Escolar Documentos
Profissional Documentos
Cultura Documentos
Professores:
Eduardo G. Carrano
Frederico G. Guimarães
Lucas S. Batista
{egcarrano,fredericoguimaraes,lusoba}@ufmg.br
www.ppgee.ufmg.br/⇠lusoba
Fundamentos
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
2 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Problemas de otimização
8
<gi (x) 0;
> i = 1, . . . , p (restrições de desigualdade)
F = hj (x) = 0; j = 1, . . . , q (restrições de igualdade)
>
:
x2X
3 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Problemas de otimização
8
<g(x) 0 (restrições de desigualdade)
>
F = h(x) = 0 (restrições de igualdade)
>
:
x2X
4 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Definições de referência
Função-objetivo
A função-objetivo (ou função-custo ou critério de otimização) é a fun-
ção f (·) : X 7! Y, X ⇢ Rn , Y ⇢ R, que deve ser otimizada (minimi-
zada) pelo algoritmo de otimização.
5 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Definições de referência
6 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Definições de referência
Conjuntos abertos
Um conjunto X ⇢ Rn é dito aberto se
x0 2 X ) 9 ✏ | x 2 X 8 kx x0 k < ✏
Conjuntos fechados
Um conjunto X ⇢ Rn é dito fechado se seu complemento em relação
ao espaço for aberto.
7 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Definições de referência
Conjuntos compactos
Seja o conjunto Q ⇢ Rn . Esse conjunto é dito compacto se para todo
x1 , x2 2 Q tem-se kx1 x2 k = < 1 (i.e., x1 e x2 estão a uma
distância finita).
Vizinhança
Seja um ponto x 2 Rn . Uma vizinhança de x é qualquer conjunto
aberto que contenha x.
8 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fundamentos
Definições de referência
Conjuntos convexos
Seja o conjunto Q ⇢ Rn . Esse conjunto é dito convexo se, para todo
x1 , x2 2 Q e 0 1, verifica-se que para z = x1 + (1 )x2
tem-se z 2 Q.
Exemplo
1 A = {(x1 , x2 ) : x12 + x22 4} ⇢ R2
2 A = {x : Ax b}
9 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
10 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Função e funcional
Função
Uma função é uma relação que associa de maneira única membros
de um conjunto A com membros de um conjunto B, i.e.,
f : A 7! B (f : Rn 7! Rm )
Funcional
Um funcional é uma função que retorna um único valor (escalar), i.e.,
f : Rn 7! R1
11 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Funções convexas
Definição
Uma função f (·) : X 7! Y é dita uma função convexa sobre X ⇢ Rn
se, 8 x1 , x2 2 X e 0 1, tem-se que
12 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Funções quase-convexas
Definição
Uma função f (·) : X 7! Y é dita uma função quase-convexa sobre
X ⇢ Rn se, 8 x1 , x2 2 X e 0 1, tem-se que
13 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Superfície de nível
A superfície de nível (ou curva de nível) de uma função f (·) : X 7! Y,
X ⇢ Rn , é definida como:
S(f , ↵) = {x 2 X : f (x) = ↵}
Região de subnível
Associada à função f (·), existe o conjunto R(f , ↵) denominado região
de subnível:
R(f , ↵) = {x 2 X : f (x) ↵}
Se f (·) é convexa, R(f , ↵) é um conjunto convexo.
14 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Modalidade de funções
Função unimodal
Uma função f (·) : X 7! Y, X ⇢ Rn , é dita unimodal se R(f , ↵) é um
conjunto conexo para todo ↵ 2 R.
Função multimodal
Uma função f (·) : X 7! Y, X ⇢ Rn , é dita multimodal se R(f , ↵) é um
conjunto desconexo para algum ↵ 2 R.
15 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Bacias de atração
Bacia de atração
Seja f (·) : X 7! Y, X ⇢ Rn , e x⇤ 2 X um mínimo local de f (·). A bacia
de atração de x⇤ , representada por B(x⇤ ), é definida como a maior
região conexa R(f , ↵) que contém x⇤ . Restrita a essa região, f (·) é
unimodal.
16 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Funções contínuas
Definição
Uma função contínua é aquela para a qual uma pequena variação na
entrada gera uma pequena variação no resultado da função.
1 f (x0 ) é definido;
17 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Diferenciabilidade
18 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Diferenciabilidade
Exemplo
Seja a função f (x) = 100(x2 x12 )2 + (1 x1 )2 . Calcule seu vetor
gradiente e a matriz Hessiana.
19 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Diferenciabilidade
Exemplo
Seja a função f (x) = 100(x2 x12 )2 + (1 x1 )2 . Calcule seu vetor
gradiente e a matriz Hessiana.
Solução
@f
= 400x1 (x2 x12 ) 2(1 x1 )
@x1
@f
= 200(x2 x12 )
@x2
19 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Diferenciabilidade
Exemplo
Seja a função f (x) = 100(x2 x12 )2 + (1 x1 )2 . Calcule seu vetor
gradiente e a matriz Hessiana.
Solução
@2f
= 400x2 + 1200x12 + 2
@x12
@2f
= 200
@x22
@2f
= 400x1
@x1 @x2
20 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Séries de Taylor
Definição
Uma função continuamente diferenciável pode ser aproximada local-
mente por sua expansão em séries de Taylor:
1 ⇣ ⌘
3
f̄ (x) = f (x0 )+rf (x0 )0 (x x0 )+ (x x0 )0 H(x0 )(x x0 )+O kx x0 k
2
21 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Subgradiente
Definição
Seja uma função convexa f (·) : X 7! Y, X ⇢ Rn . Um funcional linear
f sb é um subgradiente de f (·) no ponto x0 se:
f (x) f (x0 ) + f sb (x x0 ) , 8 x
22 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Direções factíveis
Diz-se que d é uma direção factível a partir de um ponto x0 2 X ,
X ⇢ Rn , se existe um ↵
¯ > 0 tal que (x0 + ↵d) 2 X 8 ↵ 2 [0, ↵
¯ ].
Direções minimizantes
Seja f (·) : X 7! Y, X ⇢ Rn , uma função diferenciável e rf (x) o
gradiente de f (·) no ponto x 2 X . Seja ainda d 2 Rn . Então, se
d · rf (x) < 0
23 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Funções convexas
Seja f (·) uma função duas vezes diferenciável sobre um conjunto con-
vexo X ⇢ Rn . Então são equivalentes as seguintes afirmativas:
Relação de implicabilidade
f (·) convexa , (1) ou (2) ou (3)
24 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Exemplos
25 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Exemplos
26 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Exemplos
27 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Caracterização de funções
Exemplos
28 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
29 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Demonstração.
Usando uma aproximação de 1a ordem, temos:
⇣ ⌘
2
f (x) = f (x⇤ ) + g⇤ 0 (x x⇤ ) + O kx x⇤ k
f (x) f (x⇤ )
⇣ ⌘
2
f (x⇤ ) + g⇤ 0 (x x⇤ ) + O kx x⇤ k f (x⇤ )
30 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Demonstração.
⇣ ⌘
2
g⇤ 0 ( ↵g⇤ ) + O kx x⇤ k 0
⇣ ⌘
2 2
↵ kg⇤ k + O kx x⇤ k 0
O (kx x⇤ k2 ) 2
Considerando que lim⇤ ↵ = 0, tem-se kg⇤ k 0, implicando
x!x
rf (x⇤ ) = 0
31 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Demonstração.
Usando uma aproximação de 2a ordem, temos:
⇣ ⌘
3
f (x) = f (x⇤ ) + g⇤ 0 (x x⇤ ) + 0.5(x x⇤ )0 H⇤ (x x⇤ ) + O kx x⇤ k
f (x) f (x⇤ )
⇣ ⌘
3
f (x⇤ ) + 0.5(x x⇤ )0 H⇤ (x x⇤ ) + O kx x⇤ k f (x⇤ )
⇣ ⌘
3
0.5(x x⇤ )0 H⇤ (x x⇤ ) + O kx x⇤ k 0
32 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Demonstração.
⇣ ⌘
3
1 1 O kx x⇤ k
(x x⇤ )0 H⇤ (x x⇤ ) + 0
2 kx x⇤ k2 kx x⇤ k
2
O (kx x⇤ k3 )
Considerando que lim⇤ kx x⇤ k2
= 0, tem-se:
x!x
u0 H⇤ u 0
33 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
34 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Exemplo
Seja o problema restrito a seguir:
35 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
36 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
rf (x⇤ ) = ⇤
rh(x⇤ )
Desenvolvendo, tem-se:
rf (x⇤ ) + ⇤
rh(x⇤ ) = 0
⇤
r [f (x) + h(x)]x=x⇤ = 0
rx L(x⇤ , ⇤
)=0
37 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
38 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
39 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
40 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
41 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
8
<gi (x) 0;
> i = 1, . . . , p
F = hj (x) = 0; j = 1, . . . , q
>
:
x2X
x⇤ é solução ótima do problema de otimização se existem
multiplicadores de Lagrange µ⇤i 0 e ⇤j tais que:
8 Pp Pq
>
> rf (x⇤ ) + i=1 µ⇤i rgi (x⇤ ) + j=1 ⇤ ⇤
j rhj (x ) =0
>
<µ⇤ g (x⇤ ) = 0,
i i i = 1, . . . , p
>
>
> gi (x ) 0,
⇤
i = 1, . . . , p
:
hj (x⇤ ) = 0, j = 1, . . . , q
42 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Demonstração.
Para uma outra solução viável z 2 X , z 6= x⇤ , temos:
Condições de otimalidade
Se, além disso, o problema for convexo, i.e., se f (·) for convexa e
as restrições definirem uma região viável convexa, então o ponto
de mínimo local é também mínimo global.
44 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Condições de otimalidade
Em resumo
Problemas irrestritos:
(
rf (x⇤ ) = 0
H(x⇤ ) > 0
Problemas restritos:
8 Pp Pq
> ⇤ ⇤ ⇤
>rf (x ) + i=1 µi rgi (x ) + j=1
⇤ ⇤
j rhj (x ) =0
>
>
>
>µ⇤i gi (x⇤ ) = 0, i = 1, . . . , p
<
µ⇤i 0, i = 1, . . . , p
>
>
>
> gi (x ) 0,
⇤
i = 1, . . . , p
>
>
:h (x⇤ ) = 0, j = 1, . . . , q
j
45 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
46 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Definição
Exemplo
Determinar x1 que minimiza f (x) = 2x21 + x22 partindo de x0 = [1 1] na
direção d = rf (x0 ).
47 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos de eliminação
Busca irrestrita;
Busca dicotômica;
Busca da bisseção;
Método de Fibonacci;
48 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Busca irrestrita
Versão melhorada:
Usar sk +1 = sk , > 1, até “cercar” o intervalo que contém u ⇤ ;
Feito isto, reduzir o intervalo até uma precisão desejada.
49 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Busca dicotômica
L0 L0
u= , v= + , >0
2 2 2 2
onde L0 é o tamanho do intervalo inicial.
50 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Busca da bisseção
51 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Fibonacci
52 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Fibonacci
ui = bi F (bi ai ) , vi = ai + F (bi ai )
p
onde F = ( 5 1)/2 = 0.618.
O comprimento do intervalo após k iterações é:
Lk = (0.618)k (b0 a0 )
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
55 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos de interpolação
Método de Newton;
Método da Secante.
56 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
dq b
¯⇤ =
= b + 2c↵ = 0 , ou seja , ↵
d↵ 2c
57 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
1 00
✓(↵) = ✓(↵k ) + ✓0 (↵k )(↵ ↵k ) + ✓ (↵k )(↵ ↵k )2
2
✓0 (↵k )
↵k +1 = ↵k
✓00 (↵k )
|✓0 (↵k +1 )| ✏
58 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
✓(↵k + ↵) ✓(↵k ↵)
✓0 (↵k ) =
2 ↵
✓(↵k +2✓(↵k ) + ✓(↵k
↵) ↵)
✓00 (↵k ) =
↵2
em que ↵ representa uma pequena variação.
59 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método da Secante
|✓0 (↵k +1 )| ✏
60 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Considerações práticas
Métodos de interpolação:
Métodos de eliminação:
61 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Considerações práticas
Considerações práticas
12 ↵ (a + b)/2;
63 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
64 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos determinísticos
Método do Gradiente;
Método de Newton;
Métodos Quase-Newton;
Método Hooke-Jeeves.
65 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Estrutura geral
A estrutura geral de métodos baseados em direção de busca é da
forma:
xk +1 xk + ↵k dk (1)
66 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método do Gradiente
dk = rf (xk )
67 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método do Gradiente
68 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método do Gradiente
69 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método do Gradiente
@f f (x + i ei ) f (x)
⇡ , i = 1, . . . , n
@xi x i
@f f (x + i ei ) f (x i ei )
⇡ , i = 1, . . . , n
@xi x 2 i
70 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
Desenvolvimento
Seja f (·) : X 7! Y, f (·) 2 C 2 . Usando a expansão em séries de Taylor
em torno de xk , temos:
1 ⇣ ⌘
0 3
f (x) = f (xk ) + rf (xk ) (x xk ) + (x xk )0 Hk (x xk ) + O kx xk k
2
Assumindo a aproximação de 2a ordem, derivando e igualando a zero,
obtemos:
rf (xk ) + H(xk )(xk +1 xk ) = 0
1
xk +1 = xk H (xk )rf (xk )
71 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
72 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
73 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
74 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método de Newton
Dificuldades
Necessita do cálculo da matriz inversa;
75 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos Quase-Newton
Motivação
Aproximar iterativamente a inversa da matriz Hessiana, evitando
o cálculo da inversa;
76 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos Quase-Newton
Dk +1 = Dk + ↵k zk z0k
77 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos Quase-Newton
78 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos Quase-Newton
Correção DFP
Dada por:
vk v0k Dk rk r0k Dk
CDFP
k =
v0k rk r0k Dk rk
vk = xk xk 1
rk = gk gk 1
gk = rf (xk )
79 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos Quase-Newton
Correção BFGS
Dada por:
✓ ◆
r0 Dk rk vk v0k vk r0k Dk + Dk rk v0k
CBFGS
k = 1 + k0
rk vk v0k rk r0k vk
vk = xk xk 1
rk = gk gk 1
gk = rf (xk )
80 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos Quase-Newton
Família Broyden
Posteriormente, Broyden agrupou os métodos DFP e BFGS numa es-
trutura mais geral, a família Broyden.
Ck = (1 )CDFP
k + CBFGS
k
Dk +1 = Dk + Ck
81 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método Quase-Newton
82 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Histórico
Apresentado pela primeira vez em 1908 por Schmidt, reinventado
de forma independente em 1948 e aprimorado nos anos 1950;
83 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Ax = b
84 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
1 0
f (x) = x Ax b0 x + c
2
O mínimo global dessa função pode ser obtido a partir da condição
de otimalidade de 1a ordem:
rf (x) = Ax b=0
85 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
rf (x) = b Ax = r (resíduo)
Assim:
dado xk ) rk = b Axk
xk +1 = xk + ↵k rk
86 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
d d d
f (xk +1 ) = rf (xk +1 )0 xk +1 = rf (xk +1 )0 (xk + ↵k rk ) = r0k +1 rk
d↵ d↵ d↵
o que implica resíduos ortogonais:
r0k +1 rk = 0
(b Axk +1 )0 rk = 0
(b Axk ↵k Ark )0 rk = 0
87 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
88 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
89 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
90 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
FR r0k +1 rk +1
Fletcher-Reeves: k =
r0k rk
PR r0k +1 (rk +1 rk )
Polak-Ribière: k =
r0k rk
91 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
92 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Sumário
3 Métodos determinísticos
Métodos de direção de busca
Métodos determinísticos sem derivadas
93 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Métodos determinísticos
Método do Gradiente;
Método de Newton;
Métodos Quase-Newton;
Método Hooke-Jeeves.
94 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Motivação
95 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
96 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Fecho convexo
O fecho convexo (ou invólucro convexo) de um conjunto A, denotado
por Ā, é definido como a interseção de todos os conjuntos convexos
que contêm A.
Politopo
O fecho convexo de um conjunto finito de pontos x1 , x2 , . . . , xk 2 Rn é
chamado politopo.
97 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Simplex
Se x2 x1 , x3 x1 , . . . , xk x1 são vetores linearmente independentes,
então o fecho convexo desse conjunto de pontos é chamado simplex.
98 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
99 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
xr = x̂ + ↵ (x̂ xw ) , ↵ = 1
xe = x̂ + (x̂ xw ) , =2
xc = x̂ (x̂ xw ) , = 0.5
100 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
101 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
102 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método Hooke-Jeeves
103 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método Hooke-Jeeves
z = xk +1 + ↵ (xk +1 xk )
104 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método Hooke-Jeeves
105 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Método Hooke-Jeeves
106 / 107
Otimização não linear Métodos de busca unidimensional Métodos determinísticos Literatura Especializada
Literatura Especializada
Singiresu S. Rao, Engineering Optimization: Theory and Practice, Wiley, 4th ed.,
2009.
Mokhtar S. Bazaraa, Hanif D. Sherali, C. M. Shetty, Nonlinear Programming: The-
ory and Algorithms, Wiley-Interscience, 3rd ed., 2006.
R. Fletcher, Practical Methods of Optimization, Wiley, 2000.
Início
107 / 107