Escolar Documentos
Profissional Documentos
Cultura Documentos
T RABALHO III
O TIM IZAÇÃO EM E NGENHARIA
MÉTODO ELIPSOIDAL
Sumário ................................................................................................................................................ 1
Capítulo 1 ............................................................................................................................................ 2
Capítulo 2 ............................................................................................................................................ 3
Capítulo 3 ....................................................................................................................................... 155
Capítulo 4 ......................................................................................................................................... 18
Capítulo 5 ......................................................................................................................................... 20
i
Capítulo 1
Introdução
2
Capítulo 2
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;
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);
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);
2.1.5 Função 5:
2.1.6 Função 6:
5
Código: ftiltednormcond_rosensuzu.m
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
6
Figura 7 - Convergência para Função 1, método original
7
2.1.2 Função 2:
Problema de Rosen e Suzuki
Código: pb_rosensuzuki_convexa.m
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
9
Figura 14 - Convergência para Função 3, método deep-cut Rodney-Takahashi
2.1.4 Função 4:
Problema de Svanverg
Código: fsvanb.m
10
Figura 16 - Convergência para Função 4, método original
2.1.5 Função 5:
11
Função objetivo quadrática com restrições elipsoidais
Código: fflower.m
12
Figura 21 - Convergência para Função 5, método deep-cut Douglas-Adriano
2.1.6 Função 6:
13
Figura 23 - Convergência para Função 6, método deep-cut Rodney-Takahashi
14
Capítulo 3
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.
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
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
20