Monopol I 10001250

COORDENAO DE RELS DE SOBRECORRENTE EM
SISTEMAS RADIAIS UTILIZANDO ALGORITMO GENTICO
Escola Politcnica
Universidade Federal do Rio de Janeiro
Gilvan Rodrigues de Oliveira Junior
RIO DE JANEIRO, RJ - BRASIL

JANEIRO DE 2008
COORDENAO DE RELS DE SOBRECORRENTE EM SISTEMAS

RADIAIS UTILIZANDO ALGORITMO GENTICO
PROJETO SUBMETIDO AO CORPO DOCENTE DO DEPARTAMENTO DE

ENGENHARIA ELTRICA DA ESCOLA POLITCNICA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSRIOS
PARA A OBTENO DO GRAU DE ENGENHEIRO ELETRICISTA.
Aprovada por:
Sandoval Carneiro Jr, Ph.D.
(Orientador)
Paulo Augusto Nepomuceno Garcia, D.Sc.

(Co-orientador)
Sergio Sami Hazan, Ph.D.
Paulo Roberto Maisonnave, Eng.
RIO DE JANEIRO, RJ - BRASIL

JANEIRO DE 2008
OLIVEIRA JUNIOR, GILVAN RODRIGUES DE

Coordenao de Rels de Sobrecorrente em Sistemas
Radiais Utilizando Algoritmo Gentico [Rio de Janeiro]
2008
VII, xx p. 29,7 cm (Escola Politcnica / UFRJ,
Engenharia Eltrica, 2008)
Projeto Final (graduao) Universidade Federal do
Rio de Janeiro, Escola Politcnica, Departamento de
Engenharia Eltrica.
1.
Proteo Eltrica
2.
Seletividade
3.
Algoritmo Gentico
A Deus, pela fora e por

nunca ter me deixado
caminhar sozinho.
AGRADECIMENTOS
Agradeo a minha me e minha irm, pelo carinho e pelo esforo prestado. Em

especial, agradeo minha me, Ana Maria, por tudo que fez para que eu pudesse ter a
oportunidade de estudar, me dando apoio e sempre fazendo com que eu mantivesse o foco
no meu objetivo.
Agradeo s minhas tias: ngela Maria, Vanda Pereira e Araci de Oliveira, por tudo
que fizeram por mim, me dando sempre muito carinho, apoio e durante algum tempo at
um teto.
Agradeo tambm a minha namorada Milena Lima, que sempre esteve comigo nos
momentos difceis, pela pacincia, pelo carinho e por sempre me fazer buscar o equilbrio.
Aos meus amigos, Edilberto, Bruno, Alex, Vtor, Lus Antnio, Denison, Eric e
Alexandre, que sempre estiveram ao meu lado e que j passaram muitos momentos tristes e
felizes comigo.
Aos engenheiros Paulo Maisonnave, Paulo Fres e Leonardo Soares pela sua
pacincia, orientao e ensinamentos.
Aos professores Sandoval Carneiro Junior e Paulo Augusto Nepomuceno pelos seus
conselhos e dedicao ao me orientar nesse projeto.
Ao professor Srgio Sami Hazan pela disponibilidade e esforo em participar da
banca examinadora desse projeto final.
Aos meus amigos de faculdade, pela amizade desenvolvida ao longo de toda esta
caminhada acadmica, principalmente pelo apoio nos momentos difceis e incentivos na
superao de todos os obstculos.
Resumo do Projeto Final apresentado a Poli/UFRJ como parte dos requisitos necessrios
para a obteno do grau de Engenheiro Eletricista (Eng.)
COORDENAO DE RELS DE SOBRECORRENTE EM SISTEMAS RADIAIS

UTILIZANDO ALGORITMO GENTICO

Janeiro/2008
Orientador: Sandoval Carneiro Jr.

Co-orientador: Paulo Augusto Nepomuceno Garcia
Departamento: Engenharia Eltrica
Nos dias de hoje cada vez mais comum a implementao de sistemas automatizados
para a melhoria de processos em geral. Para a realizao de estudos de seletividade da
proteo eltrica, as ferramentas encontradas no mercado no possuem nenhum tipo de
automatizao, fazendo com que a experincia do operador seja decisiva para a obteno de
um bom resultado para o estudo. Logo, o desenvolvimento de uma ferramenta baseada em
mtodos de inteligncia artificial, que realize de forma automtica a otimizao dos tempos
de coordenao das protees eltricas de um determinado sistema ser importante para o
setor eltrico, pois trar de maneira mais rpida e eficiente os resultados esperados neste
tipo de estudo.
Este trabalho explora a utilizao do Algoritmo Gentico como o mtodo de

inteligncia artificial a ser aplicado otimizao dos tempos de coordenao de rels de
sobrecorrente. Foi desenvolvido no MATLAB um cdigo computacional que possui como
sada as curvas corrente/tempo dos rels de sobrecorrente includos no estudo de
seletividade, procurando trazer ao operador, de forma automtica, uma resposta otimizada e
dentro dos padres esperados.
Abstract of Final Project presented to Poli/UFRJ as a partial fulfillment of the requirements

for the degree of Electrical Engineer (Eng)
COORDENAO DE RELS DE SOBRECORRENTE EM SISTEMAS RADIAIS

UTILIZANDO ALGORITMO GENTICO

Janeiro/2008
Orientador: Sandoval Carneiro Jr.

Co-orientador:
Departamento: Engenharia Eltrica
Nowadays, it is becoming more common the implementation of automatic systems to

improve the processes quality in general. To achieve the electrical protection coordination
studies, the available tools in the market do not present any type of automatism, as such
studies are based on the operators experience to obtain consistent results. Thus, the
development of a tool based on artificial intelligence methods to automatically find the
coordination times of protection devices that compose a system will be important to the
electrical sector bringing faster and efficiently the results expected from this type of study.
This work explores the application of Genetic Algorithm as an artificial intelligence
method to be applied to the overcurrent relays coordination time optimization. A
computational code was developed in the MATLAB that has as output the current/time
curves of the overcurrent relays included in the coordination study, trying to bring to the
operator an optimized answer and in accordance to the expected standards, automatically.
LISTA DE TABELAS
Tabela 2.1 Tipos de curva com relao aos valores de e
Pg. 18
Tabela 3.1 Codificao do Tipo de Curva Tempo/Corrente
Pg. 27
Tabela 3.2 Codificao da Corrente de pick up
Pg. 28
Tabela 3.3 Codificao do Dial de tempo
Pg. 28
Tabela 3.4 t c
Pg. 35
min
e tc
mx
Tabela 3.5 T1, T2 e T3
Pg. 35
Tabela 4.1 Operadores Genticos utilizados
Pg. 46
Tabela 4.2 Valores da Funo de Aptido
Pg. 47
Tabela 4.3 Melhor Indivduo
Pg. 48
Tabela 4.4 Tempos de operao
Pg. 49
Tabela 4.5 Tempos de coordenao
Pg. 49
LISTA DE QUADROS
Figura 2.1 Sistema Eltrico com 2 barras
Pg. 15
Figura 2.2 Tempo de Coordenao
Pg. 16
Figura 2.3 Curva Normalmente Inversa
Pg. 18
Figura 2.4 Curva Muito Inversa
Pg. 18
Figura 2.5 Curva Extremamente Inversa
Pg. 19
Figura 2.6 Curva Longamente Inversa
Pg. 19
Figura 2.7 Coordenao de Rels
Pg. 19
Figura 3.1 Diagrama de Blocos de um Algoritmo Gentico
Pg. 21
Figura 3.2 Representao dos Indivduos segundo seus cromossomos
Pg. 27
Figura 3.3 Seletividade dos rels de sobrecorrente que compem o sistema
Pg. 38
Figura 3.4 Cromossomo de um dos Descendentes
Pg. 42
Figura 3.5 Cromossomo Aps Mutao
Pg. 42
Figura 4.1 Sistema Radial Proposto para Estudo
Pg. 45
Figura 4.2 Populao Inicial
Pg. 47
Figura 4.3 Populao Final
Pg. 48
Figura 4.4 Curva i x t
Pg. 49
Figura A.1 Transformao de Cdigo Gray para Decimal
Pg. 61
Pg. 62
10
Figura A.3 Cromossomo dos Genitores
Pg. 65
Figura A.4 Cromossomo dos Descendentes
Pg. 65
Pg. 65
Pg. 65
Pg. 66
Figura A.8 Mscara Criada Aleatoriamente
Pg. 66
Pg. 66
Pg. 66
Pg. 67
Pg. 67
Figura A.13 Cromossomo do Descendente
Pg. 67
Pg. 68
Pg. 68
11
NDICE
LISTA DE TABELAS.......................................................................................................... 9
LISTA DE QUADROS....................................................................................................... 10
1.
2.
3.
INTRODUO .......................................................................................................... 14
1.1.
MOTIVAO .......................................................................................................... 14
1.2.
OBJETIVO .............................................................................................................. 14
SELETIVIDADE DE RELES DE SOBRECORRENTE ....................................... 15

2.1.
INTRODUO ......................................................................................................... 15
2.2.
TEMPO DE COORDENAO ( t c ) ............................................................................. 15
ALGORITMO GENTICO APLICADO SELETIVIDADE DE RELS DE
SOBRECORRENTE.......................................................................................................... 21
3.1.
ALGORITMO GENTICO ......................................................................................... 21
3.2.
COORDENAO OTIMIZADA DE RELS DE SOBRECORRENTE UTILIZANDO
ALGORITMO GENTICO ..................................................................................................... 23

4.
5.
ESTUDO DE CASO ................................................................................................... 45

4.1.
CONFIGURAO DO SISTEMA ................................................................................ 45
4.2.
RESULTADOS ......................................................................................................... 46
CONCLUSO............................................................................................................. 50
APNDICE 1 ...................................................................................................................... 51
ALGORITMO GENTICO.............................................................................................. 53
12
B.
A.1.
HISTRICO ............................................................................................................. 53
A.2.
COMPUTAO EVOLUTIVA .................................................................................... 53
A.3.
ALGORITMO GENTICO E SUA INSPIRAO BIOLGICA ......................................... 54
A.4.
PARMETROS GENTICOS ..................................................................................... 55
A.5.
OPERADORES GENTICOS ...................................................................................... 62
REFERNCIAS BIBLIOGRFICAS ..................................................................... 69
13
1. INTRODUO
1.1.
Motivao
A seletividade das protees eltricas de um sistema necessria para evitar o corte
desnecessrio de cargas [23]. O estudo de seletividade consiste na procura da melhor

parametrizao das protees eltricas que compem o sistema, de forma que suas curvas
de corrente/tempo no se cruzem ao longo de um determinado intervalo de valores de
corrente.
Hoje em dia, os programas utilizados no mercado para este tipo de estudo no
utilizam nenhum tipo de automao e dependem muito da experincia do usurio. Portanto,
o desenvolvimento de um programa que utilize tcnicas de inteligncia artificial para
otimizao dos resultados seria de grande importncia para o setor eltrico.
1.2.
Objetivo
O objetivo deste trabalho verificar o potencial de aplicao de Algoritmos
Genticos (AG) no problema COORDENAO DE RELS DE SOBRECORRENTE EM

SISTEMAS RADIAIS.
Neste projeto nos limitaremos a estudar a seletividade apenas para rels de
sobrecorrente, que so dispositivos de proteo largamente empregados na proteo de
sistemas eltricos industriais radiais.
14
2. SELETIVIDADE DE RELS DE SOBRECORRENTE

2.1.
Introduo
O estudo de seletividade consiste na coordenao dos tempos de operao das
protees eltricas que compem um determinado sistema, evitando que suas curvas de
corrente/tempo se cruzem ao longo de um determinado intervalo de valores de corrente.
Isto significa que a seletividade da proteo eltrica uma estratgia de proteo,
onde para um ponto n considerado, h um degrau crescente de tempo no sentido do rel
prximo desse ponto at os demais rels a jusante, ou seja t n > t n 1 > t n 2 > ... > t1 , de modo
a garantir e permitir a seletividade nos desligamentos do sistema [20].
Essa seletividade consiste de uma seqncia de desligamentos onde o rel mais
prximo do defeito atua primeiro. Se esse falhar, deve atuar o primeiro rel a montante com
um degrau de tempo, ou tempo de coordenao. Na ocorrncia de falha dessa ltima deve
atuar o prximo a montante e assim, sucessivamente [20].
2.2.
Tempo de Coordenao ( t c )
Para melhor entendermos os tempos que compem a coordenao dos rels de
sobrecorrente, utilizaremos o sistema mostrado na Figura 2.1 abaixo.

A
DA
DB
Falha
RA
RB
Figura 2.1 Sistema Eltrico com 2 barras [20]
15
Nesta figura so mostrados dois rels de sobrecorrente, onde, o rel R A responsvel

por proteger o trecho compreendido entre as barras A e B, e o rel RB protege o circuito
conectado barra B.
Segundo os conceitos discutidos anteriormente, no caso de falha no ponto indicado
na Figura 2.1, o rel responsvel pela extino do defeito deve ser o rel RB , o mais
prximo do ponto da falha, cabendo ao rel R A atuar apenas se o Disjuntor DB no abrir de
maneira correta.
Neste caso, o tempo total gasto para o rel R A atuar, caso falhe o conjunto formado
pelo rel RB e o Disjuntor DB , dever ser o somatrio dos tempos de abertura do disjuntor
DB , tempo de reset do rel R A , tempo de operao do rel RB e do tempo de segurana

definido pelo responsvel pela parametrizao dos rels de sobrecorrente.
A Figura 2.2 ilustra a composio do tempo de coordenao, segundo suas parcelas.
Incio do Defeito
Tempo de operao do rel R B
Tempo de abertura do Disjuntor
DB
Tempo de reset do rel
RA
Tempo de segurana do Ajustador
tB
t DB
t rA
ts
Tempo de operao do rel R A ( t A )

Tempo de coordenao ( t c )
Figura 2.2 Tempo de Coordenao [20]
Da Figura 2.2, temos que o tempo de coordenao o somatrio dos tempos t DB ,

t rA e t s , ou seja:
16
(2.1)
t c = t D B + t rA + t s
ou
(2.2)
tc = t A t B
Na prtica, podemos utilizar um valor de tempo de coordenao t c compreendido

entre 0,3 e 0,5 segundos [20]. Se no circuito protegido forem utilizados rels de
sobrecorrente estticos microprocessados, cujos tempos de reset so iguais a zero,
utilizamos t c
igual a 0,3 segundos. Quando utilizados rels de sobrecorrente
eletromecnico, cujo tempo de reset de 0,13 segundos, os valores do tempo de

coordenao compreendidos entre 0,4 e 0,5 segundos podem ser empregados.
De acordo com a norma IEC 60255-3 [24] o tempo de operao de um rel de
sobrecorrente dado por:
t ( s) =
(2.3)
I >
onde
t : Tempo de operao, em segundos
k : Dial de tempo, em segundos
I : Corrente de fase, em pu
I>: Pick up ajustado, em pu. Ajuste de 2 a 20 x In, onde In a corrente nominal do sistema
e : so constantes
Substituindo (2.3) em (2.2), temos que o tempo de coordenao t c dado por:
17
tc =
kA A
kB B
A
B
I
I
1
1
I >
I >
(2.4)
18
A Tabela 2.1 mostra os valores de e que definem os diferentes tipos de curva

tempo/corrente [24].
Tipo de Curva Tempo/Corrente

Normalmente Inversa
0,02 0,14
Muito Inversa
1,0 13,5
Extremamente Inversa
2,0 80,0
Longamente Inversa
1,0 120,0
Tabela 2.1 Tipos de curva com relao aos valores de e
As figuras a seguir mostram as caractersticas dos tipos de curvas apresentadas na

Tabela 2.1 segundo alguns valores de k . Estas curvas so as principais ferramentas para se
realizar a coordenao de rels de sobrecorrente.
Figura 2.3 Curva Normalmente Inversa [21]
Figura 2.4 Curva Muito Inversa [21]
19
Figura 2.5 - Curva Extremamente Inversa [21]
Figura 2.6 Curva Longamente Inversa [21]
A Figura 2.7 mostra como poderia ser feita a coordenao dos rels apresentados na
Figura 2.1 utilizando-se curvas tempo/corrente.
20
EMBEDEMBED
t(s)
Ra
Rb
i(pu)
Figura 2.7 Coordenao de Rels [20]
Na Figura 2.7, a parametrizao dos valores de k , , e I> fazem com que o

tempo de operao do Rel B ( t RB ) seja sempre menor que o tempo de operao do Rel A
( t RA ), garantindo portanto, que o Rel B sempre opere antes do Rel A, independentemente
do valor da corrente I, ou seja, garantindo a seletividade do sistema da Figura 2.1.
21
3. ALGORITMO GENTICO APLICADO SELETIVIDADE

DE RELS DE SOBRECORRENTE
3.1.
Algoritmo Gentico
O Algoritmo Gentico um algoritmo de otimizao global e baseado na teoria da
evoluo. Utiliza busca paralela e estruturada de forma aleatria, efetivada por indivduos
com alto ou baixo valor de aptido para a maximizao ou minimizao de uma funo
objeto [25].
Os conceitos relativos teoria e implementao do Algoritmo Gentico so
mostrados no Apndice A.
O fluxograma bsico do Algoritmo Gentico, mostrado na Figura 3.1, foi elaborado
com base nas seguintes referncias da literatura, [1], [17], [16], [2], [5], [19].
22
Incio
Gerao da
Populao
Decodificao
Clculo da
Aptido
Soluo
Encontrada?
Sim
Fim
No
Seleo
Reproduo
Mutao
Substituio
Figura 3.1 Diagrama de Blocos de um Algoritmo Gentico
O algoritmo gentico bsico envolve seis passos: tendo incio na gerao da

populao, avaliao da populao, teste de convergncia ou critrio de trmino para a
otimizao, seleo e aplicao dos operadores do AG, e criao de uma nova gerao.
A primeira etapa a definio de qual ser a funo para representar o problema,
esta a chave para um resultado satisfatrio do AG. Aps a definio da funo pode-se
acrescentar a parametrizao do sistema, ou seja, neste momento que as variveis so
inicializadas. Alguns exemplos de variveis que devem ser iniciadas so: tamanho da
populao; quantidade de gerao; taxa de cruzamento; taxa de mutao; tamanho do
indivduo entre outros.
O segundo passo a gerao da populao de forma aleatria com a quantidade de
indivduos e seu tamanho determinado em parmetro, com distribuio uniforme pelo
espao de busca. A terceira etapa analisar o critrio da parada do sistema, que pode ser
23
pelo nmero de geraes estabelecidas, pelo tempo de execuo ou algum outro indicador.
A seleo dos indivduos da populao um passo importante, ou seja, os indivduos
selecionados tm a maior probabilidade de participarem do processo de escolha para uma
nova gerao. O melhor material gentico tem maior chance de ser selecionado. Aps a
escolha, so aplicados os operadores de cruzamento e/ou mutao. Primeiramente, o
cruzamento, dividindo a populao em pares de cromossomos da populao atual e a cada
novo indivduo aplica-se o processo de mutao, gerando desta forma uma nova populao
em substituio a anterior. Os indivduos da nova gerao so novamente avaliados pela
funo de adaptao, comeando assim um novo ciclo a partir da quinta etapa, at a
condio de trmino ser atendida.
Finalmente, quando a condio de trmino atendida o indivduo mais apto
considerado como um forte candidato para ser a soluo que estava sendo procurada. Em
ltima anlise, a impresso do resultado final feita de acordo com a necessidade do
usurio, podendo mostrar somente o melhor indivduo da ltima gerao, ou mostrar a
ltima populao inteira, ou qualquer indivduo que se possa extrair as informaes
desejadas.
24
3.2.
Coordenao Otimizada de Rels de Sobrecorrente Utilizando
Algoritmo Gentico
Devido natureza no-linear da funo objetivo apresentada na Equao 2.4, com
seis diferentes valores para o dial de tempo ( ), quatro diferentes valores para a corrente
de pick up (I>) e quatro diferentes valores para as constantes e , h uma enorme
combinao de solues possveis para o problema, o que dificulta o uso de algoritmos de
otimizao clssicos. Por isso, optamos pela utilizao do algoritmo gentico para efetuar a
coordenao otimizada de rels de sobrecorrente.
A seguir, apresentaremos os parmetros implementados no desenvolvimento do
algoritmo gentico desenvolvido, assim como as rotinas elaboradas no MATLAB, para
compilao do Algoritmo Gentico.
Rotina Principal
a rotina responsvel por seguir o fluxograma de compilao do Algoritmo
Gentico, conforme a Figura 3.1.
Abaixo segue o algoritmo da Rotina Principal.
%__________________________________________________________________________
% Ferramenta Computacional para Otimizao do Tempo de Coordenao de Rels
%
de Sobrecorrente em Sistemas Radiais
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
%-------------------------------------------------------------------------clear
clc;
%__________________________________________________________________________
% Setup
%-------------------------------------------------------------------------npop=input('Nmero de Indivduos: ');
nger=input('Nmero de Geraes: ');
txcruz=input('Taxa de Cruzamento: ');
25
txmut=input('Taxa de Mutao: ');

tol=1;
nprogen=round(txcruz*npop);
elitsm=round(nprogen*.4);
F=[];
stpop=nger;
%__________________________________________________________________________
% Gerando a Populao Inicial
%-------------------------------------------------------------------------[pop]=inipop(npop);
%__________________________________________________________________________
% Algoritmo Gentico
%-------------------------------------------------------------------------while (tol>0.0001) && (nger>=0)
flagplot=nger/stpop;
%__________________________________________________________________________
% Decodificando os Indivduos
%-------------------------------------------------------------------------[sAB1 sI1 sK1 sAB2 sI2 sK2 sAB3 sI3 sK3] = separa(pop);
%__________________________________________________________________________
% Clculando a Funo de Aptido
%-------------------------------------------------------------------------fApt=@aptidao;
[T1 T2 T3 FA]=calculaFA(pop);
%__________________________________________________________________________
% Verifica Melhor Indivduo da Populao
%-------------------------------------------------------------------------[mApt bestIndbin]=melhor(FA,pop);
[mAB1 mI1 mK1 mAB2 mI2 mK2 mAB3 mI3 mK3] = separa(bestIndbin);
[mT1 mT2 mT3] = TOP(mAB1,mI1,mK1,mAB2,mI2,mK2,mAB3,mI3,mK3);
T1T2=mT1-mT2;
T2T3=mT2-mT3;
TT=T1T2+T2T3;
%__________________________________________________________________________
% Analisa Convergncia
%-------------------------------------------------------------------------mediaFA=sum(FA)/size(FA,2);
tol=abs(mApt-mediaFA);
%__________________________________________________________________________
% Plota Popules
26
%-------------------------------------------------------------------------if flagplot==1
figure
plot(T3,T1,'.');
elseif nger==0
figure
plot(T3,T1,'.');
elseif (tol<=0.0001)
figure
plot(T3,T1,'.');
end
%__________________________________________________________________________
% Reproduo, Substituio e Mutao
%-------------------------------------------------------------------------if (tol>0.0001) && (nger~=0)
%__________________________________________________________________________
% Selecionando para a Reproduo
%-------------------------------------------------------------------------[Rank]=fitscalingrank(FA,nprogen);
[progen]=selectiontournament(Rank,nprogen,[],4);
Gencomp=size(pop,2);
options = gaoptimset('EliteCount',elitsm);
%__________________________________________________________________________
% Reproduo
%-------------------------------------------------------------------------[Kids] = crossoverscattered(progen,[],Gencomp,fApt,options,pop);
[KT1 KT2 KT3 KFA]=calculaFA(Kids);
%__________________________________________________________________________
% Substituio 1
%-------------------------------------------------------------------------[newpop NFA]=substituir(FA,KFA,pop,Kids);
pop=newpop;
%__________________________________________________________________________
% Mutao
%--------------------------------------------------------------------------
27
[MFA]=calculaFA(pop);
[mRank]=fitscalingrank(MFA,nprogen);
[mprogen]=selectiontournament(mRank,nprogen,[],4);
[mKids]=mutationuniform(mprogen,options,Gencomp,fApt,[],MFA,pop,txmut);
mKids=round(mKids);
[mmT1 mmT2 mmT3 mmFA]=calculaFA(mKids);
%__________________________________________________________________________
% Substituio 2
%-------------------------------------------------------------------------[mnewpop MFA]=substituir(MFA,mmFA,pop,mKids);
pop=mnewpop;
nger = nger-1
else
nger = nger-1;
end
end
%__________________________________________________________________________
% Finalizando
%-------------------------------------------------------------------------[vT1 vT2 vT3]=plotar(mAB1,mI1,mK1,mAB2,mI2,mK2,mAB3,mI3,mK3,mT1,mT2,mT3);
Gerao da Populao Inicial

A gerao da populao inicial formada por valores aleatrios de diais de tempo
dos rels de sobrecorrente, corrente de pick up e tipos aleatrios de curva de
tempo/corrente.
Abaixo segue o algoritmo desenvolvido para gerao da populao inicial.
%__________________________________________________________________________
%
Incializao da Populao
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
28
%
Janeiro/2008
%-------------------------------------------------------------------------function [pop]=inipop(npop)
pop=round(rand(npop, 21));
Codificao
Utilizaremos a codificao binria, principalmente pela fcil implementao
computacional. O conjunto formado pelos rels 1, 2 e 3 ser tratado com um indivduo,
onde cada indivduo possuir nove cromossomos: trs com dois genes, representando o tipo
de curva de tempo/corrente do rel, trs com dois genes, representando o valor pick up de
corrente do rel e por fim, trs com trs genes, representando o dial de tempo do rel. A
Figura 3.2 abaixo ilustra a composio dos indivduos.
A codificao do pick up de corrente foi feita a partir de uma sobrecarga de 20%
(vinte por cento) sobre o valor da corrente nominal do alimentador, e com um degrau de 0,5
pu para os Rels 1 e 2 e com um degrau de 0,05 pu para o Rel 3.
Rel 1
Rel 2
Rel 3
Figura 3.2 Representao dos Indivduos segundo seus cromossomos
Nas Tabelas 3.1, 3.2 e 3.3 abaixo, seguem as codificaes das variveis
apresentadas acima.
Tipo de Curva Tempo/Corrente
Normalmente Inversa
Muito Inversa
Extremamente Inversa
Longamente Inversa
Tabela 3.1 Codificao do Tipo de Curva Tempo/Corrente [24]
29
30
Corrente de Pick up
I (pu)
Rel 1 Rel 2 Rel 3
1,20
0,60
0,120
1,25
0,65
0,125
1,30
0,70
0,130
1,35
0,75
0,135
Tabela 3.2 Codificao da Corrente de pick up [24]
Dial de tempo (s)
0,05
0 0 0
0,1
0 0 1
0,2
0 1 0
0,4
0 1 1
0,8
1 0 0
1,6
1 0 1
Tabela 3.3 Codificao do Dial de tempo [21]
No cromossomo foi implementado o mtodo de ajustes mnimos, que no permite

que indivduos gerados com genes 110 e 111, que no esto codificados segundo a tabela
3.3, se percam. Neste mtodo, a decodificao para estes genes feita de forma que seus
valores podem assumir, aleatoriamente, valores pr-determinados de apresentados na
Tabela 3.3.
Abaixo segue o algoritmo desenvolvido para decodificao dos indivduos.
%__________________________________________________________________________
%
Decodificao dos Indivduos
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
%-------------------------------------------------------------------------function [sAB1 sI1 sK1 sAB2 sI2 sK2 sAB3 sI3 sK3]=separa(pop)
31
%______________________________________________
%Rel 1
%______________________________________________
% Alpha e Beta
AB1=pop(:,[1 2]);
% Corrente de Fase
I1=pop(:,[3 4]);
% Dial de Tempo
K1=pop(:,[5 6 7]);
%______________________________________________
%Rel 2
%______________________________________________
% Alpha e Beta
AB2=pop(:,[8 9]);
% Corrente de Fase
I2=pop(:,[10 11]);
% Dial de Tempo
K2=pop(:,[12 13 14]);
%______________________________________________
%Rel 3
%______________________________________________
% Alpha e Beta
AB3=pop(:,[15 16]);
% Corrente de Fase
I3=pop(:,[17 18]);
% Dial de Tempo
K3=pop(:,[19 20 21]);
%______________________________________________
% Leitura
%______________________________________________
32
% Alpha e Beta
k=size(pop,1);
for i=1:1:k
if isequal(AB1(i,:),[0 0])
sAB1(i,:)=[0.02 0.14];
elseif isequal(AB1(i,:),[0 1])
sAB1(i,:)=[1 13.5];
sAB1(i,:)=[2 80];
sAB1(i,:)=[1 120];
end
sAB2(i,:)=[0.02 0.14];
sAB2(i,:)=[1 13.5];
sAB2(i,:)=[2 80];
sAB2(i,:)=[1 120];
end
sAB3(i,:)=[0.02 0.14];
sAB3(i,:)=[1 13.5];
sAB3(i,:)=[2 80];
33
sAB3(i,:)=[1 120];
end
% Corrente de Fase
if isequal(I1(i,:),[0 0])
sI1(i,:)=1.2;
elseif isequal(I1(i,:),[0 1])
sI1(i,:)=1.25;
sI1(i,:)=1.3;
sI1(i,:)=1.35;
end
sI2(i,:)=.6;
sI2(i,:)=.65;
sI2(i,:)=.7;
sI2(i,:)=.75;
end
sI3(i,:)=.12;
sI3(i,:)=.125;
sI3(i,:)=.13;
34

sI3(i,:)=.135;
end
% Dial de tempo
if isequal(K1(i,:),[0 0 0])
sK1(i,:)=0.05;
elseif isequal(K1(i,:),[0 0 1])
sK1(i,:)=0.1;
sK1(i,:)=0.2;
sK1(i,:)=0.4;
sK1(i,:)=0.8;
sK1(i,:)=1.6;
n1=round(rand(1));
n2=round(rand(1));
n=n1+n2;
if n==1
sK1(i,:)=0.2;
else
sK1(i,:)=0.8;
end
n1=round(rand(1));
n2=round(rand(1));
n=n1+n2;
if n==1
35
sK1(i,:)=0.4;
else
sK1(i,:)=1.6;
end
end
sK2(i,:)=0.05;
sK2(i,:)=0.1;
sK2(i,:)=0.2;
sK2(i,:)=0.4;
sK2(i,:)=0.8;
sK2(i,:)=1.6;
n1=round(rand(1));
n2=round(rand(1));
n=n1+n2;
if n==1
sK2(i,:)=0.2;
else
sK2(i,:)=0.8;
end
n1=round(rand(1));
n2=round(rand(1));
n=n1+n2;
36
if n==1
sK2(i,:)=0.4;
else
sK2(i,:)=1.6;
end
end
sK3(i,:)=0.05;
sK3(i,:)=0.1;
sK3(i,:)=0.2;
sK3(i,:)=0.4;
sK3(i,:)=0.8;
sK3(i,:)=1.6;
n1=round(rand(1));
n2=round(rand(1));
n=n1+n2;
if n==1
sK3(i,:)=0.2;
else
sK3(i,:)=0.8;
end
n1=round(rand(1));
n2=round(rand(1));
n=n1+n2;
37
if n==1
sK3(i,:)=0.4;
else
sK3(i,:)=1.6;
end
end
end
Restries
As restries implementadas so:
Tempo mnimo de coordenao entre dois rels consecutivos ( t c
Tempo mximo de coordenao entre dois rels consecutivos ( t c
Tempo mnimo de operao dos rels;
Tempo mximo de operao dos rels.
min
mx
) [21];
) [20];
As Tabelas 3.4 e 3.5 mostram os valores atribudos a cada uma das restries
utilizadas.
tc
tc
min
200 ms
mx
250 ms
Tabela 3.4
tc
Tempo de Operao
T1
T2
T3
min
tc
mx
Mnimo
700ms
500ms
300 ms
Tabela 3.5 T1, T2 e T3
38
Mximo
1600 ms
1200 ms
800 ms
Os indivduos que no atenderem estas restries recebero uma penalizao no

clculo da funo de aptido, fazendo com que este indivduo dificilmente seja escolhido
para a reproduo.
Abaixo segue o algoritmo implementado para o clculo das penalizaes referentes
s restries.
%__________________________________________________________________________
%
Clculo da Matriz de Restries
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
%-------------------------------------------------------------------------function [R]=restricoes(T1,T2,T3)
Ar=[1 -1 0;0 1 -1;1 0 0;0 1 0;0 0 1];
br=[0.2;0.25;0.2;0.25;0.7;1.6;0.5;1.2;0.3;0.8];
k=size(T1,2);
for i=1:1:k
x=[T1(:,i);T2(:,i);T3(:,i)];
b=Ar*x;
if (b(1)<br(1))
R(i)=1000;
elseif b(1)>br(2)
R(i)=1000;
else
R(i)=0;
end
if b(2)<br(3)
R(i)=R(i)+1000;
elseif b(2)>br(4)
R(i)=R(i)+1000;
39
else
R(i)=R(i)+0;
end
if b(3)<br(5)
R(i)=R(i)+600;
elseif b(3)>br(6)
R(i)=R(i)+600;
else
R(i)=R(i)+0;
end
if b(4)<br(7)
R(i)=R(i)+400;
elseif b(4)>br(8)
R(i)=R(i)+400;
else
R(i)=R(i)+0;
end
if b(5)<br(9)
R(i)=R(i)+200;
elseif b(5)>br(10)
R(i)=R(i)+200;
else
R(i)=R(i)+0;
end
end
Funo de Aptido
A Figura 3.3 mostra como feita a seletividade dos rels de sobrecorrente que
compem o sistema apresentado na Figura 3.1.
40
t0
t2
t3
t1
t 0 : Incio da falha
t1 : Tempo de operao do rel 1

t 2 : Tempo de operao do rel 2
t 3 : Tempo de operao do rel 3
Figura 3.3 Seletividade dos rels de sobrecorrente que compem o sistema
Para cada indivduo da populao calculado um valor para funo de aptido, e

este valor o que determinar as suas chances da permanncia nas futuras geraes.
Neste trabalho procuraremos minimizar o tempo de coordenao entre os Rels 1 e
3, sem que isto afete a seletividade do sistema. Logo, a funo de aptido dada por:
f apt =
1
+R
t1 t 3 + C min
(4.1)
Substituindo a Equao 2.4 na Equao 4.1, temos que:
f apt =
k3 3
k1 1
+ C min
3
I1 1
I3
1
1

I3 >
I1 >
+R
onde
f apt : Funo de Aptido
41
(4.2)
k: Dial de tempo do rel em segundos

I: Corrente de fase
I>: Pick up ajustado
e : so constantesEMBEDEMBED
Cmin : Constante de Continuidade
R : Penalidade aplicada pelas restries
Abaixo segue o algoritmo implementado para o clculo da funo de aptido.
%__________________________________________________________________________
%
Clculo da Funo de Aptido
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
%-------------------------------------------------------------------------function [FA]=aptidao(T1,T2,T3,R)
k=size(T3,2);
T1T2=T1-T2;
T2T3=T2-T3;
T=T1T2+T2T3;
for i=1:1:k
FA(i)=(1/(T(i)+1))+R(i);
end
Seleo para Reproduo

Para selecionar os indivduos que participaro da reproduo, utilizamos um mtodo
chamado Torneio, descrito no Apndice 1. Essencialmente, este mtodo consiste em
comparar uma quantidade pr-estabelecida de indivduos da populao, selecionando para
reproduo o mais apto deles.
42
Abaixo segue o algoritmo desenvolvido para efetuarmos a seleo.

%__________________________________________________________________________
%
Funo de Seleo de Reproduo
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
%-------------------------------------------------------------------------function parents = selectiontournament(expectation,nParents,options,tournamentSize)
if(nargin < 4)
tournamentSize = 4;
end
players = ceil(length(expectation) * rand(nParents,tournamentSize));
scores = expectation(players);
[unused,m] = max(scores');
parents = zeros(1,nParents);
for i = 1:nParents
parents(i) = players(i,m(i));
end
Reproduo
Para efetuarmos a reproduo, utilizamos o mtodo de reproduo uniforme. Outro
critrio utilizado foi o Elitismo, que consiste em selecionar automaticamente para a
prxima populao os n indivduos mais aptos da populao, onde n um nmero inteiro e
pr-determinado.
Abaixo segue o algoritmo desenvolvido para efetuarmos a reproduo
%__________________________________________________________________________
%
Funo de Reproduo
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
Gilvan Rodrigues de Oiveira Junior
%
Janeiro/2008
%--------------------------------------------------------------------------
43
function xoverKids = crossoverscattered(parents,options,GenomeLength,...

FitnessFcn,unused,thisPopulation)
nKids = length(parents)/2;
constr = false;
if isfield(options,'LinearConstr')
alpha = rand;
linCon = options.LinearConstr;
A = linCon.A;
LB = linCon.L;
UB = linCon.U;
IndEqcstr = linCon.IndEqcstr;
TolBind = sqrt(options.TolCon);
constr = ~isempty(A);
end
xoverKids = zeros(nKids,GenomeLength);
index = 1;
for i=1:nKids
r1 = parents(index);
index = index + 1;
r2 = parents(index);
index = index + 1;
for j = 1:GenomeLength
if(rand > 0.5)
xoverKids(i,j) = thisPopulation(r1,j);
else
xoverKids(i,j) = thisPopulation(r2,j);
end
end
if constr
feasible = isfeasible(xoverKids(i,:)',A,LB,UB,TolBind,IndEqcstr);
if ~feasible
xoverKids(i,:) = alpha*thisPopulation(r1,:) + ...
(1-alpha)*thisPopulation(r2,:);
end
end
end
Mutao
No algoritmo implementamos a mutao por troca de bit, citada no Apndice A
deste trabalho como um dos diferentes tipos de mutao utilizados. Neste tipo de mutao,
escolhe-se aleatoriamente uma posio de um descendente e nesta posio fazemos a troca
do valor do bit. As Figuras 3.4 e 3.5 mostram, para uma melhor visualizao, a
44
representao de um cromossomo de 8 bits, onde se utiliza cdigo binrio e introduz-se a

mutao no terceiro gene.
Ponto de Mutao
1 1 0 0 1 1 0 0
Descendente
Figura 3.4 Cromossomo de um dos Descendentes
1 1 1 0 1 1 0 0
Descendente
Figura 3.5 Cromossomo Aps Mutao
Abaixo segue o algoritmo desenvolvido para efetuar a reproduo.

%__________________________________________________________________________
%
Funo de Mutao
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
8
%-------------------------------------------------------------------------function mutationChildren =
mutationuniform(parents,options,GenomeLength,FitnessFcn,state,thisScore,thisPopulation,mutationRate)
if(nargin < 8)
mutationRate = 0.01;
end
if(strcmpi(options.PopulationType,'doubleVector'))
mutationChildren = zeros(length(parents),GenomeLength);
for i=1:length(parents)
child = thisPopulation(parents(i),:);
mutationPoints = find(rand(1,length(child)) < mutationRate);
range = options.PopInitRange;
[r,c] = size(range);
if(c ~= 1)
range = range(:,mutationPoints);
45
end
lower = range(1,:);
upper = range(2,:);
span = upper - lower;
child(mutationPoints) = lower + rand(1,length(mutationPoints)) .* span;
mutationChildren(i,:) = child;
end
elseif(strcmpi(options.PopulationType,'bitString'))
mutationChildren = zeros(length(parents),GenomeLength);
for i=1:length(parents)
child = thisPopulation(parents(i),:);
mutationPoints = find(rand(1,length(child)) < mutationRate);
child(mutationPoints) = ~child(mutationPoints);
mutationChildren(i,:) = child;
end
end
Substituio
Aps os processos de reproduo e mutao, so geradas sub-populaes com
novos indivduos. necessrio que seja feita a substituio dos indivduos menos aptos da
populao pelos indivduos mais aptos das sub-populaes geradas aps a gerao e a
mutao, formando assim a nova populao.
Abaixo segue o algoritmo desenvolvido para efetuarmos a reproduo
%__________________________________________________________________________
%
Funo de Substituio
%-------------------------------------------------------------------------%__________________________________________________________________________
% Desenvolvido por:
%
%
Janeiro/2008
%-------------------------------------------------------------------------function [newpop NFA]=substituir(FA,KFA,pop,Kids)
[oFA,IXFA] = sort(FA);
[oKFA,IXKFA] = sort(KFA);
p=size(pop,2);
noFA=size(oFA,2);
noKFA=size(oKFA,2);
46
k=1;
l=noFA;
for i=1:1:noFA
if k<=noKFA
if oKFA(1,i)<oFA(1,l)
for j=1:1:p
newpop(i,j)=Kids(IXKFA(k),j);
NFA(i)=KFA(IXKFA(k));
end
else
for j=1:1:p
newpop(i,j)=pop(IXFA(l),j);
NFA(i)=FA(IXFA(l));
end
end
else
for j=1:1:p
newpop(i,j)=pop(IXFA(l),j);
NFA(i)=FA(IXFA(l));
end
end
k=k+1;
l=l-1;
end
Critrio de Parada
O algoritmo ser executado at o nmero mximo de n geraes, onde n um
nmero inteiro pr-determinado, ou at que o valor da diferena entre o valor da funo de
aptido encontrado do melhor indivduo e o valor da mdia das funes aptido da
populao seja menor que a tolerncia de 0,0001.
47
48
4. ESTUDO DE CASO
4.1.
Configurao do Sistema
Dado o sistema radial apresentado na Figura 4.1, so mostrados os valores de
corrente, em pu, atravs dos alimentadores e um defeito fase-terra em um alimentador da

Barra 3.
~
Barra 1
Rel 1
50/51
D1
5,9 pu
0,5 pu
Rel 2
5,4 pu
50/51
Barra 2
Barra 3
D2
D3
0,1 pu
0,1 pu
0,1 pu
0,1 pu
0,1 pu
0,1 pu
0,1 pu
0,1 pu
0,1 pu
5 pu
50/51
Rel 3
Falha
Figura 4.1 Sistema Radial Proposto para Estudo
Devemos garantir a seletividade do sistema, ou seja, devemos garantir que o

primeiro rel a operar seja o Rel 3. Mas caso o disjuntor D3 no opere, o Rel 2 deve
operar e abrir o disjuntor D2 , ainda sim, se o disjuntor D2 no operar, como ltimo recurso,
o Rel 1 deve operar e fazer com que o disjuntor D1 abra, extinguindo assim o defeito.
Analisando-se a Figura 4.1, podemos perceber mais claramente a importncia de
garantir a seletividade da proteo, pois quanto mais a montante estiver o disjuntor que
49
abriu, mas cargas sero cortadas, por conseqncia, maior prejuzo para as distribuidoras e
consumidores.
Neste estudo de caso procuraremos minimizar o tempo de coordenao entre os
Rels 1 e 3. Para efetuarmos a coordenao otimizada da proteo foi utilizada a ferramenta
computacional apresentada no captulo anterior.
4.2.
Resultados
Uma das caractersticas do Algoritmo Gentico a necessidade da busca da melhor
parametrizao dos operadores genticos. Aps a concluso da ferramenta computacional,

foram testadas vrias configuraes para estes operadores, sendo que a configurao que
obteve o melhor desempenho apresentada na Tabela 4.1.
Operadores Genticos
Tamanho da Populao (N de Indivduos) 1500
N de Geraes 100
Taxa de cruzamento 80%
Taxa de Mutao 2%
Tabela 4.1 Operadores Genticos utilizados
Cabe destacar o tamanho da populao, que devido a grande quantidade de

indivduos, proporcionou a diversidade necessria para a obteno da melhor soluo para
o problema. A discretizao adotada para as variveis do problema fez com que os
indivduos ficassem, apesar de distribudos, localizados dentro de seis faixas, que
correspondem aos seis diferentes dials de tempos utilizados, fazendo com que o espao
amostral no fosse preenchido uniformemente. Na Figura 4.2, apresentada a populao
inicial para o caso onde se obteve o menor valor para o tempo de coordenao entre os
Rels 1 e 3.
O valor utilizado para o nmero de geraes foi suficiente para garantir a
convergncia do algoritmo, enquanto que os valores utilizados para a taxa de cruzamento e
mutao foram parametrizados de forma garantir a convergncia para o ponto que
apresentava menor tempo de coordenao entre os Rels 1 e 3.
50
Figura 4.2 Populao Inicial
Aps 42 (quarenta e duas) iteraes o problema convergiu para uma soluo,

mostrada na Figura 4.3, a qual apresenta o valor da funo de aptido do indivduo mais
apto, assim como a mdia do valor da funo de aptido da populao.
Mdia
0,6924
Convergncia
Indivduo mais Apto
0,69239
Tabela 4.2 Valores da Funo de Aptido
51
Figura 4.3 Populao Final
Na Tabela 4.3, mostrado o indivduo que apresentou a melhor aptido ao meio, ou

seja, foi o que apresentou, respeitando as restries impostas populao, o menor tempo
de coordenao entre os Rels 1 e 3.
1
Indivduo
1
Binrio
Decodificado 2
I1
1
0
1
1
80 1,25
0,20
2
0
I2
80
2
0
0,70
0,40
I3
3
1
3
1
120 0,125
0,10
Tabela 4.3 Melhor Indivduo
Aps a obteno do melhor indivduo, foram calculados os tempos de operao e

coordenao para os rels 1, 2 e 3, apresentados nas Tabela 4.4 e 4.5.
52
Tempo de Operao (ms)

751,9
T1
546,9
T2
307,7
T3
Tabela 4.4 Tempos de operao
Tempo de Coordenao (ms)

205,0
T1 - T2
239,2
T2 - T3
444,2
T1 - T3
Tabela 4.5 Tempos de coordenao
Para finalizar, com base nos parmetros fornecidos pelo melhor indivduo, foram
traadas as curvas corrente/tempo dos Rels 1, 2 e 3, apresentadas na Figura 4.4.
53
MERGEFORMAT
Figura 4.4 Curva i x t
5. CONCLUSO
O Algoritmo Gentico uma tcnica de otimizao global, baseado na teoria da

evoluo, largamente utilizado para problemas de otimizao no-lineares. Na coordenao
de rels de sobrecorrente, pela quantidade de variveis envolvidas, no utilizamos mtodos
de otimizao clssicos.
Neste trabalho conseguimos comprovar que o Algoritmo Gentico apresenta
potencial para a otimizao do tempo de coordenao entre rels de sobrecorrente, sendo
assim uma boa opo para estudos nesta rea.
Os resultados encontrados esto dentro dos padres esperados. O indivduo
encontrado como melhor soluo atendeu a todas as restries impostas pelo meio e a
minimizao do tempo de coordenao entre os Rels 1 e 3 foi alcanada.
Em trabalhos futuros, seria interessante a aplicao de uma melhor discretizao
das variveis que compem os indivduos. Isto traria uma diversidade maior populao
inicial, o que provavelmente trar uma soluo mais otimizada ao problema.
54
APNDICE 1
55
Este Apndice foi criado baseado no Relatrio Tcnico Marco 7 [25],

desenvolvido em conjunto pela UFRJ e UFJF, apresentado Endesa Gerao Brasil como
parte do projeto de P&D Sistemas Inteligentes Aplicados Confiabilidade e Seletividade
de Plantas Termeltricas.
56
ALGORITMO GENTICO
A.1.
Histrico
Em meados da dcada de 70, John H. Holland props a tcnica de algoritmo
gentico (AG), inspirada nas teorias darwinianas. Este estudo foi responsvel pela
publicao Adaptation in Natural and Artificial Systems [1], [2].
O AG baseado na teoria da evoluo. Utiliza busca paralela e estruturada de forma
aleatria, efetivada por indivduos com alto ou baixo valor de aptido para a maximizao
ou minimizao de uma funo objeto. O AG utilizado basicamente para resolver
problemas em pesquisas numricas, otimizao de funes e aprendizagem de mquinas,
dentre outras reas [3]. A aplicao do AG destacada em sistemas classificadores de
dados que ocorrem geralmente na ordenao destes dados para um propsito, por exemplo,
para uma simples recuperao ou para efetuar uma anlise de dados [4]. Whitley [5] cita
que o AG freqentemente descrito como um mtodo de busca global, no utilizando
gradiente de informao e podendo ser combinado com outros mtodos para refinamento de
buscas quando h aproximao de um mximo ou mnimo local.
Atualmente o AG muito empregado na resoluo de problemas de bioinformtica,
como exemplo, a descoberta da estrutura de RNA [6], para a predio de non-coding
RNA (ncRNA) [7], para a construo de mapas de DNA [8] e para a descoberta de regies
regulatrias [9], [10].
A.2.
Computao Evolutiva
A computao evolucionria se inspira na teoria evolutiva para o desenvolvimento
de mtodos computacionais. Na computao evolucionria o algoritmo mais conhecido o

algoritmo gentico [11], [12]. O algoritmo gentico uma subdiviso do algoritmo
evolucionrio, onde tambm se encontra a programao evolucionria (PE) e a estratgia
evolucionria (EE). Todos partilham de uma base conceitual comum, que consiste na
simulao da evoluo de estruturas individuais, via processo de seleo e os operadores de
busca, referidos como operadores genticos (OG), tais como mutao e crossover
57
(cruzamento ou recombinao). Todo o processo depende do grau de adaptao, ou seja, do

fitness (aptido), do indivduo frente ao ambiente. A seleo, inspirada na seleo natural
das espcies preconiza que os indivduos mais aptos ou com melhor grau de adaptao ao
meio tero maiores chances de repassar o seu material gentico para as prximas geraes.
Assim, quanto maior a aptido do indivduo, maiores so as chances do material gentico
deste estar presente na prxima gerao.
A.3.
Algoritmo Gentico e sua Inspirao Biolgica

A primeira teoria sobre evoluo das espcies foi proposta em 1809, pelo naturalista
francs Jean Baptiste Pierre Antoine de Monet, conhecido como Lamarck. Para Lamarck as
caractersticas que um animal adquire durante sua vida podem ser transmitidas
hereditariamente. Este estudo ficou conhecido pela cincia como a lei do uso e desuso
[13]. Charles Darwin vem debater a teoria de Lamarck, de forma agressiva tentando de
forma cientfica explicar como as espcies evoluem. A seleo natural um processo de
evoluo, geralmente aceito pela comunidade cientfica como a melhor explicao para a
adaptao. O meio ambiente seleciona os seres mais aptos, em geral, s estes conseguem
reproduzir-se e os menos adaptados so eliminados ou pelo menos reduzidos em um
primeiro momento a uma minoria. Assim, s as diferenas que facilitam a sobrevivncia
so transmitidas gerao seguinte [14].
A seleo natural depende muito das condies ambientais, podendo selecionar
caractersticas de um determinado organismo ajudando na reproduo e sobrevivncia
deste, os organismos que no possuem tal caracterstica podem vir a morrer antes que se
reproduzam ou serem menos prolficos que os organismos que apresentam a caracterstica.
medida que as condies ambientais no variem essas caractersticas continuam sendo
adaptativas tornando-se comum na populao. Certas caractersticas so preservadas devido
vantagem seletiva que conferem, permitindo que o indivduo reproduza-se,
conseqentemente, deixando mais descendentes atravs de diversas interaes os
organismos podem vir a desenvolver caractersticas adaptativas muito complexas [15], [14].
A teoria da seleo natural no aplicada somente a organismos biolgicos,
podendo ser aplicada a qualquer organismo que se reproduz de modo a envolver tanto a
58
hereditariedade como a variao [16]. Assim, pode ocorrer seleo natural no reino no
biolgico.
Alguns pesquisadores buscaram na natureza a inspirao necessria para pesquisar e
desenvolver novas tcnicas de busca de solues para determinados problemas. Na natureza
o processo de seleo natural demonstra que seres mais preparados (aptos) compete com os
recursos naturais impostos, tendo assim uma maior probabilidade de sobreviver,
conseqentemente, disseminar o seu cdigo gentico [2]. Com o passar das geraes,
atravs de sucessivos cruzamentos e mutaes que ocorrem com as espcies, estes tendem a
estar cada vez mais adaptados ao meio ambiente em que vivem.
O AG trabalha com uma populao no qual cada indivduo um candidato a
soluo do problema. A funo de otimizao representa o ambiente no qual a populao
inicial encontra-se. Emprega-se no AG a mesma terminologia e os mesmos princpios da
teoria evolutiva e da gentica [1].
O AG relacionado com a seleo natural pode ser expressado como [13].
1 SE h organismo que se reproduzem;
2 SE os descendentes herdam as caractersticas de seus genitores;
3 SE h variao nas caractersticas;
4 SE o ambiente no suporta todos os indivduos de uma populao em
crescimento;
5
ENTO
os
indivduos
que apresentarem
menor
adaptao
(determinadas pelo ambiente) morrero;

6 ENTO os indivduos que apresentarem maior grau de adaptao
(determinadas pelo ambiente) prosperaro.
Como resultado desse processo tem-se a evoluo das espcies.
59
A.4.
Parmetros Genticos
Alguns parmetros influenciam diretamente no desempenho e at mesmo na
convergncia do AG. O grau de influncia pode variar para mais ou para menos,
dependendo da aplicao dos mesmos.
Dentre os diversos tipos de parmetros, tem-se:
Tamanho da populao;
Codificao;
Funo de Aptido
Taxa de cruzamento;
Taxa de Mutao;
Substituio;
Convergncia;
Elitismo.
A seguir descritas as principais caractersticas de cada parmetro para uma melhor

compreenso do algoritmo.
a) Tamanho da Populao
O tamanho da populao influi diretamente no desempenho e eficincia do AG.

Quando a populao muito pequena, o algoritmo no abrange um espao de busca
satisfatrio e como conseqncia pode resultar em convergncia prematura. Para populao
muito grande, o espao de busca fica muito bem representado no domnio do problema,
mas em compensao o algoritmo consome um elevado tempo computacional. Portanto, o
ajuste deste parmetro realizado por um operador com bastante experincia para que o
algoritmo tenha um funcionamento adequado.
60
b) Taxa de Cruzamento
Este parmetro indica quantos indivduos da populao iro reproduzir. Com uma
taxa de cruzamento muito baixa, o algoritmo se torna direto, pois existir pouca diversidade
da populao a cada gerao. Para uma taxa de cruzamento alta, a populao poder ter
uma perda no seu material gentico, j que quase toda a populao ser substituda pelos
seus descendentes.
c) Convergncia
A convergncia um parmetro que indica quando o algoritmo chegou a uma

soluo prxima do timo global. Basicamente, existem trs tipos de critrio de
convergncia. O primeiro designado pelo nmero mximo de geraes. Neste caso, o
algoritmo vai evoluir at um determinado nmero fixo de geraes, independentemente de
ter ou no chegado a uma soluo satisfatria. No segundo critrio, so calculados, a cada
gerao, a mdia e o maior valor da funo aptido na populao e se a diferena entre eles
for menor que uma determinada tolerncia, cujo valor dever ser prximo de zero, o
algoritmo convergiu, chegando assim em uma soluo satisfatria. Por ltimo,
determinado em tempo fixo de parada, independente da evoluo do algoritmo.
d) Elitismo
O elitismo foi introduzido por Kenneth de Jong (1975), para contribuir em uma
convergncia satisfatria do algoritmo. Este mtodo faz com que a melhor soluo de uma
determinada gerao no seja perdida pela no seleo reproduo.
A cada gerao, alguns dos melhores indivduos passam a fazer parte
automaticamente para as prximas geraes, at que encontrem outros indivduos melhores.
e) Funo de Aptido
Os valores de aptido de cada indivduo so calculados basicamente pela funo

objetivo. Quando se deseja maximizar, a funo de aptido se confunde com a funo
objetivo e quando se deseja minimizar a funo aptido deve ser invertida na forma
mostrada pela Equao (1) ou sofrer um redimensionamento em relao a um dado valor
61
C mx mostrado pela Equao (2). Entretanto o processo de inverso pode causar um

problema que o da descontinuidade. Para resolv-lo, deve ser somado funo objetivo
um incremento menor que o passo da populao para que este incremento no interfira no
resultado. No redimensionamento, o valor de C mx pode ser constante ou varivel ao longo
das geraes, e deve ser escolhido de forma a manter a funo objetivo sempre com valores
positivos.
De uma maneira mais clara, tem-se a funo de aptido apresentada na Equao (1)
com seus limites na Equao (2):
f apt ( x) =
1
f 0 ( x) + C min
(1)
onde:
f apt
- Funo de aptido;
f0
- Funo objetivo;
C min
- Constante que evita a descontinuidade.
f apt ( x) = C mx f 0 ( x)
f apt ( x) = 0
se f 0 ( x) < C mx
se f 0 ( x) C mx
(2)
onde:
C mx
- Varivel de redimensionamento.
A construo da funo objetivo depende diretamente do tipo de problema a ser

trabalhado, sendo que para cada problema tem-se que construir uma funo objetivo
diferente. Esta funo constituda de parmetro que se deseja maximizar ou minimizar.
Entretanto, o AG por ser um mtodo probabilstico, no aceita que a funo de aptido
tenha valores negativos. Para se resolver este problema, deve ser somada funo de
62
aptido uma constante tal que seus valores sejam sempre positivos, conforme indicado na
Equao (3).
f apt ( x) = f 0 ( x) + f min
(3)
onde:
f min
- Constante que torna positivo os valores da funo aptido.
Para a maioria dos problemas, existe ainda a insero de restries na funo de

aptido. Este processo se faz adicionando-se funo objetivo um fator de penalidade,
multiplicado por uma funo penalidade, na qual so incorporadas as restries do
problema. Todas as vezes que algum parmetro for violado, a funo de penalidade atua
tornado invivel o indivduo responsvel pela violao.
Uma demonstrao deste mtodo pode ser visto pela Equao (4):
f 0atual ( x) = f 0antiga ( x) + r Q ( x)
(4)
f 0antiga - Funo objetivo real;

f 0atual - Funo objetivo falsa;
r
- Fator de Penalidade;
- Funo de Penalidade
f) Codificao
Os AGs trabalham com os indivduos codificados em uma estrutura cromossmica

ou cadeia de caracteres, sendo esta uma de suas caractersticas. Cada cromossomo
representa uma varivel na formao do indivduo. A codificao necessria para a
aplicao dos operadores genticos e existem diversos tipos de codificao, cuja escolha
depende do tipo de problema a ser utilizado.
63
Dentre os mais utilizados, tem-se:
Cdigo decimal (base 10);
Cdigo binrio (base 2);
Cdigo octal (base 8);
Cdigo hexadecimal (base 16);
Cdigo gray.
Nos sistemas de bases convencionais (decimal, binrio, octal, hexadecimal, etc),

cada dgito compreendido entre 0 e (N-1). Onde N a base de cada cdigo. Qualquer
nmero de cada sistema pode ser expresso em potncia de base deste nmero.
A seguir tem-se uma pequena descrio de cada tipo para um melhor entendimento de cada
sistema.
Cdigo decimal
Normalmente este tipo de codificao usado para problemas de ordenao. Este

cdigo o mais utilizado no sistema de ensino, representado pelo sistema real de
numerao.
Cdigo binrio
Este um dos tipos mais utilizados pela sua simplicidade de tratamento. Neste caso
cada cromossomo representado por uma cadeia de genes ou bits que podem ter valores
0 ou 1. Este um processo importante j que a reproduo e a mutao trabalham com
o parmetro codificado.
O tamanho do cromossomo depende diretamente dos limites e da discretizao de
cada varivel, conforme exemplo abaixo.
Parmetros da varivel.
64
l inf
-0
Limite inferior
l sup
- 30
Limite Superior
pva
-1
Passo da varivel
n discreto =
l sup l inf
pva
+ 1 = 31
(2.5)
onde ndiscreto o espao do domnio que a varivel pode assumir.
l cromossomo
l sup linf
log
+ 1
pva
= 5
= 1 + int
log(2 )
(2.6)
onde lcromossomo o nmero de bits que cada varivel representa e int o operador
pra nmeros inteiros.
Pode-se observar tambm que a varivel com 5 bits pode assumir um valor mximo
5
2 = 32 e a varivel no exemplo possui limite superior igual a 30. Para resolver este
problema, tem-se que fazer uma mudana de escala para se enquadrar dentro dos limites de
cada varivel e em seguida aplicar os operadores genticos.
Cdigo Octal
Este sistema o menos usado por no ser to trivial como o binrio, mas tem sua
importncia em problemas especficos os quais podem facilitar em muito a aplicao dos
operadores genticos. Para determinados problemas, esse tipo de cdigo pode melhorar em
muito a convergncia do algoritmo em relao aos outros cdigos.
Cdigo Hexadecimal
Assim como no sistema octal este sistema menos usado por no ser to trivial, mas
possui sua importncia para determinadas aplicaes.
65
Cdigo Gray
Este cdigo surgiu para resolver um determinado problema que apareceu no cdigo
binrio. O problema que no cdigo binrio uma distncia muito grande entre duas
variveis decimais vizinhas, ou seja, uma varivel de valor 7 em binrio representada por
0111 e uma varivel 8 representada por 1000 tem diversos bits diferentes um do outro,
mesmo sendo nmeros vizinhos. Esta situao pode provocar, em determinadas problemas
de otimizao, fatos indesejados. Ento este tipo de cdigo surgiu como uma adaptao ao
cdigo binrio, mas de forma a aproximar esta distncia.
A transformao do cdigo gray para decimal, comea com o nmero zero e um do
decimal que so iguais aos do cdigo gray. Para encontrar o nmero 2 e 3 refletem-se os
nmeros 0 e 1, no cdigo gray, conforme a Figura A.1, sendo que os nmeros refletidos so
antecedidos pelo nmero 1.
Gray
00
01
11
10
Decimal
0
1
2
3
Para encontrar os nmeros 4, 5, 6 e 7, basta repetir o processo descrito acima com

os nmeros 0, 1, 2 e 3 no cdigo gray, conforme ilustrado na Figura A.2.
Gray
000
001
011
010
110
111
101
100
Decimal
0
1
2
3
4
5
6
7
O processo repetido para a formao dos demais nmeros. Assim, tem-se a

transformao do cdigo gray para decimal e vice-versa.
66
A.5.
Operadores Genticos
Os operadores genticos so responsveis pelo processo e otimizao, que
compreende a seleo e diversificao da espcie durante vrias geraes (ou seja, pelo
processo de otimizao). Eles fazem com que indivduos mais aptos tenham uma maior
probabilidade de cruzamento e desta forma conservem suas melhores caractersticas de
adaptao para seus descendentes. Em conseqncia, indivduos com baixa adaptabilidade
se perdem durante as geraes. Esta diversificao faz com que os indivduos se adaptam
melhor ao seu meio e conduz a uma populao com valores de aptido na maioria das vezes
timos.
Basicamente os operadores genticos so divididos em trs categorias:
Seleo;
Cruzamento;
Mutao.
a) Operador de Seleo
O operador de seleo tem como objetivo selecionar os indivduos mais adaptados
ao seu meio ambiente para sofrer a ao dos operadores de cruzamento e mutao e
conseqentemente gerar uma populao mais adaptada ao seu nicho ecolgico. Deste
modo, as geraes futuras tero uma menor probabilidade de serem extintas.
Abaixo so apresentados alguns dos mais importantes tipos de seleo.
Roleta
O mtodo de seleo roleta assemelha-se a uma roleta de cassino. O processo feito

avaliando-se cada indivduo atravs da adaptabilidade em relao ao meio ambiente.
Depois da avaliao de cada indivduo calculam-se os valores percentuais de aptido e com
estes valores monta-se uma roleta de rea proporcional. Roda-se a roleta com o mesmo
67
nmero de vezes que o tamanho da populao (N), com isso os indivduos que possuem
maior adaptabilidade tem uma maior chance de serem selecionados para reproduo.
Esta probabilidade dada pela Equao (7):
Pi =
fi
fm
(7)
onde f i o valor da funo avaliao (ou aptido) e f m a mdia dos valores da

funo de avaliao dada pela Equao (8):
N
f
fm =
i =1
(8)
Ranking
Neste mtodo de seleo, faz-se a ordenao decrescente dos indivduos conforme

seus valores de adaptabilidade. Em seguida, seleciona-se o nmero de indivduos que se
deseja realizar o cruzamento, de acordo com a ordenao realizada.
Torneio
Este mtodo derivado do mtodo da roleta, pois seu processo retorna o melhor
indivduo, em relao a sua adaptabilidade, de dois resultados obtidos pelo mtodo roleta.
Os indivduos com baixa adaptabilidade, neste mtodo, possuem poucas chances de serem
escolhidos para a aplicao dos operadores genticos, mesmo que estas sejam muito baixas.
Por beneficiar em muito os indivduos com maior adaptabilidade, este processo pode
favorecer a convergncia prematura.
68
b) Operador de Cruzamento
O operador de cruzamento tem como objetivo realizar a troca de material gentico
dos progenitores escolhidos pelo operador de seleo durante o cruzamento. Desta forma,
seus descendentes herdaro parte das caractersticas de um progenitor e parte do outro.
Com isso, as caractersticas dos progenitores mais adaptados sero conservadas de gerao
em gerao pelos seus descendentes, fazendo com que estes se adaptem melhor ao meio em
que vive. Este operador realizado em um nmero fixo de indivduos regidos por uma taxa
de cruzamento ( t c ).
Dentre os vrios tipos de cruzamento, temos:
Cruzamento de um ponto de corte;
Cruzamento de x pontos de corte;
Cruzamento uniforme;
Cruzamento varivel;
Cruzamento entre vrios indivduos;
A seguir sero descritas as principais caractersticas de cada cruzamento para uma

melhor compreenso do algoritmo.
Cruzamento de Um Ponto de Corte
Neste tipo de cruzamento, escolhe-se aleatoriamente um ponto no cromossomo. Um

dos descendentes recebe parte do cromossomo de um dos progenitores e parte do outro,
sendo que o segundo descendente recebe as partes restantes dos progenitores. Sendo assim,
o ponto de corte pode variar de um at L-1, onde L o comprimento do cromossomo de
cada indivduo.
69
Uma representao deste tipo de cruzamento mostrada nas Figuras A.3 e A.4, com
o tamanho do cromossomo de 8 bits, codificao binria e com o ponto de corte escolhido
aleatoriamente na posio 4.
Ponto de Cruzamento
Ponto de Cruzamento
1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1
Genitor 1
Genitor 2
1 0 1 0 0 1 0 1
1 0 1 0 0 1 0 1
Descendente 1
Descendente 2
Cruzamento de x Pontos de Corte
Neste tipo de cruzamento, o procedimento muito semelhante ao do cruzamento de

um ponto. A principal diferena que neste tipo escolhe-se x pontos de corte
aleatoriamente. Os cromossomos dos progenitores so divididos nos x pontos de corte e
seus descendentes recebem estes pedaos de modo alternado.
Do mesmo modo que o anterior, as Figuras A.5 e A.6 mostram uma representao
com o tamanho do cromossomo de 8 bits, codificao binria e pontos de corte em nmero
de 2, escolhidos aleatoriamente nas posies 2 e 6.
Pontos de Cruzamento
1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1
Genitor 1
Genitor 2
1 0 0 1 0 1 1 0
0 1 1 0 1 0 0 1
Descendente 1
Descendente 2
Cruzamento Uniforme
70
Neste tipo de cruzamento, cria-se uma mscara aleatria com o mesmo tamanho dos
cromossomos dos progenitores. O primeiro descendente formado de tal forma que,
quando a mscara tiver bit ativo ou igual a um, este descendente herda o bit do primeiro
progenitor e quando a mscara tiver bit inativo ou igual a zero, o progenitor herda o bit do
segundo progenitor. Para formar o segundo descendente, o processo ocorre de modo
semelhante, mas inverso. Quando a mscara tiver bit ativo, o segundo descendente herda o
bit do segundo progenitor e quando a mascar tiver bit inativo, o descendente herda o bit do
primeiro progenitor.
Uma representao para este tipo de cruzamento ser mostrada atravs das Figuras
A.7, A.8 e A.9 com o tamanho do cromossomo de 8 bits e com codificao binria.
1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1
Genitor 1
Genitor 2
1 1 0 0 1 1 0 0
Mscara
Figura A.8 Mscara Criada Aleatoriamente
1 0 0 1 1 0 0 1
0 1 1 0 0 1 1 0
Genitor 1
Genitor 2
Cruzamento por Varivel
Este tipo de cruzamento possui tambm uma semelhana muito grande com o
cruzamento de um ponto de corte. A diferena que realiza a troca de material gentico em
um ponto de corte, mas no apenas por indivduo e sim por cada varivel ou gene do
indivduo.
Uma melhor apresentao deste mtodo ser mostrada nas figuras A.10 e A.11,
sendo que cada indivduo utiliza cdigo binrio, os indivduos possuem duas variveis, o
71
tamanho destas variveis so de 3 bits e os pontos de corte escolhidos aleatoriamente so

em nmero de 2 e nas posies 2 e 1.
1 0 1
0 1 0
0 1 0
Genitor 1
1 0 1
Genitor 2
1 0 0
0 0 1
0 1 1
Descendente 1
1 1 0
Descendente 2
Cruzamento entre Vrios Indivduos
Neste tipo de cruzamento, escolhe-se um indivduo base e, para cada varivel deste,
tem-se que escolher um outro indivduo e um ponto para o cruzamento, ou seja, cada
varivel do indivduo base realiza o cruzamento com um indivduo diferente, escolhido
aleatoriamente. Desta forma, tenta-se aproveitar um maior nmero de caractersticas na
populao. Outro fato importante que este mtodo de cruzamento gera apenas um nico
descendente.
Para um melhor entendimento, uma representao ser mostrada nas Figuras A.12 e
A.13, sendo que cada indivduo utiliza cdigo binrio, os indivduos possuem duas
variveis, o tamanho destas variveis so de 3 bits e os pontos de corte escolhidos
aleatoriamente so em nmero de 2 e nas posies 2 e 1.
Genitor 1 - Base
1 0 1
0 1 0
Genitor 2
0 1 0
1 0 1
Genitor 3
0 0 0
1 1 1
72
1 0 0
0 1 1
Descendente
Figura A.13 Cromossomo do Descendente
Cruzamento por Mdia
Neste tipo de cruzamento, utiliza-se cdigo real. Para realizar o cruzamento faz-se a
mdia dos bits dos genitores formando assim um descendente. Caso uma mdia no seja
valor inteiro, realiza-se uma escolha aleatria para saber se o valor ser arredondado para
cima ou para baixo.
Nas Figuras A.14 e A.15, tem-se a representao deste tipo de cruzamento, sendo
que as posies 4 e 7 no obtiveram valores inteiros. Na posio 4, o valor foi arredondado
para baixo, escolhido de forma aleatria, e na posio 7 o valor foi arredondado para cima,
tambm de forma aleatria.
1 2 3 4 5 6 7
3 4 5 3 7 6 2
Genitor 1
Genitor 2
2 3 4 3 6 6 5
Descendente
c) Operador de Mutao
O operador de mutao tem como objetivo inserir novas caractersticas nos
descendentes e at mesmo restaurar as caractersticas perdidas a cada gerao. O processo
faz com que alguns descendentes de cada gerao, regidos por um percentual denominado
taxa de mutao ( t m ), sofram uma troca no valor de um de seus bits. A posio do bit
escolhida de forma aleatria.
Dentre os tipos de mutao, temos:
73
Mutao por troca de bit;
Mutao uniforme;
Troca de posies;
Adio ou subtrao em um bit.
74
B. REFERNCIAS BIBLIOGRFICAS
[1] Dias, J.S.; Barreto, J.M. (1998), Algoritmo gentico: inspirao biolgica na soluo
de problemas - uma introduo, Revista Martima Brasileira - Suplemento Especial,
Pesquisa Naval, n 11, p. 105-128.
[2] M. Srinivas, Lalit M. Patnaik, "Genetic algorithms: A Survey," Computer, vol. 27,
no. 6, pp. 17-26, Jun., 1994 [3] Fogel, D.B. (1995), Evolutionary Computation, IEEE
Press: Piscataway, NJ.
[3] Fogel, D.B. (1995), Evolutionary Computation, IEEE Press: Piscataway, NJ.
[4] Furtado, J.C.; Lorena, L.A.N. (1998), Algoritmo gentico construtivo na otimizao de
problemas combinatrios de agrupamentos, III Oficina de cortes e empacotamento,
lac.inpe.br.
[5] Whitley, D. (1994), A genetic algorithm tutorial, Springer Science + Business Media
B.V., Formerly Kluwer Academic. p. 65-85.
[6] Fogel, G.B.; Porto, V.W.; Weekes, D.G.; Griffey, R.H.; Mcneil, J.A.; Lesnik, E.; Ecker,
D.J.; Sampath, R. (2002), Discovery of RNA structural elements using evolutionary
computation, Nucleic Acids Research, v.30, n 23, p. 5310-5317.
[7] Satrom, P.; Sneve, R.; Kristiansen, K.I; Snove, O.; Grnfeld, T.; Rognes, T.; Seeberg,
E. (2005), Predicting non-coding RNA genes in Escherichia Coli with boosted genetic
programming, Nucleic Acids Research, v.33, n 10, p. 3263-3270.
[8] Walker J.D.; File, P.E.; Miller, C.J.; Samson, W.B. (1994), Building DNA maps, a
genetic algorithm based approach, Advances in molecular bioinformatics. S. Schulze-
Kremer, IOS Press. p. 179-199.

[9] Aerts, S.; Loo, P.V.; Moreau, Y.; Moor, D.B. (2004), A genetic algorithm for the
detection of new cis-regulatory modules in sets of coregulated genes, Bioinformatics,
Oxford University Press.
75
[10] Fogel, G.B.; Weekes, D.G.; Varga, G.; Dow, E.R; Harlow, H.B.; Onyia, J.E.; Su, C.
(2004) Discovery of sequence motifs related to coexpression of genes using evolutionary
computation, Nucleic Acids Research, v. 32, n 13, p. 3826-3835.
[11] Azevedo, F.M. (1999), Algoritmos genticos em redes neurais artificiais, V Escola
de Redes Neurais, promoo: Conselho Nacional de Redes Neurais ITA, So Jos dos
Campos, SP.
[12] Barreto, J.M. (1996), "Conexionismo e a Resoluo de Problemas", Titular Professor
Contestissertation, Departamento de Informtica e Estatstica, UFSC, Florianpolis, SC.
[13] Darwin, C. (2004), A origem das espcies. Rio de Janeiro: Ediouro.

[14] Stearns, S.C. (2003), Evoluo: uma introduo, Atheneu: So Paulo.
[15] Futuyama, D.J. (2003), Biologia evolutiva, Ribeiro Preto: FUNPEC-RP.
[16] Michalewicz, Z. (1996), Genetic algorithm + data structures = evolution programs,
3 ed. Springer-Verlag.
[17] Haupty, R.L.; Haupty, S.E. (2004), Practical genetic algorithm, 2 ed. A John Wiley
& Sons, Inc., Publications.
[18] Koza, J.R. (1995), Survey of genetic algorithms and genetic programming, Proc. of
Wescon 95, IEEE Press, p. 589-594.
[19] Zuben, F.J.V. (2000), Computao evolutiva: uma abordagem pragmtica, Tutorial:
Notas de aula da disciplina IA707, DCA/FEEC/Unicamp.
[20] SILVA, H. A. (2007), Treinamento Seletividade de Sistemas Eltricos, Relatrio
Marco 8, Projeto P&D Endesa Fortaleza\UFJF e UFRJ
[21] VAMP (2007), VAMP 210 Rel de Proteo de Geradores Instrues de
Operao e Configurao
76
[22] Institute of Electrical and Electronic Engineers (IEEE) (2001), IEEE Std 242-2001
Recommended Practice for Protection and Coord. of Industrial and Commercial Power
Systems - IEEE Buff BookT
[23] MANTOVANI, Jose Eduardo (2006), Sistema Inteligente para Alocao,
Especificao, Coordenao e Seletividade da Proteo em Redes Areas de Distribuio
de Energia Eltrica,XVII Seminrio Nacional de Distribuio de Energia Eltrica Belo
Horizonto/MG
[24] International Electrotechnical Commission (IEC) (1989), IEC 60255-3 Electrical
relays - Part 3: Single input energizing quantity measuring relays with dependent or
independent time
[25] GARCIA, P. A. N. (2007), Sistemas Inteligentes Aplicados Confiabiliade e
Seletividade de Plantas Termeltricas, Relatrio Marco 7, Projeto P&D Endesa
Fortaleza\UFJF e UFRJ
77

Monopol I 10001250

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Monopol I 10001250

Caricato da

Copyright:

Formati disponibili

COORDENAO DE RELS DE SOBRECORRENTE EM

SISTEMAS RADIAIS UTILIZANDO ALGORITMO GENTICO

Gilvan Rodrigues de Oliveira Junior

RIO DE JANEIRO, RJ - BRASIL

COORDENAO DE RELS DE SOBRECORRENTE EM SISTEMAS

Gilvan Rodrigues de Oliveira Junior

PROJETO SUBMETIDO AO CORPO DOCENTE DO DEPARTAMENTO DE

Paulo Augusto Nepomuceno Garcia, D.Sc.

Sergio Sami Hazan, Ph.D.

Paulo Roberto Maisonnave, Eng.

RIO DE JANEIRO, RJ - BRASIL

OLIVEIRA JUNIOR, GILVAN RODRIGUES DE

A Deus, pela fora e por

Agradeo a minha me e minha irm, pelo carinho e pelo esforo prestado. Em

COORDENAO DE RELS DE SOBRECORRENTE EM SISTEMAS RADIAIS

Gilvan Rodrigues de Oliveira Junior

Orientador: Sandoval Carneiro Jr.

Este trabalho explora a utilizao do Algoritmo Gentico como o mtodo de

Abstract of Final Project presented to Poli/UFRJ as a partial fulfillment of the requirements

COORDENAO DE RELS DE SOBRECORRENTE EM SISTEMAS RADIAIS

Gilvan Rodrigues de Oliveira Junior

Orientador: Sandoval Carneiro Jr.

Nowadays, it is becoming more common the implementation of automatic systems to

Tabela 3.1 Codificao do Tipo de Curva Tempo/Corrente

Tabela 3.2 Codificao da Corrente de pick up

Tabela 3.3 Codificao do Dial de tempo

Tabela 3.5 T1, T2 e T3

Tabela 4.1 Operadores Genticos utilizados

Tabela 4.2 Valores da Funo de Aptido

Tabela 4.3 Melhor Indivduo

Tabela 4.4 Tempos de operao

Tabela 4.5 Tempos de coordenao

Figura 2.2 Tempo de Coordenao

Figura 2.3 Curva Normalmente Inversa

Figura 2.4 Curva Muito Inversa

Figura 2.5 Curva Extremamente Inversa

Figura 2.6 Curva Longamente Inversa

Figura 2.7 Coordenao de Rels

Figura 3.1 Diagrama de Blocos de um Algoritmo Gentico

Figura 3.2 Representao dos Indivduos segundo seus cromossomos

Figura 3.3 Seletividade dos rels de sobrecorrente que compem o sistema

Figura 3.4 Cromossomo de um dos Descendentes

Figura 3.5 Cromossomo Aps Mutao

Figura 4.1 Sistema Radial Proposto para Estudo

Figura 4.2 Populao Inicial

Figura 4.3 Populao Final

Figura 4.4 Curva i x t

Figura A.1 Transformao de Cdigo Gray para Decimal

Figura A.2 Transformao de Cdigo Gray para Decimal

Figura A.3 Cromossomo dos Genitores

Figura A.4 Cromossomo dos Descendentes

Figura A.5 Cromossomo dos Genitores

Figura A.6 Cromossomo dos Descendentes

Figura A.7 Cromossomo dos Genitores

Figura A.8 Mscara Criada Aleatoriamente

Figura A.9 Cromossomo dos Genitores

Figura A.10 Cromossomo dos Genitores

Figura A.11 Cromossomo dos Descendentes

Figura A.12 Cromossomo dos Genitores

Figura A.13 Cromossomo do Descendente

Figura A.14 Cromossomo dos Genitores

Figura A.15 Cromossomo dos Genitores

SELETIVIDADE DE RELES DE SOBRECORRENTE ....................................... 15