APLICAO DO MTODO DOS MULTIPLICADORES DE

LAGRANGE KKT EM PROBLEMAS DE OTIMIZAO COM

RESTRIES UTILIZANDO O SOFTWARE MATLAB
Renan Gustavo Pacheco Soares

Mestrando em Engenharia Civil e Ambiental, rea de Concentrao Estruturas e Materiais,

Universidade Federal de Pernambuco-UFPE, Caruaru, Pernambuco, Brasil.
renangpsoares@hotmail.com

Resumo: Com tantos mtodos, algumas perguntas podem surgir como: Qual o mtodo
devo utilizar no meu problema?. Ou ainda: Qual o melhor mtodo de otimizao?.
Como resposta, verifica-se que no existe o melhor mtodo de otimizao, existe o mais
adequado para uma situao em particular, a depender das caractersticas e variveis da
situao. Cabe ao engenheiro fazer a escolha que mais se adeque ao seu projeto. Alm
disso, h uma enorme gama de softwares que fazem a implementao dos mtodos de
otimizao como o Matlab, Octave, Scilab, dentre outros. Este trabalho tem como
objetivo proceder a busca das solues timas de funes matemticas por meio da
aplicao do mtodo dos Multiplicadores de Lagrange fazendo uso das condies
necessrias de Karush-Kuhn-Tucker (KKT). Tambm sero utilizadas as tcnicas de
soluo grfica e numrica para comparao dos resultados. Foi utilizado o software
MatLab para implementar a rotina de clculo e plotagem dos grficos. Os resultados
obtidos atravs da anlise grfica permitiu constatar os valores timos para as funes
estabelecidas nos problemas 01 e 02.
Palavras-chave: otimizao, multiplicadores de lagrange, implementao numrica.

INTRODUO

grande a busca pelo ponto timo de determinada funo matemtica. Dentre as

diferentes tcnicas de otimizao existentes, tem-se o mtodo dos algoritmos de Busca
Direta
(MASCHIO;
SCHIOZER,
2004),
os
Algoritmos
Genticos
(SCHULZERIEGERT, 2001; ROMERO, 2000), o Simulated Annealing (QUENES,
1993), o Algoritmo de Levenberg-Marquardt (ARENAS, 2001), o mtodo Gradzone
(BRUN, 2001), o mtodo dos Multiplicadores de Lagrange, por Colnia de formigas (Ant
Colony Optimization) e por Enxame de Partculas (Particle Swarm Optimization) como
exemplos.
Com tantos mtodos, algumas perguntas podem surgir como: Qual o mtodo
devo utilizar no meu problema?. Ou ainda: Qual o melhor mtodo de otimizao?.
Como resposta, verifica-se que no existe o melhor mtodo de otimizao, existe o mais
adequado para uma situao em particular, a depender das caractersticas e variveis da
situao. Cabe ao engenheiro fazer a escolha que mais se adeque ao seu projeto. Alm
disso, h uma enorme gama de softwares que fazem a implementao dos mtodos aqui
apresentados como o Matlab, Octave, Scilab, etc.
Assim, este trabalho tem como objetivo proceder a busca das solues timas de
funes matemticas por meio da aplicao do mtodo dos Multiplicadores de Lagrange
fazendo uso das condies necessrias Karush-Kuhn-Tucker (KKT). Tambm sero
utilizadas as tcnicas de soluo grfica e numrica para comparao dos resultados. Foi
utilizado o software MatLab para implementar a rotina de clculo e plotagem dos
grficos. Os resultados obtidos atravs da anlise grfica permitiu constatar os valores
timos para as funes apresentadas nos problemas 01 e 02.

REFERENCIAL TERICO

2.1 Multiplicadores de Lagrange

O mtodo dos Multiplicadores de Lagrange uma tcnica de otimizao que
consiste na determinao de pontos extremos de uma funo com n variveis, sejam eles
mximos ou mnimos, sujeitas a uma ou mais restries.
Para Arora (2012), a Equao (1) que segue estabelece a relao entre a funo
objetivo e as restries na busca pelos possveis pontos mximos/mnimos:

(, , , ) = () + =1 () +
=1 ( () + )

(1)

Essa equao correlaciona a funo f(x) em anlise com o somatrio do produto

das restries (hi, e gi) pelos respectivos Multiplicadores de Lagrange (v, u e s), sejam
elas de igualdade (hi, v) e/ou desigualdade (gi, u e s).
2.2 Condies Necessrias Karush-Kuhn-Tucker (KKT)
So condies estabelecidas para restringir as possibilidades de anlise e obter os
possveis candidatos de soluo tima para cada funo matemtica. a constatao de
que os resultados obtidos da anlise de determinada funo pelos Multiplicadores de
Lagrange so concorrentes soluo tima, sendo conhecido como Condies
Necessrias dos critrios de otimalidade.
As Condies Necessrias KKT, conforme Arora (2012) so:

=0

(2)

=0

(3)

=0

(4)

=0

(5)

Onde so definidos diferenciais para cada varivel do problema, sendo essencial

o atendimento s condies supracitadas para que determinado ponto da funo objetivo
seja candidato a ponto timo.
2.3 Otimizao Atravs da Anlise Grfica
Como definido no trabalho anterior, um procedimento bastante til na
obteno dos valores timos quando do processo de otimizao. Tem como objetivo
definir os parmetros de busca e anlise, atravs do traado de grficos. Os problemas
analisados foram resolvidos mo (em anexo ao trabalho) e implementados graficamente
para comparao com os resultados obtidos no Mtodo de Lagrange e KKT.

PROBLEMAS A SEREM ANALISADOS

3.1. Primeiro Problema: Proceder a otimizao dos pontos que satisfazem a condio
necessria dos problemas, conforme Figura 01 que segue:

Figura 01 Problema 01

Obs.: Para verificar se os pontos so timos: (a) empregar o mtodo grfico e (b) usar
MATLAB para obter a soluo numrica.

3.2. Segundo Problema: Achar os pontos que satisfazem a condio necessria de KKT
dos problemas apresentados na Figura 02:

Figura 02 Problema 02

Obs.: Para verificar se os pontos so timos: (a) empregar o mtodo grfico e (b) usar
MATLAB para obter a soluo numrica.
3.3. Terceiro Problema: Achar numericamente no Matlab/Octave/Scilab os pontos que
satisfazem a condio necessria de KKT no "Problema 1" do "Trabalho 1".
Obs.: Como informado em sala de aula, este problema ser analisado em outro
momento.

4 RESULTADOS OBTIDOS
4.1 Problema 1.a
Aps a anlise de todos os parmetros dados no problema 1.a, foi feita a coleta de
dados, resolvido mo atravs dos Multiplicadores e Lagrange, implementada a rotina
de clculo no software MatLab, estabelecendo os critrios de otimizao com as restries
de igualdade, onde se chegaram aos resultados numricos e grficos do problema. A
soluo explcita do problema fazendo uso dos Multiplicadores de Lagrange e as
condies necessrias KKT seguem no Anexo A, obtendo o mnimo da funo de 27.20.
A soluo numrica para o problema implementada no MatLab atravs da funo fmincon
apresentou os mesmos resultados da soluo explcita (Figura 03).

Figura 03 Soluo numrica do problema 1.a atravs da funo fmincon do MatLab.

De igual modo, a soluo grfica, tambm implementada no MatLab, segue

conforme a Figura 04 abaixo:

Figura 04 Soluo grfica do problema 1.a.

Observa-se na Figura 04 que o ponto de mnimo est situado prximo ao centro

da figura, onde por interpretao grfica verifica-se que o gradiente em azul apresenta os
menores valores da funo () plotada. Assim, utilizando a ferramenta Zoom do
MatLab, consegue-se uma melhor visualizao do mnimo local, conforme a Figura 05:

Figura 05 Mnimo Local problema 1.a aproximado.

Dessa forma, com os valores das coordenadas x e y aplicadas na funo objetivo,

chega-se ao mnimo local, ou seja, o mnimo da funo para os pontos obtidos ser
(0.4, 0.86) = 27.20, corroborando com o resultado explcito (Anexo A) e numrico.

4.2 Problema 1.b

Com metodologia anloga ao problema 1.a, diferenciando apenas o quantitativo
de restries que neste problema foi maior, os resultados explcitos por meio do uso dos
Multiplicadores de Lagrange e as condies necessrias KKT seguem no Anexo B,
obtendo o mnimo da funo aproximadamente igual a 2.13. A soluo numrica para o
problema implementada no MatLab atravs da funo fmincon apresentou
aproximadamente os mesmos resultados da soluo explcita (Figura 06).

Figura 06 Soluo numrica do problema 1.b atravs da funo fmincon do MatLab.

Vale salientar que o quantil de iteraes com este mtodo pequeno, onde neste
problema foram necessrias apenas trs iteraes para atingir o critrio de parada
(Figura 07).

Figura 07 Dados de sada do problema 1.b.

A anlise grfica deste problema no foi possvel realizar, visto que no foi
possvel implementar no MatLab devido a possuir mais que duas variaveis/dimenses, o
que limita a metodologia de anlise grfica para anlise de funes dessa tipologia
(Figura 08).

Figura 08 Erro na plotagem da soluo grfica para o problema 1.b.

4.3 Problema 2.a

Este problema necessita da maximizao de uma funo, de modo que para ser
realizado esse procedimento, houve a necessidade de se trabalhar o mesmo de forma
minimizada. Foram seguidos todos os procedimentos de determinao de gradientes,
restries de desigualdade, montado o sistema de equaes, verificadas as condies
KKT para todos os casos, chegando-se a uma soluo vivel.
Foi implementada a rotina de clculo no software MatLab, estabelecendo os
critrios de otimizao com as restries de igualdade, onde se chegaram aos resultados
numricos e grficos do problema. A soluo explcita do problema fazendo uso dos
Multiplicadores de Lagrange e as condies necessrias KKT seguem no Anexo C,
obtendo o mnimo da funo de 8.33. A soluo numrica para o problema
implementada no MatLab atravs da funo fmincon apresentou os mesmos resultados da
soluo explcita (Figura 09).

Figura 09 Soluo numrica do problema 2.a atravs da funo fmincon do MatLab.

A soluo grfica do problema 2.a segue conforme a Figura 10 abaixo:

Figura 10 Soluo grfica do problema 2.a.

Aplicando os valores das coordenadas da Figura 10 acima na funo objetivo,

chega-se ao mnimo local, ou seja, (1.8, 2.2) = 8.33, corroborando com o resultado
explcito (Anexo C) e numrico.
4.4 Problema 2.b
Neste problema foram seguidos todos os procedimentos de modo anlogo ao
problema 2.a, com a distino que neste problema tem-se duas restries, uma de
igualdade e outra de desigualdade.
A soluo explcita do problema fazendo uso dos Multiplicadores de Lagrange e
as condies necessrias KKT seguem no Anexo D, obtendo o mnimo da funo igual a
quatro. A soluo numrica para o problema implementada no MatLab atravs da funo
fmincon apresentou os mesmos resultados da soluo explcita (Figura 11). Foi
considerado neste exemplo o da soluo explcita igual ao parmetro .

Figura 11 Soluo numrica do problema 2.b atravs da funo fmincon do MatLab.

O quantil de iteraes com este mtodo mais elevado que no problema 1.b,
porm ainda considerado pequeno para atingir o critrio de parada (Figura 12).

Figura 12 Dados de sada do problema 2.b (considera-se para este exemplo = ).

A soluo grfica do problema 2.b segue conforme a Figura 13 que segue:

Figura 13 Soluo grfica do problema 2.b.

Para finalizar, os valores das coordenadas da figura acima sendo aplicados na

funo objetivo, chega-se ao mnimo local, ou seja, (3,1) = 4, corroborando com o
resultado explcito (Anexo D) e numrico.

5 CONCLUSO

As funes matemticas analisadas podem ser obtidas quando, por exemplo, da

modelagem de situaes prticas de engenharia, onde as tcnicas de otimizao aqui
apresentadas podem contribuir na resoluo dos problemas, apresentando bons resultados
para anlise de funes objetivo com restries de igualdade e/ou desigualdade.
A utilizao do Mtodo dos Multiplicadores de Lagrange foi satisfatria para a
obteno dos mnimos pontos das funes analisadas. As condies KKT foram
essenciais pois contriburam para a o direcionamento e definio dos mnimos pontos.
As solues grficas alm de obter os mnimos das funes tambm foi referncia
para a comparao dos resultados encontrados com o Mtodo de Lagrange, onde
corroboraram os resultados. No entanto, para problemas com mais de duas variveis a
anlise grfica no satisfatria.
6 REFERNCIAS
Arenas, E.; Van Kruijsdijk, C.; Oldenziel, T.. Semi-Automatic History Matching Using
the Pilot Point Method Including Time-Lapse Seismic Data. SPE 71634 SPE Annual
Technical Conference and Exhibition, 30SEP-03OCT, New Orleans, Louisiana, 2001.
Arora, J.S. Introduction to optimum design. 3 Ed., Elsevier, 2012.
Bono, G.. Notas de aula da ps-graduao em Engenharia Civil e Ambiental da UFPECAA do professor Gustavo Bono, semestre 2015.2, disciplina: Indroduo Otimizao
Estrutural. Caruaru, 2015.
Brun, B.; Gosselin, O; Barker, J. W.. Use of Prior Information in Gradient-Based
History-Matching. SPE 66353 SPE Reservoir Simulation Symposium, 11-14 FEB,
Houston, Texas, 2001.
Maschio, C.; Schiozer, D. J. Ajuste de Histrico Assistido Usando Mtodos de
Otimizao de Busca Direta. IBP06204, Anais do Rio Oil & Gas Conference, Rio de
Janeiro, 4-7 de Outubro, 2004.
Quenes, A; SAAD, N.. A New Fast Parallel Simulated Annealing Algorithm for Reservoir
Characterization. SPE Annual Technical Conference and Exhibition, 3-6 OCT, Houston,
Texas, 1993.
Romero, C. E.; Carter, J. N.; Zimmerman, R. W.; Gringarten, A. C.. Improved Reservoir
Characterization through Evolutionary Computation. SPE Annual Technical Conference
and Exhibition, 1-4 OCT, Dallas, Texas, 2000.
Schulze-Riegert, R. W.; Axmann, J. K.; HAASE, O.; RIAN, D. T.; Y. L.. Optimization
Methods for History Matching of Complex Reservoirs. SPE 66393 SPE Reservoir
Simulation Symposium, Houston, Texas, 11-14FEB., 2001.

ANEXO A

ANEXO B

ANEXO C

ANEXO D