DEPARTAMENTO DE E

NGENHARIA M
ECÂNICA

ENG1786 & MEC2403

Otimização: Algoritmos e Aplicações

na Engenharia Mecânica

Ivan Menezes
Aula Introdutória Rio de Janeiro, 15 de agosto de 2023
1
Aula Introdutória: EMENTA

1. Introdução
1.1 – Definições Básicas
1.2 – Classificação dos Problemas de Otimização
1.3 – Revisão de Cálculo & Álgebra Linear
2. Programação não-linear
2.1 – Otimização sem restrições
2.1.1 - Condições de Otimalidade
2.2 – Otimização com restrições
2.2.1 – Multiplicadores de Lagrange
2.2.2 – Condições de otimalidade
2.2.3 – Métodos indiretos
2.2.3.1 – Penalidade
2.2.3.2 – Barreira
2.2.4 – Métodos Diretos
2.2.4.1 – Busca Randômica
2.2.4.2 – Programação linear sequencial
2.2.4.3 – Método dos centros
2.2.4.4 – Método das direções viáveis
2.2.4.5 – Programação quadrática sequencial
2.2.5 - Dualidade
3. Programação linear
4. Métodos Probabilísticos

A ementa completa está disponível no site: www.tecgraf.puc-rio.br/~ivan/MEC2403 2

Aula Introdutória: REFERÊNCIAS BIBLIOGRÁFICAS

1. L. E. Vaz, A. Pereira e I. F. M. Menezes, Notas de Aula, 2012.

2. G. Vanderplaats, Numerical Optimization Techniques for Engineering

Design with Applications, McGraw-Hill, 1984.

3. R. T. Haftka e Z. Gürdal, Elements of Structural Optimization, 3rd

Edition, Kluwer Academic Press, 1992

4. J. Nocedal e S. J. Wright, Numerical Optimization, 2nd Edition,

Springer, 2006

5. M. S. Bazaraa, H. D. Sherali e C. M. Shetty, Nonlinear Programming:

Theory and Algorithms, 2nd Edition, John Wiley & Sons, Inc., 1993

A lista de referências está disponível no site: www.tecgraf.puc-rio.br/~ivan/MEC2403 3

Aula Introdutória: CRITÉRIO DE APROVAÇÃO

O critério de aprovação está disponível no site: www.tecgraf.puc-rio.br/~ivan/MEC2403 4

Aula Introdutória

❑ Motivação

❑ Definições Básicas

❑ Revisão: Cálculo & Álgebra linear

5
Aula Introdutória

Motivação: • Considere uma treliça de peso W plana formada por duas

barras circulares (seção vazada) cuja espessura da parede é
conhecida (t).
• Queremos dimensionar esta treliça de forma que seu peso
seja mínimo e que as tensões nas barras sejam inferiores às
tensões de escoamento (σy) e de flambagem (σCR).

6
Aula Introdutória

Motivação: • Considere uma treliça de peso W plana formada por duas

barras circulares (seção vazada) cuja espessura da parede é
conhecida (t).
• Queremos dimensionar esta treliça de forma que seu peso
seja mínimo e que as tensões nas barras sejam inferiores às
tensões de escoamento (σy) e de flambagem (σCR).

Variáveis e dados de entrada do problema:

• d = diâmetro médio da seção das barras
• H = dimensão vertical da treliça
• De = diâmetro externo da seção da barra
• Di = diâmetro interno da seção da barra
• E = módulo de elasticidade
• B = dimensão horizontal da treliça
• P = força vertical aplicada
• ρ = peso específico do material das barras
• σy = tensão de escoamento
• σCR = tensão crítica de Euler

7
Aula Introdutória

Motivação: • Considere uma treliça de peso W plana formada por duas

barras circulares (seção vazada) cuja espessura da parede é
conhecida (t).
• Queremos dimensionar esta treliça de forma que seu peso
seja mínimo e que as tensões nas barras sejam inferiores às
tensões de escoamento (σy) e de flambagem (σCR).

Variáveis e dados de entrada do problema:

• d = diâmetro médio da seção das barras
• H = dimensão vertical da treliça
• De = diâmetro externo da seção da barra
• Di = diâmetro interno da seção da barra
• E = módulo de elasticidade
• B = dimensão horizontal da treliça
• P = força vertical aplicada
• ρ = peso específico do material das barras
• σy = tensão de escoamento
• σCR = tensão crítica de Euler

8
Aula Introdutória

Motivação:
Expressões Matemáticas das Funções Envolvidas:

(a) Peso da Treliça:

(b) Tensão em cada Barra:

(c) Tensão Crítica de Euler:

9
Aula Introdutória

Motivação:
Expressões Matemáticas das Funções Envolvidas:

(a) Peso da Treliça:

W = 2ρπdt H2 + B2

(b) Tensão em cada Barra:

P
σ= H2 + B 2
πdtH

(c) Tensão Crítica de Euler:

π²𝐸 𝑑 2 +𝑡 2
σCR =
8(𝐻 2 +𝐵2 )

10
Aula Introdutória

Motivação:
Reescrevendo o Problema:

Minimizar o Peso da Treliça: 2ρπdt H2 + B2

𝑃
𝐻 2 + 𝐵 2 ≤ σ𝑦
π𝑑𝑡𝐻
Tal que:
𝑃 π²𝐸 𝑑 2 +𝑡 2
𝐻2 + 𝐵2 ≤
π𝑑𝑡𝐻 8(𝐻 2 +𝐵2 )

11
Aula Introdutória

Motivação:
Reescrevendo o Problema:

Minimizar o Peso da Treliça: 2ρπdt H2 + B2

𝑃
𝐻 2 + 𝐵 2 ≤ σ𝑦
π𝑑𝑡𝐻
Tal que:
𝑃 π²𝐸 𝑑 2 +𝑡 2
𝐻2 + 𝐵2 ≤
π𝑑𝑡𝐻 8(𝐻 2 +𝐵2 )

Condições Adicionais (por questões construtivas, por exemplo):

1 ≤ 𝑑 ≤ 3 & 10 ≤ 𝐻 ≤ 35

Este problema pode ser resolvido (no EXCEL, por exemplo) buscando-se a solução da treliça
para uma sequência de pares (d,H), dentro dos limites estabelecidos, ou seja:

12
Aula Introdutória

Motivação:

13
Aula Introdutória

Motivação:

Generalização da Abordagem Anterior:

Considere a Minimização do Peso de uma Treliça considerando 10 variáveis. Para cada

variável, vamos considerar 10 valores possíveis. Para cada conjunto de variáveis, vamos
imaginar um custo de 10-3 segundos para “resolver” a estrutura e calcular as tensões.

Qual seria o custo total envolvido ?

14
Aula Introdutória

Motivação:

Generalização da Abordagem Anterior:

Considere a Minimização do Peso de uma Treliça considerando 10 variáveis. Para cada

variável, vamos considerar 10 valores possíveis. Para cada conjunto de variáveis, vamos
imaginar um custo de 10-3 segundos para “resolver” a estrutura e calcular as tensões.

Qual seria o custo total envolvido ?

Custo Total: 1010 . 10-3 = 107 segundos = 115 dias

15
Aula Introdutória

Motivação:

Generalização da Abordagem Anterior:

Considere a Minimização do Peso de uma Treliça considerando 10 variáveis. Para cada

variável, vamos considerar 10 valores possíveis. Para cada conjunto de variáveis, vamos
imaginar um custo de 10-3 segundos para “resolver” a estrutura e calcular as tensões.

Qual seria o custo total envolvido ?

Custo Total: 1010 . 10-3 = 107 segundos = 115 dias

Alternativa: Utilizar Técnicas de Otimização

16
Aula Introdutória

Problema Geral de Otimização

Min f(𝒙)
s.t. ℎ𝒌 𝒙 = 0 , 𝑘 = 1, … , 𝑚

𝑐𝒍 𝒙 ≤ 0 , 𝑙 = 1, … , 𝑝

𝑥𝑖 𝑙 ≤ 𝑥𝑖 ≤ 𝑥𝑖 𝑢 , 𝑖 = 1, … , 𝑛

17
Aula Introdutória

Problema Geral de Otimização

• f(𝒙) é função objetivo;

Min f(𝒙)
• 𝒙 é o vetor com as “n” variáveis de projeto;
s.t. ℎ𝒌 𝒙 = 0 , 𝑘 = 1, … , 𝑚
• ℎ𝑘 𝒙 são as restrições de igualdade;
𝑐𝒍 𝒙 ≤ 0 , 𝑙 = 1, … , 𝑝 • 𝑐𝑙 𝒙 são as restrições de desigualdade;
𝑥𝑖 𝑙 ≤ 𝑥𝑖 ≤ 𝑥𝑖 𝑢 , 𝑖 = 1, … , 𝑛 • 𝑥𝑖 𝑙 , 𝑥𝑖 𝑢 são os limites inferior e superior das
variáveis de projeto.

18
Aula Introdutória

Problema Geral de Otimização

• f(𝒙) é função objetivo;

Min f(𝒙)
• 𝒙 é o vetor com as “n” variáveis de projeto;
s.t. ℎ𝒌 𝒙 = 0 , 𝑘 = 1, … , 𝑚
• ℎ𝑘 𝒙 são as restrições de igualdade;
𝑐𝒍 𝒙 ≤ 0 , 𝑙 = 1, … , 𝑝 • 𝑐𝑙 𝒙 são as restrições de desigualdade;
𝑥𝑖 𝑙 ≤ 𝑥𝑖 ≤ 𝑥𝑖 𝑢 , 𝑖 = 1, … , 𝑛 • 𝑥𝑖 𝑙 , 𝑥𝑖 𝑢 são os limites inferior e superior das
variáveis de projeto.

Observações:
✓ As restrições definem uma subregião do espaço de soluções denominada
“região viável” ou “domínio viável”.

✓ Os métodos para solução dos problemas de otimização são desenvolvidos

em função das características da função objetivo e suas restrições.

✓ A programação matemática é a área da matemática que trata dos

problemas de otimização.

19
Aula Introdutória

Classificação dos Problemas de Otimização

• Com relação à existência de restrições:

❑ Otimização SEM Restrições (OSR)

❑ Otimização COM Restrições (OCR)

• Com relação ao Comportamento das Funções envolvidas:

• Quando as variáveis são números inteiros: “Programação INTEIRA”

20
Aula Introdutória

Classificação mais Abrangente

21
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

• Gradiente de um campo escalar f (no ℝ³)

𝜕 𝜕 𝜕 𝜕𝑓 𝜕𝑓 𝜕𝑓
𝜵𝑓 = , , 𝑓= , ,
𝜕𝑥 𝜕𝑦 𝜕𝑧 𝜕𝑥 𝜕𝑦 𝜕𝑧

22
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

• Gradiente de um campo escalar f (no ℝ³)

𝜕 𝜕 𝜕 𝜕𝑓 𝜕𝑓 𝜕𝑓
𝜵𝑓 = , , 𝑓= , ,
𝜕𝑥 𝜕𝑦 𝜕𝑧 𝜕𝑥 𝜕𝑦 𝜕𝑧

• Matriz Hessiana

Seja f(𝒙), onde 𝒙 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ), um campo escalar. A matriz Hessiana é dada por:

23
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

• Matriz Positiva (Negativa) Semi-definida:
Uma matriz A é positiva (negativa) semi-definida, se: 𝒙𝑇 A 𝒙 ≥ ≤ 0 , ∀𝒙 ≠ 𝟎
Observações:

✓ Se A é uma matriz simétrica, então ela será positiva (negativa) definida se todos os seus
autovalores forem positivos (negativos).
✓ Se A é uma matriz simétrica, então ela será positiva (negativa) semi-definida se todos os
seus autovalores forem não-negativos (não-positivos)

24
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

• Matriz Positiva (Negativa) Semi-definida:
Uma matriz A é positiva (negativa) semi-definida, se: 𝒙𝑇 A 𝒙 ≥ ≤ 0 , ∀𝒙 ≠ 𝟎
Observações:

✓ Se A é uma matriz simétrica, então ela será positiva (negativa) definida se todos os seus
autovalores forem positivos (negativos).
✓ Se A é uma matriz simétrica, então ela será positiva (negativa) semi-definida se todos os
seus autovalores forem não-negativos (não-positivos)
✓ Uma condição necessária e suficiente para que uma matriz simétrica A seja positiva
definida é que os seus “sub-determinantes” sejam todos positivos, ou seja:
𝑎11 𝑎12 𝑎13
𝑎11 𝑎12
Se A é positiva: 𝑎11 > 0; 𝑎 > 0; 𝑎21 𝑎22 𝑎23 > 0 ⋯ det(A) > 0
21 𝑎22
𝑎31 𝑎32 𝑎33
✓ Uma condição necessária e suficiente para que uma matriz simétrica A seja negativa
definida é que os seus “sub-determinantes” sejam alternados, da seguinte forma:
𝑎11 𝑎12 𝑎13
𝑎11 𝑎12
Se A é negativa: 𝑎11 < 0; 𝑎 𝑎 > 0; 𝑎21 𝑎22 𝑎23 < 0 ⋯ −1 𝑘 𝐴𝑘𝑘 > 0
21 22
𝑎31 𝑎32 𝑎33
“nas sub-matrizes de ordem ímpar (par), os determinantes são negativos (positivos)”
25
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

• Problema Convexo:

❑ A definição de um problema convexo é muito importante na otimização,

pois está relacionada com o conceito de mínimo local e global

❑ Um problema de otimização é dito CONVEXO se a função objetivo e a região

viável forem convexos

26
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

• Problema Convexo:

❑ A definição de um problema convexo é muito importante na otimização,

pois está relacionada com o conceito de mínimo local e global

❑ Um problema de otimização é dito CONVEXO se a função objetivo e a região

viável forem convexos

(a) Matematicamente, 𝑓 𝒙 é convexa se, dados dois pontos quaisquer 𝒙𝑎 e 𝒙𝑏 :

𝑓 α 𝒙𝑎 + 1 − α 𝒙𝑏 ≤ α 𝑓 𝒙𝑎 + 1 − α 𝑓 𝒙𝑏 ; α ∈ ℝ, 0<𝛼<1

27
Aula Introdutória

Revisão: Cálculo e Álgebra Linear

(b) Um domínio (ou região) é dito convexo se, dados dois pontos quaisquer 𝒙𝑎 e 𝒙𝑏 ,
o segmento 𝒘 , que conecta esses pontos, estiver inteiramente contido no domínio,
ou seja:

𝒘 = α 𝒙𝑎 + 1 − α 𝒙𝑏 , α ∈ ℝ, 0 < 𝛼 < 1 → 𝒘 ⊂ Domínio, ∀𝒙𝑎 , 𝒙𝑏

Observações:

Se uma função é convexa, sua matriz Hessiana é positiva semi-definida. Se for

côncava, a Hessiana será negativa semi-definida.

Os métodos clássicos de Otimização conduzem a soluções “ótimas”, que

correspondem a mínimos locais. No entanto, para problemas convexos, a
solução “ótima” será também um mínimo global do problema.

28
Aula Introdutória

Expansão em Série de Taylor

• Função de uma única variável “𝑓(𝑥)” em torno do ponto “𝑥0 ”

1 𝑑𝑓 1 𝑑2 𝑓 2
𝑆 𝑥 ≅ 𝑓 𝑥0 + ቚ 𝑥 − 𝑥0 + ቚ 𝑥 − 𝑥0 + ⋯
1! 𝑑𝑥 𝑥=𝑥0 2! 𝑑𝑥 2 𝑥=𝑥0

29
Aula Introdutória

Expansão em Série de Taylor

• Função de uma única variável “𝑓(𝑥)” em torno do ponto “𝑥0 ”

1 𝑑𝑓 1 𝑑2 𝑓 2
𝑆 𝑥 ≅ 𝑓 𝑥0 + ቚ 𝑥 − 𝑥0 + ቚ 𝑥 − 𝑥0 + ⋯
1! 𝑑𝑥 𝑥=𝑥0 2! 𝑑𝑥 2 𝑥=𝑥0

• Função de “𝑛” variáveis “𝑓(𝒙)” em torno do ponto “𝒙0”

1 𝑇
1
𝑆 𝒙 ≅ 𝑓 𝒙0 + 𝒙 − 𝒙0 𝛁𝑓 𝒙0 + 𝒙 − 𝒙0 𝑇 𝑯 𝒙0 𝒙 − 𝒙0 + ⋯
1! 2!

30
Aula Introdutória

Expansão em Série de Taylor

• Função de uma única variável “𝑓(𝑥)” em torno do ponto “𝑥0 ”

1 𝑑𝑓 1 𝑑2 𝑓 2
𝑆 𝑥 ≅ 𝑓 𝑥0 + ቚ 𝑥 − 𝑥0 + ቚ 𝑥 − 𝑥0 + ⋯
1! 𝑑𝑥 𝑥=𝑥0 2! 𝑑𝑥 2 𝑥=𝑥0

• Função de “𝑛” variáveis “𝑓(𝒙)” em torno do ponto “𝒙0”

1 𝑇
1
𝑆 𝒙 ≅ 𝑓 𝒙0 + 𝒙 − 𝒙0 𝛁𝑓 𝒙0 + 𝒙 − 𝒙0 𝑇 𝑯 𝒙0 𝒙 − 𝒙0 + ⋯
1! 2!

• Função de “𝑛” variáveis “𝑓(𝒙)” em torno do ponto “𝒙0”, com “passo” 𝒔

1 𝑇 1
𝑆 𝒙0 + 𝒔 ≅ 𝑓 𝒙0 + 𝒔 𝛁𝑓 𝒙0 + 𝒔𝑇 𝑯 𝒙0 𝒔 + ⋯
1! 2!

onde: 𝒙 − 𝒙0 = 𝒔 31