Universidade do Estado do Rio de Janeiro

Instituto Politécnico
Otimização de Equações Não-Lineares
Prof. Gustavo Libotte

Trabalho 1 - 2023.1
Emerso Tomaz da Costa1
1
Programa de Pós Graduação em Modelagem Computacional, IPRJ/UERJ, Nova Friburgo,
RJ, Brasil
Emails: 1 emerson.costa@iprj.uerj.com

13 de novembro de 2023

Resumo
O objetivo desse trabalho é descrever a utilização de métodos interativos,
cuja proposta é a não utilização de derivadas. O problema apresentado envolve
uma viga soldada. Usa-se um algoritmo de busca direta para encontrar um
ponto de otimização que minimize uma função objetivo f (x) de modo a procurar
parâmetros que possibilite a discretização de ajustes pertinentes ao problema.
Palavras-chave: Razão Áurea, Python, Hooke-Jeeves, Nelder-Meade Simplex,
Rosenbrock, Gram-Schimidt, Ortogonalização, Otimização

1 Introdução As restrições são descritas num con-

junto de sete funções:

A aplicação da análise numérica em

desafios de engenharia emerge como
uma ferramenta essencial quando a ob- g1 (⃗x) = τ (⃗x − 13600 ≤ 0
tenção de soluções analı́ticas torna-
g2 (⃗x) = σ(⃗x − 30000 ≤ 0
se notoriamente difı́cil ou impra-
ticável. Os Métodos Numéricos ofe- g3 (⃗x) = ω − h ≤ 0
recem soluções aproximadas eficazes
que proporcionam uma visão abran-
g4 (⃗x) = 0.10471ω 2 +
gente dos comportamentos de gran-
dezas fı́sicas observadas. Ilustrativa- 0.04811hd(14 + L) − 5 ≤ 0
mente, consideramos a análise de uma
viga soldada sujeita a várias restrições, g5 (⃗x) = 0.125 − ω ≤ 0
conforme proposto por [1]. O problema
g6 (⃗x) = δ(⃗x) − 0.25 ≤ 0
envolve a minimização de uma função
objetivo com um vetor ⃗x = (ω, L, d, h), g7 (⃗x) = 6000 − P (x) ≤ 0
representada por:

f (⃗x) = 1, 10471ω 2 L+0, 004811dh(14, 0+L).

onde as restrições compreendem
(1) funções secundárias:

1
 Universidade do Estado do Rio de Janeiro
Instituto Politécnico
Otimização de Equações Não-Lineares
Prof. Gustavo Libotte
2.1 Resultados
504000 Para a implementação desses
σ(⃗x) =
hd2 métodos, usa-se o vetor inicial para
65856 busca como ⃗x = (0.1, 10, 0.1, 2) no li-
δ(⃗x) = 3
30000hd
  mite de busca das variáveis estabele-
L cida pelo trabalho.
Q(⃗x) = 6000 14 +
2
1p 2
D(⃗x) = L + (ω + d)
2 2.1.1 Pelo Método de Hooke-
6000 Jeeves
α(⃗x) = √
2ωL
√
 2
L (ω + d)2
 O método de Hooke-Jeeves, obteve-
J(⃗x) = 2ωL + se que o ponto de mı́nimo é xmin ⃗ =
6 2
(0.897235660.5883863610.000004080.70039483)
QD
β(⃗x) = com f (xmin
⃗ ) = 5.438971718984958
r J sendo necessárias 4 iterações com um
αβL número de avaliações na função obje-
τ (⃗x) = α2 + + β2
D tiva de 2371.
r !
3
dh d 30
P (⃗x) = 0.61423 × 106 1−
6 28 48
2.1.2 Pelo Método de Rosen-
Considerando limites de busca 0.1 ≤ brock
L, d ≤ 10 e 0.1 ≤ ω, h ≤ 2.0.
Essa abordagem numérica oferece uma O Método de Rosenbrock retor-
análise robusta e eficiente para a re- nou o ponto de mı́nimo é xmin ⃗ =
solução de desafios complexos na enge- (0.562798380.982539049.999999680.59064535)
nharia. com f (xmin
⃗ ) = 4.601228664982985
sendo necessárias 5 iterações com um
número de avaliações na função obje-
2 Metodologia tiva de 2320.

Para essa análise, foram emprega-

dos três métodos de otimização que
se fundamentam diferentes meios de 2.1.3 Pelo Método Simplex de
busca (unidimensional e multidimensi- Nelder-Mead
onal) sem uso de derivadas: o Método O Método Simplex de Nelder-Mead
de Hooke-Jeeves, o Método de Rosen- inicia a busca com uma matriz 5 × 4 de
brock com meios de busca unidimen- vetores coluna no intervalo de busca:
sionais na presença da do Método da  
Razão Áurea e o Método Simplex de 0.1 3.5 9 0.2
Nelder-Mead. Os critérios de com- 0.2 4
 7 0.5 
paração incluı́ram o número de ava- P = 0.2 3
 10 0.2 
liações realizadas na função objetivo, 0.5 3.6 8.5 0.4
e o número de iterações até encon- 0.2 5 9 0.1
trar a minização. Dessa maneira, fo-
ram estimados parâmetros de perfor- retornando o mı́nimo de xmin ⃗ =
mance computacional que abrem cami- (0.1996781, 3.58368016, 9.23099934, 0.20478013)
nho para uma análise da eficiência dos com f (xmin
⃗ ) = 1.756969994520672
algoritmos. sendo necessárias 54 iterações com um

2
 Universidade do Estado do Rio de Janeiro
Instituto Politécnico
Otimização de Equações Não-Lineares
Prof. Gustavo Libotte
número de avaliações na função obje- perturbação na estimativa inicial sobre
tiva de 808. a função objetivo. Fato que a vanta-
gem do uso de métodos discretos fai-
lita a criaçaõ de um banco de dados de
simulação que pode ser usado para re-
3 Conclusão aproveitamento de memória em outros
processos.
Cabe ressaltar que a utilização de
cada método propõe expectativas dis-
tintas. Seria necessário maior aprofun- Referências
damento para garantir qual o melhor
método para obtenção de um ponto se- [1] K. M. Ragsdell and D. T. Phil-
cundário. lips. Optimal Design of a Class of
Contudo, há outro aspecto mais Welded Structures Using Geome-
intuitivo para saber qual a va- tric Programming. Journal of En-
riação razoável para um determinado gineering for Industry, 98(3):1021–
parâmetro do que a resposta de uma 1025, 08 1976.