O Problema da Programao No Linear

Nos casos gerais de otimizao, tem-se a funo objetivo e suas respectivas restries. Em
programao no-linear, apresentando o seguinte modelo: Minimizar ou Maximizar uma
funo tal que f: IR IR e S IR. S chamado de conjunto factvel e a forma genrica dos
problemas. Observa-se dois tipos de solues deste problema:

Definio 1: Um ponto x um minimizador local se satisfazer a seguinte condio: > 0, tal

que f (x) f (x) para todo x S tal que || x x|| < . Se f (x) > f (x) para todo x S tal que x
x e ||x x|| < , se trata de um minimizador local estrito em S.

Definio 2: Um ponto x um minimizador global de S em f se satisfazer a seguinte condio:

f (x) f (x) para todo x S. Se f (x) > f (x) para todo x S tal que x x, se trata de um
minimizador global estrito em S.

Quando nenhum conjunto de valores para as variveis de deciso satisfaz todas as restries,
torna-se um problema que no possui soluo, logo invivel. Um problema vivel aquele que
pelo menos um conjunto de valores para as variveis de deciso satisfaz as restries. E por
ltimo quando a funo objetivo ultrapassa qualquer valor finito dado, chamado de problema
ilimitado.

Otimizao sem Restrio ou Irrestrita

Para os quesitos sem restries, se dividem em mtodos de ordem zero, mtodos de primeira
ordem e mtodos de segunda ordem. Mtodos de ordem zero os valores da funo objetivo a
partir de suas derivadas no so confiveis e nem devem ser utilizados, pois difcil obter as
derivadas de forma precisa. Os mtodos de primeira utilizam os valores da funo-objetivo e de
suas derivadas (gradientes) em relao s variveis de projeto. Exemplos clssicos destes
mtodos so o Steepest Descent ou mximo declive, mtodo dos gradientes conjugados e
mtodo de Fletcher e Reeves. Os mtodos de segunda ordem utilizam os valores da funo
objetivo, de suas derivadas e da matriz hessiana. Os exemplos mais importantes so os mtodos
de Newton Raphson e Quase-Newton.

Inicialmente procura-se encontrar uma direo d que reduza a funo objetivo, s vezes
chamada de direo de busca. Depois decidem o quanto andar nessa direo t. Encontrar n
variveis reduzido a um problema de encontrar a varivel t, descrito como:

x = xt + td f (x) = f (x+ t d) = f(t).

Onde x o ponto inicial. Para encontrar t utiliza-se a minimizao de uma funo de uma
varivel. Essa etapa denominada busca unidimensional, e quando d passa pelo ponto de
interseco chamada de busca univariada. O algoritmo contm as seguintes fases:

- Encontrar x (ponto de partida) e d (direo de busca inicial) que reduzam a funo-objetivo;

- Encontrar o tamanho do passo t na direo d que minimize f, e obter x = x + td;

- Verificar a convergncia, (x = x);

- Verificar o nmero de iteraes e voltar a etapa inicial;

Mtodo da Dicotomia

Este um mtodo intuitivo de se obter a raiz da funo. A primeira etapa isolar x dentro de
um intervalo onde a funo seja crescente ou decrescente. Sejam a e b pontos extremos desse
intervalo. Note que: f (a). f (b) < 0.

Prximo passo aplicar a imagem com os pontos extremos, cada intervalo com um tamanho
3
igual metade do tamanho do intervalo anterior. Por exemplo: f (x) = x = 20.
3 3
- Escolhemos a = 2, pois 2 20 < 0 e b = 3, pois 3 20 > 0.

- Escolhemos o ponto mdio do intervalo, ao qual chamaremos provisoriamente de c: c = a +

b/ 2. Neste caso, c = 2.5.
- Testamos o valor de f em c: f (c) = f (2.5) = 2.5 3 20 = 4.375 < 0.
- Conclumos que x est direita de c, o que nos faz definir o novo intervalo [a, b] = [c, b].
- Agora com o intervalo [a, b], calculando o ponto mdio: c = a+ b/2 = 2.75.
3
- Aplicando f em c: f (c) = f (2.75) = 2.75 20 = 0.796875 > 0.

- Prosseguindo, os dados so colocados numa tabela:

n an bn cn rn
3
rn

en

0 2 3 2.5 2
1 2.5 3 2.75 2 2
2 2.5 2.75 2.625 2
3 2.625 2.75 2.6875 2
4 2.6875 2.75 2.71875 2 2
5 2.6875 2.71875 2.7031525 2
6 2.703125 2.71875 2.710935 2
7 2.710935 2.71875 2.7148437 2 2
5
8 2.710935 2.7148437 2. 2
5
9 2.7128906 2.7148437 2 2
5 5
10 2.7138671 2.7148437 2 2
88 5