Publicações

Esta dissertação tem por objetivo estabelecer qual algoritmo é mais adequado a um processo de otimização baseada em simulação (OBS), baseado no tipo de simulação usado, no número e tipo dos parâmetros empregados e também na quantidade de funções objetivo. Este estudo focou na avaliação de processos de análise multi- objetivo. A plataforma Grasshopper para Rhinoceros foi escolhida devido a sua robustez e diversidade, que permite processos de modelagem paramétrica, simulação e otimização dentro da mesma interface. Foram avaliados diferentes plugins de otimização disponíveis na interface Grasshopper e optou-se por trabalhar com os motores de otimização Opossum e Octopus. O primeiro motor possui os algoritmos RBFMOpt, NSGA2, MOEA/D, NSPSO e MHACO, o segundo possui os algoritmos HypE e SPEA2. Deste modo, foram utilizados 7 algoritmos de otimização. Foram propostos 14 problemas relacionados ao desempenho de edificações. Os problemas variaram entre 5 e 18 parâmetros, e pelo menos 1 tipo de simulação térmica, luminosa ou energética. O desempenho dos algoritmos foi avaliado a partir de diferentes métricas de desempenho implementadas e disponíveis por meio da linguagem de programação Python, como o indicador de hipervolume, modified inverted generational distance, generational distance, e additive epsilon indicator. Tais métricas proporcionaram uma metodologia robusta para avaliar o desempenho dos algoritmos e determinar qual é mais adequado a cada tipo de problema de otimização. O teste não-paramétrico de Kruskal-Wallis foi utilizado para verificar as diferenças entre os algoritmos e também para determinar possíveis reduções de custo computacional. O benchmark inicialmente comparou o desempenho dos algoritmos RBFMOpt, NSGA2 e MHACO em um único problema. Após este passo, foi feita uma comparação em larga escala, com todos os algoritmos aplicados a 9 problemas de otimização diferentes. Em geral, os resultados apontaram que o algoritmo RBFMOpt possui o melhor desempenho, inclusive com a sua configuração default. O algoritmo não somente obtém os melhores resultados, como também requer um menor número deavaliações dos problemas para obter tais resultados. O algoritmo ainda apresenta uma tendência de redução de custo computacional, ao permitir reduções significativas no número de avaliações dos problemas sem que haja impacto no desempenho médio do algoritmo. O algoritmo HypE também possui um bom desempenho, ocupando a segunda posição geral. No entanto, o algoritmo genético requer mais avaliações dos problemas para atingir seu melhor desempenho, de acordo com o número de avaliações proposto neste estudo. De modo geral, o algoritmo RBFMOpt deve ser usado em processos OBS multi-objetivo na plataforma Grasshopper, principalmente em situações que o simulador tiver menor disponibilidade de avaliações ou quando o problema envolver simulações dispendiosas.

Palavras-chave: Benchmarking. Simulação baseada em otimização. Algoritmo model- based. Algoritmos bioinspirados. desempenho de edificações. Métricas de desempenho.

Dissertação: clique aqui