Pesquisa operaclonal Capitulo 18 Teorla clássica da otimização

DE PROBLEMAS 18.2c Nu Caso da maximi/NO, Como o lady direit da restrIçÃo g(X)

cONJUNTO
A alCnta com bise cn D hte ty vetor i g .o esspaço de soluçoes tor
m que
nos restito c. por iss, nao pode diminuir o que sugnifica ondiçoe
1. Resolva o seguimte
problema
e lagrangeano:
de
amago
ptvgamagao linear
pelos me.
C

( 0 De d o semeIhante paIA A ninirnizaáo. a medida que

resun
As c
todos jacobiano lndo dircilo das estnoCs aunenta.f náo pele creer quc implica dnto da
Maximizat s(A) = , 3u, ,0. Scas IUlries Iorem dc gualdadc, jstej6.gX) ), entáo ode ser
quc
enit-se irrcstuita cm unal yea ( Problema 2,( erijuntr, 12.2D).
sujelo a As restriçocs impOslas a 7. a r Valin1an corne) parte das n d i c i e s
ssárias dc KKT. Apora, dcCnVlvcremes as Cficdies restan Tabela 1
s(X) t21, * 6 0 ncce
TCS.
slaco s.X)3x, +A, +*, 9 0 Jomando as derivadas pardais de 7, U n relatá a X $e
Sentido
a forma
X,20
obiemos

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

ICstiçdo s,(X) +X +*, -5 0

(g(X)+S)=0
ondigdes
8,(X)= x, +5x, + *, -7 0 O scgundo conjunto de equações revela os Seguintes resultados
ua ulcn-
com res Suponha que g,(X) = 0,01 e g,(X) 0,02. Ache a 1. Se + 0 , então S = 0,oque significa que a fonte de recurso cor
correspondente no valor ótimo de S(X). variação
respondente está em falta e, portanto, é totalmente consumida
3. Resolva o Problema 6, Conjunto 18.2B. pelo método lagrangea- (restrição de igualdade).
no e verifique se os valores dos multiplicadores de Lagrange são 2. Se S>0, então ^, = 0, o que significa que o recurso i não está em
ámetros iguais aos coeficientes de sensibilidade obtidos no Problema 6,
do, esses Conjunto 18.23.
falta c, em decorrência, não afeta o valor de f(isto é. =
0
M
enles de
Do segundo e terceiro conjuntos de equações, obtemos

18.2.2 Restrições de desigualdade-Condições de Ag,(X) = 0,i = 1,2, ... , m

Karush-Kuhn-Tucker (KKT)?
Esta seção estende o método lagrangeano a problemas com Em essência, essa nova condição repete o argumento preceden-
A principal contribuição da seção é o te porque,se , > 0.8,(X) = 0 ou S = 0; e, se g(X) < 0.S ' > 0 e . = 0.
Conanoss restriçðes de desigualdade.
desenvolvimento das condições necessárias gerais de Karush-Kuhn- As condições necessárias de KKT para o problema de maximi-
ncia para
Tucker (KkT) para determinar os pontos estacionários Essas condi- zação são resumidas como:
1aVeis do pod:m
çoestambém são suficientes sob certas regras que serão enunciadas .20 que
mais adiante. uma t

Considere o problema S X ) - AVg(X) = 0

8,(X) = 0,. i= 1,2...,m

Maximizar z = /[X)
ingeana c g(X) s0
Exemp
Sujeito a
Consid
5)
R(X) s0
Essas condições também
se ao caso da
aplicam minimização.
CxCeto que ). deve ser não positivo (Verifique!). Tanto na maximiza-
ção quanto na minimização, os multiplicadores de Lagrange corres-
AS restrições de desigualdade podem ser convertidas em cu
(2 pondentes às restrições de
Sej igualdade são irrestritos em sinal sujeito
oes com a utilização de variáveis de folga não negativas.8,(A)>
quantidade de folga adicionada à i-ésima restrição Suficiência das condições de KKT. As condições necessárias de
defina-se
Auhn-Tucker também são suficientes se a função objetivo eo espa-
o de soluções satisfizerem condições específicas. Essas condiçoes
S (5, S.. S)S = (S;, Sz,.,S) são
resumidas na Tabela 18.2.
em quc n é o numner total de restriçöes de desigualda Assim, mais simples verificar função é
se uma côncava do
convexa ou
C provar que um espaço de soluções é um conjunto convexa. Por
função lagrangcana é dada por
deazao, fornecemos uma lista de condições que são mais fáceis
plicar na prática no sentido de que a convexidade do espago de Ex
L(X, S, A) = {X) - Mg(X) + S'|
uoes pode ser determinada com a verificação da conexidade ondis

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

são iguais Es Tesultado A) para problemas de . mede

a
3.2.3.O re
ESSe
de
é justificado observando que o
ve X) s0,i=1,2,..
da escolha
vartação fem relação a g. isto e
de
8(X)20,i=r+ l,...p
(X)= 0,i=p 1.
l,cm
i99, como parle de sua lese de
mestrado na Universidaoe o
As
mesmas
econdiçoes
lotaio

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-

o resumidas na Tabela 18.3.

0 . D e modo semelhante parn a minimiznção, à medida que As condiçoes da Tabcla 1k.3 repreentarm apenas urn subcon
ndo direito das restriÇoes aumcnta,/ naopode crescer, o que implica anto das condiçoes da Tabela 1K.2 porquc urm espac de luçhes
c S0.Se as restriçðes forem de igualdade, isto é. g(X) = 0, então .
yuc A pode ser convexo sem satisfazer as ond1ces da Tahela 1 1
-se irrestrita em sinal (veja o Problema 2, Conjunto 18.2D).
torna-s
As restriçoesimpostas aA são válidas como parte das condições
nccessárias de KKT. Agora, desenvolveremos as condiçöes restan- Tabela 18.2 Condições necessárias de KKT
Cs
Tomando as derivadas parciais de L com relação a X, S e 2, Condiches requcrida
Sentido de
dtemos
otimização Função objetiv spaco de nlut jor
= Vf(X)-AVg(X) =0
Maximização Côncava onjunt, Cnc
dL Minimização Convexa (onjunt Cne
= -22,5, = 0, i= 1, 2,.

O-(g(Xx)+S°) =0 Tabela 18.3 Estabelecimento de suficiência das condições de KKI

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

Maximizar ou minimizar z = f(X)

(2x,2x,, 2x,)-(2,, , 2, A ,-1

00
ujeito a
8(X)S0,i =1,2,..,.
.

&(X) 20,i =r+ 1,....p 0

AS, = .. =AR,
=

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

21, A, -0 .IresIrilo em Sinal

2, A, A, 0
3, Escreva as condigocs netessalas de
A,(2, 5)0 KKI 0ar
blemas. (

A, 2) 0 () Maximizar /(X)x
A,-)=0 sujcito
(2-) 0o
A, =0
2, + A, S 5 Sxxx, <2
+S2

,21.,2 2,x,20 (b) Minimizar f{X) =xi + X+Sxxx

sujeito a
A
solugão éx =
1.a, =

2.*,=0,A =A =A, =0,2,=-2,,4.

Como ambos AX) e o espaço de soluções g(X) s 0, são convexos,
X-X+xs 10
L(N. S, A) deve ser convexa, e o ponto estacionário resultante dá
um mínimo global restrito. As condições de KKT são fundamentais x t X + 4x220
para o desenvolvimento de algoritmos de programação não linear
do Capitulo 19. 4. Considere o
problema
Maximizar f(X)
cONJUNTO DE PROBLEMAS 18.2D- sujeito a
1. Considere o problema: g(X) = 0

Maximizar fCX) Dado que f{X) é côncava e

g,(X)(i =1,2,.. m) é uma funçio
linear, mostre que as condiçðes necessárias
sujeito a de KKT såo
ta
bém suficientes. Esse resultado é válido
convexa não linear
se g(X)
for uma funçd
R(X)20 para todo i? Por que?
5. Considere
Mostre que as condigões de KKT são as
mesmas da Seção 18.2.2,
o
problema
exceto que os
2
multiplicadores de Lagrange Asão não positivos Maximizar f(X)
Considere o
seguinte problema:
sujeito a
Maximizar fX)
sujeito a 8,(X) 20.8,(X) =0.g,(X) S0

g(X) = 0 Desenvolva as condições de KKT e estipule sob quas c

dições elas são suficientes.

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

No método 1. Resolva o seguinte problema de programacar.

Método lagrangeano.
coeficientes de
sensibilidade, iste
todos jacobiano e lagrangeano linear yirn "
taros
Maximizar f(X) S
sujeito a

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

com as equações de restrição

cquayies resultantes junto
As
satisfazem as condições
A 0 dão os valores
viáveis de X e Aque ,(X) =
ecessaraas para pontos estacionários
iden-
define o método lagrangeano para X
O procedimento dado
de problemas de otimização com
res- Suponha que g. (X) =0.01 e z

tihcar os pontos estacionánios no valor ótimo de X

correspondente
tngdes de igualdade. Seja 12E
3. Resolva o Problema 6. Conjunto
L(X, A) = fAX) - g(X) os valores dos multip
n o e verifiquese

iguais aos coeficientes sensibildad

os parâmetros
de
A função função lagrangeana e
Lé denominada
Por definição, esses Conjunto 18.2B.
são denominados multiplicadores de Lagrange.
os coeficientes de
multipticadores têm a mesma interpretação que
sensibilidade do método jacobiano. Condiçies
As equações
18.2.2Restrições de desigualdade de

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

ponto de vista computacional. mais adiante.

Considere o problema

Exemplo18.2-4 Maximizar = iX

Considere o problema do Exemplo 18.2-2. A função lagrangeana é

sujeito a

3x, 2) -À(5x, 2x, +x, 5)

=x?+x+x -2,(x,
-
- +

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

Historicamente, WKar ush fos pre ro a deseniver oede es r

o aa
KKT em
i9, cem
desenvolvdastndependeateme nte e K1, peWK sheA hry
 Pesquisa operac
306 cONJUNTO DE
PROBLEMAS 18.2c
vetor à represen
método jacobiano, faça
Metodo lagrangeano. No 1.Resolvn o seguinte problema de programaçko
ticicntes de sensibilidade,
isto é. acao linest
tat os
coe tredon jacobiano e lngrangeaner elra na
A-, Maximisar fX)r
sujeifr a
Assim.
g(X) 24 -9

as condides necessárias patn pontos estacio %) ,

Essa equaqo sat1star forma
calculada de modo tal que Vf 0. Uma
nários q u e é
tomar suAS deriv
a t s oongniente de apresentar essas equaçðes é problema
relaçâo a todo Isso resulta em 2. Achea solução6tima para o
das parcais em

-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

A função L é denominada função lagrangeana e os parâmetros iguais

são denominados
multiplicadores têm
multiplicadores de Lagrange. Por definição,
esses Conjunto 18.2B.
os coeficientes de
interpretação que
a mesma

sensibilidade do método jacobiano. 18.2.2 Restrições de desigualdade - Condições

As equações Karush-Kuhn-Tucker (KKT}
d-0,=0
dA Esta seção estende o método lagrangeano a probiemas a

restrições de desigualdade. A principal contribuçáo da eck

pontos estacionários necessárias gerars de Kanash-ut

dão as condições necessárias para determinar desenvolvimento das condiçöes
suficiência para Tucker (KKT) para determinar os pontos estacionáros Ess an
de fX) sujeitos a g(X)= 0. Existem condições de
de modo geral, elas são intratáveis do serdo muncas
o método lagrangeano mas,
ções também são suficientes sob certas regras quc
ponto de vista computacional. mais adiante.
Considere o problema

Exemplo18.2-4 Maximizar z [X)

Considere o problema do Exemplo 18.2-2. A função lagrangeana é

sujeito a

LIX.A) =x; +x+x}-,(x, +

+
3x, 2)-(5x,2x,1, -5)
gX) s0
Essa expressão dá as seguintes condiçóes necessárias
As TestriçÕes de desigualdade podem sercoaverbis
nao argata
2x--5A,=0 goes com a utilização de varnaveis de àfolga retrdf
0) a quantidade de folga adicIonada i esuma
-2 0 defina-se

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

Hastcrcameme. WKarnais opree tin

adeete t 6A es `e KKI r1 As ms
desenvoivdas indepetseutetiente. et:iP. *Kstt T
ta
ane s4 mue ite de oesradis na Liauvesdade de a
 L(X, ) =
iguais aos coenC
os
parámetros
e Conjunto 18.2B.
lagrangeana
função esses
Por definição,
denominada

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

Considere o problema do Exemplo sujeito a

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

2x, -3/ -À, - 0

S (S, S ,SS
em que m é o numero total de restnçdes de desigu
-(x+ 1,+31-2)=0 funçâo lagrangeana é dada por

15x+2+15) L(XS.A) AX) AgX

A soluçáo para esas equaçóes simultáneas resulta em Dadas as restriçóes

X -(x , ) ( BI43, 0,1478,0 2K26)

(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

desenoivids inderetie t e nte cu i