Escolar Documentos
Profissional Documentos
Cultura Documentos
T
Cálculo das Variações com Aplicações em Engenharia
Mec0137 - Promec - Ufrgs
AF
Prof. Rodrigo Rossi, Dr. Eng. Mec.
Grupo de Mecânica Aplicada (GM Ap), Departamento de Engenharia Mecânica
Universidade Federal do Rio Grande do Sul
Rua Sarmento Leite, 425 - Porto Alegre - RS - 90046-902 - Brasil
rrossi@ufrgs.br - ramal 3680
25 de julho de 2017
DR
Sumário
I Fundamentos 8
1 Funções e funcionais 9
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Problemas clássicos em cálculo das variações - motivação . . . . . . . . . . . . . . . . . 10
1.2.1 Caminho mais curto entre dois pontos . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Braquistócrona - (Bernoulli - 1696) . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 Geodésicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
T
1.2.4 Problema isoperimétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.5 Princípio dos trabalhos virtuais . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.6 Princípio da mínima energia potencial total e máxima energia potencial com-
plementar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
AF
1.2.7 Princípio de Hamilton . . . . . . . . .
1.3 Exercícios . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
13
14
. . . . . . . 25
3.3 Integração e o espaço Lp (Ω) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
II Cálculo Variacional 38
5 Cálculo da Variações 39
5.1 Variação, Gâteaux e a Equação de Euler-Lagrange . . . . . . . . . . . . . . . . . . . . 39
5.1.1 A variação de uma função . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.1.2 Forma implícita da primeira variação do funcional . . . . . . . . . . . . . . . . 43
5.1.3 Equação de Euler-Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1.4 Lema Fundamental do Cálculo das Variações . . . . . . . . . . . . . . . . . . . 46
5.1.5 Caso especiais do integrando F . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1.5.1 O integrando não depende de u . . . . . . . . . . . . . . . . . . . . . 47
1
SUMÁRIO SUMÁRIO
IV Métodos de aproximação 49
V Apêndices 50
T
AF
DR
T
2.1 Pontos extremos de f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Convex and non-convex set. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Properties of convex sets. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Convex hull. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Examples of convex and strictly convex functions in R. a) Convex; b) Strictly convex;
AF
c) Non-convex function. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 Examples of epigrah and hypograph. a) Non-convex. b)Convex. . . . . . . . . . . . . 19
2.7 Convex differentiable function in R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.1 Variação de uma função para valores nas extremidades fixos. Repare que caso u (x)
2
e ũ (x) não estiverem próximos então o termo O deve ser considerado e então o
afastamento entre as curvas seria δu (x) + O 2 = v (x) + O 2 . . . . . . . . . . .
40
3
Lista de Tabelas
5.1 Notação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
T
AF
DR
4
Estrutura do Curso - Mec0137
• Semana #1 - Introducão
• Semana #2 - Cálculo no Rn
T
– Revisão de Cálculo no Rn ; Derivada direcional e Linearização.
– Conjuntos e funções convexas. Condição necessária e suficiente para a extremização de funções.
– Espaços lineares;
– Continuidade de funções;
AF
– Integrabilidade de funções.
– Casos especiais do integrando e suas soluções via solução exata das equações diferenciais;
– Princípio da Mínima Energia Potencial Total e Princípio da Máxima Energia Potencial Total Com-
plementar
5
LISTA DE TABELAS LISTA DE TABELAS
– Aplicações
– Método de Ritz
– Métodos dos resíduos ponderados
∗ Colocação, Galerkin, Petrov-Galerkin, Least Squares.
– Avaliação Final
T
AF
DR
Mokhtar S. Bazaraa, Hanif D. Sherali, and C. M. Shetty. Nonlinear Programing: Theory and Algorithms.
Wiley-Interscience, 3rd edition, 2006.
K.W. Cassel. Variational Methods with Applications in Science and Engineering. Cambridge University Press,
2013. ISBN 9781107022584.
I.M. Gelfand and S.V. Fomin. Calculus of Variations. Dover Books on Mathematics. Dover Publications, 2000.
ISBN 9780486414485.
T
A.N. Kolmogorov and S.V. Fomin. Elements of the theory of functions and functional analysis: Metric and
normed spaces, volume 1 of Elements of the Theory of Functions and Functional Analysis. Graylock Press,
1957.
A.N. Kolmogorov and S.V. Fomin. Elements of the theory of functions and functional analysis: Measure. The
Lebesgue integral. Hilbert Space., volume 2 of Elements of the Theory of Functions and Functional Analysis.
Graylock Press, 1961.
AF
C. Lanczos. The Variational Principles of Mechanics. Dover Books On Physics. Dover Publications, 1970. ISBN
9780486650678.
David G. Luenberger and Yinyu Ye. Linear and Nonlinear Programming. Springer, 3rd edition, 2008. ISBN
978-0-387-74502-2.
D.G. Luenberger. Optimization by Vector Space Methods. Professional Series. Wiley, 1969. ISBN 9780471181170.
G. G. Magaril-Il’yaev and V. M. Tikhomirov. Convex Analysis: Theory and Applications. American Mathema-
tical Society, first edition, 2003.
DR
J.T. Oden and L. Demkowicz. Applied Functional Analysis, Second Edition. CRC series in computational
mechanics and applied analysis. Taylor & Francis, 1996. ISBN 9780849325519.
B.D. Reddy. Introductory Functional Analysis: With Applications to Boundary Value Problems and Finite
Elements. Introductory Functional Analysis Series. Springer, 1998. ISBN 9780387983073.
J.N. Reddy. Energy Principles and Variational Methods in Applied Mechanics. Wiley, 2002. ISBN
9780471179856.
Karel Rektorys. Variational methods in mathematics, science, and engineering. D. Reidel Publishing Company,
1977. ISBN 9027710600.
John L. Troutman. Variational Calculus and Optimal Control: Optimization with Elementary Convexity. Un-
dergraduate Texts in Mathematics. Springer New York, 1996. ISBN 978-1-4612-6887-1.
7
T
Part I
Fundamentos
AF
DR
8
Chapter 1
Funções e funcionais
1.1 Introdução
Vamos iniciar este curso caracterizando funções e funcionais. Para argumentação inicial pode-se
considerar funções e funcionais definidos de forma “conveniente” para facilitar o entendimento entre
T
eles.
• Uma função f de variáveis reais, x ∈ Rn , que leva a um número real R pode ser descrita como,
veja Fig. 1.1,
f : Rn → R; n ∈ N (1.1)
AF
DR
J :V →R (1.2)
9
1. Funções e funcionais Problemas clássicos em cálculo das variações - motivação
onde u0 (x) ≡ du
dx . O funcional em Eq. 1.3 pode ser escrito como
ˆ b
F x, u (x) , u0 (x) dx.
J (u) = (1.4)
a
É importante ressaltar que no integrando F (x, u (x) , u0 (x)), x tem um papel de parâmetro e não
de variável Reddy [2002], p. 106. Isto é, o funcional J (u) depende da função u (x) e tem x como
parâmetro. Ao formular problemas dentro do enfoque do cálculo das variações estamos procurando
como respostas as curvas (ou funções) que resolvem um certo problema definido no domínio em x.
Alguns pontos devem ainda ser comentados aqui. Ao escrever o problema em termos do funcional
acima, Eq. 1.3 ou 1.4, é requerido:
• Como o integrando F (x, u (x) , u0 (x)) envolve a função u (x) e sua derivada u0 (x) então é exigido
que a solução pertença a classe (espaço) das funções contínuas diferenciáveis. Este é um ponto
muito importante dentro deste curso poia são “eliminadas” da solução classes inteiras de funções.
Veja a figura abaixo.
T
AF
Figure 1.2: Um exemplo de função não admissível e admissível candidata para a solução do problema.
e continuidade expostas nos itens anteriores, será que ela é a única função que resolve o problema
(unicidade)?
Definition 1.2. Funcional Linear: Um funcional é dito Linear quando (J é um operador linear)
Repare que J (y) retorna o comprimento da função u (x) “escolhida”, mas o integrando envolve a
derivada de u (x). Pode-se colocar este problema variacional (bem ainda não vimos nada sobre as
variações!) da seguinte maneira:
Mec0137- Cálculo Variacional - Prof. Rossi 10 Release 0.1 - 25th July 2017
1. Funções e funcionais Problemas clássicos em cálculo das variações - motivação
Figure 1.3: Uma função candidata para o problema do caminho mais curto entre dois pontos.
Problem 1.1. Problema do caminho mais curto entre dois pontos: Encontre u (x), suficientemente
regular, ou suficientemente suave 2 tal que
u (x) = argmín J (ū) (1.7)
T
Determinar o caminho (curva) de mais rápida descida, Fig. 1.4. Dados dois pontos A e B encontre a
curva para a qual uma partícula de massa m submetida ao campo gravitacional constante g de modo
que o tempo t para percorrer A até B seja o menor possível.
AF
Figure 1.4: Função candidata para resolver o problema da Braquistócrona.
DR
Problem 1.2. Problema do caminho mais curto entre dois pontos: Encontre u (x), suficientemente
regular, tal que
u (x) = argmín J (ū) (1.8)
1.2.3 Geodésicas
Encontre a linha de menor comprimento que está sobre a superfície f (x, y, z) = 0 e que liga os
dois pontos A e B, veja Fig. 1.5. Estas linhas são chamadas de geodésicas. Este tipo de problema
requer encontrar um extremo submetido a uma restrição, problema variacional com restrições, já que
é necessário encontrar um mínimo, dado pelo menor comprimento da linha, do funcional.
ˆ b ˆ bp
J (y, z) = ds = 1 + u02 + v 02 dx
a a
Mec0137- Cálculo Variacional - Prof. Rossi 11 Release 0.1 - 25th July 2017
1. Funções e funcionais Problemas clássicos em cálculo das variações - motivação
T
O problema como mostrado acima é só um modelo. A completa definição deste tipo de problema
geralmente passa por conceitos de geometria diferencial.
Problem 1.4. Problema isoperimétrico: Encontre u (x), suficientemente regular, tal que
Wt = Wi + We . (1.13)
No contexto do cálculo das variações este princípio fica escrito da seguinte forma
3
Problema da Rainha Dido de Cartago.
Mec0137- Cálculo Variacional - Prof. Rossi 12 Release 0.1 - 25th July 2017
1. Funções e funcionais Problemas clássicos em cálculo das variações - motivação
T
π (u) = U (u) + V (u) (1.15)
no qual U (u) é a energia de deformação do corpo, U (u) = Wi , e V (u) é energia potencial das cargas
externas, V (u) = We . O campo de deslocamento que solução do problema é tal que minimiza a
AF
Energia Potencial Total, levando a
u = argmín π (ū) (1.16)
ou em termos de cálculo variacional
π ∗ (F ), que pode ser visto como uma consequência do Princípio dos Trabalhos Virtuais Comple-
mentares. Ele é
π ∗ (F ) = U ∗ (F ) + V ∗ (F ) (1.18)
na qual U ∗ (F ) é energia de deformação complementar do corpo e V ∗ (F ) é a energia potencial com-
plementar das cargas externas. O campo de forças que é solução do problema é tal que maximiza a
Energia Potencial Complementar Total, é
F = argmáx π F̄ (1.19)
δπ ∗ (F ) = δU ∗ (F ) + δV ∗ (F ) = 0. (1.20)
Mec0137- Cálculo Variacional - Prof. Rossi 13 Release 0.1 - 25th July 2017
1. Funções e funcionais Exercícios
Example 1.1. Movimento de um sistema massa mola de um grau de liberdade sobre uma superfície
sem atrito. O modelo está apresentado na Fig. 1.6
T
Figure 1.6: Modelo massa mola de um grau de liberdade.
AF 2
Energia Cinética do Sistema: K = m2q̇
2 ´t
Energia Cinética do Sistema: V = kq2 com V = tif kq dt sendo k a rigidez da mola (lei de
|{z}
F orça
Hooke).
O Lagrangiano para o problema fica
ˆ tf ˆ
1 tf 2
J (q) = L dt = mq̇ − kq 2 dt (1.22)
ti 2 ti
DR
Problem 1.5. Princípio de Hamilton: Encontre q (x), suficientemente regular, tal que
1.3 Exercícios
1. Faça uma pesquisa bibliográfica sobre os problemas apresentados nessa seção, derivando os
mesmos matematicamente.
Mec0137- Cálculo Variacional - Prof. Rossi 14 Release 0.1 - 25th July 2017
Chapter 2
T
de um dado funcional seja encontrado para solucionar o problema. Tais pontos são conhecidos como
extremos do funcional.
Definition 2.1. Pontos extremos de uma função: O máximo e mínimo de uma função, con-
hecidos coletivamente como extremos, são o maior e o menor valor da função, seja dentro de um
AF
determinado intervalo (o extremo local ou relativo) ou em todo o domínio de uma função (o extremo
global ou absoluto). Um ponto xo é um extremo absoluto em S, S ⊂ Rn , se ∀x ∈ S são verificadas as
condições.
Definition 2.2. Extremos Locais: Um ponto xo pode ser um ponto extremo de local de f , isto é,
se ∀x ∈ S na vizinhança de xo
DR
15
2. Extremos de funções e resultados da análise convexa
Proof. Deixada como atividade de pesquisa. Fazer revisão de conjuntos compactos, abertos, fechados,
pontos de acumulação, fecho de conjuntos...
No cálculo diferencial para encontrar um extremo de uma função (máximo ou mínimo1 ) é preciso
derivar a função (diferenciar a função) e então igualar a zero.
Suponha que para x ∈ R esteja estabelecida a função f : R → R, então a chamada condição
necessária para encontrar um ponto x que torna f um extremo é
df
=0 (2.1)
dx
0
ou ainda ao escrever df = f dx a condição fica
df = 0. (2.2)
T
Du f (x) = Df (x) [u]
= ∇f (x) · u = 0, ∀u ∈ S. (2.3)
o que implica em
∇f (x) = 0. (2.4)
AF
No cálculo das variações são procuradas funções para as quais o funcional é extremo. Como será
visto mais adiante neste curso a condição necessária para que uma curva (função) torne o funcional
extremo é
δJ = 0. (2.5)
Em Eq. 2.5 o símbolo δ é a variação do funcional, que mais adiante neste curso vai assumir o nome
de diferencial de Gâteaux. A condição Eq. 2.5 é conhecida como condição de estacionariedade do
funcional.
Observação 2.1. É necessário dizer ainda que vários problemas em engenharia não possuem um mínimo
DR
ou máximo que atendam as condições em Eq. 2.5, ou mesmo em Eq. 2.3. Por exemplo, problemas
com restrição podem excluir a região de mínimo ou máximo, Eq. 2.5 ou Eq. 2.3, da região factível de
procura. Isto vai ficar mais claro durante esta seção onde uma breve introdução para o problema de
encontrar pontos de extremo, e ainda pontos de sela, será apresentada.
Por enquanto não foram desenvolvidos métodos/ferramentas matemáticas para julgar se a condição
de estacionariedade leva de fato a um extremo do funcional, veja discussão em Lanczos [1970] página
42. O que a condição de estacionariedade requer é que a primeira variação do funcional desapareça,
δJ = 0, entretanto esta condição é dita necessária mas não suficiente para julgar se o funcional (serve
o mesmo para a condição df = 0 para funções) possui um extremo ou não. Por outro lado, se um
problema for convexo é possível ter certeza que o funcional terá um extremo e que ele será um mínimo.
Fica claro que ao tratar de soluções de problemas em cálculo multidimensional (f : Rn → R) ou
em cálculo variacional (J : V → R) torna-se necessário estudar como encontrar pontos ou funções
estacionárias que levam, respectivamente, a extremos de funções ou a extremos de funcionais. Fechando
esta seção, como ponto importante escreve-se:
Definição 2.3. Pontos estacionários xo : Levam uma função a ter extremo (máximos ou míni-
mos)2 . Condição necessária para f (x) : S → R, com S ⊂ Rn :
Definição 2.4. Funções estacionárias uo (x): Levam um funcional a ter valor extremo (máximos
ou mínimos)2. Condição necessária:
δJ = 0.
T
2.1.1 Convex sets and convex function
Definition 2.5. Convex set: A set K ⊂ Rn is said to be convex if for every x1 , x2 ∈ K and α ∈ R
, α ∈ (0, 1), the point such that αx1 + (1 − α) x2 ∈ K.
Figure 2.2 shows an example of convex and non-convex set.
AF
Figure 2.2: Convex and non-convex set.
DR
Mec0137- Cálculo Variacional - Prof. Rossi 17 Release 0.1 - July 25, 2017
2. Extremos de funções e resultados da análise As
convexa
short as possible introduction to Convex Analysis
T
Figure 2.4: Convex hull.
AF
Epigraph and hypograph of a function A graph of a function f (x) : S → R, with S ⊂ Rn ,
can be fully described by the set {[x,f (x)] : x ∈ S} ⊂ Rn+1 . It is possible construct two sets that are
related to the graph of f (x): the epigraph, which consists of points above the graph of f (x), and the
hypograph, which consists of points bellow the graph of f (x).
Definition 2.8. Epigraph and hypograph: Let S be a non empty set of Rn and let f (x) : S → R.
The epigrapf of f (x), denoted by epi f is a subset of Rn+1 defined by
On the other hand, the hypograph of f (x), denoted by hyp f is a subset of Rn+1 defined by
Figure 2.6 shows the epigraph and hypograph for some functions. In Fig. 2.6a, neither the epigraph
nor the hypograph of f is a convex set. But in Fig. 2.6b the epigraph of f is a convex set. This result
gives rise to the following theorem:
Theorem 2.2. Let f (x) : K → R, with K ⊂ Rn a nonempty convex set. Then f is convex if and only
if epi f is a convex set.
Differentiable functions Now we focus our attention on differentiable convex (and concave) func-
tions. Let Ω ⊂ Rn and f : Ω → R.`The function f (x) is said to be differentiable at xo , xo ∈ int (Ω),
if there exists the gradient vector f (xo ) and a real value function α : Ω → R in the such that
h
f (x) = f (xo ) + f (xo ) · (x − xo ) + kx − xo k α (x − xo ) ∀x ∈ Ω. (2.8)
In Eq. 2.8, lim α (x − xo ) = 0. The representation of f (x) in Eq. 2.8 is readily identified as the first
x→xo
order term of the Taylor approximation series at xo (or about, around, in the neighborhood of xo ).3
3
It is also referred as first order Taylor expansion around xo .
Mec0137- Cálculo Variacional - Prof. Rossi 18 Release 0.1 - July 25, 2017
2. Extremos de funções e resultados da análise As
convexa
short as possible introduction to Convex Analysis
Figure 2.5: Examples of convex and strictly convex functions in R. a) Convex; b) Strictly convex; c)
Non-convex function.
T
AF
Figure 2.6: Examples of epigrah and hypograph. a) Non-convex. b)Convex.
Remark 2.2. Lets us think about differentiable convex functions. Let K ⊂ Rn be a nonempty convex
set and let f : K → R be a differentiable convex function. Now, let xo be a point in the interior of
K, xo ∈ int (K). Note that by taking the first order Taylor expansion around xo and disregarding the
DR
remainder term (equivalent to truncate the series at the first term) one gets
h
f (x) > f (xo ) + f (xo ) · (x − xo )
Mec0137- Cálculo Variacional - Prof. Rossi 19 Release 0.1 - July 25, 2017
2. Extremos de funções e resultados da análise As
convexa
short as possible introduction to Convex Analysis
which supports epi f at [xo , f (xo )]. The set H is known as supporting hyperplanes of epi f . In
particular we have h
f (x) > f (xo ) + f (xo ) · (x − xo )
for convex differentiable functions. df (x − xo )
dx x=xo
Proof. Left as a research activity. It is needed to introduce a more complete description of sets,
distance between to sets, separation of two sets, etc...
Remark 2.3. Here we are assuming that the function is differentiable. In fact, to show some of the
concepts developed here it is not required a differentiable function. We can show that such results hold
for C 0 convex functions. However, the concept of subgradients must be introduced. This introductory
course does not cover such aspects.
Now we are ready to state a very important result of the analysis of smooth convex functions, it
is:
T
Theorem 2.4. Assume that the function f : K → R is convex, with K ⊂ Rn convex, and smooth on
K (differentiable). Then, f (x) is convex if and only if the following inequality holds
h
f (x) − f (xo ) > f (xo ) · (x − xo ) , x ∈ K, xo ∈ int (K) . (2.10)
AF
and it will be strictly convex when
h
f (x) − f (xo ) > f (xo ) · (x − xo ), x 6= xo , x ∈ K, xo ∈ int (K)
and (2.11)
f (x) = f (xo ) , x = xo , x ∈ K, xo ∈ int (K)
Remark 2.4. A convex function need not have` a stationary point, but obviously when xo is an sta-
DR
Theorem 2.5. Assume that the function f : K → R is convex, with K ⊂ Rn convex, and smooth on K
1
(differentiable- C ). Then, f (x) is convex if and only if for each x1 , x2 ∈ K the following inequality
holds hh h i
f (x2 ) − f (x1 ) · (x2 − x1 ) > 0. (2.12)
Similarly, when distinct x1 , x2 ∈ K produces
hh h i
f (x2 ) − f (x1 ) · (x2 − x1 ) > 0 (2.13)
Theorems 2.4 and 2.5 provide necessary and sufficient conditions for convex and concave differ-
entiable function characterization. However, checking these conditions is quite difficult and can lead
to intricate algebraic manipulations. A simple and more straightforward characterization is given by
the analysis of the so called Hessian matrix, but we require that the functions belongs to the class of
twice differentiable functions.
Mec0137- Cálculo Variacional - Prof. Rossi 20 Release 0.1 - July 25, 2017
2. Extremos de funções e resultados da análise As
convexa
short as possible introduction to Convex Analysis
T
∂xn ∂x1 ∂xn ∂x2 ··· ∂x2n
∂2f
∂ ∂f ∂ ∂f
Notice that the Hessian matrix is a symmetric matrix. That is: ∂xi ∂xj = ∂xi ∂xj = ∂xj ∂xi .
Theorem 2.6. Let K ⊂ Rn be a nonempty convex set and let f : K → R be a twice differentiable
2
C function on K. Then f is convex if and only if the Hessian matrix is positive semi-definite at
each point in K.
AF
Proof. developed during the class.
Theorem 2.7. Let K ⊂ Rn be a nonempty convex set and let f : K → R be a twice differentiable C 2
convex function on K. If the Hessian matrix is positive definite at each point in K then f is strictly
convex. Conversely, if f is strictly convex the Hessian matrix is positive semi-definite at each point
in K. However, if f is strictly convex and quadratic then its Hessian matrix is positive definite.
" #
12x2 0
Example 2.2. See this simple example. Let f (x) = x4 + y 4 then H (x) = . Such
12y 2
DR
0
Hessian is positive definite for all x 6= 0, but at x = 0 it is semi-definite. So, it is not positive definite
for all x! But notice that 2 2
" f is# strictly convex. Now let f (x) = x + y (a quadratic incomplete
2 0
function) then H (x) = . The Hessian matrix is positive definite for all x and the function is
0 2
strictly convex.
Proof. left as exercise.
The theorem 2.7 can also be written in terms of the directional derivative (second order), in the
following way. Let K ⊂ Rn be a nonempty convex set and let f : K → R be a twice differentiable C 2
function on K. If the condition
∂2
Du2 f (x) := f (x + u) = q (u) > 0
∂2
for each x ∈ K, u ∈ Rn and kuk = 1 with
∂ 2 f (x)
q (u) = ui uj
∂xi ∂xj
then f is strictly convex. When q (u) ≥ 0 then f is convex.
Remark 2.5. : A symmetric matrix A is said positive definite if all its eigenvalues are positive. A
symmetric matrix A is said positive semidefinite if all its eigenvalues are non negative.
Mec0137- Cálculo Variacional - Prof. Rossi 21 Release 0.1 - July 25, 2017
2. Extremos de funções e resultados da análise As
convexa
short as possible introduction to Convex Analysis
3. Complementarity - Slackness;
T
x? = arg minf (x) (2.16)
x∈<n
subject to
h (x) = 0; g (x) ≤ 0. (2.17)
AF
Notice that hi (x) = 0, i = 1, 2 . . . , p and gj (x) ≤ 0, j = 1, 2 . . . , q.
Based on the KKT theorem one can mathematically write the equivalent problem statement as
Now we
1. Stationarity of L (x, ·) - the gradient condition:
∇x L (x, λ, γ) = 0
= ∇x f (x) + λ · ∇x h (x) + γ · ∇x g (x) = 0; (2.19)
3. Complementarity - Slackness:
γj gj (x) = 0; (2.21)
γj ≥ 0, j = 1, 2 . . . , q. (2.22)
Observação 3.1. Este curso não tem como objetivo fornecer definições matemáticas formais de forma
hierárquica para os assuntos que serão abordados. Para a apresentação destas definições um curso de
T
Análise Funcional é necessário. Entretanto, para alguns tópicos em especial será feito um esforço para
fornecer tais definições. Muito cuidado, entretanto, deve ser tomado pois na matemática, em especial,
não é possível “compartimentalizar” os conhecimentos para então apresentá-los de forma “disjuntas”.
É necessário juntar tijolo por tijolo para construir uma parede/base sólida.
Para definições mais formais, teoremas e provas é indicado uma leitura dos seguintes livros: Kolmo-
AF
gorov and Fomin [1957, 1961], Luenberger [1969], Oden and Demkowicz [1996], Reddy [1998], Rektorys
[1977].
1. Axiomas de fecho:
4. Existência de simétricos:
5. Existência de identidade:
(a) 1u = u (identidade);
6. Propriedade associativa:
23
3. Continuidade e integrabilidade - C m eLp Espaço linear ou espaço vetorial
7. Propriedade distributiva:
Exemplo 3.1. O conjunto dos Rn é um espaço linear. (Revisite o seu curso de graduação de álgebra
linear e demonstre.)
Exemplo 3.2. O conjunto dos complexos C é um espaço vetorial. (Revisite o seu curso de graduação
de álgebra linear e demonstre.)
Exemplo 3.3. O conjunto de todas as soluções de uma equação diferencial homogênea do tipo y 00 +
ay 0 + by = 0, com a e b constantes, definem um espaço vetorial do tipo:
V = { y suf. regular| y 00 + ay 0 + by = 0}
• Axiomas de fecho:
T
– adição: f, g ∈ V →f + g ∈ V
∗ Se f, g ∈ V então f 00 + af 0 + bf = 0 e g 00 + ag 0 + bg = 0 logo
f 00 + af 0 + bf + g 00 + ag 0 + bg = 0
f 00 + g 00 + a f 0 + g 0 + b (f + g) = 0 2
AF
– multiplicação: α ∈ R, f ∈ V → αf ∈ V
∗ Se f ∈ V então f 00 + af 0 + bf = 0 logo
α f 00 + af 0 + bf = α0
αf 00 + αaf 0 + αbf = 0
se chamarmos ā = αa e b̄ = αb perceberemos que são constantes e então
ā 0 b̄
f 00 + f + f =0 2
α α
DR
Exemplo 3.4. O conjunto de soluções de uma equação diferencial não homogênea y 00 +ay 0 +by = r não
satisfaz os axiomas de fecho (Muito importante na solução dos problemas variacionais de mecânica).
Seja o conjunto
V = { y suf. regular| y 00 + ay 0 + by = r}
• Axiomas de fecho:
– adição: f, g ∈ V então f 00 + af 0 + bf = r e g 00 + ag 0 + bg = r
∗ logo
(f + g) = f 00 + af 0 + bf + g 00 + ag 0 + bg = r + r
= f 00 + g 00 + a f 0 + g 0 + b (f + g) = 2r 4
Repare que este tipo de problema em equações diferenciais é tratado da seguinte maneira:
• y ? ∈ V , logo y ? é uma solução de y 00 + ay 0 + by = r. Para encontrar tal solução o problema é
aditivamente decomposto em y ? = yh? + yp? onde yh? é a solução da homogênea y 00 + ay 0 + by = 0
e yp? é uma solução da particular y 00 + ay 0 + by = r. Em termos de conjuntos este problema pode
ser posto da seguinte forma: n o
VL = yp? + V
n o
onde VL é uma translação do espaço linear V de yp? .
Subespaços lineares Em muitas aplicações não estamos interessados em todo o espaço, mas sim
em subespaços lineares.
Seja V um espaço linear. Um subespaço (não vazio) de V denominado S , escrito S ⊂ V , é
chamado de subespaço linear de V se S satisfaz os axiomas de V .
T
Exemplo 3.6. Seja Ω ⊂ R2 , então
(
∂u ∂u ∂ 2 u ∂ 2 u ∂ 2 u ∂mu
C m (Ω) = u| u, , , 2, , 2 , · · · , k m−k , (3.2)
∂x ∂y ∂x ∂x∂y ∂y ∂x ∂y
k = 0, 1, . . . , m, são todas funções contínuas.}
AF
C ∞ (Ω) é definido como o conjunto daquelas funções que são contínuas juntamente com todas as
suas derivadas. Perceba que está implícito que todas as derivas existam.
Do que foi exposto é possível concluir que
Exemplo 3.8. A função u (x) = sin (x) é C ∞ (R), ou C ∞ (−∞, ∞). Então u (x) ∈ C ∞ .
2
d u
Figura 3.2: Gráfico das funções u (x) , du
dx , dx2 de Eq. 3.3.
C m (Ω) é um espaço linear: O espaço das funções m-vezes continuamente diferenciáveis C m (Ω)
é um espaço linear (espaço vetorial). Se u, v ∈ C m (Ω) e x ∈ Ω então a função α (u + v) (x) = αu (x) +
αv (x). O elemento zero é simplesmente função zero e −u é a função que satisfaz a (−u) (x) = −1·u (x).
Trata-se de um espaço linear real se as funções levam a reais e um espaço linear complexo se as funções
T
levam a complexos.
Exemplo 3.9. O subespaço das funções contínuas não negativas definidas por
n o
S = u| u (x) ∈ C 0 (Ω) , u (x) > 0, x ∈ Ω ,
AF
não é um espaço vetorial já que αu (x) não pertence a S para α < 0.
Exemplo 3.10. (Oden and Demkowicz [1996], pp. 134-135) - Um dos conceitos fundamentais na
teoria de cálculo das variações aplicada a problemas de valor de contorno na mecânica é o conceito
de espaço (ou conjunto) de todos os deslocamentos cinemáticos admissíveis. Considere, por exemplo,
uma membrana ocupando um domínio Ω ⊂ R2 com contorno Γ = ∂Ω consistindo de duas partes
disjuntas Γu e Γt . A formulação clássica do problema de valor de contorno para tal membrana é:
Encontre u (x, y), tal que
DR
−4u = f em Ω
u = ū em Γu . (3.4)
∂u
= g em Γt
∂n
No problema dado pelas equações em 3.4 4 denota o operador Laplaciano1 , ∂/∂n é a derivada normal, n
é a normal unitária em Γt (ou em ∂Ω), as funções f e g são carregamentos aplicados na membrana em Ω
e em Γt respectivamente, e ū é o deslocamento prescrito na fronteira Γu . As condições de contorno em
Γu são comumente chamadas de essenciais (ou de Dirichelet) uma vez que são expressas em termos
da variável u enquanto aquelas em Γt são chamadas de naturais (ou de Neumann) e são impostas
sobre a derivada de u, isto é, em ∂u/∂n. Dizemos então que, o conjunto de todos os deslocamentos
cinematicamente admissíveis é definido por
n o
K = u ∈ C k (Ω) u = ū em Γu .
Observação 3.2. Uma observação sobre o intervalo usado no 3.7, mais especificamente sobre o porquê
não foi usada a notação C 1 [−1, 1]. De fato não é possível estabelecer continuidade para conjuntos
fechados, especialmente nos pontos de fecho. Esta é uma dificuldade técnica que faz com que existam
propostas para tentar superar ela, veja mais em Oden and Demkowicz [1996] p. 131. Uma delas é
propor uma extensão do domínio, por exemplo definido pelo Ω∗ aberto tal que
T
3.3 Integração e o espaço Lp (Ω)
Durante a argumentação inicial na seção/capítulo 1 foi referido que os funcionais devem existir no
sentido de integração, isto é, a integração deve produzir um valor finito2 , uma vez que espera-se de
uma formulação envolvendo funcionais que J : V → R.
AF
Para responder esta questão é proposto um espaço de funções de modo que os elementos perten-
centes a este espaço possam ser classificados de acordo com a sua integrabilidade mediante potências
p ≥ 1 (p número real ≥ 1). Dada uma função f é investigado até quais potências p a integral
ˆ b
|f (x)|p dx < ∞
a
isto é, é finita. A este espaço de funções é dado o nome de Lp (Ω), o qual será melhor definido mais
adiante nesta seção. Da mesma forma que para o espaço C m (Ω), onde é possível classificar as funções
pelo grau de suavidade/regularidade m, usando o espaço Lp (Ω) será possível comparar funções por
DR
meio da sua integrabilidade, isto é ate que ordem p a função f (x) é integrável.
Observação 3.3. Novamente chamo a atenção do leitor que para tirar proveito do poder de interpretação
que o espaço Lp (Ω) provê um curso introdutório de Análise Funcional é necessário onde a noção de
medida e de integral de Lebesgue é apresentado em detalhes. A integral de Lebesgue generaliza o
conceito de integral de Reimann, resolvendo algumas das deficiências apresentadas por ela. Mais do
que explicitar tais deficiências aqui, para a proposta deste texto basta dizer que quando a função é
Riemann integrável a integral de Lebesgue irá fornecer o mesmo resultado. Para mais detalhes veja,
por exemplo, Reddy [1998] pp. 67-78.
Definição 3.3. Integrabilidade Lp (Ω): Seja p um número real, p ≥ 1. Uma função u (x) definida
em Ω ⊂ Rn é dita pertencer a Lp (Ω) se a integral (Lebesgue)
ˆ
|u (x)|p dx (3.5)
Ω
Lp (Ω) é um espaço linear: Para mostrar que o Lp (Ω) é um espaço linear é necessário mostrar o
fecho da adição e multiplicação por escalar.
2
Lembre que +∞ ou −∞ não fazem parte de R.
• Fecho na adição: Seja u (x) , v (x) ∈ Lp (Ω). O resultado sai diretamente da introdução da
desigualdade que Minkowski para integrais. Ela fica:
"ˆ #1 "ˆ #1 "ˆ #1
b p b p b p
p p p
|u (x) + v (x)| dx ≤ |u (x)| dx + |v (x)| dx (3.6)
a a a
´b ´b h´
b
i
e como a |u (x)|p dx e a |v (x)|p dx são finitas então a |u (x) + v (x)|p dx será finita também.
Exemplo 3.11. O caso quando p = 2 tem particular interesse em muitas áreas (tais como em
Elementos Finitos) onde são exigidas funções em L2 (Ω) tal que
ˆ
T
b
|u (x)|2 dx < ∞ (3.7)
a
pertence a Lp (a, b) para qualquer p ≥ 1 com a e b finitos já que (supondo a < 0 e b > 0)
ˆ b ˆ 0 ˆ b
p p
|H (x)| dx = |0| dx + |1|p dx = b < ∞.
a a 0
DR
1
Exemplo 3.13. A função u (x) = x− 3 pertence a Lp (0, 1) para qualquer p < 3, já que
ˆ b ˆ 1 ˆ 1 1
3
− 13 p − p3 −p+3
p
|u (x)| dx = x dx = x dx = x 3
a 0 0 −p + 3 0
1
Exemplo 3.14. A função u (x) = x− 2 pertence a L2 (0, 1)?
ˆ b ˆ 1 ˆ 1
− 12 2
|u (x)|p dx = x dx = x−1 dx = ∞.
a 0 0
Exercícios
Ler capítulos 1, 2 e 3 do livro Rektorys [1977] (Variational methods in mathematics, science, and
engineering).
4.1 Introdução
T
No estudo de cálculo multidimensional de n variáveis (n-dimensional) é conveniente utilizar uma
linguagem geométrica relaciona4ndo um conjunto de números (x1 , x2 , . . . , xn ) a um ponto no espaço n-
dimensional. De forma semelhante a linguagem geométrica será importante ao estudarmos funcionais.
Será feita referência de funções f (x) pertencendo a uma certa classe, por exemplo f (x) ∈ C 0 (xa , xb ),
assim como pontos x ∈ Rn . O espaço cujo elementos são funções é chamado de espaço de funções.
AF
No estudo de funções definidas no espaço n-dimensional são utilizados espaços como Rn ou o
espaço euclidiano En . Entretanto, quando vamos para problemas definidos por funcionais não há
como estabelecer um espaço “universal”. Por exemplo, um problema que envolva o funcional
ˆ b
0
J (y) = F x, y (x) , y (x) dx
a
envolve a função y (x) e sua primeira derivada y 0 (x). Então a solução deve ser contínua e de primeira
1
´b 0 00
derivada contínua, logo y (x) ∈ C (a, b). Mas se o problema envolver J (y) = a F x, y (x) , y (x) , y (x) dx
DR
a função y (x) ∈ C 2 (a, b). Reforçando, é preciso ter em mente que, por exemplo, y (x) ∈ C 1 (a, b)
significa pertencer ao espaço de todas as funções contínuas e com derivadas contínuas (infinitas pos-
sibilidades). Assim, o problema a resolver (formulação do funcional) é que vai definir o espaço de
funções a ser utilizado.
O conceito de continuidade é muito importante tanto para funções como para funcionais.
Seja y uma função em um intervalo I (aberto ou Seja J (y) um funcional com y (x) ∈ V , sendo V
fechado) da reta real, I ⊂ R. Então f é contínua o espaço de função. O funcional é dito contínuo
em um ponto x0 ∈ I se, dado qualquer número em y0 ∈ V se, dado qualquer número positivo
positivo , não importa o quanto pequeno for, , não importa o quanto pequeno for, é possível
é possível encontrar um número positivo δ, de- encontrar um número positivo δ, dependente de
pendente de e do ponto x0 , de modo que e de y0 , de modo que
|y (x) − y (x0 )| < ∀x ∈ I com |x − x0 | < δ. |J (y) − J (y0 )| < ∀y ∈ V com ??? < δ.
29
4. Espaços munidos com produto interno e normas Espaços lineares com produto interno
definir a proximidade (closeness, neighbourhood) de duas funções, ou de forma mais geral de elementos
de V ? Esse é o sentido da interrogação.
Para responder esta questão é conveniente estender o conceito de norma para o espaço de funções.
Para tanto vai ser introduzido o conceito de espaço linear normado. Porém antes vamos definir o
produto interno de forma mais geral.
T
4.2 Espaços lineares com produto interno
Os espaços munidos de produto interno são chamados de espaços pré-Hilbert ou mesmo de espaços
AF
auxiliares [p. 206. Oden and Demkowicz, 1996]. Nestas notas vamos nos deter em espaços lineares
com produto interno real1 .
Definição 4.1. Espaço linear com produto interno real: Um espaço linear é dito ter produto
interno definido se para elementos u, v, w ∈ V está associado um número (u, v), chamado de produto
interno de u por v, ou ainda (u, v)V , tal que os seguintes axiomas sejam respeitados:
1. (u, v)V ∈ R;
(u, v)Rn = u · v = u1 v1 + u2 v2 + · · · + un vn
n
X
= ui vi (4.1)
i=1
= ui vi (notação da soma de Einstein)
Exemplo 4.2. O espaço L2 (a, b) é conhecido como o espaço das funções quadrado integráveis em
(a, b). Um produto interno real pode ser definido como
ˆ b
(u, v)L2 := u (x) v (x) dx para u, v ∈ L2 (a, b) .
a
T
= α (u, w)L2 + β (v, w)L2 2
Ortogonalidade Dado u, v ∈ V , V munido com produto interno (u, v) então dois elementos serão
ortogonais quando
(u, v)V = 0. (4.2)
4.2.1 Desigualdades:
DR
1. kukV ∈ R
2. kukV ≥ 0 e kukV = 0 se e somente se u = 0; (positiva definida)
3. kαukV = |α| kukV ; (homogeneidade positiva)
4. ku + vkV ≤ kukV + kvkV - desigualdade triangular.
Note que os elementos do espaço linear normado são quaisquer, isto é, números, vetores, matrizes,
T
funções, etc.
Exemplo 4.3. Seja V = R3 . Dados u, v ∈ V então a usual norma Euclidiana fica
1/2
kuk = u21 + u22 + u23 .
Agora que o conceito de norma foi estabelecido pode-se definir o espaço Lp (Ω) da seguinte forma:
Definição 4.3. Espaço Lp (Ω): Dado Ω ⊂ Rn e 1 ≤ p < ∞, p ∈ R, o espaço Lp (Ω) é tal que
n o
Lp (Ω) = u| u : Ω → R tal que kukLp (Ω) < ∞ . (4.5)
Observação 4.1. Nem toda a norma está dada em “função” de um produto interno. Entretanto, cada
produto interno define uma norma.
Exemplo 4.5. Vamos definir a norma chamada norma do máximo valor (ou norma infinito) no espaço
de função. Seja uma função y : R → R, definida no intervalo [a, b]. A norma infinito, k·k∞ , de y (x) é
tal que:
ky (x)k∞ = max |y (x)| . (4.6)
a≤x≤b
Vamos definir agora uma 2 norma para o espaço de funções C k (a, b) como
k
T
X
(i)
ky (x)kC k :=
y (x)
(4.7)
∞
i=0
d (i)
onde y (i) (x) = dx (i) y (x) e sendo que quando i = 0 recuperamos y
(0) (x) ≡ y (x) .
Repare que:
AF
• se y (x) ∈ C 0 (a, b) então temos
ky (x)kC 0 = ky (x)k∞ = max |y (x)| ;
a≤x≤b
Exemplo 4.6. Agora vamos analisar a questão de proximidade (closeness ou ainda neighbouring
functions) de duas funções com respeito a norma ky (x)kC k < δ.
DR
Dada uma função y (x) deseja-se encontrar uma função y ∗ (x) de modo que seja “próxima” a y (x).
Repare que mediante a norma ky (x)kC k , definida em Eq. 4.7, a seguinte análise pode ser realizada
em termos de proximidade de funções.
2
Note que podem ser definidas outras normas que respeitem as condições estabelecidas pelo espaço linear normado.
Para a Fig. 4.2 à esquerda é requerido apenas que as coordenadas dos pontos de y ∗ (x) e y (x)
estejam próximas mediante a norma k•kC 0 . Como nada é dito sobre a inclinação da curva y ∗ (x),
pontos tangentes, estes podem oscilar... e muito!. Repare que devido ao operação de módulo o
intervalo onde a função y ∗ (x) pode estar tem um tamanho de 2δ.
Agora é exigido que não só as coordenadas estejam próximas mas também os valores de todas
as derivadas nestas coordenadas. A Fig. 4.2 à direita mostra um exemplo de função candidata.
Note que não é possível estabelecer usando apenas o gráfico de y (x) × x.
• Perceba que podemos interpretar y ∗ (x) − y (x) como sendo o erro e entre as duas funções e neste
T
caso pode-se escrever:
ke (x)kC k < δ. (4.8)
A análise de erro é muito importante dentro da teoria de aproximação de funcionais e permite
estabelecer limites inferiores e/ou superiores para as diversas técnicas/métodos utilizados para a
AF
solução de problemas em cálculo variacional. Entretanto são propostas normas mais elaboradas
para fazer esta análise.
Proposição 4.1. Repare que segue como consequência direta que se duas funções são próximas de
ordem k então também serão próximas para ordens menores que k.
W m,p no qual além da função em análise, digamos u (x), são incorporadas todas as suas derivadas
até a ordem m, incluindo m. Desta forma dizemos que u (x) pertence ao espaço W m,p , referido como
Sobolev, se:
para 1 ≤ p < ∞. Quando p = ∞ então kukW m,∞ (Ω) = max kDα ukL∞ (Ω) .
|α|≤m
Observação 4.3. Na definição do espaço de Sobolev é utilizada a notação conhecida como multi-índice.
De forma bastante concisa vamos apresentar esta notação. Seja α ∈ Zn+ , isto é
α = (α1 , α2 , . . . , αn )
3
no sentido de distribuição
∂ |α| u (x) ∂ α1 ∂ α2 ∂ αn
α
D u= = ··· u (x) (4.10)
∂xα1 1 ∂xα2 2 · · · ∂xαnn ∂xα1 1 ∂xα1 2 ∂xα1 n
e quando |α| = m então temos uma das m−ésimas derivadas de u.
Exemplo 4.7. Considere n = 3, então α ∈ Z3+ . Suponha que α = (1, 0, 3) então |α| = 4 e a derivada
parcial de u (x, y, z) fica
∂ 4 u (x, y, z) ∂ 4 u (x, y, z)
Dα u = = .
∂x1 ∂y 0 ∂z 3 ∂x1 ∂z 3
Isto fecha a breve discussão sobre multi-índice, veja a seção 4.6 para mais detalhes .
Retornado para análise do espaço de Sobolev. Um resultado importante para a análise em cálculo
das variações, especialmente para a análise de problemas de valor de contorno, se dá para p = 2.
Nesse caso o espaço de Sobolev W m,2 (Ω) tem a estrutura de um espaço de Hilbert e nessa ocasião
denotamos H m (Ω) = W m,2 (Ω) como
T
n o
H m (Ω) = u ∈ L2 (Ω) , Dα u ∈ L2 (Ω) , ∀ |α| ≤ m . (4.11)
Neste espaço pode-se construir a norma (·, ·)H m (Ω) tal que
ˆ X
(u, v)H m (Ω) = (Dα u) (Dα v) dx para u, v ∈ H m (Ω) . (4.12)
AF Ω |α|≤m
isto é o produto interno em H m (Ω) é igual a soma dos produtos internos das funções e de suas
derivadas parciais até que |α| ≤ m. Fica claro que pode-se escrever ainda que
DR
|α|≤m
Exemplo 4.9. Repare no seguinte exemplo, retirado de Reddy [1998]: Considere a função u (x)
definida em Ω ⊂ (0, 2) por (
x2 se 0 < x ≤ 1
u (x) = 2
.
2x − 2x + 1 se 1 < x < 2
As derivadas de u (x) são dadas por
(
0 2x se 0 < x ≤ 1
u (x) =
4x − 2 se 1 < x < 2
4
ainda α! = α1 !α2 ! · · · αn !.
e a derivada fraca (
00 2 se 0 < x ≤ 1
u (x) =
4 se 1 < x < 2
com u000 (x) = 2δ (x − 1) (no sentido de distribuição). Perceba que u (x), u0 (x) e u00 (x) pertencem à
L2 (Ω). Entretanto u000 (x) ∈
/ L2 (Ω) (Pq?). Então u (x) é um membro de H 2 (Ω), u0 (x) é um membro
de H 1 (Ω) e u00 (x)é um membro de H 0 (Ω) = L2 (Ω).
T
AF
DR
operations:
1. Factorial n
Y
α! = αi ! = α1 !α2 ! · · · αn !; (4.13)
i=1
2. Length
n
X
|α| = αi ; (4.14)
i=1
3. Partial ordering
α ≤ β ↔ αn ≤ βn ∀n; (4.15)
4. Sum
α + β = (α1 + β1 , α2 + β2 , · · · , αn + βn ) ; (4.16)
T
5. Difference
α − β = (α1 − β1 , α2 − β2 , · · · , αn − βn ) ; (4.17)
6. Binoinal coefficient
α!
!
β!(α−β)! , β! ≤ α!
AF α
β
=
; (4.18)
0 otherwise
7. Monomial expansion
n
Y
xα = xαnn ; (4.19)
i=1
8. Biniomial expansion
n
!
α
X α
(x + y) = xα y α−β (4.20)
β
DR
0≤β≤α
9. Partial derivative
∂ |α| u (x) ∂ α1 ∂ α2 ∂ αn
Dα u = = ··· u (x) (4.21)
α1
∂x1 ∂xα2 2 · · · ∂xαnn ∂xα1 1 ∂xα1 2 ∂xα1 n
Cálculo Variacional
AF
DR
38
Capítulo 5
Cálculo da Variações
Tendo como base os conceitos vistos anteriormente, vamos agora iniciar a discussão sobre o tema
cálculo das variações. De certo modo, muitos dos conceitos apresentados até aqui envolvendo cálculo
no Rn podem ser estendidos, quase que diretamente, para o cálculo das variações. Conceitos de
extremos, máximos e mínimos, locais e globais, condição para sua existência e unicidade vistos para
T
o cálculo no Rn serão agora estendidos para o cálculo das variações.
No cálculo das variações trabalhamos com funcionais, funções de funções, definidas em um certo
espaço vetorial de funções V ou em um subconjunto deste espaço, S ⊂V . Um funcional J é uma
mapeamento (ou operador) que leva funções definidas em um subespaço de funções, u ∈ S , em
AF J : S → R.
J (u) ≤ J (ũ)
39
5. Cálculo da Variações Variação, Gâteaux e a Equação de Euler-Lagrange
na qual u (x) ∈ C 1 (x0 , x1 ), isto é, é diferenciável no intervalo. Suponha que u (x) seja prescrito em x0
e x1 de modo que deve-se respeitar
Estas condições de contorno, dadas para as variáveis u (x) são conhecidas como condições de contorno
de Dirichlet ou ainda essenciais. De todas as funções u (x) suaves, C 1 , procuramos por aquela1 , em
especial, que faz que o funcional J (u (x)) seja um extremo. A função que leva J (u (x)) a ser um
extremo é uma função estacionária de J (u (x)).
T
d =0
O termo vizinhança implica que ũ (x) e u (x) estejam próximos no sentido de uma norma. O termo
linear, O (), é chamado de variação de u e é, em geral denotado por, ver Cassel [2013] pg. 29,
du (x)
AF δu (x) =
d =0
(5.4)
o qual é a variação entre a função estacionária u (x) e outra função próxima a ela. Entretanto, fazendo
uma analogia com a derivada direcional em Rn , em Eq. 5.3 e 5.4 u (x) e ũ (x) são fixos, de modo que
o termo variante é , o qual é pequeno e varia de função para função.
Conclusão 1. Então a variação δu (x) faz o papel de “diferencial” com relação à .
Vamos deixar ainda que
du (x)
v (x) = (5.5)
d =0
DR
de modo que
ũ (x) = u (x) + v (x) + O 2 . (5.6)
5.1.
Figura 5.1: Variação de uma função para valores nas extremidades fixos. Repare que caso u (x) e
ũ (x) não estiverem próximosentão o termo O 2 deve ser considerado e então o afastamento entre
as curvas seria δu (x) + O 2 = v (x) + O 2 .
1
Note que podem ser conjuntos de funções caso o problema não tenha uma solução única.
Observação 5.1. Note que, não associamos uma variação de δx com cadaδu! Em contraste, no processo
de diferenciação um dx está associado com um du. Diz-se então que δu é simplesmente a distância
vertical de pontos em curvas diferentes no mesmo valor de x, enquanto du é a distância vertical entre
dois pontos na mesma curva afastados de dx.
Repare agora que se u (x) e ũ (x) satisfazem as condições de contorno, Eq. 5.2, então da Eq. 5.7
escrevemos (
ũ (x0 ) = u0 ∧ u (x0 ) = u0
ũ (x) − u (x) = v (x) com
ũ (x1 ) = u1 ∧ u (x1 ) = u1
T
então
Problema 5.1. Encontre u (x) ∈ S estacionário de J (u), ou que leva o funcional J (u) a ter um
extremo2 tal que minimize
J (u) ≤ J (ũ) ∀ũ ∈ S
DR
2
Diz-se ainda “que extremiza” o funcional.
3
Em mecânica chamamos esse conjunto de conjunto de funções cinematicamente admissíveis o qual será denotado por
Kin.
4
Uma forma alternativa de definir o espaço das variações é
T
δJ (u; v) é conhecida como variação de Gâteaux de J em u na direção de v, Troutman [1996]. É
também referenciada como diferencial de Gâteaux, veja em Luenberger [1969]. Ela pode ser vista
como uma generalização da derivada direcional, como veremos mais adiante no exemplo 5.1.
A variação de Gâteaux é um operador linear, isto é
AF
δ (αJ1 + βJ2 ) (u; v) = αδJ1 (u; v) + βδJ2 (u; v) (5.11)
e temos ainda que δJ (u; αv) = αδJ (u; v) e que δJ (u; 0) = 0.
dJ(u(x)+v(x))
Agora, apenas para fins de cálculo, vamos realizar δJ (u; v) = d para este exemplo.
=0
Então
dJ (u (x) + v (x))
δJ (u; v) =
d
=0
ˆ bh
d 3 2
i
= sin x + (u + v) (x) dx
d a
=0
ˆ b ˆ b
d
3
d 2
= sin x
dx + (u + v) (x) dx
a d
=0 a d =0
ˆ b
d
= 2 (u + v)|=0 (u + v) (x) dx
a d =0
ˆ b
=2 u (x) v (x) dx
a
o que leva a
ˆ b
δJ (u; v) = 2 u (x) v (x) dx.
T
AF a
0 0 0
= lim F x, u (x) + v (x) , u (x) + v (x) dx − F x, u (x) , u (x) dx . (5.13)
→0 x0 x0
Para realizar o limite em Eq. 5.13 vamos lançar mão da expansão em série de Taylor de F (·) em torno
de (x, u (x) , u0 (x)), mantendo x fixo ou como parâmetro, de modo que
∂F ∂F
F x, u (x) + v (x) , u0 (x) + v 0 (x) = F x, u (x) , u0 (x) + (v (x)) + 0 v 0 (x) + O 2 .
∂u ∂u
(5.14)
Nota 1. Para encontrar Eq. 5.14 podemos realizar a seguinte analogia: Suponha que F : R3 → R tal
que F = F (x, y, z). Dado um x fixo queremos encontrar a expansão em série de Taylor de primeira
ordem em torno do ponto (x, y, z), x fixo. Ela fica
∂F ∂F
F (x, y + dy, z + dz) = F (x, y, z) + dy + dz + O (dx)2
∂y ∂z
resultando em ˆ x1
∂F ∂F
δJ (u; v) = Dv J (u) = v (x) + 0 v 0 (x) dx (5.15)
x0 ∂u ∂u
´x
que é a primeira variação de um funcional do tipo J (u) = x01 F (x, u (x) , u0 (x)) dx. Mais especifica-
mente é a primeira variação de J (u) na direção de v. Note que o funcional definido em Eq. 5.1 envolve
x ∈ R, visto como uma parâmetro no contexto do cálculo variacional, a função u (x), u : R → R e sua
derivada u0 (x), u0 : R → R. Na medida em que formos “sofisticando” a função que define o integrando
T
naturalmente mais termos irão surgir na primeira variação δJ (u; v).
Repare agora que estamos procurando por u (x) que seja um caminho, função, estacionário de
J (u). Então exigimos que seja encontrada uma função u (x) ∈ S tal que δJ (u; v) = Dv J (u) = 0
com v (x) sendo suficientemente regular, e sendo nulo onde as condições de contorno essenciais estão
prescritas. Vamos colocar o problema de forma mais formal.
AF
Problema 5.2. Encontre u (x) ∈ S tal que extremize o funcional J (u),
e
V = {v (x) | v (x) suficientemente regular, v (x0 ) = 0 ∧ v (x1 ) = 0} .
A condição
δJ (u; v) = 0, u (x) ∈ S , v (x) ∈ V
ou ainda
Dv J (u) = 0, u (x) ∈ S , v (x) ∈ V
é conhecida como primeira condição, ou condição necessária, requerida sobre o funcional para encon-
trar um extremo. No campo da teoria de otimização ela é conhecida como condição necessária de
otimalidade.
Derivação alternativa
Pode-se encontrar a condição de estacionariedade de forma alternativa pela seguinte argumentação.
Se u leva a um extremo local, do tipo mínimo local, de J (u) com u (x) ∈ S , então
J (u) ≤ J (ũ) , ũ ∈ S
J (u) ≤ J (ũ) , ũ ∈ S
≤ J (u (x) + v (x)) , v ∈ V
Permita que a inequação 5.17 seja dividida por ∈ R, > 0. Tomando o limite produz
J (u (x) + v (x)) − J (u)
lim ≥ 0.
T
→0+
Agora vamos dividir a inequação 5.17 < 0 e permitir o limite
J (u (x) + v (x)) − J (u)
lim ≤ 0.
→0−
AF
Perceba que, se J (u) é diferenciável então os limites devem existir e serem iguais. Então
0 ≤ Dv J (u) ≤ 0 ←→ Dv J (u) = 0.
Vamos manipular um pouco mais esta integral. Para tanto, vamos escrever, com auxílio a regra do
produto
d ∂F d ∂F ∂F dv (x)
v (x) = v (x) + 0 (5.18)
dx ∂u0 dx ∂u0 ∂u dx
então5
∂F 0 d ∂F d ∂F
0
v (x) = 0
v (x) − v (x) (5.19)
∂u dx ∂u dx ∂u0
e substituindo Eq. 5.19 em Eq. 5.16 produz
ˆ x1
∂F d ∂F d ∂F
δJ (u; v) = v (x) + v (x) − v (x) dx
x0 ∂u dx ∂u0 dx ∂u0
ˆ x1 ˆ x1
∂F d ∂F d ∂F
= − v (x) dx + v (x) dx = 0, u (x) ∈ S e v ∈ V. (5.20)
x0 ∂u dx ∂u0 x0 dx ∂u
0
5 0 dv(x)
v (x) ≡ dx
De acordo com o Lema fundamental do Cálculo das Variações, 5.1.4, para satisfazer Eq. 5.21 é
necessário resolver
∂F d ∂F ∂F d ∂F
− = 0 → = . (5.22)
∂u dx ∂u0 ∂u dx ∂u0
A Eq. 5.22 é a celebrada Equação de Euler-Lagrange. Como resultado desta derivação temos que
se u (x) é uma função estacionária de δJ (u; v) então ela satisfaz a Equação de Euler-Lagrange. De
T
outra forma, para encontrar uma função estacionária “basta” resolver a equação de Euler-Lagrange.
Esta passagem é de fundamental importância no Cálculo das Variações. Basicamente, ela nos diz que
se a integral do produto de duas funções é nula então uma delas deve ser nula. Este resultado deve ser
visto com mais detalhes pois tem várias repercussões neste curso. Vamos enunciar o seguinte Lema:
Lema 5.1. Lema fundamental do Cálculo das Variações: Seja uma função f (x) contínua
DR
então
f (x) = 0 em [x0 , x1 ]
n o
com V = v (x) ∈ C m [x0 , x1 ] | v (k) (x0 ) = 0 ∧ v (k) (x1 ) = 0, k = 1, 2, . . . , m. .
Mec0137- Cálculo Variacional - Prof. Rossi 46 Release 0.1 - 25th July 2017
5. Cálculo da Variações Variação, Gâteaux e a Equação de Euler-Lagrange
Exemplo 5.3. Barra de comprimento L, isotrópica, linear e elástica sujeita ao peso próprio sujeita a
condições u (x0 ) = 0 e u (x1 ) = 0.
Exercício 5.1. Seja S = C 1 [a, b]. Encontre δJ (u; v) para u, v ∈ S para os seguintes casos:
´bh 3
i
0 (x)2 dx (sol: u (x) = sin (x));
1. J (u) = a u (x) + xu
´bp
2. J (u) = a 2 + x2 − sin u0 (x) dx
´bh i
3. J (u) = a ex u (x) − 3u0 (x)4 dx + 2u0 (b)2
n´ o n´ o
b b
2u0 (x) + x2 u (x) dx − u0 (x)]2 dx
4. J (u) = a a [1
T
5.1.5
AF
Caso especiais do integrando F
5.1.5.1 O integrando não depende de u
Neste caso F = F (x, u0 ) e a equação de Euler-Lagrange fica
0
∂F
7 d ∂F d ∂F
− = 0 −→ =0
∂u dx ∂u0 dx ∂u0
o que implica em
∂F
DR
=c (5.23)
∂u0
com c sendo uma constante. Repare que para que a Eq. 5.23 seja respeitada F tem de ser uma
equação diferencial envolvendo termos de primeira ordem (e que não contém u).
Exemplo 5.4. Caminho mais curto entre dois pontos: Vamos retornar agora ao problema da
subseção 1.2.1.
Princípios Variacionais
AF
DR
48
T
Parte IV
Métodos de aproximação
AF
DR
49
T
Parte V
Apêndices
AF
DR
50