Resumo: O presente trabalho representa a compilação dos resultados anteriores dessa pesquisa no campo de metamodelos combinados e otimização eficiente global (EGO), os quais foram sumetidos para publicação em periódicos especializados. Recentemente foi implementado nesse trabalho de doutorado o algoritmo LSEGO que é uma abordagem para conduzir algoritmos tipo EGO, baseando-se em metamodelos combinados através da aproximação por mínimos quadrados (metamodelos combinados LS). Através dos metamodelos combinados LS é possível estimar a incerteza da aproximação usando qualquer tipo de metamodelagem (e não somente do tipo kriging), permitindo estimar a função de expectativa de melhora para a função objetivo. Nos experimentos computacionais anteriores em problemas de otimização sem restrições, a abordagem LSEGO mostrou-se como uma alternativa viável para conduzir otimização eficiente global usando metamodelos combinados, sem se restringir a somente um ponto adicional por ciclo de otimização iterativa. Na presente tese o algoritmo LSEGO foi extendido de modo a tratar também problemas de otimização com restrições. Os resultados de testes numéricos com problemas analíticos e de referência e também em um estudo de caso de engenharia em escala industrial mostraram-se bastante promissores e competitivos em relação aos trabalhos similares encontrados na literatura Ver menos

Abstract: In this work we review and compile the results of our previous research in the fields of ensemble of metamodels and efficient global optimization (EGO). Recently we implemented LSEGO that is an approach to drive EGO algorithms, based on LS (least squares) ensemble of metamodels. By means of LS ensemble of metamodels, it is possible to estimate the uncertainty of the prediction by using any kind of model (not only kriging) and provide an estimate for the expected improvement function. In previous numerical experiments with unconstrained optimization problems, LSEGO approach has shown to be a feasible alternative to drive efficient global optimization by using multiple or ensemble of metamodels, not restricted to kriging approximation or single infill point per optimization cycles. In the present work we extended the previous LSEGO algorithm to handle constrained optimization problems as well. Some numerical experiments were performed with analytical benchmark functions and also for industry scale engineering problems with competitive results Ver menos