77 314 1 PB

3
Revista I nterAtividade, Andradina-SP, Edio Especial, 1 sem. 2014

rico de Oliveira Costa Zini; Marcelo Oliveira Dias; Gislaine A. A. Sales; Wisley Falco Sales
Um Estudo Comparativo de Mtodos de Otimizao Clssica Aplicados a Problemas
Matemticos No-Lineares e Irrestritos
rico de Oliveira Costa Zini
1

Marcelo Oliveira Dias
2

Gislaine A. Asti Sales
3

Wisley Falco Sales
4

Resumo
Neste artigo apresentado um estudo comparativo de alguns mtodos de otimizao clssica
disponveis na literatura especializada. Os mtodos abordados so aplicados, especificamente,
a problemas matemticos no lineares e irrestritos e so classificados como uma busca
unidimensional ou multidimensional. Nos mtodos de busca unidimensional so abordados os
algoritmos da Seo urea, Newton e Bisseo. No entanto, para os mtodos de busca
multidimensional so abordados os algoritmos Gradiente timo, Newton e Mtodo Hbrido.
Alm da abordagem terica de tais mtodos foram realizadas as implementaes
computacionais dos referidos algoritmos utilizando problemas no lineares e irrestritos cujas
solues podem ser encontradas na literatura. Para a implementao dos algoritmos foram
utilizadas as linguagens de programao Fortran e MatLab. A ideia da utilizao de
problemas com solues e resultados j reportados na literatura foi elaborar implementaes
testes e utilizar os resultados obtidos como parmetro de comparao e constatao da
convergncia dos mtodos. Aps a verificao da convergncia dos mtodos, as
implementaes foram aperfeioadas e aplicadas a outros problemas com caractersticas e
comportamentos semelhantes. Os resultados alcanados permitiram realizar um estudo
comparativo dos mtodos e, desta forma, foi possvel estudar, verificar o desempenho e
discutir a eficincia e a convergncia dos mtodos analisados.

Palavras-chave: Algoritmos. Otimizao clssica. Problemas no lineares irrestritos.

1 Introduo
Neste artigo apresentado mtodos de otimizao para problemas no lineares
irrestritos. Tais mtodos de otimizao pode ser classificado em busca unidimensional ou
multidimensional. Na busca unidimensional implementou-se algoritmos baseados nos
mtodos da Seo urea, de Newton e da Bisseo. J para a busca multidimensional,
implementou-se os algoritmos baseados nos mtodos do Gradiente timo , Newton e Hbrido
(Gradiente timo e Newton).

1
Mestre em Engenharia Eltrica (UNESP); Graduado em Matemtica (UFMS); Graduando em Engenharia Civil
(FIRB); Professor da Faculdade de Mirandpolis (FAM)
2
Especialista em Educao Matemtica (UFMS); Especialista em Fundamentos da Matemtica (UFMS);
Graduado em Matemtica (UFMS); Graduado em Tecnologia em Processamento de Dados (FISMA); Professor
da Faculdade de Mirandpolis (FAM); Professor da Faculdades Integradas Stella Maris de Andradina (FISMA)
3
Doutoranda em Engenharia Eltrica (UNESP), Mestre em Engenharia Eltrica (UNESP), Especialista em
Educao Matemtica (UNESP) e Graduada em Matemtica (UFMS). Professora das Faculdades Integradas Rui
Barbosa (FIRB). E-mai: asti.gislaine@gmail.com
4
Ps-Doutorado em London South Bank University, Doutor em Engenharia Mecnica (UFU), Mestre em
Engenharia Mecnica (UFU) e Graduado em Engenharia Mecnica (UFU). Professor/Coordenador do curso de
Engenharia Civil das Faculdades Integradas Rui Barbosa (FIRB) E-mail: wisley100@gmail.com
4

Para a verificao do desempenho dos algoritmos utilizou-se funes e resultados
alcanados em Bazaraa, Sherali e Shetty (1993), para isso, apenas como parmetro de
comparao, implementou-se programas testes e constatou-se a convergncia dos mtodos de
maneira prtica. Em seguida, estes programas testes foram aperfeioados para serem
aplicados a outras funes. Alm disso, so discutidos os problemas mais frequentes para a
convergncia dos mtodos empregados.
Considerando um problema genrico P, a formulao dos problemas irrestritos
que podem ser resolvidos utilizando mtodos de otimizao clssica dada por:

Min f(x)
Sujeito a
x e S

n
R S c

Por se tratar de um problema de otimizao irrestrita, considera-se que
n
R xe
.
Grande parte dos mtodos de programao matemtica existentes na literatura para resolver P
possui a seguinte estrutura bsica (BAZARAA; SHERALI; SHETTY,1993):
(i) Escolha um ponto inicial
S x e
0
e faa
0 k
;
(ii) Determine uma direo factvel de descida
k
d
, isto :

k k k
d x x o + =
+1

] , 0 [ ,
1
o o e e
+
S x
k

(iii) Determine o valor timo de o , resolvendo o problema de busca unidimensional (P.B.U):
( ) ( )
k
d
k
x f g
k
o o o + = = min arg
] , 0 [ o o e
(iv) Faa
k k k
d x x o + =
+1
e verifique se
1 + k
x
satisfaz alguma condio de otimalidade.
Caso contrrio faa
1 + k k
e v para (ii).
No passo (iii) do algoritmo de minimizao apresentado anteriormente,
determina-se o tamanho timo
k
o
que minimiza
f
ao longo da direo
k
d
, isto :
( )
k k k
d x f o o + = min arg

] , 0 [ o o e

5

Os mtodos para resolver este problema se enquadram em duas categorias
(MANTOVANI, 2006):

a) Mtodos que comparam valores da funo de modo a definir o intervalo em
que se encontra o ponto de mnimo;
b) Mtodos que usam os valores de
( ) o f
,
( ) o
,
f
e
( ) o
, ,
f
para ajustar uma
funo polinomial, o mnimo de
( ) o f
ento estimado pelo mnimo dessa
funo polinomial.

2 Mtodos de otimizao irrestrita
Foi apresentado que usualmente classifica-se a busca por solues timas de
problemas irrestritos como uma busca unidimensional ou multidimensional. Existem vrios
mtodos existentes na literatura que se enquadram em cada um dos tipos de busca, sendo
assim, apresenta-se a seguir os mtodos que sero utilizados neste artigo.

2.1 Algoritmos de busca unidimensional
Nesta seo so apresentados alguns algoritmos que se baseiam na busca
unidimensional. Tais estruturas pode ser encontrada em (BAZARAA; SHERALI; SHETTY,
1993) e (LUENBERGER, 1984), assim, apresentam-se as estruturas dos algoritmos dos
mtodos da Seo urea, Bisseo e Newton.

2.1.1 Algoritmo do Mtodo da Seo urea
Passo Inicial: Escolha a tolerncia permitida para o tamanho do intervalo de
incerteza
0 > c
. Seja
| |
1 1
, b a
, o intervalo de incerteza inicial e seja:
( ) ( )
1 1 1 1
1 a b a + = o

( )
1 1 1 1
a b a + = o

em que
618 , 0 = o
. Calcule
( )
1
u
e
( )
1
u
, faa
1 = k
ao passo principal.

Passo Principal:
(i)
( ) c <
k k
a b
, pare; a soluo tima est entre os intervalos
| |
k k
b a ,
. Caso
contrrio, se
( ) ( )
k k
u u >
v ao passo (ii), e se
( ) ( )
k k
u u <
v ao passo
(iii);
(ii) Faa
k k
a =
+1
,
k k
b b =
+1
,
k k
=
+1
e
( )
1 1 1 1 + + + +
+ =
k k k k
a b a o

6

Calcule
( )
1 + k
u
e v para o passo (iv);
(iii) Faa
k k
a a =
+1
,
k k
b =
+1
,
k k
=
+1

e
( ) ( )
1 1 1 1
1
+ + + +
+ =
k k k k
a b a o
.Calcule
( )
1 + k
u
e v ao passo (iv);
(iv) Faa 1 + k k e volte ao passo (i);

2.1.2 Algoritmo do Mtodo Bisseo
O mtodo da Bisseo se caracteriza por uma busca unidimensional, e o algoritmo
desse mtodo apresentado a seguir:
Passo Inicial: Seja
| |
1 1
,b a
o intervalo de incerteza inicial e seja l o intervalo
final permitido. Seja n o menor inteiro positivo tal que
( )
1 1
2
1
a b
l
n
s |
.
|
\
|
. Faa
1 k
e
v para o passo principal.

Passo Principal:
(i) Faa
( )
k k k
a b x + =
2
1
e calcule
( )
k
x
,
u
. Se
( ) 0
,
=
k
x u
pare.
k
x

uma soluo tima. Caso contrrio v para o passo (ii);
(ii) Faa
k k
x a =
+1
e
k k
b b =
+1
, v ao passo (iv);
(iii) Se
n k =
pare, o mnimo se encontra no intervalo
| |
1 1
,
+ + n n
b a
. Caso
contrrio faa
1 + k k
e volte para (i).

2.1.3 Algoritmo do Mtodo de Newton
O mtodo de Newton pode se caracterizado por uma busca multidimensional, no
entanto, primeiramente, apresenta-se a seguir seu algoritmo para o caso de uma busca
unidimensional:
(i) Escolha o ponto inicial
0 ,
0
> c x
e faa
0 k
;
(ii) Se
( ) c u s
k
x
,
pare, caso contrrio v ao passo (iii);
(iii) Calcule
( )
k
x
,
u
e
( )
k
x
, ,
u
;
(iv)
( )
( )
k
k
k k
x
x
, ,
,
1
u
u
=
+
;
(v)
1 + k k
e volte para (ii);

2.2 Algoritmos de busca multidimensional
7

Nesta seo so apresentados alguns algoritmos que se baseiam na busca
multidimensional. Tais estruturas pode ser encontrada em (BAZARAA; SHERALI;
SHETTY, 1993) e (LUENBERGER, 1984), assim, apresentam-se as estruturas dos algoritmos
dos mtodos Gradiente timo, de Newton e Hbrido (Newton e Gradiente timo).
2.2.1 Algoritmo do Mtodo do Gradiente timo
0
x
e faa 0 k ;
(ii) Calcule
( )
k
x f V
;
(iii) Se
( ) c < V
k
x f
, pare; caso contrrio v para o passo (iv);
(iv)
( )
( )
k
k
k
x f
x f
d
V
V
=

(v) Calcule
0 >
k
o
, isto :
( )
k k k
d x f o o + = min arg

] , 0 [ o o e

(vi)
k k k k
d x x + =
+
o
1
;

(vii) 1 + k k , se
max
k k >
pare, caso contrrio volte para (ii);

2.2.2 Algoritmo do Mtodo de Newton
0
x
,
0 > c
e faa 0 k ;
(ii) Se
( ) c s V
k
x f
(iii) Calcule
( )
k
x H
e
( )
k
x f V
, onde
( )
k
x H
Hessiana de
f
em
k
x
;
(iv)
( ) ( )
k k k k
x f x H x x V =

+
1
1
;
(v)
1 + k k
e volte para (ii).

2.2.3 Algoritmo do Mtodo Hbrido Newton e Gradiente timo
0
x
,
0 > c
e faa
0 k
;
(ii) Se
( ) c s V
k
x f
(iii) Calcule
( )
k
x H
e
( )
k
x f V
, onde
( )
k
x H
Hessiana de
f
em
k
x
;
(iv)
( )
k k k k
x f M x x V =
+1
, onde
( ) | |
1
+ =
k k k
x H I M
, I a matriz
identidade e
k
um parmetro positivo (
k
pode ser escolhido de tal forma que

k
M
seja definida positiva )
(v)
1 + k k
e volte para (ii).

3. Problemas de otimizao no-lineares e irrestritos
8

Para a implementao dos mtodos apresentados, sua aplicao e verificao,
utilizou-se alguns problemas no lineares e irrestritos. A seguir apresentados esses
problemas. Os problemas utilizados so funes com uma ou duas variveis e, sendo assim,
foi possvel fazer representaes grficas em duas ou trs dimenses. Os grficos que so
apresentados nesse artigo foram confeccionados utilizando a ferramenta Mathemtica verso
4.0. Para um melhor conhecimento dessa ferramenta, os interessados devem consultar
(TANEJA, 2013); (REBELO, 2002).

3.1 Problemas de otimizao com uma varivel
A seguir so apresentados os problemas com apenas uma varivel que, neste caso,
foram resolvidos utilizando mtodos baseado na busca unidimensional.

s s
+
5 3
. .
2
2
x
a s
x x
Min
(3.1)

Figura 3.1: Grfico do problema 3.1

Fonte: Elaborada pelo autor.

-2 2 4
eixo x
-10
-7.5
-5
-2.5
2.5
5
7.5
10
f x
f (x)
9

< +
>
0 3 4
0 3 4
4 3
4 3
x se x x
x se x x
Min
(3.2)


Os problemas 3.1 e 3.2 se encontram resolvidos em Bazaraa; Sherali e Shetty
(1993), e foram utilizados como parmetro de comparao para testar a eficincia das
implementaes de algoritmos unidimensionais que foram realizadas neste artigo. No entanto,
as mesmas implementaes feitas para resolverem os problemas 3.1 e 3.2 foram adaptadas
para solucionar o problema 3.3 que apresentado a seguir.

s s
+
5 3
. .
2
x
a s
x e
Min
x
(3.3)
-1.5 -1 -0.5 0.5 1 1.5
-1.5
-1
-0.5
0.5
1
1.5
f (x)
10



3.2 Problemas de otimizao com duas variveis
A seguir so apresentados os problemas com duas variveis que, neste caso, foram
resolvidos utilizando mtodos baseado na busca multidimensional.

( ) ( )
2
2 1
4
1
2 2 x x x Min +
(3.4)

Este problema se encontra resolvido em Bazaraa; Sherali e Shetty (1993) e foi
utilizado como parmetro de comparao para testar a eficincia das implementaes para os
algoritmos multidimensionais realizadas neste artigo. No entanto, as implementaes feitas
para resolver o problema 3.4 tambm foram adaptadas para solucionar o problema 3.5 que
apresentado a seguir.
-2 2 4
eixo x
-10
-7.5
-5
-2.5
2.5
5
7.5
10
f x
-4
-2
0
2
4
-4
-2
0
2
4
0
1000
2000
-4
-2
0
2
4
-4
-2
0
2
4
f (x)
11


( ) ( )
4
1 2
2
2
3
1
4 2 + + x x x x Min
(3.5)

4. Desenvolvimento e resultados
A seguir mostrado o desenvolvimento e os resultados obtidos da aplicao dos
mtodos apresentados aos problemas descritos na seo 3. Para a verificao do desempenho
das implementaes de tais mtodos feito, apenas para fins de testes, um comparativo
tomando como parmetro os resultados obtidos da simulao dos problemas de minimizao
encontrados em Bazaraa; Sherali e Shetty (1993). Assim, apresenta-se os resultados obtidos
nas implementaes de alguns dos mtodos unidimensionais para os problemas 3.1 e 3.2 e de
alguns mtodos multidimensionais para o problema 3.4. No entanto, para atingir um dos
objetivos principais desse artigo, verifica-se o desempenho das implementaes aplicando
alguns dos mtodos a outras funes, ou seja, aplicam-se alguns dos mtodos unidimensionais
ao problema 3.3 e alguns mtodos multidimensionais ao problema 3.5. Para implementao
dos algoritmos e mtodos apresentados, foram utilizadas as linguagens de programao
Fortran e MatLab. Para um maior conhecimento dessas linguagens de programao, os
interessados podem consultar, respectivamente, (HEHL, 1987) e (MATSUMOTO, 2002).

4.1 Resultados dos Problemas Unidimensionais
4.1.1 Resultados Utilizando o Mtodo da Seo urea
A tabela 4.1 apresenta os resultados referentes simulao do programa teste para
o problema 3.1. O algoritmo utilizado para implementar o programa est descrito na seo
2.1.1. Ao final da simulao, aps 9 iteraes, foi obtido o intervalo de incerteza aproximado
-4
-2
0
2
4
-4
-2
0
2
4
0
10000
20000
30000
-4
-2
0
2
4
12

[1,1115;0,9412], como soluo do problema, e qualquer valor neste intervalo representa
uma soluo tima para uma tolerncia 2 , 0 = c . O intervalo de incerteza inicial utilizado foi
[3, 5].
Tabela 4.1: Resultados da Simulao Teste do problema 3.1
iterao k
k
a

k
b

k

( )
k
u

( )
k
u

1 3 5 0,05573 1,94427 0,11456 7,66874
2 3 1,94427 1,11146 0,05573 0,98758 0,11456
3 3 0,05573 1,83282 1,11146 0,30642 0,98758
4 1,83282 0,05573 1,11146 0,66563 0,98758 0,88820
5 1,83282 0,66563 1,38699 1,11146 0,85024 0,98758
6 1,38699 0,66563 1,11146 0,94117 0,98758 0,99654
7 1,11146 0,66563 0,94117 0,83592 0,99654 0,97308
8 1,11146 0,83592 1,00621 0,94117 0,99996 0,99654
9 1,11146 0,94117
Analisando a tabela 4.1 pode-se verificar que os resultados se aproximam dos
obtidos em Bazaraa; Sherali e Shetty (1993), desta forma, a implementao realizada
mostrou-se eficiente. A tabela 4.2 apresenta os resultados da simulao para o problema 3.3.
Ao final da simulao, aps 20 iteraes, foi obtido o intervalo de incerteza aproximado
[0,35110; 0,35195], como soluo do problema, e qualquer valor neste intervalo representa
uma soluo tima para uma tolerncia
001 , 0 = c
. O intervalo de incerteza inicial utilizado
foi [3, 5]. A anlise grfica desse problema permite verificar que o mtodo convergiu para o
mnimo global do problema.

Tabela 4.2: Resultados da Simulao para o problema 3.3.
Iterao k
k
a

k
b

k

( )
k
u

( )
k
u

1 3 5 0,05573 1,94427 0,94890 3,92329
2 3 1,94427 1,11146 0,05573 4,27412 0,94890
13

3 1,11146 1,94427 0,05573 0,77709 0,94890 1,06361
4 1,11146 0,77709 0,39010 0,05573 1,62930 0,94890
5 0,39010 0,77709 0,05573 0,33126 0,94890 0,82775
6 0,05573 0,77709 0,33126 0,50155 0,827775 0,85714
7 0,5573 0,50155 0,22602 0,33126 0,84879 0,82775
8 0,22602 0,50155 0,33126 0,39631 0,82775 0,82926

20 0,3510 0,35195

4.1.2 Resultados Utilizando o Mtodo da Bisseo
2.1.2. Ao final da simulao, aps 7 iteraes, foi obtido o intervalo de incerteza aproximado
[1,0313;0,8907], como soluo do problema, e qualquer valor neste intervalo representa
uma soluo tima para uma tolerncia
2 , 0 = c
. O intervalo de incerteza inicial utilizado foi
[3, 6].
Iterao k
k
a

k
b

k
x

( )
k
x
,
u

1 3 6 1,5 5
2 3 1,5 0,75 0,5
3 3 0,75 1,875 1,75
4 1,875 0,75 1,31250 0,625
5 1,31250 0,75 1,03125 0,06250
6 1,03125 0,75 0,89063 0,21875
7 1,03125 0,89063
14

mostrou-se eficiente. A tabela 4.4 apresenta os resultados da simulao para o problema 3.3.
Ao final da simulao, aps 15 iteraes, foi obtido o intervalo de incerteza aproximado
[0,35138; 0,35138], como soluo do problema, e qualquer valor neste intervalo representa
uma soluo tima para uma tolerncia 001 , 0 = c . O intervalo de incerteza inicial utilizado
foi [3, 6]. A anlise grfica desse problema permite verificar que o mtodo convergiu para o
mnimo global do problema.

Tabela 4.4: Resultados da Simulao do problema 3.3
Iterao k
k
a

k
b

k
x

( )
k
x
,
u

1 3 6 1,5 2,77687
2 3 1,5 0,75 3,617
3 0,75 1,5 0,375 0,06271
4 0,75 0,375 0,18750 1,58123
5 0,18750 0,375 0,09375 0,72301
6 0,09375 0,375 0,23438 0,32232
7 0,23438 0,375 0,30469 0,12798
8 0,30469 0,375 0,33984 0,03219

15 0,35138 0,35138
4.1.3 Resultados Utilizando o Mtodo de Newton
15

2.1.3. Ao final da simulao, aps 6 iteraes, foi obtido o ponto
00281 , 0 = x
, como ponto
timo do problema, para uma tolerncia
c
e um ponto inicial
4 , 0 = x
.

Iterao k
k
x

( )
k
x
,
u

( )
k
x
, ,
u

1 + k
x

1 0,4 1,152 3,84 0,1
2 0,1 0,108 2,04 0,04706
3 0,04706 0,02532 1,04969 0,02293
4 0,02293 0,00617 0,53148 0,01133
5 0,01133 0,00152 0,26731 0,00563
6 0,00563 0,00038 0,13404 0,00281
mostrou-se eficiente. No entanto, fazendo a anlise da figura 3.2 que se refere ao grfico do
problema em questo, percebe-se que o ponto
00281 , 0 = x
encontrado no representa o
ponto timo global, isso se deve ao fato do ponto inicial escolhido no ser adequado, j que, a
convergncia direcionou-se para o ponto 0 = x . Quando a funo objetivo do problema , por
exemplo, multimodal e o ponto inicial escolhido no adequado, sabe-se que um dos
problemas enfrentados na otimizao clssica se refere ao fato dos resultados encontrados
16

pelos mtodos ficar preso a um timo local. No referido problema, para 1 > x a funo
decrescente e, sendo assim, o ponto de mnimo tende ao infinito, no entanto, um ponto de
mnimo interessante seria 1 = x . Simulando o programa teste escolhendo como ponto inicial
5 , 1 = x e considerando 001 , 0 = c , em 5 iteraes foi obtido o ponto 00004 , 1 = x . Isso
mostra que a implementao teste permitiu a convergncia para o ponto interessante quando a
escolha do ponto inicial adequada.
A tabela 4.6 apresenta os resultados da simulao para o problema 3.3. Ao final
da simulao, aps 4 iteraes, foi obtido o ponto 351734 , 0 = x , como ponto timo do
problema, para uma tolerncia 0001 , 0 = c e um ponto inicial
10 = x
. A anlise grfica
desse problema permite verificar que o mtodo convergiu para o mnimo global do problema.

Tabela 4.6: Resultados da Simulao do problema 3.3.
Iterao k
k
x

( )
k
x
,
u

( )
k
x
, ,
u

1 + k
x

1 10 19,99996 2,00005 0,00025
2 0,00025 0,99925 2,99975 0,33336
3 0,33336 0,04979 2,71651 0,35169
4 0,35169 0,000111 2,70350 0,351734
4.2 Resultados dos Problemas Multidimensionais
4.2.1 Resultados Utilizando o Mtodo do Gradiente timo
Foi visto no passo (v) do algoritmo do Mtodo do Gradiente timo que
necessrio a resoluo de um problema de busca unidimensional. Esta fase foi realizada
utilizando a implementao dos 3 mtodos de busca unidimensionais vistos anteriormente
possibilitando, desta forma, uma discusso sobre a convergncia de cada mtodo. A seguir,
sero apresentados os resultados obtidos referentes aos problemas 3.4 e 3.5 utilizando a
implementao do Mtodo do Gradiente timo com o auxlio de cada um dos Mtodos
Unidimensionais.
i) Resultados Utilizando o Mtodo da Seo urea
17

o problema 3.4. Ao final da simulao, aps 3 iteraes, foi obtido o ponto timo
( ) 115 , 1 ; 225 , 2
3
= x
, que corresponde ao valor timo
( ) 003 , 0
3
= x f
para uma tolerncia
1 , 0 = c
e um ponto inicial
( ) 3 , 0
1
= x

Iterao
k
k
x

( )
k
x f

( )
k
x f V

( )
k
x f V

( )
( )
k
k
k
x f
x f
d
V
V
=

k
o

1 (0, 3) 52 (-44, 24) 50,119 (0,878; -0,479) 1,999
2 (1,755; 2,042) 5,431 (-4,718; 9,318) 10,445 (0,452; -0,892) 1,039
3 (2,225; 1,115) 0,003 (0,037; 0,017) 0,041
Analisando a tabela 4.7 pode-se verificar que o resultado convergiu para o ponto
timo
( ) 1 , 2 = x
, e os resultados obtidos se aproximaram dos alcanados em Bazaraa; Sherali
e Shetty (1993), desta forma, a implementao realizada mostrou-se eficiente. No entanto,
utilizou-se a direo de descida normalizada
( ) ( )
k k k
x f x f d V V =
, ao invs de
( )
k k
x f d V =
utilizada em (BAZARAA; SHERALI; SHETTY, 1993).
da simulao, aps 22 iteraes, foi obtido o ponto timo
( ) 791 , 2 ; 407 , 1
22
= x
, que
corresponde ao valor timo
( ) 003 , 0
22
= x f
para uma tolerncia
09 , 0 = c
e um ponto inicial
( ) 3 , 0
1
= x
.
Tabela 4.8: Resultados da simulao do problema 3.5
Iterao
k
k
x

( )
k
x f

( )
k
x f V

( )
k
x f V

( )
( )
k
k
k
x f
x f
d
V
V
=

k
o

1 (0, 3) 11 (8, -2) 8,246 (-0,970; 0,242) 1,477
2 (-1,432; 3,358) 0,957 (1,199; 4,791) 4,938 (-0,243; -0,970) 0,261
3 (-1,496; 3,105) 0,319 (-4,992; 1,248) 5,146 (0,970; -0,243) 0,061
18

4 (-1,437; 3,090) 0,169 (0,351; 1,416) 1,459 (-0,241; -0,971) 0,094
5 (-1,459; 2,999) 0,101 (-2,192; 0,547) 2,259 (0,970; -0,242) 0,030

22 (-1,407; 2,791) 0,003 (0,004; 0,074) 0,074

ii) Resultados Utilizando o Mtodo da Bisseo
o problema 3.4. Ao final da simulao, aps 4 iteraes, foi obtido o ponto timo,
( ) 025 , 1 ; 051 , 2
4
= x
,que corresponde ao valor timo
( )
6
4
10 x 533 , 6

= x f
para uma
tolerncia
1 , 0 = c
e um ponto inicial
( ) 3 , 0
1
= x
.

Tabela 4.9: Resultados da Simulao Teste do problema 3.4.
Iterao
k
k
x

( )
k
x f

( )
k
x f V

( )
k
x f V

( )
( )
k
k
k
x f
x f
d
V
V
=

k
o

1 (0, 3) 52 (-44, 24) 50,119 (0,878; -0,479) 1,500
2 (1,317; 2,281) 10,752 (-7,764; 12,983) 15,127 (0,513; -0,858) 1,249
3 (1,959; 1,209) 0,211 (-0,919; 1,838) 2,056 (0,447; -0,894) 0,206
4 (2,051; 1,025) 6,533 x 10
-6
(0,351; 1,416) 1,459 (-0,241; -0,971) 0,094
timo
( ) 1 , 2 = x
e Shetty (1993), desta forma, a implementao realizada mostrou-se eficiente.
( ) 793 , 2 ; 408 , 1
11
= x
, que
( ) 003 , 0
11
= x f
para uma tolerncia
09 , 0 = c
e um ponto inicial
( ) 3 , 0
1
= x
.
19

Tabela 4.10: Resultados da Simulao do problema 3.5
Iterao
k
k
x

( )
k
x f

( )
k
x f V

( )
k
x f V

( )
( )
k
k
k
x f
x f
d
V
V
=

k
o

1 (0, 3) 11 (8, -2) 8,246 (-0,970; 0,242) 1,249
2 (-1,212; 3,303) 2,457 (12,323; 4,138) 12,999 (-0,948; -0,318) 0,259
3 (-1,458; 3,220) 0,439 (-0,953; 2,741) 2,902 (0,328; -0,944) 0,217
4 (-1,387; 3,015) 0,174 (0,3509; 1,218) 3,714 (-0,945; -0,328) 0,053
5 (-1,437; 2,998) 0,072 (-0,273; 0,719) 0,769 (0,355; -0,935) 0,091

11 (-1,408; 2,793) 0,003 (-0,029; 0,070) 0,076

iii) Resultados Utilizando o Mtodo de Newton Unidimensional

A tabela 4.11 apresentam os resultados obtidos referentes simulao do
programa teste para o problema 3.4. Ao final da simulao, ou seja, aps 10 iteraes, foi
obtido o ponto timo ) 143 , 1 ; 268 , 2 (
10
= x , que corresponde ao valor timo 005 , 0 ) (
10
= x f ,
para uma tolerncia 1 , 0 = c e um ponto inicial ) 3 , 0 (
1
= x .

Tabela 4.11: Resultados da simulao teste para o problema 3.4
Iterao
k
k
x

( )
k
x f

( )
k
x f V

( )
k
x f V

( )
( )
k
k
k
x f
x f
d
V
V
=

k
o

1 (0, 3) 52 (-44, 24) 50,119 (0,878; -0,479) 3,084
2 (2,707; 1,523) 0,365 (0,739; 1,355) 1,544 (-0,479; -0,878) 0,356
3 (2,537; 1,210) 0,097 (0,851; -0,464) 0,969 (-0,878; 0,479) 0,108
4 (2,442; 1,262) 0,045 (0,180; 0,330) 0,376 (-0,479; -0,878) 0,100
5 (2,394; 1,174) 0,026 (0,336; -0,183) 0,383 (-0,878; 0,479) 0,048
20


10 (2,268; 1,143) 0,005 (0,040; 0,074) 0,084
timo
( ) 1 , 2 = x
( ) 7940 , 2 ; 4073 , 1
24
= x
, que
( ) 0033 , 0
24
= x f
para uma tolerncia
09 , 0 = c
e um ponto
inicial
( ) 3 , 0
1
= x
.

Tabela 4.12: Resultados da simulao para o problema 3.5
Iterao
K
k
x

( )
k
x f

( )
k
x f V

( )
k
x f V

( )
( )
k
k
k
x f
x f
d
V
V
=

k
o

1 (0, 3) 11 (8, -2) 8,2462 (-0,9701; 0,2425) 1,4766
2 (-1,4325; 3,3581) 0,9567 (1,1977; 4,7910) 4,9384 (-0,2425; -0,9701) 0,2613
3 (-1,4959; 3,1047) 0,3190 (-4,9905; 1,2476) 5,1441 (0,9701; -0,2425) 0,0608
4 (-1,4369; 3,0899) 0,1692 (0,3540; 1,4161) 1,4596 (-0,2425; -0,9701) 0,0939
5 (-0,4597; 2,9989) 0,1008 (-2,1948; 0,5487) 2,2624 (0,9701; -0,2425) 0,0300

24 (-1,4073; 2,7940) 0,0033 (0,0199; 0,0796) 0,0820

4.2.2 Resultados Utilizando o Mtodo de Newton Multidimensional

21

A tabela 4.13 apresenta os resultados referente simulao do programa teste para o
problema 3.4. O algoritmo utilizado para implementar o programa est descrito na seo
2.2.2. Ao final da simulao, ou seja, aps 8 iteraes, foi obtido o ponto timo
) 9415 , 0 ; 8829 , 1 (
8
= x , que corresponde ao valor timo
4
8
10 x 8774 , 1 ) (

= x f , para uma
tolerncia 05 , 0 = c e um ponto inicial ) 3 , 0 (
1
= x .

iterao
k
) (
k
k
x f
x
) (
k
x f V ) (
k
x H ) (
1
k
x H

1
(0,3)
52
50,1199
|
|
.
|
\
|

8 4
4 50

|
|
.
|
\
|
1302 , 0 0104 , 0
0104 , 0 0208 , 0

2
(0,6667; 0,3333)
3,1605
9,4815
|
|
.
|
\
|

0000 , 8 0000 , 4
0000 , 4 3333 , 23

|
|
.
|
\
|
1367 , 0 0234 , 0
0234 , 0 0469 , 0

3
(1,1111; 0,5556)
0,6243
2,8093
|
|
.
|
\
|

0000 , 8 0000 , 4
0000 , 4 4815 , 11

|
|
.
|
\
|
1514 , 0 0527 , 0
0527 , 0 1055 , 0

4
(1,4074; 0,7037)
0,1213
0,8324
|
|
.
|
\
|

0000 , 8 0000 , 4
0000 , 4 2140 , 6

|
|
.
|
\
|
1843 , 0 1187 , 0
1187 , 0 2373 , 0

8
(1,889; 0,9415)
4
10 x 8774 , 1

0,0064
22

timo
( ) 1 , 2 = x
( ) 713 , 2 ; 395 , 1
11
= x
, que
( )
-4
11
10 x 6585 , 2 = x f
para uma tolerncia
09 , 0 = c
e um ponto
inicial
( ) 3 , 0
1
= x
.

Tabela 4.14: Resultados da simulao para o problema 3.5
iterao
k
) (
k
k
x f
x
) (
k
x f V ) (
k
x H ) (
1
k
x H

1
(0,3)
11
8,246
|
|
.
|
\
|

26 24
24 24

|
|
.
|
\
|
500 , 0 500 , 0
500 , 0 542 , 0

2
(-3333; 0)
3
10 x 372 , 1
3
10 x 468 , 2
|
|
.
|
\
|
013 , 0 056 , 0
056 , 0 714 , 3
. 10
3

|
|
.
|
\
|

085 , 0 001 , 0
001 , 0 005 , 0

3
(-2,719; 3,320)
316,425
813,401
|
|
.
|
\
|

102 , 0 055 , 0
055 , 0 632 , 1
. 10
3

|
|
.
|
\
|
010 , 0 000 , 0
000 , 0 001 , 0

4
(-2,223; 3,253)
69,426
255,589
|
|
.
|
\
|

369 , 54 696 , 22
696 , 22 876 , 698

|
|
.
|
\
|
019 , 0 001 , 0
001 , 0 001 , 0

11
(-1,395; 2,713)
4
10 x 6585 , 2

0,016
23


4.2.3 Resultados Utilizando o Mtodo Hbrido Gradiente timo e Newton

A tabela 4.15 apresenta os resultados referente simulao do programa teste para
2.2.3. Ao final da simulao, ou seja, aps 8 iteraes, foi obtido o ponto timo
) 8828 , 0 ; 7701 , 1 (
8
= x , que corresponde ao valor timo 0028 , 0 ) (
8
= x f , para uma tolerncia
1 , 0 = c e um ponto inicial ) 3 , 0 (
1
= x . Utilizou-se tambm, um valor fixo . 75 , 0 =
k

iterao
k
) (
k
k
x f
x
) (
k
x f V )] ( [
k k
x H I +
1
)] ( [

+
k k
x H I
1
(0,3)
52
50,1199
|
|
.
|
\
|

7500 , 8 0000 , 4
0000 , 4 7500 , 50

|
|
.
|
\
|
1186 , 0 0093 , 0
0093 , 0 0204 , 0

2
(0,6751; 0,5658)
3,2893
10,3767
|
|
.
|
\
|

7500 , 8 0000 , 4
0000 , 4 8132 , 23

|
|
.
|
\
|
1238 , 0 0208 , 0
0208 , 0 0455 , 0

3
(1,1018; 0,5522)
0,6509
2,9036
|
|
.
|
\
|

7500 , 8 0000 , 4
0000 , 4 4310 , 12

|
|
.
|
\
|
1340 , 0 0431 , 0
0431 , 0 0943 , 0

4
(1,3752; 0,6760)
0,1529
0,9337
|
|
.
|
\
|

7500 , 8 0000 , 4
0000 , 4 4341 , 7

|
|
.
|
\
|
1516 , 0 0816 , 0
0816 , 0 1784 , 0

8
(1,7701; 0,8828)
0,0028
0,0744
24

Analisando a tabela 4.15 verifica-se que o resultado convergiu para o ponto timo
) 1 , 2 ( =
x , e os resultados obtidos se aproximaram dos alcanados em Bazaraa; Sherali e

Shetty (1993), comprovando, desta forma, a eficincia da implementao elaborada neste
artigo. A tabela 4.16 apresentam os resultados obtidos referentes simulao do programa
para o problema 3.5. Ao final da simulao, ou seja, aps 7 iteraes, foi obtido o ponto timo
) 7062 , 2 ; 3935 , 1 (
7
= x , que corresponde ao valor timo
4
7
10 x 9724 , 1 ) (

= x f , para uma
tolerncia 09 , 0 = c e um ponto inicial ) 3 , 0 (
1
= x . Utilizou-se tambm, um valor fixo
. 75 , 0 =
k

Tabela 4.16: Resultados da simulao do problema 3.5
iterao
k
) (
k
k
x f
x
) (
k
x f V )] ( [
k k
x H I +
1
)] ( [

+
k k
x H I
1
(0,3)
11
8,246
|
|
.
|
\
|

75 , 26 24
24 75 , 24

|
|
.
|
\
|
288 , 0 279 , 0
279 , 0 311 , 0

2
(-1,929; 1,344)
34,568
127,957
|
|
.
|
\
|
433 , 15 639 , 9
639 , 9 558 , 397

|
|
.
|
\
|

0658 , 0 0016 , 0
0016 , 0 0026 , 0

3
(-1,628; 2,111)
4,856
35,148
|
|
.
|
\
|
388 , 4 259 , 14
259 , 14 739 , 171

|
|
.
|
\
|

312 , 0 026 , 0
026 , 0 008 , 0

4
(-1,468; 2,627)
0,286
6,991
|
|
.
|
\
|
963 , 2 71 , 12
71 , 12 866 , 93

|
|
.
|
\
|

805 , 0 109 , 0
109 , 0 025 , 0

7
(-1,393; 2,706)
4
10 x 9724 , 1

0,031

25

A seguir, apresenta-se de uma forma compacta, alguns resultados obtidos e
parmetros utilizados na soluo dos problemas 3.3 e 3.5, que foram implementados
utilizando respectivamente, os Mtodos de Busca Unidimensional e Multidimensional.
Posteriormente, feita as discusses e concluses analisando os dados destas tabelas. Como
j foi mencionado, o objetivo principal deste artigo analisar somente os resultados obtidos
para os problemas citados anteriormente, j que, os outros problemas implementados serviram
somente como parmetro de teste e comparao. Comentrios e discusses sobre a
convergncia de tais problemas testes podem ser encontrados em (BAZARAA; SHERALI;
SHETTY, 1993).

Tabela 4.17: Alguns resultados e parmetros do problema 3.3
Mtodos Unidimensionais Seo urea Bisseo Newton
nmero de iteraes 20 15 4
tolerncia preestabelecida 0,001 0,001 0,0001
ponto inicial - - 10
intervalo de incerteza [-3,5] [-3,6] -

Tabela 4.18: Alguns resultados e parmetros do problema 3.5
Mtodos Multidimensionais
Gradiente timo
Newton Hbrido
Seo urea Bisseo Newton
nmero de iteraes 22 11 24 11 7
tolerncia preestabelecida 0,09 0,09 0,09 0,09 0,09
Ponto inicial (0,3) (0,3) (0,3) (0,3) (0,3)

26

Concluses
Primeiramente, analisou-se os resultados obtidos para o problema 3.3, ou seja,
discutiu-se a eficincia dos Mtodos Unidimensionais aplicado a este problema. Como foi
visto, a tabela 4.17 apresentou alguns dados que se refere a tal problema para cada tipo de
Mtodo de Busca Unidimensional utilizado. Observou-se que, nos Mtodos da Seo urea e
Bisseo, as tolerncias preestabelecidas utilizadas foram as mesmas, ou seja, 001 , 0 = c . J
no Mtodo de Newton esta tolerncia foi de 0001 , 0 = c . Apesar da menor tolerncia utilizada
em Newton, este mtodo convergiu para o valor desejado com menos iteraes quando
comparado com os Mtodos da Seo urea e Bisseo. Isto se deve ao fato de que a ordem
de convergncia do Mtodo de Newton no mnimo quadrtica quando o ponto inicial
adotado est suficientemente prximo do ponto de mnimo da funo. No Mtodo da Seo
urea, a razo de reduo do intervalo de incerteza de
1
) 618 , 0 (
v
, sendo v o nmero de
observaes que foram realizadas, enquanto que, no Mtodo da Bisseo, o intervalo de
incerteza aps n iteraes igual a ) .(
2
1
1 1
a b
n
|
.
|
\
|
. Para maiores detalhes sobre os resultados,
ver as tabelas 4.2, 4.4 e 4.6. Na implementao do Mtodo de Newton utilizada neste artigo,
mesmo o ponto inicial estando consideravelmente distante da soluo tima do problema, o
mtodo convergiu com poucas iteraes, isto se deve provavelmente ao tipo de funo
representada no problema 3.3. Sua derivada segunda no se anula, sempre positiva e,
portanto, esta funo convexa. Estes fatores so favorveis para a aplicao deste mtodo e,
tambm, dos mtodos da Seo urea e Bisseo que exigem das funes, a quase-
convexidade e a pseudo - convexidade, respectivamente.
Em relao aos resultados apresentados na tabela 4.18 que se refere a alguns dados e
parmetros obtidos na implementao do problema 3.5 utilizando cada tipo de Mtodo
Multidimensional abordado neste artigo, verificou-se que as tolerncias preestabelecidas e os
pontos iniciais utilizados foram os mesmos em todos os mtodos, ou seja, 09 , 0 = c e (0,3)
respectivamente. Observou-se tambm que o Mtodo Hbrido apresentou, para essa mesma
tolerncia e mesmo ponto inicial, uma convergncia para o valor desejado com um nmero
menor de iteraes que os outros mtodos, este bom desempenho se deve ao fato da utilizao
do valor do parmetro
k
calibrado. Em seguida, com o mesmo nmero de iteraes segue os
Mtodos de Newton e Gradiente timo (utilizando Bisseo). Para maiores detalhes sobre os
resultados, ver as tabelas 4.8, 4.10, 4.12, 4.14 e 4.16.
27

Para tolerncias menores que a especificada, e mesmo ponto inicial, o Mtodo de
Newton superou todos os mtodos, inclusive o Mtodo Hbrido. Isto se deve ao fato do ponto
inicial estar suficiente prximo do ponto de timo. Para uma tolerncia de, por exemplo,
001 , 0 = c e o mesmo ponto inicial, o Mtodo do Gradiente timo utilizando qualquer busca
unidimensional, no convergiu para o ponto timo com menos de 200 iteraes, enquanto
que, o Mtodo Hbrido convergiu com 22 iteraes e o Mtodo de Newton com 15 iteraes.
Isto mostra a superioridade da convergncia do Mtodo de Newton, em relao ao Mtodo do
Gradiente timo quando o ponto inicial est suficiente prximo do ponto de timo, visto que,
a convergncia do Gradiente timo apenas linear enquanto que a de Newton no mnimo
quadrtica.
Enfim, foi possvel verificar que o objetivo do presente estudo foi atingido, visto
que, as ideias eram apenas estudar, verificar o desempenho e discutir a eficincia e a
convergncia dos mtodos apresentados, usando como parmetro, problemas existentes na
literatura e outros problemas com caractersticas semelhantes. Obviamente, foi possvel
verificar que o sucesso na obteno da soluo tima aplicando os mtodos descritos depende
muito do comportamento do problema que se deseja otimizar. Em particular, foi enfatizado
apenas os mtodos de otimizao matemtica para problemas no lineares e irrestritos, no
entanto, ainda dentro do universo da otimizao clssica, sugere-se para trabalhos futuros, o
estudo de mtodos que possam ser aplicados a problemas no lineares com restries tais
como: Mtodo das Penalidades, Barreiras, Relaxao Lagrangeana, Lagrangeno aumentado,
Gradiente Reduzido, Gradiente Projetado entre outros.

Referncias
BAZARAA, M. S.; SHERALY, H. D.; SHETTY, C. M. Nonlinear Programming: Theory
and Algorithms. 2. ed. United States of America: John Wiley & Son, 1993.

HEHL, M. E. Linguagem de programao estruturada Fortran 77. So Paulo: McGraw-
Hill, 1987.

LUENBERGER, D. G. Linear and Nonlinear Programming, 2. ed. United States of
America: Addison Wesley, 1984.

MANTOVANI, J. R. S. Programao No Linear de Sistemas. Ilha Solteira: UNESP, 2006.
(Notas de Aula).
28


MATSUMOTO, . Y. Matlab 6.5: Fundamentos de Programao. So Paulo: rica, 2002.

REBELO, M. S. Noes de programao em Mathematica. Disponvel em:<http://web.dma
t.fct.unl.pt/fct/servlet/DownloadFile;jsessionid=F6970CDDB8BF44437F5EC1D1995F39B8?
file=6842&modo=materialApoio>. Acesso em: 11 de julho de 2013.

TANEJA, I. J. Mathematica no ensino de clculo: uma abordagem computacional.
Departamento de Matemtica. Universidade Federal de Santa Catarina. Florianpolis-SC,
2013. Disponvel em: < http://www.mtm.ufsc.br/~taneja/MATREDE/Math0/Sumario1.html>.
Acesso em: 15 de maio de 2013.

77 314 1 PB

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

77 314 1 PB

Enviado por

Direitos autorais:

Formatos disponíveis

3

Revista I nterAtividade, Andradina-SP, Edio Especial, 1 sem. 2014

pode ser escolhido de tal forma que

x , e os resultados obtidos se aproximaram dos alcanados em Bazaraa; Sherali e

Você também pode gostar