Comparativo entre Algoritmos de Otimização Inspirados na Natureza Aplicados em Problemas Estruturais
Este trabalho de dissertação investigou a aplicação de meta-heurísticas (MHs) na resolução
de problemas de otimização estrutural, com ênfase na obtenção de soluções viáveis e o
comparativo entre soluções. Inicialmente, realizou-se uma revisão da literatura abordando
a taxonomia das MHs, suas aplicações na engenharia estrutural e as lacunas existentes,
como a carência de análises estatísticas que validem os desempenhos observados. Para
a etapa experimental, foram selecionados cinco algoritmos: Algoritmo de Otimização de
Arquimedes (AOA), Evolução Diferencial (DE), Otimização por Enxame de Partículas
(PSO), Seno-Cosseno (SCA) e o Algoritmo Genético (GA), sendo este último implementado
por meio da biblioteca PyGAD. Esses algoritmos foram aplicados a cinco estudos de caso
com foco estrutural, todos resolvidos em linguagem Python, contemplando: barra biapoiada
com cargas pontual e distribuída, viga engastada com múltiplas seções, projeto de
coluna com articulações, barra engastada com esforços combinados e projeto de suporte
com seção transversal em “I”. Cada abordagem foi executada 30 vezes por problema,
permitindo a coleta de métricas estatísticas como melhor e pior valor da função objetivo,
média e desvio padrão. Os resultados mostraram que todas as MHs foram capazes de
resolver satisfatoriamente os problemas propostos, muitas vezes superando os valores de
referência encontrados na literatura. Para além da análise direta dos valores da função
objetivo, foi aplicado o teste estatístico de Friedman, apropriado para comparações entre
múltiplos métodos. Adotando-se um nível de significância de 5%, o teste indicou diferenças
estatisticamente significativas entre pelo menos dois algoritmos. Testes post-hoc de Nemenyi
e Holm apontaram que a única superioridade confirmada estatisticamente é a do DE em
relação ao PSO. Ainda que o DE tenha apresentado os melhores resultados em termos
gerais, os demais algoritmos também demonstraram desempenho competitivo e potencial
de aplicação. Dessa forma, este estudo atingiu seus objetivos ao avaliar criticamente
o desempenho de diferentes MHs em problemas estruturais e ao empregar métodos
estatísticos para validar os resultados obtidos. A análise conduzida confirma que as metaheurísticas
representam uma alternativa eficiente e flexível para problemas complexos em
engenharia. Os resultados abrem caminho para futuras investigações com maior diversidade
de algoritmos, integração com técnicas de aprendizado de máquina e aplicação em novos
cenários estruturais.