Escolar Documentos
Profissional Documentos
Cultura Documentos
OTIMIZAÇÃO DE PROCESSOS
Argimiro R. Secchi
AULA 1:
2012 1
Introdução
3
Necessidades de (Re)Otimização
Para manter/aumentar a lucratividade do processo,
deve-se ir além das práticas convencionais
Especificação Variação na
do produto matéria-prima
Nova Interrupção
regulamentação de utilidades
Competição Desgaste de
acirrada equipamentos
4
Formulação de Problemas de Otimização
5
Exemplo 1.1: Projeto Ótimo de um Sistema
de Resfriamento
Análise econômica:
custo por unidade: ci ai Ai bi Wi
3
custo total: cT
c
i 1
i
6
Modelagem do Processo
Qi Wi i
(ti 1 Ti ) (ti Ti )
Transferência de calor: Qi Ai U i
ti 1 Ti
ln
it Ti
F Cp ti 1 Ti F Cp
Ai ln Wi (ti 1 ti )
Ui t
i Ti
i
7
Definições
8
Definições
9
Exemplo 1.2: Melhoria das Condições de
Operação do Processo de Extração por Solvente
Análise econômica:
10
Modelagem do Processo
relações de equilíbrio: y1 = m x 1
y2 = m x2
L(x1, x2) = a – b / x1 – c x2 – d x1 / x2
a = F (Ps xo + 2 Px / m – Px s)
b = F Px xo / m
c = F Ps
d=FP /m 11
Região de Busca
extrator.m
12
Exemplo 1.3: Estimação de Parâmetros
minn S ( x)
x
mínimos quadrados: S ( x)
j 1
[ y j ( x) y exp
j ]2
máxima verossimilhança: S ( x)
j 1
1
2
j
[ y j ( x ) y exp 2
j ]
( a1 e t / a1 a2 e t / a2 )
y (a ) 1
a1 a2
13
Mínimos Quadrados
modelo x dados
1
0.9
0.8 dados
modelo
0.7
0.6
0.5
y(t)
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
t
minqua.m
a1 = 2,9935 a2 = 1,9177
14
Procedimento Geral
16
Mínimos e Máximos
17
Ínfimo e Supremo
x* x*
Considerando os pontos , 150
S(x*) = 0
x 1
3
19
Condições para Otimalidade
Otimização sem Restrição
S(x*) = 0 e que
H(x*) 2S(x*) seja positiva (negativa) semidefinida
• Condição suficiente:
S(x*) = 0 e
H(x*) seja positiva (negativa) definida
21
Condições para Otimalidade
Otimização sem Restrição
x3 x2
x1
2
1
S ( x) S ( x*) ( x x*)T H ( x*)( x x*) 0
2
monovariável:
1 2 1 1
S ( x) S ( x*) S ( x*)( x x*) 2 3 S ( x*)( x x*) 3 4 S ( x*)( x x*) 4 0
2 3! 4!
23
Análise da Matriz Hessiana
z VT (x x*)
1
S ( x) S ( x*) ( x x*)T H ( x*)( x x*) 0
2
n
1 T
S ( z ) S (0) z V (0) z
2
1
2 i 1
i zi2 0
24
Análise da Matriz Hessiana
25
Análise da Matriz Hessiana
26
Análise da Matriz Hessiana
2 x1 x22 0
S ( x ) x*
2 x1 x2 0
2 2 x2 2 0
H ( x) H ( x*)
2 x2 2 x1 0 0
positiva semidefinida
27
Análise da Matriz Hessiana
S ( x1 , y ) x12 x1 y
2 x1 y x1* 0
S ( x1 , y ) *
x 1 y 0
2 1 1 2 2, 4142
H ( x1 , y )
1 0 1 2 0, 4142
não definida
28
Análise da Matriz Hessiana
x2
-1
-2
-3
-4
-5
-5 -4 -3 -2 -1 0 1 2 3 4 5
x1
29
Condições para Otimalidade
Otimização com Restrição
min S(x)
sujeito a: hj(x) = 0 , j = 1, 2, ..., m
gj(x) 0 , j = 1, 2, ..., p
x X n
K = {x X n / h(x) = 0, g(x) 0}
30
Condições para Otimalidade
Otimização com Restrição
31
Condições para Otimalidade
Otimização com Restrição
32
Condições para Otimalidade
Otimização com Restrição
S ( x) S ( x ) T S ( x )d 0
S(x*) S(x* + d)
34
Condições para Otimalidade
Otimização com Restrição
Transformando o problema de otimização com restrição em
um problema sem restrição através da introdução de uma
função auxiliar, chamada de função de Lagrange, L(x, , ),
definida como:
max min L( x, , )
, 0 x
35
Condições para Otimalidade
Otimização com Restrição
hb(x) = b e bhb(x) = I
Exemplo 1.8: Seja o seguinte problema de otimização com restrição
min S(x) = (x1 5)2 + (x2 5)2
sujeito a: h(x) = x1 x2 = 0
L(x, ) = 0:
2 (x1 5) + = 0
2 (x2 5) = 0
x 1 x2 b = 0
38
Condições para Otimalidade
Otimização com Restrição
S S
S x1 x2
min S(x) x1 x2
sujeito a: h(x) = 0 h h
h x1 x2
x1 x2
S S S h
1 0
x1 x2 x1 x1
det 0
h h S h
2 0
x1 x2 x2 x2
xS(x) + [xh(x)]T = 0
41
Condições para Otimalidade
Otimização com Restrição
• Condição necessária de primeira ordem de Karush-Kuhn-Tucker (KKT):
Para que x* seja um ótimo local do problema com restrições, com S(x),
g(x) e h(x) diferenciáveis em x*, é necessário que:
43
Condições para Otimalidade
Otimização com Restrição
44
Condições para Otimalidade
Otimização com Restrição
Supondo que S(x*) caia fora do cone das direções viáveis, então
haveria uma direção d tal que dT S(x*) < 0, dT g(x*) 0 e dT h(x*) = 0,
isto é, existiria um ponto melhor que x*:
45
Condições para Otimalidade
Otimização com Restrição
min f(x)
s.a. g(x) 0
Analogia: Bola rolando para um vale preso por uma rede
Nota: Balanço de forças (f, g1)
46
Condições para Otimalidade
Otimização com Restrição
min f(x)
s.a. h(x) = 0
g(x) 0
Analogia: Bola rolando sobre trilhos preso por uma rede
Nota: Balanço de forças (f, h, g1)
47
Condições para Otimalidade
Otimização com Restrição
• Condição necessária de segunda ordem de KKT:
Para que x* seja um mínimo local do problema com restrições, com S(x),
g(x) e h(x) duas vezes diferenciáveis em x*, é necessário que:
dT hi(x*) = 0 , i = 1, 2, ..., m
48
Condições para Otimalidade
Otimização com Restrição
• Condição suficiente de KKT:
Para que x* seja um mínimo local do problema com restrições, com S(x),
g(x) e h(x) duas vezes diferenciáveis em x*, é suficiente que:
dT hi(x*) = 0 , i = 1, 2, ..., m
isto é, dT
2xL(x*, *, *) d > 0.
49
Condições para Otimalidade
Otimização com Restrição
I 2x L M
p ( ) 0
MT 0
50
Condições para Otimalidade
Otimização com Restrição
Uma maneira de resolver o problema de valor característico p() = 0 é
usando a decomposição QR (ou decomposição ortogonal-triangular, ou
decomposição de Householder) da matriz M (= Q R) para obter a matriz de
projeção, ZT, do vetor d no sub-espaço nulo de MT, isto é, MT d = 0, ou então
a decomposição em valores singulares da matriz MT (= U S VH). A matriz Z é
formada pelas últimas w colunas de Q, ou ainda pelas últimas w colunas de
V, onde w é a dimensão do espaço nulo (número de valores singulares
nulos, ou número de linhas nulas da matriz R):
H R
Q M
0
Uma vez encontrada a matriz Z, obtém-se os valores característicos da
matriz Hessiana projetada neste sub-espaço: ZT 2x L Z.
51
Condições para Otimalidade
Otimização com Restrição
Para o exemplo 1.8: min S(x) = (x1 5)2 + (x2 5)2
sujeito a: h(x) = x1 x2 = 0
10
1
9
M xh 8
1 7
2 2
6
5
x2
2 2
Q 4
2 2
3
d
2 2 2 dp
2 1
2 0
R Z 2 0 1 2 3 4 5
x1
6 7 8 9 10
0 2 2 2,5
2
d
dp Z d Z
2,5
T
3 52
Condições para Otimalidade
Otimização com Restrição
min S ( x) ( x1 1) 2 x22
x22
sujeito a : g1 ( x) x1 0
4
min S ( x) ( x1 1) 2 x22
sujeito a : g1 ( x) x1 x22 0
53
Condições para Otimalidade
Otimização com Restrição
54
Condições para Otimalidade
Otimização com Restrição
min S ( x) 4 x1 x22 12
sujeito a : h1 ( x) 25 x12 x22 0
g1 ( x) x12 10 x1 x22 10 x2 34 0
g 2 ( x) ( x1 3) 2 ( x2 1) 2 0
g3 ( x) x1 0
g 4 ( x) x2 0
55
Condições para Otimalidade
Otimização com Restrição
56
Convexidade
x1 + (1 – ) x2 K
x1
x1
x1
x2
x2
x2
Propriedades:
a) K = {x K x = y, y K } é convexo para ;
b) K + L e K L são convexos para subconjunto convexo L de X.
57
Convexidade
y = x1 + (1 – ) x2 e w = S(x1) + (1 – ) S(x2)
59
Convexidade
c) S ( x)
i 1
Si ( x) é uma função convexa. Se no mínimo uma S (x)
i
60
Convexidade
61
Convexidade
62
Convexidade
63
Convexidade
S ( xo d ) S ( xo )
S ( x o , d ) lim lim T S ( x o ) d d T 2S ( x o ) d
0 0
S ( x o , d ) T S ( x o ) d
64
Convexidade
65
Convexidade
lim S ( x m ) S lim x m S ( x o )
m m
66
Convexidade
S(x) é semicontínua inferior em xo se para cada > 0 existir () tal que:
lim inf S ( x m ) S lim x m S ( x o )
m m
67
Convexidade
S(x) é semicontínua superior em xo se para cada > 0 existir () tal que:
lim sup S ( x m ) S lim x m S ( x o )
m m
68
Convexidade
69
Convexidade
70
Convexidade
71
Convexidade
72
Convexidade
73
Convexidade
74
Formas Funcionais
n
T
Função linear: S ( x) a c x a c x
i 1
i
75
Formas Funcionais
Função quadrática:
n n n
T 1 T
S ( x) a c x x A x a
2 i 1
ci xi
1
2
i 1 j 1
aij xi x j
1 T T 1
x A x ( x A x x A x ) x ( A AT ) x
T T T
2 2
1
Q ( A AT ) QT
2
x T A x = xT Q x
76
Formas Funcionais
Função quadrática:
n n n
T 1 T
S ( x) a c x x Q x a
2
i 1
ci xi
1
2
i 1 j 1
qij xi x j
S
n n
1 xi x j
S ( x )
ck qij x j xi
xk 2
i 1 j 1
xk xk
n
S ( x) ck
i 1
qik xi c Q x
H(x) = 2S(x) = Q
77
Formas Funcionais
Função quadrática:
Q x* = c ou (x*)T Q = cT
Função quadrática:
14
14
12
12
10
10
8
S(x)
S(x)
6
6
4
4
2
2 2
0 1
2
2 0 0
1
0 1 2 -1
0 1
-1 0
-1 -1 -2
-2 -2 -2 x1
x2 x1 x2
79
Formas Funcionais
Função quadrática:
10
25
8
20
15 6
S(x)
S(x)
10 4
5 2
0 0
2 2
0 0 2
2 1
1 -1 0
-1 0 -2 -2
-2 -2
x2 x2
x1
x1
80
Formas Funcionais
1
S ( x ) S ( x0 ) T S ( x0 ) ( x x0 ) ( x x0 )T 2 S ( x0 ) ( x x0 )
2
1
S ( x ) S ( x*) ( x x*)T H ( x*) ( x x*)
2
2S
Para S(x) duas vezes diferenciável em x*: H ( x*) é simétrica.
xi x j x*
81
Formas Funcionais
83