CÂMPUS DE ILHA SOLTEIRA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

TÓPICOS ESPECIAIS EM SISTEMAS DE ENERGIA ELÉTRICA:

OTIMIZAÇÃO MATEMÁTICA COM APLICAÇÕES EM SISTEMAS DE ENERGIA ELÉTRICA

AULA 6

OTIMIZAÇÃO ESTOCÁSTICA

Prof.: Dr. Leonardo Henrique Faria Macedo Possagnolo

Ilha Solteira, 29 de setembro de 2022
7. Otimização estocástica

2
Problemas de otimização estocástica
• Modelos de programação estocástica são um tipo especial de modelo de PL
• Modela a incerteza de uma maneira particular
• É um caso particular de otimização robusta
• Em muitos casos, os dados em um modelo de PL não são conhecidos com certeza
• Não é possível de se obter dados totalmente precisos
• O modelo possui estágios temporais, em que certos eventos, que ainda não ocorreram, devem ser modelados
• Otimização robusta engloba ambos os casos, mesmo quando não podemos quantificar as incertezas ou associar os riscos
• Obter soluções que permanecem razoavelmente estáveis na presença de incerteza
• Uma abordagem totalmente avessa ao risco pode ser procurar uma solução de um problema maximin de maneira a
fazer com que o pior resultado possível (apesar de improvável) seja o menos pior possível. Esse tipo de abordagem
pode ser muito conservadora
• Nessa aula estudaremos problemas de otimização em que a incertezas podem ser quantificadas
• Uma abordagem possível é o uso de restrições probabilísticas
• Modelaremos situações em que algumas decisões (estágio 1) devem ser tomadas antes que outras informações estejam
disponíveis
• Os resultados das decisões do estágio 1 e subsequente disponibilidade de informações extras permitem as decisões de
estágio 2 serem tomadas
3
Problemas de otimização estocástica
• Infelizmente, os méritos relativos das decisões do estágio 1 dependem da informação incerta e das decisões resultantes do
estágio 2
• Exemplos:
• Pode ser necessário decidir a produção (estágio 1) antes que a demanda (incerta) seja conhecida
• Depois, como um resultado das decisões de produção e subsequente demanda real, as decisões de segundo estágio
devem ser tomadas com relação a vender a produção em excesso a um preço mais baixo ou produzir mais para
atender um déficit a um custo maior
• Se for realístico considerar a informação incerta levando em conta apenas um pequeno número possível de valores
possíveis com probabilidades conhecidas (distribuição de probabilidade discreta) então um conjunto de variáveis distintas
de estágio 2 podem ser introduzidas para corresponder a cada valor incerto
• O objetivo se torna minimizar o custo esperado
• O modelo se torna um problema de programação linear
• Enquanto um modelo convencional pode conter dados futuros na forma de uma estimativa única, um modelo estocástico
representa esses dados como uma série de estimativas, ponderadas por probabilidades
• O resultado pode ser uma solução que não é tão boa quanto a do modelo convencional em termos do valor da função
objetivo, mas que é mais provável de ser realista, ser realizável e reduzir o risco
4
O problema do fazendeiro
• Um fazendeiro possui 500 ha de terra disponíveis. Ele Cana-de-açúcar Trigo
é especialista em 3 cultivos: trigo, milho e cana-de-
açúcar. Durante o inverno, o mesmo precisa decidir
quanto da terra dedicar a cada uma das 3 culturas Milho

• Outra restrição importante é que o fazendeiro precisa Cana-de-

produzir pelo menos 200 ton. de milho e 240 ton. de Trigo Milho
açúcar
trigo para poder alimentar seu gado. Caso seja
necessário, ele pode comprar estes produtos em um Rendimento médio
2,5 3,0 20
mercado local. Um eventual excesso pode ser (ton./ha)
comercializado, porém a preços inferiores aos de
compra Custo de produção ($/ha) 150 230 260

• A cana-de-açúcar é cultivada exclusivamente para Preço de venda ($/ton.) 170 150 36 ou 10

gerar lucro: a produção é vendida a $36,00/ton. No
entanto, o governo impõe uma cota de produção de
Preço de compra ($/ton.) 238 210 -
6000 ton., de forma que qualquer quantidade
produzida acima deste valor deve ser vendida por Requerimento mínimo
apenas $10,00/ton. 200 240 -
(ton.)
5
Variáveis de decisão
• 𝑥1 - ha dedicados ao trigo

• 𝑥2 - ha dedicados ao milho

• 𝑥3 - ha dedicados a cana-de-açúcar

• 𝑤1 - ton. de trigo vendidas

• 𝑦1 - ton. de trigo compradas

• 𝑤2 - ton. de milho vendidas

• 𝑦2 - ton. de milho compradas

• 𝑤3 - ton. de cana-de-açúcar vendidas ao preço mais favorável

• 𝑤4 - ton. de cana-de-açúcar vendidas ao preço menos favorável 6

Modelo matemático
minimizar 𝑧 = 150𝑥1 + 230𝑥2 + 260𝑥3 + 238𝑦1 − 170𝑤1 + 210𝑦2 − 150𝑤2 − 36𝑤3 − 10𝑤4

Sujeito a: Custos de Lucro com

Lucro com Receita com
produção trigo 𝑥1 + 𝑥2 + 𝑥3 ≤ 500 milho cana-de-açúcar

2,5𝑥1 + 𝑦1 − 𝑤1 ≥ 200 Limite de

terra
Requisitos de
trigo e milho 3𝑥2 + 𝑦2 − 𝑤2 ≥ 240

𝑤3 + 𝑤4 ≤ 20𝑥3
Limites para
cana-de-açúcar
𝑤3 ≤ 6000

𝑥1 , 𝑥2 , 𝑥3 , 𝑦1 , 𝑦2 , 𝑤1 , 𝑤2 , 𝑤3 , 𝑤4 ≥ 0 7
Solução ótima
Distribuição da plantação (ha)

Milho; 80
Total produzido Total comprado Total vendido
(ton.) (ton.) (ton.)
Trigo; 120 Cana-de- Trigo 300 - 100
açúcar; 300
Milho 240 - -
Cana-de-açúcar 6.000 - 6.000
Lucro total ($) 118.600

• Descrição da solução:
• Lucro da cana-de-açúcar (favorável) por ha: 20 × 36 − 260 = $460
• Lucro do trigo por ha: 2,5 × 170 − 150 = $275
• Lucro do milho por ha: 3 × 150 − 230 = $220
• Lucro da cana-de-açúcar (desfavorável) por ha: 20 × 10 − 260 = −$60
8
Solução ótima
Distribuição da plantação (ha)

Milho; 80
Total produzido Total comprado Total vendido
(ton.) (ton.) (ton.)
Trigo; 120 Cana-de- Trigo 300 - 100
açúcar; 300
Milho 240 - -
Cana-de-açúcar 6.000 - 6.000
Lucro total ($) 118.600

• Estratégia ótima:
1. Maximizar a produção de cana-de-açúcar na faixa favorável
2. Atender aos requisitos mínimos de milho e trigo
3. Plantar trigo no que sobrar de terra

9
Solução ótima
Distribuição da plantação (ha)

Milho; 80
Total produzido Total comprado Total vendido
(ton.) (ton.) (ton.)
Trigo; 120 Cana-de- Trigo 300 - 100
açúcar; 300
Milho 240 - -
Cana-de-açúcar 6.000 - 6.000
Lucro total ($) 118.600

• Agora, o que aconteceria se, por conta das condições climáticas, os rendimentos por
ha não forem exatamente os valores históricos médios?

10
Solução ótima
• Cenário 1: condições climáticas favoráveis fazem os rendimentos serem 20%
melhores
Distribuição da plantação (ha)
Total produzido Total comprado Total vendido
Milho;
66.67 (ton.) (ton.) (ton.)
Cana-de-
açúcar; 250
Trigo 550 - 350
Trigo;
183.33 Milho 240 - -
Cana-de-açúcar 6.000 - 6.000
Lucro total ($) 167.666,67

• Note que, neste caso, a estratégia é a mesma, mas a alocação de terra é

completamente diferente, sendo necessárias áreas menores
• O lucro é 41,37% maior
11
Solução ótima
• Cenário 2: condições climáticas desfavoráveis fazem os rendimentos serem 20%
piores
Distribuição da plantação (ha)
Milho; 25
Total produzido Total comprado Total vendido
Trigo; 100 (ton.) (ton.) (ton.)
Trigo 200 - -
Cana-de- Milho 60 180 -
açúcar; 375
Cana-de-açúcar 6.000 - 6.000
Lucro total ($) 59.950,00

• Neste caso, a estratégia é a mesma, sendo necessárias áreas maiores

• A estratégia é abortada no passo 2 e o milho é complementado com o mercado
• O lucro é 49,45% menor 12
Comentários
• Claramente, o fazendeiro se vê nas mão dos meteorologistas, o que não é muito vantajoso
para o fazendeiro
• O fazendeiro precisa de precisão na previsão para antever a produtividade da terra →
variável aleatória
• Dependendo das condições climáticas, o lucro do fazendeiro pode variar de $59.950 a
$167.667, assumindo que ele saberá qual vai ser a produtividade exata da terra
• O dilema do fazendeiro: quanto plantar de cana-de-açúcar?
• Se plantar muito, pode acontecer de haver uma superprodução que será prejudicada
pelo preço pouco favorável (prejuízo), além da necessidade eventual de comprar trigo e
milho
• Se plantar pouco, pode deixar de ganhar com o lucro da cana e ter que se contentar com
o lucro baixo de um eventual excedente de trigo e/ou milho
• Obviamente, não existe uma solução que seja perfeita em todos os casos, mas será que
poderíamos fazer algo que, em geral, seja satisfatório? 13
Comentários
• Fica clara a necessidade de obtermos uma solução que leve em conta os cenários possíveis
simultaneamente
• Conceito de otimização estocástica
• Dessa forma, buscaremos por soluções que, em média, apresentam melhor desempenho
• Para medir a qualidade da solução face aos possíveis cenários, usa-se o valor esperado
• Dado que o fazendeiro pensa no longo-prazo, essa é uma premissa razoável
• Note que existe uma relação temporal entre a tomada das decisões e a realização da
incerteza
• A terra precisa ser distribuída antes de se saber a produtividade
• Compra e venda só será realizada após a colheita (quando será conhecida a
produtividade)
14
Comentários
• Dessa forma, seja 𝑠 = 1, 2, 3 o conjunto de
cenários
• Cenário: possível realização do fenômeno
incerto
• Redefinindo as variáveis do problema:
• 𝑦𝑗𝑠 - quantidade 𝑗 comprada, caso ocorra o
cenário 𝑠
• 𝑤𝑖𝑠 - quantidade 𝑖 vendida, caso ocorra o
cenário 𝑠
• Note que, neste caso, a variável 𝑥 não precisa
ser redefinida
• A quantidade plantada não pode ser
dependente dos cenários de produtividade,
pois não há como esperar a ocorrência da
incerteza para se tomar tal decisão
15
Comentários
• Esta divisão entre momentos de tomada de
decisão é o que se caracteriza por um estágio

• No exemplo, temos um problema de 2

estágios

• No caso de haver vários momentos onde há

tomada de decisão, teremos um problema
do tipo multiestágio

• O ganho em se considerar o problema dessa

forma advém justamente da flexibilidade de se
postergar parte das decisões do problema,
segundo a realização da incerteza
16
Modelo estocástico de dois estágios

17
Solução do modelo estocástico
Total Total
Total vendido
produzido comprado
(ton.)
(ton.) (ton.)
Trigo 510 - 310
Distribuição da plantação (ha)
s=1 Milho 288 - 48
Milho; 80 Cana-de-açúcar 6000 - 6000
Cana-de- Lucro no cenário: $167.000 (-0,40%)
açúcar; 250
Trigo; 170
Trigo 425 - 225
s=2 Milho 240 - -
Cana-de-açúcar 5000 - 5000
Lucro no cenário: $109.350 (-7,80%)
Trigo 340 - 140
s=3 Milho 192 48 -
Cana-de-açúcar 4000 - 4000
Lucro no cenário: $48.820 (-18,57%)
Lucro esperado ($) 108.390,00
18
Comentários
• Para consideração da distribuição de probabilidade para incerteza, usamos uma aproximação
discreta
• Pode-se usar a distribuição real de probabilidade, mas o cálculo do valor esperado
rapidamente torna-se impossível
• As decisões corretivas, tomadas após a realização da incerteza são conhecidas como
decisões de recurso
• A formulação apresentada é conhecida como equivalente determinístico ou forma
estendida
• Modelo estocástico de 2 estágios
• Consiste na versão mais bem comportada de modelos estocásticos
• Se adequa a uma vasta gama de problemas
• Amplamente estudado, sendo que possui diversas propriedades desejáveis (problema
com estrutura especial)
19
Comentários
• Sejam:
• 𝑥 – decisões de primeiro estágio: decisões tomadas antes da realização da incerteza, de caráter definitivo
• 𝑦 – decisões de segundo estágio: decisões tomadas após realização da incerteza, de caráter corretivo
• 𝜉 – vetor aleatório: representa os valores incertos
• Vamos considerar que 𝜔 representa um possível acontecimento, ou seja, uma realização possível da incerteza
• Vamos considerar 𝜉 como sendo o valor (ou vetor de valores) que nosso parâmetro incerto assume, por conta do
acontecimento 𝜔
• Considerando-se aproximações discretas das distribuições de probabilidade, um problema de otimização estocástica pode
ser escrito como:

Coluna comum!

20
Comentários finais - EVPI
• Considere que o fazendeiro dispõe de informação perfeita

• sabe quais serão os rendimentos de cada ano

• Suponha que cada cenário ocorra em um terço dos anos: esse caso foi analisado anteriormente, e os
rendimentos em cada cenário eram: $118.600, $167.666,67 e $59.950,00

• Nesse caso, com informação perfeita, o fazendeiro terá um lucro esperado de $115.405,55 por ano,
que é o lucro médio

• Infelizmente o fazendeiro não recebe informação perfeita dos rendimentos

• Assim, no longo prazo, o melhor que o fazendeiro pode obter é o lucro fornecido pelo modelo
estocástico, de $108.390,00

• A diferença entre a solução com informação perfeita e a solução do modelo estocástico, de $7.015,55
é chamada de valor esperado da solução perfeita (EVPI, do inglês expected value of perfect
information) 21
Comentários finais - VSS
• Agora considere que o fazendeiro resolva o problema considerando apenas os valores
esperados de rendimentos, para o primeiro caso considerado, e realiza o plantio ignorando
cenários de rendimentos diferentes
• Essa abordagem determina a solução para o valor esperado
• Nesse caso, fixando as proporções de plantio do problema original (com um lucro de
$118.600) nos outros dois cenários, obtém-se lucros de $148.000 e $55.120 para os cenários
favorável e desfavorável, o que leva a um lucro esperado (médio) de $107.240
• A perda por não se considerar as variações aleatórias é a diferença entre esse valor e o valor
da solução do modelo estocástico
• O valor será de $108.390,00 - $107.240 = $1.150, conhecido como valor da solução
estocástica (VSS, do inglês value of the stochastic solution), que representa o ganho possível
de se resolver o modelo estocástico
22
Referências

• BIRGE, J. R.; LOUVEAUX, F. Introduction to Stochastic Programming. 2. ed. New York, NY, USA:
Springer, 2011.

23