Estudo comparativo entre os métodos gradiente reduzido generalizado e algoritmo genético em otimização com múltiplas respostas
DOI:
https://doi.org/10.14488/1676-1901.v17i2.2566Palavras-chave:
Otimização. Múltiplas Respostas. Algoritmo Genético. GRG.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.
Downloads
Referências
ABADIE, J.; CARPENTIER, J. Generalization of the Wolfe reduced gradient method to the case of nonlinear constraints. In: Optimization, ed. R. Fletcher, Londres: Academic Press, 1969.
AVILA, S. L., Otimização multiobjetivo e análise de sensibilidade para concepção de dispositivos. 2006. 148 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Santa Catarina. Florianópolis, 2006.
BAZGAN, C.; JAMAIN, F.; VANDERPOOTEN, D. Approximate Pareto sets of minimal size for multi-objective optimization problems. Operations Research Letters, v. 43, n. 1, p. 1-6, 2015. http://dx.doi.org/10.1016/j.orl.2014.10.003
CASTILLO, E.; MONTGOMERY, D.; McCARVILLE, D. Modified desirability functions for multiple response optimization. Journal of Quality Technology, v. 28, p. 337-345, 1996.
CHENG, C. B.; CHENG, C. J.; LEE, E. S. Neuro-fuzzy and genetic algorithm in multiple response optimization, Computer and Mathematics with Applications, v. 44, n. 12, p. 1503-1514, 2002. http://dx.doi.org/10.1016/S0898-1221(02)00274-2
DERRINGER, G.; SUICH, R. Simultaneous optimization of several response variables. Journal of Quality Technology, v. 12, n. 4, p. 214-219, 1980.
DEHURI, S.; CHO, S.B. Multi-criterion Pareto based particle swarm optimized polynomial neural network for classification: A review and state-of-the-art. Computer Science Review, v.3, p. 19-40, 2009. http://dx.doi.org/10.1016/j.cosrev.2008.11.002
DÍAS-GARCÍA, J.A.; BASHIRI, M. Multiple response optimization: An approach from multiobjective stochastic programming. Applied Mathematical Modelling, v. 38, n. 7-8, p. 2015–2027, 2014. http://dx.doi.org/10.1016/j.apm.2013.10.010
FAGHIHI, V.; REINSCHMIDT, K.F.; KANG, J.H., Construction scheduling using genetic algorithm based on building information model, Expert Systems with Applications, v. 41, n. 16, p. 7565-7578, 2014.
http://dx.doi.org/10.1016/j.eswa.2014.05.047
FOGEL, L. J.; OWENS, A. J.; WALSH, M. J. Artificial intelligence through simulated evolution. New York: John Wiley, 1966.
GOLDBERG, D. E. Genetic algorithms, In Search: optimization and machine learning. Berkeley: Addison-Wesley, 1989.
GOMES, F.M. ; PEREIRA, F.M. ; SILVA, M.B. ; MARINS, F.A S. . Aplicação da Meta-heuristica Algoritmo Genético na Otimização de Problemas com Múltiplas Respostas. In: Encontro Nacional de Engenharia de Produção ENEGEP, 2015, Fortaleza. Anais do Encontro Nacional de Engenharia de Produção ENEGEP e ICIEOM, 2015.
HARIDY, S., GOUDA, S. A., WU, Z. An integrated framework of statistical process control and design of experiments for optimizing wire electrochemical turning process. International Journal of Advanced Manufacturing Technology, v.53, p. 191-207, 2011. http://dx.doi.org/10.1007/s00170-010-2828-7
HAMMOUCHE, K.; DIAF, M.; SIARRY, P. A Comparative study of various meta-heuristic techniques applied to the multilevel thresholding problem. Engineering Applications of Artificial Intelligence, v. 23, p. 676-688, 2010. http://dx.doi.org/10.1016/j.engappai.2009.09.011
HOLLAND, J. H. Adaptation in natural and artificial systems. Michigan: University of Michigan Press, 1975.
IGNÍZIO, J.P., CAVALIER, T.M. Linear Programming. Englewood Cliffs: Prentice Hall, 1994.
KHURI A.; CONLON M. Simultaneous optimization of multiple responses represented by polynomial regression functions. Technometrics, v. 23, n. 4, p. 363-375, 1981. http://dx.doi.org/10.2307/1268226
KHURI, A.I.; CORNELL, J.A. Response Surfaces: Designs and Analyses. New York: Marcel Dekker Inc., 1987.
KIM, K.J.; LIN, D.K.J. Optimization of multiple responses considering both location and dispersion effects. European Journal of Operational Research, v. 169, p. 133–145, 2006. http://dx.doi.org/10.1016/j.ejor.2004.06.020
KÖKSOY, O.; YALCINOZ, T. Mean square error criteria to multiresponse process optimization by a new genetic algorithm. Applied Mathematics and Computation, v. 175, n. 2, p. 1657-1674, 2006. http://dx.doi.org/10.1016/j.amc.2005.09.011
LASDON, L. S.; WAREN, A. D.; RATNER, M. W. GRG2 Users’s Guide University ofTexas at Austin, 1980.
MELO, A.; CATEN, C.S.T.; SANT’ANNA, A.M.O. Otimização dos parâmetros de usinagem na manufatura do ferro fundido. Revista Produção Online, v.13, n. 1, p. 375-388, 2013. http://dx.doi.org/10.14488/1676-1901.v13i1.1200.
MENDES, J. M. A comparative study of crossover operators for genetic algorithms to solve the job shop scheduling problem. Wseas Transactions on Computers, v. 12, n. 4, p. 164-173, 2013.
MONTGOMERY, C.D.; RUNGER, G.C. Estatística aplicada e probabilidade para engenheiros, 5 Ed., LTC, 2012.
PAULING; L. The Nature of the Chemical Bond. Ithaca: Cornell University Press, 1960.
RECHENBERG, I. Evolutionsstrategie: Optimierung technischer systeme nach prinzipien der biologischen evolution, Stuttgart: Frommann-Holzboog, 1973.
REEVES, C. Genetic algorithms. In: Handbook of Metaheuristics. New York: Springer, 2003.
ROSEN, J. B. The gradient projection method for nonlinear programming. Part I: Linear constraints. Journal of the Society for Industrial and Applied Mathematics, v. 8, n. 1, p. 181-217, 1960.
SUDENG, S.; WATTANAPONGSAKORN, N. Post Pareto-optimal pruning algorithm for multiple objective optimization using specific extended angle dominance. Engineering Applications of Artificial Intelligence, v. 38, p. 221-236, 2015.
http://dx.doi.org/10.1016/j.engappai.2014.10.020
TORRES JÚNIOR, N.; QUININO, R. C. O jogo da catapulta para compreender o planejamento e análise de experimentos: proposta de uma abordagem lúdica de ensino. Revista Produção Online, v. 14, n. 3, p. 939-971, 2014.
http://dx.doi.org/10.14488/1676-1901.v14i3.1576
TSAI, C.; TONG, L.; WANG, C. Optimization of Multiple Responses Using Data Envelopment Analysis and Response Surface Methodology. Tamkang Journal of Science and Engineering, v. 13, n. 2, p. 197-203, 2010.
VELDHUIZEN, D.A.V.; LAMONT, G.B. Multiobjective evolutionary algorithms: analyzing the state-of-the-Art. In: Evolutionary Computation, Cambridge: MIT Press, v. 8, n. 2, p. 125-147, 2000.
VINING G. A compromise approach to multiresponse optimization. Journal of Quality Technology, v. 30, n. 4, p. 309-313, 1998.
WAREN, A. D.; LASDON, L. S. The status of nonlinear programming software. Operations Research, v. 27, n. 3, p. 431-56, 1979.
WEISE, T., Global Optimization Algorithms – Theory and Application, 2ª ed, (2009). Disponível em: http://www.it-weise.de/projects/book.pdf=> acessado em 18 mar. 2015.
WOLFE, P. The Reduced Gradient Method. In: Recent Advances in Mathematical Programming. New York: R. L. Graves and P. Wolfe, 1963.
Publicado
Como Citar
Edição
Seção
Licença
A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.
A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.
Esta obra está licenciada sob uma Licença Creative Commons.