Topico5 PDF

Profs. Sérgio F. dos Reis & Fernando J.
Von Zuben
DCA/FEEC/Unicamp
Otimização em Espaços Contínuos e

Discretos
1 Princípios de Otimização............................................................................................................................................ 3
2 Formulação matemática.............................................................................................................................................. 8
2.1 Exemplos de formas genéricas de problemas de otimização.............................................................................. 9
2.1.1 Problemas de minimização e de maximização ..................................................................................... 10
2.2 Exemplos de formulação de problemas de otimização específicos .................................................................. 11
2.2.1 Problema da dieta alimentar ................................................................................................................. 11
2.2.2 Problema da mochila (knapsack problem)............................................................................................ 12
2.2.3 Problema de regressão linear ................................................................................................................ 13
3 Funcionais e funções-objetivo .................................................................................................................................. 14
3.1 Derivada de uma função no tempo ................................................................................................................... 16
3.2 Integral de uma função no tempo...................................................................................................................... 20
3.3 Mínimos Locais ................................................................................................................................................ 22
3.4 Expansão em Série de Taylor ........................................................................................................................... 23
4 Métodos de otimização para espaço contínuo .......................................................................................................... 24
4.1 Solução algébrica na forma fechada ................................................................................................................. 25
4.2 Problemas de otimização irrestritos via solução iterativa................................................................................. 27
4.2.1 Condição necessária de otimalidade ..................................................................................................... 27
4.2.2 Solução iterativa: Método de 1a. ordem ............................................................................................... 28
5 Métodos de otimização para espaço discreto............................................................................................................ 31
5.1 Problemas de otimização irrestritos via solução iterativa................................................................................. 31
6 Princípios de computação ......................................................................................................................................... 36
6.1 Resolução de um problema usando computador .............................................................................................. 38
6.2 Especificação de algoritmos e fluxo de controle .............................................................................................. 39
BP590 – Otimização em Espaços Contínuos e Discretos 1
Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

DCA/FEEC/Unicamp
6.3 Computabilidade............................................................................................................................................... 41
6.4 Factibilidade computacional ............................................................................................................................. 42
7 Noções básicas de álgebra linear .............................................................................................................................. 43
7.1 Escalar............................................................................................................................................................... 43
7.2 Vetor ................................................................................................................................................................. 43
7.3 Matriz................................................................................................................................................................ 44
7.4 Conjuntos e operações com conjuntos.............................................................................................................. 46
7.4.1 Conjuntos especiais de números reais .................................................................................................. 48
7.5 Espaço Vetorial Linear ..................................................................................................................................... 49
7.5.1 Axiomas................................................................................................................................................ 49
7.5.2 Propriedades adicionais ........................................................................................................................ 50
7.5.3 Exemplos .............................................................................................................................................. 51
7.5.4 Produto cartesiano ................................................................................................................................ 51
7.5.5 Subespaço vetorial linear ...................................................................................................................... 52
7.5.6 Conjuntos convexos.............................................................................................................................. 53
7.5.7 Combinação linear e combinação convexa........................................................................................... 54
7.5.8 Dependência linear e dimensão de um espaço vetorial ........................................................................ 55
7.5.9 Produto externo..................................................................................................................................... 56
7.5.10 Produto interno ..................................................................................................................................... 57
7.5.11 Norma, semi-norma e quase-norma...................................................................................................... 58
7.6 Distância absoluta e relativa ............................................................................................................................. 61
8 As funções logaritmo e exponencial......................................................................................................................... 62
8.1 Relação entre as funções logaritmo e exponencial ........................................................................................... 63
8.2 Expansão em série de Taylor ............................................................................................................................ 64
8.3 Derivadas .......................................................................................................................................................... 64
8.4 Integrais ............................................................................................................................................................ 65
9 Solução de equações diferenciais de 1a. ordem com entrada constante ................................................................... 66

DCA/FEEC/Unicamp
1 Princípios de Otimização
• a existência de um objetivo a ser atendido geralmente conduz à elaboração de
um plano de execução para viabilizar seu atendimento;
• se o atendimento do objetivo puder ser realizado em etapas, então é possível
definir um plano de metas. As metas associadas às etapas subseqüentes podem
ser revistas em função dos resultados obtidos no atendimento das metas
precedentes;
• Exemplo 1: um piloto de Fórmula 1 pode dar o máximo de si e do carro

durante toda a prova. O objetivo seria completar a prova no menor tempo.
• Exemplo 2: um piloto de Fórmula 1 pode poupar equipamentos na primeira

metade da prova e dar o máximo de si e do carro na segunda metade da prova.
O objetivo seria atender a um compromisso entre a minimização do tempo de
prova e a probabilidade de completá-la.

DCA/FEEC/Unicamp
• quando existem múltiplas opções de se chegar ao atendimento do objetivo

como um todo ou de cada uma de suas etapas, então existem quatro situações
possíveis:
1. ausência de restrições e ausência de critérios de desempenho: qualquer
opção é igualmente satisfatória;
2. presença de restrições e ausência de critérios de desempenho: qualquer
opção que atenda às restrições é igualmente satisfatória, mas pode não
existir opção factível;
3. presença de restrições e presença de critérios de desempenho: dentre as
opções que atendam às restrições, existe uma ou mais que maximizam o
desempenho, mas pode não existir opção factível;
4. ausência de restrições e presença de critérios de desempenho: dentre
todas as opções, existe uma ou mais que maximizam o desempenho;

DCA/FEEC/Unicamp
• a situação 1 representa um problema de satisfação irrestrita de objetivo, sem

envolver otimização;
• a situação 2 representa um problema de satisfação restrita de objetivo, sem
envolver otimização;
• a situação 3 representa um problema de otimização para satisfação restrita de
objetivo;
• a situação 4 representa um problema de otimização para satisfação irrestrita de
objetivo;
• no caso da situação 3, dependendo do grau de dificuldade no atendimento das
restrições, o problema pode ser classificado mais como um problema de
satisfação restrita de objetivo (alto grau de dificuldade) ou mais como um
problema de otimização irrestrita (baixo grau de dificuldade). Ou seja, a
situação 3 pode percorrer todo o caminho entre as situações 2 e 4.

DCA/FEEC/Unicamp
• propósitos da otimização: maximizar o critério de desempenho, ou seja,

maximizar o atendimento do(s) objetivo(s);
• alvo da otimização: parâmetros do problema. Podem corresponder a grandezas
estruturais, organizacionais, quantitativas, etc.
• conseqüência prática: melhoria da qualidade de produtos, aumento da
eficiência de processos, maximização de lucro, minimização de custo, etc.
• quando múltiplos objetivos devem ser considerados simultaneamente, resulta
um problema de otimização multi-objetivo ou multi-critério.
• é possível transformar um problema multi-objetivo em um problema mono-
objetivo, bastando estabelecer uma ponderação para cada objetivo, indicando
assim a importância relativa de cada um.
• Exemplo:
! múltiplos objetivos: obj1, obj2, ..., objn
! único objetivo: a1× obj1 + a2× obj2 + ... + an× objn

DCA/FEEC/Unicamp
• no entanto, vários fatores influenciam no estabelecimento da importância

relativa que efetivamente deve ser atribuída a cada objetivo (incluindo a
topologia do espaço de soluções), de modo que a manutenção do problema
como sendo multi-objetivo pode trazer vantagens significativas, apesar de
conduzir a problemas de difícil solução.
Fronteira de soluções não-dominadas

(soluções Pareto-ótimas)
objetivo 2
objetivo 1

DCA/FEEC/Unicamp
2 Formulação matemática
• a formulação matemática de um problema de otimização está vinculada à

possibilidade de definir matematicamente o espaço de soluções candidatas (o
qual permite expressar o escopo e as restrições do problema) e a função-
objetivo (a qual permite expressar o que se deseja obter).
• o escopo do problema vai permitir caracterizar o espaço de soluções.
• as restrições do problema vão dividir o espaço de soluções candidatas entre
regiões factíveis e infactíveis.
• toda vez que for possível expressar os objetivos de um problema através de
uma formulação matemática, a expressão resultante é denominada de função-
objetivo ou critério de desempenho.
• como a linguagem matemática é universal, uma vez que um problema de
otimização esteja formulado matematicamente, não importa a procedência do

DCA/FEEC/Unicamp
problema (biologia, economia, química, etc.), e sim a classe a que pertence a

formulação matemática resultante. A classe do problema formulado vai
depender: da função-objetivo (linearidade ou não nos parâmetros); da
convexidade da função-objetivo; da natureza contínua ou discreta dos
parâmetros; da presença, ausência e tipo das restrições; etc.
• como a linguagem matemática é universal, as ferramentas matemáticas de
tratamento dos problemas formulados matematicamente também são
universais.
2.1 Exemplos de formas genéricas de problemas de otimização
min f (x)
x∈ℜ n
min f (x) min f (x) s.a. g (x) ≥ 0
x∈ℜ n x∈Ω
h( x ) = 0

DCA/FEEC/Unicamp
2.1.1 Problemas de minimização e de maximização

• todo problema de otimização pode ser classificado como um problema de
minimização ou um problema de maximização.
• geralmente se maximiza lucro e se minimiza custo;
• no entanto, maximizar uma função objetivo é equivalente a minimizar o
negativo desta função objetivo, por exemplo:
max f (x) ≡ min − f (x) .
x∈Ω x∈Ω
• de forma equivalente, minimizar uma função objetivo é equivalente a

maximizar o negativo desta função objetivo, por exemplo:
min f (x) ≡ max − f (x) .
x∈Ω x∈Ω
• conclusão: um problema de maximização tem sempre um problema de

minimização equivalente, sendo ambos problemas de otimização.

DCA/FEEC/Unicamp
2.2 Exemplos de formulação de problemas de otimização

específicos
2.2.1 Problema da dieta alimentar

• seja a matriz A ∈ ℜ3×4 a seguir, a qual indica a concentração de 3 nutrientes
em 4 alimentos, sendo aij a concentração do nutriente i no alimento j.
0.2 0.1 0.0 0.0 
A = 0.0 0.0 0.07 0.06
 
0.0 0.1 0.5 0.0 
• dentre as infinitas soluções candidatas que atendem à seguinte dieta

 2
nutricional b = 1 , forneça aquela associada à quantidade mínima de
 
3
alimento a ser ingerida.

DCA/FEEC/Unicamp
• formulação matemática:
 min4 x 2
x∈ℜ
s.a. Ax = b
 xi ≥ 0, i = 1,...,4

2.2.2 Problema da mochila (knapsack problem)

• b : recurso financeiro disponível para investimento;
• n : número de projetos candidatos a receberem investimento;
• ai : recurso financeiro necessário para implementar o projeto i ;
• ci : retorno financeiro associado ao projeto i ;
• Objetivo: Defina um subconjunto de projetos que irão receber investimento,
visando respeitar a restrição de limite de recurso disponível e maximizar o
retorno financeiro.

DCA/FEEC/Unicamp
• formulação matemática:
n
max ∑ ci xi
xi , i =1,..., n i =1
n
s.a. ∑ ai xi ≤ b
i =1
xi ∈ {0,1}, i = 1,..., n
2.2.3 Problema de regressão linear
• Informação disponível: pares de vetores de entrada-saída {(x l , s l )}lN=1 (dados

amostrados), com xl ∈ ℜ m e sl ∈ ℜ ;
• Modelo de regressão: g (x, θ) = θ0 + θ1 x1 + θ2 x2 + ... + θm xm , com θ ∈ ℜm +1 um
vetor de parâmetros a determinar.
1 N
• Função objetivo: f (θ) = ∑ (sl − g (xl , θ) )2
N l =1
• Problema de otimização: min f (θ)
θ∈ℜ m +1

DCA/FEEC/Unicamp
3 Funcionais e funções-objetivo
• uma função na forma f: ℜn → ℜm é responsável pelo mapeamento de um

ponto no espaço ℜn, denominado argumento (vetor de dimensão n cujos
elementos assumem valores reais), a um único outro ponto no espaço ℜm
(vetor de dimensão m cujos elementos assumem valores reais).
• os argumentos pertencem ao domínio da função f, e o resultado do
mapeamento pertence ao contra-domínio da função f.
• vale enfatizar que, para que um mapeamento seja uma função, é necessário
que cada ponto do domínio seja mapeado em um único ponto do contra-
domínio.
• os valores de n e m podem ser quaisquer, mas quando m = 1 este mapeamento
é chamado de funcional.

DCA/FEEC/Unicamp
• Exemplos de funcionais (domínio restrito aos intervalos [0,1] e [0,1]×[0,1]):
3.8
3.6
3.4
3.2
3
f(x)
2.8
2.6
2.4
2.2
2
0 0.2 0.4 0.6 0.8 1
x
f: ℜ1 → ℜ1 f: ℜ2 → ℜ1
f: [0,1] → ℜ f: [0,1]×[0,1] → ℜ
• se estes funcionais representam funções-objetivo a serem maximizadas, então
a solução ótima está associada ao valor de x (à esquerda) ou (x1,x2) (à direita)
correspondente ao pico máximo do funcional.

DCA/FEEC/Unicamp
3.1 Derivada de uma função no tempo
• dado que se conhece os valores de uma função contínua a cada instante de

tempo, então é possível obter também, a cada instante, a taxa de variação da
função no tempo.
• seja f (t ) uma função contínua com valores conhecidos para t ≥ 0. Então é
sempre possível determinar ∆f = f (t 2 ) − f (t1 ) para qualquer ∆t = t 2 − t1 ,
assumindo que t 2 > t1 ≥ 0 .
∆f
• sendo assim, é sempre possível determinar a razão , a qual dá uma boa
∆t
idéia da taxa de variação de f com o tempo.
• tomando ∆t → 0 , resulta a taxa instantânea de variação de f com o tempo, que
df (t ) ∆f
é conhecida como derivada da função f no tempo: = lim , onde t é
dt ∆t → 0 ∆t
t +t
dado por 1 2 .
2

DCA/FEEC/Unicamp
f(t) f(t)
reta tangente
com inclinação
f(t2) dada por df
f(t2)
dt
∆f
f(t1) f(t1)
∆t
t1 t2 t t1 t t2 t
• a derivada da função f(t) fornece sempre a inclinação da reta tangente à função

no ponto t.
df (t ) d
• notações aceitas: f ′(t ) = = f (t ) .
dt dt

DCA/FEEC/Unicamp
df (t )
Exemplo 1: Valores instantâneos de para uma função f (t ) multimodal
dt
3.5
f(t)
2.5
2
0 0.2 0.4 0.6 0.8 1
t
10
5
df/dt
-5
0 0.2 0.4 0.6 0.8 1
t

DCA/FEEC/Unicamp
df (t )
Exemplo 2: Valores instantâneos de para uma função f (t ) monotonicamente crescente
dt
25
20
15
f(t)
10
0
0 0.2 0.4 0.6 0.8 1
t
80
60
df/dt
40
20
0
0 0.2 0.4 0.6 0.8 1
t

DCA/FEEC/Unicamp
3.2 Integral de uma função no tempo
• a integral de uma função f(t) é dada pelo somatório das áreas sob a curva,
levando-se em conta seus respectivos sinais.
f(t)
t1 t2 t
t2
• área hachurada sob a curva é dada por: ∫t1 f (t )dt

DCA/FEEC/Unicamp
t
Exemplo: Valores instantâneos de ∫0 f ( τ)dτ para uma função f (t ) multimodal
100
50
f(t)
0
-50
-100
0 0.2 0.4 0.6 0.8 1
t
15
10
integral (f)
5
0
t
-5
-10
0 0.2 0.4 0.6 0.8 1
t

DCA/FEEC/Unicamp
3.3 Mínimos Locais
• seja f um funcional definido sobre Ω ⊂ ℜn. Um ponto x0 ∈ Ω é chamado

MÍNIMO LOCAL de f sobre Ω se existe uma esfera
N (x 0 , ε ) = {x : x − x 0 < ε}
tal que f(x0) ≤ f(x), ∀ x ∈ Ω ∩ N (x 0 , ε ) .
• x0 é um MÍNIMO GLOBAL se f(x0) ≤ f(x), ∀ x ∈ Ω.

Interpretação Geométrica
f(x)
x01 x02 x

DCA/FEEC/Unicamp
3.4 Expansão em Série de Taylor
• f: ℜn → ℜ x ∈ ℜn
• expansão em série de Taylor em torno do ponto x* ∈ ℜn:
1
f ( x ) = f ( x*) + ∇f ( x*)T (x − x *) + (x − x *)T ∇ 2 f (x*)(x − x *) + O (3)
2
 ∂ 2 f ( x*) ∂ 2 f ( x*) ∂ 2 f ( x*) 

 ∂f ( x*)   L
 ∂x  ∂x1∂x 2 ∂x1∂x n 
 2 ∂x1
2

 ∂f ( x1*)   ∂ f ( x*) ∂ 2 f ( x*) 
  M
• ∇f ( x*) =  ∂x 2  ∇ f ( x*) =  ∂x 2 ∂x1
2
∂x 22 
 
 M   O 
 ∂f ( x*)   ∂ 2 f ( x*) ∂ 2 f ( x*) 
 ∂x   ∂x ∂x L
 n 
 n 1 ∂x n2 
vetor gradiente matriz hessiana

DCA/FEEC/Unicamp
4 Métodos de otimização para espaço contínuo
• uma vez formulado o problema de otimização (incluindo o espaço de soluções

e a função objetivo), um procedimento que conduz à otimização da função-
objetivo é denominado método de otimização.
• caso o problema de otimização envolva um número elevado de variáveis e
contenha não-linearidades arbitrárias, a quantidade de cálculos numéricos
necessários para produzir a solução é muito grande, justificando a necessidade
de se recorrer ao computador para a implementação de um método de
otimização adequado, sendo que mais de um método pode existir para cada
problema formulado matematicamente.
• nesta seção, iremos nos concentrar nos métodos de otimização para espaços
contínuos.

DCA/FEEC/Unicamp
4.1 Solução algébrica na forma fechada
• para problemas de otimização irrestritos em que a função-objetivo é linear nos

parâmetros a serem otimizados, os métodos de otimização fornecem uma
solução algébrica na forma fechada.
• um problema de otimização que se encaixa perfeitamente nesta definição é o
problema de regressão linear, apresentado na seção 2.2.3 e reapresentado a
seguir.
• Informação disponível: pares de vetores de entrada-saída {(x l , s l )}lN=1 (dados
amostrados), com xl ∈ ℜ m e sl ∈ ℜ ;
• Modelo de regressão: g (x, θ) = θ0 + θ1 x1 + θ2 x2 + ... + θm xm , com θ ∈ ℜm +1 um

vetor de parâmetros a determinar.
1 N
• Função objetivo: f (θ) = ∑ (sl − g (xl , θ) )2
N l =1

DCA/FEEC/Unicamp
• Problema de otimização: min f (θ)

θ∈ℜ m +1
• o vetor θ ∈ ℜm +1 que minimiza a função-objetivo é aquele que mais se
aproxima da solução do seguinte sistema de equações lineares, o qual é
inconsistente e não admite solução exata:
 θ0 
1 x11 x12 L x1m     s1 
1 x θ1
x22 L x2 m     s2 
 21   θ2  =   ⇒ Xθ = s
M M M O M    M 
  M  
1 xN 1 xN 2 L xNm     s N 
θm 
• esta solução é dada na forma: θ* = X T X ( )−1

X Ts.

DCA/FEEC/Unicamp
4.2 Problemas de otimização irrestritos via solução iterativa
• será apresentado, na seqüência, um dos principais métodos de otimização para

problemas em espaços contínuos e irrestritos, que admitem a seguinte
formulação matemática:
min f (x)
x∈ℜ n
onde f : ℜn → ℜ é um funcional não-linear.
4.2.1 Condição necessária de otimalidade

• Teorema: Considere que f: ℜn → ℜ e f ∈ C2[ℜn] (conjunto das funções com
derivadas contínuas até 2a ordem). Se x* ∈ ℜn é um mínimo local de f(x),
então ∇f ( x*) = 0 .

DCA/FEEC/Unicamp
Prova: Por absurdo, suponha que x* é mínimo local de f(x) e que ∇f ( x*) ≠ 0 .
Para ε > 0 suficientemente pequeno, é possível definir um x ∈ ℜn tal que
x = x * − ε∇f ( x*) . Portanto:
f ( x ) ≅ f ( x*) + ∇f ( x*)T (x − x *) = f ( x*) + ∇f ( x*)T (− ε∇f ( x*)) =

= f ( x*) − ε∇f ( x*)T ∇f ( x*) = f ( x*) − ε ∇f ( x*)
2
Logo, em uma vizinhança de x*, ∃ x tal que f(x) < f(x*). ← ABSURDO!
4.2.2 Solução iterativa: Método de 1a. ordem

• condições para sua aplicação:
! espaço de busca contínuo;

DCA/FEEC/Unicamp
! existência de derivada primeira da função-objetivo em todo o espaço de

busca, ou seja, a função-objetivo deve ser diferenciável ao menos até 1a.
ordem;
! factibilidade computacional no cálculo do valor desta derivada, em
qualquer ponto do espaço de busca.
• Algoritmo: a partir de uma proposta inicial de solução x0, geralmente definida
de forma aleatória, obtém-se uma seqüência de novas propostas de solução em
direção ao atendimento dos objetivos, ou seja, de modo que cada novo ponto
do espaço de busca se aproxime mais e mais do ótimo local. Cada nova
proposta deve ser obtida a partir da informação de 1a. ordem. O processo
iterativo é interrompido quando a condição necessária de otimalidade é
atendida, ou então quando um número específico de iterações foi realizado.

DCA/FEEC/Unicamp
• lembre-se que a direção apontada pelo gradiente é a direção de maior

crescimento da função, de modo que a direção oposta àquela indicada pelo
gradiente é a direção de maior decrescimento da função.
• pseudo-código do programa computacional:
# Defina uma condição inicial x0;

# Defina um escalar ε > 0 arbitrariamente próximo de zero;
# Defina um número máximo de iterações maxNit;
# Faça i = 0;
# Enquanto ∇f (xi ) > ε e i ≤ maxNit faça:
o calcule αi tal que f(xi+1) < f(xi) para xi +1 = xi + αi [− ∇f (xi )];

o i = i+1.

DCA/FEEC/Unicamp
5 Métodos de otimização para espaço discreto
• no caso de espaços discretos, a essência dos métodos de otimização segue

aquela apresentada para os espaços contínuos.
• no entanto, não existe mais o conceito de diferenciação para auxiliar na
definição da direção de busca. Com isso, a definição da direção em que se
deve caminhar até atingir um ótimo local deve ser obtida por outros meios.
5.1 Problemas de otimização irrestritos via solução iterativa
• será apresentado, na seqüência, um dos principais métodos de otimização para

problemas em espaços discretos e irrestritos, que admitem a seguinte
formulação matemática:
min f ( x)
x∈Ω
onde f : Ω → ℜ é um funcional não-linear e Ω é um espaço discreto.

DCA/FEEC/Unicamp
• a figura a seguir ilustra uma possível visualização geométrica para a função-

objetivo.
f(x1,x2)
x1
x2

DCA/FEEC/Unicamp
• como resolver o problema min f ( x) , com x = (x1,x2)?

x∈Ω
• pseudo-código do programa computacional:
# Defina uma condição inicial x0;

# Defina um número máximo de iterações maxNit;
# Faça i = 0;
# Enquanto i ≤ maxNit e busca local for bem-sucedida faça:
o defina uma vizinhança de busca;
o explore esta vizinhança visando encontrar xi+1 tal que
f (xi +1 ) < f (xi );
o se encontrou, então busca local foi bem-sucedida. Caso contrário,
busca local foi mal-sucedida;
o i = i+1.

DCA/FEEC/Unicamp
• a figura a seguir ilustra uma definição de vizinhança para realização de busca

local.
f(x1,x2)
x1
x2
xi=(x1i,x2i)

DCA/FEEC/Unicamp
• possibilidades de implementação para a busca local, uma vez definida a

vizinhança:
! fique com o primeiro vizinho que melhorar a solução;
! fique com o melhor de toda a vizinhança;
! fique com o melhor de uma amostragem da vizinhança.

DCA/FEEC/Unicamp
6 Princípios de computação
• um computador digital é uma máquina que recebe informação do mundo

exterior, converte esta informação na forma binária e a processa de acordo
com um conjunto predeterminado de operações, fornecendo como saída a
informação processada.
• os computadores se comportam de modo diferente do cérebro humano devido
à sua organização e não apenas pelo fato de representarem informação na
forma binária.
• arquitetura padrão von Neumann: memória e processamento em dispositivos

físicos distintos, mas com armazenagem de instruções e dados no mesmo
dispositivo de memória.

DCA/FEEC/Unicamp
Computador
I/O Unidade Central

de Processamento
Computador
Barramentos do
sistema
Memória
Principal
• o computador digital é a mais determinística das máquinas inventadas pelo

homem: existe um domínio (praticamente) completo sobre o estado da
máquina e sua evolução no tempo.

DCA/FEEC/Unicamp
6.1 Resolução de um problema usando computador
• algoritmo: conjunto finito de instruções finitas que terminam após um número

finito de passos.
• passos para a solução de um problema em computador:
! definir um algoritmo que resolva o problema (computabilidade);
! verificar a factibilidade da execução do algoritmo (complexidade);
! expressar o algoritmo em uma linguagem processável pelo computador;
! executar o programa no computador.

DCA/FEEC/Unicamp
6.2 Especificação de algoritmos e fluxo de controle

.
• fluxo de controle: seqüência, seleção e repetição .
.
instrução 1 instrução 1 instrução ou grupo

de intruções p
instrução 2
seleção
seleção
.
. instrução 2.1 instrução 2.2
.
instrução
. .
. .
instrução n . . .
.
.
seqüência seleção repetição
• todo algoritmo já concebido, em concepção e a ser concebido para o tratamento de
problemas em computador é passível de descrição com base em composições destes 3
módulos de fluxo de controle.

DCA/FEEC/Unicamp
concepção
Algoritmo Resolução conceitual do problema
programação
Programa de
alto nível Linguagem padrão (procedural ou não-procedural)
Tradução (compilador, interpretador)
programa em
linguagem Linguagem específica do computador (procedural)
de máquina
Decodificação (hardware ou firmware)
Execução Hardware (circuitos e sinais físicos)

DCA/FEEC/Unicamp
6.3 Computabilidade
• um problema é computável se é possível fornecer um algoritmo que leve à sua

solução.
• para mostrar que a solução de um dado problema não é computável, é
necessário mostrar que não existe nenhum algoritmo capaz de obtê-la.
• um dos mais surpreendentes resultados da teoria de algoritmos é que existem
problemas claramente definidos que não podem ser resolvidos em
computador, ou seja, não existe nenhum algoritmo de solução para eles.
• exemplos de problemas não-computáveis (dentro da própria computação):
$ decidir se um programa é livre de laços infinitos para qualquer conjunto de

dados de entrada;
$ verificar a equivalência de dois algoritmos para qualquer conjunto de
dados de entrada.

DCA/FEEC/Unicamp
6.4 Factibilidade computacional
• não basta assegurar que um algoritmo termine em um número finito de passos.

É necessário que este número finito de passos possa ser executado em um
tempo razoável e ocupe uma quantidade razoável de memória, levando à
factibilidade computacional.
• a noção de razoabilidade está bem definida dentro da teoria de complexidade
computacional, levando aos conceitos de complexidade temporal e espacial.
Todos os problemas
Problemas
factíveis
Problemas computáveis

DCA/FEEC/Unicamp
7 Noções básicas de álgebra linear
7.1 Escalar
• uma variável que assume valores no eixo dos números reais é denominada
escalar. Os escalares são descritos por letras minúsculas do alfabeto romano
expressas em itálico, ou do alfabeto grego. O conjunto de todos os escalares
reais é representado por ℜ ou ℜ1.
 x se x ≥ 0
• o módulo de um escalar real x é dado na forma: x = 
− x se x < 0
7.2 Vetor
• um arranjo ordenado de n escalares xi ∈ ℜ (i=1,2,...,n) é denominado vetor de

dimensão n. Os vetores são descritos por letras minúsculas do alfabeto romano

DCA/FEEC/Unicamp
expressas em negrito, e assumem a forma de vetores-coluna ou vetores-linha.

Neste estudo, todos os vetores são representados por vetores-coluna, na forma:
 x1 
x 
x =  2 x = [x1 x2 L xn ] .
T
ou
M
x 
 n
• o conjunto de todos os vetores de dimensão n com elementos reais é

representado por ℜn. Diz-se então que x ∈ ℜn.
• um escalar é um vetor de dimensão 1.
7.3 Matriz
• um arranjo ordenado de m.n escalares xij (i=1,2,...,m; j=1,2,...,n) é denominado

matriz de dimensão m×n. As matrizes são descritas por letras maiúsculas do
alfabeto romano expressas em itálico, e assumem a forma:

DCA/FEEC/Unicamp
 x11 x12 L x1n 

x x 22 L x2n 
X =  21 .
 M M O M 
x L x mn 
 m1 xm 2
• o conjunto de todas as matrizes m×n com elementos reais é representado por

ℜm × ℜn ou ℜm×n. Diz-se então que X ∈ ℜm×n.
 x1i 
x 
• as colunas da matriz X são vetores-coluna descritos por x i =  2i  , i=1,...,n.
 M 
x 
 mi 
• as linhas da matriz X são vetores-linha descritos por
x ( j ) = [x j1 x j 2 L x jn ] , j=1,...,m.
• um vetor é uma matriz com número unitário de linhas e/ou colunas.

DCA/FEEC/Unicamp
7.4 Conjuntos e operações com conjuntos
• um conjunto pode ser definido como uma agregação de objetos. Os conjuntos

são descritos por letras maiúsculas do alfabeto romano expressas em itálico.
Por conveniência de notação, alguns conjuntos especiais são descritos por
símbolos específicos. Exemplos:
• ℵ: conjunto dos números naturais

• ℜ: conjunto dos números reais
• ∀: conjunto dos números complexos
• o estado lógico ou associação de um elemento x a um conjunto X qualquer é

representado por
x ∈ X: x pertence a X
x ∉ X: x não pertence a X

DCA/FEEC/Unicamp
• um conjunto pode ser especificado listando-se seus elementos entre colchetes
X = {x1 , x 2 ,..., x n }
ou evidenciando uma ou mais propriedades comuns aos seus elementos
X2 = {x ∈ X1 tal que P(x) é verdade} ou X2 = {x ∈ X1: P(x)}
• as principais operações entre conjuntos são:
$ União: X 1 ∪ X 2 = {x : x ∈ X 1 ou x ∈ X 2 };
$ Interseção: X 1 ∩ X 2 = {x : x ∈ X 1 e x ∈ X 2 };
• X 1 ∩ X 2 = ∅ (conjunto vazio) se X1 e X2 são conjuntos disjuntos.
• o complemento de um conjunto X é representado por X e é definido na

forma:
X = {x : x ∉ X }.

DCA/FEEC/Unicamp
• S é um subconjunto de X, se x ∈ S implica x ∈ X. Neste caso, diz-se que S está

contido em X (S ⊂ X) ou que X contém S (X ⊃ S). Se S ⊂ X e S não é igual a
X, então S é um subconjunto próprio de X.
7.4.1 Conjuntos especiais de números reais

• se a e b são números reais (a,b ∈ ℜ), define-se:
[a, b] = {x : a ≤ x ≤ b}
(a, b] = {x : a < x ≤ b}
[a, b ) = {x : a ≤ x < b}
(a, b ) = {x : a < x < b}
• se X é um conjunto de números reais, então o menor limitante superior de X,
dado por
x = sup x = sup{x : x ∈ X },
x∈X
é o supremo de X, e o maior limitante inferior de X, dado por

DCA/FEEC/Unicamp
x = inf x = inf {x : x ∈ X },
x∈X
é o ínfimo de X. Se x = +∞ então X não é limitado superiormente. De forma

análoga, se x = −∞ então X não é limitado inferiormente.
7.5 Espaço Vetorial Linear
• um espaço vetorial X, associado a um campo F, consiste de um conjunto de

elementos (vetores) sobre os quais estão definidas 2 operações:
1. Adição (X × X → X): (x + y) ∈ X, ∀ x, y ∈ X;
2. Multiplicação por escalar (F × X → X): (α⋅x) ∈ X, ∀ x ∈ X e α ∈ F.
7.5.1 Axiomas
• x + y = y + x (propriedade comutativa)
x + ( y + z) = (x + y ) + z 
•  (propriedade associativa)
α ⋅ (β ⋅ x ) = ( α ⋅ β) ⋅ x 

DCA/FEEC/Unicamp
α ⋅ (x + y ) = α ⋅ x + α ⋅ y 
•  (propriedade distributiva)
( α + β) ⋅ x = α ⋅ x + β ⋅ x 
• x + 0 = x (vetor nulo)
• 1⋅x = x (elemento neutro)
7.5.2 Propriedades adicionais

• 0⋅x = 0
• α⋅0 = 0
• x + y= x+ z ⇒ y = z
• α⋅x = α⋅y, α ≠ 0 ⇒ x = y
• α⋅x = β⋅x, x ≠ 0 ⇒ α = β
α ⋅ (x − y ) = α ⋅ x − α ⋅ y 
•  (propriedade distributiva)
( α − β) ⋅ x = α ⋅ x − β ⋅ x 

DCA/FEEC/Unicamp
7.5.3 Exemplos
• considere o campo F como sendo o conjunto dos números reais (ℜ):
1. conjunto dos números reais: X ≡ ℜ
2. conjunto dos vetores n-dimensionais, com elementos reais: X ≡ ℜn
3. conjunto das matrizes m × n com elementos reais: X ≡ ℜm × ℜn ou X ≡ ℜm×n
7.5.4 Produto cartesiano

• o produto cartesiano de dois espaços vetoriais X e Y (os dois espaços vetoriais
devem estar associados ao mesmo campo) é dado por X × Y e é definido como
o conjunto de pares ordenados (x,y), com x ∈ X e y ∈ Y. As operações de
adição e multiplicação são definidas na forma:
% (x1 , y 1 ) + (x 2 , y 2 ) = (x1 + x 2 , y 1 + y 2 )
% α ⋅ (x, y ) = (α ⋅ x, α ⋅ y )

DCA/FEEC/Unicamp
• por convenção, X n ≡ 1×4

X4X2×L
4×4
3X
n vezes
7.5.5 Subespaço vetorial linear
• um subconjunto não-vazio S de um espaço vetorial linear X é um subespaço

de X se α ⋅ x + β ⋅ y ∈ S sempre que x e y ∈ S.
• dito de outra forma, seja (X,F) um espaço vetorial linear e S um subconjunto

de X. Diz-se então que (S,F) é um subespaço vetorial de (X,F) se S forma um
espaço vetorial sobre F através das mesmas operações definidas sobre (X,F).
• exemplos: 1. S ≡ {0}
2. S ≡ ℜn é subespaço de X ≡ ∀n
• se M e N são subespaços de X, então M ∩ N ≠ ∅ também é subespaço de X.
• todo espaço é um subespaço de si mesmo.

DCA/FEEC/Unicamp
• subespaço próprio é um subespaço que não é igual ao espaço inteiro.
7.5.6 Conjuntos convexos

• um conjunto X de elementos de um espaço vetorial é convexo se, dados
x1, x2 ∈ X, todos os pontos na forma α⋅x1 + (1−α)⋅x2, com α ∈ [0,1],
pertencem também a X.
x2
x2
x1
x1
X
X
Convexo Não-Convexo
• exemplos:
1. normalmente, (sub-)espaços vetoriais lineares são convexos.

DCA/FEEC/Unicamp
2. o conjunto vazio ∅ é convexo, por definição.

3. dados X e Y convexos, então X ∩ Y é convexo.
7.5.7 Combinação linear e combinação convexa
• seja S = {x1, x2, ..., xn} um conjunto de vetores de um espaço vetorial linear
(X,ℜ). Combinações lineares de elementos de S são formadas através de
a1x1 + a 2 x 2 + L + a n x n ,
onde a1, a2, ..., an ∈ ℜ.
• se os escalares a1, a2, ..., an ∈ ℜ são tais que ai ≥ 0 (i=1,2,...,n) e ∑i =1 ai = 1,

n
então a combinação linear é chamada combinação convexa dos elementos

x1, x2, ..., xn ∈ X.

DCA/FEEC/Unicamp
• combinação cônica: ai ≥ 0 (i=1,2,...,n) e ∑i =1 ai

n
qualquer
• combinação afim: ai (i=1,2,...,n) quaisquer e ∑i =1 ai = 1

n
7.5.8 Dependência linear e dimensão de um espaço vetorial
• considere {x1, x2, ..., xn} um conjunto de vetores pertencentes a X. O conjunto

S ≡ [x1, x2, ..., xn], chamado subespaço gerado pelos vetores {x1, x2, ..., xn},
consiste de todos os vetores em X escritos como combinação linear de vetores
em {x1, x2, ..., xn}. Neste caso, S é um subespaço vetorial de X.
• um vetor x é linearmente dependente em relação a um conjunto de vetores
{x1, x2, ..., xn} se x ∈ S ≡ [x1, x2, ..., xn].
• um vetor x é linearmente independente em relação a um conjunto de vetores
{x1, x2, ..., xn} se x ∉ S ≡ [x1, x2, ..., xn].
• um conjunto de vetores {x1, x2, ..., xn} é linearmente independente se e
n
somente se ∑ ai x i = 0 implica ai = 0, i=1,...,n.
i =1

DCA/FEEC/Unicamp
• um conjunto de vetores linearmente independentes {x1, x2, ..., xn} forma uma
base para X se X ≡ [x1, x2, ..., xn].
• neste caso, diz-se que X tem dimensão n. Se n é finito, então X é um espaço
vetorial de dimensão finita.
7.5.9 Produto externo
• o produto externo entre dois vetores x ∈ ℜn e y ∈ ℜm é uma matriz de
dimensão n × m de posto unitário. Sendo x = [x1 x2 L xn ]

T
e
y = [ y1 y 2 L y m ] , o produto externo assume a forma:

T
 x1 y1 x1 y 2 L x1 y m 
x y x2 y2 M 
xy T =  2 1 
 M O 
x y L x n y m 
 n 1

DCA/FEEC/Unicamp
• em contraste com o caso do produto interno, os vetores x e y podem ter

dimensões distintas.
• mesmo quando as dimensões são as mesmas, ou seja, n = m, a matriz quadrada
resultante pode não ser simétrica.
7.5.10 Produto interno
• considere x,y ∈ X e α ∈ ℜ. O produto interno 〈x,y〉 é um número real que

satisfaz:
%〈x,y〉 = 〈y,x〉
%〈x+y,z〉 = 〈x,z〉 + 〈y,z〉
%〈α⋅x,y〉 = α⋅〈x,y〉
%〈x,x〉 ≥ 0 ∀ x ∈ X, e 〈x,x〉 = 0 ⇔ x = 0
• para X ≡ ℜn x,y ∈ X, x = [x1 x2 L xn ]

T
e tem-se que e
y = [ y1 y 2 L y n ] , e o produto interno assume a forma:

T

DCA/FEEC/Unicamp
n
x, y = ∑ xi y i = x T y
i =1
7.5.11 Norma, semi-norma e quase-norma

• as definições até agora apresentadas permitem relacionar propriedades
algébricas. Introduzindo-se a noção de norma (medida de distância), podemos
então tratar propriedades topológicas, como continuidade e convergência.
• norma é uma função ⋅ que associa a cada elemento x ∈ X um número real
x , obedecendo aos seguintes axiomas:
1. x ≥ 0, ∀x ∈ X ; x = 0 ⇔ x = 0 ;
2. x + y ≤ x + y , ∀x, y ∈ X (desigualdade triangular);
3. α ⋅ x = α ⋅ x , ∀x ∈ X , ∀α ∈ ℜ .
• toda vez que se associa uma norma a um espaço vetorial (sendo que a este
espaço já está associado um campo), diz-se que se tem um espaço vetorial
normado.

DCA/FEEC/Unicamp
• uma semi-norma satisfaz todas as propriedades de norma, com exceção do

primeiro axioma. Para X ≡ ℜn, o subespaço linear X0 ⊂ ℜn, cujos elementos
obedecem x = 0, é denominado espaço nulo da semi-norma.
• uma quase-norma satisfaz todas as propriedades de norma, com exceção do

segundo axioma (desigualdade triangular), o qual assume a forma:
x + y ≤ b ⋅ ( x + y ), ∀x, y ∈ X , com b ∈ ℜ .
• Exemplos de normas: X ≡ ℜn
1
 n
p p
$ x p
=  ∑ xi  , p ≥ 1 é um número real.
 i =1 
1
1
 n
2 1
$ x, x 2 é a conhecida norma euclidiana, pois x 2
= ∑ xi2  = x, x 2 .
 i =1 

DCA/FEEC/Unicamp
x2
+1 1
p=1
 n
p p
x p
=  ∑ xi 
−1 +1 x1  i =1 
−1
x2 n
+1 p=2 p = 1 ⇒ x 1 = ∑ xi
i =1
−1 +1 x1
−1
n
= ∑ xi
2
p=2⇒ x 2
x2 i =1
+1
p=+∞
−1 +1 x1 p = +∞ ⇒ x = max xi
∞ i
−1
x p
≤1

DCA/FEEC/Unicamp
7.6 Distância absoluta e relativa
• sempre que é necessário estabelecer uma comparação entre um valor de

referência v e uma aproximação u deste valor de referência, definem-se
medidas de distância absoluta e relativa.
• distância absoluta: v − u
v−u
• distância relativa:
v
v−u
• distância relativa percentual: × 100
v
• quando o valor de referência representa um valor desejado a ser reproduzido,
a distância corresponde a uma medida de erro, resultando em erro absoluto,
erro relativo e erro relativo percentual.
• a distância relativa não pode ser empregada no caso de valores de referência v
que podem se anular, pois isso implicaria em uma divisão por zero.

DCA/FEEC/Unicamp
• a distância relativa também apresenta problemas na ausência de conhecimento

do valor de referência v. É muito comum se conhecer v − u sem que seja
possível conhecer v e u.
• quando se conhece u, mas não se conhece v, e supondo que a distância relativa
v−u
é pequena, então esta pode ser bem aproximada por .
u
8 As funções logaritmo e exponencial

Funç ã o exponencial Funç ã o logaritmo natural
8 3
7
2
1
5
log (x) = ln(x)
e = exp(x)
4 0
e
x
3
-1
-2
1
0 -3
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 0 2 4 6 8 10
x x

DCA/FEEC/Unicamp
• função logaritmo de base a: log a x
• log a ( xy ) = log a x + log a y

x
log a   = log a x − log a y ( )
log a x b = b log a x
 y
• função exponencial: e x = exp( x )
• e1 = 2.718281828459045235360287471353
• e e =e
x y x+ y ex
y
= e x− y (e )
x y
= e xy
e
• logaritmo natural = logaritmo de base e: log e x = ln x
• potências genéricas: x c = e c ln( x )

• fórmula de Euler para variáveis complexas: e jx = cos( x ) + jsen ( x )
8.1 Relação entre as funções logaritmo e exponencial
• e log e x = e ln x = x

DCA/FEEC/Unicamp
• log e ( e x ) = ln(e x ) = x ln(e) = x
8.2 Expansão em série de Taylor

∞
xn x2
• e x = exp( x ) = ∑ n! = 1 + x +
2!
+ ...
n =0
x2 x3
• ln (1 + x ) = x − + − ...
2 3
1+ x   x3 x5 
• ln  = 2 x + + + ... 
1− x   3 5 
∞
1
• = ∑ x n = 1 + x + x 2 + ...
1 − x n =0
8.3 Derivadas
d x
• potência genérica: a = a x ln(a )
dx

DCA/FEEC/Unicamp
d a
• potência de x: x = ax a −1
dx
d x d ax
• função exponencial: e = ex e = ae ax
dx dx
d log a e
• função logaritmo: log a ( x ) =
dx x
d 1
• função logaritmo natural: ln( x ) =
dx x
8.4 Integrais
x a +1
• potência de x: ∫ x dx = a
+ c , a ≠ −1
a +1
1
• função inversa: ∫ x dx = ln( x ) + c
1 ax
• função exponencial: ∫ e ax dx = e +c
a

DCA/FEEC/Unicamp
dv du
• ∫ u dx dx = uv − ∫ dx vdx
9 Solução de equações diferenciais de 1a. ordem com

entrada constante
• considere a formulação geral para uma equação diferencial de 1a. ordem:

x& (t ) + ax(t ) = u (t ) , com x(0) = x0 e a ≠ 0 constante.
• adotando uma entrada constante u (t ) = b , resulta:

x& (t ) + ax(t ) = b , com x(0) = x0 , a,b constantes e a ≠ 0.
• a solução algébrica desta equação, ou seja, a expressão de x em função do

tempo t pode ser obtida para quaisquer x0 , a ≠ 0 e b.
• para tanto, x(t) será obtido a partir da composição da solução da equação

homogênea associada xh (t ) e de uma solução particular x p (t ) , dependente da

DCA/FEEC/Unicamp
forma da entrada. Logo, a solução algébrica da equação diferencial assume a

forma:
x(t ) = xh (t ) + x p (t ) .
• obtenção de xh (t ) :
! equação homogênea associada: x& (t ) + ax(t ) = 0 ;
! cálculo do coeficiente da exponencial: λ + a = 0 ⇒ λ = − a ;
! solução: x h (t ) = c1e −at , com c1 uma constante a determinar.
• obtenção de x p (t ) :
! como estamos considerando entrada constante, x p (t ) será uma constante
a determinar:
x p (t ) = c2 .

DCA/FEEC/Unicamp
! como se trata de uma solução particular, então x p (t ) deve resolver a

equação diferencial. Logo, substituindo x p (t ) = c2 na equação
diferencial, temos:
b
0 + ac 2 = b ⇒ c 2 = .
a
• combinando as duas soluções:
b
x(t ) = x h (t ) + x p (t ) = c1e −at + .
a
• aplicando a condição inicial x(0) = x0 (note que x0 é conhecido):
b b b
x(0) = c1e −a 0 + = c1 + = x0 ⇒ c1 = x0 − .
a a a
• finalmente, obtém-se:
 b b
x(t ) =  x0 − e −at +
 a a
como a solução de x& (t ) + ax(t ) = b , com x(0) = x0 , a,b constantes e a ≠ 0.
• note que esta solução é válida para qualquer x0 , a ≠ 0 e b.

Topico5 PDF

Enviado por

Dados do documento

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

Topico5 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Profs. Sérgio F. dos Reis & Fernando J.

Otimização em Espaços Contínuos e

BP590 – Otimização em Espaços Contínuos e Discretos 1

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

BP590 – Otimização em Espaços Contínuos e Discretos 2

• Exemplo 1: um piloto de Fórmula 1 pode dar o máximo de si e do carro

• Exemplo 2: um piloto de Fórmula 1 pode poupar equipamentos na primeira

BP590 – Otimização em Espaços Contínuos e Discretos 3

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

• quando existem múltiplas opções de se chegar ao atendimento do objetivo

BP590 – Otimização em Espaços Contínuos e Discretos 4

• a situação 1 representa um problema de satisfação irrestrita de objetivo, sem

BP590 – Otimização em Espaços Contínuos e Discretos 5

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

• propósitos da otimização: maximizar o critério de desempenho, ou seja,

BP590 – Otimização em Espaços Contínuos e Discretos 6

• no entanto, vários fatores influenciam no estabelecimento da importância

Fronteira de soluções não-dominadas

BP590 – Otimização em Espaços Contínuos e Discretos 7

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

• a formulação matemática de um problema de otimização está vinculada à

BP590 – Otimização em Espaços Contínuos e Discretos 8

problema (biologia, economia, química, etc.), e sim a classe a que pertence a

2.1 Exemplos de formas genéricas de problemas de otimização

BP590 – Otimização em Espaços Contínuos e Discretos 9

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

2.1.1 Problemas de minimização e de maximização

• de forma equivalente, minimizar uma função objetivo é equivalente a

• conclusão: um problema de maximização tem sempre um problema de

BP590 – Otimização em Espaços Contínuos e Discretos 10

2.2 Exemplos de formulação de problemas de otimização

2.2.1 Problema da dieta alimentar

• dentre as infinitas soluções candidatas que atendem à seguinte dieta

BP590 – Otimização em Espaços Contínuos e Discretos 11

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

2.2.2 Problema da mochila (knapsack problem)

BP590 – Otimização em Espaços Contínuos e Discretos 12

2.2.3 Problema de regressão linear

• Informação disponível: pares de vetores de entrada-saída {(x l , s l )}lN=1 (dados

BP590 – Otimização em Espaços Contínuos e Discretos 13

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

• uma função na forma f: ℜn → ℜm é responsável pelo mapeamento de um

BP590 – Otimização em Espaços Contínuos e Discretos 14

• Exemplos de funcionais (domínio restrito aos intervalos [0,1] e [0,1]×[0,1]):

BP590 – Otimização em Espaços Contínuos e Discretos 15

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

3.1 Derivada de uma função no tempo

• dado que se conhece os valores de uma função contínua a cada instante de

BP590 – Otimização em Espaços Contínuos e Discretos 16

• a derivada da função f(t) fornece sempre a inclinação da reta tangente à função

BP590 – Otimização em Espaços Contínuos e Discretos 17

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

BP590 – Otimização em Espaços Contínuos e Discretos 18

BP590 – Otimização em Espaços Contínuos e Discretos 19

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

3.2 Integral de uma função no tempo

BP590 – Otimização em Espaços Contínuos e Discretos 20

BP590 – Otimização em Espaços Contínuos e Discretos 21

Profs. Sérgio F. dos Reis & Fernando J. Von Zuben

3.3 Mínimos Locais

• seja f um funcional definido sobre Ω ⊂ ℜn. Um ponto x0 ∈ Ω é chamado

tal que f(x0) ≤ f(x), ∀ x ∈ Ω ∩ N (x 0 , ε ) .

• x0 é um MÍNIMO GLOBAL se f(x0) ≤ f(x), ∀ x ∈ Ω.

 ∂ 2 f ( x) ∂ 2 f ( x) ∂ 2 f ( x*) 

f ( x ) ≅ f ( x) + ∇f ( x)T (x − x ) = f ( x) + ∇f ( x)T (− ε∇f ( x)) =