UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE

CENTRO DE CIÊNCIAS E TECNOLOGIA

LABORATÓRIO DE ENGENHARIA DE PRODUÇÃO

Formulação de Programação
Matemática em Dois Níveis Linear
aplicada a um Problema das Redes
de Transporte de Gás Natural

SARA MEIRA MOUTTA

Orientadora: Prof. Gudélia G. Morales de Arica

 1 - Introdução

Este trabalho apresenta um dos muitos problemas

que surgem com a transmissão e negociação de Gás
Natural.

Propõe uma abordagem de solução reformulando o

modelo de Programação Matemática em Dois Níveis
Linear com o uso de uma função gap associada.
 2 – O Problema das Redes de Transporte de Gás Natural

No sistema de transporte de gás natural, podemos

destacar:

- emissores;

- transportadores;

- gasodutos;

- compressores;

- custos operacionais.
 O gás a ser transportado gera custos e, quanto
maior a quantidade de gás a ser transportada, maiores
serão os custos.

O problema de minimizar estes custos é motivo de

estudo de muitos pesquisadores. Busca-se a sua solução
através de diferentes caminhos.
 Inicia-se o problema quando um emissor faz um
contrato com uma companhia de gasodutos
(transportador) para entregar uma determinada
quantidade de gás em diversos pontos.

Devido à natureza da própria indústria de gás, a

quantidade de gás entregue na prática pode ser mais
ou menos da quantidade que tinha sido contratada,
acarretando um desequilíbrio.

Para evitar desequilíbrios muito grandes,

emissores e transportadores adotam a política de
penalidades.
 O procedimento de tomada de decisão dos
emissores e transportadores de gás natural é
interdependente.

Neste processo existe uma hierarquia

responsável pelas tomadas de decisão.

Um modo para representar tais hierarquias é

focalizar em níveis.
 Quando as funções envolvidas em todos os
níveis são lineares, podemos dizer que temos um
problema de programação matemática em dois níveis
linear.

A programação matemática em dois níveis é

o modelo que analisa os problemas de tomada de
decisão com enfoque para duas estruturas hierárquicas.
 A formulação geral de um modelo em Dois Níveis é:

Min. F(x, y)
s.a.
Gi (x, y) ≤ bi, i =1,2.., k e (1.1)
y solução de

Min. f(x, y)
s.a.
Hj( x,y) ≤ dj, j = 1, ..p (1.2)

x, y D
 Em modelagem, o domínio de soluções viáveis
associado com um problema de programação em dois
níveis é determinado implicitamente por uma série de
dois problemas de otimização, que devem ser resolvidos
em uma seqüência predeterminada:

- Temos um líder (associado com o nível superior) que

seleciona sua decisão primeiramente;

- E o seguidor (associado com um nível inferior) que

responde a esta decisão.
 O problema citado acima é representado por
um modelo particular de programação matemática em
dois níveis.

Ele é modelado por funções lineares com

variáveis contínuas onde o emissor será representado
pelo líder e o transportador será representado pelo
seguidor.
 Assim como é verdade que os desequilíbrios
se devem a fatores externos, também é verdade que
o emissor tem um importante papel nas decisões
quanto ao desequilíbrio.

Como queremos investigar como o emissor

deve lidar com os desequilíbrios, assumiremos que as
decisões de desequilíbrio se devem totalmente ao
emissor.
 3 - Modelo Matemático

3.1 - Problema de Nível Superior:

Este problema tem como objetivo minimizar o

custo do emissor.
Minimize h1(x,s,y,u,v,z) = z (1a)
Sujeito.a:
L U
(1b)
x  xti  x
ti ti t T , i J
stiL  sti  stiU t T , i J (1c)

xtL   xti  xtU t T (1d)

i J

xti  xt 1,i  sti t T , i J (1e)

Onde (y,u,v,z) são a solução ótima do problema de nível inferior para

(x,s) fixado.
 3.2 - Problema de Nível Inferior:

Este problema tem como objetivo minimizar os

desvios de zero para a função custo, isto é, minimizar a
quantidade de transações de capital.

Minimize h2(x,s,y,u,v,z) = |z| (2a)

Sujeito.a:

y j  xN , j   (1  eij )uij   v jk  (2b)

i :i  j k :k  j
u
k :k  j
jk   v ij ,
i :i  j
j  J;

y
i J
i  
( i , j ):i  j
e ij u ij   x N ,i
i J
(2c)

u
j: j i
ij  v
k :k  i
ki  max{ 0,x N ,i }, i J (2d)
  x Ni se x N,i  0 e x N, j  0;
 (2e)
u ij  
0 caso contrário.

 x N , j se x N, j  0 e x N,i  0; (2f)

v ij  
0 caso contrário.

(2g)
min0, x N ,i   y i  max 0, x N ,i , i  J.

 M (1  q )  y i  Mq, i  J, (2h)
z   ( y )
i J
i
2
i   
 ri y i 
( i , j ):i  j
bijv ij   f (1  e
( i , j ): i  j
ij ij )u ij. (2i)

Onde (y)+ = Max { 0,yi }.

y i, z livres; (2j)

u ij ,v ij  0; (2k)

q  0,1. (2l)
 3.3 - Notação
As notações seguintes são usadas para descrever o modelo:

Índices:
i,j,k índices de zona; i, j, k  J = {1, 2, ...P};
t índice do tempo; t T = {1, 2, ...N};

Parâmetros:
xtiL , xtiU limites dos desequilíbrios diários no fim do dia t na zona i; t T, i J;
xtL , xtU limites dos desequilíbrios diários totais no fim do dia t; t T;
stiL, stiU limites de variação de desequilíbrio durante o dia t na zona i; t T, i J;
eij porcentagem do combustível retido para movimentar uma certa quantidade
de gás da zona i para j; i, j  J;
fij taxa de transporte para mover um dt de gás da zona i para j; i, j  J, i < j;
bij crédito do transporte para mover um dt de gás da zona j para i; i, j  J, i < j;
x0j desequilíbrio inicial (começa no dia 1) na zona j; j J;
rj , j parâmetros de penalização de desequilíbrio,i J;
 Variáveis de decisão (primeiro nível):

xti desequilíbrio no fim do dia t na zona i; t T, i J;

sti variação do desequilíbrio durante o dia t na zona i; t T, i J;

Variáveis de decisão (segundo nível):

yi desequilíbrio final na zona i; i J;

uij volume despachado da zona i para j; i, j  J, i < j;
vij volume devolvido da zona j para i; i, j  J, i < j;
z receita total de venda do emissor.

Variáveis auxiliares:

q variável binária igual a 1 (0) se os desequilíbrios finais são não-negativos

(não-positivos). No caso especial quando todos os desequilíbrios finais são
zeros, nós aceitamos q = 1.
 3.4 - O Método de Penalidades

Como os desequilíbrios do último dia em todas as

zonas são não-positivos ou positivos e grandes o
suficiente, então o conjunto solução do problema de dois
níveis (1a) – (2l) não mudará se a restrição (2h) for
movida do segundo nível para o primeiro nível.

Assim determinada esta é a única variável inteira,

adequando-se aos dois seguintes programas de dois
níveis:
 min h1(x,s,y,u,v,z)=z
s.a. (1b)-(1e)

min h3(x,s,y,u,v,z) = z2
s.a. (2b)-(2k)
q=0

min h1(x,s,y,u,v,z)=z
s.a. (1b)-(1e)

min h3(x,s,y,u,v,z) = z2
s.a. (2b)-(2k)
q=1
 Estes são sistemas hierárquicos em dois níveis
no espaço Euclidiano onde a tomada de decisão do
primeiro nível controla um vetor de variáveis w1 = (x,s) 
RNP x RNP , e o segundo nível controla um vetor de
variáveis w2 = (y,u,v)  RP x RP(P-1)/2 x RP(P-1)/2, e uma
variável binária q = .

Se introduzirmos a função:

F ( y ,u,v )   [r i y i   i ( y i ) 2 ]  b v ij ij  f ij (1  eij )u ij
i J ( i , j ):i  j ( i , j ):i  j
 E o conjunto:

W2 = W2 (x,s) = {w2 = (y,u,v) : (2b)-(2h), (2j)-(2k), q = },

Então a reação W2 = W2 (x,s) = (y,u,v) do

seguidor para a decisão do líder w1 = (x,s) é a
solução de um problema de equilíbrio representado
pela seguinte Desigualdade Variacional (DV):

F ( w2 )F ( w2 ), w2  w2  0, para todo w2  W2 ( x, s), (3)

 Note que esta função F(y,u,v) é o negativo da
função z(y,u,v). Desta forma, podemos obter os seguintes
equivalentes programas em dois níveis generalizados, ou
GBLP (), para  = 0,1, na forma de maximização:

GBLP (  ) : F  ,*  max F ( y ,u,v ),

( x ,s )W1,( y ,u,v )W2 ( x ,s )

Sujeito a (3).

A solução ótima pode ser obtida da solução de

ambos problemas GBLP(0) e GBLP(1).
 Um dos métodos usados para resolver um
problema de DV é reformulá-lo como um problema de
otimização equivalente através de uma função de mérito
ou função de decisão.

Uma função de mérito, função de decisão e

comumente em matemática função objetivo é a função que
se deseja minimizar (maximizar).

A função de mérito associada a DV é a função cujo

conjunto de minimizadores globais coincide com o conjunto
de soluções do problema de DV.
 Sendo assim, reformularemos a DV do segundo
nível como um problema de otimização equivalente,
usando uma função de mérito associada a DV chamada
função gap.
Usamos então esta função gap como um
termo de penalidade para o problema de primeiro nível.
Esta é a função gap associada com a DV (3) do
segundo nível:
G (w 1,w 2 )  max

 (w 1, w 
2 , w 2 ),
(4)
onde w 2 W2 ( x ,s )

    1  2
 (w 1,w ,w 2 )   F (w )F (w ),w 2  w
2 2 2 2   w2 w2 ,
2
e  é um número não-negativo.
 Prova-se que G é não-negativo sobre:

S    w1W1 w1  W2 ( w1 ),

e G ( w1 , w2 )  0

Se e somente se é uma solução para a desigualdade

variacional do segundo nível parametrizada por (x,s).
 Finalmente isto nos conduz a reformulação do
GBLP() como um problema de programação matemática
padrão:

PR1(  ) : max F ( y,u,v ),

w1 ( x ,s )W1,w2 ( y ,u ,v )W2

( x ,s )

Sujeito a G (w 1,w 2 )  0.

 4 – Objetivos Iniciais

- Estudar o problema de minimizar os custos do emissor

sujeito ao problema de nível inferior que reflete os
objetivos do transportador;

- Aplicar técnicas de pré-processamento que consistem

em, antes de otimizar o problema em si, transformá-lo
em outro equivalente de forma que tenha melhores
propriedades para ser resolvido numericamente;

- Estudar o algoritmo de penalidades, proposto por

Kalashnikov e Ríos-Mercado [2004] e o algoritmo para
encontrar pontos de equilíbrios, proposto por Campêlo
[1999], comparando-os.
 5 – Etapas realizadas até o momento

Foi realizado um levantamento de conteúdos

matemáticos necessários para um aprofundamento no
estudo do modelo em questão. Dentre outros conteúdos
podemos destacar:

- Estudo da formulação de modelos de otimização como

modelos de DV;

- Estudo das características e comportamento das

funções gap associadas a DV.
 6 – Material apresentado em Eventos

Parte dos resultados dos estudos realizados foi

apresentado na 3ª Semana Acadêmica de Matemática -
Sacamat - em um seminário entitulado:

Abordagem para a solução de uma Desigualdade

Variacional: a Função Gap
7 - Bibliografia

1 - Ríos-Mercado, Roger Z.; Wu, Suming; Scott, L. Ridgway;

Boyd, E. Andrew – Preprocessing on Natural Gas
(Transmission Networks), 2000.

2 - Wu, Suming; Ríos-Mercado, Roger Z.; Boyd, E. A.; Scott,

L. R. – Model Relaxations for the Fuel Cost Minimization of
Steady-State Gas Pipeline Networks, 1999.

3 - Dempe, Stephan; Kalashnikov, Vyacheslav; Ríos-

Mercado Roger Z.– Discrete bilevel programing: Application
to a natural gas cash-out problem, 2004.

4 - Ríos-Mercado, Roger Z.; Kim, Seongbae; Boyd, E.

Andrew– Efficient Operation of Natural Gas Transmission
Systems: A Network- Based Heurístic for Cyclic Structures,
2004.
5 - Morales, Yanet Villalobos; Ríos-Mercado, Roger Z. –
Preprocessamiento Efectivo de un Problema de Minimización de
Combustible en Sistemas de Transporte de Gas Natural, 2002.

6 - Ríos-Mercado, Roger Z.; Kalashnikov, Vyacheslav V. - A

Natural Gás Cash-Out Problem: A Bilevel Programming
Framework and a Penalty Function Method, 2004.

7 - Iamashita, Edson K.; Galaxe, Frederico; Arica, José; Justiniano,

Luiz R. S.; Iachan, R. – Um Algoritmo Genético Híbrido para o
Planejamento de Movimentação de Gás da Bacia de Campos,
2003.

8 - Campelo, M. B. N. Programação Linear em Dois Níveis: Uma

abordagem teórica e computacional. Tese de Doutorado – COPPE
– Universidade Federal do Rio de Janeiro, 1999.

9 – Souza, Joviana Sartori – Alguns tópicos teóricos e algorítmicos

relacionados a um modelo de Programação Linear em Dois Níveis.
Tese de Mestrado – Universidade Estadual do Norte Fluminense,
2005.
10 - Trujillo, Carlos E. V. – Algoritmos de descida baseados em
funções Gap para resolver problemas variacionais monótonos.
Tese de Mestrado - Universidade Estadual do Norte Fluminense,
2003.

11 - Hearn, Donald W. – The Gap Function of a Convex Program,

1981.

12 - Auchmuty, Giles – Variational Principles for Variational

Inequalities – Numerical Functional Analysis and Optimization 10,
1989, pág. 863-874.

13 - Larsson, Torbjorn; Patriksson, Michael – A class of gap

functions for variational inequalities – Mathematical Programming
64, 1994, pág. 53-79.

14 – Izmailov, Alexey; Solodov, Mikhail – Otimização volume 1.

Condições de Otimalidade, Elementos de Análise Convexa e de
Dualidade - Rio de Janeiro: Impa, 2005.
15 - Berkovitz, Leonard D. – Convexity and Optimization in Rn – A
Wiley- Interscience publication, USA, 2001.

16 - Bazaraa, Mokhtar S.; Sherali, Hanif D.; Shetty, C. M. –

Nonlinear Programming Theory and Algorithms - A Wiley-
Interscience publication, USA, 1993.

17 - Aubin, J. Pierre – Optima and Equilibria An Introduction to

Nonlinear Analysis – Springer, Second Edition, 1998.

18 - Hiriart-Urruty, J Baptiste; Lemaréchal, Claude – Convex

Analysis and Minimization Algorithms I – Springer-Verlag,