resumo: Neste trabalho foi realizado um estudo comparativo entre as metodologias de otimização Gradiente Reduzido Generalizado (GRG) e Algoritmo Genético (AG) para a otimização de processos com múltiplas respostas. Para estimar os parâmetros que minimizam a função objetivo foram utilizadas respostas geradas por planejamento de experimentos de forma aglutinada, as quais foram incorporadas à função objetivo. Os estudos de caso utilizados foram baseados em trabalhos selecionados na literatura e, para cada experimento selecionado, foi realizada a otimização dos valores dos parâmetros do processo utilizando as duas metodologias, o GRG, por meio de uma planilha do Microsoft Excel e o AG utilizando o software Scilab. Foram realizadas 10 replicações e calculada a média dos resultados obtidos. A comparação entre os métodos foi realizada com base em medidas de desempenho, por meio da distância média percentual. O AG apresentou melhores resultados em comparação com o GRG. Palavras-chave:Otimização. Múltiplas Respostas. Algoritmo Genético. GRG. Abstract:In this paper we present a comparative study between the Generalized Reduced Gradient (GRG) and Genetic Algorithm (GA) methods to optimize multiple-response processes. Results from experiment design were used to compose the objective function to be minimized. The case studies in this work were selected from literature. A Microsoft Excel spreadsheet was used for parameters optimization using GRG, and the Scilab software was used to GA. Ten replicates were performed and the mean of the results was obtained. To assess the methods was used performance measures based on the mean percentage error. From the performance measures used, the AG showed better results compared to the GRG, indicating that the AG can generate better responses than GRG.

Modeling and Numerical Validation of Stress-Strain Curves of Maraging Steels, Grades 300 and 350 Under Hydrogen Embrittlement

“…The generalized reduced gradient (GRG) algorithm is employed to solve nonlinear optimization problems in which the aim function can have nonlinearities of any nature 19,21,37 . This method was used to solve the convergence models, finding the best approach parameters.…”

Estudo comparativo entre métodos de otimização de problemas com múltiplas respostas

“…Há alguns anos, diferentes algoritmos como as metaheurísticas foram introduzidas e propostas para a otimização de problemas contendo múl-múltiplas respostas, com modelos obtidos por meio de um planejamento de experimentos e com restrições lineares. Em geral, as respostas a serem otimizadas são aglutinadas formando uma única função objetivo a ser otimizada (Gomes, Pereira, Marins, & Silva, 2017).…”

Algoritmos para o problema de localização de estações de carregamento de veículos elétricos

“…Segundo a EDP Portugal (2017), o custo estimado de um carro elétrico é de 1315€/ano contra 2090 €/ano de um carro a combustão, supondo uma média de 12000 Km rodados/ano. Portanto, os VEs se tornarão os principais componentes importantes no sistema de transporte futuro.…”

“…Vários problemas em diversas áreas dos sistemas produtivos procuram a otimização de recursos, tempo mínimo de entrega de produtos, redução de custos de produção e de estoques (FUCHIGAMI; MOURA; BRANCO, 2017) ou otimização de múltiplas respostas com conflitos, por exemplo, maximizar a qualidade de seu produto e ao mesmo tempo minimizar o impacto com o meio ambiente (GOMES et al, 2017). Riechi, Tormos e Hillebrand (2017) apresentaram um problema de otimização no qual buscaram encontrar o ponto de valor mínimo do custo médio anual de uma frota de ônibus e isso aprimorou o processo de tomada de decisão no planejamento da frota de uma empresa de transporte urbano.…”