PROBLEMA DE PROJETO

DECISES SEQENCIAIS
3 NVEIS
TECNOLGICA
ESTRUTURAL
PARAMTRICA

ESTABELECER O MELHOR PROCESSO PARA PRODUO DE UM PRODUTO P,

DADO UM CONJUNTO DE ESPECIFICAES ...

OTIMIZAO DE PROCESSOS
Campo da matemtica dedicado ao desenvolvimento de
mtodos eficientes de determinao de mximos e mnimos de
funes de uma ou mais variveis.
Busca da melhor soluo (soluo tima) dentre as diversas
solues possveis de um problema, segundo um critrio
estabelecido previamente.
A cincia que determina as melhores solues para certos
problemas fsicos:
problemas que so descritos por modelos matemticos.

Trs Diferentes Nveis de Aplicao no Projeto de Um Processo:

Desenvolvimento do Processo
avaliao das diversas alternativas baseada no timo
Projeto da Planta - Dimensionamento
com a configurao fixa, os resultados dos balanos de
massa/energia so usados para o dimensionamento dos
equipamentos
Operao de Uma Planta
Condies operacionais timas para mudana na alimentao
ou mudana na demanda e/ou qualidade do produto

Simulao

Otimizao

POR QUE OTIMIZAR?

Melhoria econmica
Lucro mximo; custo mnimo
Melhoria tcnica
Melhor estratgia de processamento;
Aumento de eficincia;
Reduzir contaminantes.

EXEMPLOS DA APLICAO DA OTIMIZAO

1.Determinao da melhor localizao de uma planta;
2.Tancagem de matria-prima e produtos para distribuio - Arranjo
dos Tanques;
3.Dimensionamento da tubulao;
4.Projeto de equipamento e/ou plantas inteiras;
5.Programa de produo, troca de equipamentos e manuteno;
6.Operao de equipamentos e/ou plantao;
7.Avaliao dos dados da planta;
8.Minimizao de estocagem;
9.Alocao de fontes ou servios entre vrios processos.

RAZES PARA NO SE USAR MTODOS DE

OTIMIZAO
Quando uma soluo razovel pode ser obtida baseada em
experincias passadas ou que existe uma prtica padro em
uso;
Quando o tempo necessrio para avaliar o problema no
contribui para o contexto do projeto global;
Quando as informaes necessrias para o custo podem
ser obtidas com grandes dificuldades.

PROBLEMA: Espessura tima do Isolamento

Diminuio do custo quando o custo do combustvel alto.
Adio de isolante reduz perda de calor, porm o material isolante pode ser
caro.
Quantidade de isolante que deve ser adicionada?

custo total
Custo $
Custo do investimento
Custo mnimo total no isolante
Custo da energia perdido

espessura do
isolante

ALGUMAS REAS RELACIONADAS:

PROGRAMAO MATEMTICA
PESQUISA OPERACIONAL
PONTO DE VISTA:
MATEMTICA CARACTERIZAO DE PROPRIEDADES TERICAS DE
OTIMIZAO, CONVERGNCIA, EXISTNCIA, TAXA DE CONVERGNCIA LOCAL.
ANLISE NUMRICA IMPLEMENTAO DE MTODOS DE OTIMIZAO PARA
USO EFICIENTE E PRTICO; A PREOCUPAO A FACILIDADE DE CLCULOS,
ESTABILIDADE NUMRICA E PERFORMANCE.
ENGENHARIA APLICAO DE MTODOS DE OTIMIZAO A PROBLEMAS
REAIS; A PREOCUPAO A REALIDADE, ROBUSTEZ, EFICINCIA,
DIAGNSTICO E RECUPERAO DE UMA FALHA DE CLCULO.

LITERATURA
LIVROS
ENGENHARIA

1.

Edgar, T. F. and D. M. Himmelblau, Optimization of Chemical Process,

McGraw-Hill, 1988.

2.

Papalambros, P. Y. and D. J. Wilde, Principles of Optimal Design, Cambridge

Press, 1988.

3.

Reklaitis, G. V., Ravindrau, and K. Ragsdell, Engineering Optimization, Wiey,

1983.

ANLISE NUMRICA
1.

Dennis, J. E. and R. Schnamel, Numeric Methods of Unconstrained

Optimization, Prentice-Hall, 1983.

2.

Fletcher, R., Practical Methods of Optimization, Wiley, 1987.

3.

Gill, P. E., W. Murray and M. Wright, Practical Optimization, Academic Press,

1981.

JORNAIS
TEORIA / ANLISE
1.

J. Opt. Theory and Applications (JOTA).

2.

Mathematical Programming.

3.

Numerische Mathematik.

4.

Journals:Control + Optimization; Numerical Analysis; Sci., Stat. Computing.

FORMULAO / APLICAO
1.

Applied Numerical Mathematics.

2.

Engineering Optimization.

3.

Operations Research.

ENGENHARIA DE PROCESSO
1.

AICHE Journal.

2.

Computers and Chemical Engineering.

3.

Trans. I. Chem. E.

ELEMENTOS BSICOS DE UM PROBLEMA DE OTIMIZAO

1.Modelo do Sistema
2.Critrio de Desempenho - FO
3.Restries
4.Variveis Independentes
5.Regio Vivel
6.Condies Gerais para Valores timos
7.Um Exemplo Tpico de Otimizao

MODELO DO SISTEMA
Requer um conhecimento de como o sistema responde s perturbaes
impostas
Prprio processo
Planta piloto
scale-up?
Black-box
Baseado apenas na descrio emprica
- correlao dos dados de entrada e sada do processo sem a anlise
fsico-qumica
Modelo matemtico
Descrio matemtica do processo
interrelao entre causa-efeito ou variveis dependentes e
independentes

Quando Modelar?
Sempre?
Grau de Complexidade?

Modelos
simples
fornecem
70-80%
de
benefcios

Custo desenvolvimento

$
benefcio

Aplicar a Lei do KISS!

Keep
It
Simple
Stupid

complexidade do modelo

CRITRIO DE DESEMPENHO - FUNO OBJETIVO

Funo matemtica cujo mximo ou mnimo se deseja
determinar

Problema de otimizao requer uma base ou critrio para

julgar o desempenho de vrias alternativas para a escolha do timo ou do
conjunto de condies para o timo
Vrias Escolhas:
Critrio econmico
Custo anual, lucro lquido, retorno sobre o investimento
etc.
Critrio tcnico
Tempo mnimo de produo
Mnima utilizao de energia
produo mxima etc.
Obs.: vrios objetivos podem competir
- formas avanadas

RESTRIES
Limites estabelecidos pelas leis naturais que
governam o comportamento do sistema;
Presso e composio no podem ser negativas;

Dois tipos:
Igualdade h (x) = 0
Desigualdade g(x) > 0 ou g(x) < 0

O tipo de restrio tem implicaes fundamentais

sobre a soluo do problema.

Restries impostas por fatores externos e

internos:
Restries externas

Especificaes de qualidade;

Quantidade do produto;

Frao molar entre 0 e 1;

Restries internas

Pode ser imposta pelo engenheiro;

Relao de projeto;

Balanos de massa, energia;

Restrio do equipamento;

T restrita por propriedades materiais;

P por risco;

Fluxos - vazes sempre positivos;

Capacidade etc.

Problema geral em forma de equao:

min f (x), x Rn
Sujeita a,
hk ( x ) = 0
gj.(x) > 0
ximin < x ximax

k = 1....K
j = 1....J
i = 1....n

Problema de otimizao restrito, no-linear

Se n = 1 ento problema univarivel
Se J = K = O e Xmax = - Xmin = , i ento problema sem restrio
Se hk e gi so lineares ento problema linearmente restrito
f(x) restries lineares ento programao linear
f(x) n-linear programao no linear
x inteiro programao inteira
Alguns x inteiros e outros reais programao inteira mista
f quadrtica programao quadrtica
Restries e f expressas como soma de polinmios generalizados e
x > 0 programao geomtrica
Max f (x) = - min [ - f (x) ]

EXEMPLO: Dimenses timas do Vaso

Qual a razo tima L/D para um vaso cilndrico?
PROBLEMA COM RESTRIO
L

(1) Min

s.r.

CT D2 X 2 + CS DL = Custo
4
V - D2L = 0
4

D, L >=0

CONVERTER PARA PROBLEMA SEM RESTRIO ELIMINAR L

Min

Custo = CT D2 + CS 4V
D
2

(2) d(Custo) =
dD
D == 4V CS
D
CT

1/3

CT D - CS 4V
D2
L=

=0
4V

1/3

CT
CS

2/3

L == CT
D
CS

NOTA:
SE L NO PUDER SER ELIMINADA DE (1) ? ---- FORMA ESTRANHA
SE D NO PUDER SER OBTIDA DIRETAMENTE EM (2)? ---- CORRELAO CUSTO IMPLCITA

O PROBLEMA GERAL DE OTIMIZAO

COMPLICADOS POR UMA SRIE DE FATORES:
- DESCONTINUIDADES NA FUNO E RESTRIES
- NO LINEARIDADE
- SENSIBILIDADE S VARIVEIS DE PROJETO
- MULTIMODALIDADE, ETC.

INEXISTNCIA DE UM MTODO UNIVERSAL

CLASSIFICAO DOS MTODOS:

NATUREZA: ANALTICOS E NUMRICOS
ESTRATGIA: INDIRETOS (COM DERIVADA) E DIRETOS (SEM).
CLASSIFICAO DOS PROBLEMAS:
N DE VARIVEIS: UNI E MULTIVARIVEIS
RESTRIES: IRRESTRITOS E RESTRITOS

 OTIMIZAO: DADO UM SISTEMA OU PROCESSO, ENCONTRAR A MELHOR

SOLUO PARA ESTE PROCESSO COM RESTRIES.
FUNO OBJETIVO: INDICADOR DE QUANTO MELHOR A SOLUO
(CRITRIO DE AVALIAO) ; EM GERAL, CUSTO, LUCRO, ...
VARIVEIS DE DECISO: VARIVEIS QUE INFLUENCIAM O COMPORTAMENTO
DO PROCESSO E PODEM SER AJUSTADAS POR OTIMIZAO.

EM MUITOS CASOS, ESTE TRABALHO REALIZADO POR TENTATIVA E ERRO

(ATRAVS DO ESTUDO DE CASOS)
ESTAMOS INTERESSADOS EM UMA FORMA SISTEMTICA DE RESOLVER O
PROBLEMA E TO EFICIENTE QUANTO POSSVEL

PROCEDIMENTO DE OTIMIZAO SIMPLES

PROCEDIMENTO COMUM A VERIFICAO DA FO EM RELAO S VARIVEIS
DE PROJETO
IGUALAR AS DERIVADAS A ZERO

RESOLVER O SISTEMA DE EQUAES

ESTE PROCEDIMENTO DEVE SEMPRE SER USADO, SE A FO PUDER SER

TRATADA

CASO USUAL DO PROJETO DE PROCESSO QUE A FO PODE NO SER

TRATADA FACILMENTE
2 PROCEDIMENTOS

1) ESTUDO DE CASO
2) ESTUDO DE SENSIBILIDADE

ESTUDO DE CASO
CLCULO REPETIDO DO PROCESSO COM DIFERENTES VALORES DAS
VARIVEIS DE PROJETO NA BUSCA DE UMA MELHORIA

MAIS COMUM EM ENGENHARIA

FAZ USO DA EXPERINCIA E INTUIO DO ENGENHEIRO

GERALMENTE CONSEGUE-SE BONS RESULTADOS

MTODO LIMITADO A MANIPULAR UM PEQUENO N DE VARIVEIS QUE NO

INTERAGEM ENTRE SI

SE O PROBLEMA AUMENTA EM COMPLEXIDADE UMA APLICAO MAIS

SISTEMTICA DEVE SER REALIZADA

ESTUDO DE SENSIBILIDADE
SIMILAR AO ANTERIOR
NESTE CASO REALIZADA UMA VARIAO
SISTEMTICA
DAS
VARIVIES
PARA
DETERMINAR A DIREO DO TIMO
TO
CUS
$/t

TO
CUS
$/t

TO
CUS
$/t

VALOR PADRO

TO
CUS
$/t

VIDA CATALISADOR

VAZO DA CARGA
DO REAGENTE

BUSCA UNIVARIVEL
MAIORIA DOS PROBLEMAS PRTICOS SO MULTIVARIVEIS
E RESTRITOS
O ESTUDO DE TCNICA DE OTIMIZAO PARA PROBLEMAS
UNIVARIVEIS IMPORTANTE POR 3 RAZES:
1.

ALGUNS PROBLEMAS SO REALMENTE UNIVARIVEIS.

2.

EM MUITOS PROBLEMAS MULTIVARIVEIS, AS RESTRIES PODEM SER

INCORPORADAS FUNO OBJETIVO, TRANSFORMANDO-OS EM
PROBLEMAS IRRESTRITOS E UNIVARIVIES.

3.

MUITOS MTODOS DE RESOLUO DE PROBLEMAS MULTIVARIVEIS,

RESTRITOS OU IRRESTRITOS, INCORPORAM ETAPAS EM QUE SE
RESOLVE REPETIDAMENTE UM PROBLEMA UNIVARIVEL.

OBS: MTODO DE BUSCA IRRESTRITA TAMBM IMPORTANTE PORQUE

EXISTEM SITUAES EM QUE O INTERVALO DE BUSCA DESCONHECIDO
BUSCA UNIDIMENSIONAL

Expanso em srie de funes multivariveis

Considere uma funo f(x1,x2).
Objetivo: Expandir em srie em torno do ponto (x1,x2), onde f(x1,x2)= f
1
f ( x1 , x2 ) f
1!

1
f
f

x1
x2
x1
x2
2!

2f

x 2
1

2f
2f
2f
2

x1x2
x2 x1

x
x 2 2 ...

x
1 2
1 2
2

x12

Notao Matricial

x 1
1
1
x1x2
f ( x1 , x2 ) f x1x2

1!

2!

x2

Gradiente da
funo f

2f 2f
2
x1 x1x2
2f 2f
x2x1 x2 2

* x1 ...
x2

H 2 f
Matriz Hessiana da funo
f simtrica

Compactando a notao e truncando:

f ( x) f ( x) x f 1 x H x
2
T

 Ponto Estacionrio: ponto a onde todas as derivadas parciais so iguais a zero.

f
xi

onde i=1 ... n

a um ponto estacionrio

Ponto Extremo: so pontos onde f{x} tem um valor mximo ou mnimo

Taylor 2 ordem em torno de a:
2

f
f
2f
2 f
f {x} y{x} f {a} ( x1 a1 )
... ( xn a n )
1 2 ( x1 a1 )

(
x

a
)(
x

a
)

...

1
1
2
2
x1 a
xn a
x1x2
x12

OU

y{x} f {a} f a x 1 x T Hx
2
Hessiana

 Continuao de Ponto Extremo:

2f
2f
...

x
1
n
1

H 2 f

f
f
...
x x x 2
n
n 1
2

2f
i j x x ( xi ai )( xi a j )
i j
a

i,j= 1 ... n

Compactando a notao e truncando:

f ( x) f ( x) x f 1 x H x
2
T

Se no ponto estacionrio H tem um comportamento indefinido (valores + -)

x T Hx pode ser + ou - PONTO DE SELA

f

T f

indefinida
a

A condio de sela no considerada uma condio de extremo.

OBS: Uma matriz A considerada indefinida se existirem pelo menos dois vetores no nulos
xA e xB tais que:
xAAxB<0
f
xAAxB>0
Ponto de Sela

x2

x1

Ponto extremo um ponto estacionrio

Para todo x 0 x

f {x} y{x} f {a} 1 x T Hx

2
f {x} f {a} 1 xT Hx
2

Hx

mantm o mesmo sinal

Extremo Local

+ H positiva definida

f {x} f {a}
Mnimo

- H negativa

f {x} f {a}
Mximo

Avaliao de Mtodos:
Comparao em grandes classes de problemas testes
Teoria de Convergncia
Convergncia Global
Achar o extremo?
Taxa Local de Convergncia
Mtodo rpido?
Problema teste representativo (Hughes, 1981)
Min = C- = (x1,x2)

onde:
1

b1 b2u 2 (1 u ) 2 b3u
1 C2
2
1 C3u

C1 2

u x1 0,8
1

timo: *=-5,0893
x*=[0,7395;0,3144]

x2 (a1 a2u 2 (1 u ) 2 a3u )

a [0,3;0,6;0,2]
b [5,0;26,0;3,0]
C [0,2;3,0;10,0]

CONDIES DE OTIMALIDADE:
O que caracteriza uma soluo tima localmente?
Porque as curvas de nvel em torno do timo so elpticas?
Srie de Taylor em n dimenses em torno de xot:

( x) ( x ot ) ( x ot )( x x ot ) 1 2 ( x x ot )T 2 ( x ot )( x x ot ) ...
Como ( x ot ) 0 ento

(x) puramente quadrtica para x prximo xot

OBS: (x-xot) 0 , ordem superiores a 2 tendem a zero mais rpido

OTIMIZAO DE PROCESSOS
- Multivarivel:
Campo de estudo em rpida ascenso

Cerca de 30 jornais devotados para otimizao com 200 artigos/ms

1)
2)
3)
4)
5)
6)

Introduo
Otimizao sem restrio
Otimizao com restrio
Otimizao de fluxogramas
Estimao de parmetros
Otimizao algbrico-diferencial

OTIMIZAO MULTIVARIVEL
Existe um nmero imenso de mtodos de otimizao em funo de:

Caractersticas da funo objetivo

Linear
No-Linear
Existncia de restries
Sem restries
Com restries
Lineares
No-Lineares
Caractersticas das variveis
Contnuas
Discretas
Outros aspectos
Estrutura do problema
Disponibilidade de derivadas
Primeiras derivadas
Segundas derivadas

OTIMIZAO MULTIVARIVEL

Em todos estes problemas, buscamos VALOR TIMO de um conjunto de

variveis de modo a determinar o extremo de uma funo objetivo
min f{x1, ..., xn}
Sujeita a:
- Restrio de igualdade:
g1 {x1, ... xn} = 0
gr {x1, ... xn} = 0
- Restrio de desigualdade:
h1 {x1, ... xn} 0
hm {x1, ... xn} 0

Problemas de Otimizao
Minimizar ou maximizar uma funo objetivo f{x1, ..., xn}
n variveis independentes
Restries:
Igualdade:
g1 {x1, ... xn} = 0

Ex: min G

Balano atmico M x=b

gr {x1, ... xn} = 0

Desigualdade:
h1 {x1, ... xn} 0
hm {x1, ... xn} 0

x0
ou
x 0

Programao linear: Funo objetivo e restries lineares

Programao quadrtica: Funo objetivo quadrtica e restries lineares
Programao no-linear: Funo objetivo e/ou restries no-lineares

OTIMIZAO MULTIVARIVEL
Embora o entendimento dos mtodos seja importante, alguns aspectos
devem ser ressaltados:

Problemas de otimizao multivariveis em Engenharia Qumica,

raramente, podem ser resolvidos manualmente COMPUTADORES
Implementao dos algoritmos de otimizao em computadores
Tambm raramente necessria

H pacotes prontos:

IMSL (International Mathmatical and Statistica Library)

NAG (Numerical Algorithms Group)
HARWELL
NUMERICAL RECIPES IN C
FORTRAN
PASCAL

MTODOS DE RESOLUO
(I)

Fazer

f {x}
0 para i=1 ... N
xi

Resolve o sistema de Equaes no-lineares

- Mtodo Newton
- Mtodo Secante,etc.
POUCO USADO

(II) Estratgia de busca dos extremos

- Sem derivadas
- Com derivadas
Encontrar x* que minimize f{x}
Procedimento:
a) Escolher direo de busca s
b) Minimizar nesta direo para encontrar um novo ponto xk+1=xk+xk
Precisamos:
Valores iniciais para x
Critrio de convergncia

Tamanho do passo

OTIMIZAO MULTIVARIVEL
Melhor idia:
a) Escolher uma direo de busca, s*
b) Minimizar (total ou parcialmente) ao longo da direo de busca para
encontrar:
xk-1 = xk + xk
Diversos mtodos se enquadram nesta idia geral diferindo pelas formas
utilizadas para realizar as etapas a e b.
Em geral:
Mtodos que requerem maior conhecimento da funo (por exemplo,
derivadas analticas):
Menores tempos de computao
Maiores tempos para formulao dos problemas
Menor conhecimento da funo:
Maiores tempos de computao
Menores tempos para formulao dos problemas

OTIMIZAO SEM RESTRIES

f { x } =f{x1 ... xn}
Para n=2

Funo
objetivo
f{x1,x2}

Superfcie

Mapa Tpico das

Curvas de nvel
Curvas de nvel

Contornos

Otimizao multivarivel sem restrio

Dois critrios:
Robustez: Queremos resolver o problema
Eficincia: Queremos resolv-lo rapidamente
O problema: Encontrar x* = [x1 x2 ... Xn]T que minimiza
f{x1 x2 ... Xn} = f(x)
Problemas de Maximizao: max g(x) min[-g(x)]

MTODO DE BUSCA
UNIVARIVEL
Em um problema de n variveis, utiliza n direes fixas de busca (em geral a
direo dos eixos)
Funciona bem se as
curvas de nvel forem
bem alinhadas com os
eixos

Lento quando as
curvas de nvel no
esto alinhadas com o
eixo

Pouco aplicado

MTODO DE BUSCA SEM DERIVADAS

Mais popular Simplex
- Avaliar f em n+1 pontos mutuamente equidistante
- Os pontos formam vrtice de um simplex regular

OBS: M = 1,65n+0,05n2

- Encontrar o vrtice com maior valor

- Refletir vrtice no centride dos n vrtices que ficaram,
formando um novo simplex
- Avaliar f no novo vrtice
- Se novo vrtice tem maior f, refletir vrtice
prximo maior f no lugar
- Existe algum vrtice que permanece sem trocar por mais que M iteraes
consecutivas?
- Sim, dividir distncias dos vrtices a partir este vrtice
- Todas as distncias <

MTODO SIMPLEX
- O mais popular
Dado um problema com n variveis, construir uma figura geomtrica regular
(simplex) com n+1 vrtices
A duas variveis

f1, f2, f3 so calculadas; supor que f1>f2 f1>f3

Reflete ponto 1
Nelder and MEAD (1965): Simplex flexvel
Simplex pode sofrer expanses e contraes

MTODO DE BUSCA COM DERIVADAS

Mtodo de Newton
Srie de Taylor para f(x) em torno de xi
f(x)=f(xi)+ f(xi)T(x-xi)+(x-xi)T 2f (x-xi)
2
Derivando em relao x: f(x)= f(xi) + 2f(xi) (x-xi)=0
(x-xi) d = - [2f(xi)]-1 f(xi)
OBS:
Mtodo pode falhar se:

- xo for longe do timo

- 2f singular em qualquer ponto
- f no suave

Direo de busca, d, requer soluo de equaes lineares

Prximo da soluo ||xk+1 x*|| = k ||xk x*||2

Algoritmo Genrico
A maioria dos mtodos sem restrio caem nesta classe.

1- Estimar xo , f(xo) , f(xo)

2- Calcular direo de busca em xi ; d
d = - [ 2f(xi)]-1 f(xi)
2f(xi) d= - f(xi)

Hi
3- Encontrar o tamanho do passo que melhore f(x) na direo d
4- xi+1 = xi + d
5- i=i+1, v para (2)
Terminar quando || f(xi)|| < 1 e ||d|| 2

OBS: Para minimizao, Hi sempre positiva definida.

MTODO DAS DIREES CONJUGADAS

Experincia tem mostrado que o uso de direes conjugadas para
busca de extremos mais eficiente que a escolha arbitrria destas
direes.
Duas direes so ditas conjugadas [si e sj] quando
(si)T Q (sj) = 0 ; si , sj 0
Um conjunto de n direes linearmente independentes so ditas
conjugadas, em relao a uma matriz Q quadrada positiva definida,
se:
(si)T Q (sj) = 0

0 i j n-1

so, s1, ..., sn-1

Em otimizao Q=H

A ortogonalidade um caso particular Q=I (si) (sj) = 0

TEOREMA DA LGEBRA LINEAR

1- Dado um conjunto de n vetores conjugados, relativos Q, pertencentes a Rn:
s1, s2, ..., sn, ento os si,s definem uma base em Rn.
Qualquer vetor de Rn pode ser escrito como uma combinao linear
de n vetores conjugados
2- Um conjunto de n vetores conjugados de Q no nico. Um conjunto s1,..., sn
Pode ser reproduzido a partir de um conjunto qualquer w1... wn de vetores
linearmente independentes em Rn atravs de:
s1=w1
s2=w2 a21s1
s3=w3 a31s1 a32s2
.
.
.

sn=wn an1s1 - ... annsn-1

Onde as constantes aij so calculadas com (si)T Q (sj) = 0 (j<i)

TEOREMA DA LGEBRA LINEAR

3- A minimizao de f(x) obtida atravs de minimizao unidimensional, a
partir de um ponto xo, sobre cada uma das direes.

Entrar com xo(o), s1(o), ..., sn(o) ; k=0

Obter x1(k) otimizando f(x) sobre xo(k) + s1(k) 1
x1(k) = xo(k) + s1(k) 1
.
.
.

xn(k) = xn-1(k) + sn(k) n

Fazer si(k+1) = si+1(k) ; i=1 ... n -1
sn(k+1) = (xn(k+1) xo(k)) /
Se ||xo(k+1) x1(k)|| <

x(k) = xo(k+1)

xk

MTODO STEEPEST DESCENT

Hi = I/|| f(xi)|| Forma mais simples de se calcular

Garantindo obter extremo encontrando-se o que melhora f(x); muito lento
Bom para demonstrao de pequenos problemas, mas obsoleto
Como recomendao:
NO USE!!

MTODO DO GRADIENTE
Gradiente: Vetor em um ponto x que fornece a direo de maior aumento em
f(x) e ortogonal s curvas de nvel

xk+1 = xk + xk
xk = k sk
sk = - f(xk)
Gradiente Conjugado:
Combina informao sobre o vetor gradiente com os vetores gradientes de:
iteraes anteriores para obter uma nova direo
Obter a direo fazendo uma combinao linear do gradiente atual com os
anteriores
so= - f(xo) s1= - f(x1)|| + so Tf(x1) f(x1)
Tf(xo) f(xo)

MTODO DE
MARQUARDT

Motivao: Mtodo de Newton pode falhar se 2f singular; Steepest

Descent no falha, mas lento.
Combina ambos os mtodos com:
Hi = [ 2f(xi) + I ]
Casos limites: =0 Newton
d= - (Hi)-1 f(xi)
d= - f(xi)

Steepest Descent

Estratgia: Ajustar : - Diminua se o progresso for bom

- Aumente se o progresso for pobre
Mtodo Robusto, combina vantagens de ambos mtodos
Ajuste de requer soluo de equaes lineares

MTODO DE
MARQUARDT

1- Escolha de Hi determina o mtodo

Hi = 2f(x) Newton

Hi = I / || f(xi)|| Steepest Descent

2- Com adequado Hi, desempenho pode ser bom bastante se f(xi +d) melhora
3- Taxa de convergncia local (velocidade local) depende da escolha de Hi
Taxa Quadrtica

lim
k

||xk+1-x*|| = k
||xk-x*||

(Newton)
Taxa Linear
(Steepest Descent)
Taxa Superlinear

lim
k

lim
k

||xk+1-x*|| < 1
||xk-x*||

||xk+1-x*|| = 0
||xk-x*||

RESUMO
Resumindo os mtodos derivativos :
xk+1 = xk + dk k = xk k k fk
Matriz direo

Steepest Descent: =I

Newton: =H-1

Expandir fk em torno de xk Taylor 1 ordem

fk+1= fk + Hk (xk+1 xk)

Rearranjando:
xk+1 - xk = (Hk)-1 [ fk+1 - fk]

OU xk = (Hk)-1 gradk

Fazendo k+1 = (Hk)-1 k = k+1 - k

Logo xk = [k + k] gradk
Rearranjando k gradk = xk - k gradk

RESUMO
k = xk yT - k gradk zT
yT grad

zT gradk

Escolha de y de zT determina o mtodo quasi-Newton

Y
Broyden

xk - k gradk

Z
xk - k gradk

DFP

xk

k gradk

Pearson 1

xk

x k

Pearson 2

k gradk

k gradk

DFP: y= xk z= k gradk
Obtem-se: k+1= k +Ak Bk
Onde: Ak= (xk) (xk)T
(xk)T gradk

Bk= k (gradk) (gradk)T (k)T

(gradk)T k (gradk)

MTODO QUASI-NEWTON
Motivao: Hi precisa ser positiva definida; evitar clculo de 2f ; evitar
inverso de Hi para d= - (Hi)-1 f(xi)
Estratgia: Definir frmulas para clculo de (Hi)-1 simtrica, positiva definida e
satisfaz
(xi+1 - xi) = (Hi+1)-1 ( fi+1 - fi)
Relao da Secante

Frmula DFP (Davidon Fletcher Powell)

Bi = (Hi)-1
Bi+i = Bi + s sT Bi y yT Bi
sT y

y Hi y
Onde s=xi+1 - xi
y= f(xi+1) - f(xi)

FRMULA BFGS (Broyden, Fletcher,

Goldfarb, Shanno, 1970)
Bi+i = Bi +(s - Bi y) sT + s (s - Bi y)T - (s - Bi y) y s sT
yT s

(yT s) (yT s)

OBS:
1- Ambas frmulas so derivadas com consideraes similares e tm simetria
2- Ambas tm convergncia superlinear; so idnticas se minimizado
3- BFGS mais estvel e seu desempenho melhor que DFP, em geral
4- Para n 100, estes so os melhores mtodos

ALGORITMO
1- Estimar x(o), k=0

2- Fazer (o)=I e calcular fo

3- dk=k fk

4- Busca Unidirecional

5- xk = - k k fk

min f(xk k dk)

(k)

6- xk+1 = xk +xk

7- fk+1

8- gradk= fk+1 - fk
9- Checar convergncia

No
Passo 3

fk+1 fk <1 i=1 ... n

fk
xk <2
xik

Ak= (xk) (xk)T

(xk)T grad

Bk= k (gradk) (gradk)T (k)T

(gradk)T k (gradk)

k+1 = k+Ak Bk ; k=k+1

Exemplo: Mtodo Quasi-Newton

Minimizar 4(x1-5)2 + (x2 6)2

O vetor gradiente: f(x) =

8 (x1 - 5)
2(x2 6)
o=I ; xo= 8
2

Usando valores iniciais:

Ento, para a 1 iterao:
x1 = xo - o o f(xo)
x11
x21 =

8
9

- o

1
0

0
1

24
6

Para determinar o , minimizar

f(x1) = 4[(8-24 o) - 5]2 + [(9 - 6o)-6]2
df(x1) = 51 - 390 o = 0 o = 0,1307
do

Exemplo: Mtodo Quasi-Newton

Substituindo, obtm-se:
x1= 4,862
8,215

f(x 1) = 4,985

Ento:
grado= -25,108
-1,569

f(x1) = -1,108

4,431

Prxima matriz
1
1=
0

0
1 +

1
-3,13 0 -3,13 -0,785
-0,785 0 0
0
- 1
-3,13 -0,785 -25,108
-1,569

1= 0,217
-0,03149

0 -25,108 0
0 -1,569 0
-25,108 -1,569

-25,108 -1,569 1 0
0
0
0 1
1
0

0
1

-25,108
-1,569

-0,03149
1,0038
O procedimento repetido at a convergncia

Fontes para Software Sem Restrio

Bibliotecas:
National Algorithms Group (NAG)
IMSL
Harwell
Netlib (e-mail netlib@ornligov)
MINIPACK
TOMS Algorithms
LP test problems

Estas fontes contm vrios mtodos:

Quasi-Newton
Gauss-Newton
Sparse-Newton
Gradiente Conjugado

Otimizao de Fluxograma de Processos

Formulao e Definio do Problema

Premissas do problema (natureza do problema)

Restries

valor para o objetivo

desejado

(legal, fsica, econmica,

poltica, etc)

Decises

Modelo Matemtico + Algoritmo

parmetros, p
Restries, g, h
funo objetivo,
variveis, x, y
algoritmo de otimizao

Simulao Modular

.cada tarefa tem mltiplas

unidades
1
2
.cada unidade descrita por
mltiplas equaes
Conectividade entre unidades
Desempenho das unidades

dimensionamento e
custo

Propriedades fsicas
Desvantagens: (1) dificuldade em especificaes
(2) reciclos
Vantagens:

(1) fcil de construir o fluxograma

(2) fcil escrever o simulador
(3) fcil resolver e debug

Otimizao
x
,g
simulao

Min (x) ; g(x) 0

Black-box
h(x,y) = 0

Uso caro, tempo

Definio do problema difcil e incerta ; mltiplo critrio
Penalidade para falha maior que incentivo para melhoramentos

Simultneo Modular
Converge reciclos e especificaes de unidades simultaneamente
Vrios nveis de sofisticao so possveis
Executivo mais avanado
Alguns mdulos como seqencial modular

Formas de Modelar / Otimizar

Fluxogramas
1.

Seqencial Modular
Est se tornando obsoleto
Restrito para otimizao
2.
Modular Simultneo

Desenvolvido do seqencial

Permite otimizao eficiente

Em desenvolvimento
3.
Orientado por equaes

Ainda evoluindo com novos sistemas

Mais flexvel

Baseado em NR

Todas as equaes so resolvidas simultaneamente

Ideal: hbrido de 2 e 3.

OTIMIZAO PARA SIMULADORES

MODULARES
+ problemas pequenos de otimizao
n = 10-------1000
+ fcil de construir / inicializar
- necessita derivadas acuradas:
*convergncia loop interno
* perturbao # cuidados
- Impacto das derivadas => convergncia lenta
otim
estratgias de otimizao baseada em SQP
sim
opt
sim
Min (x,y)
Sr g(x,y) 0
h(x,y) = 0

MODO DE CLCULO ORIENTADO POR

EQUAES

Resolver equaes simultaneamente usando um solver comum

Equaes organizadas em pacotes para modelos comuns
Estrutura tpica:

Manipulao equaes
+ mtodo de resoluo

Pacote TD
- 80% de equaes

Prprocessador/
psprocessador

OTIMIZAO PRA SIMULADORES POR

EQUAES
+ derivadas acuradas
+ rpida convergncia
- problemas de otimizao grandes
n 1000 --------- 10000 (tpico)
- fatores de esparcidade so crticos para decomposio de matrizes
- problemas de inicializao / singularidade

Estratgia Eficiente para

Otimizao de Colunas de
Destilao atravs da
Simulao por Computador

Simuladores: Quando usados criteriosamente torna-se preciso

e rpido.
Maior Aplicao dos Simuladores:
Otimizao;
Reavaliao do ponto timo;
Desengargalamento;
Novo projeto;
Otimizao mais Eficaz: Uso de um estratgia
A estratgia proposta vem da experincia na otimizao de
colunas no PPC.

Motivao
destilao uma operao grande consumidora de energia;
a maioria dos processos de separao foram projetados com
velhas ferramentas que geram fatores de incerteza e
superdimensionamento;
necessidade de ampliar produo com mnimos custos de
investimentos Desengargalamento.
reduo de custos de produo
condies de competitividade
maiores lucros
adequar processo novos padres de segurana e de
controle de poluio.
nfase em parmetros tcnicos

Otimizao
Mtodo sistemtico para melhorar o desempenho de qualquer
sistema
Necessidades para se fazer qualquer otimizao
saber o que deseja otimizar;
critrio de avaliao;
variveis manipulveis;
intervalos que podem ser manipulados;
estratgia;
O que se deseja Otimizar?
coluna de destilao (existente ou no)

Critrio de Avaliao:
normalmente o custo global do processo.
Funo Objetivo: C = f(x) min
X variveis independentes (manipulveis).
Mesmo quando o critrio de avaliao for terico deve ser
levado em conta critrios econmicos.
Pode ser encontrada soluo maravilhosa porm
impraticvel.

Simulao:

Entradas

Modelo do Processo

Sadas ?

Otimizao:
? Entradas

Modelo do Processo

Sadas ?

Variveis de concepo

Estratgia Linhas Gerais

criar o modelo confivel;
fazer extrapolao e modificaes no processo
original;
avaliao dos resultados;
funes para anlise;
Esta a etapa mais importante da criao do modelo

Simulao de Processos na CPC so apresentados nas Tabelas 1, 2 e 3.

Tabela 1 Resultados Tcnicos

rea

Descrio

Mod.
Termodinmico e
Matemtico

11 e 12

Separar EDC da
corrente eluente de
oxiclorao de etileno

SRK para ambas

fases Inside-Out

No foi modelada
absoro de HCl.
Demais Aproximado

T-1301

Col. De Destilao
Azeotrpica, separa
gua e leves do EDC

Diversos Inside-Out

Fracasso na
modelagem

T-1302

Col. De Destilao
separa pesados do
EDC

T1303

Col. De Destilo
vcuo, concentra os
pesados do EDC

rea 14 e T-1501

Separa HCl do
efluente das fornalhas

T-1502

Separa MVC do EDC

e impurezas

T-1503

Separa leves do EDC

SRK para ambas

fases Inside-Out

SRK para fase vapor

e Ideal para fase
lquida Inside-Out

Avaliao

Modelagem
Satisfatria

Restrio quanto ao
comportamento do
CCl4

Pode ser observado que a abordagem Inside-Out para a

soluo matemtica do problema obteve sucesso para a
maioria dos casos. Apenas na T-1301 no se conseguiu
convergncia, mas utilizado, em decorrncia da
disponibilidade do modelo nos simuladores em uso e de
parmetros de interao binria para algumas das
misturas envolvidas. Contudo, a equao SRK, teve seu
uso restrito em alguns casos.

Tabela 2 Ganho Efetivo Anual com as Modificaes na Planta

Item

Observaes

1000 US$

Torre T-1302

Modificao do Prato de Alimentao.

360,0

Torre T-1503

Mudana da Condio de Operao do Topo

da Coluna.

600,0

Total

960,0

Tabela 3 Outros resultados ainda no implantados no processo

Item

Observaes

1000 US$

A11 e A12

Colocao de um novo condensador

10,5

Torre T-1302
Torre T-1303

Mudana do prato de alimentao com

investimentos

9,4
16,5

A-14 e T-1501

Colocao de novos trocadores e novo sistema de

refrigerao

225,0

Torre T-1502

Mudana do prato de alimentao com

investimentos.
Modificao do sistema de controle

56,5
Melhoria na
Pureza do
Produto.

Total
OBS.: Bases para a avaliao
1 US$ (05/01/89) = NCz$ 0,80
1 tonelada de vapor (Novembro/1988) = US$ 9,38

317,9

PROBLEMAS DE OTIMIZAO
NO-LINEAR COM RESTRIO
min F { x1 ... xn}
Sr
igualdade
g1 { x1 ... nn} = 0
...
Gr {x1 .... xn} = 0
desigualdade
h1 {x1 ... xn} 0
...
hm {x1 ... xn} 0

Ex:
f(x) funo objetivo escalar
x vetor de n variveis
g(x) meq restries de igualdade ; r = meq
h(x) m restries de desigualdade
Grau de liberdade = n meq
Condio suficiente para timo nico
f(x) deve ser convexa, e
Regio vivel deve ser convexa, isto ,
g(x) so todas lineares
h(x) so todas convexas
S em casos especiais no existe nenhuma garantia que um timo local global
Se a condio suficiente violada

Otimizao No-Linear com restries

(I)

Multiplicadores de Lagrange
(1)

Uma restrio de Igualdade

Min f {x}
x

g{x} = 0
Introduz um multiplicador de Lagrange ,
c.r.

L { x, } = f {x} + g{x}
Minimizar L usando mtodos para funes objetivos sem restrio
Min L
Ento L = 0 ou
L = ... = L = L = 0
x1
xn

Ex:
min f {x1,x2} = 2x1 +x1x2 + 3x2
Com g {x1,x2} = x1 +x2 3 = 0
min L {x1,x2, } = 2x1 +x1x2 + 3x2 + (x1 + x2 -3)
Obs: Propriedades do Mtodo Multiplicador de Lagrange

min f{x1, x2}

g{x1,x2} = 0
2 variveis x1,x2

df = 0 = f dx1 + f dx2
x1
x2
dg = 0 = g dx1 + g dx2
x1
x2
condies necessrias

Ento

Logo

f
g
dx1 = - x2
e dx1 = - x2
dx2
f
dx2
g
x1
x1
f
g
x2 = x2
f
g
x1
x1

Rearranjando e definindo
f
f
x1 = x2 = -
g
g
x1
x1
Para determinar x1 , x2 e no ponto de equivalncia:
f + g = 0 ; f + g = 0 ; g = 0
x1
x1
x2
x2
Mesmas equaes so obtidas quando busca o extremo de L = f + g
O mtodo multiplicador de Lagrange fornece um ponto estacionrio sobre g,
onde as inclinaes de f e g so iguais

(2) r restries de igualdade

min f {x}
s.r. g1 {x} = 0
...
gr {x} = 0
Introduz r multiplicadores de Lagrange
L {x, 1, ... r} = f {x} + 1g1 + ... + rgr
Minimizar
L= 0
Que fornece n + r equaes no-lineares

(3) Uma restrio desigualdade

min f {x}
s.r. h{x} 0
Converter desigualdade em igualdade usando uma varivel de folga
Z - h{x}
Que fornece um novo problema de otimizao
min f{x}
s.r. h{x} + z = 0
Usar o multiplicador de Lagrange:
L {x, , z } = f {x} + [h{x} +z]
n=2
L = f + h = 0
x1 x1
x1
L = f + h = 0
x2 x2
x2
L = h + z = 0

L = 2z = 0
z

forma equivalente
f + h = 0
x1 x1
f + h = 0
x2 x2
h = 0
h0

Condies necessrias e suficiente para mnimo local

Condies de Kuhn Tucker
min f{x}
g{x}
L{x, , }
h{x}
f{x} + h{x}
g{x}
1 ordem Necessria
f Lagrangiana no ponto estacionrio
xL{x*,, } = f{x*} + h{x*} + g{x*} = 0
Restries satisfeitas
g{x*} 0
^ h{x*} = 0
Multiplicadores [desigualdade atua em uma direo]
0
Complemento
g{x*} = 0

g{x*} = 0 , 0
g{x*} > 0 , = 0

2 ordem suficiente
pTxxLp > 0 , onde p so todas as direes das restries
pTg{x*} = 0 , pTh{x*} = 0
Para n = 2
L = f + h = 0
x1 x1
x1
L = f + h = 0
x1 x1
x1
L = h + z = 0

L = 2z = 0
z
Obs:
h + z = 0
h + z = 0
Note que z = 0
Logo h = 0

Forma equivalente
f + h = 0
x1
x1
f + h = 0
x2
x2
h0
h = 0

condies Kuhn - Tucker

Concluses sobre condies do extremo

Sinal
-0
+ 0
0

pontos estacionrios
localizao
natureza
limite regio
mnimo
limite regio
mximo
limite regio
ou mx ou mn
ou no interior
ou outro

Condies sobre a natureza dos pontos estacionrios

pontos estacionrios

localizao
natureza
< 0 (ativa)
contorno
mnimo
> 0 (ativa)
contorno
mximo
= 0 (inativa)
contorno
ou mx ou mn
ou interior
ou outro
Exemplo: otimizar Y{x1, x2} = x2 - 2x1 x1
sr h{x1 , x2} = x1 + x2 - 1 0
Aplicar condies de estacionaridade
- 2 2x1 + 2x1 = 0
2x2 + 2x2 = 0
(x1 +x2 -1 ) = 0
Solues
x1
x2

Y
Tipo

A
1.0
0.0
2.0
-3.0
min

B
-1.0
0
0
1.0
sela

C
-0.5
0.87
-1.0
1.5
max

D
-0.5
-0.87
-1.0
1.5
max

(4) m desigualdades restrio

min f [x}
sr h1 {x} 0
...
hm {x} 0
Condies de estacionaridade
f + 1h1 + ... + mhm = 0
x1
x1
x1
...
f + 1h1 + ... + mhm = 0
xn
x1
xn
1h1 = 2h2 = ... = mhm = 0
h1, h2, ..., hm 0
Resolve as equaes no lineares para x1, ..., xn e 1, ..., n no ponto timo.
Cada multiplicador o coeficiente de sensibilidade de f em relao restrio
correspondente.
Este mtodo permite determinar os pontos candidatos a timo; pouco eficiente
para problemas de grande porte.

PROGRAMO QUADRTICA
Funo objetivo quadrtica + restries lineares
Minimize f{x} = aTx + xTBx
sr g{x} = Ax b = 0
h{x} = - x 0
x1
g1
h1
x = ...
g = ...
h = ...
xn
gn
hn
Toma-se funo de Lagrange
L{x, , , z} = f{x} + T [Ax b] + T[h{x} + z]
L = aTx + xTBx + T[Ax-b] + T[h{x} + z]
Para encontrar o mnimo

L = 0

xL = a + Bx + AT + = 0
Bx + A + = -a
n equaes lineares

L = Ax b = 0
L = x + z = 0
zL = z = 0

Ax = b
r equaes lineares
xii = 0
i = 1 ... N
x,,0
n equaes

2n + r equaes em 2n + r variveis
Obs: para cada i
xi = 0 ou i=0

PROGRAMO QUADRTICA
RECURSIVA
Aproximar f{xk+1} por uma expanso em Srie de Taylor de 2 Ordem em torno
de xn
f{xk+1} Q{xk+1} = f{xk} + fT{xk}xk + xkfxk
xk = xk+1 xk
Linearizar as restries
g{xk+1} g{xk} + g{xk}xk
h{xk+1} h{xk} + h{xk}xk 0
Resulta um problema de programao quadrtica
resolvido para xk . O procedimento repetido at
|| xk ||

PROGRAMAO QUADRTICA
ITERATIVA (SUCESSIVA)
Powell, A fast algorithm for Nonlinearly Constrained Optimization Calculations
, AERE Harwell, England , 1977
minimizar f{x}
sr g{x} = 0
h{x} 0

r restries
m restries

Lagrange
L{x, , , z} = f{x} + Tg{x} + T[h{x} + z]
No mnimo
L = 0
ou
xL = xL + Txg + Txh = 0
J{x}
K{x}
g{x} = 0
hii = 0
0

restries ativas
i = 1 ... m

condies Kuhn Tucker

Resolver Equaes No- Lineares Newton

xxL
J
ixhi

J T kT k
x
xLk
0
0
= g{x}
0
0

ihi
i = 1 ... m
Precisa calcular : xxL; correto conjunto g ativo ; boa estimativa i, i
Algoritmo
1. k = 0 ; estimar x
2. Calcular: g{x} ; h{x} ; xf ; J ; k
3. Para k = 0 fazer C = I
k > 0 fazer C [frmula BFGS]
4. Resolver problema programao quadrtica para k+1 , k+1 e dk+1
5. xk+1 = xk + k+1dk+1
Hans (1977)
e selecione por minimizao
6. Convergiu?
No k = k+1

(= xk+1)

Obs: Ck = xxL

PLIM (lindo)
Programao Linear com Sim / No
( 0/1) {decises}
Min aTx + cTy
sr Ax + By b
Cx + Dy = d
y = { 0, 1 }
Algoritmo Branch Bound
PL relaxado
1

6
y1 = 0

y1 = 1

15
y2 = 0

17

10
y1 = 1

20

y2 = 0

y1 = 1

11

13

Obs:
1) MINOS implementado de forma eficiente para levar em conta de forma
cuidadosa a linearizao ; torna-se um mtodo SIMPLEX para Programao
Linear se o problema est totalmente linear; tem tambm rotinas eficientes
para matrizes
2) No-linearidades nas restries so levadas em conta no passo (3)
MINOS a mais eficiente que GRG
3) Passos (3) e (4) convergem com taxa quadrtica
Obs:
i)
ii)

Melhores algoritmos : GRG2, MINOS, SQP

GRG2 geralmente mais lento, mas robusto; usar com funes altamente
no lineares
iii) Pequenos problemas
n 100
SQP
iv) Grandes problemas
n 100
MINOS
SQP

MINOS

Estratgia (Robison , Murtagh & Saunders)

1. Divide variveis em independentes zI e dependentes zD
2. Linearizar restries ativas em torno do ponto de incio, z
Dz = C
3. Resolver problema com restries linearizadas como segue
= f{z} + Th{z} + {hTh}
Funo Lagrange Aumentada
E resolve
min {z}
Dz = C
azb
Usando gradiente reduzido (como em GRG) para z
4. Linearizar restries em torno de z e v para (3)
5. O algoritmo termina quando nenhum movimento ocorre entre os passos (3) e
(4)

MINOS / AUMENTADO
MTODO GRADIENTE REDUZIDO
Algoritmo eficiente esto disponveis para resolver problemas de otimizao com
restries lineares
Min f{x}
Ax b
Cx = 0
Extenso para problemas no lineares atravs da linearizao sucessiva
das restries

Estimativa dos Multiplicadores de Lagrange

Para um valor suficientemente grande R , os valores de i e i que minimizam
AL tambm maximiza a funo D:
D{ , , R} = min AL {x, , , R}
as derivadas parciais de D so :
D = - gi
i hi
D = -i
i
2R

RV
RV

onde V a regio com hi - i < 0

2R

Usando um mtodo steepest ascent

i(k+1) = i(k) + 1 D
2R i
i(k+1) = i(k) + 1 D
2R i

Vantagens :
(i) Qualquer mtodo para problemas sem restrio pode ser aplicado
(ii) Todas as variveis so ajustadas simultaneamente
Desvantagens:
(i) Funo objetivo bastante complexa
(ii) i , i , R so desconhecidos; uma seqncia de minimizao deve ser
realizada com o aumento de R
Algoritmo:
1) Estimativa inicial para i , i , R
2) Minimize AL para obter x
3) As restries so satisfeitas?
Sim
fim
4) As violaes das restries so reduzidas?
No
aumente R
5) Reestime i , i

MTODO LAGRANGIANO AUMENTADO

Problema :
Min f{x}
sr g{x} = 0
h{x} 0
convertido em um problema de minimizao sem restrio
min AL {x , , , R} = f + Tg + R[igi + i(min {0, hi i }) - i i
2R
4R
Onde i, i multiplicadores Lagrange
R n positivo grande
Ento

lim [min{AL}] = soluo minf

R

Vantagens:
As operaes para calcular as variveis dependentes envolvem poucas
operaes com matriz
As restries de igualdade so satisfeitas aps cada iterao
Desvantagens:
Se as restries de igualdade, as variveis independentes so calculadas
iterativamente com mtodo tipo Newton
A seleo das variveis independentes no inteiramente arbitrria
o
conjunto de equaes no lineares deve ser no singular

Algoritmo = GRG2 (lasdon)

1.

2.
3.

4.

5.

Comear com
Min f{z}
zT = [zIT zDT]
h{z} = 0
zD Rmeq
azb
zI Rnmeq
Obs: escolher zD longe dos limites
Escolha z tal que h {z} = 0
Calcule
df em zi
dzI
mtodo Quasi-Newton
dI = - (Bi)-1 df
dzI
Se zIji +dIj ultrapassar os limites faa dIj = 0
Calcule
Para cada zI = zIi + dI , obtenha zD
zDk+1 = zDk [zdhT{zI , zDk}]-1h{zI,zDk}
Mtodo de Newton
Escolha menor, se zD ultrapassar o limite ou f{z} f{zi}
Se ||df/dzI|| e ||dI|| 2 ento PARE
Seno volte ao (3)

Obs: Pode-se usar um algoritmo de otimizao para problemas com restrio usando o
gradiente reduzido e as restries de desigualdade que sobraram
Quasi-Newton
O problema reduzido para um espao reduzido (n-meq) de variveis
Exemplo: Gradiente Reduzido
Min f = x1 - 3x2
sr h = 3x1 + 4x2 24 = 0
hT = [3 4]
fT = [2x1 -3]
Considere z = x ; zI = x1 ; zD = x2
df = f - zIh [ zDh]-1 f
dzI zI
zD
(df/dx1) = (f/ x1) (h/ x1)(h/ x2)-1(f/ x2)
df = 2x1 (3)(4)-1(-3) = 2x1 + 9/4
dx1

Otimizar sobre zI com h{zI , zD} = 0

zD Rmeq , isto , resolve h
Para zD em termos de zI
Obs: h{zI, zD} = 0

zD = {zI}

Precisa-se derivadas restritas ou gradiente reduzido em termos de zI

Definio Gradiente Reduzido
df = f + dzDf
dzI zI dz zD
Como
h{zI, zD} = 0 e dh = (h/zI)T + (h/zO)TdzO = 0
Logo
dzD = - (h/zI)(h/zO)-1 = zIhzDh]-1
Ento
df = f - zIh[zDh]-1f
dzI zI
zD
gradiente reduzido

MTODO DO GRADIENTE REDUZIDO

GENERALIZADO (GRG)
Min f{x}
g{x} 0
h{x} = 0
axb
1. Converter restries de desigualdade em igualdade usando variveis de folga
g{x} + s = 0
s0
2. Decidir quais as restries ativas ou inativas
3. Dividir as variveis em dependentes e independentes
Considere

zT = [zIT zDT]

min f{z}
h{z} = 0
azb

meq equaes

Regras Para Formulao de Programas NL

1. Evite overflows e termos indefinidos
No divida, no use logs, etc
x + y lnz = 0
x+yu=0
expu z = 0
2. Se as restries devem sempre ser usadas, tenha certeza que elas sejam
lineares ou limitadas
V(xy z) = 3
vu = 3
u - (xy z) = 0
u0
3. Explorar o mximo possvel restries lineares
Balano de massa : xiL + yiV = Fzi
li + v i = f i
L li = 0 , etc

4. Use limites e restries para reforar solues caractersticas

axb
g{x} 0
Para isolar razes corretas de h{x}= 0
5. Explore propriedades globais quando existe possibilidades
O problema convexo?
Equaes no- lineares?
Programao Linear, Quadrtica?
6. Explore a estrutura do problema, quando possvel
Min [ Tx 3Ty]
sr xT + y Ty = 5
4x 5Ty + Tx = 7
0T1
Se T est fixo
resolve PL
Colocar T em um loop de otimizao externo

(2) Reactor Coolant Loop

Carnahan and Wilkes, Digital Computing and Numerical Methods, Wiley, New York, pg 437-9, 1973

Minimizar o custo anual (durante cinco anos)

Ct = Cop
+
(Cx
+
Cp)/5
0,7457CeW
$/KWhr

220A0,596

KWhr/yr

ft2

Ajustar G e T2 , dados T1, Q, T3, T4

lb/(ft2hr)

BTU/hr

264V0,582
gal/min

Restries de igualdade
Trocador de calor
T =(T1+T2)/2
= 1800e-0,025T
h = 0,041*(G0,65)/(0,27)
U = 1/(R + 1/h)

F
centipoise
fator de resistncia - especificado

= [(T1-T2)2 + (T4 T3)2]

T1 = T1 T4
T2 = T2 T3
TM =_________________________________
ln{(T1 + T2 + )/(T1 + T2 - )}
A = Q/(U TM )
NRe= 0,019G/
f = 190/Re
= 55 0,0187(T-100)
lb/ft 3
P = 3,33*10-9(fG2/ )
psi/tube bank

LISTA DE EXERCCIOS