Universidade Federal de Minas Gerais

Pr o gra ma d e Pós - Gra d ua çã o em E n g e nha ria E l ét r ica da UF M G

Mestrado e Doutorado em Engenharia Elétrica

T RABALHO III
O TIM IZAÇÃO EM E NGENHARIA

MÉTODO ELIPSOIDAL

Clara Duarte de Sant’Anna

13/11/2019
 Sumário

Sumário ................................................................................................................................................ 1
Capítulo 1 ............................................................................................................................................ 2
Capítulo 2 ............................................................................................................................................ 3
Capítulo 3 ....................................................................................................................................... 155
Capítulo 4 ......................................................................................................................................... 18
Capítulo 5 ......................................................................................................................................... 20

i
 Capítulo 1

Introdução

O Trabalho 3 visa estudar a otimização em problemas não lineares com restrição.

Em que cada aluno explorará o comportamento de um método. Aqui será trata o método
elipsoidal e as duas variantes do método, Lagrangea e Atrator. As três variantes do
método elipsoidal (original, deep-cut Rodney-Takahashi, deep-cut Douglas-Adriano).

2
 Capítulo 2

Estudo de funções de 2 dimensões partindo do mesmo

ponto inicial

2.1.1 Função 1:
Função quadrática com restrições lineares
Código: fdemonst.m

% Quadract function
% Objective function
fx = (x(1,:)- 1).^2 + (x(2,:)- 1).^2;
dfx = [2*(x(1)-1); 2*(x(2)-1)];
% Contraints (g1(x) <= 0)
gx(1,:) = x(1,:) + x(2,:) - 1;
dgx(1,1) = 1;
dgx(2,1) = 1;
% Contraints (g2(x) <= 0)
gx(2,:) = x(1,:) - x(2,:) - 1;

Figura 1 - Função objetivo e restrições para a Função 1

2.1.2 Função 2:
Problema de Rosen e Suzuki
Código: pb_rosensuzuki_convexa.m

3
 Figura 2 - Função objetivo e restrições para a Função 2

2.1.3 Função 3:
Função quadrática com restrições quadráticas
Código: fquadx.m

% Objective function
fx = (x(1,:)- 2).^2 + (x(2,:)- 2).^2;
dfx = [2*(x(1)-2); 2*(x(2)-2)];
% Contraints (g1(x) <= 0)
gx(1,:) = x(1,:) .^ 2 + 4 * x(2,:) .^ 2 - 1;
dgx(1,1) = 2*x(1,1);
dgx(2,1) = 8*x(2,1);
% Contraints (g2(x) <= 0)
gx(2,:) = (x(1,:)-2) .^ 2 + 4 * x(2,:) .^ 2 - 1;
dgx(1,2) = 2*x(1,1)-2;
dgx(2,2) = 8*x(2,1);

Figura 3 - Função objetivo e restrições para a Função 3

2.1.4 Função 4:
Problema de Svanverg
Código: fsvanb.m

% Funcao objetivo.
fobj = x(1,1)*sqrt(1+x(2,1)^2);

4
% gradiente função objetivo.
% f = x(1,1)*sqrt(1+x(2,1)^2);
dfobj(1,1) = sqrt(1+x(2,1)^2);
dfobj(2,1) = x(1,1)*x(2,1)/sqrt(1+x(2,1)^2);

% Funcões de restricao g(x,1) <= 0.0.

gsinal(1,1) = -1;
gsinal(2,1) = -1;
g(1,1) = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)+1/(x(1,1)*x(2,1)))-1;
g(2,1) = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)-1/(x(1,1)*x(2,1)))-1;

% Funcões de restricao g1(x,1) <= 0.0.

% g1 = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)+1/(x(1,1)*x(2,1)))-1;
df1(1,1) =-0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)^2+1/(x(2,1)*x(1,1)^2));
df1(2,1) = 0.124*(x(2,1)*(8/x(1,1)+1/(x(1,1)*x(2,1)))/sqrt(1+x(2,1)^2)- ...
sqrt(1+x(2,1)^2)/(x(1,1)*x(2,1)^2));

Figura 4 - Função objetivo e restrições para a Função 4

2.1.5 Função 5:

Função objetivo quadrática com restrições elipsoidais

Código: fflower.m

Figura 5 - Função objetivo e restrições para a Função 5

2.1.6 Função 6:

Norma distorcida e condicionada com restrições

5
Código: ftiltednormcond_rosensuzu.m

Figura 6 - Função objetivo e restrições para a Função 6

2.2Resultados para ponto inicial fixo

Nesta seção os métodos são comparados pelo número de iterações, valor final da
função objetivo e fator final de convergência de Powell. Além destes valores, são
mostrados os gráficos com o traçado das elipses em cada iteração, evolução da função
objetivo e evolução do fator de convergência de Powell. Para todas as funções e métodos
de deep-cut foram usados o ponto inicial x0 = (8,8).

2.1.1 Função 1:
Função quadrática com restrições lineares
Código: fdemonst.m

Tabela 1 - Resultados para Função 1, 2 dimensões, x_0 fixo

6
 Figura 7 - Convergência para Função 1, método original

Figura 8 - Convergência para Função 1, deep-cut Rodney-Takahashi

Figura 9 - Convergência para Função 1, deep-cut Douglas-Adriano.

7
 2.1.2 Função 2:
Problema de Rosen e Suzuki
Código: pb_rosensuzuki_convexa.m

Tabela 2 - Resultados para Função 2, 2 dimensões, x_0 fixo

Figura 10 - Convergência para Função 2, método original

Figura 11 - Convergência para Função 2, método deep-cut Rodney-Takahashi

8
 Figura 12 - Convergência para Função 2, método deep-cut Douglas-Adriano

2.1.3 Função 3:
Função quadrática com restrições quadráticas
Código: fquadx.m

Tabela 3 - Resultados para Função 3, 2 dimensões, x_0 fixo

Figura 13 - Convergência para Função 3, método original

9
 Figura 14 - Convergência para Função 3, método deep-cut Rodney-Takahashi

Figura 15 - Convergência para Função 3, método deep-cut Douglas-Adriano

2.1.4 Função 4:
Problema de Svanverg
Código: fsvanb.m

Tabela 4 - Resultados para Função 4, 2 dimensões, x_0 fixo

10
 Figura 16 - Convergência para Função 4, método original

Figura 17 - Convergência para Função 4, método deep-cut Rodney-Takahashi

Figura 18 - Convergência para Função 4, método deep-cut Douglas-Adriano

2.1.5 Função 5:

11
Função objetivo quadrática com restrições elipsoidais
Código: fflower.m

Tabela 5 - Resultados para Função 5, 2 dimensões, x_0 fixo

Figura 19 - Convergência para Função 5, método original

Figura 20 - Convergência para Função 5, método deep-cut Rodney-Takahashi

12
 Figura 21 - Convergência para Função 5, método deep-cut Douglas-Adriano

2.1.6 Função 6:

Norma distorcida e condicionada com restrições

Código: ftiltednormcond_rosensuzu.m
Tabela 6 - Resultados para Função 6, 2 dimensões, x_0 fixo

Figura 22 - Convergência para Função 6, método original

13
Figura 23 - Convergência para Função 6, método deep-cut Rodney-Takahashi

Figura 24 - Convergência para Função 5, método deep-cut Douglas-Adriano

14
 Capítulo 3

Estudo do parâmetro s do deep-cut

Nesta seção foi investigado o efeito do parâmetro s para a realização do método

deep-cut. Para tal usou-se a função 2 (problema de Rosen-Suzuki com restrições) e o
método de Rodney-Takahashi com ponto inicial x_0 = (8, 8)T. Foram testados dez
valores de s indo de 0 até 0,3125, avaliando sua influência no número de iterações, valor
final da função objetivo e valor final do fator de convergência. Foram registrados os
gráficos de convergência da função objetivo e do fator de convergência para s = 0, s =
0,1736 e s = 3,125.

Tabela 7 - Resultados da influência do parâmetro s do deep-cut

15
Figura 25 - Efeito de s nas métricas de interesse a) Número de iterações, b) Valor final do fator de
convergência de Powell e c) valor final da função objetivo.

Figura 26 - Gráficos de convergência para a) s=0, b) s=0,1736 e c) s=0,3125.

16
 Observa-se que o número de iterações diminui com o aumento de s de forma
aparentemente linear. O valor final da função objetivo e o fator de convergência não
apresentam dependência aparente de s. A dependência linear do número de iterações com
o parâmetro s poderia ser testada para problemas com maior dimensão, porém tal teste não
foi realizado neste trabalho.

17
 Capítulo 4

Estudo do aumento da dimensão do problema

Foi investigado o efeito do aumento da dimensão n do problema. Para tal usou-se a

função 2 (problema de Rosen-Suzuki com restrições) para o método original, para o
deep-cut de Rodney-Takahashi e de Douglas-Adriano ambos com s=1/(n+1,1). Foram
realizadas 10 execuções para cada dimensão, sendo registrado o número de iterações,
valor final da função objetivo e valor final do fator de convergência, com ponto inicial
variando a cada execução.

Tabela 8 - Resultado para aumento de dimensão. Número de Iterações

Tabela 9 - Resultado para aumento de dimensão. Valor final da função objetivo

18
 Tabela 10 - Resultado para aumento de dimensão. Valor final do fator de convergência de Powell

Figura 27 – Gráfico comparativo do número de iterações em função da dimensão para os três métodos.

A tabela 9 indica que os três métodos chegaram em torno da mesma solução, com
o deep-cut de Douglas-Adriano chegando à uma solução ligeiramente pior do que os
outros dois métodos. A tabela 8 assim como o gráfico da figura 27 mostram que há
grande diferença na complexidade dos métodos. O método original é sem dúvidas o mais
lento, com crescimento aparentemente exponencial do número de iterações. O método
de Rodney-Takahashi se mostra significativamente mais rápido que o original. O método
que melhor escala com a dimensão do problema é o de Douglas-Adriano, sendo então o
mais indicado no caso de problemas de alta dimensionalidade.

19
 Capítulo 5

Conclusão

Os experimentos realizados no capítulo 2 deste trabalho indicam que o método

original seja o mais robusto, sendo capaz de otimizar todos os problemas apresentados,
enquanto a versão de Douglas-Adriano teve problemas ao otimizar a função 2 e o
método de Rodney-Takahashi teve problemas ao otimizar a função 4.
Os experimentos do capítulo 3 indicam que um aumento do parâmetro s de deep-
cut reduz o número de iterações necessário sem influenciar na qualidade da solução. Os
experimentos da capítulo 4 indicam que a versão com deep-cut de Douglas-Adriano é a
mais eficiente, reduzindo consideravelmente o crescimento do número de iterações em
função da dimensão do problema.
Globalmente pode-se notar que o método elipsoidal se baseia em delimitar
regiões que contém a solução, diminuindo gradualmente essa região até que ela se torne
apenas a solução. Outra característica observável do método é que a solução encontrada
é aproximada. Os gráficos de convergência (figuras 8 a 24 e figura 26) indicam que a
região de busca cerca rapidamente a solução, porém a aproximação da solução é
assintótica, dando a característica hiperbólica dos gráficos.

20