Pso

UNIFEI
Universidade Federal de Itajub

Programa de Ps-Graduao em Engenharia Eltrica
Pr-Diretoria de Pesquisa e Ps-Graduao
Estudo de Aplicao do Algoritmo de

Otimizao por Enxame de Partcula na
Resoluo de Problemas de Otimizao
Ligados ao SEP
rea de Sistemas Eltricos de Potncia
Ahmed Ali Abdalla Esmin
Estudo de Aplicao do Algoritmo de

Otimizao por Enxame de Partcula na
Resoluo de Problemas de Otimizao
Ligados ao SEP
ORIENTADORES:
PROF. GERMANO LAMBERT TORRES
PROF. ANTONIO CARLOS ZAMBRONI DE SOUZA
TESE APRESENTADA
UNIVERSIDADE FEDERAL DE ITAJUB - UNIFEI
COMO REQUISITO DO PROGRAMA DE DOUTORADO
ITAJUB
ESTADO DE MINAS GERAIS BRASIL
ABRIL / 2005
Ficha catalogrfica elaborada pela Biblioteca Mau

Bibliotecria Jacqueline R. de Oliveira Balducci- CRB_6/1698
E74e
Esmin, Ahmed Ali Abdalla.
Estudo de Aplicao do Algoritmo de Otimizao por Enxame de
Partcula na Resoluo de Problemas de Otimizao Ligados ao SEP /
por Ahmed Ali Abdalla Esmin. -- Itajub (MG) : [s.n.], 2005.
99 p. : il.
Orientador : Prof. Dr. Germano Lambert Torres
Orientador : Prof. Dr. Carlos Zambroni de Souza
Tese (Doutorado) Universidade Federal de Itajub - Departamento
de Eltrica.
1. Otimizao. 2. Otimizao por Enxame de Partcula. 3. Sistemas
Hbridos. 4. Sistemas Inteligentes Evolutivos. 5. Otimizao de Perdas
Eltricas. 6. Colapso de Tenso. I. Torres, Germano Lambert, orient. II.
Souza, Carlos Zambroni de, orient. III. Universidade Federal de
Itajub. IV. Ttulo.
CDU 004.421(043)
meus pais, pelo carinho e apoio apesar da distancia

meus filhos, Tamara, Tarik e Tamires, pelo carinho
minha esposa, Gilvanete, pela compreenso
Agradecimentos
Manifesto meus sinceros agradecimentos s seguintes pessoas e instituies:
Aos Professores Germano Lambert Torres e Antonio Carlos Zambroni de Souza,

pela amizade e valiosa orientao que tornou possvel a concluso deste trabalho
Aos colegas de doutorado da UNIFEI, pelo apoio
Universidade Federal de Engenharia de Itajub, atravs do Instituto de

Engenharia Eltrica, pela oportunidade de capacitao
Fundao Educacional Comunitria Formiguense - FUOM, pelo apoio
CAPES, pelo auxlio
A minha esposa e meus filhos pelo apoio e dedicao
E a todas as pessoas que, direta ou indiretamente, contriburam para a realizao

deste trabalho
RESUMO
Esta tese apresenta um estudo sobre as tcnicas de otimizao evolutivas e mais

especificamente sobre o algoritmo de Otimizao por Enxame de Partcula (PSO). Um
estudo sobre o comportamento do algoritmo PSO realizado e um novo algoritmo
chamado de Algoritmo de Otimizao por Enxame de Partcula Hbrido com Mutao
(HPSOM) apresentado. Este trabalho apresenta tambm os algoritmos PSO e
HPSOM como ferramentas para o estudo da reduo de perdas eltricas. Este problema
pode ser formulado como um problema de otimizao no linear. A aplicao proposta
consiste em usar um Fluxo de Potncia timo (FPO) baseado na funo da
minimizao de perdas. O estudo realizado em duas etapas. Primeiramente, usando a
tcnica do vetor do tangente, a rea crtica do sistema de potncia identificada sob o
ponto da vista da colapse da tenso. Em seguida, uma vez que esta rea identificada,
os algoritmos PSO e HPSOM entram em ao calculando a quantidade de compensao
shunt para cada barra do sistema. O modelo proposto foi examinado e testado com
resultados promissores usando os sistemas IEEE 14,30, 57 e 118 barras.
ABSTRACT
This thesis presents particle swarm optimization (PSO) as a tool for loss reduction study.
This issue can be formulated as a nonlinear optimization problem. The proposed
application consists of using a developed optimal power flow (OPF) based on loss
minimization (LM) function by expanding the original PSO. The study is carried out in two
steps. First, by using the tangent vector technique, the critical area of the power systems is
identified under the point of view of voltage instability. Second, once this area is identified,
the PSO technique calculates the amount of shunt reactive power compensation that takes
place in each bus. The proposed approach has been examined and tested with promising
numerical results using the IEEE 14, 30, 57, and 118 buses systems.
ndice
Captulo 1
Introduo ..................................................................................................... 1
1.1
MOTIVAO ............................................................................................................ 2
1.2
OBJETIVOS ............................................................................................................... 2
1.3
METODOLOGIA ........................................................................................................ 2
1.4
ORGANIZAO ........................................................................................................ 3
Captulo 2
Reviso Bibliogrfica.................................................................................... 4
2.1
OTIMIZAO............................................................................................................ 4
2.1.1
Otimizao Local............................................................................................ 5
2.1.2
Otimizao Global.......................................................................................... 5
2.2
COMPUTAO EVOLUCIONRIA (CES).................................................................... 6
2.2.1
Histrico ......................................................................................................... 7
2.3
ALGORITMOS GENTICOS (AGS) ........................................................................... 7
2.3.1
Caractersticas Gerais dos Algoritmos Genticos ......................................... 8
2.3.2
Operadores Genticos .................................................................................. 10
2.3.3
Parmetros Genticos .................................................................................. 11
2.4
OTIMIZAO POR ENXAME DE PARTCULAS (PSO) ............................................... 12
2.4.1
O Algoritmo PSO.......................................................................................... 12
2.4.2
O Comportamento do PSO ........................................................................... 15
2.4.3
Consideraes sobre a semelhana entre PSO e EAs.................................. 16
2.4.4
Origens e Terminologia................................................................................ 16
2.4.5
Modelo do Melhor Global (gbest) ................................................................ 17
2.4.6
O Modelo do Melhor Local ( Lbest )............................................................ 17
2.4.7
A Verso Binria do PSO............................................................................. 18
2.5
AS PRINCIPAIS PROPOSTAS DE MELHORIAS DO PSO ............................................ 19
2.5.1
Melhorias na Taxa de Convergncia............................................................ 19
Captulo 3
Uma aplicao: O Ajuste Automtico das Funes de Pertinncia Fuzzy
Usando PSO 21
3.1
INTRODUO ......................................................................................................... 21
3.2
O PACOTE COMPUTACIONAL ORIGINAL ................................................................ 22
3.3
SIMULAES ......................................................................................................... 23
3.4
DESCRIO DO MDULO TREINAMENTO PSO....................................................... 24
3.5
COMPONENTES DO ALGORITMO PSO .................................................................... 25
3.5.1
Representao das Solues usando PSO.................................................... 27
3.5.2
Funo de Avaliao e o Critrio de Parada............................................... 27
3.5.3
Apresentao do Algoritmo .......................................................................... 27
3.6
TESTES .................................................................................................................. 28
3.7
CONSIDERAES SOBRE ESTA APLICAO ............................................................. 32
Captulo 4
Um novo algoritmo: Algoritmo Hbrido de Otimizao por Enxame de
Partcula com Mutao HPSOM.................................................................................... 34
4.1
INTRODUO ......................................................................................................... 34
ii
4.2
4.3
4.4
O ALGORITMO HPSOM ........................................................................................ 35

TESTES E EXPERIMENTO......................................................................................... 36
DISCUSSES DOS RESULTADOS ............................................................................. 41
Captulo 5
Aplicao do PSO e HPSOM na Resoluo de Problema de Otimizao
de Perdas Eltricas ............................................................................................................. 43
5.1
OTIMIZAO DE PERDAS ELTRICAS ..................................................................... 43
5.1.1
Formulao do Problema............................................................................. 43
5.1.2
Metodologia.................................................................................................. 45
5.1.3
Anlise Preliminar dos resultados ............................................................... 46
5.1.4
Identificao das reas ................................................................................ 47
5.1.5
Exemplo de aplicao usando Sistema de 4 barras ..................................... 49
5.1.6
Simulao do Sistema IEEE14 barras ......................................................... 53
5.1.7
5.1.8
5.1.9
Simulao do Sistema IEEE118 barras ....................................................... 70
5.1.10
Consideraes sobre a aplicao................................................................. 75
Captulo 6
Concluses ................................................................................................... 76
6.1
CONTRIBUIES ALCANADAS ............................................................................. 77
6.2
PROPOSTAS DE TRABALHO FUTURO ...................................................................... 77
Referncias Bibliogrficas ................................................................................................. 79
Apndice A
Dados do Sistema de 4 Barras ................................................................... 86
Apndice B
Publicaes Associadas ao Trabalho e Realizadas no Perodo............... 87
Apndice C
Artigo da Tese Publicado no IEEE Transactions on Power Systems . 88
iii
ndice de Tabelas
Tabela 3.1 Posies iniciais para o treinamento. ............................................................. 29
Tabela 3.2 Parmetros do PSO......................................................................................... 29
Tabela 3.3 Iteraes aps o treinamento com PSO. ......................................................... 30
Tabela 3.4 Resultados de Simulaes. .............................................................................. 32
Tabela 4.1- O espao de busca e os valores iniciais das funes de teste........................... 37
Tabela 4.2 - Resultados de mdia da melhor aptido para 100 execues (mdio da
melhor aptido erro padro)..................................................................................... 38
Tabela 4.3- Resultados de mdia da melhor aptido para 100 execues - PSO, HPSOM e
AG- (mdio da melhor aptido erro padro)............................................................ 41
Tabela 4.4 - As taxas de cruzamento e mutao usados pelo AG (padro)......................... 41
Tabela 5.1 Parmetros utilizados para as simulaes....................................................... 46
Tabela 5.2 Parmetros do PSO/HPSOM utilizados para as simulaes.......................... 47
Tabela 5.3- Quantidade de Barras de Controle ................................................................... 48
Tabela 5.4- Relao dos sistemas com respectivas Barras Criticas.................................... 49
Tabela 5.5- A populao inicial - sistema 4 barras ............................................................. 49
Tabela 5.6- Relao das partculas e o seu valor de perdas - sistema 4 barras.................. 50
Tabela 5.7(a)- Relao das partculas e suas velocidades sistema 4 barras (PSO)......... 50
Tabela 5.7(b)- A nova populao (1- Iterao) sistema 4 barras (PSO)......................... 50
Tabela 5.7 (c)- O melhor individual de cada partcula sistema 4 barras (PSO) ............ 50
Tabela 5.7(d)- A populao da ltima (5- Iterao) sistema 4 barras (PSO) ................ 51
Tabela 5.7(e)- O melhor global de cada partcula sistema 4 barras (PSO) ................... 51
Tabela 5.8(a)- Relao das partculas e suas velocidades sistema 4 barras (HPSOM)... 51
Tabela 5.8(b)- A nova populao (1- Iterao) sistema 4 barras (HPSOM) .................. 52
Tabela 5.8(c)- As partculas sorteados para a Mutao sistema 4 barras (HPSOM)...... 52
Tabela 5.8(d)- A nova populao antes e depois da Mutao sistema 4 barras (HPSOM)
...................................................................................................................................... 52
Tabela 5.8(e)- Relao das partculas e o seu valor de perdas - sistema 4 barras (HPSOM)
...................................................................................................................................... 52
Tabela 5.8 (f)- O melhor individual de cada partcula sistema 4 barras(HPSOM) ....... 52
Tabela 5.8(g)- A populao da ltima (5- Iterao) sistema 4 barras (HPSOM) .......... 53
Tabela 5.8(h)- O melhor global de cada partcula sistema 4 barras (HPSOM)............. 53
Tabela 5.9 - Resultados obtidos pelo MPC Sistema IEEE 14 ....................................... 53
Tabela 5.10 - Resultados obtidos pelo PSO no sistema IEEE 14 barras Criticas .......... 54
Tabela 5.11 - Resultados obtidos pelo HPSOM sistema IEEE 14 barras Criticas.......... 55
Tabela 5.12 (a,b) - Resultados obtidos pelos PSO e HPSOM- IEEE 14 BCS ................. 56
Tabela 5.13 (a,b) - Resultados obtidos pelos PSO/HPSOM- IEEE 14 BCS criticas ....... 57
Tabela 5.14 - Resultados obtidos pelo MPC Sistema IEEE 14 ..................................... 59
Tabela 5.15(a,b) - Resultados obtidos pelos PSO/HPSOM- sistema IEEE 14 TBS........ 59
Tabela 5.15(c) - Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 14
TBS. .............................................................................................................................. 60
Tabela 5.16 - Resultados obtidos pelo MPC Sistema IEEE 30 ........................................ 61
Tabela 5.17(a,b) - Resultados obtidos pelos PSO/HPSOM- sistema IEEE 30 BCS ........ 61
iv
Tabela 5.17(c) -Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 30BCS.
...................................................................................................................................... 62
Tabela 5.19 (a,b) - Resultados obtidos pelo PSO sistema IEEE 30 Todas as Barras ..... 64
Tabela 5.19(c) -Resumo dos resultados obtidos pelos PSO/HPSOM-sistema IEEE 30 TBS.
...................................................................................................................................... 65
Tabela 5.20 (a,b) - Resultados obtidos pelo PSO/HPSOM sistema IEEE 30 TBSiterao = 500 .............................................................................................................. 65
Tabela 5.20(c) - Resumo dos resultados obtidos pelo PSO/HPSOM sistema IEEE 30
TBS- iterao = 500 ..................................................................................................... 66
Tabela 5.21 - Resultados obtidos pelo MPC Sistema IEEE57 ......................................... 66
Tabela 5.22(c)-Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 5 BCS.
...................................................................................................................................... 67
Tabela 5.22(a,b) - Resultados obtidos pelo PSO sistema IEEE 57 Barras Criticas........ 68
Tabela 5.24(c) Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 5 TBS.
...................................................................................................................................... 69
Tabela 5.24(a,b) - Resultados obtidos pelo PSO sistema IEEE 57 TBS. .......................... 70
Tabela 5.25 - Resultados obtidos pelo MPC Sistema IEEE118 ....................................... 71
Tabela 5.26(a,b) - Resultados obtidos pelo PSO sistema IEEE 118 BCS......................... 71
Tabela 5.26(c) -Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEE118
CBS. .............................................................................................................................. 72
Tabela 5.27 - Resultados obtidos pelo MPC Sistema IEEE118 ....................................... 74
Tabela 5.28(a,b) - Resultados obtidos pelo PSO sistema IEEE 118 TBS. ........................ 74
TBS. .............................................................................................................................. 75
ndice de Figuras
Figura 2.1 - Um exemplo de funo f ( x ) = x
mnimo local
x *A
e o mnimo global
12 x
+ 42 x
55 x , com o
x * . .............................................................. 6
Figura 2.2 - Indivduos de uma populao e a sua correspondente roleta de seleo. ........... 9
Figura 2.3 O Pseudocdigo do AGs .................................................................................... 9
Figura 2.5 - Um exemplo de crossover de um ponto. .......................................................... 11
Figura 2.6 - O Pseudocdigo do algoritmo de PSO bsico. ................................................. 14
Figura 3.1 - Tela bsica do programa. .................................................................................. 22
Figura 3.2 - Exemplos de simulao do pacote computacional. .......................................... 24
Figura 3.3 Parmetros das funes de pertinncia. ........................................................... 25
Figura 3.4 Exemplo de ajuste de uma funo de pertinncia. ........................................... 26
Figura 3.5 Funes de pertinncia originais...................................................................... 28
Figura 3.6 Posies iniciais de treinamento. ..................................................................... 29
Figura 3.7 Simulaes sem treinamento............................................................................ 30
Figura 3.8 Simulaes aps treinamento gentico. ............................................................ 31
Figura 3.9 Funes de pertinncia aps o ajuste com PSO. .............................................. 31
Figura 4.1 - o pseudocdigo do algoritmo HPSOM............................................................. 35
Figura 4.2 A funo Rastrigin em 3D................................................................................ 37
Figura 4.3- PSO versus HPSOM para a funo Spherical (esfera) - f1 ................................ 38
Figura 4.4- PSO versus HPSOM model for Rosenbrock function- f2 .................................. 39
Figura 4.5 - PSO versus HPSOM para a funo for Griewank - f3 .................................... 39
Figura 4.6 - PSO versus HPSOM para a funo Rastrigin - f4 ............................................. 40
Figure 4.7- Os comportamentos das partculas PSO/HPSOM para a funo Esfera .......... 40
(pop = 3)- f1.......................................................................................................................... 40
Figure 5.1 Sistema eltrico simples................................................................................... 49
Figura 5.2 A evoluo dos algoritmos PSO/HPSOM IEEE 14- Barras Criticas............ 54
Figure 5.3-: O comportamento das partculas usando PSO/HPSOM - Pop(5)..................... 55
Figure 5.4- A evoluo dos algoritmos PSO/HPSOM a partir de 20 iterao - Pop(5) .. 56
Figure5.5- A evoluo dos algoritmos PSO/HPSOM - IEEE14 .......................................... 58
Figure 5.6- A evoluo dos algoritmos PSO/HPSOM - IEEE14- Todas as Barras ............ 60
Figure 5.7- A evoluo dos algoritmos PSO/HPSOM - IEEE30 - BCS .............................. 62
Figure 5.8- A evoluo dos algoritmos PSO/HPSOM - IEEE30 TBS............................. 63
Figure 5.9 - A evoluo dos algoritmos PSO/HPSOM - IEEE57 - BCS ............................ 67
Figura 5.10 - A evoluo dos algoritmos PSO/HPSOM- IEEE57 TBS........................... 69
Figure 5.11 - A evoluo dos algoritmos PSO/HPSOM - IEEE118 - BCS ........................ 72
Figure 5.12 - A evoluo dos algoritmos PSO/HPSOM - IEEE118 - TBS ........................ 73
Captulo 1
Introduo
Formas de otimizao so importantes na vida cotidiana. Muitos problemas cientficos,
sociais, econmicos e de engenharia tm parmetros que podem ser ajustados de forma a
produzir um resultado mais desejvel. Ao longo dos anos foram desenvolvidas numerosas
tcnicas para resolver tais problemas.
Tcnicas de otimizao vm sendo aplicadas em diversos problemas no Sistema
Eltricos de Potncia (SEP). Dependendo do enfoco do estudo, a tcnica de otimizao
empregada pode levar em conta algumas simplificaes no conjunto das equaes. Tais
simplificaes podem simplificar a soluo e conduz a aplicao de tcnicas lineares [1,2].
Porm, outros problemas podem requerer uma formulao mais complexa, como os
conjuntos de equaes envolvidos podem no ser linearizados. Neste caso, devem ser
empregadas tcnicas no lineares. Um dos problemas no linear analisado em sistemas de
potncia o problema de reduo de perdas [3] que considera como variveis de controle, a
gerao de potncia ativa, nvel de tenso de geradores, entre outros. Este problema no
linear pode ser importante para anlise de estabilidade de tenso [4] ou somente melhorar
as condies operacionais de sistema [5]. Referncias [4] e [5] apresentaram um fluxo
timo de potncia resolvido por mtodo preditor-corretor de pontos interiores baseado em
uma funo de barreira logartmica [6]-[8]. A tcnica empregada nessas referncias tambm
foi aplicada para uma variedade de problemas em sistemas de potncia. Outras
metodologias, como o mtodos quase-Newton e o mtodo de direo conjugada poderiam
ser usados para resolver estes problemas. Estes mtodos apresentem, em geral, um
desempenho satisfatrio. A idia neste trabalho analisar, mais uma vez, o problema de
reduo de perdas. Porm, a ferramenta de anlise empregada pertence famlia de
Algoritmo Evolutiva. uma tcnica relativamente nova conhecida como Otimizao por
Enxame de Partcula (Particle Swarm Optimization - PSO) [9,11], que resolve problemas
simulando comportamento de enxame. Esta ferramenta pode ter um amplo campo de
aplicaes em sistemas de potncia. Por exemplo, a referncia [9] enfocou nos problemas
de minimizao de custo de combustvel, melhoria de perfil da tenso e melhoria de
estabilidade de tenso.
O PSO foi originalmente inspirado no comportamento scio biolgico associado
com grupos de pssaros. um mtodo de otimizao baseado em populao e foi primeiro
proposto pelo Kennedy e Eberhart [10,11]. Algumas das caractersticas interessantes do
PSO incluem a facilidade de implementao e o fato que nenhuma informao de gradiente
requerida. Pode ser usado para resolver uma gama de diferentes problemas de
otimizao, incluindo a maioria dos problemas que podem ser resolvidos atravs dos
Algoritmos Genticos. Neste trabalho, algumas modificaes sero incorporadas no
mtodo para torn-lo mais robusto. O resultado um algoritmo novo chamado de algoritmo
Hbrido de Otimizao por Enxame de Partcula com Mutao (HPSOM).
2
Este trabalho apresenta e investiga os comportamentos das novas ferramentas (PSO
e HPSOM) e tambm apresenta a aplicao destas ferramentas para resolver o problema de
reduo de perdas eltricas.
1.1 Motivao
Com a crescente complexidade dos problemas a resolver, sempre haver uma necessidade
por melhores algoritmos de otimizao. No caso especifico da rea de engenharia eltrica, o
Sistema Eltrico de Potncia um sistema dinmico de grande complexidade e que est
aberto realizao de estudos de problemas de otimizao em vrios campos, como, por
exemplo, a otimizao de perdas e o estudo de estabilidade.
Por outro lado, o mtodo PSO se apresenta com uma promissora forma de
otimizao, e como recente, na literatura no se encontra um estudo mais abrangente de
resoluo de problemas complexos e sobre tudo ligados ao SEP. Este trabalho se prope a
realizar vrios estudos de aplicao e de comportamento do PSO na resoluo de problemas
complexos ligados ao SEP.
1.2 Objetivos
Podem ser resumidos os principais objetivos deste trabalho como segue:
Realizao de estudo terico sobre o algoritmo PSO e seu comportamento;

Desenvolvimentos de aplicaes usando o algoritmo PSO para minimizar as funes de
pertinncia fuzzy;
Desenvolver e testar o novo algoritmo HPSOM e provar o seu sucesso quando aplicado
para resolver problemas de otimizao local ou global e com melhor desempenho.
A investigao e o desenvolvimento de aplicao usando os algoritmos PSO e HPSOM
para resolver problemas ligados ao SEP como o problema de perdas eltricas.
1.3 Metodologia
Ser necessria a realizao de estudos tericos e prticos, iniciando-se por um estudo
terico sobre o PSO e seu comportamento. No caso de estudo de aplicao, ser adotada
uma metodologia experimental.
Ser feita uma analise de comportamento e desempenho do PSO onde sero
mostrados problemas ligados a atualizao da sua velocidade, chamado de problema de
estagnao e a proposta de um novo algoritmo para solucionar este problema chamado de
HPSOM. Para provar o seu sucesso sero realizados vrios experimentos usando tipos
diferentes de funes (unimodal e multimodal) envolvendo problemas de minimizao.
Para minimizar as perdas eltricas, neste trabalho ser utilizado como ao de
controle a instalao de capacitncia shunt. O clculo do valor ideal de shunt a ser instalado
em cada barra identificada para obedecer funo objetivo (reduo de perdas eltricas)
um problema de programao no linear. Os algoritmos PSO e HPSOM sero
3
implementados individualmente, e os resultados alcanados sero comparados com os
resultados obtidos pelo mtodo preditor-corretor de pontos interiores (MPC).
Para cumprir a meta estabelecida acima, a seguinte metodologia ser adotada:
a) Atravs do mtodo do vetor tangente sero identificadas as reas crticas para
reduo de perdas eltricas nos sistemas IEEE 14, 30, 57 e 118 barras. Este passo
ser utilizado pelos algoritmos PSO e HPSOM como foi utilizado pelo MPC.
b) Sero realizadas vrias simulaes com os algoritmos PSO e HPSOM variando-se o
nmero de populao de partculas no enxame e o nmero de iteraes.
c) finalmente os resultados sero analisados e comparados.
1.4 Organizao
O Captulo 2 inicia com uma introduo sobre a teoria de otimizao, seguida por uma
prvia reviso das tcnicas evolutivas existentes, e em especial os Algoritmos Genticos,
usados para resolver problemas de otimizao. Seguido por uma descrio da Otimizao
por Enxame de Partcula, com uma discusso das suas principais modificaes
apresentada.
No captulo 3 ser mostrada uma aplicao do PSO para otimizar as funes de
pertinncia de um controle Fuzzy, atravs de apresentao de uma ferramenta para o
controle de estacionamento de um carro.
Captulo 4 inicia-se com uma breve analise de comportamento do algoritmo PSO
padro. Em seguida apresentado um novo algoritmo chamado de Algoritmo de Otimizao
por Enxame de Partcula Hbrido com Mutao (HPSOM), que combine a idia do enxame
de partcula com o conceito de Algoritmos Genticos. Sero apresentados e discutidos os
resultados dos testes entre os dois modelos: PSO e o HPSOM usando funes unimodal e
multimodal.
No captulo 5 ser apresentada uma aplicao utilizando os algoritmos PSO e HPSOM
para resoluo de problemas de otimizao ligados ao SEP. Ser apresentada a aplicao de
otimizao de perdas eltricas. E por fim, no capitulo 6 sero apresentadas e discutidos as
concluses e os trabalhos futuros.
Captulo 2
Reviso Bibliogrfica
Este captulo revisa algumas das definies bsicas relacionadas questo da otimizao.
Uma discusso breve de Computao Evolucionria e Algoritmos Genticos apresentada.
As origens da Otimizao por Enxame de Partculas so discutidas, seguida por uma
avaliao das suas principais caractersticas. Finalmente, sero apresentadas as principais
extenses e modificaes recentemente publicadas.
2.1 Otimizao
Pode-se definir a otimizao como sendo a tarefa de determinar as melhores solues
para certos problemas matematicamente formulados.
Esta tarefa de grande importncia para muitas profisses. Por exemplo, fsicos,
qumicos e engenheiros esto interessados em maximizar a produo ao projetar uma
indstria qumica, levando em considerao certas restries, como por exemplo custo e
poluio. Os economistas e investigadores de operao por suas vezes, tm que considerar
a tima alocao de recursos em colocaes industriais e sociais. Alguns destes problemas
envolvem apenas modelos lineares, em que as variveis so contnuas e apresentam
comportamento linear, tanto em relao funo objetivo com s restries, resultando em
problemas de otimizao linear para os quais existe uma tcnica muito eficiente conhecida
como programao linear (PL) [12]. Os outros problemas so conhecidos como problemas
de otimizao no-linear se exibir qualquer tipo de no-linearidade, seja na funo objetivo
ou em qualquer de suas restries. So geralmente muito mais difceis de serem resolvidos.
Estes problemas so o foco deste trabalho.
Toda tarefa de busca e otimizao possui vrios componentes, entre eles: o espao
de busca, onde so consideradas todas as possibilidades de soluo de um determinado
problema, e a funo de avaliao (ou funo de custo), que uma maneira de avaliar os
membros do espao de busca. Existem muitos mtodos de busca e funes de avaliao.
As tcnicas de busca e otimizao tradicionais iniciam-se com um nico candidato
que, iterativamente, manipulado utilizando algumas heursticas (estticas) diretamente
associadas ao problema a ser solucionado. Geralmente, estes processos heursticos no so
algortmicos e sua simulao em computadores pode ser muito complexa. Apesar destes
mtodos no serem suficientemente robustos, isto no implica que eles sejam inteis. Na
prtica, eles so amplamente utilizados, com sucesso, em inmeras aplicaes [13].
Por outro lado, as tcnicas de computao evolucionria operam sobre uma
populao de candidatos em paralelo. Assim, elas podem fazer a busca em diferentes reas
do espao de soluo, alocando um nmero de membros apropriado para a busca em vrias
regies.
Existem dois tipos de otimizao: global e local. A otimizao global busca o
melhor ponto dentro da totalidade do espao da busca, enquanto a local tenta encontrar o
5
melhor ponto dentro de um subespao especifico. A definio mais completa ser dada nas
prximas sees.
2.1.1 Otimizao Local

Pode-se definir um ponto mnimo local ou simplesmente, o mnimo local,
funo f , para uma determinada regio A, da seguinte forma:
(2.1)
f ( x *A ) f ( x ), x A
x *A de uma
onde A S R n e S denota o espao de busca. Note que S = Rn em problemas sem

restries e note tambm que A um subconjunto de S. O espao de busca S pode conter
mltiplas regies A i tal que A i I A j = ; quando i j . Ento, do mesmo modo,
x *A i x *A j , de forma que o ponto mnimo de cada regio
nico. Qualquer
x *A i
pode ser considerado como o mnimo de A i . No h nenhuma restrio no valor que a

funo pode assumir para o mnimo, assim sendo f ( x *A i ) = f ( x *A j ) permitido. O
valor de f ( x *A i ) ser chamado do mnimo local.
A maioria dos algoritmos de otimizao requer um ponto de partida x0 S . Um
algoritmo de otimizao local deve garantir que ser capaz de encontrar o mnimo local
x *A i para um conjunto A, se x0 A .
Muitos algoritmos de otimizao local tm sido propostos. Uma distino ser feita
entre algoritmos determinsticos, analticos e os algoritmos estocsticos nas prximas
sees . Dentro dos algoritmos determinsticos de otimizao local incluem o algoritmo
Newton-Raphson [14] e suas variantes, o algoritmo Escalado de Gradiente Conjugado
(SCG) [15], o quasi-Newton [14,16] e a sua famlia de algoritmos.
2.1.2 Otimizao Global

O mnimo global,
f (x
x * de uma funo f , pode ser definido da seguinte forma:
f ( x ), x S
(2.2)
Onde S o espao de busca. Para problemas sem restries comum usar S = Rn, onde n
a dimenso de x. O algoritmo de otimizao global, como no caso dos algoritmos de
otimizao local descritos acima, tambm comea pela escolha de um ponto inicial
x0 S .
Em alguns publicaes (por exemplo [14]), h uma definio diferente para o
algoritmo de otimizao global, definido como sendo um algoritmo capaz de encontrar o
mnimo (local) de A S , independentemente da posio atual de x0 . Estes algoritmos
consistem em dois processos: O processo dos passos globais" e o processo dos passos
locais". Os passos locais normalmente so a aplicao de um algoritmo de otimizao
6
local, e os passos globais so projetados para assegurar que o algoritmo passar para regio
A i , onde o processo dos passos locais ser capaz de encontrar o mnimo de A i . Estes
mtodos so chamados de algoritmos globalmente convergentes. Isto significa que eles
podem convergir a um mnimo local indiferentemente de sua posio inicial z0 . Estes
mtodos tambm so capazes de encontrar o mnimo global. Entretanto, no h nenhum
modo geral seguro e conhecido de fazer isto.
A Figura 2.1 ilustra a diferena entre o mnimo local
x *A e o mnimo global x * .
x*
x*A
Figura 2.1 - Um exemplo de funo f ( x ) = x
mnimo local
x *A
12 x
e o mnimo global
+ 42 x
55 x , com o
x* .
2.2 Computao Evolucionria (CEs)

Computao evolucionria (CE) define vrios mtodos projetados para simular a evoluo.
Estes mtodos baseiam-se, para resolver problemas, em populao de pontos, e uma
combinao de variao aleatria e da seleo. Neste campo existem vrias tcnicas,
incluindo Algoritmos Evolutivos (AEs), Estratgias de Evoluo (SE), Programao
Evolutivo (PE), Algoritmos Genticos (AGs) e Programao Gentica (PG) [17,18,19].
CEs diferenciam dos mtodos tradicionais de otimizao em quatro aspectos [13]:
1. Trabalham com codificao do conjunto de parmetros e no com os prprios
7
parmetros;
2. trabalham com uma populao e no com um nico ponto;
3. utilizam de informaes de custo ou recompensa e no derivadas ou outro conhecimento
auxiliar;
4. utilizam de regras de transio probabilsticas e no determinsticas.
2.2.1 Histrico
Antes da teoria de evoluo apresentada por Charles Darwin e at meados do sculo 19, os
naturalistas acreditavam que cada espcie na natureza havia sido criada separadamente por
um ser supremo ou atravs de gerao espontnea. O trabalho do naturalista Carolus
Linnaeus levou a comunidade cientifica a acreditar na existncia de uma certa relao entre
as espcies. Por outro lado, Thomas Robert Malthus props que fatores ambientais, tais
como doenas e carncia de alimentos, limitavam e influenciavam o crescimento de uma
populao.
Aps anos de observaes e experimentos, Charles Darwin apresentou em 1858 sua
teoria de evoluo atravs de seleo natural, ao mesmo tempo que outro naturalista, Alfred
Russel Wallace. No ano seguinte, Darwin publicou o seu livro intitulado On the Origin
of Species by Means of Natural Selection com a sua teoria completa, sustentada por
muitas evidncias cientificas.
Por volta de 1900, a moderna teoria da evoluo combina a gentica e as idias de
Darwin e Wallace sobre a seleo natural, criando o princpio bsico de Gentica
Populacional: a variabilidade entre indivduos em uma populao de organismos que se
reproduzem sexualmente produzida pela mutao e pela recombinao gentica.
Durante os anos 30 e 40 este princpio foi desenvolvido por bilogos e matemticos
de grandes centros de pesquisa. Nos anos 50 e 60, muitos bilogos comearam a
desenvolver simulaes computacionais de sistemas genticos. Entretanto, foi John Holland
quem comeou a desenvolver sistematicamente as primeiras pesquisas no tema.
Desenvolveu suas idias e em 1975 publicou o seu livro Adaptation in Natural and
Artificial Systems [19], hoje considerado a principal referncia na rea de Algoritmos
Genticos. Desde ento, estes algoritmos vm sendo melhorados e aplicados nos mais
diversos problemas de otimizao e aprendizado de mquina com sucesso.
2.3 Algoritmos Genticos (AGs)

Os Algoritmos Genticos formam a parte da rea dos sistemas inspirados na natureza;
simulando os processos naturais e aplicando-os soluo de problemas reais. So mtodos
generalizados de busca e otimizao que simulam os processos naturais de evoluo,
aplicando a idia darwiniana de seleo. So capazes de identificar e explorar fatores
ambientais e convergir para solues timas, ou aproximadamente.
Na natureza os indivduos competem entre si por recursos como comida e gua.
Adicionalmente, entre os animais de uma mesma espcie, aqueles que no obtm xito
tendem provavelmente a ter um nmero reduzido de descendentes, tendo, portanto menor
probabilidade de seus genes serem propagados ao longo de sucessivas geraes. A
combinao entre os genes dos indivduos que perduram na espcie pode produzir um novo
indivduo muito melhor adaptado s caractersticas de seu meio ambiente.
8
Os Algoritmos Genticos utilizam uma analogia direta deste fenmeno de evoluo
na natureza, onde cada indivduo representa uma possvel soluo para um problema dado.
A cada indivduo se atribui uma pontuao de adaptao, dependendo da resposta dada ao
problema por este indivduo. Aos mais adaptados dada uma maior oportunidade de
reproduzir-se mediante cruzamentos com outros indivduos da populao, produzindo
descendentes com caractersticas de ambas as partes. Um Algoritmo Gentico
desenvolvido de modo adequado possui elevada probabilidade de que a populao
(conjunto de possveis respostas) convergir a uma soluo tima para o problema
proposto. Os processos que mais contribuem para a evoluo so o cruzamento, mutao e
a adaptao baseada na seleo/reproduo. A rea biolgica mais proximamente ligada aos
Algoritmos Genticos a Gentica Populacional.
Algoritmos Genticos so eficientes para busca de solues timas, ou
aproximadamente timas, em uma grande variedade de problemas, pois no impem muitas
das limitaes encontradas nos mtodos de busca tradicionais. Os pesquisadores referem-se
a "algoritmos genticos" ou a "um algoritmo gentico" e no "ao algoritmo gentico", pois
AGs so uma classe de procedimentos com muitos passos separados, e cada um destes
passos possui muitas variaes possveis. Os AGs no so as nicas tcnicas baseadas em
uma analogia da natureza. Por exemplo, as Redes Neurais esto baseadas no
comportamento dos neurnios do crebro.
2.3.1
Caractersticas Gerais dos Algoritmos Genticos
Os AGs so algoritmos de otimizao global que empregam uma estratgia de busca

paralela, estruturada e voltada em direo da busca de pontos de "alta aptido", ou seja,
pontos nos quais a funo a ser minimizada (ou maximizada) tem valores relativamente
baixos (ou altos). Os AGs exploram informaes histricas para encontrar novos pontos de
busca onde so esperados melhores desempenhos. Isto feito atravs de processos
iterativos, onde cada iterao chamada de gerao.
O primeiro passo para a utilizao de AGs, como ferramenta para soluo de
problemas, a representao destes problemas de maneira que os AGs possam atuar
adequadamente sobre eles. Tradicionalmente, os indivduos so representados
genotipicamente por um vetor de valores binrios, onde cada elemento deste vetor denota a
presena (1) ou ausncia (0) de uma determinada caracterstica: o seu gentipo. Os
elementos podem ser combinados formando as caractersticas reais do indivduo, ou o seu
fentipo. Entretanto, h casos em que mais adequado o uso de representao numrica.
O princpio bsico do funcionamento do AGs que um critrio de seleo vai fazer
com que, depois de muitas geraes, o conjunto inicial de indivduos gere indivduos mais
aptos. Um mtodo de seleo muito utilizado o Mtodo da Roleta, onde indivduos de
uma gerao so escolhidos pelo sorteio para fazer parte da prxima gerao atravs do
cruzamento. A Figura 2.2 mostra a representao da roleta para uma populao composta
por 4 indivduos.
Os indivduos so representados na roleta proporcionalmente ao seu ndice de
aptido. Finalmente, a roleta girada um determinado nmero de vezes, dependendo do
tamanho da populao, e so escolhidos para participaro da prxima gerao, aqueles
indivduos sorteados na roleta.
9
fi(x)
Aptido
Indivduo
Aptido (x2) Relativa
xi
1
00011
9
0,02
2
00101
25
0,05
3
10100
400
0,8
4
01000
64
0,13
Total
498
1,00
I
X4
13%
X1 X2
2% 5%
X3
80%
Figura 2.2 - Indivduos de uma populao e a sua correspondente roleta de seleo.

Um conjunto de operaes (operadores) necessrio para que, dada uma populao
inicial, se consiga gerar sucessivas populaes que (espera-se) que melhora sua aptido
com o passar do tempo. Estes operadores utilizados so: cruzamento (crossover) e mutao.
Eles so utilizados para assegurar que a nova gerao seja totalmente nova, mas possui, de
alguma forma, caractersticas de seus pais. Para prevenir que os melhores indivduos no
desapaream e sejam descartados da populao pela manipulao dos operadores genticos,
eles podem ser automaticamente colocados na prxima gerao atravs da reproduo
elitista.
Esse processo repetido um determinado nmero de vezes (numero de geraes).
Durante esse processo, os melhores indivduos, assim como alguns dados estatsticos
podem ser armazenados para avaliao. A Figura (2.3) mostrada o pseudocdigo de um
algoritmo gentico.
Criar e inicializar:
g - gerao atual;
t nmero de geraes para finalizar o algoritmo;
P - populao
inicio
g = 0;
inicia_populao (P, g)
avaliao (P, g);
repita:
g = g +1;
seleo_dos_pais (P, g);
recombinao (P, g);
mutao (P, g);
avaliao (P, g);
at (g = t)
fim
Figura 2.3 O Pseudocdigo do AGs
10
2.3.2
Operadores Genticos
Os operadores genticos transformam a populao atravs de sucessivas geraes,

estendendo a busca at chegar a um resultado satisfatrio. So necessrios para que a
populao se diversifique e mantenha caractersticas de adaptao adquiridas pelas
geraes anteriores.
O operador de mutao modifica aleatoriamente um ou mais genes de um
cromossomo. A probabilidade de ocorrncia de mutao em um gene denominada taxa de
mutao Pm. Usualmente, so atribudos valores pequenos para a taxa de mutao. A idia
intuitiva por trs desse operador a criao de variabilidade extra na populao, mas sem
destruir o progresso j obtido no decorrer do processo evolutivo, como ilustrado na Figura
2.4, fornecendo assim, meios para introduo de novos elementos na populao. Desta
forma, a mutao assegura que a probabilidade de se chegar a qualquer ponto do espao de
busca nunca ser zero, alm de contornar o problema de mnimos locais, pois com este
mecanismo, altera-se levemente a direo da busca.
.Figura 2.4 - Exemplo de mutao.

O operador de cruzamento ou recombinao responsvel pela criao de novos
indivduos por intermdio da combinao de dois ou mais indivduos (pais). A idia
intuitiva por trs desde operador a troca de informao entre diferentes solues
candidatas permitindo que caractersticas dos pais sejam herdados pelas prximas geraes.
Ele considerado o operador gentico mais importante, por isso aplicado com
probabilidade maior que a taxa de mutao e dada pela taxa de crossover Pc. As formas de
utilizao desse operador so:
Um-ponto: para a aplicao desse operador, so selecionados dois indivduos (pais)

e a partir de seus cromossomos so gerados dois novos elementos (filhos). Para
gerar os filhos, seleciona-se um ponto de corte aleatoriamente nos cromossomopais, de modo que os segmentos a partir do ponto de corte sejam trocados, como
mostrado no exemplo da Figura 2.5.
Multi-pontos: a troca de material gentico feita da mesma forma de um ponto,

apenas esta troca utilizada em muitos pontos.
Uniforme: como este operador para cada bit no primeiro filho decidido (com
alguma probabilidade fixa p) qual pai vai contribuir com seu respectivo bit para
aquela posio.
11
Figura 2.5 - Um exemplo de crossover de um ponto.

(a) dois indivduos so escolhidos.
(b) um ponto (2) de crossover escolhido.
(c) so recombinadas as caractersticas, gerando dois novos indivduos.
2.3.3
Parmetros Genticos
Os parmetros genticos influem no comportamento dos Algoritmos Genticos e

importante, analis-los e estabelec-los conforme as necessidades do problema e dos
recursos disponveis.
Tamanho da Populao: o tamanho da populao afeta de uma forma direta o

desempenho global e a eficincia dos AGs. Uma populao pequena oferece uma
pequena cobertura do espao de busca, causando uma queda no desempenho. Uma
grande populao fornece uma melhor cobertura do domnio do problema e previne a
convergncia prematura para solues locais. Entretanto, com uma grande populao
tornam-se necessrios maiores recursos computacionais, ou um tempo maior de
processamento do problema.
Taxa de Cruzamento: quanto mais alta for esta taxa, mais rapidamente novos
indivduos sero introduzidos na populao. Entretanto, isto pode gerar um efeito
indesejado, pois a maior parte da populao ser substituda podendo ocorrer perda de
indivduos com alta aptido. Com uma taxa baixa, o algoritmo pode ficar muito lento.
Taxa de Mutao: uma taxa de mutao baixa pode prevenira a populao do

problema de estagnao em um determinado valor, alm de permitir que se chegue em
qualquer ponto do espao de busca. Com uma taxa muito alta a busca se torna
praticamente aleatria.
Intervalo de Gerao: determina a porcentagem da populao que ser substituda na

prxima gerao. Com um valor alto, a maior parte da populao ser substituda, mas
com valores muito altos pode ocorrer perda de indivduos com alta aptido. Com um
valor baixo, o algoritmo pode ficar muito lento.
12
2.4 Otimizao por Enxame de Partculas (PSO)

O mtodo de otimizao denominado Otimizao por Enxame de Partculas (PSO) tal como
outras meta-heursticas recentemente desenvolvidas, simula o comportamento dos sistemas
fazendo a analogia com comportamentos sociais.
O PSO um mtodo de otimizao baseado em populao e foi primeiro proposto
pelos Kennedy e Eberhart [10,11]. Possui caractersticas interessantes como, a facilidade de
implementao nos computadores e o fato que no requer nenhuma informao de
gradiente. Pode ser aplicado para resolver uma variedade de diferentes problemas de
otimizao, incluindo a maioria dos problemas que podem ser resolvidos atravs dos
Algoritmos Genticos; pode-se citar como exemplo algumas das aplicaes, como
treinamento de rede neural [20,21,22,23] e a minimizaro de vrios tipos de funes
[24,25].
Muitos algoritmos de otimizaes populares so determinsticos, como os
algoritmos baseados em gradientes. O PSO, como o seus similares, que pertencem famlia
de Algoritmo Evolutiva, um algoritmo do tipo estocstico que no precisa de gradiente de
informaes derivadas de funo de erro. Isto permite a utilizao do PSO em funes
onde o gradiente indisponvel ou cuja obteno est associada a um alto custo
computacional.
2.4.1 O Algoritmo PSO

O algoritmo PSO mantm uma populao de partculas, onde cada partcula representa uma
soluo potencial para um problema de otimizao. Assume-se que S como sendo o
tamanho do enxame. Cada partcula i pode ser representada como um objeto com vrias
caractersticas. Estas caractersticas so as seguintes:
xi: A posio atual da partcula;
vi: A velocidade atual da partcula;
yi: A melhor posio individual alcanada pela partcula.
A melhor posio individual da partcula i representa a melhor posio que a
partcula visitou e onde obteve a melhor avaliao. No caso de uma tarefa de minimizao,
por exemplo, uma posio que obteve o menor valor da funo considerada como sendo a
posio com melhor avaliao ou com mais alta aptido. O smbolo f ser usado para
denotar a funo objetivo que est sendo minimizada. A equao de atualizao para a
melhor posio individual dada pela equao (2.3), utilizando o tempo t explicitamente.
y (t )
y i ( t + 1) = i
x i ( t + 1)
se
f ( y i ( t )) f ( x i ( t + 1))
se
f ( y i ( t )) > f ( x i ( t + 1))
(2.3)
Existem duas verses do PSO, chamadas de modelos gbest e lbest (o melhor global
e o melhor local) [26]. A diferena entre os dois algoritmos est baseada diretamente na
forma com que uma determinada partcula interage com o seu conjunto de partculas. Para
13
y . Os detalhes dos dois modelos sero

discutidos por completo mais adiante. A definio do y , como usado no modelo de gbest,
representar esta interao ser utilizado o smbolo
apresentado pela equao (2.4).
y (t ) = min{ f ( y), f ( y (t ))}

y {y0 (t ), y1 (t ),....., ys (t )}
(2.4)
Note que esta definio mostra que y a melhor posio at ento encontrada por todas
as partculas no enxame de tamanho S.
O algoritmo PSO faz uso de duas seqncias aleatrias independentes, r1 ~ U ( 0,1) e
r2 ~ U ( 0 ,1) . Estas seqncias so usadas para dar a natureza estocstica ao algoritmo,
como mostrado abaixo na equao (2.5). Os valores de r1 e r 2 so escalados atravs de
constantes c1 > 0, c2 2 . Estas constantes so chamadas de coeficientes de acelerao, e
exercem influncia no tamanho mximo do passo que uma partcula pode dar em uma nica
iterao. A velocidade que atualiza o passo especificada separadamente para cada
dimenso j 1 .. n , de forma que
associado com a partcula
vi , j denota a dimenso j do vetor da velocidade
i . A atualizao de velocidade dada pela seguinte equao:
v i , j (t + 1) = v i , j (t ) + c1 r1, j (t )[ y i , j (t ) x i , j (t )] +
c 2 r2 , j (t )[ y j (t ) x i , j (t )]
(2.5)
Na definio da equao da atualizao de velocidade, a constante c 2 regula de

uma forma clara o tamanho mximo do passo na direo da melhor partcula global, e a
constante
c1 regula o tamanho do passo na direo da melhor posio individual daquela
partcula. O valor de
vi , j
mantido dentro do intervalo de
[vmax , vmax ] , reduzindo a
probabilidade de que uma partcula pode sair fora do espao de busca. Se o espao de busca
for definido pelo intervalo
forma [27]:
[ xmax , xmax ] , ento o valor de vmax
calculado da seguinte
vmax= k * xmax, onde 0.1 k 1.0 (2.6)

A posio de cada partcula atualizada usando o seu novo vetor de velocidade:
x i (t + 1) = x i (t ) + v i (t + 1) (2.7)
O algoritmo consiste em aplicao repetida das equaes de atualizao acima
apresentadas. A Figura 2.6 contm o pseudocdigo do algoritmo de PSO bsico.
14
Criar e inicializar:
i particula atual;
S PSO de n-dimenses :
inicio
repita:
para cada partcula i = [1..S]
se f(S.xi) < f(S. yi)
ento S. yi = S.xi
se f(S.yi) < f(S. y )
ento S. y = S. yi
fimPara
Atualize S usando as equaes (2.5 e 2.6)
at a condio da parada seja Verdadeira
fim
Figura 2.6 - O Pseudocdigo do algoritmo de PSO bsico.

A inicializao mencionada no primeiro passo do algoritmo consiste do seguinte:
1. inicialize cada coordenada x i , j com um valor aleatrio do intervalo [ x max , x max ] ,
para todo o i 1 .. s e j 1 .. n . Isto distribui as posies iniciais das partculas ao
longo do espao de busca. Deve selecionar um bom algoritmo de distribuio aleatria para
obter uma distribuio uniforme no espao de busca.
2. inicialize cada v i , j com um valor extrado do intervalo [ v max , v max ] , para todo o
i 1 .. s e j 1 .. n . Alternativamente, as velocidades das partculas podero ser

inicializadas com 0 (zero), desde que as posies inicias sejam inicializadas de uma forma
aleatria.
A condio de parada mencionado no algoritmo (Figura 2.6) depende do tipo de
problema a ser resolvido. Normalmente o algoritmo executado para um nmero fixo e
pr-determinado de iteraes (um nmero fixo de avaliao de funo) ou at alcanar
um valor especfico de erro. importante perceber que o termo de velocidade modela a
taxa de mudana dentro da posio da partcula. As mudanas induzidas pela equao de
atualizao de velocidade (2.5) representam acelerao, o que explica por que as constantes
c 1 , c 2 so chamados de coeficientes de acelerao.
Uma descrio breve de como o algoritmo trabalha dada da seguinte forma:
Inicialmente, uma partcula qualquer identificada como sendo a melhor partcula no
grupo, baseado na sua aptido usando a funo objetiva. Ento, todas as partculas sero
15
aceleradas na direo desta partcula, e ao mesmo tempo na direo das prprias melhores
posies previamente encontradas. Ocasionalmente as partculas exploram o espao de
busca ao redor da atual melhor partcula. Desta forma, todas as partculas tero a
oportunidade para mudar a sua direo e buscar uma nova 'melhor' partcula. Considerando
que a maioria das funes tm alguma forma de continuidade, as chances so boas de
encontrar as melhores solues no espao que cerca a melhor partcula. Aproximao das
partculas vindo de diferentes direes no espao de busca no sentido da melhor soluo
aumenta as chances de descobrir as melhores solues que esto na rea vizinha da melhor
partcula.
2.4.2 O Comportamento do PSO

Foram sugeridas muitas interpretaes a respeito do funcionamento e o comportamento do
PSO. Kennedy, na sua investigao fortaleceu a viso scia-biolgica do PSO, realizando
experincias para investigar as funes dos diferentes componentes da equao de
atualizao da velocidade [28]. A tarefa de treinar uma rede neural foi usada para comparar
o desempenho dos diferentes modelos. Kennedy fez uso do modelo de lbest (veja a seo
sobre lbest para uma descrio completa deste modelo), em lugar do modelo gbest.
Para isto desenvolveu duas equaes de atualizao de velocidade, a primeira,
usando apenas a experincia da prpria partcula, chamado de componente de cognio, e a
segunda, utilizando apenas a interao entre as partculas e chamou de componente social.
Considere a equao de atualizao de velocidade (2.5) apresentada anteriormente:
c 2 r2 , j (t )[ y j (t ) x i , j (t )]
(2.8)
O termo c 1 r1, j ( t )[ y i , j ( t ) x i , j ( t )] associado apenas com a cognio, onde

leva-se em considerao apenas as experincias da prpria partcula. Se um PSO for
construdo com o uso de apenas o componente cognitivo, a equao de atualizao de
velocidade se tornar :
v i , j (t + 1) = v i , j (t ) + c1 r1, j (t )[ y i , j (t ) x i , j (t )]
(2.9)
Kennedy constatou que o desempenho deste modelo de apenas com cognio era
inferior ao desempenho do PSO original. Uma das razes de mal desempenho atribudo a
ausncia total da interao entre as diferentes partculas.
O
terceiro
termo
na
equao
de
atualizao
de
velocidade,
c 2 r2 , j (t )[ y j (t ) xi , j (t )] , representa a interao social entre as partculas. Uma verso do
PSO com apenas o componente social pode ser construdo usando a seguinte equao de
atualizao de velocidade:
vi , j (t + 1) = vi , j (t ) + c2 r2, j (t )[ y j (t ) xi , j (t )]
(2.10)
16
Foi observado que nos problemas especficos que Kennedy investigou, o desempenho
deste modelo era superior ao PSO original.
Em resumo, o termo da atualizao da velocidade do PSO consiste de dois
componentes, o componente de cognio e o componente social. Atualmente, pouco se
sabe sobre a importncia relativa deles, embora resultados iniciais indiquem que o
componente social mais importante na maioria dos problemas estudados. Esta interao
social entre as partculas desenvolve a cooperao entre elas para resoluo dos problemas.
2.4.3 Consideraes sobre a semelhana entre PSO e EAs

H uma relao clara do PSO com os algoritmos evolutivos (EAs). Para alguns autores, o
PSO mantm uma populao de indivduos que representam solues potenciais, uma das
caractersticas encontradas em todos os EAs. Se as melhores posies individuais ( y i ) so
tratadas como parte da populao, ento h uma forma clara de seleo fraca [29]. Em
alguns algoritmos de ES, as descendentes (offspring), competem com os pais, substituindoos se forem mais adaptados. A equao (2.3) se assemelha a este mecanismo, com a
diferena que, a melhor posio individual (o pai) s pode ser substituda por sua prpria
posio atual (descendente), desde que a posio atual seja mais adaptada. Portanto, parece
ser alguma forma fraca de seleo presente no PSO.
A equao de atualizao de velocidade se assemelha ao operador de cruzamento
aritmtico (crossover) encontrado nos AGs. Normalmente, o cruzamento aritmtico produz
dois descendentes que so resultados da mistura de dois pais envolvidos no cruzamento. A
equao de atualizao de velocidade no PSO, sem o termo v i , j ( t ) (veja a equao 2.5),
pode ser interpretado como uma forma de cruzamento aritmtico envolvendo dois pais,
devolvendo apenas um nico descendente. Alternativamente, a equao de atualizao de
velocidade, sem o termo v i , j ( t ) pode ser visto como operador de mutao.
A melhor forma de analisar o termo v i , j ( t ) de no pensar em cada iterao
como sendo um processo de substituio de populao por uma nova (mecanismo de morte
e nascimento), mas como um processo de adaptao continuo [30]. Deste modo os valores
de x i no so substitudos, mas continuamente adaptados usando os vetores v i de
velocidade. Isto torna a diferena entre o PSO e os outros EAs mais clara: o PSO mantm
informao relativa a posio e velocidade (mudanas em posio); em contraste, EAs
tradicionais s mantm informao relativa a posio.
Apesar de parecer que h algum grau de semelhana entre o PSO e a maioria do
outro EAs, o PSO tem algumas caractersticas que atualmente no esto presentes em
nenhum outro EAs, especialmente o fato de que o PSO modela a velocidade das partculas
como tambm as suas posies.
2.4.4 Origens e Terminologia

O movimento das partculas foi descrito como sendo "vo" no espao de n-dimensionais
[26]. Esta terminologia faz parte das experincias realizadas em simulaes de vo de
pssaro, e que conduziu o desenvolvimento do algoritmo original do PSO [28], como foi
citado pelos autores do PSO, Kennedy e Eberhart.
17
O termo enxame (swarm) era usado por Millonas para descrever modelos de vidas
artificiais [31]. Para ele o termo de inteligncia enxame caracterizado pelas seguintes
propriedades :
Proximidade: necessita de espao simples e pequeno tempo computacional.

Qualidade: Respondendo a fatores de qualidade no ambiente.
Resposta diversa: No entrando em um subconjunto restrito de solues.
Estabilidade: Podendo manter modos de comportamentos quando os ambientes mudam.
Adaptabilidade: Podendo mudar modos de comportamentos quando a adaptao for
necessria.
Eberhart et al. [26] apresentou argumentos que demostraram que as partculas do PSO
possuem estas propriedades. Tambm foi justificado o uso do termo partcula". Para o
autor, usar populao poder dar a sensao de que os membros da populao precisam de
massa e volume, talvez chamar de pontos" seria o mais preciso. Porm, os conceitos de
velocidade e acelerao so mais compatveis com o termo partcula. Outros campos de
pesquisa em computao, como a computao grfica, tambm usam o termo "sistemas de
partcula para descrever os modelos usados para fazer efeitos especais e animao [32].
2.4.5 Modelo do Melhor Global (gbest)

O modelo gbest permite uma taxa mais rpida de convergncia [26] s custas de robustez.
Este modelo mantm s uma nica "melhor soluo", chamada de melhor partcula global,
entre todas as partculas no enxame. Esta partcula age como um atrator, puxando todas as
partculas para ela. Eventualmente, todas as partculas convergiro a esta posio. Caso no
seja atualizada regularmente, o enxame poder convergir prematuramente. As equaes de
atualizao para
y e v i so as mesmas apresentadas anteriormente:

y (t ) = min{ f ( y), f ( y (t ))}
y {y0 (t ), y1 (t ),....., ys (t )}
(2.11)
c 2 r2 , j (t )[ y j (t ) x i , j (t )]
(2.12)
Note que y chamado de a melhor posio global, e pertence partcula chamada de a

melhor partcula global.
2.4.6 O Modelo do Melhor Local ( Lbest )

O modelo de lbest tenta prevenir convergncia prematura mantendo mltiplos atratores.
Um subconjunto de partculas definido para cada partcula de qual selecionada a
melhor partcula local, y i . O smbolo y i chamado de a melhor posio local ou de
melhor na vizinhana (the local best position or the neighbourhood best).
18
Assumindo que os ndices das partculas esto ao redor do espao S, as equaes de
atualizao de lbest para um bairro de tamanho l so os seguintes:
N i = {y i l ( t ), y i l +1 ( t ),....., y i 1 ( t ), y i ( t ),
(2.13)
y i +1 ( t ),...., y i + l ( t )}
y i ( t + 1) N i
f ( y i ( t + 1)) = min { f ( a )}, a N i
c 2 r2 , j (t )[ y j (t ) x i , j (t )]
(2.14)
(2.15)
Note que as partculas selecionadas esto no subconjunto Ni e no tem nenhuma relao

com as outras partculas dentro do domnio do espao de busca; a seleo baseada
unicamente no ndice da partcula. Isto feito por duas principais razes: o custo
computacional mais baixo, por no necessitar de agrupamento, e isto ajuda tambm a
promover a expanso de informao relativa s boas solues para todas as partculas,
embora trata-se de busca local.
Finalmente, pode observar que o modelo de gbest de fato um caso especial do
modelo de lbest, quando o l = s, ou seja, quando o conjunto selecionado engloba todo o
enxame [26].
2.4.7 A Verso Binria do PSO

Uma verso binria do PSO foi introduzida pelo Kennedy e Eberhart [33]. Esta verso til
para fazer comparaes entre AGs codificados numa forma binria e o PSO, bem como
representar problemas que so por natureza binrios. Uma aplicao tpica representar o
grfico de conexo de uma rede neural onde '1' representa uma conexo e '0' representa a
ausncia de conexo entre dois nodos na rede.
A verso binria restringe os valores de componente de x i e y i para serem
elementos do intervalo U {0 ,1} . Porm, no h nenhuma restrio no valor da velocidade,
v i , de uma partcula. Entretanto, quando a velocidade usada para atualizar as posies,

ela deve ser colocada dentro do intervalo de [0.0,1.0] e tratado como probabilidade. Isto
pode ser obtido utilizando a funo sigmoidal, definida por:
sig ( x ) =
1
1 + exp( x )
(2.16)
Ento, a equao de atualizao para o termo de velocidade usado no enxame binrio

dada por :
c 2 r2 , j (t )[ y j (t ) x i , j (t )]
(2.17)
19
Note que esta equao de atualizao de velocidade similar a que foi usada no PSO
original. Em vez da equao de atualizao de posio habitual (por exemplo equao 2.8),
uma nova equao de atualizao probabilstica usada:
0
x i , j ( t + 1) =
1
se
se
r3, j ( t ) sig ( v i , j ( t + 1))

r3, j ( t ) < sig ( v i , j ( t + 1))
(2.18)
Onde r3, j (t ) ~ U (0,1) um variante aleatrio uniforme (selecionado a partir do intervalo

[0.0,1.0]). Ao analisar a equao (2.18), pode-se observar que o valor de
xi, j
sig ( v i , j ) = 0 Isto acontecer quando v i , j

aproximadamente menor do que -10. Igualmente, a funo de sigmoid saturar quando
v i , j > 10. Para prevenir isto, recomendado que o valor de v i , j seja mantido dentro do
intervalo de 4 [30]. O artigo original que descreve o PSO binrio recomenda um limiar
de v max
ligeiramente maior de 6 , resultando em uma probabilidade de
aproximadamente 0.0025 [33].
Esta verso foi melhorada com a utilizao de novos conceitos [34]. Estes conceitos
foram desenvolvidos com sendo extenses do PSO que sero apresentados mais adiante.
permanecer
(zero)
se
2.5 As Principais Propostas de Melhorias do PSO

Foram propostas vrias melhorias para a otimizao por Enxame de Partcula. Sero
apresentadas as mais importantes melhorias agrupadas de acordo com seus objetivos.
2.5.1 Melhorias na Taxa de Convergncia

Foram propostas vrias tcnicas para melhorar a taxa de convergncia do PSO. Estas
propostas normalmente envolvem mudanas na equao da atualizao do PSO, sem mudar
a estrutura do prprio algoritmo. Isto normalmente resulta em otimizao local de melhor
desempenho e s vezes com uma diminuio de desempenho em funes com mltiplos
mnimos locais.
- Peso da inrcia (Inertia weight) :
A introduo do peso de inrcia por Shi e Eberhart foi uma das primeiras modificaes no
algoritmo do PSO original objetivando melhorar a sua taxa de convergncia [66]. O peso de
inrcia um fator escalar associado com a velocidade durante o passo de tempo anterior,
resultando na seguinte nova equao de atualizao de velocidade :
v i , j (t + 1) = wv i , j (t ) + c1 r1, j (t )[ y i , j (t ) x i , j (t )] +
c 2 r2 , j (t )[ y j (t ) x i , j (t )]
(2.19)
A equao da atualizao da velocidade do PSO original pode ser obtida fixando w = 1. Shi
20
e Eberhart investigaram o efeito de valores de w na faixa de [0, 1.4], como tambm
variando w com o passar do tempo [66]. Os resultados obtidos demonstram que escolhendo
w [0.8,1.2] resulta em convergncia mais rpida, mas com o valor de w maior do que (>
1.2) resulta em mais fracassos para convergir.
- Coeficiente de enxugamento (Constriction Factor)
Recentemente num trabalho feito por Clerc [27,38] foi demonstrado que o coeficiente (ou
fator) de enxugamento pode ajudar assegurar a convergncia. O modelo de coeficiente de
enxugamento descreve, entre outras coisas, um modo de escolher os valores de w, c1 e c2 de
forma que a convergncia seja assegurada.
A Escolha correta destes valores, elimina a necessidade de ajustar os valores
de v i , j escala de [ v max , v max ] . A equao da atualizao usando este coeficiente como
foi proposta em [27,38], apresentada na equao (2.20):
v i , j (t + 1) = (v i , j (t ) + c1 r1, j (t )[ y i , j (t ) x i , j (t )] + c 2 r2 , j (t )[ y j (t ) x i , j (t )] ) , (2.20)
=
Onde
e = c1 + c2 ,
2
2 2 4
> 4.
Eberhart e Shi compararam o desempenho de um enxame usando o ajuste com o

v max com outro enxame, onde foi utilizado apenas o coeficiente de enxugamento [43].
Seus resultados indicaram que o uso do coeficiente de enxugamento (sem ajustar a
velocidade) resulta geralmente em uma taxa melhor de convergncia em algumas das
funes do teste, entretanto, o PSO com o coeficiente de enxugamento no alcanou a
convergncia esperada com o nmero de iteraes pr-determinado. O problema, de acordo
com Eberhart e Shi, que as partculas vagueiam demasiadamente longe da regio desejada
do espao da busca. Para reduzir este efeito decidiram aplicar tambm o ajuste no prprio
coeficiente de enxugamento, ajustando o parmetro do v max igual ao x max ,o tamanho do
espao da busca. Isto conduziu melhora no desempenho do algoritmo para quase todas as
funes usadas durante os testes.
Para mostrar o funcionamento e aplicao do PSO, no prximo captulo ser
apresentada uma aplicao do PSO para otimizar as funes de pertinncia num controle
fuzzy.
21
Captulo 3
Uma aplicao: O Ajuste Automtico das
Funes de Pertinncia Fuzzy Usando
PSO
Neste captulo ser descrita uma aplicao que foi desenvolvida com objetivo de apresentar
uma estratgia para o ajuste automtico das funes de pertinncia usando PSO. E com o
algoritmo PSO pode-se fazer um ajuste automtico das funes de pertinncia melhorando
significativamente o controle, minimizando o espao percorrido pelo veculo at estacionar
e auxiliando os estudantes no aprendizado de controle difuso.
3.1 Introduo
A Teoria dos Conjuntos Difusos foi proposta por Lofti A. Zadeh em um artigo publicado
em 1965 [87].
Recentemente, a Lgica Difusa tem sido utilizada no controle de processos
industriais, equipamentos eletrnicos, de entretenimento, carros, sistemas de diagnose e,
at mesmo, para o controle de eletrodomsticos.
Os sistemas difusos podem ser considerados como sendo sistemas baseados em
conhecimento, incorporando conhecimento humano na Base de Conhecimento deles atravs
de Regras Difusas e Funes de Pertinncia. A definio destas regras difusas e as funes
de pertinncia geralmente so feitas atravs de decises subjetivas, influenciando de uma
forma direta no desempenho do sistema. Na maioria das aplicaes existentes, as regras
difusas so geradas por peritos na rea, especialmente para problemas de controle com
poucas entradas (variveis). Com um nmero crescente de variveis, o nmero de regras
aumenta exponencialmente, o que torna mais difcil para peritos definirem conjunto de
regras que resultam num sistema de bom desempenho.
Neste estudo de caso foi utilizado um ambiente computacional para o ensino da
lgica difusa [88]. Este programa computacional foi desenvolvido para o treinamento de
estudantes de Engenharia na Teoria de Controle Difuso. O seu principal objetivo
estacionar um veculo em uma garagem, partindo de qualquer posio dentro de uma rea
pr-determinada.
Com este pacote, os estudantes dispem de um recurso que exemplifica uma
situao muito conhecida da vida real. Entretanto, este pacote apresenta uma sria
desvantagem: o tipo de aprendizagem. Neste caso, os estudantes, para conseguir uma ao
22
de controle apropriada, utilizam o mtodo da tentativa-e-erro na definio das regras e
parmetros para cada uma das funes de pertinncia.
Neste trabalho ento desenvolveu-se um mdulo de treinamento PSO para um
controle previamente criado. O algoritmo PSO ser utilizado para encontrar os melhores
parmetros das funes de pertinncia. A concatenao destes parmetros constitui as
partculas do enxame, que so avaliadas de acordo com o nmero de iteraes necessrias
para que o veculo estacionar de acordo com o ajuste feito por cada grupo de partculas.
Nas prximas sees ser descrito o mdulo de treinamento do PSO apresentando o
algoritmo bem, como as telas de interface com o usurio. Em seguida sero mostrados os
testes realizados com controles difusos que tiveram suas funes de pertinncia ajustadas e
finalmente, as concluses sero apresentadas.
3.2 O Pacote Computacional Original

O pacote computacional tem como principal objetivo estacionar um veculo em uma
garagem, partindo de qualquer ponto inicial dentro de uma rea pr-definida. Para tal, o
usurio deve projetar um conjunto de regras de controle difuso e tambm as funes de
pertinncia que controlaro a trajetria do veculo. Para definir tais regras, o programa
oferece diversos menus com janelas e rotinas numricas. Os processos de fuzzificao e de
defuzzificao das variveis so feitos pelo programa sem a necessidade de interferncia do
usurio [88].
A Figura 3.1 mostra a tela inicial para representar o problema do estacionamento de
um veculo. Nesta janela aparecem a posio da garagem, os limites existentes (as paredes)
e os valores das coordenados limites. Tambm so apresentadas as variveis de entrada
(x, y) medidas a partir do ponto central da parte traseira do veculo e finalmente, o ngulo
do carro ().
Figura 3.1 - Tela bsica do programa.
23
Para a realizao de estacionamento do veculo, algumas condies so estabelecidas,
e pertencem dois tipos: ligadas ao pacote computacional e ligadas a lgicas. As condies
ligadas ao pacote representam as limitaes fsicas. So elas [88]:
limites das variveis de entrada:
- posio (x, y): 0 < x < 32 e 0 < y < 20 (m) (limitaes do estacionamento)
- ngulo do veculo: -90 270
- sentido do veculo: para frente ou para trs
limite da varivel de sada:
- ngulo da roda do veculo: -30 30 (limitao do modelo real)
Com relao s limitaes lgicas, elas podem variar de acordo com os tipos das
estratgias empregadas. Alguns exemplos destas estratgias podem ser, entre outras:
minimizao do nmero de mudanas de sentido do veculo (para frente ou para
trs);
minimizao do espao percorrido pelo veculo at a garagem;
a restrio de partes da garagem para o estacionamento.
Para o movimento do veculo so estabelecidas as seguintes condies: acelerao
igual a 1 (m/s2) e velocidade mxima de 1 (m/s). Estes dois valores so utilizados como
referncia para todos os movimentos.
Para inverter o sentido do movimento do veculo existem trs possibilidades, que
so:
a) Choque contra a parede: quando o sistema verifica que o veculo ir se chocar
contra a parede no prximo passo;
b) Regra que fora a inverso: quando a ordem de inverter for utilizada como
conseqncia de uma regra; ou,
c) Falta de sadas: quando nenhuma regra for utilizada pelo controle, ou seja, se a
sada for nula.
Para obter mais informaes sobre este pacote e tambm como feita a criao de um
controle difuso veja [88].
3.3 Simulaes
Selecionada a opo simulao do menu, o usurio pode definir uma posio inicial
(Coordenada X, Y e ngulo) para o veculo. A Figura 3.2 mostra o deslocamento do
veculo utilizando o conjunto composto por 356 regras para o deslocamento.
No exemplo de simulao da Figura 3.2, pode-se verificar o rastro deixado pelo
veculo durante sua trajetria. Cada ponto significa uma iterao (ou seja, uma passagem
completa no conjunto de regras). No exemplo, mostrado na Figura 3.2, produziu-se 256
iteraes.
24
Figura 3.2 - Exemplos de simulao do pacote computacional.

O pacote computacional dispe de recursos, que permitem variar o tamanho do
carro entre: pequeno, mdio ou grande. Esta variao cria a oportunidade de verificar o
comportamento do sistema de controle para um equipamento que tenha alteradas algumas
de suas grandezas. O pacote computacional possui tambm trs mtodos de defuzzificao,
que so: o centride, mdia das reas e mdia das mximas [89].
3.4 Descrio do Mdulo Treinamento PSO

De forma geral, a integrao dos algoritmo PSO com o controle difuso foi implementada da
seguinte maneira:
A subpopulao de partculas do enxame foi definido como sendo a concatenao
dos valores de ajuste das funes de pertinncia.
Os parmetros so os centros e as larguras de cada conjunto difuso. Estes
parmetros compem as partculas.
De uma gama inicial de valores de parmetros possveis, o sistema difuso
executado para determinar o quanto ele funciona bem.
Essas informaes so usadas para determinar o ajuste de cada subpopulao
(adaptabilidade) e estabelecer a evoluo do enxame.
O ciclo repetido at que se complete o nmero de iteraes do enxame definido
pelo usurio. A cada iterao encontrado o melhor conjunto de valores para os parmetros
das funes de pertinncia.
Para o treinamento do PSO podem-se definir as posies iniciais que o veculo ir
partir para avaliar cada subpopulao do enxame que representa o conjunto de valores para
os parmetros das funes de pertinncia, buscando assim uma otimizao do controle no
somente sobre uma nica trajetria, mas sim de todas as posies iniciais possveis de se
partir o veculo para que se ocorra o estacionamento.
25
Atravs de utilizao do menu Opo Treinamento PSO, o usurio faz o ajuste
dos parmetros para o treinamento, alm de definir os parmetros (populao, iterao,
velocidade mxima), estabelecer o valor de ajuste para as funes de pertinncia que o
quanto a funo deslocar para esquerda ou direita e quanto ela se encolher ou expandir.
Aps iniciar o treinamento, pode-se acompanhar o treinamento atravs das informaes
exibidas por janelas. Concludas todas as iteraes, tem-se o melhor resultado encontrado.
Aps o ajuste, as funes de pertinncia so redefinidas segundo os parmetros do melhor
resultado encontrado. O sistema far o controle com base nestas novas funes.
3.5 Componentes do Algoritmo PSO

Sero apresentados nesta seo os mecanismos empregados para gerar timas funes de
pertinncia no controlador difuso usando o algoritmo PSO.
Cada funo de pertinncia do controlador difuso implementado definida usando
quatro parmetros. So eles: IE (inferior esquerdo), ID (inferior direito), SE (superior
esquerdo) e SD (superior direito).
Figura 3.3 Parmetros das funes de pertinncia.

Na Figura 3.3 so mostrados os parmetros da funo de pertinncia PE da varivel
x. Para est funo o valor de IE igual a 30, ID igual a 160, SE igual a 80 e SD igual a
110.
Para ajustar as funes de pertinncia foram definidas as seguintes equaes:
IE = (IE + ki) wi
ID = (ID + ki) + wi
26
SE = (SE + ki)
SD = (SD + ki)
Onde, ki e wi so coeficientes de ajustes. O ki faz cada funo de pertinncia mover-se para
a direita ou para esquerda sem perder sua forma original. O coeficiente wi faz com que a
funo de pertinncia encolha ou se expanda. Estes coeficientes assumem valores inteiros
negativos ou positivos de acordo com o valor de ajuste definido pelo usurio.
A Figura 3.4 mostra um exemplo de ajuste com os valores de IE igual a 30, ID igual
a 160, SE igual a 80 e SD igual a 110. Sendo k = -8 e w = 5 a funo de pertinncia ter o
seguinte ajuste:
IE = ( 30 + (-8)) 3 = 19
ID = (160 + (-8)) + 3 = 155
SE = ( 80 + (-8)) = 72
SD = (110 + (-8)) = 102
Figura 3.4 Exemplo de ajuste de uma funo de pertinncia.

O algoritmo PSO ser utilizado para achar os timos valores das funes de
pertinncia, segundo a estratgia escolhida, os pontos iniciais utilizados e os coeficientes de
ajustes (ki e wi ).
27
3.5.1 Representao das Solues usando PSO

O controle difuso normalmente est composto por muitas funes. Assim, para este tipo de
problema ser necessrio o uso de subpopulao. Cada subpopulao representa uma
possvel soluo.
Com relao ao tamanho da subpopulao, ou seja, quantos partculas cada
subpopulao ir ter, isso depender do nmero de funes de pertinncia definidas pelo
usurio. Para um controle difuso com um grupo de 18 funes de pertinncia, por exemplo,
necessita ter uma subpopulao com 18 partculas de 2 (duas) dimenses (x,y) . Isso porque
para cada funo deve ter dois coeficientes de ajuste: ki e wi. A subpopulao ento
representada por um vetor de 18 posies de partculas com 2 posies cada.
Ento, necessrio ter a seguinte estrutura:
sp1 = { p11,p12,p13...p1m }
sp2 = { p21,p22,p23...p2m }
.....
spn = { pn1,pn2,pn3...pnm }
Onde:
p: uma partcula de 2 dimenses (ki , wi.)
n : numero de populao(enxame).
m : nmero de partculas.
3.5.2 Funo de Avaliao e o Critrio de Parada

A funo de avaliao tem o papel de avaliar o nvel de aptido (adaptao) de cada
subpopulao gerada pelo algoritmo. Para o problema em questo, o objetivo minimizar a
trajetria do veculo at estacionar. No caso a funo de avaliao dada por:
1
f=
(3.1)
1+ I
onde I o total de iteraes at estacionar com base no ajuste feito por cada subpopulao
nas funo de pertinncia.
De acordo com est funo, a aptido de cada subpopulao ser inversamente
proporcional ao nmero de iteraes.
Como critrio de parada foi utilizado o nmero mximo de iteraes.
3.5.3 Apresentao do Algoritmo

Seja, G o nmero de iteraes do PSO, S o enxame, N o nmero de subpopulaes, Vmax
a velocidade mxima e VA o valor de ajuste permitido para as funes de pertinncia. O
algoritmo abaixo apresentado gere como sada o vetor gbest com a melhor subpopulao
representando a melhor soluo.
28
Passo 1. Gere subpopulaes inicial SP com partculas no intervalo [- VA, +VA].
Passo 2. Gere velocidade inicial Vx e Vy com valores aleatrios.
Passo 3. Se completou o nmero de repetio G v para Passo 7.
Passo 4. Avalie a aptido da subpopulao SP.
Passo 5. Atualize S usando as equaes (2.5 e 2.7)
Passo 6. V para Passo 3.
Passo 7. Fim.
3.6 Testes
Nesta seo sero apresentados os testes realizados com controles difusos que tiveram suas
funes de pertinncia ajustadas usando PSO. Estes testes demonstram a eficincia de tais
mecanismos, permitindo uma avaliao objetiva dos resultados encontrados.
As funes de pertinncia originais so mostradas na Figura 3.5. Este controles
possuem 148 regras e 15 funes de pertinncia para as variveis de entrada x, y e ngulo
da roda.
Figura 3.5 Funes de pertinncia originais.

O treinamento deste controle foi feito a partir de trs posies iniciais, conforme
mostra a Tabela 3.1 Nesta tabela tem tambm o nmero de iteraes geradas pelo veculo
at estacionar utilizando as funes de pertinncia originais.
29
Tabela 3.1 Posies iniciais para o treinamento.
Posio X
1
2
3
ngulo
Carro
25 120 180
160 130 -90
275 160 -40
do Iteraes sem
treinamento
330
888
655
A Figura 3.6 mostra o veculo em cada uma das posies iniciais.
Figura 3.6 Posies iniciais de treinamento.

Estas posies foram escolhidas de acordo com pontos onde o veculo no
desenvolve uma boa trajetria at estacionar e, consequentemente, gerando um nmero
excessivo de iteraes. Como j explicado no Captulo 4, a definio de vrias posies
iniciais no ir somente minimizar as trajetrias referentes a estes pontos, mas como
tambm para outros pontos, conseguindo assim uma minimizao global de espao
percorrido.
A Figura 3.7 mostra as trajetrias referentes a cada posio inicial.
Os parmetros genticos definidos para o treinamento so mostrados na Tabela 3.2.
Tabela 3.2 Parmetros do PSO.

Tamanho da Populao
Nmero de Iteraes
Vmax
14
30
10
Os resultados gerados pelo algoritmo PSO so mostrados na Tabela 3.3 e Figura 3.8.
30
Tabela 3.3 Iteraes aps o treinamento com PSO.

Posio Iteraes sem
treinamento
1
330
2
888
3
655
Total
1873
Mdia
624,33
(a)
Iteraes com
treinamento
285
592
439
1316
438,99
(b)
(c)
Figura 3.7 Simulaes sem treinamento.
(a) Posio 1 - (b) Posio 2 (c) Posio 3
Como mostrado na Tabela 3.3, obteve-se uma reduo de 557 iteraes (29,74%)
para o veculo estacionar partindo-se das posies inicias fixadas para o treinamento. Na
Tabela 3.4 sero apresentados resultados de simulaes feitas partindo de posies iniciais
no utilizadas no treinamento.
31
(a)
(b)
(c)
Figura 3.8 Simulaes aps treinamento gentico.
Posio 1 (b) Posio 2 (c) Posio 3
Figura 3.9 Funes de pertinncia aps o ajuste com PSO.
A Figura 3.9 mostra as funes de pertinncia aps o ajuste. Nota-se que as maiores
modificaes ocorreram nas funes das variveis y e ngulo da roda. O prximo exemplo
apresentar modificaes significantes nas funes da varivel x, uma vez que so
utilizadas mais posies iniciais no treinamento.
32
A Tabela 3.4 apresenta o resultado obtido de simulaes feitas com 20 posies
escolhidas aleatoriamente para o veculo estacionar utilizando o controle original que
tiveram suas funes de pertinncia ajustadas pelos PSO.
Os resultados demonstram uma reduo mdia do nmero de iteraes para o
veculo atingir a posio final de 18,22%. Estes valores representam uma reduo global na
trajetria do veculo partindo-se de posies no utilizadas no treinamento gentico. Outra
observao que em determinadas posies o nmero de iteraes maior que as geradas
pelos controles originais (sem treinamento). Na posio 2 da Tabela 3.4 por exemplo, o
controle original gera 167 iteraes para estacionar o veculo enquanto que o controle
treinado gera 306 iteraes. Este aumento conseqncia das modificaes nas funes da
pertinncia que fazem com que o veculo desenvolva uma trajetria diferente para atingir a
posio final.
Tabela 3.4 Resultados de Simulaes.
Iteraes geradas pelos
ngulo
Controles Difusos
Posio X Y do
Traindo
carro Original
com PSO
1
1 126 182
450
445
2
6 46 132
167
306
3
8 41 190
1000
1000
4
15 70 -90
318
313
5
70 95 -6
263
257
6
74 69 -70
453
450
7
76 193 232
605
363
8
88 46 44
283
289
9
115 120 240
463
289
10
131 140 -72
457
512
11
141 69 -28
342
225
12
154 166 -80
863
950
13
160 135 268
1101
445
14
217 66 -50
684
506
15
228 194 -48
830
476
16
246 169 154
312
310
17
250 180 -40
739
489
18
265 170 -40
672
483
19
300 124 258
317
308
20
305 156 -40
521
449
Total
10840
8865
Mdia
542
443,25
3.7 Consideraes sobre esta aplicao

O algoritmo PSO oferece vantagens distintas de otimizao das funes de
pertinncia resultando em uma pesquisa global, reduzindo as chances de terminarem em um
33
mnimo local, pois utiliza vrios conjuntos de solues simultaneamente. A lgica difusa
contribuiu com a funo de avaliao, estgio do algoritmo PSO onde o ajuste
determinado.
Este trabalho tambm um exemplo de integrao de sistemas difusos com
algoritmo PSO, constituindo assim um sistema hbrido. Nesta integrao mostrou-se que
quando se tem o domnio do problema, este pode ser explorado pelo algoritmo PSO
conduzindo a um desempenho melhor do controlador difuso.
Os resultados obtidos foram bons e consistentes e comprovam os benefcios
visualizados e descritos acima.
O desenvolvimento desta aplicao permitiu tambm maior domnio sobre o
algoritmo PSO e ajudou no estudo sobre o seu comportamento que ser apresentado no
prximo captulo.
34
Captulo 4
Um novo algoritmo: Algoritmo Hbrido de
Otimizao por Enxame de Partcula com
Mutao HPSOM
Este captulo inicia-se com uma breve analise informal de comportamento do algoritmo
PSO padro e seu desempenho. Em seguida apresentado um novo algoritmo chamado de
Algoritmo de Otimizao por Enxame de Partcula Hbrido com Mutao (HPSOM), que
combine a idia do enxame de partcula com o conceito de Algoritmos Genticos. Sero
apresentados e discutidos os resultados dos testes entre os dois modelos: PSO e o HPSOM
usando funes unimodal e multimodal.
4.1
Introduo
O desempenho do algoritmo PSO foi investigado em diversos trabalhos, desde o seu

surgimento em ([10,11]). O trabalho apresentado na referncia [62] descreve a complexa
tarefa da seleo dos parmetros no PSO. Uma comparao formal entre PSO e o
Algoritmo Gentico padro foi realizada e apresentada na referencia [40], onde o autor
apontou que o PSO possui um bom desempenho nas iteraes iniciais, mas apresenta
problemas de convergncia quando se aproxima da soluo tima.
O comportamento do PSO no modelo global (gbest) apresenta alguns aspectos
importantes relacionados com a atualizao da sua velocidade. Se a posio atual de uma
partcula coincidir com a melhor posio global, a partcula mover-se- afastando deste
ponto somente se o seu peso de inrcia (w) e a sua velocidade anterior forem diferentes de
zero. Se as velocidades anteriores das partculas forem muito prximas de zero, todas as
partculas pararo de se mover, uma vez que j alcanam a melhor posio global. Isso
pode conduzir o algoritmo convergncia prematura. De fato, isto no garante nem mesmo
que o algoritmo convergiu em um mnimo local, apenas, significa que todas as partculas
convergiram melhor posio encontrada at ento pelo enxame. Este fenmeno
conhecido como estagnao [54].
Algumas solues forem propostas recentemente na literatura. A soluo
apresentada em [54] est baseada em acrescentar um parmetro novo e adicionar novas
equaes ao PSO. Outro trabalho apresentado em [53], combina o algoritmo PSO com
tcnicas de Algoritmos Evolutivos, introduzindo a procriao (breeding) e subpopulaes
(subpopulation). As solues apresentadas geraram modificaes profundas no PSO, o que
35
torna a nova verso do PSO mais complexa ou muito parecida com os Algoritmos
Evolutivos.
Para resolver o problema anteriormente mencionado, ser apresentado um novo
algoritmo hbrido chamado de algoritmo de Otimizao por Enxame de Partcula Hbrido
com Mutao (HPSOM), que combine a idia do enxame de partcula com os conceitos de
Algoritmo Genticos. O modelo HPSOM combina a tradicional velocidade e regras de
atualizao de posio do algoritmo PSO com o conceito da mutao numrica dos AGs.
O HPSOM testado e comparado com o PSO padro usando funes unimodal e
funes multimodal. Os resultados obtidos demonstram que o HPSOM tem um grande
potencial para alcanar convergncia mais rapidamente e achar a melhor soluo. Esta
soluo resolver o problema de estagnao sem criar qualquer modificao nas equaes
de PSO e seus parmetros.
A prxima seo apresenta a estrutura do algoritmo HPSOM. Seo 4.3 descreve os
testes e apresenta os resultados experimentais e finalmente as concluses sero
apresentadas.
4.2
O Algoritmo HPSOM
O algoritmo Enxame de Partcula Hbrido com Mutao (HPSOM) incorpora o processo de

mutao geralmente usado no AGs no PSO. Este processo vai permitir que as partculas
possam escapar de um ponto timo local e realizar buscas em diferentes rea no espao de
busca. Este processo inicia pela escolha aleatria de partculas no enxame e mover para
uma nova posio diferente dentro do espao de busca. O processo da mutao utilizado
dado pela seguinte equao:
mut ( p [ k ]) = p ([ k ] * 1 ) +
(4.1)
Onde o p[k ] a partcula escolhida aleatoriamente do enxame e obtido tambm de

uma forma aleatria dentro da seguinte escala: [0, 0.1 * ( xmax xmin ) ] , representando 0.1 vez
o comprimento do espao da busca . A Figura 4.1 lista o pseudocdigo do algoritmo
HPSOM.
inicio
Criar e inicializar :
Enquanto ( condio da parada seja falso)
inicio
avaliar
atualizar velocidade e posio
mutao
fim
fim
Figura 4.1 - o pseudocdigo do algoritmo HPSOM.
36
4.3
Testes e experimento
Como o objetivo de estudo de desempenho do algoritmo HPSMO e a comparao com o

algoritmo original PSO, forem realizados testes usando quatro funes evolvendo
problemas de minimizao. As primeiras duas funes so unimodal, enquanto que as
ltimas duas so multimodal com muitos mnimos locais. Estas quatro funes foram
usadas em todos os outros estudos realizados sobre o PSO ([42], [53]).
A funo Spherical: A funo de Esfera generalizada uma funo muito simples e

unimodal. O seu mnimo global est localizado na x = 0, com f(x) = 0. Esta funo no
tem nenhuma interao entre suas variveis.
Spherical: f 1 ( x ) =
i =1
x i2
(4.2)
A funo Rosenbrock: A segunda funo a funo de Rosenbrock generalizada.

Uma funo unimodal, com interao significante entre suas variveis.
n 1
Rosenbrock: f 2 ( x) = (100( xi +1 xi2 ) 2 + ( xi 1) 2 ) (4.3)

i =1
A funo Griewank: Uma funo multimodal com interao significante entre suas
variveis, e seu mnimo global se encontra no x = 0, onde f(x) = 0.
Griewank: f 3 ( x ) =
1
4000
i =1
xi2
cos (
i =1
xi
i
) +1
(4.4)
A Funo Rastrigin: A quarta funo a funo de Rastrigin generalizada. um

exemplo tpico e muito utilizado de funes no-linear e multimodal. Esta funo
representa um problema com um grau de dificuldade acentuado causado por seu grande
espao de busca e principalmente por um nmero grande de mnimos locais como
mostrado na Figura (4.2).
n
Rastrigin: f 4 ( x) = ( xi2 10 cos(2xi ) + 10)
(4.5)
i =1
A Figua 4.2 da funo de Rastrigin mostra que existem muitos mnimos locais organizados
como inchaos. A funo tem apenas um mnimo global, que ocorre no ponto [ 0 0 ] no
plano x-y, como indicado pela linha vertical, onde o valor da funo 0. Em qualquer
mnimo local exceo de [ 0 0 ], o valor da funo maior do que 0. A funo de
Rastrigin freqentemente usada tambm nos estudos sobre os algoritmos genticos.
37
Figura 4.2 A funo Rastrigin em 3D

As escalas do espao da busca e os valores iniciais usados nos experimentos so
apresentados na Tabela 4.1. Todos esses experimentos consistiram em 100 execues. Os
parmetros de PSO e de HPSOM foram ajustados aos valores dos coeficientes c1 = c2 =
2.0 e um peso de inrcia que comea em 0.7 e diminui linearmente at chegar ao limite de
0.4. O valor da velocidade mxima (Vmax) de cada partcula foi ajustado metade do
comprimento de espao da busca em uma dimenso. O tamanho da populao nos
experimentos foi mantida em 20 partculas a fim de manter as exigncias computacionais
baixas. Note que o HPSOM tem um parmetro adicional relacionado com a taxa da
mutao que foi ajustado a 30%.
Os experimentos das quatro funes foram feitos usando diferente dimenso (10, 20
e 30) e diferente iterao (1000, 1500 e 2000) respectivamente.
Tabela 4.1- O espao de busca e os valores iniciais das funes de teste.
Funo
f1
f2
Espao de Busca
100 xi 100
100 x i 100
Escala Inicial
50 x i 100
f3
f4
600 x i 600
300 x i 600
10 x i 10
2.56 x i 5.12
15 x i 30
38
Tabela 4.2 - Resultados de mdia da melhor aptido para 100 execues (mdio da
melhor aptido erro padro)
F
Dim. Iter.
PSO (Padro)
HPSOM
f1 - Spherical
10
20
30
1000
1500
2000
2.15E-037 2.30E-037
1.44E-028 9.13E-029
2.07E-014 2.90E-014
2.24E-096 1.73E-095
2.1449E-119 1.6891E-118
6.5764E-147 5.6809E-146
10
f2-Rosenbrock 20
30
1000
1500
2000
30.2215 29.6403
110.3035 15.2610
151.7675 9.5624
6.77010.3748
16.9664 0.4855
27.3682 0.7146
f3 -Griewank
10
20
30
1000
1500
2000
0.090130.00362
0.030310.0013
0.0189 0.0586
0.000.00
0.00 0.00
0.00 0.00
f4 -Rastrigin
10
20
30
1000
1500
2000
4.69000.3410
24.32470.6291
49.4664 0.6299
0.000.00
0.00 0.00
0.00 0.00
Figura 4.3- PSO versus HPSOM para a funo Spherical (esfera) - f1
39
Figura 4.4- PSO versus HPSOM model for Rosenbrock function- f2
Figura 4.5 - PSO versus HPSOM para a funo for Griewank - f3
40
Figura 4.6 - PSO versus HPSOM para a funo Rastrigin - f4
(b)-HPSOM
(a)-PSO
Figure 4.7- Os comportamentos das partculas PSO/HPSOM para a funo Esfera
(pop = 3)- f1
41
Para ampliar o escopo da comparao, a Tabela 4.3 contm os resultados obtidos

usando o Algoritmo Gentico padro como foi apresentado no trabalho [53]. A populao
composta por 20 indivduos (o mesmo tamanho da populao dos PSO/HPSOM) e as taxas
de cruzamento e mutao esto na Tabela 4.4.
Tabela 4.3- Resultados de mdia da melhor aptido para 100 execues - PSO, HPSOM e
AG- (mdio da melhor aptido erro padro)
F
Dim. Iter.
PSO (Padro)
GA (Padro)
HPSOM
f1 - Spherical
10
20
1000
1500
2.15E-037 2.30E-037
1.44E-028 9.13E-029
2.43E-041.14E-05
0.00145 6.22E-05
2.24E-096 1.73E-095
2.1449E-119 1.6891E-118
30
2000
2.07E-014 2.90E-014
0.00442 1.78E-04
6.5764E-147 5.6809E-146
10
20
1000
1500
30.2215 29.6403
110.3035 15.2610
109.810 6.212
146.912 10.951
6.77010.3748
16.9664 0.4855
30
2000
151.7675 9.5624
199.730 16.285
27.3682 0.7146
10
20
1000
1500
0.090130.00362
0.030310.0013
283.2511.812
611.2663.572
0.000.00
0.00 0.00
30
2000
0.0189 0.0586
889.537 3.939
0.00 0.00
10
20
1000
1500
4.69000.3410
24.32470.6291
3.16670.2237
16.87320.6007
0.000.00
0.00 0.00
30
2000
49.4664 0.6299
49.3212 1.1204
0.00 0.00
f2-Rosenbrock
f3 -Griewank
f4 -Rastrigin
Tabela 4.4 - As taxas de cruzamento e mutao usados pelo AG (padro)

Funo
f1
f2
f3
f4
4.4
Taxa de cruzamento
0.60
0.50
0.50
0.20
Taxa de mutao
0.30
0.30
0.40
0.02
Discusses dos Resultados
Como apresentado na Tabela 4.2, os testes foram realizados variando a dimenso das
funes em (10,20 e 30) e variando o nmero de iteraes dos algoritmos para (1000,2000
e 3000) respectivamente. Os testes foram repetidos 100 vezes e os resultados dos
algoritmos PSO e HPSOM so representados pelo valor mdio da aptido da melhor
partcula encontrada e seguido pelo valor do erro padro.
42
As Figuras 4.3 a 4.6 apresentam grficos que correspondem aos experimentos e
mostram os comportamentos obtidos pela melhor aptido para cada repetio de ambos os
algoritmos. Os grficos ilustram os resultados obtidos nos teste nas funes com dimenso
de 30.
No caso dos experimentos com as funes unimodal (Esfera e Rosenbrock), o
HPSOM alcanou melhores resultados e teve sua convergncia mais rpida do que o PSO.
No caso dos experimentos com as funes multimodal (Griewank e Rastrigin), o HPSOM
novamente obteve uma convergncia mais rpida que o PSO, e achou o valor mnimo das
duas funes (zero).
A Figura (4.3) apresenta um grfico que descreve o comportamento do PSO na
minimizao da funo de Esfera. Pode-se observar que o PSO entrou em estagnao com
iterao prxima a ~800 e mantm o mesmo resultado representado no grfico como uma
linha reta at o fim de execuo, sem que o aumento do nmero de iterao gere uma
melhoria nos resultados. Ao mesmo tempo, pode-se observar um comportamento no linear
no grfico do HPSOM na direo ao mnimo global com o aumento de iterao. Como
mostrado nos grficos da Figura (4.7) que apresentam os comportamentos dos dois
algoritmos para apenas 3 partculas e com iteraes at a 100. Nestes grficos o PSO entra
em estagnao enquanto o HPSOM continua na busca de melhor posio. Este
comportamento praticamente idntico observado tambm nos outros grficos.
Isso leva a observao de que o HPSOM tende a varrer de uma forma mais eficiente
o espao de busca e mostra a sua superioridade neste requisito.
A Tabela 4.3 apresenta uma outra situao com a incluso dos resultados obtidos
pelo AG padro [53]. Nesta situao o desempenho do AG padro foi inferior ao PSO
padro em todas as funes e conseqentemente bem abaixo do Hbrido.
Pode-se observar claramente e com bases nos resultados obtidos pelos testes
realizados e mostrados na Tabelas (4.2 e 4.3) e nas Figuras ( 4.3,4.4.3, 4.5 e 4.6), que o
HPSOM obteve melhor desempenho comparando com o PSO e AG padro, onde o
HPSOM alcanou melhores resultados em todas as funes e chegou uma convergncia
mais rapidamente do que o PSO.
No prximo captulo ser apresentada uma aplicao de otimizao de perdas
eltricas usando os dois algoritmos e vai ser possvel observar entre outras coisas, o fato de
que o HPSOM apresenta um desempenho superior ao PSO.
43
Captulo 5
Aplicao do PSO e HPSOM na Resoluo
de Problema de Otimizao de Perdas
Eltricas
Este captulo apresenta um estudo sobre a aplicao dos algoritmos PSO e HPSOM em
resoluo de problemas de otimizao ligados ao Sistema Eltrico de Potncia SEP. Ser
apresentada uma aplicao de Otimizao de Perdas Eltricas usando os algoritmos PSO e
HPSOM. Os resultados alcanados pelos dois algoritmos sero comparados entre si e
tambm comparados com os resultados obtidos utilizando outro mtodo matemtico de
otimizao [36].
5.1
Otimizao de Perdas Eltricas
O objetivo desta aplicao minimizar as Perdas Eltricas em um sistema. Logo, uma ao

do controle indicada para a reduo destas perdas. Neste trabalho a ao considerada a
instalao do capacitor shunt. Este modelo desenvolvido e integrado a um programa j
escrito de fluxo da carga.
O estudo realizado em duas etapas: Primeiramente, as barras crticas nos sistemas
so identificadas usando a tcnica do vetor tangente [74]. Na segunda etapa, os algoritmos
de otimizao PSO e HPSOM so aplicados individualmente para calcular a quantidade
ideal de shunt a ser instalado em cada barra identificada a fim de obedecer a funo
objetivo.
5.1.1
Formulao do Problema
O problema de otimizao de perdas eltricas basicamente um problema de otimizao

no linear, que minimiza uma funo objetivo sujeito a restries de igualdades e
desigualdades como segue:
Minimizar
Sujeito a
f (x)
g ( x) = 0
h min h( x) h max
x min x x max
(5.1)
44
onde
f (x) : funo escalar que representa o objetivo do problema, a reduo de

perdas na rea de interesse.
f ( x) = Ploss (Vi , i , bSHj ) =
jsbs
ksbl
VkV j ( G jk cos jk + B jk sen jk ) G jkV j2
sbl conjunto de barras ligadas j.
vetor das variveis de deciso, dado por x = (Vi , i , B shj )

i sbus, conjunto de barras do sistema
j sbs, conjunto de barras candidatas ao de controle
Vi Tenso nas barras
i ngulo nas barras

B shj Valor da suceptncia instalada nas barras.
g (x) : conjunto de equaes representando o sistema de fluxo de potncia
clssico.
P esp , spq ) P(cal
spv , spq
g (x) = ( spvesp
cal
Q( spq ) Q( spq )
que ser dividido em parte ativa e reativa, da seguinte forma:
esp
g 1 ( x) = P(esp
spv , spq ) Pspv , spq
esp
g 1 ( x) = Q(esp
spq ) P( spq )
spv conjunto de barras de gerao.

spq conjunto de varras de carga.
h(x)
:vetor com os limites superior e inferior de funes que precisem ter seus
limites controlados. No caso o controle ser sobre a potncia reativa em
spv.
min
h min = Q spv
max
h max = Q spv
45
:vetor que contm as variveis de deciso que precisa manter seus limites
dentro de uma faixa de operao.
x min
min min
= V spq
bshj
x max
max min
= V spq
bshj
Matriz que obedece ao seguinte critrio: I.x = x
Logo:
( 2*nbus+ nbs )
V ,
nbus
B sh
nbs
PLoss
g 1 ( x)
( npv+ npq )
g 2 ( x)
(npq )
h(x)
(npv )
( npq+ nbs )
nbus
nmero de barras do sistema
nbs
nmero de barras candidatas para o controle
nbs
nmero de barras na rea de controle
npv
nmero de barras de gerao do sistema
npq
nmero de barras de carga do sistema
onde
5.1.2
Metodologia
Para minimizar as perdas eltricas, necessita-se de uma ao de controle. Logo, uma ao

de controle indicada a instalao de capacitncia shunt. Esta ao ser utilizada nesse
trabalho.
O clculo do valor ideal de shunt a ser instalado em cada barra identificada para
obedecer funo objetivo (reduo de perdas eltricas) um problema de programao
no linear sujeito a uma srie de restries.
46
Os algoritmos PSO e HPSOM foram desenvolvidos e integrados em um programa
j escrito de fluxo da carga. Os resultados alcanados por ambos sero comparados entre si
e tambm sero comprados com os resultados obtidos pela aplicao do mtodo preditorcorretor de pontos interiores (MPC) desenvolvido num outro trabalho [36]. Para cumprir a
meta estabelecida acima, a seguinte metodologia ser adotada:
a) Atravs do mtodo do vetor tangente, sero identificadas as reas crticas para
reduo de perdas eltricas nos sistemas IEEE 14, 30, 57 e 118 barras. Este passo
foi utilizado pelos ambos os algoritmos (PSO e HPSOM) e tambm por MPC.
b) Sero realizadas vrias simulaes com os algoritmos PSO e HPSOM, variando-se
o nmero de populao de partculas no enxame e o nmero de iteraes.
5.1.3
Anlise Preliminar dos resultados
Nesta seo sero analisados os resultados obtidos pela metodologia proposta. Para tanto,
sero utilizados os sistemas IEEE 14, 30, 57 e 118 barras. Os parmetros referentes ao
processo de otimizao so os mesmos das Tabela 5.1 e 5.2, alterando-se apenas o conjunto
de barras selecionadas. Note que o HPSOM tem um parmetro a mais, o que diz respeito
taxa de mutao, que foi fixada em 30%.
Para cada sistema sero identificadas as reas de atuao (BCS Barras Crtica do
sistema e TBS Conjunto de todas as barras de carga do sistema) e, atravs dos algoritmos
PSO e HPSOM um valor timo de compensao shunt ser encontrado. Tambm ser
apresentado o valor obtido pelo MPC com a finalidade de comparao. No caso dos
algoritmos PSO e HPSOM, foram realizadas vrias simulaes variando os nmeros das
partculas e o nmero de iteraes, com o objetivo de estudar as melhores configuraes
dos seus parmetros.
No sistema IEEE 14 sero apresentados e analisados os resultados obtidos com
populao variando de 5, 10 e 15 nos dois algoritmos PSO e HPSOM. Para os sistemas de
IEEE 30, 57, 118 sero apresentados os resultados obtidos utilizando tambm populao de
5,10 e 15, porm com iterao de 5,25,50,75 e 100, com o objetivo de tornar os dados mais
apresentveis e mais fcies de serem agrupados em pequenas tabelas. Foram repetidas 50
simulaes para cada combinao e os resultados aqui apresentados foram selecionados
aleatoriamente entre estes 50 simulaes.
Tabela 5.1 Parmetros utilizados para as simulaes
Limite de Shunt Mximo
1 pu
Limite de Shunt Mnimo
-1 pu
Limite de Tenso Mxima
1.06 pu
Limite de Tenso Mnima
0.9
0.5
0.999995
0.35
0.2
47
Tabela 5.2 Parmetros do PSO/HPSOM utilizados para as simulaes
5.1.4
Nmero de Populao
5, 10 e 15
Nmero de Iteraes
100
Wmax (Maximo do peso da inrcia)
0.9
Wmin (Mnimo do peso da inrcia)
0.2
C1; C2 (coeficientes de acelerao)
Taxa de Mutao (HPSOM)
30%
Identificao das reas
A idia usada neste trabalho reduzir a perda de potncia ativa em uma rea crtica. A
reduo da perda executada na rea mais vulnervel ao colapso da tenso. Esta rea
crtica facilmente determinada com a ajuda do vetor tangente. Tal vetor dado pela
equao (5.7), e mais informaes sobre est tcnica podem ser encantados na referncia
[29].
O modelo de fluxo de potncia utilizado nesse trabalho pode ser apresentado pelo conjunto
de equaes:
f ( x, )
(5.2)
Onde o parmetro que conduz o sistema de um ponto estvel para um ponto de

instabilidade.
O Vetor Tangente indica como as variveis de estado variam de acordo com a mudana de
carregamento do sistema e pode ser obtido a partir da matriz jacobiana do fluxo de potncia.
Assumindo um ponto de operao conhecido
Pg
P
l
Ql
= [J ]
Onde,
P, Q: potncia consumida na barra.
Pi, Qi: potncia na barra i.
V: tenso da barra correspondente a P e Q.
Vi: tenso da barra correspondente a Pi e Qi.
i: ngulo de tenso na barra i.

J : matriz jacobiana.
: parmetro do sistema.
e a carga acrescida da seguinte forma
g

l
Vl
(5.3)
48
PLi = PLio (1 + ) (5.4)

PGi = PGio (1 + ) (5.5)
QLi = QLio (1 + ) (5.6)
Onde PLi, PGi e QLi so respectivamente a carga ativa, a potncia ativa gerada e carga reativa
aps a variao de . E PLio, PGio e QLio so os fatores iniciais na barra i.
Substituindo (5.4) a (5.6) em (5.3) obtm-se:
g
1
l
Vl
= [J ]
Onde
g , Pgo
(npv )
l , Vl , Plo , Qlo
(npq )
Pgo
P (5.7)
lo
Qlo
npv nmero de barras de gerao (PV)

npq nmero de barras de carga (PQ)
Este vetor da equao (5.7) mostra como as variveis do estado mudam em funo
de uma variao dos parmetros do sistema, e seus maiores componentes indicam as barras
mais provveis para levar o sistema ao colapso da tenso. A aplicao desta tcnica aos
estudos da sensibilidade da perda proposta dentro da referncia [3]. Entretanto, a
referncia [4] mostra que o colapso da tenso e a reduo da perda podem no ser
conectado. Por outro lado, no estudo da referncia [5] foi estabelecida uma conexo entre
a reduo de perdas e os problemas do colapso da tenso. Neste trabalho foram realizados
vrios experimentos que mostraram bons resultados entre a reduo de perdas nas reas
criticas e o problema de colapso da tenso. Baseados neste estudo, aqui foram estabelecidos
dois pontos: a reduo da perda executada com a ajuda de PSO e HPSOM, e tal reduo
ocorre na rea identificada pela equao (5.7).
A Tabela 5.3 mostra as quantidades das barras criticas (BCS) e as barras de carga
(TBS) para cada sistema, por exemplo, no sistema IEEE 14 barras, apenas 4 barras so
considerados com criticas e 9 barras so barras de carga.
Tabela 5.3- Quantidade de Barras de Controle

IEEE14
IEEE30
IEEE57
IEEE118
BCS
TBS
24
50
64
A Tabela 5.4 mostra a relao dos nomes das barras criticas (BCS) para cada
sistema, por exemplo, no sistema IEEE 14 barras, apenas as 4 barras ( 10,12,13 e 14) so
considerados com barras criticas dentro das 9 barras de carga.
49
Tabela 5.4- Relao dos sistemas com respectivas Barras Criticas
Sistema
BCS (Nomes das Barras)
IEEE14
14
13
12
IEEE30
30
29
26
IEEE57
31
33
32
IEEE118
41
39
33
10
19
24
18
30
25
57
56
42
117
35
43
Antes de mostrar os resultados obtidos pelas simulaes nos sistemas (IEEE 14,30,
57 e 118) ser apresentado na prxima seo, um pequeno exemplo didtico de aplicao
num sistema de 4 barras, afim de tornar os conceitos de como aplicar os algoritmos (PSO e
HPSOM) mais claros e simples de serem compreendidos.
5.1.5
Exemplo de aplicao usando Sistema de 4 barras
A finalidade deste exemplo de mostrar de uma forma didtica, como os mtodos (PSO e
HPSOM) trabalham e tambm identificar os elementos envolvidos no processo de
otimizao. Isto ser feito atravs de explicar e associar a nomenclatura usada pelos
mtodos com os conceitos j conhecidos na rea de engenharia eltrica. O seguinte sistema
simples de 4 barras usado ( os dados do sistema se encontram no Apndice A):
~
~
2
1
4
Figure 5.1 Sistema eltrico simples

Como caso base, a perda do sistema dada por 0.2412 pu. A funo objetivo deve
reduzir este valor. Para esta finalidade, a instalao do capacitor shunt nas barras 3 e 4
considerada. Estas barras tm bancos dos capacitores disponveis, e a escala da
compensao pode variar de 0 a 1 pu. Quando o processo foi iniciado, a seguinte
populao foi obtida:
Tabela 5.5- A populao inicial - sistema 4 barras

Barra 3
Barra 4
0
0
0.0445
0.0913
0.0380
0.0203
0.0686
0.0919
0.0050
0.0766
Neste momento, possvel associar um significado fsico com o que foi apresentado na
seo 2.4 e tambm com o dicionrio mostrado pelo autor do trabalho apresentado em [9].
Uma partcula relacionada ao do controle. Neste caso, qualquer par da compensao
shunt nas barras 3 e 4 representa uma partcula. A populao ou o enxame um conjunto
das partculas, e neste exemplo, por simplificao, foi ajustado a 5. Os efeitos de cada
50
partcula na funo objetivo podem ser calculados. Tal clculo consiste em determinar a
perda do sistema quando cada partcula (compensao shunt) considerada. Para cada
partcula, obtido:
Tabela 5.6- Relao das partculas e o seu valor de perdas - sistema 4 barras
Partcula
Perdas
1
0.2412
2
0.2236
3
0.2412
4
0.2181
5
0.2356
Dos resultados acima, pode determinar o melhor indivduo. Como aquela a primeira
iterao, este valor j o melhor indivduo de cada partcula. O melhor global dado pelo
resultado do mais eficaz da populao, que dada pela partcula 4 (0.2181). A fim de gerar
uma nova populao, precisa-se considerar o melhor indivduo de cada partcula, o melhor
global da populao, o peso da inrcia, o coeficiente de acelerao e tambm a velocidade
da partcula.
At este ponto, o valor inicial da populao mantido igual para os dois algoritmos
(PSO e HPSOM) e daqui para adiante o processo de otimizao ser divido em duas
direes: usando PSO e HPSOM.
5.1.5.1
Usando PSO:
Como est na primeira iterao e com a populao inicial j foi gerada ento, seguindo o
algoritmo (Figura 2.6), os valores das velocidades das partculas so calculados pela
equao 2.3:
Tabela 5.7(a)- Relao das partculas e suas velocidades sistema 4 barras (PSO)
Partcula
1
Barra 3 0.0049
Barra 4 0.0021
2
0.0062
0.0025
3
0.0026
0.0024
4
0.0099
0.0024
5
0.0080
0.0042
Uma vez que a velocidade conhecida, a nova populao calculada pela equao 2.7,
gerando os seguintes resultados:
Tabela 5.7(b)- A nova populao (1- Iterao) sistema 4 barras (PSO)

Partcula
1
Barra 3 0.215
Barra 4 0.0218
2
0.0492
0.0932
3
0.0456
0.0658
4
0.0761
0.0937
5
0.0294
0.0806
O melhor individual pode agora ser obtido da seguinte forma: para cada partcula, o valor
nesta iterao comparado com os valores na iterao precedente. Isto d os resultados
abaixo. O nmero entre parnteses indica a iterao onde o melhor individual ocorre.
Tabela 5.7 (c)- O melhor individual de cada partcula sistema 4 barras (PSO)
Partcula
Melhor Ind.
1
2
3
4
5
0.2412(2) 0.2222(2) 0.2273(2) 0.2162(2) 0.2288(2)
51
importante mencionar que, no necessariamente, todas as partculas produzem resultados
melhores com a evoluo do processo. Isto significa que, uma partcula qualquer pode se
mover para uma posio associada com resultado pior do que obtido na iterao anterior.
Isto , a base do processo cognitivo e estocstico. Pode-se observar que o valor 0.2162
(partcula 4) o melhor valor global desta populao, uma vez que tem o menor valor de
perda do sistema . Isto significa que, at ento, a partcula 4 com os valores (0.0761,
0.0937) tem os melhores resultados. Ento, a barra 3 deve experimentar compensao
shunt com o valor de aproximadamente 0.0761 pu, e a barra 4 com o valor shunt de
0.0937 pu. O processo repetido, e a velocidade de cada partcula deve ser calculada, como
tambm a sua nova posio. Aps a quinta e ltima iterao os resultados obtidos foram:
Tabela 5.7(d)- A populao da ltima (5- Iterao) sistema 4 barras (PSO)

Partcula
1
Barra 3 0.0586
Barra 4 0.0870
2
0.0895
0.0942
3
0.0809
0.1541
4
0.0782
0.1102
5
0.0830
0.1377
Neste caso, a funo objetivo para cada partcula dada por:
Tabela 5.7(e)- O melhor global de cada partcula sistema 4 barras (PSO)

Partcula
1
Perdas
0.2210
2
0.2133
3
0.2073
4
0.2135
5
0.2089
Desta vez, a partcula 3 est associada com o melhor valor global. Esta partcula indica
uma compensao de 0.0809 pu na barra 3 e 0.1541 na barra 4. Note que, nas primeiras
duas iteraes, a partcula 4 era a melhor global. Esta caracterstica importante mostra que
todas as partculas devem ser focalizadas a fim de buscar uma boa direo. Por ser um
exemplo ilustrativo, apenas o nmero de iteraes foi empregado como o nico critrio de
parada.
5.1.5.2
Usando HPSOM:
Repete-se agora o processo usando o HPSOM. A partir da primeira iterao e com a

populao inicial j gerada ( Tabelas 5.5-5.6) , os valores das velocidades das partculas so
calculados pela equao 5.3:
Tabela 5.8(a)- Relao das partculas e suas velocidades sistema 4 barras (HPSOM)
Partcula
1
Barra 3 0.0049
Barra 4 0.0021
2
0.0006
0.0075
3
0.0087
0.0327
4
0.0070
0.0055
5
0.0203
0.0192
Uma vez que a velocidade conhecida, a nova populao calculada pela equao 2.7,
gerando as seguintes resultados:
52
Tabela 5.8(b)- A nova populao (1- Iterao) sistema 4 barras (HPSOM)
Partcula
1
Barra 3 0.0219
Barra 4 0.0219
2
0.0451
0.0988
3
0.0467
0.0530
4
0.0686
0.0919
5
0.0050
0.0766
Neste momento, o processo de mutao iniciado, e o valor da equao calculado. A taxa

de mutao usada neste exemplo de 30%. Isto significa que somente 2 partculas sero
selecionadas aleatoriamente do enxame (com a populao de 5). Usando a equao 4.1 o
valor do mut calculado da seguinte forma:
= [0, 0.1 * ( xmax xmin ) ] = 0.0100, onde, x min = 0 , x max = 1.0

As partculas selecionadas aleatoriamente para esta iterao so as partculas 2 e 3. Para
ilustrar como a equao do mutao calculada, o processo do mutao para a partcula 2
da barra 3 dado pelo : mut (p[2,3])=(0.0451*-1)+0.0100 = -0.0351 .
Os valores das partculas nas barras 3 e 4, antes e depois da mutao, so dados por:
Tabela 5.8(c)- As partculas sorteados para a Mutao sistema 4 barras (HPSOM)
Partculas
Antes
Depois
2 Barra 3 3 Barra 3 2 Barra 4 3 Barra 4

0.0451
0.0467
0.0988
0.0530
-0.0351
-0.0367
-0.0888
-0.0430
A nova populao aps a mutao dada por:
Tabela 5.8(d)- A nova populao antes e depois da Mutao sistema 4 barras (HPSOM)
Partcula
1
Barra 3 0.0219
Barra 4 0.0219
2
-0.0351
-0.0888
3
0.0367
-0.0430
4
0.0686
0.0919
5
0.0050
0.0766
Para esta populao o valor da funo objetivo associado a cada partcula calculado da
seguinte forma:
Tabela 5.8(e)- Relao das partculas e o seu valor de perdas - sistema 4 barras (HPSOM)
Partcula
1
Perdas
0.2412
2
0.2236
3
0.2412
4
0.2158
5
0.2274
O nmero entre parentes indica a iterao onde o melhor individual foi encontrado.
Tabela 5.8 (f)- O melhor individual de cada partcula sistema 4 barras(HPSOM)

Partcula
Melhor Ind.
1
2
3
5
4
0.2412(1) 0.2236(1) 0.2412(1) 0.2158(2) 0.2274(2)
O valor 0.2158 (isto a partcula (0.0686, 0.0919)) a partcula com o melhor global desta
populao, uma vez que tem o menor valor de perda do sistema. Isto significa que, a barra 3
deve experimentar compensao shunt com o valor de aproximadamente 0.0686 pu, e a
barra 4 com o valor shunt de aproximadamente 0.0919 pu. O processo repetido, e a
53
velocidade de cada partcula deve ser calculada, bem como tambm a mutao e sua nova
posio. Aps a quinta e ltima iterao os resultados obtidos foram:
Tabela 5.8(g)- A populao da ltima (5- Iterao) sistema 4 barras (HPSOM)

Partcula 1
Bus 3
0.1131
Bus 4
0.1292
2
0.0673
0.1022
3
0.2193
0.1107
4
-0.1397
-0.1064
5
0.1584
0.1325
Neste caso, a funo objetiva para cada partcula dada por:
Tabela 5.8(h)- O melhor global de cada partcula sistema 4 barras (HPSOM)

Partcula 1
Perdas
0.2257
2
0.2182
3
0.1899
4
0.2137
5
2034
Desta vez, a partcula 3 est associada com o melhor valor global. Esta partcula indica
uma compensao shunt de 0.2193 pu na barra 3 e 0.1107 na barra 4. Note que, nas
primeiras duas iteraes, a partcula 4 era o melhor global.
Nota-se, os resultados finais foram diferentes nos dois casos usando o mesmo
nmero de populao e iteraes a pesar que, a partcula associada com o menor perda foi
por acaso a mesma (partcula 3), no PSO a perda do sistema foi de 0.2073 e no HPSOM foi
de 0.1899, desta forma o HPSOM apresentou melhor desempenho.
5.1.6
Simulao do Sistema IEEE14 barras
Nesta seo sero apresentados os resultados de simulaes no Sistema IEEE 14 barras,

inicialmente na barras criticas (BCS) e em seguida em todas as barras (TBS).
5.1.6.1
Simulao nas BCS IEEE14
As Tabelas 5.9 e 5.11 mostram os resultados obtidos pelas simulaes realizadas

para o sistema IEEE 14 barras para fator de carregamento de 1pu. Analisando as tabelas, e
comparando os trs mtodos, pode se observar melhores resultados obtidos pelo HPSOM
comparando com PSO e MPC na reduo de perdas. O HPSOM apresentou melhores
resultados comparando com MPC desde a primeira simulao com populao = 5 e
iteraes =5 (ver Tabela 5.11). No caso de PSO e MPC, o algoritmo PSO apresentou uma
reduo melhor a partir da iterao = 35 ( ver Tabela 5.10).
Tabela 5.9 - Resultados obtidos pelo MPC Sistema IEEE 14

Barras Criticas (BCT)
Iteraes = 6
Tempo de Simulao (s) = 0.89
Perda de Potncia Ativa (antes) (pu) = 0.091
Perda de Potncia Ativa (depois) (pu) = 0.0903
Reduo de P.P. Ativa (pu) = 0.0005
54
Tabela 5.10 - Resultados obtidos pelo PSO no sistema IEEE 14 barras Criticas
Numero de Populao = 5 - PSO
Perda Potncia Ativa (antes) (pu) = 0.09099
Iterao
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
(a)- PSO
P.P. Ativa
(depois)
(pu)
0.09041622
0.09041622
0.09041622
0.09041622
0.09041622
0.09041622
0.09038501
0.09037969
0.09037967
0.09037343
0.09037065
0.09036921
0.09036818
0.09036766
0.09036750
0.09036742
0.09036742
0.09036742
0.09036742
0.09036742
Reduo de
P. P. Ativa
(pu)
0.00057395
0.00057395
0.00057395
0.00057395
0.00057395
0.00057395
0.00060516
0.00061048
0.00061050
0.00061674
0.00061952
0.00062096
0.00062199
0.00062251
0.00062267
0.00062275
0.00062275
0.00062275
0.00062275
0.00062275
Tempo de
simulao
(s)
30.49
61.74
91.51
119.80
147.20
174.83
199.05
223.33
249.15
275.57
301.98
328.40
355.15
381.57
408.05
434.52
460.88
487.30
513.78
540.64
Total Shunt
instalado
(pu)
0.11324086
0.11324086
0.11324086
0.11324086
0.11324086
0.11324086
0.09891350
0.11457272
0.11009633
0.10464175
0.10491014
0.10541847
0.10583967
0.10634546
0.10656279
0.10658013
0.10658582
0.10658718
0.10658730
0.10658731
(b)- HPSOM
Figura 5.2 A evoluo dos algoritmos PSO/HPSOM IEEE 14- Barras Criticas
55
Tabela 5.11 - Resultados obtidos pelo HPSOM sistema IEEE 14 barras Criticas
Numero de Populao = 5 HPSOM
Perda Potncia Ativa (antes) (pu) = 0.09099
Iterao
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
(a)- PSO
P.P. Ativa
(depois)
(pu)
0.09036308
0.09036308
0.09036308
0.09036164
0.09036027
0.09036027
0.09036020
0.09036019
0.09035885
0.09035436
0.09035138
0.09034805
0.09034704
0.09034622
0.09034580
0.09034559
0.09034548
0.09034548
0.09034546
0.09034546
Reduo de
P. P. Ativa
(pu)
0.00062709
0.00062709
0.00062709
0.00062852
0.00062990
0.00062990
0.00062997
0.00062998
0.00063132
0.00063580
0.00063879
0.00064212
0.00064313
0.00064395
0.00064437
0.00064458
0.00064469
0.00064469
0.00064471
0.00064471
Tempo de
simulao
(s)
112.65
135.44
158.84
179.82
198.77
217.61
235.46
253.53
271.99
289.78
306.54
322.85
340.15
357.56
373.77
389.97
406.12
422.48
438.69
454.78
Total Shunt
instalado
(pu)
0.10440000
0.10440000
0.10440000
0.10523192
0.10608202
0.10608202
0.10612540
0.10613050
0.10526498
0.10561314
0.10667764
0.10706952
0.10726002
0.10711262
0.10710461
0.10717227
0.10721709
0.10722469
0.10722513
0.10722532
(b)- HPSOM
Figure 5.3-: O comportamento das partculas usando PSO/HPSOM - Pop(5)
56
(b)- HPSOM
(a)- PSO
Figure 5.4- A evoluo dos algoritmos PSO/HPSOM a partir de 20 iterao - Pop(5)

Tabela 5.12 (a,b) - Resultados obtidos pelos PSO e HPSOM- IEEE 14 BCS
Nmero de Populao = 10
Perda Potncia Ativa (antes) (pu) = 9099017
PSO
HPSOM
Itera P.P. Ativa

Depois (pu)
P.P. Ativa
Tempo
Reduo (pu) Simulao
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
0.00059241
0.00059241
0.00059241
0.00059241
0.00059241
0.00059241
0.00059241
0.00062239
0.00062926
0.00062953
0.00063051
0.00063062
0.00063068
0.00063248
0.00063272
0.00063287
0.00063290
0.00063290
0.00063290
0.00063290
0.09039776
0.09039776
0.09039776
0.09039776
0.09039776
0.09039776
0.09039776
0.09036778
0.09036091
0.09036064
0.09035966
0.09035954
0.09035949
0.09035769
0.09035745
0.09035730
0.09035727
0.09035727
0.09035727
0.09035727
4.11
8.24
12.16
16.14
19.83
23.31
26.69
30.13
33.73
37.52
41.30
45.09
48.95
52.75
56.56
60.38
64.23
68.03
71.84
75.69
Tot. Shunt
Instalado
0.10264365
0.10264365
0.10471832
0.10471832
0.10471832
0.10471832
0.10471832
0.11544538
0.12003763
0.11989585
0.11936608
0.11933401
0.11917146
0.11608773
0.11577230
0.11579828
0.11579438
0.11581070
0.11580664
0.11580619
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
Depois (pu) Reduo (pu) Simulao Instalado
0.09037421
0.09036889
0.09036829
0.09034190
0.09034190
0.09034190
0.09034178
0.09034178
0.09034162
0.09034016
0.09033942
0.09033925
0.09033902
0.09033871
0.09033838
0.09033833
0.09033831
0.09033830
0.09033829
0.09033829
0.00061596
0.00062128
0.00062187
0.00064827
0.00064827
0.00064827
0.00064839
0.00064839
0.00064855
0.00065001
0.00065075
0.00065092
0.00065115
0.00065146
0.00065178
0.00065184
0.00065186
0.00065187
0.00065188
0.00065188
3.42
7.20
10.83
14.17
17.89
21.42
24.81
28.14
31.38
34.55
37.91
41.14
44.41
47.61
50.70
53.97
57.17
60.27
63.22
66.17
0.10039760
0.10688778
0.10123499
0.10307741
0.10307741
0.10307741
0.10307803
0.10307803
0.10292951
0.10334608
0.10362536
0.10368822
0.10361619
0.10351063
0.10319155
0.10320160
0.10321190
0.10321637
0.10322021
0.10322032
Na comparao dos dois algoritmos PSO e HPSOM, pode se observar que, o

algoritmo HPSOM apresentou desde o incio de simulao resultados melhores. Os grficos
da Figura 5.2(a,b), apresentam a evoluo dos algoritmos, onde HPSOM teve melhor
tendncia de reduo. Os grficos da Figura 5.3 (a,b) apresentam os comportamentos das
57
partculas nos dois algoritmos. Estes grficos mostram claramente que, as partculas do
PSO ao se aproximarem no final de iteraes (~ 80) entraram no estado de estagnao,
enquanto as partculas do HPSOM se mantm ativas na busca de melhores solues, como
fica evidente na Figura 5.4 (a,b). Onde o grfico apresenta a evoluo dos algoritmos a
partir da 20 iterao para ampliar o foco sobre a parte onde aconteceu este comportamento
em especial . Na maioria absoluta de simulaes estes resultados permaneceram estveis.
Os grficos das Figuras 5.2(a,b) apresentam uma tendncia de melhora na reduo
de perdas com aumento do nmero de populao de partcula e o aumento de nmero de
iteraes. Esta tendncia constatada em todas as simulaes, independentemente do
sistema.
As Tabelas 5.12 e 5.13, apresentam os resultados utilizando PSO e HPSOM com
populao de 10 e 15 respectivamente.
As Figuras 5.5 (a,b) apresentam grficos dos algoritmos com o aumento de iterao
e o nmero da populao. Pode ser observado que a soluo tende a melhorar.
Tabela 5.13 (a,b) - Resultados obtidos pelos PSO/HPSOM- IEEE 14 BCS criticas
Nmero de Populao = 15
Perda Inicial = 9099017
PSO
HPSOM
Itera P.P. Ativa

Depois (pu)
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
0.09036721
0.09036705
0.09035669
0.09034784
0.09034439
0.09033973
0.09033841
0.09033815
0.09033811
0.09033803
0.09033801
0.09033800
0.09033799
0.09033799
0.09033797
0.09033796
0.09033796
0.09033795
0.09033795
0.09033795
P.P. Ativa
Tempo
Tot. Shunt
Reduo (pu) Simulao Instalado
0.00062296
0.00062312
0.00063347
0.00064233
0.00064578
0.00065044
0.00065176
0.00065202
0.00065206
0.00065213
0.00065216
0.00065217
0.00065218
0.00065218
0.00065219
0.00065221
0.00065221
0.00065222
0.00065222
0.00065222
4.80
10.08
14.80
19.84
25.03
30.02
35.20
40.58
45.91
51.11
56.22
61.39
66.67
71.88
76.89
81.80
86.64
91.69
96.58
101.41
0.09582646
0.09748251
0.09861758
0.10008997
0.10215723
0.10311043
0.10339469
0.10349661
0.10349704
0.10346126
0.10343453
0.10343514
0.10343243
0.10343171
0.10342244
0.10342397
0.10342220
0.10342151
0.10342128
0.10341871
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.09035983
0.09035983
0.09035983
0.09035893
0.09035893
0.09035885
0.09035885
0.09035884
0.09035575
0.09034675
0.09034247
0.09034117
0.09034094
0.09033888
0.09033798
0.09033757
0.09033757
0.09033756
0.09033756
0.09033755
0.00063034
0.00063034
0.00063034
0.00063124
0.00063124
0.00063132
0.00063132
0.00063133
0.00063442
0.00064341
0.00064770
0.00064900
0.00064923
0.00065128
0.00065219
0.00065260
0.00065260
0.00065261
0.00065261
0.00065262
5.97
12.44
18.66
24.27
29.66
35.09
40.52
45.78
51.25
56.44
61.41
66.55
71.89
76.72
81.41
86.14
91.17
95.89
100.34
104.77
0.10915536
0.10915536
0.10915536
0.10993119
0.10993119
0.11000588
0.11000588
0.11000733
0.10903626
0.10469921
0.10327239
0.10310693
0.10284245
0.10350374
0.10378145
0.10391477
0.10391374
0.10391176
0.10391061
0.10391514
58
(a) - PSO
(b): HPSOM
(c) - PSO (escala maior - 5- Iterao)
(d): HPSOM (escala maior - 5- Iterao)
Figure5.5- A evoluo dos algoritmos PSO/HPSOM - IEEE14

5.1.6.2
Simulao nas TBS IEEE14
No caso de reduo de perdas em todas as barras e como mostrado nas Tabelas 5.14
e 5.15 (a,b), o PSO somente alcana os mesmo resultados do MPC com iterao = 45 e
HPSOM com iterao = 25, e os dois algoritmos mantm a tendncia de maior reduo,
como mostrado nos grficos da Figura 5.6 (a,b). Esta situao de no alcanar os mesmos
resultados do MPC desde o inicio gerada pelo aumento do nmero de barras que neste
sistema em especial so passados de 4 para 9 barras, como consta na Tabela 5.3. Esta
situao vai se repetir em todos os sistemas, e em alguns casos vai necessitar de um
aumento de nmero de iteraes por parte dos algoritmos PSO e HPSOM para que
alcancem os mesmos resultados obtidos pela MPC.
A Tabela 5.15 (c) apresenta uma verso compacta das Tabelas 5.15 (a,b) com
apenas 100 iteraes, a fim de simplificar a interpretaes dos resultados.
59

Toadas as Barras (TBS)
Iteraes = 9
Perda de Potncia Ativa (antes) (pu) = 0.091
Perda de Potncia Ativa (Depois) (pu) = 0.0899
Tabela 5.15(a,b) - Resultados obtidos pelos PSO/HPSOM- sistema IEEE 14 TBS.

PSO P. P. Ativa (antes) (pu) = 0.09099017
HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
25
50
75
100
0.09078400
0.09078400
0.09051756
0.09005388
0.09005297
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00020617
0.00020617
0.00047261
0.00093629
0.00093720
2.25
11.55
21.66
32.00
42.42
Tot. Shunt
Instalado
0.11068847
0.11068847
0.00840953
0.03557383
0.03522064
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.09053317
0.09010919
0.08996253
0.08995108
0.08995105
Populao = 10
Ite P.P. Ativa
Depois (pu)
5
25
50
75
100
0.09075000
0.09074997
0.08998794
0.08984527
0.08984128
4.28
19.83
38.02
53.36
76.42
Tot. Shunt
Instalado
5
25
50
75
100
0.09061366
0.09061240
0.08993192
0.08984609
0.08984390
0.09939676
0.10222233
0.04047896
-0.00198787
-0.00065533
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00037651
0.00037777
0.00105825
0.00114407
0.00114627
0.09935994
0.05860591
-0.01803455
-0.00757745
-0.00760884
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.09056892
0.09004937
0.08988595
0.08986443
0.08986280
Populao = 15
Ite P.P. Ativa
Depois (pu)
1.52
7.98
16.95
25.92
34.86
Populao = 10
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00024017
0.00024020
0.00100223
0.00114489
0.00114889
0.00045700
0.00088098
0.00102764
0.00103909
0.00103912
6.69
30.33
57.83
87.48
116.53
0.00042125
0.00094080
0.00110422
0.00112574
0.00112737
3.06
17.02
34.94
52.70
70.86
0.11980364
0.03832095
0.01383477
0.01379422
0.01386944
Populao = 15
Tot. Shunt
Instalado
0.10792726
0.12834041
-0.00085381
0.01224753
0.01300418
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.09046173
0.08997065
0.08985989
0.08984617
0.08984606
0.00052844
0.00101951
0.00113027
0.00114400
0.00114411
5.48
27.83
54.67
81.61
108.50
0.11731905
0.00652116
0.00789957
-0.00925344
-0.00873955
60
TBS.
Numero de Populao =
5,10,15
P.P. Ativa (antes) =
0.09099017
MPC
PSO
HPSOM
POP/
Iter
P.P. Ativa
(depois)
Reduo de P. Tempo Total Shunt

P. Ativa (pu) (s)
instalado
0.0899
0.0011
0.89
1.0490
5 /100
0.09005297
0.00093720
42.42
0.03522064
10/100
0.08984128
0.00114889
76.42
-0.0006553
15/100
0.08984390
0.00114627
116.53
0.01300418
5/100
0.08995105
0.00103912
34.86
-0.00760884
10/100
0.08986280
0.00112737
70.86
0.01386944
15/100
0.08984606
0.00114411
108.50
-0.00873955
(a)- PSO
(b)- HPSOM
Figure 5.6- A evoluo dos algoritmos PSO/HPSOM - IEEE14- Todas as Barras
5.1.7

5.1.7.1
As Tabelas 5.16 e 5.17 (a, b) mostram os resultados obtidos pelas simulaes para o
sistema IEEE 30 barras para fatores de carregamento de 1 pu. Como no item anterior, no
caso das barras criticas, o PSO e HPSOM apresentam resultados melhores do que MPC
61
desde o inicio de processo com populao = 5 e com iteraes = 5. O HPSOM apresenta as
melhores resultados com populao = 5. O PSO, por sua vez, alcana bons resultados com
o aumento da populao e neste caso at ultrapassa o HPSOM com populao = 15, como
tambm mostrado no grfico da Figura 5.7 (a,b).
apenas 100 iteraes para simplificar a interpretaes dos resultados.

Barras Criticas IEEE 30
Iteraes = 6
P.P Ativa (antes) (pu) = 0.1896
P.P Ativa (depois) (pu) = 0.184
Tabela 5.17(a,b) - Resultados obtidos pelos PSO/HPSOM- sistema IEEE 30 BCS

HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
25
50
75
100
0.18187247
0.18178006
0.18170207
0.18154986
0.18154918
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00775008
5.14
0.00784249 28.33
0.00792048 53.70
0.00807269 79.95
0.00807337 106.28
Tot. Shunt
Instalado
0.24561269
0.28022136
0.28885608
0.28136534
0.28138529
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18171749
0.18156892
0.18153594
0.18148746
0.18147772
Populao = 10
Ite P.P. Ativa
Depois (pu)
5
25
50
75
100
0.18190299
0.18181651
0.18156779
0.18141488
0.18139671
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00771956
7.94
0.00780604 36.70
0.00805476 67.33
0.00820767 94.52
0.00822584 122.31
5
25
50
75
100
0.18164544
0.18158854
0.18136273
0.18127150
0.18126211
P.P.Ativa
Tempo
Reduo (pu) Simulao
0.00797711
0.00803401
0.00825982
0.00835105
0.00836044
2.30
11.77
23.61
35.38
47.45
0.26015702
0.28792036
0.28679078
0.29040139
0.29000280
Populao = 10
Tot. Shunt
Instalado
0.24783826
0.28301119
0.28790942
0.28587097
0.28629105
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18162110
0.18145504
0.18132028
0.18131041
0.18130889
Populao = 15
Ite P.P. Ativa
Depois (pu)
0.00790506
0.00805363
0.00808661
0.00813509
0.00814483
0.00800146
0.00816751
0.00830227
0.00831214
0.00831366
4.58
23.36
46.91
70.66
94.39
0.26764130
0.28935626
0.28368012
0.28403509
0.28407691
Populao = 15
Tot. Shunt
Instalado
2.17 0.26565748
59.02
0.28925055
112.34 0.28806400
162.77 0.28611939
213.05 0.28632191
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18149047
0.18141779
0.18128919
0.18126613
0.18126535
0.00813208
0.00820476
0.00833336
0.00835643
0.00835720
6.84
35.09
70.47
106.45
142.59
0.26579463
0.28946575
0.28562741
0.28582465
0.28581151
62
Tabela 5.17(c) -Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 30BCS.
Numero de
5,10,15
P.P. Ativa
0.18962255
Populao= POP/
Iter
(antes) =
MPC
PSO
HPSOM
P.P.
Ativa Reduo de P. Tempo Total Shunt
(Depois)
P. Ativa (pu) (s)
instalado
0.184
0.0056
4.96
0.2827
5 /100
0.18154918 0.00807337 106.28 0.28138529
10/100
0.18139671 0.00822584 122.31 0.28629105
15/100
0.18126211 0.00836044 213.05 0.28632191
5/100
0.18147772 0.00814483 47.45
0.29000280
10/100
0.18130889 0.00831366 94.39
0.28407691
15/100
0.18126535 0.00835720 142.59 0.28581151
(a)- PSO
(b)- HPSOM
(c)- PSO (escala maior - 5- Iterao)
(d)- HPSOM (escala maior - 5- Iterao)
Figure 5.7- A evoluo dos algoritmos PSO/HPSOM - IEEE30 - BCS
63
5.1 .7.2
No caso de reduo de perdas em todas as barras, como mostrado nas Tabelas 5.18
e 5.19 (a,b), o PSO e HPSOM no alcanaram o mesmo resultado obtidos pelo MPC com
populao de 5, 10 e 15 e necessita de aumento de nmero de iteraes. Os grficos das
Figuras 5.8(a,b) mostram esta tendncia.
(a)-PSO
(b)-HPSOM
(a)-PSO (escala maior - 5- Iterao)
(b)-HPSOM (escala maior - 5- Iterao)
Figure 5.8- A evoluo dos algoritmos PSO/HPSOM - IEEE30 TBS
64
Todas as Barras IEEE 30
Iterao = 10
Tempo = 8.35
P.P. Ativa (antes) = 0.1896
P.P. Ativa (Depois) = 0.1783
Reduo = 0.0113
Tabela 5.19 (a,b) - Resultados obtidos pelo PSO sistema IEEE 30 Todas as Barras
HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
25
50
75
100
0.18063805
0.18042311
0.18041718
0.18036935
0.18031622
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00898450
0.00919944
0.00920537
0.00925320
0.00930633
Tot. Shunt
Instalado
4.48
0.30691063
19.69 0.32463203
32.89 0.32516787
45.44 0.32149205
58.19 0.32290373
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18073349
0.18065570
0.18065090
0.18060903
0.18060340
Populao = 10
Ite P.P. Ativa
Depois (pu)
5 0.18123220
25 0.18061866
50 0.18061810
75 0.18047896
100 0.18036992
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00839035
0.00900389
0.00900445
0.00914359
0.00925264
9.45
44.03
74.23
98.70
123.42
5
25
50
75
100
0.18087628
0.18078846
0.18078748
0.18029656
0.18021760
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00874627
0.00883409
0.00883508
0.00932599
0.00940495
14.69
73.75
137.02
195.66
254.83
2.27
11.67
23.06
34.36
45.83
0.29093544
0.29593851
0.29625369
0.29777501
0.29793513
Populao = 10
Tot. Shunt
Instalado
0.27902518
0.32026264
0.32030661
0.33315479
0.33932326
P.P Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18055438
0.18051957
0.18049386
0.18039646
0.18037118
Populao = 15
Ite P.P. Ativa
Depois (pu)
0.00888906
0.00896685
0.00897165
0.00901352
0.00901915
0.00906817
0.00910298
0.00912869
0.00922609
0.00925137
4.20
22.67
46.17
70.05
94.09
0.30343231
0.30596792
0.30376842
0.30021547
0.30038815
Populao = 15
Tot. Shunt
Instalado
0.30190055
0.30796779
0.30803726
0.32972810
0.32666634
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18041347
0.18028354
0.18018882
0.18006706
0.18002917
0.00920908 6.39
0.00933901 34.11
0.00943373 68.89
0.00955549 104.47
0.00959338 140.31
0.30510003
0.31229991
0.31395918
0.31970647
0.32251528
65
Tabela 5.19(c) -Resumo dos resultados obtidos pelos PSO/HPSOM-sistema IEEE 30 TBS.
Numero de
5,10,15
P.P.
Ativa
0.18962255
MPC
Populao = POP/
Iter
(Antes)
=
10
P.P.
(Depois)
P. Ativa (pu) (s)
instalado
0.1783
0.0113
8.35
1.6511
5 /100 0.18031622 0.00930633 58.19 0.32290373

PSO
10/100 0.18036992 0.00925264 123.42 0.33932326

15/100 0.18021760 0.00940495 254.83 0.32666634
HPSOM
5/100 0.18060340 0.00901915 45.83
0.29793513
10/100 0.18037118 0.00925137 94.09
0.30038815
15/100 0.18002917 0.00959338 140.31 0.32251528
Tabela 5.20 (a,b) - Resultados obtidos pelo PSO/HPSOM sistema IEEE 30 TBSiterao = 500
PSO Populao = 15
Ite P.P. Ativa
Depois (pu)
50
100
150
200
250
300
350
400
450
500
0.18049415
0.18049291
0.18049291
0.17930750
0.17898896
0.17882696
0.17881801
0.17881798
0.17881798
0.17881798
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00912840
192.02
0.00912964
378.72
0.00912964
508.56
0.01031505
613.53
0.01063359
712.08
0.01079559
811.06
0.01080454
914.78
0.01080457 1019.19
0.01080457 1124.23
0.01080457 1229.22
HPSOM
Tot. Shunt
Instalado
0.30517389
0.30526579
0.30526579
0.50418642
0.49367290
0.50579156
0.50609992
0.50610090
0.50610091
0.50610091
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.18051119
0.18051119
0.17973408
0.17887682
0.17853154
0.17833916
0.17827474
0.17826915
0.17826913
0.17826913
0.00911136
0.00911136
0.00988847
0.01074573
0.01109102
0.01128339
0.01134781
0.01135340
0.01135342
0.01135342
67.94
137.67
207.11
277.41
349.13
422.81
498.44
575.95
654.86
734.91
0.30177493
0.30177493
0.32694368
0.40183573
0.44150669
0.48702635
0.51059651
0.51416224
0.51417523
0.51417524
Como foi mencionado na seo anterior, no caso da reduo nas TBS, os algoritmos
PSO e HPSOM necessitam de mais iteraes. Este fato gerado pelo aumento de nmero
de barras que neste sistema IEEE 30 passaram de 6 para 24 barras, como consta na Tabela
5.3. Para demonstrar esta situao foram realizadas simulaes com populao de 15 e com
500 iteraes como apresentado nas Tabelas 5.20 (a,b) e mais resumido na Tabela 5.20 (c).
Pode observar que neste caso e devido o aumento de nmero de iteraes o HPSOM
alcanou o mesmo resultado obtido pelo MPC e o PSO chegou prximo, o que confirma a
afirmao dada anteriormente.
66
Tabela 5.20(c) - Resumo dos resultados obtidos pelo PSO/HPSOM sistema IEEE 30
TBS- iterao = 500
Numero de Populao = POP/
15
Iter
P.P. Ativa (Antes) =
0.18962255
P.P.
Ativa Reduo de P. Tempo
(Depois)
P. Ativa (pu) (s)
MPC
0.1783
10
0.0113
8.35
Total Shunt
instalado
1.6511
15/300 0.17882696 0.01079559 811.06 0.50579156

PSO
15/400 0.17881798 0.01080457 1019.19 0.50610090

15/500 0.17881798 0.01080457 1229.22 0.50610091
HPSOM
15/300 0.17833916 0.01128339 422.81 0.29793513

10/400 0.17826915 0.01135240 575.95 0.51416224
15/500 0.17826913 0.01135342 734.91 0.51417524
5.1.8

5.1.8.1
As Tabelas 5.21 e 5.22 (a,b) mostram os resultados obtidos pelas simulaes para o sistema
IEEE 57 barras para fatores de carregamento de 1 pu. No caso das barras criticas o HPSOM
apresenta resultados semelhantes ao MPC com tendncia de melhora, como mostrado no
grfico da Figura 5.9. Quanto ao PSO, apresenta resultados um pouco piores.
Tabela 5.21 - Resultados obtidos pelo MPC Sistema IEEE57

Iterao = 5
Tempo = 24.95
Reduo = 0.012
67
(b)- HPSOM
(a)- PSO
(c)- PSO (escala maior - 5-Iterao)
Figure 5.9 - A evoluo dos algoritmos PSO/HPSOM - IEEE57 - BCS

Tabela 5.22(c)-Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 5 BCS.
Numero de
5,10,15
P.P.
Ativa
0.3314487
MPC
Populao = POP/
Iter
(Antes)
=
P.P.
(Depois)
P. Ativa (pu) (s)
instalado
0.32118
0.012
24.95
0.3155
5 /100 0.32216352 0.01098135 51.45 0.26042634

PSO
10/100 0.32204286 0.01110201 490.98 0.26634863

15/100 0.32224829 0.01089658 693.24 0.27699636
HPSOM
5/100 0.32191366 0.01123121 83.39
0.27445589
10/100 0.32178183 0.01136304 176.17 0.28600576

15/100 0.32152498 0.01161989 257.53 0.28859325
68
Tabela 5.22(a,b) - Resultados obtidos pelo PSO sistema IEEE 57 Barras Criticas.
PSO - Perda Ativa (antes) (pu) = 0.33314487
HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
0.32237881
25 0.32219962
50 0.32219733
75 0.32216435
100 0.32216352
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.01076606
0.01094525
0.01094754
0.01098052
0.01098135
15.05
62.45
97.64
24.58
51.45
Tot. Shunt
Instalado
0.24625745
0.26218442
0.26245189
0.26031332
0.26042634
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.32262113 0.01052374
0.32228103 0.01086384
0.32202364 0.01112123
0.32191902 0.01122585
0.32191366 0.01123121
Populao = 10
Ite P.P. Ativa
Depois (pu)
5
25
50
75
100
0.32248346
0.32219685
0.32219672
0.32204993
0.32204286
24.11
128.13
249.78
371.03
490.98
Tot. Shunt
Instalado
0.24136926
0.26475234
0.26476727
0.26563221
0.26634863
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.32214167 0.01100320
0.32210957 0.01103530
0.32210922 0.01103565
0.32179469 0.01135018
0.32178183 0.01136304
Populao = 15
Ite P.P, Ativa
Depois (pu)
5
25
50
75
100
0.32293788
0.32275583
0.32275475
0.32230173
0.32224829
5.1.8.2
8.00
46.20
92.34
135.27
176.17
0.26482108
0.27332951
0.27336464
0.28578889
0.28600576
Populao = 15
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.01020699
0.01038904
0.01039012
0.01084314
0.01089658
0.23223198
0.25875768
0.26602320
0.27432205
0.27445589
Populao = 10
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.01066141
0.01094802
0.01094815
0.01109494
0.01110201
3.75
21.34
43.34
63.31
83.39
36.61
241.20
409.30
552.33
693.24
Tot. Shunt
Instalado
0.23002148
0.25135548
0.25159874
0.27482867
0.27699636
P.P, Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.32223826
0.32223826
0.32187945
0.32155088
0.32152498
0.01090661 11.84
0.01090661 68.39
0.01126542 135.02
0.01159399 196.27
0.01161989 257.53
0.26814889
0.26814889
0.28567391
0.29168415
0.28859325
No caso de reduo de perdas em todas as barras, como mostrado nas Tabelas 5.23
e 5.24 (a,b), aconteceu a mesma situao ocorrida nos outros sistemas. O PSO e HPSOM
no alcanaram o mesmo resultado obtido pelo MPC com populao de 5, 10 e 15 e
necessitam de aumento de nmero de iteraes. Porm, o HPSOM alcanou melhores
resultados com populao = 15 com forte tendncia de melhora com apresentado no grfico
da Figura 5.10(b) .
A Tabela 5.24 (c) apresenta a verso compacta das Tabelas 5.24 (a,b).

Todas as Barras
Iteraes = 9
Tempo de Simulao = 61.12
P.P. Ativa (antes)(pu) = 0.3331
P.P. Ativa (depois)(pu) = 0.2998
Reduo de P.P Ativa (pu)= 0.0333
69
(a)- PSO
(b)- HPSOM
Figura 5.10 - A evoluo dos algoritmos PSO/HPSOM- IEEE57 TBS

Tabela 5.24(c) Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEEE 5 TBS.
Numero de
5,10,15
P.P.
Ativa
0.3314487
MPC
Populao = POP/
Iter
(Antes)
=
P.P.
(Depois)
P. Ativa (pu) (s)
instalado
0.2998
0.0333
61.12
7.6357
5 /100 0.32344938 0.00969549 145.58 0.25730916

PSO
10/100 0.32355659 0.00958828 544.03 0.25571267

15/100 0.32224829 0.00973524 796.63 0.25505954
HPSOM
5/100 0.32260236 0.01054251 68.73
0.26034524
10/100 0.32023457 0.01291030 159.42 0.26005473

15/100 0.31102295 0.02212192 258.78 0.77465776
70
Tabela 5.24(a,b) - Resultados obtidos pelo PSO sistema IEEE 57 TBS.
HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
25
50
75
100
0.32396865
0.32344939
0.32344938
0.32344938
0.32344938
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00917622
0.00969548
0.00969549
0.00969549
0.00969549
8.88
48.30
87.52
117.44
145.58
Tot. Shunt
Instalado
0.24190998
0.25730882
0.25730914
0.25730916
0.25730916
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.32346589
0.32322388
0.32297388
0.32262744
0.32260236
Populao = 10
Ite P.P. Ativa
Depois (pu)
5
25
50
75
100
0.32449603
0.32357390
0.32355659
0.32355659
0.32355659
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00864884
0.00957097
0.00958828
0.00958828
0.00958828
27.06
138.41
270.08
405.49
544.03
5
25
50
75
100
0.32436390
0.32341161
0.32340963
0.32340963
0.32340963
5.1.9
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00878097
42.11
0.00973327 38.64
0.00973524 428.42
0.00973524 614.61
0.00973524 796.63
3.61
18.83
36.36
52.56
68.73
0.24966947
0.25690661
0.25446013
0.25999741
0.26034524
Populao = 10
Tot. Shunt
Instalado
0.22848809
0.25520528
0.25571266
0.25571267
0.25571267
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.32406455
0.32399449
0.32220425
0.32041167
0.32023457
Populao = 15
Ite P.P. Ativa
Depois (pu)
0.00967898
0.00992099
0.01017099
0.01051743
0.01054251
0.00908032 7.81
0.00915038 39.63
0.01094062 78.14
0.01273320 118.75
0.01291030 159.42
0.23511259
0.19469395
0.21735820
0.25322999
0.26005473
Populao = 15
Tot. Shunt
Instalado
0.22775763
0.25500235
0.25505954
0.25505954
0.25505954
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
0.32356294
0.31325073
0.31193360
0.31109402
0.31102295
0.00958193
0.01989414
0.02121127
0.02205085
0.02212192
11.81
65.91
132.53
196.20
258.78
0.26135359
0.72617974
0.72772163
0.76988394
0.77465776
5.1.9.1
As Tabelas 5.25 e 5.26 (a, b) mostram os resultados obtidos pelas simulaes para o
sistema IEEE 118 barras para fatores de carregamento de 1 pu. No caso das barras crticas,
o PSO e HPSOM apresentam resultados semelhantes ao MPC. Os grficos das Figuras
5.11(a,b) apresentam uma tendncia de melhora com o aumento de nmeros de iteraes.
71
Iterao = 7
Tempo = 285.3
Reduo = 0.0018
Total de shunt instalado (pu) = 0.6196
Tabela 5.26(a,b) - Resultados obtidos pelo PSO sistema IEEE 118 BCS.
PSO - Perda Ativa (antes) (pu) = 0.33314487
HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
25
50
75
100
1.97190198
1.97190198
1.97145892
1.97137837
1.97137777
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00093457
0.00093457
0.00137763
0.00145819
0.00145879
18.73
87.39
155.95
209.81
263.33
Tot. Shunt
Instalado
0.20409079
0.20409079
0.33779544
0.39267308
0.39299718
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
1.97222370
1.97178127
1.97138389
1.97128163
1.97127956
Populao = 10
Ite P.P. Ativa
Depois (pu)
5
25
50
75
100
1.97230905
1.97189725
1.97171502
1.97157634
1.97154250
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00052751
0.00093931
0.00112154
0.00126021
0.00129406
40.30
202.39
384.45
564.06
744.67
5
25
50
75
100
1.97252426
1.97225333
1.97129726
1.97097915
1.97097509
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00031229
0.00058322
0.00153929
0.00185740
0.00186147
63.47
310.78
587.19
856.67
1129.61
0.15661822
0.30174382
0.41398190
0.45364891
0.45431773
Populao = 10
Tot. Shunt
Instalado
0.15808774
0.31953748
0.41672534
0.55294299
0.57006539
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
1.97221459
1.97142391
1.97131505
1.97129738
1.97129540
Populao = 15
Ite P.P. Ativa
Depois (pu)
0.00061286 11.17
0.00105529 62.72
0.00145267 124.97
0.00155492 183.88
0.00155700 238.69
0.00062197
0.00141264
0.00152150
0.00153918
0.00154116
21.97
128.33
262.48
386.03
497.28
0.16272738
0.50938913
0.56001065
0.56454069
0.56498524
Populao = 15
Tot. Shunt
Instalado
0.09012760
0.17821769
0.49228015
0.71956732
0.72289243
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
1.97218692
1.97095953
1.97094117
1.97093122
1.97092980
0.00064963
0.00187702
0.00189539
0.00190533
0.00190676
32.88
193.16
407.98
611.64
813.19
0.25582431
0.72601777
0.70306330
0.70671097
0.71357494
72
Tabela 5.26(c) -Resumo dos resultados obtidos pelos PSO/HPSOM- sistema IEE118 CBS.
Numero de
5,10,15
P.P.
Ativa
1.97283655
Populao = POP/
Iter
(Antes)
=
MPC
P.P.
Ativa Reduo de P. Tempo (s) Total Shunt
(Depois)
P. Ativa (pu)
instalado
1.971
0.0018
285.3
0.6196
5 /100 1.97137777 0.00145879 263.33 0.39299718

PSO
10/100 1.97154250 0.00129406 744.67 0.57006539

15/100 1.97097509 0.00186147 1129.61 0.72289243
HPSOM
5/100 1.97127956 0.00155700 238.69 0.45431773

10/100 1.97129540 0.00154116 497.28 0.56498524
15/100 1.97092980 0.00190676 813.19 0.71357494
(a)- PSO
(b)- HPSOM
Figure 5.11 - A evoluo dos algoritmos PSO/HPSOM - IEEE118 - BCS
73
5.1.9.2
No caso de reduo de perdas em todas as barras, como mostrado nas Tabelas 5.27 e 5.28
(a,b), aconteceu a mesma situao ocorrida nos outros sistemas, o PSO e HPSOM no
alcanaram os mesmos resultados obtidos pelo MPC com populao de 5, 10 e 15. Mas
pode ser observado que no caso de HPSOM com populao de 15 e iterao = 100
alcanou o melhor resultado e a tendncia de encontrar um valor prximo ao resultado
encontrado pela MPC fica claro pelo grfico da Figura 5.12(b), onde a linha que representa
a populao de 15 teve uma queda acentuada, saindo de um resultado de 0.00347251 com 5
iteraes chegando ao valor de 0.01529937 com 100 iteraes.
(a)- PSO
(b)-HPSOM
(d)-HPSOM (escala maior - 10- Iterao)
Figure 5.12 - A evoluo dos algoritmos PSO/HPSOM - IEEE118 - TBS
74
Todas as Barras IEEE 118
Iterao = 8
Tempo = 369.63
Reduo = 0.0548
Total de shunt instalado (pu) = 13.717
Tabela 5.28(a,b) - Resultados obtidos pelo PSO sistema IEEE 118 TBS.
HPSOM
Populao = 5
Populao = 5
Ite P.P. Ativa

Depois (pu)
5
25
50
75
100
1.97077115
1.97017654
1.97017570
1.97017570
1.97017570
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00206541
0.00266002
0.00266085
0.00266085
0.00266085
27.50
132.78
254.75
373.28
492.50
Tot. Shunt
Instalado
0.58823765
0.77458683
0.77485580
0.77485582
0.77485582
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
1.97013996
1.96940310
1.96895011
1.96795427
1.96793447
Populao = 10
Ite P.P. Ativa
Depois (pu)
5
25
50
75
100
1.96959789
1.96954059
1.96953769
1.96953769
1.96953769
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00323866 51.14
0.00329597 261.56
0.00329887 506.41
0.00329887 749.88
0.00329887 987.09
5
25
50
75
100
1.97026274
1.96856163
1.96855999
1.96855999
1.96855695
P.P. Ativa
Tempo
Reduo (pu) Simulao
0.00257382
75.06
0.00427493 391.95
0.00427657 756.08
0.00427657 1119.19
0.00427960 1480.64
12.89
68.66
135.14
195.30
254.31
0.64269999
1.30112569
1.40214140
1.42348859
1.42353081
Populao = 10
Tot. Shunt
Instalado
1.02248514
1.04347588
1.04454202
1.04454202
1.04454202
P.P. Ativa
P.P.Ativa
Tempo
Tot. Shunt
1.96983046
1.96775389
1.96151622
1.95936154
1.95927199
Populao = 15
Ite P.P. Ativa
Depois (pu)
0.00269659
0.00343346
0.00388644
0.00488228
0.00490208
0.00300610
0.00508266
0.01132034
0.01347501
0.01356457
26.91
148.98
319.20
488.05
655.20
0.66002782
1.02803394
1.33773882
1.59612639
1.61983458
Populao = 15
Tot. Shunt
Instalado
0.81632292
1.49754764
1.49829563
1.49829565
1.49811538
P.P. Ativa
P.P. Ativa
Tempo
Tot. Shunt
1.96936405
1.96541999
1.96469820
1.95863638
1.95753719
0.00347251
0.00741656
0.00813835
0.01420018
0.01529937
36.97
216.59
442.76
666.92
923.72
0.85869151
1.76448480
1.94299825
2.13857379
2.10967272
75
TBS.
Numero de
5,10,15
P.P.
Ativa
1.97283655
MPC
Populao = POP/
Iter
(Antes)
=
P.P.
Ativa Reduo de P. Tempo (s) Total Shunt
(Depois)
P. Ativa (pu)
instalado
1.918
0.0548
369.63 13.717
5 /100 1.97017570 0.00266085 492.50 0.77485582

PSO
10/100 1.96953769 0.00329887 987.09 1.04454202

15/100 1.96855695 0.00427960 1480.64 1.49811538
HPSOM
5/100 1.96793447 0.00490208 254.31 1.42353081

10/100 1.95927199 0.01356457 655.20 1.61983458
15/100 1.95753719 0.01529937 923.72 2.10967272
5.1.10 Consideraes sobre a aplicao

As simulaes feitas e apresentadas usando os sistemas (IEEE 14,30, 57 e 118) mostram
um comportamento praticamente idntico e independente do sistema.
Pode-se notar um desempenho melhor do algoritmo HPSOM em relao ao PSO.
Por outro lado, o algoritmo PSO tambm, teve um desempenho melhor em relao ao
MPC, na reduo de perdas nas barras crticas. Os desempenhos dos algoritmos HPSOM e
PSO comeam a cair na medida em que aumenta o nmero das barras (na instalao de
todas as barras em todos os sistemas). Assim, necessrio um aumento no nmero de
iteraes ou um aumento no nmero de populaes para atingir melhores resultados, como
foi mostrado no caso de sistema IEEE 30, quando o nmero de iteraes foi aumentado
para 500 (Tabela 5.20), atingindo assim bons resultados. Porm, ainda assim o HPSOM
obteve melhores resultados, se comparado com o PSO.
Os resultados desta aplicao so para mostrar a viabilidade dos mtodos PSO e
HPSOM na resoluo de problemas de otimizao complexos e no linear.
76
Captulo 6
Concluses
O objetivo inicial deste trabalho consistiu no estudo, em primeira etapa, do algoritmo de
Otimizao por Enxame de Partcula (PSO) e seu comportamento. Numa segunda etapa
foram implementadas e analisadas aplicaes de otimizao usando o PSO e comparando
os resultados alcanados com os resultados j obtidos por outros mtodos.
Na primeira etapa, foi feito um levantamento bibliogrfico sobre o PSO, e
apresentou seu comportamento. Foi feita tambm, uma comparao com outros algoritmos
de otimizao evolucionria. Pode-se concluir que o PSO um algoritmo muito simples de
ser implementado, porm, um algoritmo altamente sofisticado, envolvendo a inteligncia
coletiva e a interao entre os seus membros. Atravs dos termos da sua equao de
atualizao de velocidade, pode constatar esta interao e cognio.
Em seguida, foi demonstrada uma aplicao para otimizao das funes de
pertinncia fuzzy, onde obteve bons resultados e apresentou-se como sendo um algoritmo
com vastas possibilidades de se aplicar em diferentes problemas de otimizao.
No estudo do comportamento do PSO no modelo global (gbest), foram constatados
alguns aspectos importantes relacionados com a atualizao da sua velocidade, isto pode
conduzir o algoritmo convergncia prematura. Este fenmeno conhecido como
estagnao. Para solucionar este problema foi proposto um novo modelo hbrido chamado
de Otimizao por Enxame de Partcula Hbrido com Mutao (HPSOM), que combina a
idia do enxame de partcula com os conceitos de Algoritmo Genticos. Este modelo foi
testado e comparado com o PSO original, usando funes unimodal e funes multimodal.
Os resultados obtidos demonstraram que o HPSOM tem potencial para alcanar
convergncia mais rapidamente e achar a melhor soluo.
Na segunda etapa, foi apresentada a aplicao do PSO e HPSOM para solucionar
problemas ligados ao Sistema Eltrico de Potncia. A aplicao apresentada foi a reduo
das Perdas Eltricas. Nesta aplicao, foram realizados vrios testes, com simulaes nos
sistemas IEEE 14, 30, 57 e 118 barras, usando as Barras Crticas e em todas as Barras de
carga dos sistemas. Os resultados foram comparados com os resultados obtidos pelo
mtodo preditor-corretor (MPC) de pontos interiores.
As simulaes apresentaram as seguintes concluses:
No caso de reduo de perdas nas barras criticas, os resultados alcanados pelo

HPSOM foram muito bons e melhores do que os resultados alcanados pelo PSO e
MPC. Os resultados alcanados pelo PSO por sua vez foram melhores do que os
resultados alcanados pelo MPC.
No caso de reduo de perdas em todas as barras de carga, os resultados alcanados
pelo HPSOM e PSO foram similares e com tendncia de melhora, comparados com
os resultados alcanados pelo MPC. Esta queda dos rendimentos do PSO e HPSOM
77
atribuda o aumento de nmero de Barras. E neste caso o HPSMO tambm obteve

melhores resultados se comparado com o PSO.
O tempo necessrio para obter os bons resultados no HPSOM e PSO em alguns
casos superior ao tempo necessrio pelo MPC. Este fato gerado pela necessidade
de executar o Fluxo de Carga para cada iterao, por exemplo, numa simulao com
populao = 5 e iteraes = 5, gera 25 vez a execuo do Fluxo de Carga.
As simulaes apresentaram adequao dos PSO e HPSOM para solucionar este

tipo de problema na comparao com os resultados obtidos pelo MPC. E confirmaram o
potencial do HPSOM.
6.1 Contribuies Alcanadas

Este trabalho mostrou a eficcia do algoritmo PSO na resoluo de problemas de
otimizao para sistemas complexos.
A contribuio principal desta tese foi o desenvolvimento de um novo algoritmo de
otimizao, o HPSOM com resultados de convergncia melhores do PSO e a soluo de
problema de estagnao do PSO. Foi demonstrada tambm a eficcia do HPSOM para
selecionar problemas de otimizao de sistemas complexos. Os resultados obtidos pelas
simulaes qualificam este algoritmo proposto como uma tcnica em estudos do
planejamento de operao.
6.2 Propostas de Trabalho Futuro

Seguindo esta linha de pesquisa, podem ser apresentadas entre outras, as seguintes
propostas de trabalho futuro:
1. O desenvolvimento de outras aplicaes usando PSO e HPOM, como Corte de
carga e a implementar redespacho de potncia ativa na anlise de reduo de Perdas
Eltricas.
Com este estudo ser possvel obter um panorama mais claro da independncia dos
algoritmos PSO e HPSOM em relao tcnica empregada.
2. O desenvolvimento de outras aplicaes usando PSO e HPOM, tais como
Religamento e Distribuio de carga.
Com estas aplicaes ser possvel ampliar o campo de estudo e aplicao dos
algoritmos PSO e HPSOM em problemas ligados a Engenharia Eltrica.
3. A realizao de estudos complementares sobre o HPSOM em problemas de
otimizao discretos.
78
O HPSOM, como o algoritmo PSO original, foi proposto originalmente para
problemas contnuos. Recentemente, algumas tentativas foram feitas de estender o
PSO aos problemas de otimizao discretos. Kennedy e Eberhart [ 30 ] propuseram
a primeira verso discreta com resultados promissoras (consulta a referncia
Quantum DiPSO [31] e Clerc [32]). Entretanto, porque o HPSOM baseado no
PSO original ento h a necessidades de realizar novas estudos para estend-lo aos
problemas de otimizao discretos.
79
Referncias Bibliogrficas
[1] J.W. Marangon Lima, Allocation of Transmission Fixed Charges: An Overview, IEEE
Trans on PWRS, Vol. 11, No. 3, pp 1409-1418, 1996.
[2] J.W. Marangon Lima and E.J. de Oliveira, The Long Term Impact of Transmission
Pricing, IEEE Trans on PWRS, Vol. 13, No. 4, pp 1514-1520, 1998.
[3] A.C. Zambroni de Souza, Tangent Vector Applied to Voltage Collapse and Loss
Sensitivity Studies, Electric Power Systems Research, Vol. 47, No. 1, pp. 65-70, 1998.
[4] L.C. Araujo Ferreira, A.C. Zambroni de Souza, S. Granville, and J.W. Marangon Lima,
Interior Point Method Applied to Voltage Collapse Problems and Losses Reduction,
IEE Proc., Generation, Transmission and Distribution, Vol. 149, No. 2, pp. 165-170,
2002.
[5] A.C. Zambroni de Souza, L.M. Honrio, G.L. Torres, and G. Lambert-Torres,
Increasing the Loadability of Power Systems Through Optimal-Local-Control
Actions.(accepted to be published by IEEE)
[6] S. Granville, Optimal Reactive Dispatch Through Interior Point Methods, IEEE Trans.
On Power Systems, Vol.9 No.1, 1994.
[7] R.D.C. Monteiro and I. Adler, Interior Path Following Primal-Dual Algorithm. Part II:
Convex Quadratic Programming, Mathematical Programming, 44, 1989.
[8] I.J. Lustig, R.E. Marsten, and D.F. Shanno, Interior Point Methods for Linear
Programming: Computational State of the Art, Feature Article in ORSA Journal on
Computing, Vol. 6, No. 1, 1994.
[9] M.A. Abido, Optimal Power Flow Using Particle Swarm Optimization, Electrical
Power & Energy Systems, No. 24, pp. 563-571, 2002.
[10] J. Kennedy and R. C. Eberhart. Particle Swarm Optimization. In Proceedings of IEEE
International Conference on Neural Networks, Perth, Australia,Vol. 4, pp. 19421948, 1995.
[11] R. C. Eberhart and J. Kennedy. A new optimizer using particle swarm theory. In
Proceedings of the Sixth International Symposium on Micro Machine and Human
Science, Nagoya, Japan, pp. 39-43, 1995.
[12] D. M. Greig. Optimisation, chapter 3-4. Longman Inc., New York, USA, 1980.
[13] D. E. Coldberg, Genetic algorithms in search, optimization and machine learning,
Addison Wesley, 1989.
80
[14] J. E. Dennis, Jr and R. B. Schnabel. Numerical Methods for Unconstrained
Optimization and Nonlinear Equations, chapter 6, pp. 111-152. Prentice-Hall, 1983.
[15] M. F. Mller. A scaled conjugate gradient algorithm for fast supervised learning.In
Neural Networks, Vol. 6, pp. 525-533, 1993.
[16] E. Polak. Optimization: Algorithms and Consistent Approximations. Springer-Verlag,
New York, USA, 1997.
[17] T. Bck, D. B. Fogel, and T. Michalewicz, editors. Basic Algorithms and Operators,
volume 1 of Evolutionary Computation. Institute of Physics Publishing, Bristol and
Philidelphia, 1999.
[18] T. Bck, D. B. Fogel, and T. Michalewicz, editors. Advanced Algorithms and
Operators, volume 2 of Evolutionary Computation. Institute of Physics Publishing,
Bristol and Philidelphia, 1999.
[19] J. H. Holland, Adaptation in natural and artificial systems (The University of
Michigam Press, Ann Arbor, 1975), reprinted by MIT Press, 1992.
[20] A. P. Engelbrecht and A. Ismail. Training product unit neural networks. Stability and
Control: Theory and Applications, Vol. 2, No. 1, pp. 59-74, 1999.
[21] F. van den Bergh. Particle Swarm Weight Initialization in Multi-layer Perceptron
Artificial Neural Networks. In Development and Practice of Artificial Intelligence
Techniques, pp. 41-45, Durban, South Africa, 1999.
[22] F. van den Bergh and A. P. Engelbrecht. Cooperative Learning in Neural Networks
using Particle Swarm Optimizers. South African Computer Journal, No. 26, pp. 8490, 2000.
[23] R. C. Eberhart and X. Hu. Human Tremor Analysis Using Particle Swarm
Optimization. In Proceedings of the Congress on Evolutionary Computation, pp.
1927-1930, Washington D.C, USA, 1999.
[24] Y. Shi and Russ C. Eberhart. A Modi_ed Particle Swarm Optimizer. In IEEE
International Conference of Evolutionary Computation, Anchorage, Alaska, May
1998.
[25] Y. Shi and R. C. Eberhart. Empirical Study of Particle Swarm Optimization.In
Proceedings of the Congress on Evolutionary Computation, pp. 19451949,Washington D.C, USA, 1999.
[26] R. C. Eberhart, P. Simpson, and R. Dobbins. Computational Intelligence PC Tools,
chapter 6, pp. 212-226. Academic Press Professional, 1996.
[27] D. Corne, M. Dorigo, and F. Glover, editors. New Ideas in Optimizaton, chapter 25,pp.
379-387. McGraw Hill, 1999.
81
[28] J. Kennedy. The particle swarm: Social adaption of knowledge. In Proceedings of the
International Conference on Evolutionary Computation, Indianapolis, IN, USA, pp.
303-308, 1997.
[28] P. J. Angeline. Using Selection to Improve Particle Swarm Optimization. In
Proceedings of IJCNN'99, Washington, USA, pp. 84-89, 1999.
[30] R. C. Eberhart and J. Kennedy. Swarm Intelligence. Morgan Kaufmann, 2001.
[31] M. M. Millonas. Swarms, phase transitions, and collective intelligence. In Artificial
Life III, pp.417-445. Addison-Wesley, Reading, MA, 1994.
[32] W. T. Reeves. Particle Systems - A Technique for Modeling a Class of Fuzzy Objects.
In SIGGRAPH 83, pp. 359-376, 1983.
[33] J. Kennedy and R. C. Eberhart. A Discrete Binary Version of the Particle Swarm
Algorithm. In Proceedings of the Conference on Systems, Man, and Cybernetics
(SMC97), pp. 4104- 4109, 1997.
[34] J. Kennedy and W. M. Spears. Matching Algorithms to Problems: An Experimental
Test of the Particle Swarm and Some Genetic Algorithms on the Multimodal Problem
Generator. In Proceedings of the International Conference on Evolutionary
Computation (CEC 98), Anchorage, Alaska, pp. 78-83, 1998.
[35] A. A. A. Esmin, A. R. Aoki & G. Lambert-Torres. Particle swarm optimization for
fuzzy membership functions optimization. In Proceedings of the IEEE International
Conference on Systems, Man and Cybernetics 2002 (SMC 2002), pp. 108-113, 2002.
[36] L. M. Honrio. Considerao de Tcnicas de Otimizao Aplicadas ao Problemas de
Colapso de Tenso, Tese de Doutorado, Escola Federal de Engenharia de ItajubEFEI, Minas Gerais, Brasil, 2002.
[37] A. Carlisle and G. Dozier. Adapting Particle Swarm Optimization to Dynamic
Environments. In Proceedings of the International Conference on Artificial
Intelligence, pp. 429-434, Las Vegas, NV, USA, 2000.
[38] M. Clerc. The Swarm and the Queen: Towards a Deterministic and Adaptive Particle
Swarm Optimization. In Proceedings of the Congress on Evolutionary Computation,
Washington DC, USA, pp. 1951-1957, 1999.
[39] M. Clerc and J. Kennedy. The Particle Swarm: Explosion, Stability and Convergence
in a Multi-Dimensional Complex Space. IEEE Transactions on Evolutionary
Computation, 2001.
[40] P. Angeline, Evolutionary Optimization Versus Particle Swarm Optimization
Philosophy and Performance Differences. Proceedings of 7th Annual Conference on
Evolutionary Programming, pp. 601-610, 1998.
82
[41] R. C. Eberhart and Y. Shi. Tracking and Optimizing Dynamic Systems with Particle
Swarms. In Proceedings of the IEEE Congress on Evolutionary Computation, Seoul,
Korea, pp. 94-100, 2001.
[42] R. C. Eberhart and Y. Shi, Comparison between Genetic Algorithms and Particle
Swarm Optimization, Evolutionary Programming VII (1998), Lecture Notes in
Computer Science 1447, pp. 611616, 1998.
[43] Russ C. Eberhart and Y. Shi. Comparing Inertia Weights and Constriction Factors in
Particle Swarm Optimization. In Proceedings of the Congress on Evolutionary
Computing, San Diego, USA, pp. 84-89, 2000.
[44] Y. Fukuyama et al. Practical Distribution State Estimation using Hybrid Particle
Swarm Optimization. In Proceedings of the IEEE Power Engineering Society Winter
Meeting, Columbus, 2001.
[45] Y. Fukuyama and H. Yoshida. A Particle Swarm Optimization for Reactive Power and
Voltage Control in Electric Power Systems. In Proceedings of the IEEE Congress on
Evolutionary Computation, Seoul, Korea, pp. 87-93, 2001.
[46] D. E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning.
Addison-Wesley, Reading, MA, USA, 1989.
[47] Z. He, C. Wei, L. Yang, X. Gao, S. Yao, R. C. Eberhart, and Y. Shi. Extracting Rules
from Fuzzy Neural Network by Particle Swarm Optimization. In Proceedings of the
IEEE International Conference of Evolutionary Computation, Anchorage, Alaska,
USA, pp. 74-77, 1998.
[48] P. Jinchun, C. Yaobin, and R. Eberhart. Battery pack state of charge estimator design
using computational intelligence approach. In The Fifteenth Annual Battery
Conference on Applications and Advances, pp. 173-177, 2000.
[49] L. K. Jones. Constructive approximations for neural networks by sigmoidal functions.
Proceedings of the IEEE, Vol. 78, No. 10, pp. 1586-1589, 1990.
[50] J. Kennedy. The particle swarm: Social adaption of knowledge. In Proceedings of the
International Conference on Evolutionary Computation, Indianapolis, IN, USA, pp.
303-308, 1997.
[51] J. Kennedy. Small Worlds and Mega-Minds: Effects of Neighbourhood Topology on
Particle Swarm Performance. In Proceedings of the Congress on Evolutionary
ComputationWashington, DC, USA, pp. 1931-1938, 1999.
[52] J. Kennedy. Stereotyping: Improving Particle Swarm Performance With Cluster
Analysis. In Proceedings of the Congress on Evolutionary Computing, San Diego,
USA, pp. 1507-1512, 2000.
[53] M. Lvbjerg, T. K. Rasmussen, and T. Krink. Hybrid Particle Swarm Optimiser with
Breeding and Subpopulations. In Proceedings of the Genetic and Evolutionary
Computation Conference (GECCO), San Francisco, USA, 2001.
83
[54] F. Van den Bergh and A.P. Engelbrecht. A new locally convergent particle swarm
optimizer. In Proceedings of IEEE International Conference on Systems, Man, and
Cybernetics 2002 (SMC 2002), pp. 96-101, 2002.
[55] E. Ozcan and C. K. Mohan. Particle Swarm Optimization : Surfing the Waves. In
Proceedings of the International Congress on Evolutionary Computation, pp 19391944, Washington, USA, 1999.
[56] K. E. Parsopoulos, V. P. Plagianakos, G. D. Magoulas, and M. N. Vrahatis. Improving
Particle Swarm Optimizer. In P. Pardalos, editor, Advances in Convex Analysis and
Global Optimization. Kluwer Academic, 2001.
[57] K. E. Parsopoulos, V. P. Plagianakos, G. D. Magoulas, and M. N. Vrahatis. Stretching
Technique for Obtaining Global Minimizers Through Particle Swarm Optimization.
In Proceedings of the Particle Swarm Optimization Workshop, Indianapolis, USA,
pp. 22-29, 2001.
[58] K. E. Parsopoulos and M. N. Vrahatis. Particle Swarm Optimizer in Noisy and
Continuously Changing Environments. In M. H. Hamza, editor, Artificial Intelligence
and Soft Computing (IASTED/ACTA), Anaheim, CA, USA, pp. 289-294, 2001.
[59] K. E. Parsopoulos and M.N. Vrahatis. Modification of the Particle Swarm Optimizer
for Locating all the Global Minima. In V. Kurkova, N. C. Steele, R. Neruda, and M.
Karny, editors, Artificial Neural Networks and Genetic Algorithms, pp. 324-327.
Springer, 2001.
[60] M. A. Potter. The Design and Analysis of a Computational Model of Cooperative
Coevolution. PhD thesis, George Mason University, Fairfax, Virginia, USA, 1997.
[61] J. Salerno, J. Using the particle swarm optimization technique to train a recurrent
neural model. IEEE International Conference on Tools with Artificial Intelligence,
pp. 45-49, 1997.
[62] Y. Shi and R. C. Eberhart. Parameter Selection in Particle Swarm Optimization. In
Evolutionary Programming VII: Proceedings of EP 98, pp. 591-600, 1998.
[63] Y. Shi and R. C. Eberhart. Empirical Study of Particle Swarm Optimization. In
Proceedings of the Congress on Evolutionary Computation, pp. 1945-949,
Washington D.C, USA, July 1999.
[64] Y. Shi and R. C. Eberhart. Fuzzy adaptive particle swarm optimization.In Proceedings
of the IEEE Congress on Evolutionary Computation (CEC 2001), Seoul, Korea. 2001
[65] Y. Shi and R. C. Eberhart. Particle swarm optimization with fuzzy adaptive inerita
weight. In Proceedings of the Workshop on Particle Swarm Optimization 2001,
Indianapolis, IN. 2001.
[66] Y. Shi and Russ C. Eberhart. A Modified Particle Swarm Optimizer. In IEEE
International Conference of Evolutionary Computation, Anchorage, Alaska, May
1998.
84
[67] P. N. Suganthan. Particle swarm optimiser with neighbourhood operator. In
Proceedings of the IEEE Congress on Evolutionary Computation (CEC 1999),
Piscataway, NJ. pp. 1958-1962, 1999.
[68] F. van den Bergh and A. P. Engelbrecht. Efects of Swarm Size on Cooperative Particle
Swarm Optimisers. In Proceedings of the Genetic and Evolutionary Computation
Conference (CEC 2001), San Francisco, USA, pp. 892-899, 2001.
[69] F. van den Bergh and A. P. Engelbrecht. Training Product Unit Networks using
Cooperative Particle Swarm Optimisers. In Proceedings of the International Joint
Conference on Neural Networks (IJCNN), Washington DC, USA, pp. 126-132, 2001.
[70] F. van den Bergh. An Analysis of Particle Swarm Optimizers. PhD thesis, Department
of Computer Science, University of Pretoria, Pretoria, South Africa, 2002.
[71] P. Kundur. Power system stability and control. Palo Alto: McGraw-Hill, 1994.
[72] N. H. M. N. Brito. Aes de Controle Aplicadas Anlise de Estabilidade de Tenso,
Dissertao de Mestrado, Escola Federal de Engenharia de Itajub EFEI, Minas
Gerais, Brasil, 1996.
[73] C. A. Caizares & F. L. Alvarado. Point of collapse and continuation methods for
large AC/DC systems, IEEE Transactions on Power Systems, vol.8, n.1, pp. 1-8,
1993.
[74] A. C. Z. Souza,C. A. Caizares, V. H. Quintana. New Techniques to Speed Up
Voltage Collapse Computations Using Tangent Vectors, IEEE transactions on Power
Systems , vol.12, No.3, pp. 1380-1387, 1997.
[75] A. C. Zambroni de Souza, M. Glavic, F. Alvarado, Continuation Power Flow with
Overload and Redispatch, Proc. Of the XXIII NAPS, Canada, Vol. 1, pp. 26-31,
2000.
[76] B. Isaas Lima Lopes and A. C. Zambroni de Souza, On Multiple Tap-Blocking to
Avoid Voltage Collapse, Electric Power Systems Research, Vol. 67, No. 3, pp. 225231, 2003.
[77] A.C. Zambroni de Souza, C.A. Caizares, and V.H. Quintana, New techniques to
speed up voltage collapse computations using tangent vectors, IEEE Trans. On Power
Systems, vol. 12, pp. 13801387,1997.
[78] C. K. Mohan and B. Al-Kazemi, Discrete particle swarm optimization, Proc.
Workshop on Particle Swarm Optimization, Indianapolis, IN: Purdue School of
Engineering and Technology, IUPUI, 2001.
[79] A. C. Melo, J. C. O. Mello and S. Granville. The Effects of Voltage Collapse
Problems in the Reliability Evaluation Of Composite System, IEEE/PES Winter
Meeting, paper No. 96 WM 316-0 PWRS, Baltimore, 1996.
85
[80] G. L. Torres. Nonlinear Optimal Power Flow by Interior and NonInterior Point
Methods, PhD Thesis, Waterloo, Ontario, Canada, 1998.
[81] G. L. Torres and V. H. Quintana. An interior point method for nonlinear optimal
power flow using voltage rectangular coordinates, IEEE Trans. on Power Systems,
Vol. 13, pp. 12111218, 1998.
[82] D. Park & A. Kandel. Genetic-Based New Fuzzy Reasoning Models with Aplication
to Fuzzy Control, IEEE Trans. On Systems, vol. 24, no. 1, pp. 39-47, 1994.
[83] M. A. Carvalho, G. Lambert-Torres, L. E. Borges da Silva & J. O. P. Pinto, Fitting
Fuzzy Membership Functions using Genetic Algorithms. In Proceedings of IEEE
International Conference on Systems, Man, and Cybernetics 2000 (SMC 2000). 2002.
[84] P. Kundur. General Introduction and Basic Concepts of Voltage Stability Analysis,
San Diego, In: IEEE PES Summer Meeting, IEEE Special Tutorial Course: Voltage
Stability,1998.
[85] I. A. Hiskens. Exploring the Poer Flow Solution Space Boundary, IEEE Transactions
on Power Systems, vol. 6, No.3, 2001.
[86] C. A. Caizares. Voltage Collapse and Transient Energy Function Analyses of AC/DC
Systems, PhD thesis, University of Wisconsin-Madison, 1991.
[87] L. A. Zadeh . Fuzzy Sets, Information and Control, Vol.8, pp.338-353, 1965.
[88] S. G. de Brito, Pacote Computacional para o Ensino da Lgica Difusa, Dissertao de
Mestrado, Escola Federal de Engenharia de Itajub,Minas Gerais, Brasil, 1998.
[89] A. Kandel & G. Langholz. Fuzzy Control Systems, CRC Press, 1993.
86
Apndice A
Barras
Dados do Sistema de 4
Os dados do sistema de 4 Barras usando o formato IEEE so dados abaixo.

BUS DATA FOLLOWS
4 ITEMS
1 Bus 1 HV 1 1 3 1.060
0.0 0.0 0.0 232.4
2 Bus 2 HV 1 1 2 1.045 -4.98 21.7 12.7 166.0
3 Bus 3 HV 1 1 0 1.010 -12.72 74.2 19.0 0.0
4 Bus 4 HV 1 1 0 1.019 -10.33 67.8 -3.9
0.0
-999
BRANCH DATA FOLLOWS
4 ITEMS
1 2 1 1 1 0 0.04938 0.15917 0.0528 0 0 0
1 3 1 1 1 0 0.15403 0.42304 0.0492 0 0 0
2 4 1 1 1 0 0.14699 0.49797 0.0438 0 0 0
3 4 1 1 1 0 0.25811 0.77632 0.0374 0 0 0
-999
END OF DATA
-16.9 0.0 1.060 0.0 0.0 0.0 0.0 0

42.4 0.0 1.045 50.0 -40.0 0.0 0.0 0
23.4 0.0 1.010 40.0 0.0 0.0 0.0 0
0.0 0.0 0.0 0.0 0.0 0.0 0.0 0
00
00
00
00
0.0
0.0
0.0
0.0
0.0 0.0
0.0 0.0
0.0 0.0
0.0 0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
87
Apndice B Publicaes Associadas ao

Trabalho e Realizadas no Perodo
ESMIN, A. A. A., LAMBERT-TORRES, G., de SOUZA, A. C. Z. A Hybrid Particle
Swarm Optimization Applied to Loss Power Minimization. IEEE Transactions on
Power Systems, Vol.2, No.2 , pp. 859- 866, Maio 2005.
AOKI, A. R., ESMIN, A. A. A., LAMBERT-TORRES, G. An Architecture of a MultiAgent System for Power System Operation. Transactions On Computers. London,
Vol.2, No.3, pp.408 - 412, 2004.
ESMIN, A. A. A., AOKI, A. R., LAMBERT-TORRES, G. Particle Swarm Optimization
versus Genetic Algorithms for Fitting Fuzzy Membership Functions. Transactions On
Systems. Londres, Vol.2, No.1, pp.68 - 73, 2003.
AOKI, A. R., ESMIN, A. A. A., LAMBERT-TORRES, G. An Architecture of a MultiAgent System for Power System Operation. In: 3rd International Conference on
Automation and Information, ICAI'03, Tenerife, 2003.
AOKI, A. R., ESMIN, A. A. A., LAMBERT-TORRES, G. Multi-Agent System for
Distribution System Operation. In: Advances in Logic, Artificial Intelligence and
Robotics. Ed.Amsterdam : IOS Press, pp. 38-45, 2002.
ESMIN, A. A. A., AOKI, A. R., LAMBERT-TORRES, G. Particle swarm optimization for
fuzzy membership functions optimization. Proceedings of the IEEE International
Conference on Systems, Man and Cybernetics 2002 (SMC 2002), pp. 108-113, 2002.
ESMIN, A. A. A., AOKI, A. R., LOPES JR., C. R., LAMBERT-TORRES, G. Multi-Agent
Simulation and Educational Tool for Power System Operation. In: 2002 IEEE
International Conference on Engineering Education, INTERTECH'2002, SantosSP,2002.
LOPES JR., C. R., AOKI, A. R., ESMIN, A. A. A., LAMBERT-TORRES, G. Multi-Agent
Model for Power Substation Restoration. In: International Conference on Power and
Energy Systems (PES 2001), Tampa, 2001.
88
Apndice C Artigo da Tese Publicado no

IEEE Transactions on Power Systems

Pso

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Pso

Uploaded by

Copyright:

Available Formats

UNIFEI

Universidade Federal de Itajub

Estudo de Aplicao do Algoritmo de

Ahmed Ali Abdalla Esmin

Estudo de Aplicao do Algoritmo de

Ficha catalogrfica elaborada pela Biblioteca Mau

meus pais, pelo carinho e apoio apesar da distancia

Aos Professores Germano Lambert Torres e Antonio Carlos Zambroni de Souza,

Aos colegas de doutorado da UNIFEI, pelo apoio

Universidade Federal de Engenharia de Itajub, atravs do Instituto de

Fundao Educacional Comunitria Formiguense - FUOM, pelo apoio

CAPES, pelo auxlio

A minha esposa e meus filhos pelo apoio e dedicao

E a todas as pessoas que, direta ou indiretamente, contriburam para a realizao

Esta tese apresenta um estudo sobre as tcnicas de otimizao evolutivas e mais

O ALGORITMO HPSOM ........................................................................................ 35

Dados do Sistema de 4 Barras ................................................................... 86

Publicaes Associadas ao Trabalho e Realizadas no Perodo............... 87

Artigo da Tese Publicado no IEEE Transactions on Power Systems . 88

Realizao de estudo terico sobre o algoritmo PSO e seu comportamento;

2.1.1 Otimizao Local

onde A S R n e S denota o espao de busca. Note que S = Rn em problemas sem

x *A i x *A j , de forma que o ponto mnimo de cada regio

pode ser considerado como o mnimo de A i . No h nenhuma restrio no valor que a

2.1.2 Otimizao Global

x * de uma funo f , pode ser definido da seguinte forma:

2.2 Computao Evolucionria (CEs)

2.3 Algoritmos Genticos (AGs)

Caractersticas Gerais dos Algoritmos Genticos

Os AGs so algoritmos de otimizao global que empregam uma estratgia de busca

Figura 2.2 - Indivduos de uma populao e a sua correspondente roleta de seleo.

Os operadores genticos transformam a populao atravs de sucessivas geraes,

.Figura 2.4 - Exemplo de mutao.

Um-ponto: para a aplicao desse operador, so selecionados dois indivduos (pais)

Multi-pontos: a troca de material gentico feita da mesma forma de um ponto,

Figura 2.5 - Um exemplo de crossover de um ponto.

Os parmetros genticos influem no comportamento dos Algoritmos Genticos e

Tamanho da Populao: o tamanho da populao afeta de uma forma direta o

Taxa de Mutao: uma taxa de mutao baixa pode prevenira a populao do

Intervalo de Gerao: determina a porcentagem da populao que ser substituda na

2.4 Otimizao por Enxame de Partculas (PSO)

2.4.1 O Algoritmo PSO

y . Os detalhes dos dois modelos sero

y (t ) = min{ f ( y), f ( y (t ))}

vi , j denota a dimenso j do vetor da velocidade

i . A atualizao de velocidade dada pela seguinte equao:

Na definio da equao da atualizao de velocidade, a constante c 2 regula de

c1 regula o tamanho do passo na direo da melhor posio individual daquela

mantido dentro do intervalo de

[vmax , vmax ] , reduzindo a

[ xmax , xmax ] , ento o valor de vmax

vmax= k * xmax, onde 0.1 k 1.0 (2.6)

Figura 2.6 - O Pseudocdigo do algoritmo de PSO bsico.

i 1 .. s e j 1 .. n . Alternativamente, as velocidades das partculas podero ser

2.4.2 O Comportamento do PSO

O termo c 1 r1, j ( t )[ y i , j ( t ) x i , j ( t )] associado apenas com a cognio, onde

2.4.3 Consideraes sobre a semelhana entre PSO e EAs

2.4.4 Origens e Terminologia

Proximidade: necessita de espao simples e pequeno tempo computacional.

2.4.5 Modelo do Melhor Global (gbest)

y e v i so as mesmas apresentadas anteriormente:

Note que y chamado de a melhor posio global, e pertence partcula chamada de a

2.4.6 O Modelo do Melhor Local ( Lbest )

f ( y i ( t + 1)) = min { f ( a )}, a N i

x A i x A j , de forma que o ponto mnimo de cada regio