Escolar Documentos
Profissional Documentos
Cultura Documentos
AULA 15
2
Exemplo: localização de depósito
• garante a integralidade da solução (não é necessário estipular que 𝛿𝛿𝑖𝑖 seja binário)
• Somente se os locais tem um ordenamento natural (e.g., custo) existe vantagem em utilizar SOS1 ao
invés da restrição com as variáveis binárias
3
Exemplo: ampliação de capacidade
• A capacidade 𝐶𝐶 de uma planta pode ser ampliada em quantidades discretas aumentando-se os
níveis de investimento 𝐼𝐼
• Se o conjunto de variáveis 𝛿𝛿0 , 𝛿𝛿1 , 𝛿𝛿2 , 𝛿𝛿3 , 𝛿𝛿4 , 𝛿𝛿5 é considerado como um conjunto SOS1, então
podemos modelar
• Não é necessário tratar 𝛿𝛿𝑖𝑖 como variável binária, pois a condição SOS1 junto com a última restrição
garante a integralidade
• Conceitualmente, é importante considerar um conjunto SOS como uma entidade
• Podemos então considerar 𝐶𝐶 como uma quantidade que é uma função discreta de 𝐼𝐼
• Isso pode ser considerado como uma generalização de uma variável binária para mais de dois
valores discretos
• Essa generalização é geralmente mais útil que uma variável inteira convencional 4
Exemplo: linearização por partes
• A curva entre 0 e C foi dividida em 3 linhas retas
• Isso introduz imprecisão no modelo
• Mais divisões = maior precisão
• O objetivo é eliminar 𝑥𝑥12 do modelo
• Substituir 𝑥𝑥12 pelo termo linear 𝑦𝑦 e relacionar 𝑦𝑦 com 𝑥𝑥1 :
• Sendo que:
No máximo, quatro 𝝀𝝀 vizinhos podem ser não nulos
7
Exemplo: funções não lineares de duas ou
mais variáveis
• Essa última condição é uma generalização de um conjunto SOS2
• Pode-se impor essa condição da seguinte forma. Sejam:
• para todo 𝑠𝑠, 𝑘𝑘, sendo que 𝜉𝜉1 , 𝜉𝜉2 , 𝜉𝜉3 , ⋯ e 𝜂𝜂1 , 𝜂𝜂2 , 𝜂𝜂3 , ⋯ são conjuntos SOS2
• A primeira condição SOS2 permite que os 𝜆𝜆 sejam não nulos em no máximo duas linhas vizinhas
• A segunda condição SOS2 permite que os 𝜆𝜆 sejam não nulos em no máximo duas colunas vizinhas
• Pode-se restringir os 𝜆𝜆 não nulos aos vértices de um triângulo para evitar ambiguidades usando a seguinte restrição
8
Restrições para conjuntos SOS1
• Apesar dos conjuntos SOS poderem ser tratados pelos solvers, podemos obter restrições lineares
com variáveis binárias para representá-los
• Suponha que 𝑥𝑥1 , 𝑥𝑥2 , ⋯ , 𝑥𝑥𝑛𝑛 seja um SOS1
• Se as variáveis não forem binárias, introduzimos as variáveis indicadoras 𝛿𝛿1 , 𝛿𝛿2 , ⋯ , 𝛿𝛿𝑛𝑛 e conectamos
elas às variáveis 𝑥𝑥𝑖𝑖 :
• Em que 𝑀𝑀𝑖𝑖 e 𝑚𝑚𝑖𝑖 são coeficientes que representam os limites superior e inferior de 𝑥𝑥𝑖𝑖
• A seguinte restrição é imposta a 𝛿𝛿𝑖𝑖
• Se 𝑥𝑥𝑖𝑖 é binária, podemos considera-las como sendo 𝛿𝛿𝑖𝑖 e utilizar apenas a última restrição
9
Restrições para conjuntos SOS2
• Suponha que 𝜆𝜆1 , 𝜆𝜆2 , ⋯ , 𝜆𝜆𝑛𝑛 seja um SOS2 e 0 ≤ 𝜆𝜆𝑖𝑖 ≤ 1
• Introduzimos as variáveis binárias 𝛿𝛿1 , 𝛿𝛿2 , ⋯ , 𝛿𝛿𝑛𝑛−1 junto com as restrições
• Relação entre conjuntos SOS1 e SOS2: a última restrição pode ser dispensada se considerarmos que
𝛿𝛿𝑖𝑖 ≤ 1 pertence a um SOS1
10
Exemplo: funções descontínuas
• Associa-se as variáveis (pesos) 𝜆𝜆𝐿𝐿 e 𝜆𝜆𝑅𝑅 , cuja
soma deve ser igual a 1, aos terminais de cada
seção
• Estipulamos que exatamente um par de pesos
seja positivo, exigindo-se que a função esteja
em exatamente uma das seções
11
Restrições disjuntivas
• Suponha que em um problema de PL não seja exigido que todas as restrições sejam satisfeitas
simultaneamente
• Exige-se apenas que um subconjunto de restrições seja satisfeito:
• Que pode ser tratada como discutido anteriormente: ∑𝑗𝑗 𝑎𝑎𝑗𝑗 𝑥𝑥𝑗𝑗 − 𝑏𝑏 ≤ 𝑀𝑀 1 − 𝛿𝛿
• Pode-se impor que pelo menos um subconjunto seja satisfeito:
• O conectivo ‘e’ (conjunção) pode ser representado usando PL, já que em PL as restrições devem ser satisfeitas
simultaneamente 12
Regiões não convexas
• Aplicação de restrições disjuntivas
• A região factível de um PL é convexa
• Existem casos em PNL que temos regiões não convexas
• Considere a região ABCDEFG0
• Pode representar uma região factível de um problema ou a linearização por partes de curvas
• ABCDEFG0 é a união de 3 regiões convexas:
• ABJ0
• 0DH
• KFG0
13
Regiões não convexas
• Introduzimos as variáveis 𝛿𝛿1 , 𝛿𝛿2 e 𝛿𝛿3 para usar as seguintes condições
14
Regiões não convexas
• Deve-se impor a condição de que pelo menos um conjunto de restrições deve ser atendido:
• A condição de no máximo k das variáveis 𝑥𝑥𝑖𝑖 com valores não nulos é imposta por:
17
Economias de escala
• Foi comentado anteriormente que economias de escala levam a um
PNL em que o objetivo é minimizar uma função não convexa
• Não é possível reduzir o problema a um PL usando linearização por
partes. Programação separável leva a ótimos locais
• Suponha que em um modelo o objetivo é minimizar o custo
• A quantidade produzida de um produto é representada por 𝑥𝑥
• Aumentando 𝑥𝑥, o custo marginal unitário decresce
• Os custos marginais unitários são
• O conjunto de variáveis 𝛿𝛿0 , 𝛿𝛿1 , ⋯ , 𝛿𝛿𝑛𝑛 pode ser tratado como um SOS1
• Se isso for feito, então 𝛿𝛿𝑖𝑖 pode ser considerada como uma variável contínua tendo limite superior
generalizado de 1
• A condição de integralidade pode ser ignorada
20
Objetivos maximax
• Suponha que tenhamos a seguinte situação:
maximizar max � 𝑎𝑎𝑖𝑖𝑖𝑖 𝑥𝑥𝑗𝑗
𝑖𝑖
𝑗𝑗
• Caso análogo ao objetivo minimax discutido anteriormente, mas nesse caso não pode ser modelado
usando PL
• Nesse caso tratamos como um caso de restrições disjuntivas e usamos PI:
21