ALGORITMOS GENÉTICOS NA INDÚSTRIA DO PETRÓLEO: UMA VISÃO GERAL

1. Introdução

Todos os dias a indústria do petróleo encontra novos desafios na busca,

perfuração, produção e refino de petróleo. Todas estas atividades geram problemas

matemáticos de grande complexidade, a maioria dos quais são multimodais e apresentam

espaço de busca de soluções praticamente infinito. Isto faz deles problemas

extremamente difíceis para se encontrar uma solução, sendo que muitos deles têm

soluções obtidas de forma ad hoc que não necessariamente representam os melhores

resultados que podem ser obtidos.

Assim sendo, as técnicas inteligentes apresentam-se como uma alternativa

interessante para encontrar soluções eficientes para estes difíceis problemas, de forma a

melhorar o desempenho das soluções atuais. Os algoritmos genéticos, como subárea da

computação inteligente voltada para a otimização de soluções, surge então como uma

poderosa ferramenta para ser considerada neste escopo.

Este trabalho visa apresentar algumas aplicações dos algoritmos genéticos na

indústria do petróleo e está organizado da seguinte maneira: na seção 2 discutimos os

conceitos básicos dos algoritmos genéticos. Na seção 3, fazemos algumas considerações

sobre a aplicação dos algoritmos genéticos na indústria do petróleo. Na seção 4 listamos

de forma não exaustiva aplicações na área e, finalmente, na seção 5, concluímos com

alguns comentários pertinentes.

Outras revisões nesta área já foram feitas e usadas como parte da pesquisa para

este trabalho. Os leitores interessados podem consultar os trabalhos (AMINZADEH, 2004)

e (LANGS, 2005) para obter mais informações sobre os assuntos discutidos neste artigo.Revista da Engenharia de Instalações no Mar nº. 01 Jan./Jul. 2008

2. Algoritmos Genéticos

Algoritmos genéticos (GA) são uma técnica de busca baseada numa metáfora do

processo biológico de evolução natural, podendo ser caracterizados como uma técnica

heurística de otimização global (LINDEN, 2006).

Nos algoritmos genéticos populações de indivíduos são criadas e submetidas aos

operadores genéticos: seleção, recombinação (crossover) e mutação. Estes operadores

utilizam uma caracterização da qualidade de cada indivíduo como solução do problema

em questão chamada de avaliação e vão gerar um processo de evolução natural destes

indivíduos, que eventualmente deverá gerar um indivíduo que caracterizará uma boa

solução (talvez até a melhor possível) para o nosso problema.

Assim sendo, podemos dizer que algoritmos genéticos são algoritmos de busca

baseados nos mecanismos de seleção natural e genética. Eles combinam a sobrevivência

entre os melhores com uma forma estruturada de troca de informação genética entre dois

indivíduos para formar uma estrutura heurística de busca.

Os algoritmos genéticos evoluíram bastante quando Moscatto (1989) introduziu a

idéia de algoritmo memético como algo que visava reproduzir a evolução cultural, ao

contrário dos algoritmos genéticos, que visavam reproduzir a evolução biológica. A idéia

dele era casar os algoritmos genéticos com operadores de busca local de forma que

apenas a forma “otimizada” de cada indivíduo pudesse interagir dentro de uma população.

A idéia se difundiu e hoje os algoritmos meméticos são amplamente usados, sendo

tratados muitas vezes como uma espécie de evolução de acordo com o modelo de

Lamarck, que pregava as características adquiridas poderiam ser transmitidas para seus

filhos. De certa forma, isto é exatamente o que acontece nos algoritmos meméticos: cada

solução é melhorada no decorrer de sua vida (usando-se métodos locais de otimização) e

aí ele pode reproduzir e passar suas características melhoradas para seus descendentes.

Hoje em dia os algoritmos meméticos são usados como sendo parte da área de

algoritmos genéticos, embutindo um conceito fundamental, que é o de usar o máximo de

conhecimento possível sobre a área de atuação em que pretendemos atuar, evitando o

uso de algoritmos genéticos como uma técnica genérica de otimização.

A idéia de usar o máximo de conhecimento possível na resolução de um problema

deriva da afirmação fundamental de Wolpert (1995), chamada de teorema da inexistência

do almoço grátis (No-Free-Lunch Theorem, ou NFL), que afirma que todos os algoritmos

de busca têm exatamente o mesmo desempenho, quando se faz a média de todos os

infinitos problemas existentes. Grosseiramente, isto equivale a afirmar que se o algoritmo

A é melhor que o algoritmo B em uma série de k problemas, então deve haver uma outra

série de k problemas em que o algoritmo B tem um desempenho superior ao algoritmo A.

Uma conseqüência do NFL é que nenhum algoritmo genérico pode ser melhor do

que um algoritmo