Você está na página 1de 34

Introducao `a Otimizacao Estrutural

Teoria, Metodos e Solucoes


GengDong Cheng
Universidade Tecnologica de Dalian
Dalian, China
Traducao e adaptacao: Jun S. O. Fonseca e Eduardo L. Cardoso
DEMEC-UFRGS - Porto Alegre, RS, Brasil
9 de outubro de 2009

Sum
ario
1 Conceitos de Otimiza
c
ao Estrutural
1.1 Formulacao da Otimizacao Estrutural . . . . . . . . . . . . . .
1.1.1 Analise Estrutural . . . . . . . . . . . . . . . . . . . . .
1.1.2 Funcao Objetivo . . . . . . . . . . . . . . . . . . . . . .
1.1.3 Variaveis Envolvidas no Projeto . . . . . . . . . . . . .
1.1.4 Restricoes Impostas ao Projeto . . . . . . . . . . . . . .
1.2 Otimizacao de Estruturas Contnuas e de Estruturas Discretas
1.3 Hierarquia das Variaveis de Projeto . . . . . . . . . . . . . . . .
1.4 Variaveis Discretas e Variaveis Contnuas . . . . . . . . . . . .
1.5 Representacao Geometrica da Otimizacao Estrutural . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

5
5
5
5
6
6
9
9
9
10

2 Fundamentos de C
alculo Variacional
2.1 Problema Variacional sem Restricoes . . . . . . . . . . . . . . . . . . . .
2.2 Condicoes de Contorno Naturais . . . . . . . . . . . . . . . . . . . . . .
2.3 Problema Variacional sem Restricoes com Derivadas de ordem superior .
2.4 Problema Variacional com multiplas funcoes . . . . . . . . . . . . . . . .
2.5 Funcionais Sujeitos a Restricoes (Problema Isoperimetrico) . . . . . . .
2.6 Problemas variacionais com restricoes de desigualdade . . . . . . . . . .
2.7 Reformulacao de restricoes . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

13
13
19
20
21
23
27
28

3 Programa
c
ao Matem
atica
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Programacao linear e programacao linear sequencial . . . . . . . . . . . . . . . . . . . . .
3.3 Programacao quadr
atica e programacao quadr
atica sequencial . . . . . . . . . . . . . . . .

29
29
31
34

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

SUMARIO

Captulo 1

Conceitos de Otimizac
ao Estrutural
Defini
c
ao 1. Otimizacao Estrutural: Metodos e ferramentas para auxiliar o engenheiro a melhorar o
projeto de pecas e componentes, levando em conta sua resposta a solicitacoes mecanicas. Propicia ao
engenheiro metodos e ferramentas para a otimizacao de projetos. O objetivo e encontrar os melhores
valores (de acordo com os objetivos) para as variaveis de projeto, satisfazendo todas as restricoes impostas
ao projeto.

1.1

Formulac
ao da Otimizac
ao Estrutural

A formulacao da teoria de otimizacao estrutural leva em conta quatro componentes:


Analise estrutural;
Determinacao da funcao objetivo;
Determinacao das variaveis do projeto;
Determinacao das restricoes impostas ao projeto.

1.1.1

An
alise Estrutural

O comportamento mec
anico da estrutura a ser projetada deve ser analizado atraves da Mecanica dos
Solidos. Dependendo das caractersticas geometricas, das vinculacoes e do carregamento aplicado na
estrutura a ser dimensionada, podemos analisa-la atraves dos modelos cinem
aticos e constitutivos disponveis na mec
anica dos s
olidos, tais como elasticidade, plasticidade, modelos de placas, modelos de
vigas, elementos finitos, etc..
Quando utilizando teorias estruturais, devemos ter em mente que a estrutura otima pode nao se
enquadrar nas hip
oteses simplificadoras destes modelos, tais como placas finas ou vigas longas.

1.1.2

Fun
c
ao Objetivo

uma quantidade com a qual o projetista faz o seu julgamento sobre o merito do projeto e portanto o
E
que se quer obter no projeto final. Normalmente esta funcao se relaciona diretamente com o custo do
componente que est
a sendo projetado. Como exemplo podemos citar o projeto para o menor peso, onde
a funcao objetivo e o peso da estrutura, que na ind
ustria aeroespacial influi significativamente no custo.
Obviamente podemos ter mais de uma funcao objetivo, como por exemplo aumentar a rigidez e
diminuir o peso de uma estrutura. Neste caso temos o que chamamos de otimiza
c
ao multiobjetiva ou
otimiza
c
ao vetorial. Quando otimizamos tendo apenas uma funcao objetivo chamamos de otimiza
c
ao
escalar.
5

ESTRUTURAL
CAPITULO 1. CONCEITOS DE OTIMIZAC
AO

1.1.3

Vari
aveis Envolvidas no Projeto

Durante o processo de otimizacao o engenheiro freq


uentemente trata com diferentes tipos de variaveis.
Do ponto de vista da otimizacao estrutural estas variaveis podem ser agrupadas em tres classes:
Par
ametros prescritos: N
ao mudam durante o processo. Sao especificados em projeto, regidos por
uma lei fsica ou por uma norma de projeto. Como exemplo temos a tensao maxima que um material
suporta ou o comprimento de uma viga.
Vari
aveis de projeto: Sao par
ametros que o projetista pode alterar e assim influir sobre o processo
de otimizacao. Como exemplo temos a altura de uma viga.
Vari
aveis de estado ou de comportamento estrutural: A medida que a estrutura e otimizada
estas variaveis s
ao alteradas. Geralmente o projetista nao tem controle direto sobre estas variaveis durante
o processo, pois s
ao funcoes das variaveis de projeto e dos par
ametros prescritos. Como exemplo podemos
citar o deslocamento transversal de uma viga.
A escolha das variaveis de projeto e muito importante para o exito do processo de otimizacao estrutural. Se utilizarmos muitas variaveis de projeto a dimensao do problema aumenta, podendo causar
dificuldades numericas. Deve-se iniciar a formulacao do problema de otimizacao com um n
umero pequeno
de variaveis de projeto e ir gradualmente aumentando a complexidade da formulacao a medida que se
compreende melhor o problema.
A forma na qual as variaveis de projeto s
ao adicionadas `a formulacao do problema tem influencia
direta na taxa de convergencia dos algoritmos de otimizacao. Como exemplo, temos que na otimizacao
de uma trelica, o uso de variaveis recprocas (inversas) tem se mostrado mais eficientes do que trabalhar
com a area da seccao transversal das barras.

1.1.4

Restric
oes Impostas ao Projeto

Mesmo podendo alterar as variaveis de projeto, sabemos que estas est


ao sujeitas a certos limites. Por
exemplo, ao diminuir a espessura de uma placa, temos que esta espessura est
a limitada pela tensao
maxima que o material pode suportar.
Em otimizacao estrutural chamamos de restri
c
oes as limitacoes impostas ao projeto. As restricoes
podem ser impostas a todas as grandezas envolvidas no projeto.
As restricoes impostas nas variaveis de projeto chamamos restri
c
oes laterais. Por exemplo, limitar
o diametro de um tubo no intervalo [Dmin , Dmax ], onde D e uma variavel de projeto. Por serem restricoes
simples, s
ao tratadas de forma especial em muitos algoritmos de otimizacao estrutural.
Outro tipo de restricao e imposta na resposta da estrutura (por exemplo o deslocamento y (x) de uma
viga), e s
ao chamadas de restri
c
oes de comportamento. Estas restricoes s
ao, para muitos problemas,
nao lineares e funcoes implcitas das variaveis de projeto. Isto torna a otimizacao estrutural mais complexa, se comparada com a otimizacao em outros campos. O calculo das restricoes de comportamento
envolve muita computacao, sendo um ponto crtico na implementacao computacional da otimizacao estrutural.
Muitas das restricoes impostas as variaveis do problema s
ao escritas na forma de inequacoes, sendo que
restricoes podem ser impostas em quantidades globais a estrutura (volume total, frequencia natural,etc..)
ou em quantidades locais (volume de uma barra especfica). Uma vez que as restricoes globais s
ao tratadas
de modo mais eficiente pelos algoritmos de otimizacao, a transformacao de uma restricao local para a
forma de uma restricao global pode ser bastante desejavel.
Exemplo 1. Projetar a trelica da figura 1.1 para resistir a flambagem e ao escoamento, com objetivo
de obter a estrutura mais leve possvel. Sao dados a espessura dos tubos (t), o modulo de elasticidade
transversal (E), a densidade do material (), a forca P e a tensao de escoamento (y ). D e H tem
limitacoes de dimensao, possuindo valores admissveis maximos e mnimos.
Podemos resumir o problema de otimizacao da seguinte forma:
Modelo estrutural: Teoria de barras;

DA OTIMIZAC
ESTRUTURAL
1.1. FORMULAC
AO
AO

Figura 1.1: Trelica a ser otimizada


Dados (par
ametros prescritos): t, E, , P , y ;
Objetivo : Minimizar o peso;
Variaveis de projeto: H e D;
Restricoes: nao podem ocorrer flambagem ou plastificacao. D deve se situar no intervalo [Dmin , Dmax ]
e H no intervalo [Hmin , Hmax ] .
A funcao objetivo (peso da estrutura) pode ser escrita em termos dos par
ametros prescritos e das
variaveis de projeto:
p
W (H, D) = 2Dt B 2 + H 2 .

As restricoes tambem podem ser escritas em termos dos par


ametros prescritos e das variaveis de
projeto. A tens
ao compressiva deve ser menor do que a tensao crtica de flambagem (Euler):

2 ED2
P B2 + H 2

,
DHt
8 (B 2 + H 2 )
e a tensao dos membros deve ser inferior a tensao maxima admissvel:

P B2 + H 2
y ,
DHt
tendo sempre em mente que os valores possveis para as variaveis de projeto se situam nos intervalos
[Dmin , Dmax ] e [Hmin , Hmax ] .
Assim podemos formular o problema de otimizacao como: determine H e D tal que
p
min W = 2Dt B 2 + H 2
H,D

sujeito a

P B2 + H 2
DHt

P B2 + H 2
DHt
D
H

2 ED2
8 (B 2 + H 2 )

[Dmin , Dmax ]
[Hmin , Hmax ] .

O uso da teoria estrutural limita seriamente este caso de otimizacao.

ESTRUTURAL
CAPITULO 1. CONCEITOS DE OTIMIZAC
AO

Exemplo 2. Para a viga simplesmente apoiada sob acao de uma carga distribuda (figura 1.2), determinar
a area A (x) da seccao transversal que minimize o deslocamento transversal total da viga. Sao dados a
carga distribuida P (x), o comprimento l, o modulo de elasticidade transversal (E) e o volume total da
viga (V ).

Figura 1.2: Viga sob carga distribuda.


Podemos resumir o problema de otimizacao da seguinte forma:
Modelo estrutural: Teoria de vigas de Euler-Bernoulli;
Dados (par
ametros prescritos): l, E,P (x) e V ;
R
Objetivo : Minimizar a deflexao media total y(x)dx;

Variavel de projeto: Area da seccao transversal;

Restricoes: Condicoes de contorno geometricas e naturais da viga.


Assim, podemos escrever o problema de otimizacao na forma:
Determinar A (x) tal que
Z
min y(x)dx
A

sujeito a

volume da viga

: V =

A(x)dx

2 y(x)
2
[EI(x)
] = P (x)
x2
x2
Condicoes de contorno geometricas : y(x)x=0 = y(x)x=l = 0
2 y(x)
2 y(x)
=
EI(x)
= 0.
Condicoes de contorno naturais : EI(x)
x2 x=0
x2 x=l
Equacao da viga

conveniente relacionar a
E
area da viga com o seu momento de inercia. Por exemplo, para uma viga
retangular, temos que
A = bh
I=
e assim podemos escrever

Ah2
bh3
=
12
12

DE ESTRUTURAS CONTINUAS E DE ESTRUTURAS DISCRETAS


1.2. OTIMIZAC
AO

I(x) =

A(x)h2
.
12

Novamente, deve-se lembrar da influencia das hip


oteses cinem
aticas da teoria de vigas sobre o resultado
da otimizacao.

1.2

Otimizac
ao de Estruturas Contnuas e de Estruturas Discretas

No exemplo 1, as variaveis de projeto eram os escalares D e H, ou em termos de um vetor:


X=

D
H

Em geral, as variaveis de projeto constituem um vetor n-dimensional na forma


X=

x1

x2

x3

..

xn

e definimos um problema de otimizacao com variaveis finito-dimensionais como sendo um Problema de


otimiza
c
ao estrutural discreta.
No exemplo 2, a variavel de projeto era A (x), definida no intervalo [0, l] , descrevendo a distribuicao
de material ao longo da viga. A este tipo de problema chamamos Problema de otimiza
c
ao estrutural
com par
ametros distribudos. Uma abordagem para a resolucao de problemas de otimizacao com
par
ametros distribudos e discretizar o modelo estrutural e a variavel de projeto, de forma a transformar
o problema em uma otimizacao discreta.

1.3

Hierarquia das Vari


aveis de Projeto

Nos exemplos 1 e 2, D e A (x) eram variaveis relacionadas com a seccao transversal e s


ao chamadas de
vari
aveis de projeto dimensionais. Como exemplo podemos citar a espessura de uma placa ou a
orientacao das fibras de um material composto.
Quando as variaveis descrevem posicoes, como no caso de nos de uma trelica ou o contorno de uma
peca, estas s
ao chamadas de vari
aveis estruturais de forma. Este tipo de otimizacao apresenta
grandes dificuldades, pois o modelo estrutural muda a medida que o processo de otimizacao avanca.
Problemas de otimizacao topol
ogica s
ao ainda mais complexos, apresentando melhores resultados.
Topologia estrutural se refere a conectividade entre elementos de barra e viga, n
umero de furos em
estruturas elasticas em 2D e 3D, etc... Uma maneira de descrever a topologia e definir uma variavel
de projeto topol
ogica que permita valores 0 ou 1, onde 0 significa ausencia de material e 1 presenca de
material em pontos especficos da estrutura.
Otimizacao estrutural envolvendo sele
c
ao de materiais leva a variaveis de projeto relativas a propriedades do material. Desta forma podemos selecionar o melhor material em uma lista de materiais
disponveis ou projetar o melhor material, de acordo com as necessidades de performance desejadas.

1.4

Vari
aveis Discretas e Vari
aveis Contnuas

No exemplo 1, o diametro D de um tubo circular pode assumir valores no intervalo [Dmax , Dmin ], por
exemplo, 2,54cm. Assim, temos que esta variavel e contnua dentro do intervalo. Sabendo que na pratica
este diametro deve ser selecionado de acordo com a disponibilidade comercial, esta variavel assumir
a
valores discretos dentro do mesmo intervalo.

ESTRUTURAL
CAPITULO 1. CONCEITOS DE OTIMIZAC
AO

10

Em geral a otimizacao com valores discretos e mais complexa do que a otimizacao com variaveis
contnuas. Uma abordagem e otimizar de forma contnua e ,apos, arredondar o valor encontrado para
um valor proximo aos valores discretos disponveis. Deve-se ter em mente que este arredondamento pode
violar as restricoes do problema e nao ser um otimo.

1.5

Representac
ao Geom
etrica da Otimizac
ao Estrutural

Para visualizar a formulacao da otimizacao estrutural e os diferentes procedimentos de solucao e conveniente termos uma representacao visual do problema de otimizacao.
Relembrando, o problema de otimizacao pode ser escrito como: tendo um objetivo e as variaveis de
projeto, encontrar um extremo do funcional sujeito as restricoes, ou:
X=

x1

x2

x3

..

min f (X)

xn

T

sujeito a
hj (X)
gk

0
= 0

j = 1..J
k = 1..K.

Podemos definir um sistema de coordenadas n-dimensional, onde cada eixo coordenado do espaco
e limitado por uma das variaveis de projeto X. Qualquer ponto no espaco e projeto candidato X e
chamamos este espaco de espa
co de projeto.
Como as igualdades gk = 0 podem ser reescritas em forma de inequacoes, podemos tratar o problema
por restricoes do tipo hj (X) 0. O espaco das solucoes, levando em conta as restricoes e chamado de
conjunto das solu
c
oes admissveis (ou vi
aveis).
Aos valores que f (X) assumem chamamos de isolinhas de objetivos. Na figura (1.3) podem
visualizar o espaco de projeto, o espaco das solucoes admissveis restingido pelas inequacoes na forma
hj (X) 0 e os valores assumidos por f (X).

Figura 1.3: Espaco de projeto


Defini
c
ao 2. Definimos um domnio convexo como sendo aquele em que qualquer ponto no domnio
pode ser unido a outro ponto do domnio por meio de uma reta, sendo que todos os pontos desta reta

GEOMETRICA

ESTRUTURAL
1.5. REPRESENTAC
AO
DA OTIMIZAC
AO

11

pertencem ao domnio (a reta nao intercepta o contorno). Pode-se observar a representacao gr


afica de
um conjunto convexo na figura (1.5b). Na figura (1.5a) e representado um domnio c
oncavo, onde a
linha que une dois pontos no domnio pode conter pontos que nao pertencem ao domnio.

Figura 1.4: Domnios nao-convexo e convexo


Uma fun
c
ao convexa F (X) e definida como sendo aquela na qual dois valores F (X1 ) e F (X2 ) e
suas combinacoes lineares em X1 + (1 ) X2 satisfazem a seguinte relacao:
F (X1 + (1 ) X2 ) F (X1 ) + (1 ) F (X2 ) .
Isto pode ser visualizado graficamente na figura (1.5) onde observamos que a linha que une os dois pontos
se mantem sobre o gr
afico da funcao convexa.

Figura 1.5: Funcao Convexa


Fun
c
ao c
oncava e definida como sendo a funcao F (X) cujos valores F (X1 ) e F (X2 ) e suas combinacoes lineares em X1 + (1 ) X2 satisfazem a seguinte relacao:
F (X1 + (1 ) X2 ) F (X1 ) + (1 ) F (X2 ) .
Pode-se visualizar uma funcao concava na figura (1.5), onde podemos observar que a linha que une
dois pontos se situa abaixo do gr
afico da funcao concava.
De acordo com as definicoes acima, fica claro que podemos ter funcoes que nao s
ao convexas e nem
concavas, de acordo com a figura (1.5).
Estas definicoes de domnios e funcoes convexas s
ao importantes em otimizacao, pois se o domnio
definido por hj (X) for convexo, existe uma solucao u
nica, ou seja, o otimo local e igual ao otimo global,
como na figura 1.5.
Entretanto, se o domnio for nao convexo, nao se pode garantir que o ponto encontrado e um extremo
local ou global (Fig. 1.5).

12

ESTRUTURAL
CAPITULO 1. CONCEITOS DE OTIMIZAC
AO

Figura 1.6: Funcao Concava

Figura 1.7: Funcao nem Concava nem Convexa

Figura 1.8: Domnio e funcao Convexa

Figura 1.9: Domnio nao convexo

Captulo 2

Fundamentos de C
alculo Variacional
Defini
c
ao 3. Funcional: Um funcional pode ser definido como uma funcao composta por diversas funcoes,
ou como uma funcao que mapeia um espaco vetorial em um escalar. Devido ao fato de mapearmos funcoes
em termos de um escalar temos uma simplificacao de trabalharmos com valores escalares.
Um exemplo de funcional e
[y (x)] =

F (x, y (x) , y (x)) dx ,

que e funcao da funcao y (x), de sua primeira derivada e da variavel independente x. Pode-se constatar
que o valor de [y (x)] e um escalar.Um funcional pode ser funcao de mais de uma funcao
Z
[y (x) , z (x)] = F [x, y (x) , y (x) , z (x) , z (x)] dx
e conter derivadas de ordem superior.

Defini
c
ao 4. Extremizacao de funcionais.
Assim como no calculo tradicional a primeira derivada de uma funcao, quando nula,
f (x)
=0
x
representava um ponto extremo local (m
aximo, mnimo ou inflexao) , a primeira varia
c
ao de um funcional ser nula representa, tambem, a extremizacao do funcional. Da mesma forma, quando obtinhamos
a coordenada xe onde a funcao f (x) obtinha seu valor extremo, obtemos no caso de funcionais a(s)
funcao(
oes) que minimiza(m) este funcional. Os conceitos de variacao de funcionais e suas aplicacoes a
diferentes tipos de funcionais s
ao apresentados.

2.1

Problema Variacional sem Restric


oes

Este e o problema mais simples, onde o funcional e definido como sendo


Z x1
F [x, y (x) , y (x)] dx ,
[y (x)] =
x0

onde x e definido em [x0 , x1 ]. O objetivo e encontrar uma funcao y (x) que extremize este funcional
(maximize ou minimize) e que satisfaca as condicoes de contorno:
y (x0 )

= y0

y (x1 )

= y1 .
13

14

CAPITULO 2. FUNDAMENTOS DE CALCULO


VARIACIONAL

Para obter as condicoes que tornam y (x) um extremizador do funcional, consideramos uma funcao
candidata ye (x) admissvel no intervalo [x0 , x1 ] que satisfaca as mesmas condicoes de contorno de y (x)
e que tenha o mesmo grau de continuidade (Fig. 2.1).

Figura 2.1: Minimizador e candidato


Considerando y (x) como a diferenca entre ye (x) e y (x),

y (x) = ye (x) y (x)

e como ambas as funcoes satisfazem as condicoes de contorno temos que


y (x0 ) = y (x1 ) = 0.
Baseados no conceito de y (x), podemos dizer que a funcao y pode ser escrita como uma combinacao
entre a funcao candidata y (x) e a diferenca y (x), na forma
y (x, ) = y (x) + y (x)
constituindo uma famlia de curvas dependentes de x e de . Substituindo y (x, ) na equacao do funcional, obtemos uma funcao de
Z
() = [y (x, )] = F [x, y (x, ) , y (x, )] dx
ja que a integral elimina os termos em x. Da definicao de y(x, ) constatamos que
y (x, 0) = y (x)
y (x, 1) = ye (x) .

Considerando a primeira varia


c
ao do funcional em y (x):


Z 
()
F y
F y
dx
|y=y =
+
=
=0
y y =0


Z 
F
()
F
=
|y=y =
y + y dx
=0
y
y

e a condicao necessaria para que esta variacao represente um extremo em y (x) e que

()
= 0,
|y=y =
=0


2.1. PROBLEMA VARIACIONAL SEM RESTRIC
OES

15

da mesma forma em que a primeira derivada de uma funcao, quando igual a zero representa um extremo
da funcao. Manipulando a expressao acima, obtemos
x


Z 
F
F 1
d F
y dx +
y dx = 0

y
dx y
y x0

onde o u
ltimo termo se anula por serem as condicoes de contorno homogeneas. Como a diferenca y e
arbitraria, esta expressao e verdadeira se o termo dentro da integral for zero, ou seja


d F
F
=0

y
dx y
R
e esta e a condicao para que y (x) seja um extremo do funcional [y (x)] = F [x, y (x) , y (x)] dx.
Generalizando para condicoes de contorno nao homogeneas (eq xx) obtemos a seguinte condicao para
extremizar o funcional:
2F
2F
2F
F
2
y

=0
y
y
yy
xy
y (x0 ) = y
y (x1 ) = y1
Esta equacao e conhecida como equa
c
ao de Euler do problema variacional, sendo uma condicao
necessaria para ser um extremo mas nao uma condicao suficiente. Isto porque este ponto pode ser um
ponto de inflexao, que nao e um extremo global e sim local no intervalo.
Em funcionais convexos pode-se demonstrar que a solucao da equacao de Euler permite detectar
um extremo global no intervalo, pois da mesma forma que uma funcao convexa, apresentam um ponto
extremo definido no intervalo:

Figura 2.2: Mnimo de uma funcao convexa


Da mesma forma que obtivemos a primeira variaca
o de , podemos obter a segunda variaca
o do
funcional, 2 ,bastando fazer a derivada segunda de ():


2 ()
2 y=y =
.
2 =0

De forma analoga ao calculo 


tradicional, a segunda variacao permite verificar o tipo de extremo obtido
pela extremizacao do funcional |y=y = 0 , pois se
2 > 0 Ponto de mnimo

2 < 0 Ponto de maximo


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

16

2 = 0 Ponto de inflexao.
Considerando funcionais lineares F1 [u], F2 [u] e G [u, v], temos as seguintes propriedades, analogas `a
diferenciacao :
(F1 F2 ) = F1 F2
(F1 F2 ) = F1 F2 + F1 F2
 
F1
(F1 F2 F1 F2 )

=
F2
F22
n

(F1 ) = n (F1 )

F1

G
G
u +
v
u
v

G =
e ainda

n1

d
d
dv
d
(u) =
(v) =
=
(u)
dx
dx
du
dx
Z
Z
Z
Z

u dx =
v dx =
v dx =
u dx

Exemplo 3. Qual a e a menor distancia entre dois pontos, considerando o espaco com norma Euclidiana
(fig. 2.1) ?

Figura 2.3: Menor distancia entre pontos


Consirerando um infinitesimo da curva generica de comprimento ds, podemos considerar que
p
ds = du2 + dx2

e portanto a distancia total entre a e b e

s=

ds =

du2 + dx2 .

Este e um problema variacional pois temos uma relacao entre um escalar (distancia), a funcao u (x) e a
portanto um problema da classe estudada anteriormente (problema variacional
variavel independente x. E
sem restricoes com condicoes fixas nos extremos). Com algum algebrismo obtemos a expressao
s=

p
u2 + 1dx


2.1. PROBLEMA VARIACIONAL SEM RESTRIC
OES

17

e o nosso objetivo e encontrar o extremo deste funcional. Aplicando a equacao de Euler




F
d F
=0

u
dx u
e como nao temos u definido neste funcional, o problema recai em


d F
=0
dx u
onde

u
F

=
u
u2 + 1

e assim obtemos a condicao de que


d
dx
ou seja

u
e
u2 +1

u
u2 + 1

=0

constante no intervalo e podemos escrever


u

=A
u2 + 1
u2 =

e sendo c =

A2
=B
(1 A2 )
u = C

que e a equacao diferencial que representa a solucao do problema. Integrando dos dois lados obtemos a
expressao
u (x) = C1 x + C2
ou seja, a distancia mnima entre dois pontos no espaco euclidiano e uma reta.
Exemplo 4. Um corpo e solto no ponto A e deve percorrer uma trajet
oria chegando ao ponto B, (fig.
2.1) submetido apenas a aceleracao da gravidade. Determine a equacao da trajet
oria para que isto ocorra
no menor tempo possvel.

Figura 2.4: Braquistocrona


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

18

O objetivo e que o tempo T seja o menor possvel. Considerando que


ds = V dt
ds
dt =
V
o tempo total e
T =

t1

dt.

t0

Pela norma euclidiana temos que


ds =
e portanto
T =

t1

dt =

t0

x1

x0

du2 + dx2

ds
=
V

x1

x0

1 + u2
dx
V

A expressao para a velocidade pode ser obtida por conservacao de energia (Ec + Ep = cte ). Assim
para um ponto generico
1
1
mgu0 + mV02 = mgu + mV 2
2
2
ou seja, a energia em um ponto qualquer e a mesma do ponto inicial. Assim podemos obter a velocidade
em qualquer ponto em termos dos par
ametros iniciais
q
V = [2g(u0 u) + V02 ]
e substituindo na integral do problema variacional,

Z x1
1 + u2
p
dx.
T =
[2g(u0 u) + V02 ]
x0

Considerando que o corpo possui velocidade inicial nula e que o referencia e o ponto 0,
u0 = 0
V0 = 0

obtemos a forma funcional do problema


1
T =
2g

x1

x0

1 + u2

dx ,
u

que e um funcional de u e de u . Por Euler temos que a condicao para minimizar o tempo e:
F
F u = 0
u
"
#
F
1 + u2

=
=

u
u
u
u 1 + u2
e portanto

u
1 + u2


=0
u
u 1 + u2
cuja solucao e um cicloide com raio de giracao C/2

com t definido no intervalo [0 1].

x=

C
(1 sin t)
2

y=

C
(1 cos t)
2


2.2. CONDIC
OES
DE CONTORNO NATURAIS

2.2

19

Condi
c
oes de Contorno Naturais

Considerando a mesma classe de funcionais analisada no item anterior, queremos determinar os valores

Rque a funcao y (x) assume nos extremos do intervalo, ou seja, ao extremizar o funcional [y (x)] =
F [x, y (x) , y (x)] dx queremos determinar os valores que a funcao y (x) assume em x0 e x1 . Seguindo
a linha dedutiva apresentada em 1.1 e considerando que , neste caso,
y (x1 ) 6= 0
y(x2 ) 6= 0
obtemos a seguinte condicao para extremizar o funcional:
2F
2F
2F
F
2
y

=0
y
y
yy
xy

F
=0
y x=x0

F
=0.
y x=x1

Estas condicoes de contorno que surgem naturalmente durante o processo de extremizacao do funcional
s
ao chamadas de condi
c
oes de contorno naturais.
Exemplo 5. Considerando uma viga de Euler-Bernoulli de secao generica com carregamento distribudo
(fig. 2.2) (f ), forca concentrada na ponta (F ) e momento aplicado na ponta (M ), podemos construir um
funcional que represente a energia potencial total da viga.

Figura 2.5: viga


O potencial total da viga e igual a diferenca entre o funcional de energia interna de deformacao e o
realizado pelo trabalho das forcas externas
!

 2

Z l
Z l
E (x) I (x) d2 w (x)
dw (x)
d w (x)
(w) =
f w (x) dx + w (l) F +
dx
M .
2
dx2
dx2
dx
0
0
O princpio da mnima energia potencial diz que, de todas as configuracoes admissveis que a viga
pode assumir, apenas a que torna a energia potencial total um mnimo e a que corresponde a configuracao
de equilbrio.
Analisando a primeira variacao do funcional , que deve ser nula na configuracao de equilbrio

 2

Z l
dw (x)
d w (x)
E (x) I (x) d2 w (x)
f (x) w (x) dx w (l) F
M
0=
2
2
2
dx
dx
dx
0


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

20

e integrando por partes duas vezes a equacao acima para isolar termo w (x) ,obtemos


Z l 2 
d2 w (x)
d
E
(x)
I
(x)

f
(x)
w (x) dx +
0 =
dx2
dx2
0



 l

d2 w (x)
d
d2 w (x)
w (x)
E (x) I (x)

E
(x)
I
(x)
w

dx2
x
dx
dx2
0


dw (l)
M
w (l) F
dx
e do conhecimento de que w (0) = w (l) = 0 e que w (x) e arbitrario (6= 0) ,obtemos a equacao de
equilbrio que governa a flexao de vigas de Euler-Bernoulli,


d2
d2 w (x)
E (x) I (x)
= f (x) .
dx2
dx2
 


w(l)
e

temos que
Considerando os termos no contorno (0 e l) w (0) , w (l) , w(0)
x
x







d
d2 w (x)
d2 w (x)
d
0 = w(0)
E (x) I (x)
E (x) I (x)
+ w (l) F
+
dx
dx2
dx
dx2
x=0
x=l







d2 w (x)
d2 w (x)
w (0)
w (l)
E (x) I (x)
M
+
E
(x)
I
(x)

x
dx2
x
dx2
x=0
x=l


Analisando o engaste (x = 0) verificamos que w (0) = 0 e w(0)
= 0 que permite levar, separax


w(l)
a zero :
damente, os coeficientes de w (l) e de x


d
d2 w (x)

E (x) I (x)
=F
dx
dx2
x=l


d2 w (x)
=M
E (x) I (x)
dx2
x=l

que s
ao as condi
c
oes de contorno naturais do problema. As condi
c
oes de contorno essenciais
(geometricas) s
ao dadas pelo engaste
dw (0)
=0
dx
Em qualquer problema podem existir 3 tipos de combinacoes de condicoes de contorno
w (0) =

Todas s
ao do tipo essencial - Dirichlet
Todas s
ao do tipo natural - Neummann
Algumas s
ao naturais e outras s
ao essenciais - Mista

2.3

Problema Variacional sem Restric


oes com Derivadas de ordem superior

Considerando o funcional defino por


Z
h
i
[y (x)] = F x, y (x) , y (x) , y (x) , y (x) , ..., y (n) (x) dx


2.4. PROBLEMA VARIACIONAL COM MULTIPLAS FUNC
OES

21

contendo derivadas de ordem 1 ate n da funcao y (x) em relacao a variavel independente, queremos
encontrar a funcao y (x) que extremize o funcional [y (x)], sujeito as condicoes de contono
n (n1)
y (x0 ) = y0 , y (x0 ) = y01 , ..., y (n) (x0 ) = y0,
y
(x0 ) = y0n1

y (x1 ) = y1 , y (x1 ) = y11 , ..., y (n) (x1 ) = y1n , y (n1) (x1 ) = y1n1
e seguindo os mesmos procedimentos apresentados em 1.1, obtemos a condicao de extremo do funcional
[y (x)] :






n
d2
F
F
d F
F
n d

...

(1)

=0
y
dx y
dx2 y
dxn y (n)
sendo esta condicao necessaria, conforme discutido no item 1.1.

2.4

Problema Variacional com multiplas func


oes

Os funcionais estudados anteriormente eram funcoes de y(x) somente, mas podemos ter situacoes onde
existem mais de uma funcao participando da formulacao. Assim podemos escrever o vetor
T

Y = [y1 (x) , y2 (x) , ...., ym (x)]

que contem as funcoes envolvidas e o funcional


Z
[Y (x)] = F [x, Y (x) , Y (x) , Y (x) , .., Y(n) (x)]dx.

As funcoes contidas em Y (x) devem satisfazer as condicoes de contorno

Y (x0 ) = Y00 , Y (x0 ) = Y10 , Y (x0 ) = Y20 , Y(n1) (x0 ) = Y(n1)0


Y (x1 ) = Y01 , Y (x1 ) = Y11 , Y (x1 ) = Y21 , Y(n1) (x1 ) = Y(n1)1
e a condicao de extremizacao do funcional e
d
d2
dn
(Y F ) 2 (Y F ) ... (1)n n (Y(n) F ) = 0
dx
dx
dx
iT
h
F F
.
,
, .., yF
onde Y F = y
1 y2
(m)
Y F

Exemplo 6. Determine as equacoes diferenciais de movimento do sistema mostrado na figura 2.4.

Figura 2.6: Sistema massas-molas


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

22

O princpio de Hamilton estabelece que o movimento de um ou mais corpos em equilbrio din


amico,
de um instante t1 a um instante t2 , e aquele que minimiza o funcional
F =

t2

t1

(T V ) dt

onde V e a energia potencial e T e a energia cinetica do sistema mec


anico. Neste sistema mec
anico
discreto temos que
1
1
T = mx1 (t) + mx2 (t)
2
2
e
1
1
1
V = k1 x21 (t) + k2 (x2(t) x1(t) )2 + k1 x22 (t)
2
2
2
e o funcional e
F =

t2

t1

1
1
mx1 (t) + mx2 (t)
2
2

1
1
1
k1 x21 (t) + k2 (x2(t) x1(t) )2 + k1 x22 (t)
2
2
2



que e um funcional do tipo


F [x1 , x2 , x1 , x2 , t] .
A condicao para extremizar este funcional e
d
F

xi
dt

F
xi

=0

com i = 1..2. Calculando


F
= k1 x1 + k2 (x2 x1 )
x1
F
= k1 x2 k2 (x2 x1 )
x1
F
= mx1
x1
F
= mx2
x2
obtemos
d
dt
d
dt




F
x1
F
x2




= mx1
= mx2

resultando em um sistema de equacoes diferenciais que representam a solucao do problema


mx1 + k1 x1 k2 (x2 x1 ) = 0
mx2 + k1 x2 k2 (x2 x1 ) = 0.
Pode-se verificar que as aceleracoes surgem naturalmente nesta formulacao.

dt

2.5. FUNCIONAIS SUJEITOS A RESTRIC


OES
(PROBLEMA ISOPERIMETRICO)

2.5

23

Funcionais Sujeitos a Restric


oes (Problema Isoperim
etrico)

Ao extremizar um funcional, muitas vezes temos que respeitar certas condicoes impostas sobre as funcoes
a serem determinadas. A estas condicoes chamamos de restri
c
oes, sendo que estas podem ser impostas
de diversas formas sobre o problema variacional. A abordagem e muito semelhante a utilizada no calculo
tradicional, onde se utilizam os multiplicadores de Lagrange.
Considere o problema de minimizar uma funcao f (x1 , x2 ) sujeita a restricao g (x1 , x2 ) = 0, conhecida. Para isto utilizamos o conceito de multiplicadores de Lagrange e em vez de minimizar f (x1 , x2 ),
minimizamos
f (x1 , x2 , ) = f (x1 , x2 ) + g (x1 , x2 )
e se obtivermos um mnimo em (x1 , x2 ) este sera o mnimo para f (x1 , x2 ) sujeita a restricao g (x1 , x2 ).A
condicao para mnimo local e que
f
f
f
=
=
=0
x1
x2

fornecendo tres equacoes para determinar as incognitas x1 ,x2 e


Exemplo 7. Encontrar o extremo de f (x, y) = x2 + y 2 + 2, sujeita a g (x, y) = x + y 1 = 0.
Usando o multiplicador de Lagrange, construimos o problema equivalente,
f (x, y) = f (x, y) + g (x, y) = x2 + y 2 + 2 + (x + y 1)
e considerando as condicoes de extremo para fe(x, y)

f
= 2x + = 0
x
f
= 2y + = 0
y

f
=x+y1=0


obtemos o ponto de extremo 12 , 21 , para qual a funcao vale 52 .
Uma outra abordagem para a resolucao de extremizar a funcao f (x, y) sujeita a g (x, y) = 0 e considerarmos:
f
f
dx +
dy = 0
df =
x
y
dg =

g
g
dx +
dy = 0
x
y

e assim podemos trabalhar com


dg = 0
df + dg = 0
implicando em
f
g
+
=0
x
x
g
f
+
=0
y
y
g(x, y) = 0


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

24

Voltando para o calculo variacional. Supondo que o funcional


Z x1
F [x, Y (x) , Y (x)] dx
[Y (x)] =
x0

tenha restri
c
ao do tipo integral
J [Y (x)] =

x1

x0

G [x, Y (x) , Y (x)] dx C = 0

sendo que as funcoes definidas em Y (x) devem satisfazer as condicoes de contorno, na forma
Y (x0 ) = Y0 eY (x1 ) = Y1 .
Considerando, alem da solucao
otima do problema Y (x), outros vetores de funcoes permissveis
Y1 (x) e Y2 (x) que respeitem as condicoes de contorno e de continuidade das funcoes em Y (x), podemos construir, da mesma forma que em 1.1, uma famlia de funcoes permissveis dependentes de dois
par
ametros 1 e 2 :
Y (x, 1 , 2 ) = Y (x) + 1 Y1 (x) + 2 Y2 (x)
co diferencas
Y1 (x) = Y1 (x) Y (x)

Y2 (x) = Y2 (x) Y (x)


e assumindo valores

Y1 (x0 ) = Y2 (x0 ) = Y1 (x1 ) = Y2 (x1 ) = 0


nos extremos. Da mesma forma que em 1.1, temos que
Y(x, 0, 0)
Y(x, 0, 1)

= Y (x)
= Y2 (x)

Y(x, 1, 0) = Y1 (x) .
Substituindo Y (x, 1 , 2 ) em [Y (x)] e J [Y (x)] obtemos
Z x1
F [x, Y(x, 1 , 2 ), Y (x, 1 , 2 )] dx
[1 , 2 ] =
x0

J[1 , 2 ] =

x1

x0

G[x, Y(x, 1 , 2 ), Y (x, 1 , 2 )]dx C = 0

e de foma analoga ao procedimento do calculo tradicional, introduzimos os multiplicadores de Lagrange


ao problema variacional, obtendo um funcional da forma
[1 , 2 , ] = [1 , 2 ] + J[1 , 2 ]
ou

[1 , 2 , ]

x1

F [x, Y (x, 1 , 2 ) , Y (x1 , 2 )] +

x0

G [x, Y (x, 1 , 2 ) , Y (x, 1 , 2 )] dx C


A condicao de extremo para [1 , 2 , ] e que





=
=
= 0
.
1
2

1 =2 =0

2.5. FUNCIONAIS SUJEITOS A RESTRIC


OES
(PROBLEMA ISOPERIMETRICO)

25

Definindo
F = F + G
obtemos a forma geral

=
j
ou


=
j

x1

x0

x1

x0

[Y F yj (x) + Y F yj (x)] dx

Y F


d
x
(Y F ) yj (x) dx + Y F yj (x)|x10
dx

sendo que para o exemplo estudado, j=1,2. Como as condicoes de contorno se anulam nos extremos e
fazendo com que as variacoes de em relacao aos j sejam zero,obtemos a condicao para extremizar o
funcional:
d
Y F
(Y F ) = 0
dx
Z x1
G[x, Y (x) , Y (x)]dx C = 0
J[Y (x)] =
x0

Y (x0 ) = Y0 e Y (x1 ) = Y1
Supondo agora que as restricoes sejam do tipo restri
c
oes pontuais (point wise constraints)
(x, Y (x)) = 0
onde
= [1 (x, y (x)) , 2 (x, y (x)) , .., m (x, y (x))]
queremos encontrar as funcoes
Y = [y1 (x) , y2 (x) , ...., ym (x)]
que extremizem o funcional
[Y (x)] =

x1

F [x, Y (x) , Y (x)] dx

x0

sujeito a estas restricoes. Estas funcoes devem satisfazer as condicoes de contorno


Y (x0 ) = Y0 e Y (x1 ) = Y1
nos extremos do intervalo. Seguindo o mesmo raciocnio apresentado anteriormente, obtemos um funcional
Z x1
F [x, Y (x, 1 , 2 ) , Y (x, 1 , 2 ) , (x)] dx
[Y (x) , (x)] =
x0

onde
(x) = {1 (x) , 2 (x) , 3 (x) , .., n (x)}

e
F = F [x, Y (x) , Y (x)] + T [x, Y (x) , Y (x)] .
O funcional [Y (x) , (x)] engloba as restricoes e a condicao de extremizacao e
Y F

d
d
(Y F ) = Y F
(Y F ) + T = 0
dx
dx
d
( F ) = (x, Y (x)) = 0
dx
Y (x0 ) = Y0 eY (x1 ) = Y1 .


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

26

Exemplo 8. Suponha que a, b e c representem os comprimentos das arestas de uma caixa retangular, de
volume V = abc. Qual e a caixa que possue maior volume, supondo que a area da superfcie seja sempre
igual a A.
A area pode ser escrita em termos dos comprimentos das arestas
A = 2 (ab + bc + ac)
e o valor que queremos extremizar (funcional) e o volume da caixa
F = V = abc
e a restricao e a
area constante A
G = A 2 (ab + bc + ac) = 0.
Obtendo o funcional F
F = F + G = abc + (A 2 (ab + bc + ac))
F
= bc 2 (b + c) = 0
a
F
= ac 2 (a + c) = 0
b
F
= ab 2 (a + b) = 0
c
o que ja permite obter uma relacao do tipo
=

bc
ac
ab
area do lado
=
=
=
2 (b + c)
2 (a + c)
2 (a + b)
permetro do lado

e portanto o maior volume e obtido quando a = b = c, ou seja um cubo.


Exemplo 9. Determinar a menor distancia entre o crculo x2 + y 2 1 = 0 e a reta
(figura 2.5)

Figura 2.7: Crculo


Considerando a norma Euclidiana, a menor distancia entre dois pontos e
q
2
2
2
2
F = dist
ancia = d = ( x) + ( y)

3 + 2 3 = 0


2.6. PROBLEMAS VARIACIONAIS COM RESTRIC
OES
DE DESIGUALDADE

27

mas temos restricoes, pois os pontos (x, y) e (, ) devem se situar sobre o crculo e sobre a reta respectivamente. Assim
G1 = x2 + y 2 1 = 0

G2 = 3 + 2 3 = 0
e queremos minimizar
F = F + 1 G1 + 2 G2 .
Aplicando as condicoes de extremizacao:
F
= 2 ( x) + 21 x = 0
x
F
= 2 ( y) + 21 y = 0
y

F
= 2 ( x) + 32 = 0

F
= 2 ( y) + 2 = 0

da primeira equacao obtemos


x

=
y

ou seja, a menor distancia e uma reta que passa pela origem (o crculo tem centro na origem) e da segunda
equacao obtemos
1
y
=
x
3

que permite obter a inclinacao da reta (30) com o eixo dos x.

2.6

Problemas variacionais com restri


c
oes de desigualdade

Outro fato importante e que a maioria das restricoes encontradas na otimizacao estrutural s
ao restricoes
de desigualdade. A teoria cl
assica do calculo variacional lida apenas com restricoes de igualdade; mas ha
muitas publicacoes na
area de controle
otimo tratando de problemas com desigualdades. Entretanto, para
fins de simplificacao, neste texto simplesmente se reescreve as restricoes de desigualdade como restricoes
de igualdade atraves de variaveis de folga (slack variables). Comecamos por um problema simples com
apenas uma restricao: encontre y (x) que minimiza (ou maximiza)
Z x1
F (x, y (x) , y (x)) dx
(2.1)
(y (x)) =
x0

sujeito a restricao integral de desigualdade


J (y (x)) =

x1

x0

G (x, y (x) , y (x)) dx C

(2.2)

e a funcao incognita y (x) deve satisfazer as condicoes de contorno


y (x0 ) = y0

y (x1 ) = y1 .

(2.3)

Para deduzer as condicoes necessarias para o mnimo, primeiro reescrevemos a restricao como
Z x1
G (x, y (x) , y (x)) dx C + 2 = 0
(2.4)
x0


CAPITULO 2. FUNDAMENTOS DE CALCULO
VARIACIONAL

28

onde e uma variavel indeterminada. Considerando uma variavel adicional, controi-se o funcional
aumentado

Z x1
Z x1
(2.5)
F (x, y (x) , y (x)) dx +
G (x, y (x) , y (x)) dx C + 2 .
(y (x)) =
x0

x0

A estacionariedade de requer que

y(x) = 0 = =

(2.6)

As duas primeiras condicoes equivalem `


as condicoes de otimo com restricoes de igualdade e a terceira
resulta em
= 0
(2.7)
chamada de condicao de chaveamento (switch condition), que e u
til para se determinar se a restricao est
a
ativa ou inativa.

2.7

Reformulac
ao de restri
c
oes

As tres formas de restricao aparecem em otimizacao estrutural: restricoes na forma integral, algebrica ou
equacao diferencial. Considerando-se a dificuldade do tratamento analtico, e comum se tentar trransformar as restricoes pontuais ou restricoes diferenciais em restricoes integrais. Tomando-se como exemplo a
viga do captulo 1, imagina-se uma restricao do deslocamento em um ponto especfico xi ,
y (xi ) y u
pode-se usar a funcao delta de Dirac para transforma-la em
Z l
(x xi ) y (x) dx y u .
0

Uma restricao sobre a deflexao maxima,

max y (x) y u

x[0,l]

pode ser interpretada como a restricao integral


Z
1 l p
1/p
(y (x)) dx y u
l 0

para p grande e para y 0 em todo o intervalo.


Outras mudancas podem ser efetuadas atraves da aplicacao de princpios variacionais da Mecanica
Estrutural. Por exemplo, a freq
uencia natural 2 de uma viga pode ser calculada pela equacao diferencial


d2
d2
E I (x) 2 (y (x)) + 2 A (x) y (x) = 0
dx2
dx

mas tambem pode ser definida atraves do quociente de Rayleigh


"R l
#
2
E I (x) (y (x)) dx
0
= min R l
yV
A (x) y 2 (x) dx
0

de forma que uma restricao sobre a freq


uencia pode ser escrita na forma integral.
A restricao sobre o deslocamento no ponto de aplicacao da carga pode ser substituda, no caso de uma
carga u
nica, por uma restricao sobre o trabalho das forcas externas, tambem chamado de flexibilidade
da estrutura.
Z
l

p (x) y (x) dx

que est
a na forma integral. Para uma carga concentrada, o trabalho e proporcional ao valor do deslocamento.

Captulo 3

Programac
ao Matem
atica
3.1

Introduc
ao

A programacao matematica e um importante campo de aplicacao da matematica aplicada, tendo aplicacoes


em economia, engenharia e outras
areas do conhecimento.
Inicialmente, a otimizacao estrutural foi formulada e resolvida via programacao matematica em 1960,
por L.A Schmit e, desde ent
ao, tem havido um grande progresso na utilizacao da programacao matematica
aplicada a otimizacao estrutural.
A formulacao geral da programacao matematica e

Encontrar X
que minimize f (X)

h (X) 0,
sujeito a
g (X) = 0
Dependendo da forma do objetivo, variaveis de projeto e funcoes de restricao, teremos diferentes
formas de programacao matematica, tais como: Programacao Linear (LP), Programacao Quadr
atica
(QP), Programacao Geometrica (GP), etc.. Para cada tipo de programacao matematica existem diversos
metodos (algoritmos) de solucao.
A Programacao Linear e uma classe de programacao matematica na qual a funcao objetivo e as
restricoes s
ao funcoes lineares das variaveis de projeto. Existe um grande n
umero de problemas que
se enquadram exatamente nesta categoria. Mesmo para problemas que nao sejam lineares, podemos
linearizar a funcao objetivo e as restricoes, permitindo sua utilizacao. Devido a sua simplicidade, existem
um grande n
umero de algoritmos desenvolvidos para a solucao de problemas de programacao linear.
Programacao nao-linear e uma abordagem mais geral da programacao matematica, embora a naolinearidade da funcao objetivo e das restricoes torne o problema difcil de ser resolvido. A programacao
nao-linear pode ter ou nao restricoes, sendo que a formulacao para o problema e
Encontrar X
que minimize f (X)
Muitas dos problemas de otimizacao irrestrita iniciam com um vetor inicial das variaveis de projeto
X0 e procedem de maneira iterativa:
Encontrar uma direcao d , relativa as variaveis Xi da iteracao i, na qual os valores da funcao
objetivo s
ao minimizadas.
29

MATEMATICA

CAPITULO 3. PROGRAMAC
AO

30

Determinar um tamanho de passo na direcao d. Isto e feito por tecnica de line-search ( busca
em uma reta), sendo que o novo valor da variavel de projeto X e dado por X = Xi + d.
Verificar a convergencia de acordo com algum criterio. Se a convergencia for alcancada, interrompese a iteracao e o valor
otimo da variavel de projeto e Xopt = Xi ; do contrario Xi+1 = Xi e i = i + 1
dando incio a uma nova iteracao.
As diferentes maneira de determinar a direcao d e o tamanho de passo dao origem a diferentes
metodos de otimizacao, tais como o metodo da descida mais ngreme steepest descent, metodo dos
gradientes conjugados, metodos de Newton e quasi-Newton, etc.. Ainda, algumas tecnicas necessitam da
informacao do gradiente (sensitividade) da funcao objetivo em relacao as variaveis de projeto e outras
somente do valor da funcao objetivo. Assim, podemos classificar os metodos pela informacao necessaria
sobre a funcao objetivo a cada iteracao
ordem zero: requer o valor da funcao objetivo,
ordem um: requer o valor da funcao objetivo e de seu do gradiente,
ordem dois: requer adicionalmente o valor das segundas derivadas da funcao objetivo,
e assim por diante.
Tecnicas de otimizacao com restricoes s
ao comumente classificadas em dois grupos: metodos diretos
e indiretos, sendo que ambas as tecnicas tem sido aplicadas na otimizacao estrutural com certo sucesso.
Metodos diretos lidam diretamente com os valores das restricoes, ou seja, procedem de maneira
similar ao algoritmo visto acima, com a diferenca de que levam os valores das restricoes em consideracao
ao calcular os valores de e d . Para problemas com muitas restricoes e comum considerar somente
as que estejam ativas ou que tenham possibilidade de serem ativadas, de maneira a reduzir o esforco
computacional. A estrategia a ser considerada na analise das restricoes que estarao ativas e um fator
importante no sucesso da implementacao de uma tecnica de otimizacao com restricoes. Como exemplos do
metodo direto temos o metodo de projecao de gradiente (gradient projection) e o metodo das direcoes
admissveis (feasible directions).
Metodos indiretos transformam o problema de otimizacao com restricoes em um problema de otimizacao sem restricoes obtendo a melhor estimativa possvel do valor otimo. Este procedimento e realizado iterativamente. Como exemplos da utilizacao dos metodos indiretos podemos citar os metodos de
penalidade interior e exterior (interior and exterior penalty method ), metodo dos multiplicadores de
Lagrange e o metodo baseado na entropia (entropy-based method ).
Existe ainda um terceiro grupo, chamado de programacao sequencial aproximada. Este grupo e muito
desenvolvido e aplicado pela comunidade de otimizacao estrutural. Neste caso temos que a solucao do
problema original de otimizacao com restricoes e obtido por uma sequencia de solucoes aproximadas.
A aproximacao e, geralmente mais simples e facil de se resolver do que o problema nao-linear original.
Dependendo do tipo de de aproximacao utlizada damos origem a diferentes metodos de solucao, tais
como: Programacao Linear Sequencial (SLP), Programacao Quadr
atica Sequencial (SQP), Programacao
Convexa Sequencial (SCP) e o Metodo das Assntotas Moveis (moving asymptotes method).
Existem dois aspectos interessantes sobre a programacao matematica sequencial aproximada:
A informacao sobre a sensitividade, aproximacao da funcao objetivo e das restricoes podem ser obtidas
por uma transformacao apropriada das variaveis de projeto e/ou objetivo e/ou restricoes. Otimizacao estrutural geralmente involve calculos demorados da estrutura, sendo que o custo computacional do calculo
da sensitividade pode se tornar crtico tambem. Assim, e natural que, uma vez obtida a sensitividade,
utilizemos esta informacaoda melhor maneira possvel para construir a aproximacao. A introducao de
variaveis recprocas e um exemplo de sucesso.
Em segundo lugar, existe uma forte relacao entre entre o criterio de otimo e a programacao matematica
sequencial. No criterio de
otimo resolvemos, a cada iteracao, um algoritmo de redimensionamento (resizing). A cada passo do algoritmo de redimensionamento o criterio de otimo e aproximado por alguma
forma aproximada da condicao de Kuhn-Tucker e resolvido rigorosamente ou de forma heurstica.

LINEAR E PROGRAMAC
LINEAR SEQUENCIAL
3.2. PROGRAMAC
AO
AO

3.2

31

Programac
ao linear e programac
ao linear sequencial

A formulacao geral da programacao linear e


encontrar X

= Ct X

que minimize f (X)


sujeito a

(x1 , x2 , ....., xn )

AX = B
X >= 0

onde A (m, n) , B (m, 1) , C(n, 1), m < n s


ao matrizes e vetores de termos constantes.
Restricoes em forma de inequacoes e valores nao positivos das variaveis de projeto podem ser facilmente
acomodados nesta formulacao por transformacoes de variaveis de projeto e inclusao de variaveis de ajust
(slack ). Programacao linear e convexa e, assim, o mnimo local tambem e global. O domnio admissvel
da programacao linear e um polgono n dimensional e a funcao objetivo e um hiperplano n-1 dimensional.
Quanto a localizacao do
otimo global, podemos dizer que se encontra no mnimo em um dos vertices do
espaco admissvel.
Algebricamente, o conjunto de restricoes em forma de igualdade AX = B e um conjunto de equacoes
lineares simult
aneas, que e indeterminado, possuindo infinitas solucoes pois o n
umero de incognitas n
e maior do que o n
umero m de equacoes. Para obter a solucao do sistema, devemos especificar valores
para n m incognitas. Chamando Xc de vetor com valores especificados e Xb de vetor das incognitas
que restam (m incognitas), tal que X=(Xb +Xc ) e A=(Ab +Ac ). Assim podemos escrever
AX = Ab Xb + Ac Xc
e se fizermos com que Xc = 0 , ja que s
ao valores arbitrarios, resulta em um sistema de equacoes que
permite obter as m incognitas que restaram
Xb = A1
b B
onde Ab e considerada com uma matriz nao singular. Se todos os valores de X s
ao nao negativos temos
uma solucao admissvel para o LP. De todas as infinitas solucoes, a basica e a que as n m incognitas
s
ao especificadas como nulas. Devido ao fato da matriz Ab ser formada de m colunas arbitrarias, desde
que nao se torne singular, e derivar de uma matriz A com n colunas, o n
umero basico de solucoes pode
ser tantos quanto Cnm .
O fato mais importante em relacao ao LP e que a solucao otima corresponde a um vertice do espaco
admissvel. Assim, a solucao do LP e no mnimo, uma das solucoes basicas obtidas pelo procedimento do
par
agrafo anterior.
O metodo Simplex e o mais utilizado para programacao linear devido a sua confiabilidade e eficiencia.
O metodo Simplex e uma maneira sistem
atica de busca no espaco admissvel, movendo de um vertice a
outro, enquanto vai reduzindo gradalmente o valor da funcao obetivo. Mover de um vertice a outro do
espaco admissvel corresponde a escolher outras m incognitas e deixar as n m restantes igual a zero.Por
isto a afirmacao de que a solucao global do problema de LP e uma das solucoes basicas, sendo aquela que
corresponde ao menor valor da funcao objetivo.
Na abordagem sequencial da programacao matematica (SLP), a cada iteracao linearizamos objetivo
e as restricoes do problema nao linear geral por uma aproximacao de primeira ordem em serie de Taylor
do estado atual X0 e utilizamos a programacao linear na forma
mnimo f (X)
sujeito a h(X)
g(X)
X min

Encontrar X



= f X0 + T f X0 X X0



= h X0 + T h X0 X X0 0



= g X0 + T g X0 X X0 = 0

X X0 X max

MATEMATICA

CAPITULO 3. PROGRAMAC
AO

32

onde a u
ltima condicao e chamade limite movel e e artificialmente adicionado pois a aproximacao em primeira ordem de serie de Taylor s
o fornece bons resultados no entorno do ponto aonde estamos expandindo
a serie, X0 .O algoritmo do SLP e:
Assumir um valor inicial para X0 (i = 0)





Calcular a resposta estrutural (f X i , g X i e h X i ) e suas derivadas (T f X i , T g X i , e
T h X i ) e selecionar os limites X min e X max.

Resolver o problema linear (LP), obtendo Xn , que e uma resposta aproximada do problema original
nao-linear

Verificar a convergencia. Se satisfeita fazemos com que Xopt = Xn terminando o processo. Do


contrario , incrementamos i (i = i + 1) e fazemos com que Xi = Xn , retornando ao segundo passo
da iteracao.
Existem objecoes ao uso do SLP. Uma delas e que a sequencia de solucoes do SLP pode oscilar devido
ao fato da solucao do LP ser sempre um vertice do domnio admissvel ou um hiperplano definido por um
certo n
umero de vertices, fazendo com que duas solucoes adjacentes na sequencia de iteracoes possam
oscilar entre dois vertices. Oscilacoes ocorrem particularmente no caso aonde o n
umero de restricoes
e menor do que o n
umero de variaveis de projeto. Impondo um limite movel artificialmente oscilacoes
da solucao sequencial podem ser prevenidas, dando origem a quest
oes quanto ao modo de selecionar
corretamente o limite movel. Normalmente reduzimos o limite a medida que vamos nos aproximando do
otimo. Um limite movel muito grande pode causar oscilacoes ou ate mesmo a divergencia . Um limite
muito pequeno diminui a velocidade de convergencia e adiciona a possibilidade de que a iteracao possa
ser interrompida antes de se chegar a solucao otima.Conclui-se que o uso do SLP depende da experiencia
do usuario na selecao correta dos par
ametros.
Exemplo 10. Rotina de SLP utilizada no programa de otimizacao de trelicas planas. A rotina e lp otim
e retorna o vetor de
areas A, variavel de projeto, relacionadas ao objetivo de minimizar a flexibilidade
. Podemos escrever o problema como
Encontrar A
que minimize (A)
sujeito a V
e a Ainf


= lT A <= Vlim
< A < Asup

Estes valores est


ao relacionados ao limite movel descrito acima.
function[NovaArea] = lp\_otim(derivF,nelems,limite,Area,compri,iteration,Vlim,Ainfer,Asuper);
//Valor minimo que a area pode assumir. (limite movel inferior Xmin
Ainf=(1-limite)*Area;
//Laco que verifica o menor valor de cada area(no minimo .001)
for i=1:nelems,
if Area(i)-Ainf(i)<=0.004
Ainf(i)=Area(i)-0.004;
end
if Ainf(i)<=Ainfer
Ainf(i)=Ainfer;
end

QUADRATICA

QUADRATICA

3.3. PROGRAMAC
AO
E PROGRAMAC
AO
SEQUENCIAL

33

end
//Valor maximo que a area pode assumir. (limite movel superior Xmax )
Asup=(1+limite)*Area;
//Laco que verifica o maior valor de cada area(no maximo 1)
for i=1:nelems,
if Asup(i)-Area(i)<=0.004
Asup(i)=Area(i)+0.004;
end
if Asup(i)>=Asuper
Asup(i)=Asuper;
end
end
// Utilizando o LP
C=[compri];
b=[Vlim] ;
mi=0;
x0=v;
NovaArea=linpro(derivF,C,b,Ainf,Asup,mi,x0);
A funcao linpro , respons
avel pela realizacao do LP, necessita de par
ametros como
Sensitividade da flexibilidade (derivF)
Valores associados as restricoes (C,b)
Limites inferiores e superiores da variavel de projeto.
e retorna o valor An que sera verificado em uma rotina de analise de convergencia.

3.3

Programac
ao quadr
atica e programac
ao quadr
atica sequencial

A formulacao geral da programacao quadr


atica e
encontrar X
mnimo f (X)
sujeito a CX
eX

(x1 , x2 , ....., xn )
1 T
X AX + BT X
=
2
b
> =0

onde A (m, n) , B (m, 1) , C(m, n) e b (m, 1) s


ao matrizes e vetores de termos constantes.Se A for positivadefinida a programacao quadr
atica e convexa e a condicao KKT e necessaria e suficiente para garantir
o otimo local e o global. Para a programacao matematica existem, tambem,um grande n
umero de
algoritmos muito eficientes, tais como o algortmo de Lemke. No algoritmo de Lemke a condicao KKT
do problema quadr
atico a qual e uma condicao complementar ao problema linear e resolvida de forma
semelhante ao metodo Simplex.
A programacao matematica sequencial (SQP) nada mais e do que uma aproximacao quadratica da
equacao de Lagrange no valor atual da variavel de projeto X0 , a cada iteracao.Supondo que temos

MATEMATICA

CAPITULO 3. PROGRAMAC
AO

34

um valor X0 e seus correspondentes muliplicadores de Lagrange 0 e 0 , a proximacao da programacao


matematica e definida como

mnimo f (d)
sujeito a h(d)
g(d)

Encontrar d



1
= f X0 + T f X0 d+ dT H f X0 d
2


= h X0 + T h X0 d 0


= g X0 + T g X0 d = 0

X min d X max

onde H L X0 , 0 , 0 e a matriz Hessiana da funcao de Lagrange, definida como
L (X, , ) = f (X) + T h (X) + T (X) g (X)

Sendo d a solucao da programacao matematica e e os correspondentes multiplicadores de Lagrange


da programacao quadr
atica, os novos valores da variavel de projeto s
ao calculados por
X = X0 + d
e e determinado por tecnica 1D de procura em linha (line search) com objetivo de minimizar uma
funcao (), sendo que existem diferentes escolhas para . Como exemplo, poderamos definir


() = X0 + d, 0 + 0 , 0 + 0
(X, , )

= f (X) + T max (0, h (X)) + T |g (X)|

Para evitar a ocorrencia de um domnio admissvel na programacao quadr


atica algumas modificacoes
podem ser necessarias. Como o custo computacional do calculo da matriz Hessiana da funcao de Lagrange
e muito elevado, podemos recorrer a alternativas numericas mais eficientes como o BFGS, que permite
obter uma aproximacao para H.

Você também pode gostar