Escolar Documentos
Profissional Documentos
Cultura Documentos
dF(x) ∆x 2 d 2 F( x) ∆x 3 d 3F( x)
F(x + ∆x) = F(x) + ∆x + + + ....
dx 2 dx 2 6 dx 3
Sensibilidade em Otimização 2
onde A1=1
2 4
4 + 2A1 u2
2
2 − A1
Determine o valor numérico da sensibilidade da função
f={U}t[K]{U} em relação à A1 usando:
a) Método analítico;
b) Método semi-analítico (∆A1=0,01)
c) Método de diferenças finitas (∆A1=0,01);
Método Analítico
df ∂f dU ∂f
= + zT , onde : z = ∇f z i =
dA1 ∂A1 dA1 ∂u i
1
Sensibilidade em Otimização 3
Sensibilidade em Otimização 4
∂f
∂u ∂f ∂{U}
t
t ∂[K ] ∂{U}
z = 1 ;
∂f ∂u1
= [K ]{U}+ {U} {U}+ {U} [K ]
t
=
∂u1 ∂u1 ∂u1
∂u2
1 1 1 u1 1 1 1
= {1 0}[K ]{U}+ {U} [K ] = {1 0} + {u1 u2 }
t
=
0 1 6 u2 1 6 0
∂f 0
= 2(u1 + u2 ) = {0 1}[K ]{U}+ {U} [K ] = 2(u1 + 6u2 )
t
∂u2 1
2(u + u ) 6
z= 1 2 =
2(u1 + 6u2 ) 8
Prof. Dr. Emilio C. Nelli Silva
2
Sensibilidade em Otimização 5
Sensibilidade em Otimização 6
dU
Segundo Passo: Método Adjunto – calcular
dA1
1 6 − 1 6 1 28
Kλ = z λ = K −1z λ = =
5 − 1 1 8 5 2
df ∂f dF dK 68 1 2 1 − 1 14
= + λT − U = + {28 2} 0 − =
dA1 ∂A1 dA1 dA1 5 5 5 − 1 2 1
= 13,6 − 27,2 = −13,6
Método Semi-Analítico
Primeiro Passo: calcular dK
dA1
dK K ( A1 + ∆A1 ) − K ( A1 ) 1 1,012 2 − 1,012 1 2 − 1
≅ =
0,01 2 − 1,012 2
− =
dA1 ∆A1 4 + 2 1,01 2 − 1 4 + 2
( )
1 0,0201 − 0,0201 2,01 − 2,01
= =
0,01 − 0,0201 0,0402 − 2,01 4,02
3
Sensibilidade em Otimização 7
df ∂f dF dK 357
= + λT − U = +
dA1 ∂A1 dA1 dA1 25
2 2,01 − 2,01 14 357
+ {14 1} 0 − 1 = − 27,33 = −13,06
5 5 − 2,01 4,02 1 25
Prof. Dr. Emilio C. Nelli Silva
Sensibilidade em Otimização 8
[K ] A {U} A = {F}
1 2 − 1 u1 3 u1 1 6 − 1 3
= =
1 1
2 − 1 4 + 2 u2 A1 4 u2 A1 5 − 1 1 4
t
1 14 2,8 2,8 1 1 2,8 df 9.068 − 9,2
= = f A1
= 1 6 0,2 = 9,2 dA ≅ = −13,2
5 1 0,2 0,2 1 0,01
Prof. Dr. Emilio C. Nelli Silva
4
Sensibilidade em Otimização 9
df ∂f dU ∂f
= + zT , onde : z = ∇f z i =
dA1 ∂A1 dA1 ∂u i
t ∂[K ]
{U}+ d {U} [K ]{U}+ {U}t [K ] d {U};
t
df
= {U}
dA1 ∂A1 dA1 dA1
t
d {U} −1 dF dK −1 dK d {U} dK
t
dK
= [K ] U = [K ] − U = − U [K ] = −U t [K ]−1
−t
−
dA1 dA1 dA1 dA1 dA1 dA1 dA1
t ∂[K ]
df
= {U} {U}− U t dK [K ]−1 [K ]{U}+ {U}t [K ][K ]−1 − dK U =
dA1 ∂A1 dA1 dA 1
∂[K ]
= {U}
t
{U}− U t dK {U}− {U}t dK U = −U t dK {U}
∂A1 dA1 dA1 dA1
Sensibilidade em Otimização 10
5
Sensibilidade em Otimização 11
[K ] =
− 1
2 d [K ] 3 − 1 1
[M ] =
2 0 d [M ] 2 0
; ; = 4 ; =
− 1 4 0 1 dA1 A1 1 − 1 dA1 0 1
Sensibilidade em Otimização 12
µ1 = 0,842;
[K ] − µ1[M ] =
2 − 1 2 0 0,316 − 1
− 0,842 = ;
− 1 4 0 1 − 1 3,158
u1 3,158 2 0 3,158 6,316
= [M ]{u} = = ;
u 2 1 1 0 1 1 1
2 0
{u}t [M ] = {3,158 1} = {6,316 1}
0 1
dK dM − 1 1 2 0 3,158
− µ1 u1 = 3 − 0,842 =
dA1 dA1 1 − 1 0 1 1
− 4,684 3 3,158 − 11,792
3 =
− 3,842 1 5,632
t
1 T dM 1 3,158 2 0 3,158
2
u1
dA1
u1 =
2 1
0 1 1 = 10,475
Prof. Dr. Emilio C. Nelli Silva
6
Sensibilidade em Otimização 13
0,316 − 1 6,316
du − 11,792
du
1,239
− 1 3,158 dA1 dA1 dω 1 dµ
1 = 5,632 = 2,653 1 =
dµ dµ
=
dA 2 * 0,918 dA
6,316 1 0 10,475 − 1,509 1 1
dA1 dA1
= −0.822
Método Semi-Analítico
Sensibilidade em Otimização 14
Portanto:
dK dM − 1 1 2 0 3,158
− µ1 u1 = 2,9 − 0,842 =
dA1 dA1 1 − 1 0 1 1
− 4,584 2,9 3,158 − 11.576
2,9 =
− 3,742 1 5.4162
Assim:
0,316 − 1 6,316
du − 11,576
du
1,25
− 1 3,158 dA1 dA1 dω1 1 dµ1
1 dµ = 5, 4162 dµ 2,58
= = =
dA 2 * 0,918 dA1
6,316 1 0 10,475 − 1,487 1
dA1 dA1
= −0.81
7
Sensibilidade em Otimização 15
ω1 df dω 1 ω1 dω2 2 dω dµ dω 1 dµ
f = = 1 − 2 µ = ω1 2ω1 1 = 1=
ω2 dA1 dA1 ω2 ω2 dA1 dA1 dA1 dA1 2ω1 dA1
df dµ 1 ω dµ
= − 1
dA1 dA1 2ω1ω2 2ω2 3 dA1
Prof. Dr. Emilio C. Nelli Silva
Algoritmos Probabilísticos 16
8
Problema Discreto 17
Simulated Annealing 18
Algoritmos
• “Simulated Annealing”
probabilísticos
• Algoritmos Genéticos
mais usados
“Simulated Annealing” ou Recozimento Simulado
9
Simulated Annealing 19
Simulated Annealing 20
Note que:
• Se T é alto P(∆E) é próximo de 1;
• Se T é próximo de zero P(∆E) é muito pequeno;
Assim a cada temperatura um conjunto de estruturas atômicas seria
gerada pela perturbação randômica da posição até que o “equilíbrio
térmico” seja atingido (estado estável). A temperatura é reduzida e as
iterações são repetidas. Os passos são repetidos iterativamente
enquanto a temperatura é reduzida de forma lenta até atingir o mínimo
estado de energia.
Analogia com o problema matemático de otimização
Estados de energia funções objetivo
Configurações dos átomos variáveis de projeto x
Temperatura T parâmetro de controle de convergência
Somente valores de função são usados
Prof. Dr. Emilio C. Nelli Silva
10
Simulated Annealing 21
Desempenho do Método
• Temperatura T0;
• Atualização de T; “Cooling
• Número de iterações (combinações de variáveis de Schedule”
projeto) necessárias para atingir o “equilíbrio térmico”,
antes de reduzir T;
Se T0 é baixo baixa probabilidade de atingir o mínimo
Escolha de T0: − ∆f
T ∆f
P (∆E ) = 0,95 = e 0
T0 =
ln(1 / 0,95)
Regras de Atualização da temperatura:
• Tk +1 = αTk k = 0 ,1,2,...K 0,5 ≤ α ≤ 0,95
• Dividir [0,T0] em K passos: T = K − k T k = 0 ,1,2 ,...K
k 0
K
Prof. Dr. Emilio C. Nelli Silva
Simulated Annealing 22
Fluxograma do Método
11
Algoritmo Genético 23
Algoritmo Genético 24
{x i
L
} (( )
≤ xi ≤ xiU 2 m ≥ xiU − xiL / x incr + 1 )
Prof. Dr. Emilio C. Nelli Silva
12
Algoritmo Genético 25
Algoritmo Genético 26
13