1

PHD5029 - Modelos de Planejamento

e Gerenciamento de Recursos Hdricos
Aula 3: Conceitos Bsicos de Otimizao
Mario Thadeu Leme de Barros
Renato Carlos Zambon
Escola Politcnica da Universidade de So Paulo
Departamento de Engenharia Hidrulica e Ambiental
Em aulas anteriores vimos a Simulao,
agora vamos ver a Otimizao
Na simulao, as variveis de deciso (se existirem)
so determinadas por tentativa e erro;
Vamos estudar uma metodologia que fornece uma
soluo tima para o problema em pauta, ou seja: as
variveis de deciso so calculadas pelo modelo e
fornecidas ao decisor (para maximizar ou minimizar
um objetivo).
2
Elementos de um problema de
Otimizao
Dada uma Funo Objetivo:
max (ou min) F(x
1
,x
2
,...,x
n
)
Este problema pode ser bastante complexo
dependendo da forma da funo F e do nmero de
variveis de deciso (vetor X)
Calcular o vetor X acima um problema de
otimizao
Se no existem restries para os elementos de X ela
dita no condicionada, mas...
3
Variveis
de deciso
Elementos de um problema de
Otimizao
Agora considerem que as variveis de deciso
estejam sujeitas a diversas Restries:
g
1
(x
1
,x
2
,...,x
n
) < b
1
g
2
(x
1
,x
2
,...,x
n
) > b
2
g
3
(x
1
,x
2
,...,x
n
) = b
3
...
O problema se torna de otimizao condicionada
(mais complexo ainda!)
4
Elementos de um problema de
Otimizao
Dependendo do formato da funo objetivo,
das restries e da quantidade de variveis de
deciso envolvidas, a obteno da soluo do
problema de otimizao pode ser muito difcil,
ou s vezes impossvel de ser resolvido!
5
Problema geral de Otimizao
Variveis de deciso: x
1
,x
2
,...,x
n
Funo Objetivo:
max (ou min) F(x
1
,x
2
,...,x
n
)
Sujeito a (restries):
g
1
(x
1
,x
2
,...,x
n
) < b
1
g
2
(x
1
,x
2
,...,x
n
) > b
2
g
3
(x
1
,x
2
,...,x
n
) = b
3
...
6
recursos
Problemas de Otimizao
se as equaes forem lineares e as variveis
contnuas: Programao Linear (PL)
caso particular da PL: Fluxo em Rede
funo F quadrtica: Programao Quadrtica (PQ)
se as decises forem sequenciais (no tempo ou no
espao): Programao Dinmica (PD)
se as funes forem no lineares: Programao No
Linear (PNL)
com toda ou parte da variveis inteiras (discretas):
Inteira ou Inteira Mista (PLI, PNLIM, etc...)
7
Algumas aplicaes da otimizao na
anlise de sistemas de recursos hdricos
Planejamento, projeto e operao de:
canais, reservatrios, sistemas de irrigao, alocao entre
diversos usos consuntivos, gerao de energia, navegao,
controle de cheias, abastecimento de gua, tratamento de
guas para abastecimento e residurias, etc.
Calibrao de modelos:
hidrolgicos (como o SMAP!), guas subterrneas,
qualidade da gua em rios e represas, etc.
Sempre que falamos em maximizar ou minimizar
podemos pensar em otimizao!
8
A sequncia bsica de estruturao
de um modelo de otimizao :
Definir as variveis envolvidas (de deciso e as
no controlveis), restries, funo objetivo
Verificar a melhor forma de estruturar o
problema (aproximao)
Considerar a quantidade e qualidade dos
dados disponveis
Compatibilizar custo de desenvolvimento, as
rotinas de otimizao, a eficincia do modelo
9
Ou seja, a estruturao do
modelo uma fase
fundamental, fruto de um
grande entendimento entre o
analista e o DECISOR !
10
Otimizao no condicionada
(semrestries)
Otimizao: determinar o mximo de uma funo
objetivo desejada ou o mnimo de uma funo
objetivo indesejada
Funo Objetivo: expresso a ser otimizada, F(X)
Variveis de Deciso: vetor de variveis sob as quais
so feitas decises, X = x
1
,x
2
,...,x
n
11
Otimizao no condicionada
Lembrando um pouco o curso de
Clculo: se F(X) for contnua, so
condies para mximo e mnimo:
12
X
F(X)
A
B
C
D
( )
0 , i
i
F X
x
c
=
c
Otimizao no condicionada
Condies secundrias:
13
( )
( )
i
2
2
i
2
2
cncava na vizinhana de x
0 pontos de mximo (B,D)
0 pontos de mnimo
convexa na vizinhana de
(A,C)
x
i
i
F X
x
F X
x
c
<
c
c
>
c
Condies de Mximos, Mnimos
e Pontos de Inflexo de uma Funo
14
X
F(X)
Mnimo local
Mnimo global
Mximo local
Mximo global
Ponto de
Inflexo
( )
*
0
X X
F X
X
=
c
=
c
Condies de Mximos, Mnimos
e Pontos de Inflexo de uma Funo
Funo cncava:
Funo convexa:
x
1
e x
2
so dois pontos no domnio de F(X)
0<<1
15
1 2 1 2
[ (1 ) ] ( ) (1 ) ( ) F x x F x F x + > +
1 2 1 2
[ (1 ) ] ( ) (1 ) ( ) F x x F x F x + < +
Funo convexa e Funo cncava
Geometricamente, as relaes anteriores indicam que no intervalo
(x1-x2) um segmento de reta unindo esses dois pontos localiza-se
sempre acima (abaixo) da funo se ela for convexa (cncava).
A importncia desse conceito reside no fato de que, se a funo
objetivo for convexa, o mnimo local tambm o mnimo global; no
caso da funo ser cncava o mximo ser global.
16
F(X) F(X)
X
X
X
1
X
1
X
2
X
2
Condies de timo (mximo ou mnimo)
de uma funo multidimensional
forma quadrtica da matriz Hessiana...
definida positiva, negativa, indefinida...
lgebra linear...
autovalores e autovetores...
17
11 12 1
2
21 2
ij
1
...
... ...
( )
, h =
... ... ... ...
... ...
n
n
i j
n nn
h h h
h h
F X
H
x x
h h
c
=
c c
Otimizao no condicionada - Exemplo
Problema do Isolamento Trmico: determinar a espessura do
isolamento sabendo que a funo de custo F(X) dada pela
soma dos custos de combustvel e do isolamento:
X: espessura do isolamento (varivel de deciso!)
o asterisco * indica a soluo tima...
18
2
1
min ( ) X
K
F
X
K X = +
*
1
2
2
1
2
( )
0
K F X
K
X X
K
X
K
c
= = + =
c
Otimizao no condicionada - Exemplo
19
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14
c
u
s
t
o
espessura do isolante (")
combustvel isolante total
Otimizao condicionada
A otimizao condicionada envolve a existncia de
equaes de restrio
As restries podem ser de dois tipos bsicos:
Restries de Igualdade: alguns fatores tm que ser
iguais a um certo valor
Restries do tipo inequao: alguns fatores tm que
ser menores ou iguais ou maiores ou iguais a um
certo valor e assim por diante (limites superiores e
inferiores)
20
Restries de Igualdade
Exemplo: melhor aplicao de um oramento:
Neste caso a soluo no est em um ponto local de
mximo, mas na fronteira do espao de solues
viveis (imposta pela restrio):
21
+
=
=
1 2
1 1 2
1 2
2
0
sujeito a: oramento
max

( )

a a
Z
p x
X x
p
a
x
x
( ( ))
0 no mximo
Z X
X
c
=
c
Otimizao condicionada
Vamos ver agora mtodos para resolver problemas
de maior complexidade, por exemplo otimizao
com restries de igualdade e restries tipo
inequao...
Como: transformar um problema difcil num outro
mais fcil...
Neste caso: transformar a otimizao condicionada
numa otimizao no condicionada
22
Mtodo Lagrangeano
Seja a funo F(x)= F(x1, x2, ....xn) o mximo, o mnimo ou o
ponto de inflexo desta funo podem ser determinados
igualando a zero as derivadas parciais para cada varivel:
Se as variveis satisfazem a uma srie de m funes de
restrio: g1(x1......xn), .......gm(x1.....xn) = 0 pode-se isolar
cada varivel das funes de restrio e substitu-las em F,
encontrando os pontos de mximo, mnimo e inflexo.
Todavia, nem sempre isso possvel...
23
1
..... 0
n
F F
x x
c c
= = =
c c
Mtodo Lagrangeano
Para resolver isso, o matemtico Joseph Louis
Lagrange (1736-1813) desenvolveu o mtodo
dos multiplicadores:
24
Mtodo Lagrangeano
Vamos transformar o problema de otimizao
condicionada num no condicionado:
Seja a funo L (funo Lagrangeana) definida por:
25
-
otimizar ( )
sujeito a: ( )
j: restries de iguald
0
d
(
e
)
a
j j j j
g
F X
g X b b X = =
{ }
( , ) ( ( ) )
j
j j j
g X b L X F X (

Mtodo Lagrangeano

j
so os multiplicadores de Lagrange
Os s so quantidades desconhecidas que podem
ser determinadas com o timo da funo L
Note que: [g
j
(x)-b
j
]=0 por definio, ento o timo de
F(x) igual ao timo de L
A funo L assim proposta possui o mesmo timo de
F, porm, possui espao de deciso dado pela
restrio de igualdade.
26
Mtodo Lagrangeano
O timo de L deve ser obtido da
mesma forma, calculando-se as
derivadas parciais em relao as
variveis de deciso, acrescido das
derivadas parciais dos s
27
Mtodo Lagrangeano
Para determinar o mximo de L(X,
j
):
28
i
0 , e 0 ,
j
i j
L L
x
c c
= =
c c
O significado dos s: Preos Sombra
O Preo sombra ou Shadow Price - SP a taxa de mudana
no valor da funo objetivo por unidade de mudana no valor
da restrio (recurso)
Este o significado do multiplicador de Lagrange!
O shadow price extremamente importante no projeto de
um sistema, ele mensura a sensibilidade da funo objetivo s
restries impostas
29
( )
j j
j
F X
SP
b

c
= =
c
Mtodo Lagrangeano
Observar na expresso da funo
Lagrangeana o sinal de (negativo)
Ou seja, a expresso de L com o sinal negativo
permite a interpretao do valor de com o
sinal positivo, conforme descrito
anteriormente (preo sombra)
30
Exemplo do Mtodo de Lagrange
31
1 2
1 2
max ( ) 6
. : ( ) 3 4 18
F X x x
s a g x x x
=
= + =
2
1
1
2
1 2
6 3 0
6 4 0
3 4 18 0
L
x
x
L
x
x
L
x x

= =

= =

c
= + =

*
1
*
2
*
* *
6
2,25
4,5
( ) 40,5
x
x
F X

1 2 1 2
6 (3 4 18) L x x x x = +
Exemplo do Mtodo de Lagrange
vamos alterar o recurso da restrio em 0,1
unidades, passando agora para 18,1
F(x) = 40,95-40,5 = 0,45 = 0,1 * (aumento de 0,1)
32
2
1
1
2
1 2
6 3 0
6 4 0
3 4 18,1 0
L
x
x
L
x
x
L
x x

c
= =
c
c
= =
c
c
= + =
c
* *
( ) 40,95 F X =
33
Estrutura de Modelos de Otimizao
Exemplo: Calibrao do SMAP
Funo objetivo (maximizar o coeficiente de eficincia)
onde:
i = intervalo de tempo
Qobs
i
= vazo observada (m/s)
Qcalc
i
= vazo calculada (m/s)
Qobs = vazo observada mdia (m/s)
( ) ( )
( )
2
2
, , ,
1 1
2
,
1
max
n n
obs i obs obs i calc i
i i
n
obs i obs
i
Q Q Q Q
E
Q Q
= =
=

=

34
Sujeito as seguintes equaes:
balano de massa nos reservatrios
condies iniciais
1
1
Re
Re
i i i i i i
i i i i
Rsolo Rsolo P Es Er c
Rsub Rsub c Eb

= +
= +
0
0
1
2630
(1 0.5 )
Kkt
Rsolo Tuin Str
Ebin
Rsub
Ad
=
=

35
funes de transferncia
1
1
4
1 1
1
1
Re
1 0 5

Pes
i i i
i i i
i i i
Kkt
i i -
i
i
Es P Tu
Er Tu Ep
c Crec Tu Rsolo
Eb ( . ) Rsub
Rsolo
onde Tu
Str

=
=
=
=
=
36
clculo da vazo
limites:
resumo:
uma funo objetivo e mais 14 equaes (ou inequaes)
tanto a F.O. como parte das equaes so no lineares => PNL
( )
2630
i i
i
Es Eb Ad
Qcalc
+
=
400 5000
1 10
0 1
1 6
Str
Pes
Crec
kkt
s s
s s
s s
s s
37
modelo SMAP mensal
(calibrao)
variveis de estado:
Rsolo(i), Rsub(i)
variveis exgenas ou de
entrada (no controlveis):
Ep(i), P(i), Qobs(i), Ad, Tuin,
Ebin
variveis de deciso (controlveis):
Str, Pes, Crec, kkt
variveis endgenas
ou de sada: Es(i), Er(i),
Rec(i), Eb(i), Qcalc(i), E
simulao
otimizao
38
variveis exgenas ou de
entrada (no controlveis):
H(i), Q(i)
variveis de deciso (controlveis):
a, b, Ho
variveis endgenas
ou de sada: E
simulao
otimizao
Curva-chave
(calibrao)
variveis de estado:
no tem!
39
Implementao dos modelos: C, Delphi, Excel, GAMS, etc
como fazer no Excel uso do solver:
funo
objetivo
variveis
de deciso
restries
Tratamento das Incertezas
(Aleatoriedade, Estocasticidade)
40
variveis exgenas ou de
entrada (no controlveis): X
i
variveis de deciso
variveis endgenas
ou de sada: f
j
(X
i
)
simulao
otimizao
Modelo Determinstico
exemplo: SMAP
41
chuva, rea,
parmetros
vazo
42
variveis exgenas ou de
entrada (no controlveis):
distribuio de
probabilidade de X (dada
por exemplo pela mdia,
desvio padro e assimetria)
variveis de deciso
variveis endgenas ou
de sada
simulao
otimizao
Modelo Estocstico
Explcito
43
variveis exgenas ou de
entrada (no controlveis):
mltiplos cenrios de X
variveis de deciso
variveis endgenas ou
de sada
simulao
otimizao
Modelo Estocstico
Implcito
exemplo: comercializao de energia
44
cenrios de
crescimento da
demanda
sobras,
dficits,
multas,
faturamento,
etc.
Operao,
Leiles,
Contratos,
Regulamentao,
etc.
Exerccio: Mtodo de Lagrange
Determinar as dimenses de um canal retangular para veicular uma
dada vazo Q com declividade I e comprimento D conhecidas. Deseja-se
determinar H e B de tal modo que o custo total da obra seja mnimo.
Neste caso, o custo total (CT) do canal envolver os custos de escavao
(CE) e revestimentos (CR)
So conhecidos os custos unitrios de escavao C1 e revestimento C2
Dica: lembrar da Equao de Manning
45
H
B
D
I