Algoritmos de Aproximação Linear para

ONLIM – Plano de Corte Estendido

Wendel Melo
Faculdade de Computação
Universidade Federal de Uberlândia

1
 Problema abordado
 Problema de Otimização Não Linear Inteira Mista (ONLIM)
“convexo”:

 As funções do problema são “amigáveis”: contínuas, convexas e

duplamente diferenciáveis

2
 Classes de algoritmos para ONLIM

 Algoritmos de Branch-and-Bound;

 Algoritmos de aproximação linear;

 Algoritmos de reformulação contínua;

 Algoritmos híbridos;

 Heurísticas;

3
 Classes de algoritmos para ONLIM

 Algoritmos de Branch-and-Bound;

 Algoritmos de aproximação linear;

 Algoritmos de reformulação contínua;

 Algoritmos híbridos;

 Heurísticas;

4
 Algoritmos de Aproximação Linear

 Aproximam o problema abordado em um problema de Otimi-

zação Linear Inteira Mista (OLIM);

 São fortemente baseados na convexidade do problema;

 Podem tomar vantagem de todo o avanço já obtido para OLIM;

 Tendo nas mãos uma boa rotina para OLIM, são métodos de
fácil entendimento e implementação;

5
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

6
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

7
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

 Decomposição de Benders generalizada (Geoffrion, 1972);

8
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

 Decomposição de Benders generalizada (Geoffrion, 1972);

 B&B baseado em PL/PNL (Quesada e Grossmann, 1992);

9
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

 Decomposição de Benders generalizada (Geoffrion, 1972);

 B&B baseado em PL/PNL (Quesada e Grossmann, 1992);

 Plano de corte estendido refinado (Melo, Fampa e Raupp, 2020);

10
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

 Decomposição de Benders generalizada (Geoffrion, 1972);

 B&B baseado em PL/PNL (Quesada e Grossmann, 1992);

 Plano de corte estendido refinado (Melo, Fampa e Raupp, 2020);

 Hiperplano de suporte estendido (Kronqvist, Lundell e Westerlund,

2016);

11
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

 Decomposição de Benders generalizada (Geoffrion, 1972);

 B&B baseado em PL/PNL (Quesada e Grossmann, 1992);

 Plano de corte estendido refinado (Melo, Fampa e Raupp, 2020);

 Hiperplano de suporte estendido (Kronqvist, Lundell e Westerlund,

2016);

 B&B baseado em plano de corte sequencial (Still e Westerlund, 2006).

12
 Algoritmos de Aproximação Linear

 Os algoritmos de aproximação linear são baseados na aproxi-

mação do problema de ONLIM em um problema de OLIM;

 O problema de OLIM aproximativo é denominado problema

mestre;

 Funções não lineares são aproximadas por funções lineares sob

um conjunto de pontos de linearização.

13
Algoritmos de Aproximação Linear

14
Algoritmos de Aproximação Linear

15
Algoritmos de Aproximação Linear

16
Algoritmos de Aproximação Linear

17
Algoritmos de Aproximação Linear

18
Algoritmos de Aproximação Linear

19
 Algoritmos de Aproximação Linear

 Funções não lineares são linearizadas em diversos pontos de

linearização;

 A medida que o algoritmo progride, novos pontos de

linearização são tomados até que a aproximação linear se
torne boa o bastante para garantir a otimalidade de (P);

 A convexidade de (P) faz com que as aproximações sejam

sempre subestimadoras. Assim, o problema mestre é uma
relaxação de (P).

20
 Aproximações de Taylor de 1ª Ordem
 Dada uma função não linear e um ponto de linearização ,
podemos aproximar linearmente por Taylor:

 Se for convexa, então sua aproximação linear por Taylor será

subestimadora, isto é:

 Podemos usar este fato para construir uma relaxação para um

problema de ONLIM convexo
21
 Problema Mestre
 Começamos por reformular (P) para que tenha função objetivo linear:

 Temos então as seguintes desigualdades válidas para (P):

22
 Problema Mestre
 Assim, dado um conjunto com p pontos de linearização:

 Construímos então uma relaxação linear para (P), o problema mestre:

23
 Algoritmos de Aproximação Linear
 O problema mestre fornece limites inferiores válidos para (P);

 Assim, resolve-se o problema mestre sucessivamente para se obter

uma sequência nunca decrescente de limites inferiores;

 Com a expectativa de ir aumentando os limites inferiores, a cada ite-

ração, acrescenta-se novos pontos ao conjunto de pontos de lineari-
zação;

 Com isso, a aproximação dada pelo problema mestre vai sendo me-
lhorada, até que este seja suficiente para atestar a otimalidade de (P)
(limites superiores são obtidos com soluções viáveis).

24
 Funcionamento Geral
1) Inicializar o conjunto de pontos de linearização ;

2) Seja e limites inferior e superior para (P);

3) Enquanto e o problema mestre é viável

{
4) Resolver o problema mestre e atualizar ;

5) Acrescentar um novo ponto ao conjunto ;

6) Manter a melhor solução viável para (P) já encontrada (atuali-

zando );
}
25
 Funcionamento Geral
1) Inicializar o conjunto de pontos de linearização ;

2) Seja e limites inferior e superior para (P);

3) Enquanto e o problema mestre é viável

{
4) Resolver o problema mestre e atualizar ;

5) Acrescentar um novo ponto ao conjunto ;

6) Manter a melhor solução viável para (P) já encontrada (atuali-

zando );
}
26
 Funcionamento Geral
 Em geral, o que diferencia um algoritmo de outro é a estratégia para
atualização do conjunto de pontos de linearização e obtenção de so-
luções viáveis;

 Outra característica importante para diferenciação dos algoritmos foi

dada pela contribuição de (Quesada e Grossmann, 1992):
• A metodologia foi integrada ao algoritmo de Branch-and-Bound
usado para resolver o problema mestre;
• Com isso, surgiram variações dos algoritmos existentes onde essa
integração com B&B é realizada.

27
 Algoritmos de Aproximação Linear
 Plano de corte estendido (Westerlund e Pettersson, 1995);

 Aproximação externa (Duran e Grossmann, 1986);

 Decomposição de Benders generalizada (Geoffrion, 1972);

 B&B baseado em PL/PNL (Quesada e Grossmann, 1992);

 Plano de corte estendido refinado (Melo, Fampa e Raupp, 2020);

 Hiperplano de suporte estendido (Kronqvist, Lundell e Westerlund,

2016);

 B&B baseado em plano de corte sequencial (Still e Westerlund, 2006).

28
 Plano de Corte Estendido
 O algoritmo Plano de Corte Estendido (PCE) possui a mais simples es-
tratégia de atualização do conjunto de pontos de linearização T:

• A própria solução ótima do problema mestre é incluída em T;

29
 Plano de Corte Estendido
 Note que a aproximação linear construída sobre é exata no
próprio ponto ;

 Note que se for inviável, a linearização das restrições nessa

solução a cortará da região viável do problema mestre.

30
 Plano de Corte Estendido
 Se for viável e não for ótima para (P), a linearização da
função objetivo sobre essa solução garante que ela não seja solução
ótima do problema mestre;

31
Plano de Corte Estendido - Algoritmo

32
 Plano de Corte Estendido
 O algoritmo de PCE não possui convergência finita;

 Uma crítica a PCE é que sua convergência pode exigir um nº elevado

de iterações comparado a outros algoritmos, o que é mais crítico de-
vido às dimensões do problema mestre aumentarem a cada iteração;

 Todavia, os autores argumentam que não é necessário linearizar to-

das as funções do problema em cada ponto de linearização .

 É suficiente linearizar apenas a restrição mais violada (se

for inviável) ou a função objetivo (se for viável). No entanto,
isso torna a convergência ainda mais lenta.

33
 Plano de Corte Estendido
 Por ser dependente apenas da resolução do problema mestre, o algo-
ritmo possui uma caraterística interessante:

 É um método totalmente de primeira ordem (só usa derivadas pri-

meiras);

 Não necessita de uma rotina de otimização linear (mas uma rotina

dessas pode ser bem vinda para refinar a solução encontrada ao final
da execução).

34
 Bibliografia
 Marco Duran and Ignacio Grossmann. An outer-approximation algorithm
for a class of mixed-integer nonlinear programs. Mathematical Program-
ming, 36:307–339, 1986. 10.1007/BF02592064

 Roger Fletcher and Sven Leyffer. Solving mixed integer nonlinear programs
by outer approximation. Mathematical Programming, 66:327–349, 1994.
10.1007/BF01581153.

 A. M. Geoffrion. Generalized benders decomposition. Journal of Optimizati-

on Theory and Applications, 10:237–260, 1972. 10.1007/BF00934810.

 Jan Kronqvist, Andreas Lundell, and Tapio Westerlund. The extended sup-
porting hyperplane algorithm for convex mixed-integer nonlinear pro-
gramming. Journal of Global Optimization, 64(2):249–272, 2016.
35
 Bibliografia
 Wendel Melo, Marcia Fampa and Fernanda Raupp, Two linear approximation al-
gorithms for convex mixed integer nonlinear programming. Annals of Operations
Research, 2020. DOI: 10.1007/s10479-020-03722-5.

 Ignacio Quesada and Ignacio E. Grossmann. An lp/nlp based branch and bound
algorithm for convex minlp optimization problems. Computers & Chemical Engi-
neering, 16(10-11):937 – 947, 1992.

 Claus Still and Tapio Westerlund. Solving convex minlp optimization problems
using a sequential cutting plane algorithm. Computational Optimization and Ap-
plications, 34:63–83, 2006. 10.1007/s10589-005-3076-x

 Tapio Westerlund and Frank Pettersson. An extended cutting plane method for
solving convex minlp problems. Computers & Chemical Engineering, 19, Sup-
plement 1(0):131 – 136, 1995.
36
Obrigado!

wendelmelo@ufu.br

https://wendelmelo.net

37