Escolar Documentos
Profissional Documentos
Cultura Documentos
AULA 6
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
• 𝑥2 - ha dedicados ao milho
• 𝑥3 - ha dedicados a cana-de-açúcar
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
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
• 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
• 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