Estudo de Algoritmos de Otimização Inspirados
na Natureza com aplicações em Problemas
Estruturais
Este trabalho de qualificação aborda a aplicação de meta-heurísticas (MHs) em problemas
de otimização estrutural. Inicialmente, foi realizada uma revisão bibliográfica abrangente
sobre os diferentes tipos de otimização, com ênfase nas meta-heurísticas, incluindo sua
taxonomia, principais aplicações, conceitos adicionais e lacunas na literatura. Entre as
lacunas identificadas, destacam-se a falta de confiabilidade nas análises e a ausência
de fatores estatísticos adequados. Para a parte experimental, foram selecionados quatro
algoritmos de meta-heurísticas: Algoritmo de Otimização de Arquimedes (AOA), Evolução
Diferencial (DE), Enxame de Partículas (PSO) e Seno-Cosseno (SCA), e aplicados a
cinco estudos de caso de caráter estrutural. Os problemas abordados incluem barra
bi-apoiada com carga pontual e distribuída, viga engastada com 5 seções, projeto de
coluna com articulações, barra engastada com carga axial e transversal e projeto de
suporte com seção I. Todos os algoritmos e problemas foram programados em Python.
Para garantir a repetibilidade, cada algoritmo foi executado 50 vezes por problema,
coletando métricas de média, desvio padrão, pior e melhor valor da função objetivo. Os
resultados preliminares mostraram que o algoritmo de Evolução Diferencial se destacou,
apresentando resultados superiores em comparação com os demais algoritmos, que também
convergiram para soluções próximas sem violar nenhuma restrição. Este estudo evidencia a
alta empregabilidade das meta-heurísticas na otimização estrutural, oferecendo múltiplas
soluções viáveis e robustas para problemas complexos. Para os próximos passos, serão
adotadas novas abordagens visando uma análise mais robusta e justa, incluindo o uso
de testes estatísticos como os de Friedman e Wilcoxon, baseando-se nas sugestões da
literatura. Além disso, será investigada a integração de técnicas de Machine Learning com
o algoritmo DE para otimização de hiper-parâmetros, explorando a possibilidade de obter
resultados ainda melhores.