PHD 5029 – Modelos de

Planejamento e Gerenciamento
de Recursos Hídricos

Conceitos Básicos de Otimização

Mario Thadeu Leme de Barros

Simulação versus Otimização

„ Na simulação as variáveis de decisão são

determinadas por tentativa e erro;
„ Vamos estudar uma metodologia que
fornece uma solução ótima para o
problema em pauta, ou seja as variáveis
de decisão são calculadas pelo modelo e
fornecidas ao decisor.

1
 Elementos de um
Problema de Otimização
Dada uma:

Função Objetivo F
max (ou min) F (x 1 , x 2 .......)

Variáveis de Decisão

Este problema é bastante complexo dependendo da forma da

função F e do número de variáveis de decisão (vetor X)

Calcular o vetor X acima é um problema de otimização não

condicionada, mas........

agora considerem que as variáveis

de decisão estejam sujeitas a
diversas RESTRIÇÕES

ou seja :
g(x1 ,.....) ≥ b1
h (x 1 ,....) ≤ b2
.............
O problema torna-se mais complexo ainda

2
 Desse modo podemos definir
um problema de otimização

Dependendo do formato das funções

envolvidas a obtenção da solução do
problema de otimização pode ser muito
difícil, ou às vezes impossível de ser
realizado.

Problema Geral de Otimização

Função Objetivo F
max (ou min) F (x 1 , x 2 .......)

sujeito a : decisão

Conjunto g(x1 ,.....) ≥ b1

recursos
das
Equações h (x 1 ,....) ≥ b2
de
Restrição .............

3
Existem algumas rotinas para solução de
problemas de otimização: elas são empregadas em
função da forma do problema – alguns exemplos
„ se as equações forem lineares e as variáveis
contínuas: Programação Linear (PL)
„ se as equações forem lineares e variáveis
inteiras (discretas): PL Inteira (PLI)
„ caso particular da PL: redes de fluxo
„ se a função F for quadrática: Programação
Quadrática (PQ)
„ se as decisões forem seqüenciais (no tempo
ou no espaço): Programação Dinâmica (PD)
„ se as funções forem não lineares: PNL
„ e assim por diante...

Categorias de Métodos de Otimização

4
Existe um vasto campo de aplicação da otimização na
análise de sistemas de recursos hídricos:

„ dimensionamento de reservatórios
„ operação de reservatórios
„ operação de canais
„ dimensionamento e operação de sistemas de irrigação
„ dimensionamento de obras hidráulicas
„ dimensionamento e operação de redes hidráulicas
„ calibração de modelos hidrológicos
„ calibração de modelos de qualidade da água
„ calibração de modelos ecológicos e assim por diante
„ Enfim processos onde é necessário DECIDIR

A seqüência básica de estruturação de

um modelo de otimização é:
„ Definir as funções do problema: objetivo,
restrições, variáveis de decisão
„ Verificar a melhor forma de estruturar o
problema: PL, PLI, PD, PNL, etc.
„ Considerar a quantidade e qualidade dos dados
disponíveis
„ Compatibilizar custo de desenvolvimento, custo
da rotina de otimização, eficiência do modelo

5
A estruturação do modelo é
uma fase fundamental:
fruto de um grande
entendimento entre o
modelista e o DECISOR

Nesta aula vamos falar em

Ótimo de Funções (resumo)
„ Otimização Não Condicionada (sem restrições)
„ Otimização Condicionada
„ Metodologia
„ Restrições de igualdade
„ * Lagrangeano
„ * Preços Sombra (Shadow prices)
„ Restrições do tipo Inequação
„ * Condições de Kuhn-Tucker
„ * Variáveis de Folga (Complementary slackness)

6
 Otimização sem Restrições - Definições

„ — Otimização determinar o Máximo

de uma função objetivo desejada ou
o Mínimo de uma função objetivo
indesejada
„ — Função Objetivo = Expressão a ser
otimizada = F(X)
„ — Variáveis de Decisão = Vetor de
Variáveis sob as quais são feitas
decisões = X = (x1….xn)

Otimização sem Restrições

B D
F(X)

A C

X
Pelo Cálculo:

Se F(X) for contínua, analiticamente:

Condição para máximo e mínimo

∂F(X) / ∂Xi = 0 ∀i

7
 Otimização sem Restrições

„ Condições Secundárias

∂ 2F ( X )
< 0 pontos de máximo (B, D)
∂2x i
côncava na vizinhanç a de x i
∂ 2F ( X )
> 0 pontos de mínimo (A, C)
∂2x i
convexa na vizinhanç a de x i

Condição Necessária e Suficiente

Condições de Máximos, Mínimos e Pontos de Inflexão de uma Função

F(X) Máximo global

Máximo local

Ponto de Inflexão

Mínimo local

Mínimo global

X
∂F ( X )
=0
∂X
x =x*

8
A determinação do máximo ou do mínimo (local ou global)
depende da definição de funções convexas e côncavas

Função Côncava

F [λx 1 + (1 − λ )x 2 ] ≥ λF (x 1 ) + (1 − λ )F (x 2 )

0≤ λ≤1 Função Convexa

F [λx 1 + (1 − λ )x 2 ] ≤ λF (x 1 ) + (1 − λ )F (x 2 )

x 1 e x 2 são dois pontos no domínio da função F(x)

Interpretação gráfica

Função Convexa Função Côncava

F(X) F(X)

X X
X1 X2 X1 X2

Em termos geométricos as relações anteriores indicam que no intervalo

(x2-x1) um segmento de reta unindo esses dois pontos localiza-se
sempre acima (abaixo) da função se ela for convexa (côncava).

A importância desse conceito reside no fato de que, caso a função

objetivo seja convexa, o mínimo local é também o mínimo global; no
caso da função ser côncava o máximo será global.

9
 Condições de Máximo e Mínimo
para mais de uma variável
Agora vamos adotar a
notação vetorial

X = (x 1 ...x n )

se F(X) < F( X * ), então X *

é máximo relativo em uma região E ∈ X
se F(X) > F( X ), então X
* *
é Mínimo

Condições de Existência
do ponto de ótimo
Vamos definir a forma quadrática F(X) dada por:

T
F ( X ) = X .A.X
Onde A é a matriz da forma quadrática da função F(X) ou
F(X) é a forma quadrática associada à matriz A

10
 Vamos lembrar de alguns
conceitos da

Álgebra Linear

Definições Importantes para a

Forma Quadrática
„ A forma quadrática é definida positiva se
todos os autovalores de A forem todos positivos
„ Semidefinida positiva se alguns autovalores
de A forem positivos e os restantes iguais a zero
„ Definida negativa se todos os autovalores de
A forem negativos e
„ Semidefinida negativa se alguns autovalores
de A forem negativos e os restantes zero
„ Indefinida se os autovalores de A alternarem
entre valores positivos e negativos

11
 Como calcular os
autovalores de A ?

Lembrar da Álgebra Linear

Seja a transformação linear A dada por :

A.X = λ.X
onde X é o autovetor (eigenvect or) de A
e λ é um autovalor (eigenvalu e)
(A - λI).X = 0
I é a matriz identidade; regra de Cramer :
det(A - λI) = 0 equação caracterís tica de A

12
Condições de Ótimo (máximo ou
mínimo)
∂ F (X )
/X = X * =0
∂x i
para X = (x 1 ....x n )

As condições de máximo e de mínimo são dadas pela forma

quadrática da chamada função Hessiana H dada por:

h11h12 ........h1n ∂ F (X )
h21 ............h2n hij =
H=
.................. ∂x i ∂x j
hn 1 ............hnn

Condições de Ótimo (máximo ou

mínimo)
Se a forma quadrática da matriz Hessiana H for:
Definida Negativa X* é máximo
Definida Positiva X* é mínima
Indefinida X* não é mínimo e nem máximo
(inflexão)
h11h12 ........h1n
h21 ............h2n ∂ F (X )
H= hij =
.................. ∂x i ∂x j
hn 1 ............hnn

13
 Podemos também definir funções
multivariadas convexas e côncavas
Função Convexa

F ( λX 2 + (1 - λ ) X 1 ) ≤λF ( X 2 ) + (1 - λ)F ( X 1 )

Função Côncava

F ( λX 2 + (1 - λ ) X 1 ) ≥λF ( X 2 ) + (1 - λ)F ( X 1 )

Essas funções são definidas para

conjuntos X’s convexos
„ Para duas variáveis:
x2 x2
S

x1 x1
Convexo: dados os pontos Não Convexo
X1 e X2 os valores de:
λX 2 + (1 - λ) X 1 fazem parte do
0≤ λ≤1 conjunto S

14
 Otimização sem Restrições
„ Vamos tratar da metodologia de otimização a partir de um exemplo:
Problema do Isolamento Térmico Doméstico: utilizar aquecimento ou
isolamento térmico para manter a temperatura ambiente?

Custo Total da Decisão = Custo Combustível + Custo do Isolamento

K1
F (X ) = + K 2X
X

x = Espessura da Isolamento (variável de decisão)

∂F ( X ) K
= 0 = − 12 + K 2 ⇒
∂X X
1/2
⎡K ⎤
X *
= ⎢ 1⎥
⎣K 2 ⎦
(o asterístico indica a solução ótima)

Considerando os valores abaixo chega-se a:

ótimo

custo
total

isolamento

combustível

polegadas de isolante

15
 Otimização Condicionada

„ A otimização condicionada envolve a existência

de equações de restrição
„ As restrições podem ser de dois tipos básicos
„ Restrições de Igualdade – alguns fatores têm que
ser iguais a um certo valor (recurso)
„ Restrições do tipo inequação – alguns fatores têm
que ser menores ou iguais ou maiores ou iguais a
um certo valor e assim por diante (limites
superiores e inferiores)

Restrições de Igualdade

Melhor aplicação de um orçamento

a1 a2
MaxZ ( X ) = a 0 x 1 x 2
sujeito a
orçamento = p1 x 1 + p 2 x 2
Notem que:
Espaço de
Z(X) Validade ∂(Z ( X ))
para X ≠ o no máximo
∂X

Z*
Máximo Orçamento

Orçamento
X

16
 Otimização Condicionada

„ Vamos ver agora métodos para resolver

problemas de maior complexidade, por exemplo
otimização com restrições de igualdade,
restrições tipo inequação

DICA
Transformar um problema difícil num outro
mais fácil:

Neste caso, transformar a otimização condicionada numa

otimização não condicionada

Método Lagrangeano
„ Vamos transformar o problema de otimização
condicionada num não condicionado:
otimizar F ( X )
sujeito a
g j (X ) = b j ⇒ g j (X ) − b j = o
seja a função L definida por :
L = F ( X ) − ∑ { λ j [ g j ( X ) −b j ]}
j

λj são os multiplicadores de Lagrange (lambdas)

Os lambdas são quantidades desconhecidas que podem ser

determinadas com a otimização da função L.

Note que: [gj(x) - bj] = 0 por definição, então

O ótimo de F(x) é igual ao ótimo de L

17
 Método Lagrangeano
Para otimizar L:
∂L ∂L
= 0 ∀i e = 0 ∀j
∂x i ∂λ j
F (X ) = 6x 1x 2
s .a
g (x ) = 3x 1 + 4 x 2 = 18
Exemplo L = 6x 1x 2 − λ (3x 1 + 4 x 2 − 18)
Numérico ∂L ∂L
= 6x 2 − 3λ = 0 = 6x 1 − 4λ = 0
∂x 1 ∂x 2
∂L
= 3x 1 + 4 x 2 − 18 = 0
∂λ

Método Lagrangeano
Resolvendo o sistema de equações

x 1* = 6 x 2* = 2.25 λ* = 4.5

F * ( X * ) = 40.5

18
 Preços Sombra
O Preço sombra ou “Shadow Price - SP” é a taxa de mudança no
valor da função objetivo por unidade de mudança no valor da
restrição (recurso)

∂F ( X )
SP j =
∂b j
Este é o significado do multiplicador de Lagrange

∂F ( X )
SP j = = λj
∂b j

O “shadow price” é extremamente importante no projeto

de um sistema.
Ele mensura a sensibilidade da função objetivo às
restrições impostas

Preços Sombra
„ Vamos ver como ele funciona, considerando nosso exemplo
numérico, vamos alterar 0.1 unidades na restrição:

F (X ) = 6 x 1x 2
s .a
g ( x ) = 3 x 1 + 4 x 2 = 18 .1
L = 6 x 1 x 2 − λ (3 x 1 + 4 x 2 − 18 .1)
∂L ∂L
= 6 x 2 − 3λ = 0 = 6x 1 − 4λ = 0
∂x 1 ∂x 2
∂L
= 3 x 1 + 4 x 2 − 18 .1 = 0
∂λ

Os valores ótimos são

x1* = (18.1/6) x2* = (18.1)/8

Portanto, F(x)* = 6(18.1/6)(18.1/8) = 40.95

∆F(x) = 40.95 - 40.5 = 0.45 = λ* (para aumento de 0.1)

19
 E se as restrições forem
desigualdades?

Vamos agora introduzir no problema do isolamento térmico

uma restrição de isolamento (espessura) mínimo

x ≥8
custo

Polegadas de Isolante

20
 Otimização Condicionada

Como resolver agora o problema com inequações ao invés de

igualdade?

Metodologia: Transformar as inequações em igualdades e então

proceder como antes

Para isso, vamos introduzir novas variáveis chamadas de

Variáveis de Folga (slack)

As variáveis“Slack” medem a distância entre o recurso da restrição e

a quantidade utilizada

As equações resultantes são chamadas

“Condições de Kuhn-Tucker”

Otimização Condicionada

A variável de folga (slack), sj , para cada

inequação:
g j (x ) ≤ b j na forma slack passa a g j (x ) + s j2 = b j
g j (x ) ≥ b j substituída por g j (x ) − s j2 = b j

O quadrado garante a positividade da variável de

folga
O problema passa de otimização passa a ser:
otimizar F (x )
sujeito a
g j (x ) ≤ b j
é o mesmo que otimizar L dado por
L = F (x ) − ∑ λ j [g j (x ) + s j2 − b j ]
j

21
 Otimização Condicionada

As condições de otimização são:

∂L ∂L ∂L
=0 =0 = s j λj = 0
∂x i ∂λ j ∂s j
Essas novas equações implicam em:

sj =0 e λj ≠ 0
ou
sj ≠ 0 e λj = 0
Um ou outro é igual a zero!

Elas são chamadas de condições de folga complementar

(“complementary slackness”)

Otimização Condicionada

„ Interpretação:
„ Se existir folga em bj ela não agrega
mais valor na função objetivo:
λj = ∂F(x) / ∂bj= 0 e => sj ≠0
„ Se λj ≠ 0, então todo bj disponível foi
usado=> sj = 0 (não existe folga!)

22
 Vamos analisar o problema do isolamento

K1
minimizar o custo = + K 2X
x
sujeito a x ≥8
K1
L= + K 2 X − λ [x − s 2 − b ]
x
para K 1 = 500 e K 2 = 24 e b = 8
chega - se ao seguinte sistema
500
+ 24 − λ = 0
x2
2λs = 0
x −s2 = 8
se s = 0 implica em x = 8 e λ = 31.8 com custo = 254.5
se a restrição for relaxada, chega - se ao mínimo anterior :
x * = 4.56 com custo igual a 221

Vamos analisar o problema do isolamento com um novo

limite
K1
minimizar o custo = + K 2X
x
sujeito a x ≥4
K1
L= + K 2 X − λ [x − s 2 − b ]
x
para K 1 = 500 e K 2 = 24 e b = 4
chega - se ao seguinte sistema
500
+ 24 − λ = 0
x2
2λ s = 0
x −s2 = 4
se λ = 0 implica em x = 4.56 com s 2 = 1.56
custo = 221, portanto não há necessidad e de se
relaxar a restrição!

23
 Exercício para a próxima aula

„ Cada aluno deverá escolher um tópico de

recursos hídricos e verificar que tipo de
modelo matemático pode ser empregado
para estudo do problema (planejamento,
projeto ou operação de sistema)
„ Escolher um trabalho técnico para Revisão
Crítica

Revisão Crítica
„ Escolher um trabalho técnico de revista arbitrada
internacional (ASCE, WRR, etc.).
„ Nas bibliotecas da Poli (CTH) diversos “journals” podem
ser consultados.
„ Escrever duas páginas em letra tamanho 12 e espaço
1,5: O que entendeu da leitura? Qual a sua opinião
sobre o trabalho? Quais os pontos positivos e negativos?
Atenção: não quero cópia de parte do trabalho.
„ Escolher trabalho do século 21.
„ Entregar o texto impresso e cópia do trabalho escolhido
(não será aceito trabalho via e-mail)

24
 Exercício Problema sobre Lagrange

Determinar as dimensões de um canal retangular para veicular uma

dada vazão Q com declividade I e comprimento D, conhecidas. Deseja-
se determinar H e B de tal modo que o custo total da obra seja mínimo.

D
B
H

Neste caso, o custo total (Ct) do canal envolverá os

custos de escavação (Ce) e revestimentos (Cr)
São conhecidos os custos unitários de escavação (C1)
e revestimento (C2)
Dica: lembrar da Equação de Manning

fim

25