Otimização PDF

Otimizao em Engenharia Mecnica Prof. Dr.
Emlio Carlos Nelli Silva
4. MTODOS NUMRICOS APLICADOS EM

PROBLEMAS DE OTIMIZAO DE ENGENHARIA
Os mtodos numricos discutidos nesse curso so baseados na chamada teoria de programao

matemtica como j comentados acima.
4.1. Classificao dos Algoritimos Numricos em Otimizao
Os algoritimos numricos para soluo de problemas de otimizao so essencialmente

classificados em mtodos de programao matemtica e mtodos probabilsticos.
Os mtodos de programao matemtica so classificados em mtodos de programao linear,

programao no-linear e mtodos baseados em teoria de aproximaes como programao
linear seqencial (PLS ou "SLP" em ingls) e programao quadrtica seqencial (PQS ou
"SQP" em ingls). Por sua vez, os mtodos de programao no-linear so classificados em
mtodos para soluo de problemas de otimizao sem restrio e com restrio.
Entre os mtodos probabilsticos temos os algoritimos genticos e o "Simulated Annealing".
A diferena essencial dos mtodos de programao matemtica para os mtodos probabilsticos

que os ltimos procuram encontrar o mnimo global do problema de otimizao evitando os
mnimos locais. J os mtodos de programao matemtica fornecem um mnimo local 1 . Os
mtodos probabilsticos, como o prprio nome sugere, se utilizam de um processo de busca
randmica guiados por decises probabilsticas para obter o mnimo global. Alm disso, os
mtodos probabilsticos so tambm ferramentas poderosas para problemas com variveis
discretas.
4.2. Programao Linear
O mtodo de programao linear (PL ou "LP" em ingls) se destina a soluo de problemas de

otimizao lineares, ou seja, problemas em que a funo objetivo e as restries so funes
lineares em relao s variveis de projeto, ou seja:
n
Minimizar f ( x) = c1 x 1 + c 2 x 2 + ... + c n x n = a i x i ;
i =1
x
tal que h k ( x) = b 1 x 1 + b 2 x 2 + ... + b n x n = 0, j = 1,.., n g
g j ( x) = d 1 x 1 + d 2 x 2 + ... + d n x n 0, j = 1,..., n e
Existem uma grande gama de problemas de otimizao nas diversas reas do conhecimento
(engenharia, economia, biologia, etc.) que se encaixam nessa formulao, e por essa razo
existe uma vasta literatura disponvel sobre programao linear (PL), bem como softwares
disponveis para a sua soluo.
1
a menos que o problema somente possua um nico mnimo em que nesse caso ser o mnimo global.
44
Otimizao em Engenharia Mecnica Prof. Dr. Emlio Carlos Nelli Silva
Calculando as derivadas, por exemplo da funo f, em relao s variveis de projeto, temos:

n
f
f = aixi = a i = cte.
i =1 x i
ou seja, os gradientes (ou derivadas) so constantes que no so necessariamente zeros. Isso
implica que o extremo de um problema de programao linear no pode ser encontrado no
interior do domnio vivel (no h gradientes nulos no interior) e portanto est localizado nas
fronteiras do domnio definido pelas equaes de restries. A Fig.4.2.1 ilustra esse conceito
num espao tridimensional de variveis (x1, x2, x3), onde so representados o domnio vivel
limitado por um contorno denominado poltope, e as curvas de nvel da funo f.
x3 poltope
g i ( x) = 0
f o
x2
Ponto timo
x1
Fig.4.2.1: Soluo de um problema de otimizao linear no espao tridimensional.
J Fig.4.2.2 ilustra uma situao que pode ocorrer devido a natureza da soluo do problema de
otimizao linear. A curva de nvel de f paralela a uma das restries causando uma soluo
degenerada, ou seja, inmeras solues.
x3 g i ( x) = 0
o x2
Soluo Degenerada
x1
Fig.4.2.2: Caso em que ocorre uma soluo degenerada num problema de otimizao linear.
Apesar de somente resolver problemas de otimizao lineares, uma aplicao importante da PL

nos algoritimos de soluo de problemas de otimizao no-linear baseados em mtodos
seqenciais. Nesse caso, o problema de otimizao no-linear dividido numa seqncia de
subproblemas de PL, sendo a soluo obtida aps um nmero suficiente de iteraes. Esse
mtodo denominado programao linear seqencial (PLS ou "SLP") e ser apresentado em
detalhe na seo 4.4.
45
Para ilustrar os conceitos, vejamos a soluo grfica de um exemplo de problema de PL.

Considere o problema no espao bidimensional formulado abaixo:
Min f(x1 , x 2 ) = 2x1 + x 2
x1, x2
4x 2 1
tal que
2 x1 + 2 x 2 1
x1 + x 2 1
2 x1 1
2 x1 + 4 x 2 3
4 x1 + 2 x 2 3
onde as variveis so x1 e x2. Na Fig.4.2.3 so plotados as curvas de nvel da funo objetivo e

as equaes de restrio do problema.
x2
f=3,5
f=3,0
f=2,5
f=2,0
0,5
o
0,5 x1
Fig.4.2.3: Soluo grfica do problema de PL.
Nesse caso a soluo tima (obtida graficamente) vale x1=x2=1/2 com fmin=3/2. Note que a
soluo se encontra num vrtice do domnio em que todas as restries esto ativas com
exceo das duas primeiras. Para verificar se um certo ponto (x1,x2) est no domnio vivel,
basta substitu-lo na equao e verificar se as restries so respeitadas. Essa soluo foi obtida
simplesmente calculando o valor da funo objetivo nos vrtices do contorno do domnio
vivel, uma vez que j se sabe, como discutido acima, que a soluo tima ser um desses
pontos. Os vrtices do domnio so determinados resolvendo-se a interseco das equaes de
restrio.
Se modificarmos a equao da funo objetivo para f=c(2x1+4x2), a soluo se torna

degenerada (inmeras solues), pois essa equao proporcional a uma das restries do
problema.
A soluo numrica de um problema de PL obtida usando um mtodo eficiente e confivel

chamado Simplex. Essencialmente, esse mtodo resolve um problema de programao linear na
sua forma padro, ou seja:
46
Min f = c x
T
x
tal que Ax = b
x0
onde c um vetor n1, A uma matriz mn e b um vetor m1. A princpio essa formulao
parece no representar o exemplo resolvido acima, no entanto fazendo uso de variveis
auxiliares (ou "slack", em ingls), qualquer problema pode ser representado. Assim, por
exemplo, considere as inegualdades abaixo:
4x 2 1
2 x1 + 2 x 2 1
x1 + x 2 1
,
elas podem ser facilmente transformadas em igualdades atravs da subtrao de trs variveis
auxiliares no negativas x3, x4, x5, assim:
4x 2 - x 3 = 1
2x 1 + 2x 2 - x 4 = 1
x1 + x 2 - x 5 = 1
x i 0, i = 1,...,5
,
onde a condio de no negatividade est prevista na formulao padro acima. Se as restries
fossem opostas (0), ento as variveis auxiliares seriam adicionadas e no subtradas. J
restries do tipo xi0 podem ser convertidas na forma padro atravs de expresses do tipo:
x1 = u1 - v1 e x 2 = u 2 - v 2 e : u1 , u 2 , v1 , v 2 0
ou adicionando uma constante positiva de valor suficientemente alto:
x1 = M + x1
de forma que a nova varivel nunca fique negativa durante a otimizao. Esse tipo de artifcio
tem a vantagem de no aumentar a dimenso do problema, pois no cria novas variveis, no
entanto, pode ser difcil conhecer com antecedncia o valor da constante M que far com que a
varivel fique positiva na soluo do problema. A utilizao de valores muito altos de M pode
resultar em mau condicionamento numrico do problema.
Uma vez transformado o problema inicial de PL que se deseja resolver na forma padro acima,
o algoritimo inicia a soluo do problema atravs do mtodo Simplex. Note no problema da
forma padro que se m=n e todas as equaes so linearmente independentes, h uma nica
soluo para o sistema; se m>n no h soluo (a menos que as equaes sejam linearmente
dependentes), pois o sistema de equaes inconsistente; somente quando m<n que temos
vrias solues possveis para o problema e entre todas essas solues o Simplex procura a
soluo que satisfaz a restrio de no negatividade (x0) e minimize a funo objetivo f. Para
isso, o Simplex segue o seguinte procedimento:
Inicia com uma soluo vivel bsica;

Seleciona-se m colunas linearmente independentes entre as n colunas da matriz A (lembre-
se que m<n) como ilustrado abaixo.
47
A = [[D m x m ] K] n
m colunas linearmente
independentes
Essa matriz mm denominada D e no singular. Assim podemos resolver o sistema:
Dx D = b D x D = D 1 bD
m x1 m x m m x1
onde xD um vetor de variveis independentes. Verifica-se que
x D

x = L
0

soluo do sistema Ax=b. Tal soluo denominada soluo bsica, e xD chamado de
vetor de variveis bsicas. Uma soluo bsica, no entanto, no necessariamente satisfaz a
restrio x0. As solues bsicas que satisfazem essa restrio so chamadas solues
bsicas viveis e demonstra-se que representam os "cantos" da poltope (ver definio acima
e Fig.4.2.4).
O nmero total de solues bsicas do sistema Ax=b dado pelo nmero de possibilidades
de se selecionar arbitrariamente m colunas de um nmero de n, ou seja, da teoria das
permutaes e combinaes:
n n!
=
m m!(n - m )!
onde somente algumas solues sero viveis.
Muda o conjunto de variveis bsicas (mas o novo conjunto deve ser vivel) melhorando a
funo objetivo ao mesmo tempo;
Repete essa operao at que no consiga mais reduzir o valor da funo objetivo;
Assim a idia do algoritimo Simplex continuamente reduzir o valor da funo objetivo indo
de uma soluo bsica vivel para outra, e portanto percorrendo os extremos (ou "cantos") da
poltope como mostrado na Fig.4.2.4.
x3 poltope
0
Solues bsicas
1
viveis
2 o x2
3 Ponto timo
x1
Fig.4.2.4: Caminho seguido pelo mtodo Simplex para a soluo.
48
Uma descrio mais detalhada do algoritimo numrico do Simplex encontra-se nas referncias
da bibliografia dessa apostila.
Nota-se que quanto maior o nmero de variveis de projeto (n) ou de restries (m), maior ser
o nmero de solues bsicas viveis ( e portanto "cantos" da poltope), e portanto maior ser o
custo computacional (e portanto tempo) para o Simplex encontrar a soluo. De fato, o nmero
de operaes aritmticas cresce exponencialmente com o nmero de variveis, o que torna a
utilizao do Simplex invivel para problemas com grande nmero de restries ou variveis
(ordem de milhares).
Nesse caso, so utilizados algoritimos denominados mtodos interiores, uma vez que ao invs
de percorrerem os extremos da poltope, movem-se no seu interior. Essencialmente, a cada
passo, esses algoritimos calculam uma direo a ser seguida no interior da poltope de forma a
minimizar a funo objetivo. Utilizam conceitos similares aos que sero descritos adiante nos
algoritimos para a soluo de problemas de otimizao no-lineares com ou sem restrio. Isso
torna o tempo de soluo mais independente do nmero de variveis e restries. Em alguns
casos a soluo pode ser obtida em apenas uma iterao.
Esses algoritimos chegam a ser at 50 vezes mais rpido do que o Simplex. Um mtodo interior
clssico o algoritimo de Kamarkar (AT&T Bell Labs), descrito em detalhe na referncia [1] da
bibliografia. A Fig.4.2.4 ilustra o caminho seguido pelo algoritimo de Kamarkar na soluo do
problema anterior.
x3
f o
x2
Ponto timo
x1
Fig.4.2.4: Caminho seguido pelo algoritimo de Kamarkar para a soluo.
No aplicativo SCILAB a rotina que resolve um problema de PL usando o mtodo Simplex

denominada LINPRO. Essa rotina resolve um problema de PL da forma:
Min f = p x
T
x
tal que C1x = b1
(mi n )
C2x b 2
(m d n )
ci x cs
49
C = [C1 , C 2 ]
(m i + m d ) n
b = [b1 , b 2 ]
1 (m i + m d )
A sua sintaxe dada por:
[x,lagr,f]=linpro(p,C,b,ci,cs,mi,x0)
onde:
x - vetor da soluo tima;
lagr - vetor de multiplicadores de Lagrange (dimenso n+mi+md) associado a cada uma das
restries. Se o valor de um multiplicador zero, a restrio correspondente est inativa,
caso contrrio est ativa no ponto timo;
f - valor timo da funo;
mi - nmero de restries de igualdade;
md - nmero de restries de inegualdade;
x0 - chute inicial de x; ou se x0=v o clculo iniciado num vrtice do domnio; ou se
x0=g o valor inicial arbitrrio;
A rotina que resolve um problema de PL usando o algoritimo de Kamarkar denominada

KAMARKAR.
Para soluo de problemas de PL com variveis discretas utilizado uma tcnica denominada
programao linear inteira que no ser abordado nesse curso.
4.3. Mtodos Para Soluo de Problemas No-Lineares em Otimizao
Nesse captulo so descritos os mtodos de soluo de problemas em que a funo objetivo e

restries no so lineares em relao s variveis de projeto. Esses mtodos esto divididos em
mtodos para a soluo de problemas sem restrio e com restrio. Considerando que a grande
maior parte dos problemas de otimizao apresentam restries natural se perguntar por que
estudar mtodos para soluo de problemas sem restries. Basicamente existem duas razes:
primeiro porque os mtodos para a soluo de problemas com restries baseiam-se nos
mtodos para a soluo de problemas sem restries; segundo porque existem mtodos que
convertem o problema com restrio num problema sem restrio para depois resolv-lo, como
o caso dos mtodos de penalizao descritos a seguir.
4.3.1. Problemas de Otimizao sem Restrio
Ao contrrio da programao linear, a cada iterao esses mtodos procuram

inicialmente encontrar uma direo (s0) a seguir que reduza a funo objetivo. Uma vez
obtida essa direo, decidem o quanto "andar" nessa direo (). Atravs desse
procedimento, a cada passo, um problema de encontrar n variveis (x) reduzido a um
problema de encontrar uma varivel (), como descrito na equao a seguir:
x = x 0 + s 0 f(x) = f(x 0 + s 0 ) = f( )
onde x0 o ponto inicial. O problema de encontrar pode ser resolvido agora usando
tcnicas de minimizao de uma funo com uma varivel que so de implementao
mais simples. Essa etapa denominada busca unidimensional e quando a direo s
coincide com a direo de um dos eixos coordenados denominada busca univariada.
50
Assim o procedimento seguido por esses mtodos em cada passo resumido a seguir:
Encontrar x0 e s0 que reduza a funo objetivo f ;

Encontrar na direo de s0 que minimize f (busca unidimensional) e obter
x = x 0 + s 0 ;
Verificar a convergncia, se satisfeita, pare e x = x* . Caso contrrio,
x i +1 = x e i = i + 1 e volte etapa inicial.
Para melhor entendermos a idia desses mtodos, podemos fazer uma analogia com a
subida de uma montanha. Suponha que a forma da montanha a funo em questo e
queremos atingir o seu pico mximo (pico da montanha). Num ato intuitivo, a cada
passo dado, inicialmente procuramos uma direo a seguir e depois decidimos o quanto
andar. O quanto andamos num passo, vai depender de quo bem comportado o terreno
da montanha no local. Por exemplo, se h um buraco adiante (ponto de mnimo) no
vamos querer pisar nele ao final do passo, ento devemos reduzir o passo, e escolher
uma nova direo a seguir no passo seguinte, e assim por diante.
Esses mtodos so classificados em trs tipos de acordo com a informao necessria da

funo objetivo: mtodos de ordem zero, de primeira ordem e de segunda ordem.
Nos mtodos de ordem zero somente o valor da funo objetivo utilizado. So usados
quando a funo no diferencivel ou quando a funo altamente no-linear, sendo
difcil obter as derivadas de forma precisa. Entre um dos mais importantes mtodos
temos o mtodo das direes conjugadas de "Powell", descrito abaixo.
Nos mtodos de primeira ordem so usados os valores da funo objetivo e de suas

derivadas (gradientes) em relao s variveis de projeto. Entre os mtodos mais
clssicos existentes temos o mtodo "Steepest Descent" e o mtodo dos gradientes
conjugados descritos abaixo.
J nos mtodos de segunda ordem so utilizados o valores da funo objetivo, de suas

derivadas e tambm da matriz Hessiana. Entre os mtodos existentes, destacam-se os
mtodos de Newton e Quasi-Newton, descritos a seguir.
A rapidez na convergncia do resultado aumenta do primeiro para o ltimo mtodo. A

utilizao de um ou outro mtodo vai depender da informao disponvel (ou a
facilidade de calcular) sobre a funo objetivo.
4.3.1.1.Mtodos de Ordem Zero
Esses mtodos so usados quando o valor da funo obtido com preciso pobre, e
portanto os valores das derivadas (ou gradientes) no so confiveis e no devem ser
utilizados.
51
a) Mtodo das Direes Conjugadas de Powell
Muitos mtodos para a soluo de problemas sem restrio so desenvolvidos para

minimizar funes quadrticas, embora a maior parte dos problemas tenham funes
que no sejam quadrticas. Isso porque toda funo pode ser bem aproximada por
uma funo quadrtica prxima do mnimo. Esse o caso do mtodo de "Powell".
Nesse mtodo, a cada passo a funo a ser minimizada aproximada localmente por
uma funo quadrtica, dada por:
1
f (x) = x T Qx + b T x + c
2
Considere agora um conjunto de direes si, i=1,2 Q-conjugadas linearmente
independentes, ou seja:
s iTQs j = 0 para i j
Pode ser mostrado que: "Se f for minimizada ao longo de cada direo s definida
acima, ento o mnimo de f ser encontrado no (ou antes) do nsimo passo
independentemente do ponto inicial, dado que erros de arredondamento no sejam
acumulados", onde n o nmero de variveis. importante que as direes sejam
linearmente independentes (como definido acima) caso contrrio no h
convergncia para o mnimo.
Powell sugere um mtodo conveniente de gerar direes Q-conjugadas linearmente

independentes. No entanto, s vezes esse mtodo pode gerar direes linearmente
dependentes quando nesse caso no converge para o mnimo. A sua estratgia
baseada na seguinte propriedade (ver referncias para detalhe): se x1 e x2 so dois
pontos e s uma direo especificada e, x1s corresponde ao ponto mnimo de f na
linha paralela s iniciando em x1 e x2s o ponto mnimo de f na linha paralela s
iniciando em x2, ento s e a direo (x2s-x1s) sero Q conjugadas. O algoritimo de
Powell descrito abaixo:
1) Minimize f ao longo das direes coordenadas (busca univariada), iniciando em

x0k e gerando os pontos x1k,, xnk onde k o nmero do ciclo;
2) Aps encerrar a busca univariada encontre o ndice m correspondente direo
em que a funo f apresenta o maior decrscimo indo de xm-1k para xmk;
3) Calcule a direo padro s kp = x kn x 0k (soma de todos os movimentos
univariados) e determine o valor de que minimize f tal que: x = x 0k + s kp ;
( ) ( )
1
f x k f x 0k +1 2
4) Se < k0
( ) ( ) k
f x m 1 f x m
ento utilize as mesmas direes para a prxima
busca univariada. Se a equao NO for satisfeita, ento substitua a msima

direo pela direo padro spk;
5) Comece a nova busca univariada com as direes obtidas no passo 4, e repita os
passos 2, 3, e 4 at que a convergncia seja atingida, ou seja: x k +1 x k .
A Fig.4.3.1 ilustra o caminho seguido pelo mtodo das direes conjugadas de

"Powell" durante as iteraes.
52
Fig.4.3.1: Exemplo do caminho seguido pelo algoritimo de Powell.
Como exemplo de aplicao, vamos considerar a determinao da mxima deflexo

e rotao da extremidade de uma viga atravs da minimizao da sua energia
potencial total modelada usando um nico elemento finito de viga cbico descrito na
Fig.4.3.2.
Fig.4.3.2: Viga engastada carregada na extremidade e seu modelo de MEF.
Considerando a formulao do elemento de viga cbico, os deslocamentos so dados

por:
v1

[( ) ( ) ( ) ( )]

v( ) = 1 3 2 + 2 3 l 2 2 + 3 3 2 2 3 l 2 + 3 1
v 2
2
onde = x / l . A energia potencial correspondente do modelo da viga dado por:
2
EI l d2v
= 3
2l 0 d 2 d + pv 2
Como a viga est engastada em = 0 v1 = 1 = 0 e substituindo v() em
obtemos:
EI
( )
= 3 12 v 2 + 2 2 l 2 12 v 2 2l + pv 2
2l
2 2
2 l 3
Agora, definindo: f = ; x1 = v 2 ; x 2 = 2l a funo acima fica:
EI
53
f = 12x 1 + 4x 2 12x 1x 2 + 2x 1
2 2
Assim, o problema inicial de elementos finitos foi reduzido a minimizao da funo

acima.
Min f = 12x 1 + 4x 2 12x 1x 2 + 2x 1
2 2
Ou seja, o problema passa a ser um problema de otimizao independente onde os

conceitos de MEF foram utilizados apenas para a obteno da funo acima no
sendo mais necessrios na continuao da soluo. No caso vamos utilizar o mtodo
de Powell na soluo do problema.
Soluo:
Todo mtodo numrico exige um "chute inicial" para iniciar as iteraes. Nesse caso
ser adotado: x10 = ( 1,2) f(x10 ) = 2 . Para efeito de comparao final a soluo
T
tima do problema pode ser obtida por clculo diferencial sendo igual :
x* = ( 1 / 3,1 / 2 ) .
T
Assim sendo s1 e s2 as direes coordenadas, e seguindo o procedimento de Powell

descrito acima temos para a primeira iterao:
1 1 1 +
s11 = (1,0) x11 = + = f ( ) = 12( 1 + ) + 4(2) +
T 2 2

2
0 2
12(1 + )(2) + 2(1 + ) (busca univariada) Min f = -1/12
13 / 12
x11 = e f(x1 ) = 1,9166;
1
2
13 / 12 0 13 / 12
s12 = (0,1) x12 = + = (busca univariada) Min f
T
2 1 2 +
13 / 12 1 / 12
= 3/8 x12 = e f(x 2 ) = 1,3541 s p = x 2 - x 0 =
1 1 1 1

13 / 8 3/8
1 1 / 12 1 / 12
x 02 = + = (busca univariada) Min f
2 3 / 8 2 + 3 / 8
157 / 147
= 40/49 x 02 = e f(x 0 ) = 1,31972
2
83 / 49
1
40 2 1,31972 2
e = <
49 1,9166 1,3541
A tabela abaixo descreve os resultados nos ciclos de iteraes seguintes.
54
Tabela 4.3.1: Ciclos de iterao.

Ciclos x1 x2 f
0 -1.0 -2.0 2.0
1 -1.083334 -2.0 1.916667
1 -1.083334 -1.625 1.354167
2 -0.895834 -1.625 0.9322967
2 -0.895834 -1.34375 0.6158854
2 -0.33334 -0.499999 -0.333333
4.3.1.2.Mtodos de Primeira Ordem
Os mtodos de primeira ordem se utilizam da informao das derivadas da funo

objetivo para encontrar o ponto timo. Esses mtodos apresentam uma taxa de
convergncia linear ou superlinear, ou seja, uma seqncia xk dita superlinear
convergente para x* de ordem pelo menos p se:
p
x k +1 x* c k x k x*
e p=1 e ck uma seqncia que converge para zero. Se p=1 ck uma constante
ento a convergncia linear.
a) Mtodo "Steepest Descent"
um dos mtodos mais antigos, sendo proposto em 1847. Nesse mtodo a direo s
a ser seguida obtida resolvendo-se o problema de otimizao:
n
f
Min f T s = s i
s i =1 x i
tal que sTs = 1

ou seja, procura-se encontrar a direo paralela ao gradiente com sinal oposto. Essa
a direo que determina a maior minimizao de f. Considerando o Lagrangeano
do problema, temos:
L(s, ) = f T s + (s T s 1)
e impondo as condies de estacionaridade obtemos a soluo:
L f
= f + 2s = 0 s = s T s = 1 f = 42 2 = f
2
s 2
f
s=
f
onde a norma Euclideana. Assim, segue-se para prxima etapa que a busca
unidimensional, substituindo x k +1 = x k + s na expresso de f.
A Fig.4.3.3 ilustra o caminho seguido pelo "Steepest Descent" para uma funo no
espao bidimensional. Note que a cada passo, o mtodo segue na direo do
gradiente da funo.
55
Fig.4.3.3: Exemplo do caminho seguido pelo "Steepest Descent".
Consideremos a minimizao de uma funo quadrtica para ilustrar alguns

conceitos importantes do "Steepest Descent". Seja a funo quadrtica dada por:
1
f = x T Qx + b T x + c
2
onde Q a matriz Hessiana (no caso simtrica). Substituindo x k +1 = x k + s na
expresso de f usando s dado acima e realizando a busca unidimensional, obtm-se o
seguinte valor de (faa como exerccio):
=
* (
xk Q + bT s
T
)
s T Qs
O desempenho do mtodo nesse caso vai depender do nmero de condicionamento
da matriz Q. O nmero de condicionamento (CN) dado pela razo entre o maior e
o menor autovalores da matriz Q, ou seja:

CN = max
min
Se CN alto, o mtodo caminha de forma lenta e seguindo o padro "zig-zag", o que
conhecido como fenmeno de "hemstitching", como mostrado nas Fig.4.3.3.
Consideremos a minimizao da funo f = 12 x 1 12 x 1 x 2 + 4 x 2 + 2 x 1 para

2 2
ilustrar novamente o fenmeno. A Fig.4.3.4 mostra as curvas de nvel da funo e o

caminho "zig-zag" seguido pelo "Steepest Descent".
56
Fig.4.3.4: Fenmeno de "hemstitching".
Fazendo as mudanas de variveis:

1 x 1
(
y1 = x 1 - x 2 ; y 2 = 2 f(y1 , y 2 ) = y1 + y 2 + y1 + 3y 2
2 2
)
2 12 6
Essa nova funo apresenta curvas de nvel como circunferncias e agora CN=1. A
Fig.4.3.5 ilustra o caminho seguido pelo mtodo nessa nova funo.
Fig.4.3.5: Convergncia em uma iterao.
Ou seja, a soluo obtida em apenas uma iterao e o padro "zig-zag" no est

mais presente.
Assim, demonstra-se que o "Steepest Descent" apresenta apenas uma taxa linear de
convergncia sem a transformao de variveis. No entanto, como dficil na maior
parte dos casos encontrar a transformao de variveis correta foi proposto o mtodo
de Direes Conjugadas ou de "Fletcher-Reeves" descrito a seguir.
b) Mtodo de Direes Conjugadas ou "Fletcher-Reeves"
Na primeira iterao, a direo a ser seguida nesse mtodo (s0) segue o mtodo
"Steepest Descent". A partir da segunda iterao, a direo s1 obtida tal que seja Q
conjugada a s0, e assim por diante, ou seja:
57
s T k -1Qs k = 0, k = 1,2,...
onde Q a matriz Hessiana da funo quadrtica f. Assim, as iteraes prosseguem
at que ocorra a convergncia. Devido ao teorema de "Powell" das direes
conjugadas (veja seo 4.3.1.1) a convergncia para o mnimo de uma funo
quadrtica teoreticamente garantida na direo correspondente iterao n-1 (sn-1),
onde n o nmero de variveis.
Para funes que no sejam quadrticas, a utilizao de direes conjugadas perde o

sentido pelo fato da matriz Hessiana no ser mais uma matriz de constantes. Mesmo
assim, prtica comum utilizar esse algoritimo para funes que no sejam
quadrticas. No entanto, para essas funes a convergncia raramente ocorre depois
de n ou menos iteraes, o que exige que o algoritimo seja reiniciado depois de n
iteraes. O procedimento seguido pelo algoritimo de "Fletcher-Reeves"
brevemente descrito abaixo:
df ( k +1 )
1. Calcular x k +1 = x k + k +1s k onde k +1 determinado tal que = 0;
d k +1
s k = g k = f (x k ) se k = 0 e s k = g k + k s k -1 se k > 0 com
T
2.
e g k = -f (x k )
gk gk
k = T
g k -1 g k -1
3. Se g k+1 ou f (x k +1 ) f (x k ) suficiente pequeno, pare;
4. Caso contrrio, se k<n v para 1 ou recomece.
A Fig.4.3.6 ilustra o caminho seguido no mtodo de Direes Conjugadas.
Fig.4.3.5: Exemplo do caminho seguido pelo mtodo de direes conjugadas.
58
Considere o mesmo exemplo usado anteriormente:

Min f = 12x 1 + 4x 2 12x 1x 2 + 2x 1 e x 0 = (1,2)
2 2 T
Soluo:
24 x 12 x2 + 2 2
x 0 = (1,2) f (x 0 ) = 1 s 0 = f (x 0 ) =
T

8 x2 12 x1 x=x 0
4
1 2
x1 = + 1 f (1 ) = 12(1 21 ) 2 + 4(1 + 41 ) 2 +
2

2
4
df
12(1 21 )(2 + 41 ) + 2(1 21 ) (busca unidimensional) =0
d1
1,0961 2,6154
1 = 0,048077 x1 = e f(x1 ) = s1 =
1,8077 1,3077
(2.6154) 2 + (1.3077) 2 2,6154
= f(x1 ) + 1s 0 1 = = 0,4275 s1 = +
(2) + (4) 1,3077
2 2
2 1,76036 1,0961 1,76036 df

+ 0,4275 = e x2 = + 2 =0
4 3,0178 1,8077 3,0178 d 2
0,3334 0
2 = 0,4334 x 2 = x* = f(x 2 ) = ;
0,50 0
Finalmente, como
2 24 12 1,76036
0
4 12 8 3,0178
verificado aque s0 e s1 so Q conjugadas.
4.3.1.3.Mtodos de Segunda Ordem
Esses mtodos utilizam os valores da funo objetivo, suas derivadas e sua matriz
Hessiana. Os mtodos mais antigos e clssicos so os mtodos de Newton e Quasi-
Newton, descritos a seguir.
a) Mtodo de Newton
Nesse mtodo a direo s a ser seguida obtida resolvendo-se o problema de

otimizao:
n
f
Min f T s = si
s i =1 x i
tal que s Qs = 1
T
onde essencialmente a norma Euclideana no mtodo "Steepest Descent" foi

substituda pela norma s T Qs = 1 onde Q a matriz Hessiana da funo objetivo.
Considerando o Lagrangeano do problema, temos:

L(s, ) = f T s + (s T Qs 1)
e impondo as condies de estacionaridade obtemos a soluo:
59
L Q 1f
= f + 2Qs = 0 s = s = Q 1f Qs = f
s 2
e a matriz Q deve ser positiva-definida. Assim, segue-se para prxima etapa que a
1
busca unidimensional, substituindo x k +1 = x k + k +1s k = x k k +1Q k f ( x k ) na
expresso de f.
Para Q=I o mtodo se iguala ao mtodo "Steepest Descent". Para funes

quadrticas demonstra-se que a soluo obtida em uma iterao com =1.
Demonstra-se que o mtodo de Newton tem uma taxa de convergncia quadrtica,
mas entre as suas srias desvantagens est a necessidade de avaliar a matriz
Hessiana e resolver o sistema de equaes:
Qs = f
para obter a direo s. Assim, para cada iterao o mtodo de newton exige o clculo
de n(n+1)/2 elementos da matriz simtrica Q, e n3 operaes matemticas para
resolver o sistema de equaes acima. Isso fez com que fossem desenvolvidos
mtodos denominados Quasi-Newton em que a se procura usar a informao dos
gradientes da funo para construir uma aproximao da matriz Hessiana como
descrito a seguir.
b) Mtodo de Quasi-Newton
Considerando a expanso em srie de Taylor dos gradientes de f em xk+1, temos:

f ( x k +1 ) f ( x k ) Q ( x k +1 x k ) y k = A k p k e B k +1y k = p k
144 42444 3 { 14 243
yk Ak pk
onde Ak a aproximao de Q e Bk+1 a aproximao de Q-1. A relao Bk+1yk=pk

denominada relao da secante ou Quasi-Newton. Ak e Bk devem permanecer
positivo-definidos durante as iteraes. Eventualmente, B k +1A k = I .
Assim a direo s dada por s k = -B k f(x k ) e a busca unidimensional realizada

substituindo x k +1 = x k + k +1s k na expresso de f.
A frmula de aproximao e atualizao mais utilizada para a matriz Bk e que

fornece os melhores resultados a BFGS dada por:
p y T y Tp p p T
B k +1 = I k T k B k I k T k + k T k
pk y k pk y k pk y k
onde o algoritimo iniciado fazendo-se B=I, quando nesse caso o mtodo
equivalente ao "Steepest Descent". Essa frmula que a matriz Bk permanea
simtrica e positiva-definida durante as atualizaes. Para funes quadrticas, aps
n iteraes Bn exatamente igual Q-1.
Considere o mesmo exempo anterior, mas agora sendo resolvido pelo mtodo de
Quasi-Newton com aproximao BFGS.
Min f = 12x 1 + 4x 2 12x 1x 2 + 2x 1 e x 0 = (1,2) e B0=I
2 2 T
60
Soluo:
O primeiro passo igual ao do "Steepest Descent"
- 1.0961 2.6154 - 1.0961 1
x1 = e f(x1 ) = p0 = =
- 1.8077 1.3077 - 1.8077 2
- 0.0961 2
= e como s 0 = -B 0f(x 0 ) = -If(x 0 ) = y 0 =
0.1923 4
2.6154 2 4.6154
= = p 0 y 0 = 0.96127 e
T
1.3077 4 2.6923
- 0.0961 0.44354 0.25873
p0 y 0 = { 4.6154 2.6923} =
T
0.1923 0.88754 0.51773

1 0 1 0.44354 0.25873 1 0
B1 =
0 1 0.96127 0.88754 0.51773 0 1
1 0 1 0.44354 0.88754 1 0.00923 0.01848
+
=
0 1 0.96127 0.25873 0.51773 0.96127 0.01848 0.03698
0.37213 0.60225 0.37213 0.60225 2.6154
= s1 = B1f (x1 ) = =
0.60225 1.10385 0.60225 1.10385 1.3077
1.7608 - 1.0961 1.7608 - 0.3333
= x 2 = x1 + 2 s 1 = + 2 x2 = e
3.0186 - 1.8077 3.0186 - 0.5
0
f(x 2 ) (convergncia)
0
0.1667 0.25
e verifica - se que : B 2 = = Q 1
0.25 0.5
Portanto, como a funo f quadrtica B2 (n=2) exatamente igual Q-1.
No aplicativo SCILAB esto implementados alguns dos algoritimos acima que so

chamados atravs da rotina OPTIM. Essa rotina resolve problemas de otimizao do
tipo:
Min costf (x)
x
tal que b i x b s
A sintaxe da funo :
[f,[xopt,[gradopt,[work]]]]=optim(costf,[contr],x0,['algo'],[df0,[mem]],[work],[sto
p],['in'])
onde:
costf - funo a ser minimizada
xopt - vetor da soluo tima;
x0 - chute inicial de x;
f - valor timo da funo;
61
contr - b, bi, bs;

algo - qn (Quasi-Newton); gc (gradientes conjugados); nd (no
diferencivel - mtodo de ordem zero);
mem - nmero de variveis usadas na aproximao da matriz Hessiana;
stop - ar (palavra chave); nap (mximo nmero de chamadas da funo);
iter (mximo nmero de iteraes permitida); epsg (valor de corte na norma
do gradiente); epsf (valor de corte na variao de costf); epsx (vetor com
valores de corte para x);
gradopt - gradiente de costf fornecido;
work - vetor para restart;
Cabem agora algumas consideraes extras sobre os algoritimos estudados at aqui.

A princpio esses algoritimo se aplicam somente para soluo de problemas de
otimizao, no entanto podem tambm ser aplicados para a soluo de sistemas de
equao lineares e no-lineares, uma vez que esses problemas derivam
intrinsicamente de problemas de otimizao. Por exemplo, em problemas de anlise
estrutural no-linear, a condio a minimizao da energia potencial (), o que
considerando a condio de estacionaridade, ocorre quando seus gradientes so
nulos, resultando no sistema de equaes:
( x ) = 0
No caso em que os problemas so posados diretamente como:
Ax=b
A soluo pode ser obtida atravs da minimizao da funo:
Ax = b Min (Ax b ) (Ax b )
1 T
2
A vantagem de resolver esse problema de minimizao ao invs de resolver Ax=b
numa anlise estrutural no-linear que permite obter no somente as configuraes
de equilbrio estveis da estrutura, mas tambm as configuraes de equilbrio
instveis, dado que no haja convergncia da minimizao para um mnimo local.
No caso de convergncia para um mnimo local, algumas tcnicas numricas so
utilizadas para forar a convergncia para o mnimo global.
Alm disso, o mtodos descritos acima, mesmo que iterativos, se mostram mais
eficientes na soluo de sistemas Ax=b (formulados como minimizao), com
grande nmero de variveis, do que os mtodos diretos (como Eliminao de
Gauss), sendo por isso (e pela razo acima) utilizados na maior parte dos softwares
comerciais de MEF atualmente.
4.3.2. Problemas de Otimizao com Restrio
Esses mtodos resolvem problemas de otimizao com restries. Para entendermos

melhor o problema enfrentado por esses mtodos, consideremos novamente a analogia
com a subida ao pico da montanha usada na seo 4.3.1. Imagine que agora, durante a
subida encontremos obstculos como cercas e grandes pedras que no fazem parte da
topologia do terreno em si, e no nos permitem sempre caminhar no sentido de
inclinao mxima, como mostrado na figura 4.3.5a. Esses obstculos representam as
restries e vo exigir que faamos grandes desvios pra chegar ao pico da montanha, ou
eventualmente eles nem nos permitam chegar ao pico da montanha, pois esse se
62
encontra no terreno do vizinho que limitado por uma cerca. Nesse ltimo caso, a
mxima altura que conseguiramos subir est situada em algum ponto da cerca. As
diversas situaes de localizao do ponto timo esto descritas na seo 1.4. Ou seja, o
ponto de mnimo (ou de mximo) no mais est associado com a condio de que o
gradiente de f deva ser nulo (estacionaridade).
Fig.4.3.5a: Ilustrao sobre problemas de otimizao com restrio.
Existem essencialmente, dois tipos de mtodos para soluo desses problemas: mtodos
diretos e indiretos. Os mtodos diretos verificam as restries aps seguirem o
procedimento do algoritimo de otimizao sem restrio. J os mtodos indiretos
transformam o problema com restrio em um problema sem restrio e resolvem.
Para entender os algoritimos desses mtodos necessrio inicialmente estudar alguns

conceitos que sero descritos a seguir, como condies KKT de optimalidade,
problemas convexos, ponto sela (ou "Saddle Point") e dualidade.
4.3.2.1.Condies KKT de Optimalidade
As condies KKT (Kharash Kuhn-Tucker) permitem verificar se uma soluo x*

obtida um mnimo local ou no, ou seja, a condio de optimalidade. O termo
mnimo local ao invs de global usado por uma questo de generalidade. Para
funes convexas o mnimo local tambm o global como discutido adiante.
Considerando um problema com ng restries de inegualdade, o Lagrangeano do

problema dado por:
L(x, ) = f (x) j=g1 j (g j t j )
n 2
onde as restries so do tipo g j ( x) 0 . As condies KKT afirmam que se x* um

mnimo local ento:
63
1. x* vivel g j (x* ) 0 j = 1, n g
ng
2. f(x ) * jg j (x* ) = 0;
*
j=1
* j 0;
3. * jg j (x* ) = 0 se j = 0
g j no est ativo
onde o superescrito * indica o ponto timo. A condio 1 indica que a soluo seja
vivel, a condio 2 a condio de estacionaridade da funo Lagrangeana, com a
novidade que os multiplicadores de Lagrange devem ser positivos no ponto timo, e
a condio 3 a condio de complementaridade j discutida na seo 3.2.
A razo pela qual os multiplicadores de Lagrange devam ser positivos no ponto

timo entendido com ajuda da Fig.4.3.6, onde g1 e g2 so os gradientes das
restries ativas (perpendiculares s curvas dessas restries) e f o gradiente da
funo objetivo (normal a sua curva de nvel).
g2=0
g1=0
S
A
- 1g1
- g1 - 2g 2
- g 2
- f
Fig.4.3.6: Interpretao geomtrica das condies KKT.
Se A um candidato mnimo local ento pela condio de estacionaridade:

f = (1g1 + 2g 2 )
Para determinar se o ponto A um mnimo local ou no, devemos verificar se existe
uma direo s saindo de A que seja vivel (no desrespeite as restries ativas) e til
(melhore o valor da funo objetivo). Se essa direo existir ento o resultado pode
ser "melhorado" e o ponto A no um mnimo local, caso contrrio ele ser. Para
uma direo ser vivel deve formar um ngulo obtuso com -g1 e -g2, ou seja:
s T g j 0
onde j representa as restries ativas em A. Para a direo ser til devemos ter:
s T f < 0
Pr-multiplicando a condio de estacionaridade por sT temos:
ng
s T f = js T g j
j=1
Assim nota-se que no possvel ter uma direo til ( s T f < 0 ) e vivel
( s T g j 0 ) se j 0 . Ou seja, no possvel encontrar uma direo s saindo de A
64
que ao mesmo tempo no desrespeite as restries ativas e melhore o valor de f.

Existe uma situao no entanto em que possvel caminhar tangente s restries
ativas e perpendicular ao gradiente de f, nesse caso:
s T f = s T g j = 0
gradiente tangente
restrio
Nesse caso a verificao do efeito do movimento nessa direo somente pode ser
obtido investigando-se as derivadas mais altas. Dessa forma as condies KKT so
condies necessrias, mas no suficientes para a optimalidade.
Assim a condio de suficincia das condies KKT fica restrita existncia de

soluo da equao s T g j = 0 . Note que esse sistema apresenta n variveis e ng
equaes (igual ao nmero de restries ativas). Ou seja, se gj incluir um nmero
de direes linearmente independentes (entre os ng gj disponveis) que igual ao
nmero de variveis (n), ento a nica soluo para a equao em questo s=0 e
nesse caso as consies KKT so tambm condies suficientes de optimalidade. Se
gj incluir um nmero de direes linearmente independentes (entre os ng gj
disponveis) que no igual (no caso sempre menor) ao nmero de variveis (n), a
equao acima apresenta soluo com s 0 , e nesse caso as condies KKT no so
suficientes. Note que no podemos ter num espao n dimensional mais do que n
direes linearmente independentes, embora possamos ter um nmero maior de
restries ativas (algumas delas seriam linearmente dependentes portanto). No
ltimo caso, a condio de suficincia exige a anlise da matriz Hessiana da funo
Lagrangeana do problema que envolve as segundas derivadas das restries e funo
objetivo. Nesse caso a condio de suficincia que essa matriz Hessiana seja
positiva-definida no subespao tangente s restries ativas, ou seja, s 0 obtido
com a soluo da equao s T g j = 0 . Assim, temos:
( )
s T 2 L s > 0 para todo s tal que s Tg j = 0 (restries ativas com j > 0)
onde 2 L representa a matriz Hessiana da funo Lagrangeana. Caso a matriz

Hessiana seja negativa definida o ponto ser de mximo.
Uma outra condio em que as condies KKT tambm so condies suficientes

quando o problema convexo, como descrito adiante.
Como exemplo, consideremos a soluo do problema de otimizao abaixo pela

anlise das condies KKT. Essa certamente no uma forma interessante de se
obter a soluo do problema, no entanto didtica e nos permite fixar os conceitos
acima.
Min f = x13 2 x 22 + 10 x1 6 2 x 32
x1,x2
tal que g 1 = 10 x1x 2 0
g 2 = x1 0
g 3 = 10 x 2 0
65
Soluo:
Note que inicialmente importante colocar as restries na forma g j ( x) 0 , de

forma a ficar compatvel com as definies acima. O Lagrangeano do problema
dado por:
L = x 13 2 x 22 + 10 x1 6 2 x 32 1 (10 x1x 2 ) 2 x1 3 (10 x 2 )
e as condies de estacionaridade valem:
f g g
1 1 2 2 = 3x 12 + 10 + 1 x 2 2 = 0
x 1 x 1 x 1
f g g
1 1 3 3 = 4 x 2 6 x 22 + 1 x 1 3 = 0
x 2 x 2 x 2
Alm disso, a matriz Hessiana da funo Lagrangiana vale:
2L 2L 2L 2L 6 x1 1
= 6 x ; = 4 12 x ; = = 2
L =
x1 x 2 x1x 2 x 2 x1 1 4 12x 2
2 1 2 2 1
Agora, a tabela abaixo descreve todos os casos possveis que podem ocorrer com as
restries (representadas pelos seus multiplicadores de Lagrange) na soluo tima.
Um valor de j =0 indica restrio inativa e j 0 indica restrio ativa.
1 2 3
Caso 1 0 0 0
Caso 2 0 0 0
Caso 3 0 0 0
Caso 4 0 0 0
Caso 5 0 0 0
Caso 6 0 0 0
Caso 7 0 0 0
Caso 8 0 0 0
O stimo e oitavo casos no so possveis, pois no h soluo para os sistemas de

equao.
No primeiro caso a soluo das equaes acima (estacionaridade mais as restries)

fornece:
x1 = 1,826; x 2 = 0 f = 6,17 e x 1 = 2 / 3; x 2 = 0 f = 5,875
em ambos os casos, a princpio as condies KKT so satisfeitas ( j 0 ), mas como
o nmero de restries ativas (e gradientes linearmente independentes) (0)
diferente do nmero de variveis (2), devemos verificar a matriz Hessiana da funo
L. Nesse caso ela vale:
6 x 1 1
2L =
1 4 12x 2
e portanto negativa-definida no primeiro ponto indicando que um ponto de
mximo e indefinida no segundo ponto indicando que um ponto sela.
66
No segundo caso, x1 = 1; x 2 = 10; 1 = -0,7; 3 = 639,3 . Assim as condis KKT no

so satisfeitas e o ponto no de mnimo nem de mximo.
No terceiro caso, temos:

x1 = 3,847
- 3x12 + 10 + 1x 2 = 0
x 2 = 2,599
4 x 2 6 x 2 + 1x1 = 0
2
x x = 10 1 = 13,24
1 2
f = 73,08
a princpio as condies KKT so satisfeitas, mas como o nmero de restries
ativas (e gradientes linearmente independentes) (1) diferente do nmero de
variveis (2), devemos verificar a matriz Hessiana da funo L, que vale:
23,08 13,24
2L =
13,24 35,19
Novamente, negativa-definida indicando ser um ponto de mximo.
No quarto caso, temos:

- 3x12 + 10 2 = 0 x1 = 0 x2 = 0 2 = 10 f = 6

4 x 2 6 x 22 = 0 x1 = 0 x 2 = 2 / 3 2 = 10 f = 6,99
variveis (2), devemos verificar a matriz Hessiana da funo L, que no caso tambm
negativa-definida e portanto so pontos de mximo.
No quinto caso, temos:

- 3x 1 + 10 = 0
2
x 1 = 1,826 x 2 = 10 3 = 640 f = 2194

4 x 2 6 x 22 3 = 0
variveis (2), devemos novamente verificar a matriz Hessiana da funo L, que no
caso tambm negativa-definida e portanto novamente um ponto de mximo.
No sexto caso, temos:

x1 = 0; x 2 = 10; 2 = 10; 3 = 640; f = -2206
as condies KKT so satisfeitas, e como o nmero de restries ativas (e gradientes
linearmente independentes) (2) igual ao nmero de variveis (2) o ponto obtido
um ponto de mnimo e portanto o ponto timo procurado.
Na prtica, os softwares de otimizao resolvem o problema de otimizao usando

um algoritimo numrico e as condies KKT so apenas verificadas no final para
soluo tima. A seguir descrito como calcular os multiplicadores de Lagrange de
forma numrica para verificar as solues KKT.
67

Otimização PDF

Enviado por

Dados do documento

Descrição original:

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

Otimização PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Otimizao em Engenharia Mecnica Prof. Dr.

Emlio Carlos Nelli Silva

4. MTODOS NUMRICOS APLICADOS EM

Os mtodos numricos discutidos nesse curso so baseados na chamada teoria de programao

4.1. Classificao dos Algoritimos Numricos em Otimizao

Os algoritimos numricos para soluo de problemas de otimizao so essencialmente

Os mtodos de programao matemtica so classificados em mtodos de programao linear,

Entre os mtodos probabilsticos temos os algoritimos genticos e o "Simulated Annealing".

A diferena essencial dos mtodos de programao matemtica para os mtodos probabilsticos

4.2. Programao Linear

O mtodo de programao linear (PL ou "LP" em ingls) se destina a soluo de problemas de

Calculando as derivadas, por exemplo da funo f, em relao s variveis de projeto, temos:

Apesar de somente resolver problemas de otimizao lineares, uma aplicao importante da PL

Para ilustrar os conceitos, vejamos a soluo grfica de um exemplo de problema de PL.

onde as variveis so x1 e x2. Na Fig.4.2.3 so plotados as curvas de nvel da funo objetivo e

Se modificarmos a equao da funo objetivo para f=c(2x1+4x2), a soluo se torna

A soluo numrica de um problema de PL obtida usando um mtodo eficiente e confivel

Inicia com uma soluo vivel bsica;

No aplicativo SCILAB a rotina que resolve um problema de PL usando o mtodo Simplex

A rotina que resolve um problema de PL usando o algoritimo de Kamarkar denominada

4.3. Mtodos Para Soluo de Problemas No-Lineares em Otimizao

Nesse captulo so descritos os mtodos de soluo de problemas em que a funo objetivo e

4.3.1. Problemas de Otimizao sem Restrio

Ao contrrio da programao linear, a cada iterao esses mtodos procuram

Encontrar x0 e s0 que reduza a funo objetivo f ;

Esses mtodos so classificados em trs tipos de acordo com a informao necessria da

Nos mtodos de primeira ordem so usados os valores da funo objetivo e de suas

J nos mtodos de segunda ordem so utilizados o valores da funo objetivo, de suas

A rapidez na convergncia do resultado aumenta do primeiro para o ltimo mtodo. A

4.3.1.1.Mtodos de Ordem Zero

a) Mtodo das Direes Conjugadas de Powell

Muitos mtodos para a soluo de problemas sem restrio so desenvolvidos para

Powell sugere um mtodo conveniente de gerar direes Q-conjugadas linearmente

1) Minimize f ao longo das direes coordenadas (busca univariada), iniciando em

busca univariada. Se a equao NO for satisfeita, ento substitua a msima

A Fig.4.3.1 ilustra o caminho seguido pelo mtodo das direes conjugadas de

Fig.4.3.1: Exemplo do caminho seguido pelo algoritimo de Powell.

Como exemplo de aplicao, vamos considerar a determinao da mxima deflexo

Fig.4.3.2: Viga engastada carregada na extremidade e seu modelo de MEF.

Considerando a formulao do elemento de viga cbico, os deslocamentos so dados

Assim, o problema inicial de elementos finitos foi reduzido a minimizao da funo

Ou seja, o problema passa a ser um problema de otimizao independente onde os

Assim sendo s1 e s2 as direes coordenadas, e seguindo o procedimento de Powell

Tabela 4.3.1: Ciclos de iterao.

4.3.1.2.Mtodos de Primeira Ordem

Os mtodos de primeira ordem se utilizam da informao das derivadas da funo

a) Mtodo "Steepest Descent"

tal que sTs = 1

Fig.4.3.3: Exemplo do caminho seguido pelo "Steepest Descent".

Consideremos a minimizao de uma funo quadrtica para ilustrar alguns

Consideremos a minimizao da funo f = 12 x 1 12 x 1 x 2 + 4 x 2 + 2 x 1 para

ilustrar novamente o fenmeno. A Fig.4.3.4 mostra as curvas de nvel da funo e o

Fig.4.3.4: Fenmeno de "hemstitching".

Fazendo as mudanas de variveis:

Fig.4.3.5: Convergncia em uma iterao.

Ou seja, a soluo obtida em apenas uma iterao e o padro "zig-zag" no est

b) Mtodo de Direes Conjugadas ou "Fletcher-Reeves"

Para funes que no sejam quadrticas, a utilizao de direes conjugadas perde o

3. Se g k+1 ou f (x k +1 ) f (x k ) suficiente pequeno, pare;

4. Caso contrrio, se k<n v para 1 ou recomece.

A Fig.4.3.6 ilustra o caminho seguido no mtodo de Direes Conjugadas.

Fig.4.3.5: Exemplo do caminho seguido pelo mtodo de direes conjugadas.