Otimização de risco : uma revisão sistemática e comparação de métodos de otimização meta-heurísticos

Abstract

Resumo: A Otimização de Risco, também chamada de Otimização de Custo sobre o Ciclo de Vida, é uma abordagem de otimização não determinística que difere da RBDO (Otimização Baseada em Confiabilidade) na formulação da função objetivo. Enquanto na RBDO a probabilidade de falha é tratada nas restrições do problema de otimização, na Otimização de Risco a probabilidade de falha é incorporada diretamente na função objetivo. O objetivo da Otimização de Risco é otimizar uma função de custos totais, incluindo o custo de construção, custo de manutenção, custo de descarte e custo esperado de falha, este último calculado como o produto do custo de falha pela probabilidade de falha. Dessa forma, ao otimizar a função objetivo do problema, busca-se uma solução que minimize os custos para um nível aceitável de falha determinado pelo projeto. Embora essa formulação seja robusta, ela enfrenta um desafio comum em simulações numéricas: dependendo do problema e dos métodos de otimização ou confiabilidade utilizados, os custos computacionais podem ser elevados. A partir de uma revisão sistemática da literatura, observou-se que métodos meta-heurísticos de otimização se mostraram bastante adequados para a Otimização de Risco devido à sua capacidade de explorar o espaço de projeto, evitando mínimos locais. Neste estudo, foram selecionados dez métodos de otimização meta-heurísticos para aplicação em problemas de Otimização de Risco: Otimização por Enxame de Partículas, Recozimento Simulado, Otimização por Colônia de Formigas, Algoritmo Genético, Algoritmo de Evolução Diferencial, Algoritmo de Competição Imperialista, Algoritmo dos Vagalumes, Otimização por Ervas Daninhas, Otimização por Colônia Artificial de Abelhas e Otimização Baseada no Ensino-Aprendizado. Esses métodos foram aplicados a quatro problemas representativos de Otimização de Risco, com diferentes dimensões, ordens de grandeza da probabilidade de falha, índices de confiabilidade, além de modelos baseados em funções analíticas e elementos finitos, incluindo confiabilidade dependente do tempo. Os resultados obtidos demonstraram a eficácia relativa de cada método meta-heurístico, destacando seu desempenho em diferentes cenários

Abstract: Risk Optimization, also known as Life-cycle Cost and Risk Optimization, is a nondeterministic optimization approach that differs from Reliability-Based Design Optimization (RBDO) in the formulation of the objective function. While RBDO treats the probability of failure as constraints in the optimization problem, Risk Optimization incorporates the probability of failure directly into the objective function. The goal is to minimize a total cost function related to construction, maintenance, disposal, and expected failure cost, the latter calculated as the product of failure cost by the probability of failure. Thus, in optimizing the objective function, the aim is to find a solution that minimizes costs to an acceptable level of failure as determined by the project. Although this formulation is robust, it faces a common challenge in numerical simulations: depending on the problem and the optimization or reliability methods used, computational costs can be high. From a systematic literature review, it was observed that metaheuristic optimization methods are particularly well-suited for Risk Optimization due to their ability to explore the design space effectively, avoiding local minima. In this study, ten metaheuristic optimization methods were selected for application to Risk Optimization problems: Particle Swarm Optimization, Simulated Annealing, Ant Colony Optimization, Genetic Algorithm, Differential Evolution Algorithm, Imperialist Competitive Algorithm, Firefly Algorithm, Invasive Weed Optimization, Artificial Bee Colony Optimization, and Teaching-Learning-Based Optimization. These methods were applied to four representative Risk Optimization problems, varying its dimensions, orders of magnitude of failure probability, reliability indices, as well as models based on analytical functions and finite elements, including time-dependent reliability. The results demonstrated the relative effectiveness of each metaheuristic method, highlighting their performance across diverse scenarios