Você está na página 1de 18

c

PAVF

Introduc~o a

Otimizac~o a Modelos de otimizac~o a Aplicac~es o Descric~o do curso a

PAVF

Otimizac~o a 'Aurelio'
Otimizac~o. De otimizar+-c~o] S.f. 1. Estat. Processo pelo a a
qual se determina o valor otimo de uma grandeza. ou estado que se considera o mais favoravel em relac~o a um a determinado criterio.

Otimo. Do lat. optimu ] Adj. 3. Diz-se de grau, quantidade

Contextualizando,
Conceitos, metodos e aplicac~es relacionadas a determinac~o o a das melhores soluc~es para problemas de tomada de decis~o a o a partir de modelos matematicos.

Otimizac~o envolve, a
Estudo de condic~es de otimalidade o S ntese de metodos algoritmicos Analise da estrutura dos algoritmos Experimentac~o computacional a Aplicac~es nas mais diversas areas o

PAVF

Otimizac~o a Pequeno historico


Antes de 1940: { Aplicac~es dos metodos do Gradiente e Newton (pouo cas variaveis) em areas espec cas

{ Elevados custos de computac~o; ^nfase na obtenc~o de a e a uma soluc~o fact vel a


1947-49: { Introduc~o da Programac~o Linear (Dantzig, Kana a torovich) e do Metodo SIMPLEX (Dantzig)

{ Modelagem e soluc~o de problemas complexos de dea


cis~o no contexto da programac~o linear a a 1951-1959: { Condic~es gerais de otimalidade (Karush/Kuhn-Tucker) o

{ Introduc~o dos Metodos de Metrica Variavel (Davia don), dando origem a Programac~o N~o-Linear a a
Atualmente, { Metodos de Pontos Interiores, Processamento Paralelo, Intelig^ncia Arti cial, Algoritmos Evolutivos, ... e

PAVF

Modelos de otimizac~o a Componentes


Objetivo
Direciona a escolha dos valores das variaveis de decis~o a no sentido de otimizar determinada grandeza. Exemplo: maximizar a area de um ret^ngulo, dado seu per metro a

Variaveis de decis~o a
Grandezas sobre as quais se exerce controle visando atingir o objetivo especi cado. Exemplo: lados do ret^ngulo, x1 e a x2. Func~o-objetivo: x1x2 a

Restric~es o
Relac~es que restringem os valores que as variaveis de deo cis~o podem assumir. Exemplo: 2x1 +2x2 = p (per metro), a x1 0 e x2 0 (lados n~o-negativos) a

Par^metros a
Valores constantes que caracterizam um modelo de otimizac~o particular. Exemplo: valor do per metro p a

PAVF

Modelos de otimizac~o a Problema de factibilizac~o a


Encontrar x tal que

hi(x) = 0; i = 1; 2; : : : ; m gj (x) 0; j = 1; 2; : : : ; p x2 x := (x ; x ; : : : ; xn) hi(x) = 0 gj (x) 0 x2


1 2

variaveis de decis~o a restric~o de igualdade a restric~o de desigualdade a restric~o de conjunto a

Problema de otimizac~o a
Existindo mais do que uma soluc~o fact vel, a

minimizar f (x) s.a hi(x) = 0; i = 1; 2; : : : ; m gj (x) 0; j = 1; 2; : : : ; p x2


f { func~o objetivo a
Objetivo: minimizar f

PAVF

Modelos de otimizac~o a Modelos lineares


Todas as func~es envolvidas s~o lineares o a

minimizar c x + c x +
1 1 2 2

+ cn xn

sujeito a a x +a x + a x +a x +
11 1 12 2 21 1 22 2 1 1 2 2 1 2

+ a1nxn + a2nxn

am x + am x + + amnxn x ; x ; ; xn

... ... ...

b b
. . .

bm 0; i = 1; 2; : : : ; n

Forma matricial minimizar cT x sujeito a Ax b; x 0


onde

x 7 b 7 c 7 6 6 7 6 7 6 7 7 6 7 6 7 x := x... 7 ; b := 6 b... 7 ; c := 6 c... 7 7 6 7 6 7 7 6 7 6 7 5 4 5 4 5 xn bm cn


1 2 1 2 1 2

2 6 6 6 6 6 6 4

a a an 7 a a an 7 7 A := .. .. . . . .. 7 7 . . . 7 5 am am amn
11 21 12 22 1 2 1 2

2 6 6 6 6 6 6 4

PAVF

Modelos de otimizac~o a Modelos n~o-lineares a


Pelo menos uma das func~es envolvidas e n~o-linear o a

Exemplo: Custos n~o-lineares a


ci(xi) = ci(1 e
i

x );
i

i = 1; 2; : : : ; n

ci: custo maximo i > 0: taxa de decrescimento

Func~o linear-por-partes: a
ci(xi) = .. .
8 > > > > > > < > > > > > > :

i xi; 2i xi +
1

se xi 2 0; q1i) 1i ; se xi 2 q1i ; q2i ) se xi 2 q(k


1 )

ki ;

;i ; 1)

ci(xi)
PSfrag replacements

qi qi
1 2

xi

PAVF

Aplicac~es o Localizac~o e transporte a


Determinar as localizac~es de N fabricas e os volumes de o produc~o a transportar para atender a demanda de M mercaa dos a custo m nimo

pi dj sij wij

capacidade de produc~o da fabrica i a demanda do mercado j dist^ncia entre a fabrica i e o mercado j a produc~o da fabrica i para o mercado j a
1 2

PSfrag replacements
1 2

- localizac~es fact veis das fabricas o Dist^ncia entre fabrica i (coordenadas (xi; yi)) e mercado j a (coordenadas (aj ; bj )):

sij = (xi aj ) + (yi bj )


2

PAVF

Aplicac~es o Problema de otimizac~o a


minimizar
N M XX i=1 j =1

wij sij wij pi ; i = 1; 2; : : : ; N

s.a

M X j =1 N X i=1

wij = dj ; j = 1; 2; : : : ; M wij
0; i = 1; 2; : : : ; N ; j = 1; 2; : : : ; M

(xi; yi)

2 ; i = 1; 2; : : : ; N

Na func~o objetivo, as dist^ncias a serem percorridas s~o a a a ponderadas pelos volumes a transportar Faz sentido localizar uma fabrica proxima a um determinado mercado se o volume a ser transportado for grande Se as localizac~es das fabricas s~o conhecidas, obtem-se o a um modelo linear de transportes Se as localizac~es s~o selecionadas de um conjunto nito de o a localizac~es poss veis, obtem-se um modelo com variaveis o 0-1 (localizar ou n~o uma fabrica num dado ponto) a

PAVF

10

Aplicac~es o Planejamento energetico


Determinar os n veis de energia termica (g) e hidraulica ( ) a serem produzidas para atender, com m nimo custo, a demanda energetica (d) em cada per odo (k) do horizonte de planejamento (N )

PSfrag replacements +
+

A soma das energias produzidas em cada per odo deve ser igual a demandada:

gk +

k = dk ;

k = 1; 2; : : : ; N

O custo de gerac~o termica pode ser aproximado pela func~o a a quadratica

c (gk ) = gk + gk +
2

onde ; ; s~o par^metros conhecidos a a

PAVF

11

Aplicac~es o
A produc~o de energia hidraulica baseia-se na transformac~o a a da energia potencial da agua em energia eletrica reservatorio barragem PSfrag replacements

u
turbina/gerador

; uk xk
k

fator de convers~o, e ci^ncia da usina a e volume turbinado pela usina no per odo k volume do reservatorio no per odo k cota do reservatorio no per odo k
k = (xk ; uk ) =

Energia produzida pela usina no per odo k:

uk (xk )

Din^mica do reservatorio: a xk = xk uk + yk ; k = 0; 1; 2; : : : ; N
+1

onde yk e o volume a uente ao reservatorio no per odo k (por hipotese, conhecido)

PAVF

12

Aplicac~es o Problema de otimizac~o a


minimizar
N X k=1

c (gk )
0

s.a gk + (xk ; uk ) = dk xk = xk uk + yk ; x dado u uk u x xk x g gk g; k = 1; 2; : : : ; N x(N ) = xN ; xN dado


+1

Assume custos de gerac~o termica muito maiores do que a os de gerac~o hidraulica; imp~e limites sobre as variaveis e a o um volume nal xN para o reservatorio Como gk + (xk ; uk ) = dk , a func~o objetivo pode ser vista a como
N X k=1

c (dk

(xk ; uk ))

Como a din^mica do reservatorio e func~o dos volumes a a turbinados, o problema consiste em determinar a trajetoria fact vel uk ; k = 0; 1; : : : ; N 1 que minimiza o custo total de gerac~o termica a

PAVF

13

Aplicac~es o Identi cac~o de par^metros a a


Modelos matematicos s~o essenciais em engenharia e frea quentemente surge a necessidade de estimar ou identi car par^metros desconhecidos a

p : Rp ! Rq y 2 Rp z = p(y) 2 Rq

mapeamento entrada-sa da entrada sa da

Modelo aproximado:
m(x; y) x 2 Rn - vetor de par^metros desconhecidos a

Problema de m nimos quadrados: minimizar


N X i=1

m(x; yi) p(yi)

sujeito a x 2

N numero de medidas (N > n) yi; i = 1; 2; : : : ; N entradas selecionadas Rn restringe os valores dos par^metros a

PAVF

14

Descric~o do curso a Objetivo


Estudar conceitos e metodos comuns a uma ampla classe de problemas de otimizac~o n~o-lineares a a

Formulac~o geral a
minimizar f (x) s.a h(x) = 0 g(x) 0 x2
f : Rn ! R h : Rn ! Rm; h := (h ; h ; : : : ; hm) g : Rn ! Rp; g := (g ; g ; : : : ; gp) Rn
1 2 1 2

Aspectos centrais
1. Estudar condic~es necessarias e/ou su cientes de otimalidade o
para determinadas classes de problemas de otimizac~o a
1 2

2. Estudar metodos numericos (algoritmos) que geram sequ^ne cias x ; x ; : : : convergentes para soluc~es otimas o

PAVF

15

Descric~o do curso a Exemplo - Dentre todos os ret^ngulos de lados x e x a


per metro p, determine aquele que produz a maior area
1 2

maximizar x x s.a 2x + 2x = p x 0; x 0
1 2 1 2 1 2

Formulac~o equivalente: a maximizar s.a


y + (p=2)y 0 y p=2
2

onde y e qualquer lado do ret^ngulo a

Condic~o necessaria de 1a. ordem: a


Seja q(y) := y2 + (p=2)y. Ent~o a

p q0(y) jy y = 2y + 2 = 0 ! y = p=4
=

Condic~o su ciente de 2a. ordem: a


q00(y) jy y = 2 < 0
=

PAVF

16

Descric~o do curso a Soluc~o gra ca a


Utiliza o conceito de curvas de n vel:
:= f(x1; x2) : x1x2 = ;

2 Rg

PSfrag replacements

p
4

p
2

Soluc~o iterativa a
Metodo de Newton aplicado ao exemplo:
yk+1 = q0(yk ) q00(yk ) k k + 2y + p=2 ; k = 0; 1; : : : = y 2 yk

A sequ^ncia gerada pelo algoritmo a partir de y0 = 0 e e 0; p=4; p=4; : : : , e converge para o limite y = p=4

PAVF

17

Descric~o do curso a Soluc~o MATLAB a


function f,g]=area(x) % % funcao que retorna os valores da funcao % e das restricoes do problema de % maximizacao da area do retangulo % % valor atribuido ao perimetro: p=1 % f=-x(1)*x(2); % valor da funcao (min !) % g(1)=2*x(1)+2*x(2)-1; % valor das restricoes g(2)=-x(1); g(3)=-x(2); % >> x0= 0;0.5] % solucao inicial x0 = 0 0.5000 >> x=constr('area',x0) % solucao otima x = 0.2500 0.2500 >>

PAVF

18

Descric~o do curso a Pre-requisitos


Calculo e Algebra Linear Matrizes e Equac~es Lineares o MATLAB (Operac~es basicas) o

Avaliac~es o
Provas individuais Trabalhos computacionais

'Livro Texto'
Luenberger, D., Linear and Nonlinear Programming, Addison-Wesley, 1984

Ementa
1. Introduc~o, 2. Fundamentos I, 3. Fundamentos II, 4. a Convexidade, 5. Aplicac~es, 6. Otimizac~o Numerica Irreso a trita, 7. Condic~es de Otimalidade e Dualidade, 8. Otimizac~o o a
Numerica Restrita