9 Programao no-linear com restries

9.1 Introduo

Os problemas tratados neste captulo tm a forma:

min ,
s.a


f
g i m n
h j p
n
i
j
( )
( ) , ,...,
( ) , ,...,
x x
x
x

= = <
=

0 1
0 1


onde as funes f, g e h so contnuas. Em geral, essas funes so no-linares.
Entretanto, muitos problemas prticos se apresentam com restries de desigualdade
impostas apenas sobre as variveis x, de maneira que a incluso dessas restries se d
pela simples fixao de uma varivel no seu valor limite, quando esse limite violado no
decorrer de um processo de busca.

Definio 9.1:
Diz-se que uma restrio
j
h est ativa, se 0 ) ( = x h
j
; diz-se que est inativa, se 0 ) ( < x h
j
.

9.2 Otimizao com restries de igualdade

Definio 9.2:

Um vetor x
r
dito regular, com relao s restries g, se os vetores ) (
r
i
g x ,
para , ,..., 1 m i = so L.I., i.e.,:


1 1 1
0 0 + + = = = = g g
m m m
( ) ... ( ) ... x x
r r


Teorema 9.1 (condio necessria de 1
a
ordem):

Seja
n
* x um minimizador local de f, s.a , 0 *) ( = x
i
g m i ,..., 1 = . Seja ainda x
*

um ponto regular das restries g. Ento existe
m
* tal que:

0 x x = +

=
m
i
i i
g f
1
* * *
) ( . ) (

Demonstrao:

Desenvolvendo f em srie de Taylor, em torno de x
*
, tem-se:

0 , ) ( ) ( ) (
* T * *
+ + = +
f f
f f f x x x x x

Como x
*
um ponto extremo, necessrio que:
0 ) (
* T
= x x f (A)
Desenvolvendo agora a i-sima restrio g
i
em srie de Taylor, tem-se:

0 , ) ( ) ( ) (
* T * *
+ + = +
i i
g g i i i
g g g x x x x x

Como ( ) x x + * e x
*
devem ser solues factveis, i.e., ( ) 0 * = + x x
i
g e ( ) 0 * = x
i
g ,
necessrio que:

0 ) (
* T
= x x
i
g , para m i ,..., 1 = (B)

De acordo com as equaes (A) e (B), os vetores *) (x f e *) (x
i
g pertencem
ao mesmo subespao; como x
*
regular de g, i.e., como os vetores *) (x
i
g , para
m i ,..., 1 = so L.I., ento *) (x f pode ser escrito como uma combinao linear desses
vetores:

( ) ( ) 0 x x = +

=
m
i
i i
g f
1
* * *


As equaes (B) podem ser escritas em forma matricial, como segue:

( )
( )
0 x
x
x
=
(
(
(
(

* T
*
1
T
m
g
g
M

A matriz
( )
( )
(
(
(
(

=
* T
*
1
T
x
x
J
x
m
g
g
M chamada de matriz Jacobiana. O seu rank m e a sua
dimenso mxn. Os parmetros so chamados de multiplicadores de Lagrange.
O problema de otimizao pode agora ser resolvido atravs da soluo simultnea
das n m + equaes definidas por:

( )
( ) ( ) n k g f
m i g
m
j
j k j k
i
,..., 1 , 0
,..., 1 , 0
1
* * *
*
= = +
= =

=
x x
x

ou em forma matricial:

( )
( ) 0 J x
0 x
x
= +
=
* T *
*
f
g


cujas incgnitas so as n coordenadas de x
*
e os m multiplicadores de Lagrange.

Observao: A condio expressa pelas m+n equaes acima equivale condio de
estacionaridade do seguinte problema de otimizao, sem restries:

( ) ( ) ( ) ( ) ( ) x g x x x x
T
1
, Min +

= + =

=
m
i
i i
f g f L
que resulta em:

( )
( )
( )
=

(
(
(
=

L
g
g
m
x
x
x
0 ,
1
M
e
( ) ( ) = +
x x
x x J 0 L f , = == =
T


Teorema 9.2 (condio necessria de 2
a
ordem)

A condio necessria para que o ponto regular x
*
seja um mnimo local que:

( ) ( ) ( )
* 2
1
* 2 * 2
x x x
x i
m
i
i
g f L + =

=


seja semi-definida positiva no subespao definido por ( ) 0 x x J
x
=
*
.

Demonstrao:

Expandindo L(x,) em srie de Taylor em torno de x
*
, tem-se:
( ) ( ) ( ) ( )
( ) ( ) [ ] ( ) ( )
( ) ( )
( ) ( ) ( ) ( )
)
`

+ + + + =
)
`

+
+
(

+ + +
= +
)
`

+ + = +

=
=
x x x x J x x x x
x x x x x x
x x x x x x
x x x x x, , x x, x
x x
x x




,
2
1
2
1
2
1
) 0 ( ,
2
1
L
2 T T * T * T *
1
* 2 T * 2 T
1
* T * T * T *
2 T T * *
L f f
g f
g f f
L L L
m
i
i i
m
i
i i
g
g



que, eliminando os termos nulos, fica:

( ) ( ) ( ) x x x x x, x
x
,
2
1
2 T * *
L f L + = +

Como :
( ) ( ) ( ) ( )
L f g f
i i
i
m
x x x x x x x x
* * * *
+ = + + + = +
=

,
1


ento:
( ) ( ) ( ) f f L x x x x x x
* *
+ =
1
2
0
T
x
2
,

i.e., se x
*
um minimizador local, ento ( ) x x x
T
x
2
L , 0 para todo x pertencente
ao subespao definido por *) (x J
x
0 = x , com x x + * factvel.
Observao: Para verificar se a matriz
x
2
L semi-definida positiva, no sub-espao
acima especificado, determinam-se as razes do polinmio em , definido por:

0 det
T 2
=
(

0 J
J I
x
x x
L

Se essas razes forem no-negativas, ento
x
2
L semi-definida positiva.

Exemplo: Determinar os pontos extremos da funo:
( ) f x x x x
1
,
2 1
2
2
2
4 =

sujeita restrio:
g x x x x ( , )
1 2 1
2
2
1 0 = + =
Soluo:
A matriz jacobiana e os vetores gradientes so:
( )
( )
[ ] ( )
=

(
(
(
(
=

(
=

(
=

(
= =
f
f
x
f
x
x
x
g
x
g
x
g
x
x g
x
x
J x
x

1
2
1
2
1
1 2
1
2
2
2
1
2 1
T

i.e.,
( ) J x
x
T
= g
A funo objetivo aumentada :
( ) ( ) ( )
L x x x x x, = + + 4 1
1
2
2
2
1
2
2

cuja hessiana, relativa a x, :
( )
=

(
(
(
(
=
+

( x
2
2
1
2
2
1 2
2
2 1
2
2
2
2 1 0
0 2
L
L
x
L
x x
L
x x
L
x

A condio necessria de 1
a
ordem estabelece que:
( ) ( )
( )
+ =

(
+

(
=
+ =
=

f g
x
x
x x
x
x x 0
0
* *

2
2
2
1
1 0
2 0
1
2
1 1
2


Combinando essas duas equaes com a restrio 0 ) ( = x g , fica:
x x
x x
x x
1 2
1
2
2
1
3
1
1 2 0
1 0
2 0
( ) + =
+ =

=

cujas solues so:
x
x
x
x
x
x
1
1
1
2
1
3
2
1
2
2
2
3
1
2
3
0
2 2
2 2
1
1 2
1 2
2
1
1
( )
( )
( )
( )
( )
( )
( )
( )
( )
=
=
=

=
=
=

=
=
=

Para verificar a condio de 2
a
ordem, faz-se:
( )
[ ]
( )
0
0 1 2
1 2 0
2 0 1 2
det
1 2
1
2
2 0
0 1 2
1 0
0 1
det
1
1
1
1
=
(
(
(

+
+ +
=
(
(
(

x
x
x
x

0

ou seja:
( ) ( ) + = 4 1 8 2 1 0
1
2
1
2
x x
Para o vetor soluo:
x
x
1
2
0
1
2

(
(
(
=

(
(
(

tem-se = 2 ; portanto, um ponto de mnimo local. Para:
x
x
1
2
2 2
1 2
1

(
(
(
=

(
(
(

tem-se = 4 3; portanto, um ponto de mximo local.