UNIVERSIDADE FEDERAL DE SERGIPE

CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA

Programa de Pós-graduação em de Engenharia Química

Otimização de Processos
Químicos
UNIDADE II – OTIMIZAÇÃO UNIDIMENSIONAL SEM
RESTRIÇÃO

CAPÍTULO 5

Prof. Rogério Luz Pagano

 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

1. Otimização Unidimensional sem Restrição

Os métodos utilizados para realizar a otimização de um

problema podem ser classificados como diretos e
indiretos.

Nos métodos indiretos, o cálculo de um extremo é realizado

baseando-se nas condições necessárias (nos valores das
derivadas e função objetivo). Nos métodos diretos, a busca
baseia-se em uma comparação direta de valores de f(x) em
pontos escolhidos de uma sequência sem envolver as
derivadas analíticas.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Por exemplo, considere

a função

f ( x)  x 2  2 x  1
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Em um método indireto (analítico), o mínimo é encontrado

fazendo a primeira derivada nula (condição necessária):

Aplicando a condição suficiente, temos a certeza do mínimo:

 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Para utilizar o método direto, utilizamos somente os valores

da função objetivo. Devemos iniciar com uma estimativa de x,
por exemplo, x0 = 0, e calcular sucessivos valores de f(x) para
outros valores de x, valores esses selecionados de acordo
com alguma estratégia a ser empregada.

O fim do procedimento será determinado quando

onde o subscrtio k designa o número de iterações e  é a

tolerância pré-especificada.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Os métodos indiretos tem como principal vantagem a

convergência rápida. Entretanto, os problemas de engenharia
possuem as mais diversas características e interesses (nem
sempre colocados como uma função diferenciável – funções
descontínuas, funções discretas, pontos de inflexão).

Para estes tipos de problemas, os métodos diretos têm se

mostrado mais vantajosos.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Imagine agora que uma função não linear do tipo

deve ser minimizada. As condições necessárias para utilizar

um método indireto são:
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Cada derivada parcial acima pode fornecer uma equação

não-linear. Neste ponto, o procedimento de otimização
transforma o problema original em um problema cuja
solução é encontrar o zero de um sistema de n equações
algébricas.

A dificuldade de resolver este ultimo pode ser superior ao

problema original, isso sem levar em consideração as
caracterísitcas da matriz Hessiana de f(x).

Desta forma, na maioria dos problemas práticos, os métodos

diretos são preferíveis aos métodos indiretos.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

2. Métodos Numéricos para Otimização de Funções

de uma Variável
(A) PROCEDIMENTO DE VARREDURA E BUSCA

Para iniciarmos a busca por um ponto ótimo, inicialmente,

precisamos definir o intervalo de busca. Este procedimento
consiste em realizar uma varredura desse intervalo com sua
divisão em várias etapas até se alcançar a tolerância desejada.

Por exemplo, seja a função

minimize : f ( x)  ( x  100 ) 2

que tem valor ótimo de x*=100.

 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

O primeiro passo seria determinar o intervalo. Observe que

se escolhêssemos os limites de 0 < x < 10, não
encontraríamos o mínimo global (neste caso, encontraríamos
o mínimo nas fronteiras do intervalo), isso indicaria que o
intervalo dever ser revisado.

Em problemas de engenharia, os limites físicos de

temperatura, pressão, concentração ou outra propriedade do
sistema podem ser adotados como valores que limitam o
intervalo de busca.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Uma estratégia inicial de busca é dada pela fórmula

x k 1  x k   (2) k 1

(observe que outra opção seria escolher valores de x

igualmente espaçados !!!!!)

Para  = 1, temos:
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

(B)MÉTODOS DE NEWTON, QUASI-NEWTON E SECANTE

Os três procedimentos básicos para encontrar o extremo de

uma função a uma variável envolvendo as condições
necessárias para uma função são:

(i) Método de Newton;

(ii) Método Quasi-Newton (método de Newton com uma

aproximação numérica da derivada);

(iii) Método da Secante.

OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Para comparar esses métodos, precisamos definir uma

técnica para examinar a taxa de convergência de cada
método. Existem vários procedimentos para essa
comparação, os mais comuns são:

x k 1  x*
Linear: c 0  c 1
x x
k *

Ordem p: x k 1  x *
c c0 p 1
* p
x x
k
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

(i) Método de Newton:

Para encontrar o método de Newton, considere a

expansão de f(x) em torno de xk:

Derivando f(x) com relação a x, temos:

f ' ( x)  f ' ( x k )  (1 / 2)(2) f ' ' ( x k )( x  x k )  0

 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Assim,

e
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Vantagens do método de Newton

(a) O procedimento possui convergência quadrática;

(b) Para funções quadráticas, o mínimo (ou máximo) é
obtido em 1 iteração;

As desvantagens do método são:

(a) É necessário calcular f’(x) e f’’(x);

(b) Se f ' ' ( x)  0 , o método converge lentamente;
(c) Se existe mais que um extremo, o método pode não
convergir para o extremo global.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

(ii) Aproximação Numérica:

Para desenvolver esse método, devemos realizar uma

aproximação numérica dos valores de f’(x) e f’’(x):

Diferença avançada: f ( x  h)  f ( x)
f ' ( x) 
h
f ( x)  f ( x  h)
Diferença retrógrada: f ' ( x) 
h
f ( x  h)  f ( x  h)
Diferença central: f ' ( x) 
2h
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

De maneira similar, para a segunda derivada:

f ( x  h)  f ( x)
f ' ( x) 
h

f ' ( x  h)  f ' ( x)
f ' ' ( x) 
h
 f ( x  h)  f ( x )   f ( x )  f ( x  h) 
   
f ' ' ( x) 
h   h
h

f ( x  h)  2 f ( x)  f ( x  h)
f ' ' ( x)  2
h
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Assim, k 1 f ' ( x k
)
x x k

f ' ' (xk )

Utilizando as aproximações:
f ( x  h)  f ( x  h) f ( x  h)  2 f ( x)  f ( x  h)
f ' ( x)  f ' ' ( x) 
2h h2

temos:
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

(iii) Método de Quasi-Newton (secante):

O método da secante utiliza uma aproximação somente

para f’’(x). Para isso, escolhemos dois pontos (que
podem ser os limites de busca) a aproximação de f’’(x)
por uma secante:

f ' (xq )  f ' (x p )

f ' ' ( x) 
xq  x p
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Da aproximação do método de Newton

f ' ( x k )  f ' ' ( x k )( x  x k )  0

e da segunda derivada

f ' (xq )  f ' (x p )

f ' ' ( x) 
xq  x p

Onde ~
x é a nova aproximação de x*.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Note que f’(x) também pode ser aproximada por um

esquema de diferenças finitas.

Os valores iniciais de xq e xp devem ser tais que o sinal de

f’(xq) e f’(xp) sejam opostos. Com o avanço do algoritmo, a
substituição deve ocorrer par que o novo par f’(xq) e f’( ~
x)
ou f’(xp) e f’( ~
x) possuam sinais contrários.

Este método possui uma convergência mais lenta que o

método anterior, mas é usualmente mais eficiente em termos
de número de cálculo de funções.
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exemplo 01:

Minimizar a função

minimize : f ( x)  x 2  x

utilizando os três métodos discutidos.

OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

minimize : f ( x)  x 2  x
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exemplo 02:

Minimizar a função

minimize : f ( x)  x 4  x  1

utilizando os três métodos discutidos.

OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
 OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Aproximação numérica com h = 0,2

OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exercícios
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exercícios
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exercícios
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exercícios
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exercícios
OTIMIZAÇÃO UNIDIMENSIONAL SEM RESTRIÇÃO

Exercícios