Escolar Documentos
Profissional Documentos
Cultura Documentos
otimia
s derina
2. Ache à soluçåo dtima para o problema Vf(X)-AVg'X Maim
Minim.
Minimizar AX) = x + 2x, + 10x 22,S,0, i = 1, 2.
Tabela 1
Sujeto a
Dadas as restrições COncavidade das funções de restrição. Para dar essas condigoes
einimos os problemas não lineares
general1zados como
g(X) so
Maximizar ou minimizar z =fN
não nega-
uma
condição necessária pata a otimalidade é que . seja imização).
Sujeito a
plos 18.2-2 maximização (m. taxa
A,S.)-rx-YA[«(X)-s]-2Alcax)-s1-2As(x
Capitulo 18 Teoria clássica da otimização 307
No caso da maximizaçao, como o lado dircito da restrição g(X) Fm quc 2, é o multiplicador de Lagrange associado a restrição . As
aumenta com basc em 0 ateo vetor dg.o espaço de soluçoes tor
.sC menos restrito C, por isso,J nao pode diminuir,o que signilicn,
tondiçoes para estabelecer a suficiência das condiçes de KKI es-
Sentido de
Condições requeridas
O segundo conjunto de equações revela os seguintes resultados:
otimização SX) (X)
1. Se A 0, então S= 0, 0 que significa que a fonte de recurso cor |Convexa 2U (1 Sicr
respondente esta em falta e, portanto, é totalmente consumida Maximização Côncava Concava s0 (r- 1<i p
(restrição de igualdade). |Linear Irrestrito (p 1SiSm
2. Se S>0,então A, = 0,o que significa que o recurso i não está em
Convexa 0 (1isr
falta e, em decorrência, não afeta o valor de f(isto é,^ = 0). Minimização Convexa Concava 20 (r- 1 s p
| Linear IrrestritO (p SiEm
Do segundo e terceiro conjuntos de equações, obtemos
8 ( X ) = 0,i = 1,2,.. ,m
A Tabela 18.3 é válida porque as condições dadas resultam em
uma função lagrangeana côncava L(X, S, 2.) no caso de max1miza-
Em essência, essa nova condição repete o argumento preceden- ção e em uma convexa L(X, S. .) no caso de minimização. Esse re-
teporque,se A,>0,8(X) = 0 ou S? = 0; e, se g,(X) < 0, S3>0e,=0. sultadoé verificado observando que, se g,(x) é convexa, então .git)
As condições necessárias de KKT para o problema de maximi-
é convexa se 2 0 e côncava se A, s 0. Interpretaçoes semelhantes
zação são resumidas como: podem ser estabelecidas para todas as condições restantes Observe
que uma função linearé côncava, bem como convexa. Alem disso, se
20
uma função fé côncava, então (-) é convexa, c vice-versa.
VIX)-Vg(X) = 0
0, i= 1, 2,..., m
h8(X) =
Exemplo18.2-5
g(X) s0
Considere o seguinte problema de minimização:
Essas condições também se aplicam ao caso da minimização,
Minimizar MX) = x;+ x -x}
exceto que i deve ser não positivo (Verifique!). Tanto na maximiza-
ção quanto na minimização, os multiplicadores de Lagrange corres
pondentes às restrições de igualdade são irrestritos em sinal. sujeito a
8,(X)= 2r, x , - 5 s 0
Suficência das condições de KKT. As condições ssárias dee
Kuhn-Tucker também são suficientes se a função objetivo e o espa- 8,(X)=r +X, -2 s0
go de soluções satisfizerem condições específicas. Essas condições 8,(X) = 1 x 0
S40
resumidas na Tabela 18.2. do 8(X)=2 S0
mais simples verificar se uma função é convexa ou côncava 8,(X) =
ue provar que um espaço de soluções é um conjunto convexo, or
2 a 0 , fornecemos uma lista de condições que são mais 1acels
à s0. Assim, as
aplicar na prática no sentido de que a convexidade do espaço de Esse é um problema de minimização, portanto
condições de KKT são dadas por
fugoes pode ser determinada com a verificação da convexidade
Cavidade das funções de restrição. Para dar essas condiçoes,
eumimos os problemas não lineares generalizados como
8
8,(X) 0, i =p + 1,..., m g(X) s0
S. X)-4[8(X)+S]-ÉA[«X1-S - 2 xX)
308
Mostre que as
esquisa operar
Essas condiçdes se reduzem condiçoes de KKI sa
A., A,,,,A, s0 V/X)Vg(X)
2 2 A, , 0
A, 2) 0 () Maximizar /(X)x
A,-)=0 sujcito
(2-) 0o
A, =0
2, + A, S 5 Sxxx, <2
+S2
Bazarra, M; Shrali,
REFERENCIAS BIBLIOGRÁFICAS
H.
Beightler, C; Phillips, D. Shetty,
e
C. Nonlinear
e Wilde, D. programming theory and algorithms.
Foundations of optimization. 2. ed. Nova York:
Rardin, R. Optimization operations research.
in
Upper Saddle
2. ed.
Upper Saddle River: PrenticeWiley,
River: Prentice Hall,
199:.
Hall, 1979.
1998.
306 CONJUNTC
vetor à represen
jacobiano, faça
o
Assm. (X)- r 2
estaCTO
R(X)-3
necexsánas atn pontos
satsfaz as condiçoes forma
Essa equIaga)
de modo tal que
Vf-0. Umn
é calculada
nários porque
cquaçoes é tomar
suas dern Va
essas pryblem
mais onvenrente
de apresentar
todo t. Issw Iesulta cm 2. Acheasolução 6tima para
em relaçâv a
dasparciais Minimizar fX
- f Ag) - 0.) 1,2,...n sujeito a
Karush-Kuhn-Tucker (KKT}
Esta seção estende o método lagrange an
A contmbu
restrições de desigualdade. princ1pal
determinar pontos estacionánios desenvolvimento das condições necesarias geras
dão as condições necessárias para
de fX) sujeitos a g(X)= 0. Existem condições de suficiência para Tucker (KKT) para determinar os pontos estacd
o método mas,
lagrangeano de modo geral, elas são intratáveis do ções também são suficientes sob certas regras
au
Exemplo18.2-4 Maximizar = iX
LOX.i) +
x, g(X) s0
Essa expressão dá as seguintes condições necessárias: As restrições de desigualdade podem ser coaverodas
não neguthu
dl 2x-,-5), =0 goescom a utilização de vaniáveis de àfolga
i-ésima restn
dx 0) a quantidade de folga adicionada
O= 2x. -i -2i, = 0 defina-se
S (5.S S . S =(SS
d 21,- 3 -, =0
ox
em que mé o numero total de restrições de deg
-(x++31, - 2) =0
função lagrangeana é dada por
S
(Sx +2x, +1, -5) = 0
LX,S,A) =AX)- g(N)-
A soluçáo para essas equaçóes simultâneas resulta em Dadas as restriçöes
x (.1,s,) (0043,0,1478;0,2826) X) s
( ) - (0,0870,0,343)
para a otimalidade t
uma condição necessáriaprobiemas de maxmzaç .
Esta solução combina com os resultados dos cxemplos 18.2-2 tiva
(não positiva) para
i meues2
e 18.2-3. Os valores don multuplicadores de LagTange, , sáo iguais Ese resultado é justificado observando qDe
aos coefcientes de sensibhdade ubiuden no Exemplo 182.3,Ore de variaçào de fem relação ag sioe
sultado mostra que esses coetticieiles sào inepcnde nles da escolha
específica do vetor dependcnte Y no métodu jacobiano
-àg)= 0 . j - 1,2...n
Minimizar AX)r x
sujeito a
de restrição
As equades resultantes junto
com as equações g,(X)=x 5-0
satisfazem as condiçoes
d ã o os valores viáveis
de X c à que g,(X) = r S r
e e s s a r i a s para pontos estacionários.s
iden-
método lagrangeano para
O procedimento dado define o 0,02 Ache
de otimização com res-
Suponhaque 8(X)
=
0.01 e g,X
tificar os pontos estacionánios de problemas no valor ótimo de fX)
correspondente
triçdes de igualdade. Seja
L(X. ) =fX)- g(X) 3. Resolva o Problema 6, Conjunto 18.2B. pelo metoda a
no e verifique se os valores dos multiplicadores de LaE
sensibilidade obuidos Pm
aos coeficientes de
ao
sujeito a
2x,-3 -, =0 (S,5S
em que m é o numero total de restngoes de Jeugua
-f+ 31-2)=0 função lagrangeana é dada por
15121+,-5) 0 I(XSA At
A solução para essas cquaçhes simultâncas resulta em Dadas as restriçóes
(4,I) -(95043,0,147H,0,2K26)
(0,07, 0,4) utha
cohdigáo nesessaria pafa a otmalade u
Esta soluçâo combin4 com tn tesultaden din cremplon I82 a nao posiiiva) part prohiemas de maxiri
e 18.2-3, Os valores dos muitiplicadores de Lagtange äo iguais fultado é justitnade obscrvando que
aos coefhcientes de sensbsludade utHidkrs nu I seinplo 182 Oe de yaftayå de fenm retaçao ag stoe
sultado mostra quc cves coefiicntes sái independcntes da cwolha
específica do vetor dependente Y nn mttodo jad1h4afnu
A função L
é
de Lagrange.
c o e f i c i e n t e s de
multiplicadores os Condicses de
de desigualdade
denominados
são
mesma
interpretação que
18.2.2 Restrições
multuplicadores
têm a
do método
jacobiano. Karush-Kuhn-Tucker (KKT)¥
sensibilidade
probiemas
a
As equações método lagrangeano
estende o da seci
E
Esta seção principal
contr1bução
desigualdade.
A kus
restrições de necessárias
gerars de Karasn-
estacionários desenvolvimento das condições estaconános
Essas cm
pontos determinar
d e t e r m i n a r os pontos
necessárias para
dão a s condições Existem condições
de suficiência para Tucker (KKT) para c e r t a s regras que
seráo mun
suficientes sob
de fX) sujeitos
a g(X)= 0. são intratáveis
do também são
mas, de modo geral, elas çoes
lagrangeano
o método mais adiante.
vista computacional. Considere o problema
ponto de
Maximizar z = f{XX)
Exemplo 18.2-4
18.2-2. A função lagrangeana é
3x, 2)-2,(5x, +
21, gX) so
LIX.) =r +x+x -2,x,
+
+
x,
coevertas
Essa expressáo dá as seguintes condiçôes necessárias:
restrições de desigualdade
As
podem ser
variávets de folga d o segav
2x--52, =0 çoescom a utilização de adicionada à i-esma restrv
0)a quantidade de folga
defina-se
2x -2 -24, =0
dx (SS
(0,9710, (0,441) e uc
uma condiçao para a otimalndade
necessaria w
Esta soluçâo comib»na von n Icsultads don tiva (nâo postivat para problemas de maima
exemplos 1822
e 182-3, Os valores dos E1ultaplicadules de 1agiataye, , sâu ssc tesultado e justihcado obsnanh 4uc
iguats
aos coeficientes de seibilidnde btidis noI
kemplo H de
sultado nostra que cses ceticientcs saii indr
Oe satta âo de f em relaào a g. istue
pendentcs da eulha
especifica do vetor depe ndente Y tméldo jaxubran u