verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142

RELAO ENTRE MODELOS DE PROGRAMAO NO-LINEAR COM INCERTEZA NO CONJUNTO DE RESTRIES Ricardo Colho Silva*
Departamento de Telemtica / FEEC Universidade Estadual de Campinas (UNICAMP) Campinas SP rcoelhos@dt.fee.unicamp.br; rcoelhos@gmail.com

Luiza Amalia Pinto Canto

Departamento de Engenharia Ambiental Universidade Estadual Paulista (UNESP) Sorocaba SP

luiza@sorocaba.unesp.br

Akebo Yamakami
Departamento de Telemtica / FEEC Universidade Estadual de Campinas (UNICAMP) Campinas SP

akebo@dt.fee.unicamp.br
* Corresponding author / autor para quem as correspondncias devem ser encaminhadas

Recebido em 06/2006; aceito em 10/2008 aps 3 revises Received June 2006; accepted October 2008 after 3 revisions

Resumo
Este trabalho demonstra de forma analtica e numrica a relao entre dois mtodos, Trappey et al. (1988) e Xu (1989), da literatura que resolvem problemas de programao no-linear com incertezas no conjunto de restries. Uma anlise comparativa entre o desempenho para a obteno da soluo tima dos mtodos de otimizao no-linear clssicos e dos mtodos de otimizao no-linear nebulosos, apresentados tambm neste trabalho. Para tal comparao, sero apresentados dois problemas que foram modelados em termos de programao no-linear clssico, os quais permitem a introduo de incertezas nas restries. Com base na anlise dos problemas propostos em Xu (1989), verificou-se que os dois mtodos descritos fornecem resultados similares, conforme algumas condies.

Palavras-chave: conjuntos nebulosos; otimizao no-linear; programao matemtica nebulosa. Abstract

In this work, we demonstrate analytical and numerically the relation between two methods, Trappey et al. (1988) and Xu (1989), found in the literature. These methods were developed to solve nonlinear programming problems with uncertainties in the set of constraints. A comparative analysis of the performance between classic and fuzzy nonlinear optimization methods are presented too in the work. For the comparison, two problems are modeled that had been shaped in terms of classic nonlinear programming, which allow the introduction of uncertainties in its formularizations. Based on the analysis of the problem proposed in Xu (1989), we verified that the two described methods provide similar results, as per some conditions.

Keywords: fuzzy set; nonlinear optimization; fuzzy mathematical programming.

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

383

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

1. Introduo Pesquisa Operacional (PO) uma rea da cincia que desenvolve tcnicas para otimizar a realizao de sistemas. O aparecimento da PO forneceu uma base quantitativa e racional para uma tomada de deciso. O estudo de PO pode ser dividido em vrias subreas e programao matemtica uma delas. Em geral, os problemas de programao matemtica (PPM) envolvem minimizao (ou maximizao) da funo objetivo sujeito a um conjunto de restries. Quando definimos problemas de programao matemtica clssica (PPMC), as suas modelagens e as decises so mais precisas. Um problema convencional modelado na forma de PPMC se o problema tem definies matemticas breves e claras, da seguinte forma:
min s.a f ( x) g k ( x) bk , k = 1, 2, , n hl ( x) = cl , x0 l = 1, 2, , m

(1)

Os modelos de otimizao usam programao matemtica tradicional, os quais tentam representar as operaes importantes construindo modelos matemticos exatos. Contudo, no conseguem representar toda a realidade presente. A Lgica Nebulosa (Zadeh, 1965) tem mostrado um grande potencial para a modelagem desses sistemas, os quais podem ser no-lineares, complexos e mal-definidos. A Lgica Nebulosa estabeleceu numerosas aplicaes devido a seu alvio de implementao, flexibilidade, tolerncia natural para dados imprecisos, e habilidade para modelar modelos no-lineares de complexidade arbitrria. A programao matemtica nebulosa pode ter incertezas na relao entre os nmeros difusos, presentes no conjunto de restries e/ou na funo objetivo, veja Lee et al. (1999), Trappey et al. (1988) e Xu (1989), e nos parmetros do problema, sendo que esses parmetros podem representar as constantes e/ou as variveis de deciso, veja Ekel (2002) e Ekel (2005). Em adio s caractersticas descritas anteriormente, um problema de programao nebuloso pode tambm ser dividido em programao flexvel, que resolve os problemas nebulosos usando a teoria de representao inicialmente publicada por Bellman & Zadeh em 1970, e programao possibilstica ou robusta, descrito em Lai & Hwang (1992), que associa os dados imprecisos a uma funo de distribuio de possibilidade que pode ser definida pela teoria de possibilidade. As distribuies de possibilidade so anlogas s distribuies de probabilidades e podem ser subjetivos ou objetivos. Neste trabalho focamos as pesquisas na programao flexvel com a incerteza presente na relao entre nmeros nebulosos no conjunto de restries. Contudo, pouco destes estudos se intensificaram na rea de programao no-linear com incertezas no conjunto de restries em espao contnuo, dentre eles podemos referenciar Silva & Yamakami (2004) e Silva & Canto (2004). Um conjunto nebuloso definido por uma funo de pertinncia (x), que estabelece para cada x um grau de pertinncia ao conjunto A, com [0,1]. Assim, podemos expressar matematicamente o conjunto nebuloso como:

384

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

x ainf a a inf mod asup x A ( x) = asup amod 0

x [ainf , amod ] x [amod , asup ] caso contrrio

sendo amod o valor modal, ainf e asup so os limitantes inferior e superior, respectivamente. A Figura 1 ilustra a funo de pertinncia descrita pela equao acima.

(x)
1

ainf

amod

asup

Figura 1 Funo de pertinncia (x).

Este trabalho est organizado em 7 sees. A prxima Seo esto apresentados os tipos de restries usadas em problemas de programao matemtica, sendo encontradas representaes geomtricas da introduo de incertezas nessas restries de otimizao. Na Seo 3 so apresentados 2 mtodos que abordam algumas definies bsicas de programao matemtica nebulosa para resolver problemas de programao no-linear nebulosos (PPNLN), que transforma os PPNLN em problemas de programao no-linear clssicos (PPNLC). O primeiro transforma a funo objetivo em uma restrio e a nova funo objetivo ir maximizar o nvel de satisfao dentro do espao de factibilidade. O segundo divido em duas fases: Na primeira fase, usa-se o mtodo de nveis de -cortes transformando o PPNLN em um PPNLC, para determinar um conjunto domnio para o problema. Na segunda fase, aplicado o mtodo de busca nos limites dos conjuntos de solues factveis da fase 1, sendo que utilizando o supremo e o nfimo da soluo da fase anterior, obtm-se um intervalo de confiana que contm a soluo nebulosa desejada no espao de discurso. Na Seo 4 apresentada uma relao entre os mtodos descritos na Seo 3. A Seo 5 descreve alguns exemplos numricos utilizados neste artigo para fins de comparao entre os mtodos clssicos e nebulosos. A Seo 6 apresenta os resultados computacionais dos exemplos numricos da seo anterior. Na ltima Seo realiza-se uma anlise do conjunto de resultados computacionais obtidos.

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

385

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

2. Conjunto de restries nebulosas Existem trs tipos de problemas de programao matemtica com restries: (a) com conjunto de restries de igualdade; (b) com conjunto de restries de desigualdade e (c) com conjunto de restries mistas, isto , com restries de igualdade e desigualdade no mesmo problema. As restries de igualdade clssicas podem ser representadas graficamente da seguinte forma: 1

cl

hl

Figura 2 Representao geomtrica da restrio de igualdade.

Enquanto as restries de desigualdade clssicas podem ser representadas graficamente da seguinte forma: 1 1

bk
Figura 3 Representao geomtrica da restrio de desigualdade decrescente.

gk

bk
Figura 4 Representao geomtrica da restrio de desigualdade crescente.

gk

A construo de um problema de programao matemtica com restries nebulosas baseada no modelo geral que pode ser expresso da seguinte forma:
min s.a

f ( x) gi ( x) < bi , i = 1, 2, , m h j ( x) = c j , j = 1, , n x0

(2)

386

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

sendo que o smbolo ~ indica que as restries contm informaes incertas, e podem sofrer um certa violao, que representa uma variao no termo independente permitindo um relaxamento nas restries do problema. Nos problemas abordados neste trabalho, a natureza nebulosa est inserida nos smbolos, ou seja, nos sinais de igualdade e de desigualdade de cada restrio. No Problema (2) pode-se permitir tolerncias nas restries, isto , para os valores admissveis bi e bj so dados, para cada restrio, violaes mximas toleradas. Logo, este problema pode ser reescrito da seguinte forma:
min s.a

g 0 ( x) gi ( x) bi + Ti , i = 1, 2, , m + n g j ( x) b j T j , j = 1, , n x0

(3)

Em outras palavras, cada restrio nebulosa corresponde a subconjunto nebuloso no universo de nmeros reais, definido pela funo de pertinncia ( x ) : R n [ 0 ,1] . As funes de pertinncia associadas s restries de igualdade nebulosas so apresentadas da seguinte forma: 1

cl Tl

cl

cl + Tl

hl

Figura 5 Funo de pertinncia da restrio de igualdade.

bk

bk + Tk

gk

bk Tk

bk

gk

Figura 6 Funo de pertinncia da restrio de desigualdade decrescente.

Figura 7 Funo de pertinncia da restrio de desigualdade crescente.

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

387

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

J as funes de pertinncias associadas s restries de desigualdade nebulosas podem ser escritas de duas formas que esto representadas graficamente nas Figuras 6 e 7. As Figuras 5, 6, 7 mostram geometricamente a transformao de um problema de programao matemtico nebuloso para um problema de programao matemtico clssico. Essas transformaes podem ser escritas de forma analtica, denominada funo de pertinncia da seguinte forma: (a) Funo de pertinncia da restrio de igualdade
hl ( x) (cl + Tl ) , se cl Tl < hl ( x) cl Tl (c + T ) hl ( x) i ( x ) = l l , se cl < hl ( x) < bi + Ti Tl 0, caso contrrio

(b) Funo de pertinncia da restrio de desigualdade decrescente

0, se gi ( x) bi + Ti (b + T ) gi ( x) i ( x ) = i i , se bi < g j ( x) < bi + Ti Ti 1, se gi ( x) bi

(c) Funo de pertinncia da restrio de desigualdade crescente

0, se gi ( x) bi Ti g ( x) (bi + Ti ) i ( x ) = i , se bi Ti < g j ( x) < bi Ti 1, se gi ( x) bi

Os mtodos descritos neste trabalho solucionam somente problemas com restries de desigualdade. Assim, cada restrio de igualdade reescrita em duas restries de desigualdade. Portanto, a Figura 5 dividida nas Figuras 6 e 7, com cl = bk e Tl = Tk . Devido decomposio das restries de igualdade, o nmero de restries do problema (2) passa a ter m + 2n restries, sendo m o nmero de restries de desigualdade do problema original e 2n representa as restries de desigualdades geradas pelas n restries de igualdade. A obteno de mais informaes sobre os mtodos de programao matemtica nebulosa, que sero utilizados neste artigo podem ser encontrados em Silva & Yamakami (2004), Silva & Canto (2004) e Silva (2005), e as idias principais para a formulao dos dados de incerteza para os exemplos numricos apresentados na Seo 3, podem ser encontrados em Trappey et al. (1988) e Xu (1989).

388

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

3. Programao no-linear nebulosa Nesta Seo esto apresentados mtodos iterativos desenvolvidos para solucionar problemas de programao no-linear nebulosos. As caractersticas nebulosas podem aparecer de vrias formas no problema, podendo o mesmo ser totalmente nebuloso. Neste trabalho foi introduzida incerteza no conjunto de restries. Na Subseo 3.1 ser mostrado o primeiro mtodo de programao no-linear nebuloso, encontrado em Lee et al. (1999) e Trappey et al. (1988), que originou-se do mtodo de programao linear nebuloso idealizado por Zimmermann (1983). Na Subseo 3.2 mostrado o segundo mtodo, desenvolvido por Xu (1989), o qual utiliza duas fases para obter a soluo tima. 3.1 Primeiro mtodo Trataremos aqui do mtodo que transforma um problema de programao no-linear nebuloso (PPNLN) em um problema de programao no-linear clssico (PPNLC). Esse mtodo transforma a funo objetivo em uma restrio, e a nova funo objetivo tenta maximizar o nvel de compatibilidade no espao de factibilidade. Este nvel de compatibilidade est determinado no intervalo real [0,1], e diante de seu valor saberemos o quanto foram satisfeitas as restries. Um problema de programao no-linear com uma funo objetivo nebulosa e restries nebulosas pode ser escrito genericamente, utilizando como base o problema (4), da seguinte forma
min s.a

g 0 ( x) gi ( x) < bi , i = 1, 2, , m, m + 1, , n x0

(4)

sendo que min e < representam as caractersticas nebulosas do problema. Pode-se notar que a formulao sem ~ o modelo de programao no-linear clssico original. A funo objetivo com o sinal nebuloso pode ser interpretada como
g 0 ( x) < b0 gi ( x) < bi x0 i = 1, 2, m, m + 1, , n

sendo que g 0 deve ser no mnimo menor que b0 . Desta forma, acrescenta-se uma varivel ti que indica o nvel de violao das restries nebulosas, ento pode-se modificar o problema (4) da seguinte forma:
g j ( x) < b j + t j x0 0 t j Tj j = 0,1, 2, m, m + 1, , n

sendo que t j = [t0 , t1 , , tn ]

representa a variao de violao da restrio j, e

T j = [T0 , T1 , , Tn ] representa o valor mximo de violao admissvel da restrio j.

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

389

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

A deciso tem de satisfazer a funo de pertinncia j ( g j ( x)) descrita abaixo

0, se t j = T j tj j ( g j ( x)) = 1 , se 0 < t j < T j Tj 1, se t j = 0

sendo que cada funo de pertinncia representa o grau de satisfao que a soluo x fornece para a restrio j. Contudo, pode-se definir uma interseco de todas as restrio como
o j n x

j ( g j ( x)) [0,1]
0 t j Tj

sendo

o smbolo de interseco.

Usando a regra de minimizao para a interseco de mltiplos conjuntos nebulosos, a primeira deciso feita tenta achar a interseco satisfatria das pertinncias dentro de cada restrio. Ento, a deciso feita tenta maximizar o grau da unio de todas as restries satisfeitas. Fazendo S = min j ( g j ( x)) , o modelo no-linear pode ser formulado como um
0 j n

PPNL Clssico padro. Assim,

max S Tj S + t j Tj g j ( x) t j b j t j Tj j = 0,1, 2, , m, m + 1, , n (b) (c ) S , x, t j 0 s.a. (a )

(5)

Note que a funo objetivo S e as restries (a) e (c) so lineares. A restrio (b) no-linear.
3.2 Mtodo duas fases

O Mtodo Duas Fases comea transformando um PPNL Nebuloso em um PPNL Clssico equivalente. Ento, podemos escrever o problema (4) como
min s.a

g0 ( x) gi ( x) bi + ti , i = 1, 2, , m, m + 1, , n x0

(6)

Contudo, utilizando uma funo j ( x) : IR n [0,1] , teremos graus diferentes de satisfao dentro do intervalo unitrio [0, 1], da seguinte forma
0, se gi ( x) bi + Ti (b + T ) gi ( x) i ( x ) = i i , se bi < g j ( x) < bi + Ti Ti 1, se gi ( x) bi

390

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

Para tanto, precisa-se parametrizar as restries usando os nveis -cortes propostos na Teoria de Conjuntos Nebulosos (Zadeh, 1965), como
C = x | x IR n , C ( x) , [0,1].

Depois de feito a transformao e os cortes, realiza-se a interseco de todas as restries, com um operador de agregao, da seguinte forma

C ( x) = inf i ( x), x IR n .
i =1

Logo, utiliza-se o nfimo como operador de agregao, pois no se pode garantir que o conjunto finito. Por fim, consegue-se escrever o PPNLN em um PPNLC correspondente. Contudo, existem vrios valores da nossa funo objetivo, tantos quantos forem o tamanho da parametrizao de . Logo, o Problema (6) reescrito como
min s.a

g 0 ( x) gi ( x) bi + Ti (1 ) , i = 1, 2, , m, m + 1, , n x0 [0,1]

(7)

A soluo do problema (7) resulta um conjunto de valores para os vrios diferentes. Logo, terminamos a primeira fase deste mtodo. A segunda fase consiste em fazer a interseco da pertinncia da funo objetivo, G , com a pertinncia da interseco de todas as restries, C , da fase anterior. Assim,

D = G C ,
sendo D , G , C : IR n [0,1] . A deciso tima no espao de discurso obtida com a seguinte funo de pertinncia

D ( x*) = max D ( x) n
xIR

(8)

procurando o mximo valor dessa operao. Este mtodo de resoluo proposto por Bellman & Zadeh (1970). A equao (8) (Xu, 1989) pode obter um nvel timo * e o ponto timo x * tal que

G ( x*) = max G ( x)
xC *

(9)

sendo C * o nvel * -corte do conjunto de restries nebulosas C.

A soluo nebulosa dada dentro de um intervalo limitado pelos valores superior e inferior fornecido pela funo G ( x) , sendo
m = g 0 ( x * (0)) = min g 0 ( x)
xC0

M = g 0 ( x * (1)) = min g 0 ( x)
xC1

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

391

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

sendo que C0 , C1 so os nveis de corte para igual 0 e 1, respectivamente, do conjunto de restries nebulosas C. Em alguns problemas de otimizao nebulosa, para achar mnimos de uma funo objetivo sujeito a determinadas restries, podemos estabelecer a seguinte funo:

G ( x ) =

m g 0 ( x)

(10)

Claramente, os limites superior e inferior da funo objetivo so dados por

u G = 1 l G ( x ) =

m M

Substituindo a equao (9) na equao (10), obtemos

G ( x*) =

1 min g 0 ( x) m xC *

(11)

Desta maneira, a metodologia empregada tem capacidade de otimizar um problema nebuloso pelo Mtodo de Busca nos Limites do conjunto de solues factveis.
4. Relao entre os mtodos

Analisando estes dois mtodos foi encontrada uma relao entre os mesmos. Nesta Subseo apresentada esta relao entre os mtodos descritos nas Subsees 3.1 e 3.2. O desenvolvimento da demonstrao abaixo mostra que as solues obtidas pelos mtodos acima convergem para uma nica soluo, mediante um intervalo definido chamado de nvel de satisfao.
Lema 1: Sejam b0 , T0 parmetros aleatrios do primeiro mtodo, e m, M parmetros obtidos na resoluo do segundo mtodo. Ento quando b0 = m e T0 = M , os limitantes inferior e superior de 0 ( g 0 ( x)) so os mesmos de G ( x), x . Prova: Reescrevendo a Problema (5), podemos expressar a restrio (a) como t j T j (1 S ) ,
j = 0, 1, , n . Assim, substituindo na restrio (b), teremos g j ( x ) T j (1 S ) b j

g j ( x) b j + T j (1 S ) . Desta forma, a restrio (c) fica inoperante, pois o conjunto de

restries no depende mais de t j , j . Logo, a nova formulao fica

min s.a

S g j ( x) b j + T j (1 S ) , i = 1, 2, , m, m + 1, , n x0 S 0

(12)

Atualizando as funes de pertinncia de cada restrio, temos

392

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

0, se gi ( x) bi + Ti (bi + Ti ) gi ( x) i ( x ) = , se bi < g j ( x) < bi + Ti Ti 1, se gi ( x) bi

Sendo j = 0 , b0 = m , T0 = M , temos
0, se gi ( x) m + M (m + M ) g ( x) 0 i ( x ) = , se m < g j ( x) < m + M M 1, se gi ( x) m

Como g 0 ( x) = M no caso clssico, e este o maior valor que g 0 ( x) pode assumir, x 0 , ento

0 ( g 0 ( x)) =

(m + M ) g 0 ( x) , m g 0 ( x) M M m . M

Portanto, no mximo 0 ( g 0 ( x)) = 1 e no mnimo 0 ( g 0 ( x)) =

Teorema 1: Sejam as condies do Lema 1 satisfeitas, ento, para ambos os mtodos, no ponto timo S = G . Prova: (1) Se S = 1 , temos min j ( g j ( x)) = 1 . Logo, x IR n tal que j ( g j ( x)) = 1, j .
0 j n

Se D = 1 , temos G C = 1 . Assim, G = 1 e C = 1 , para algum x IR n . Logo,

i ( gi ( x)) = 1, i , ento gi ( x) = bi = 1 .
(2) Se S = 0 , temos min j ( g j ( x)) = 0 . Logo, x IR n tal que j ( g j ( x)) = 0 ,
0 j n

para algum j . Logo, pelo Lema 1, temos 0 ( g 0 ( x)) = 0 , se, e somente se, m = 0 . Se

D = 0 , temos G C = 0 . Assim, G = 0 ou C = 0 , para algum x IR n . No primeiro

caso G = 0 , se, e somente se, m = 0 . No segundo caso C = 0 i ( gi ( x)) = 0 , para algum i , ento gi ( x) = bi + Ti (1 a) = 0 . (3) Se S = , (0,1) . Ento
0 j n

min j ( g j ( x)) = . Logo, x IR n tal que

j ( g j ( x)) = , para algum j . Logo, pelo Lema 1, temos 0 ( g 0 ( x)) = , se, e somente se,

m ,1 . Seja D = , ento G C = . Assim, G = ou C = , para algum M m x IR n . No primeiro caso G = , se, e somente se, ,1 . No segundo caso M C = i ( gi ( x)) = , para algum i , ento

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

393

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

gi ( x) > bi < 1 gi ( x) < bi + Ti > 0 Portanto, S = G .

Os resultados computacionais usando os conceitos demonstrados nessa seo esto apresentados na Seo 6. Os problemas utilizados para confirmar essa relao esto formulados na Seo 5.
5. Formulao dos exemplos numricos

Uma formulao matemtica tenta representar, atravs de funes, as relaes existentes em um problema especfico, o qual pode representar um caso real ou hipottico. As formulaes apresentadas neste trabalho representam problemas reais.
5.1 Suporte de Teto com Trs Barras

A Figura 8 mostra as condies de carga para um Suporte de Teto com Trs Barras, o qual tem sido usado como um exemplo na literatura de otimizao estrutural.
H H

x1

x2 x1

P (condio I)

P (condio II)

Figura 8 Suporte de Teto com Trs Barras.

Suponha que P = 2000 kgf, H = 100 cm, e a densidade = 0.01 kgf/cm3. Os limites e tolerncias admissveis de vrias variveis fsicas so dadas por

u = 2000 kgf /cm2 Tu = 400 kgf /cm2 l = 1500 kgf /cm2 Tl = 300 kgf /cm2

105 cm E 0.2 105 Tuu = cm E uu =

Al = 0.1 cm2 l TA = 0.02 cm2

O representa a fora, u o deslocamento vertical do n, E representa o mdulo elstico, A a rea de seco transversal, e T representa a tolerncia de cada varivel.

394

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

O problema de otimizao nebuloso do Suporte de Teto com Trs Barras pode ser formulado da seguinte forma:
min W = 2 2 x1 + x2 s.a. 2 x1 + x2
2 2 x1 + 2 x1 x2

< < < < >

1 1 3 4 1 2 1 10

2 x1
2 2 x1

+ 2 x1 x2 x2

(13)

2 2 x1 + 2 x1 x2 1

x1 + 2 x2 x1 , x2

5.2 Anteparo Ondulado

A Figura 9 mostra um Anteparo Transversal Verticalmente Ondulado para um tanque de 65.000 dwt, o qual est construdo de acordo com as regras das especificaes relevantes ao projeto de navios. Plataforma

Grades Horizontais

x1 x4 x3 x5 x2

Fundo

Figura 9 Anteparo Ondulado.

Dados do projeto so: largura do anteparo B = 21.12 m, altura do painel inferior H = 4.5 m, e densidade 7.85 103 t/mm-m2. As posies das colunas horizontais e a largura do casco so fixadas, de modo que a forma da corrugao dependa do painel inferior. As variveis do projeto so: x1 = largura do aro (mm); x2 = semi-largura da corrugao (mm); x3 = comprimento da armao (mm); x4 = espessura da placa no painel inferior (mm); e x5 = profundidade da corrugao (mm).

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

395

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

A funo objetivo examina o peso do painel inferior e est sujeita a 6 (seis) restries nebulosas no mdulo da seco, o momento de inrcia, a espessura mnima da chapa do painel inferior e uma restrio clssica que relaciona as dimenses da seo de corrugao. Logo, o problema de otimizao nebulosa do casco ondulado pode ser formulado como segue:
min W = 0.746064 ( x1 + x3 ) x4 x2 1 x5 x4 (3x1 + x3 ) x2 1 x5 x4 (3 x1 + x3 ) ( x5 + 2 x4 ) x2 1 x4 _ 0.017297 x1 x4 0.017297 x3 x4 5.5 arcsen( x5 x3 1 ) 2 x5

s.a.

> > > > > > >

2 x3

18871.4 540408 2.5 2.5 6.5 40 ( x2 x1 ) 2 0

(14)

x1 , x2 , x3 , x4 , x5

6. Resultados computacionais

Nesta Seo esto os resultados computacionais dos exemplos numricos da seo anterior. Os resultados aparecem na mesma ordem que seus respectivos exemplos numricos. Todos os modelos clssicos foram resolvidos usando a funo fmincon do ToolBox Optimization do programa MatLab 6.1, o qual soluciona problemas de programao matemtica restrita, e 100% o nvel de satisfao destas solues.
Tabela 1 Resultado do Exemplo Numrico 3.1 dos modelos para comparao. Modelo Modelo Clssico Modelo Fuzzy de Xu Modelo Fuzzy do Trappey, Liu e Chang x1 0.667 0.649 0.649 x2 0.943 0.917 0.917 Funo Objetivo 2.828 2.752 2.752 Iteraes RTV 6 6 RNV 5 5 Soluo 5 12 7

O Modelo Clssico convergiu para uma soluo tima, apresentada na Tabela 2, em 5 iteraes. Conforme Silva & Yamakami (2004), para iniciar os modelos fuzzy precisa-se obter a soluo tima para dois casos: (1) restries totalmente violadas (RTV); e (2) restries no violadas (RNV). O primeiro caso convergiu para uma soluo tima em 6 iteraes, onde o ponto encontrado foi [0.556 0.786] com valor de Funo Objetivo igual a 2.357, enquanto o segundo caso convergiu em 5 iteraes, onde este caso tem a mesma soluo tima do Modelo Clssico. Assim, os mtodos fuzzy so inicializados, para este problema, com 11 iteraes. O Modelo Fuzzy de Xu convergiu para uma soluo tima, apresentada na Tabela 2, em 23 iteraes, onde o nvel de satisfao desta soluo de 85.64%. O Modelo Fuzzy do Trappey, Liu e Chang obtiveram uma satisfao de 86.05%, e convergiu para uma soluo tima, descrita na Tabela 2, em 18 iteraes.

396

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

Tabela 2 Resultado do Exemplo Numrico 3.2 dos modelos para comparao. Modelo x1 x2 x3 x4 13.624 13.469 13.489 x5 536.911 532.034 531.874 Funo Objetivo 13.111 12.966 12.961 It. 16 71 40

Modelo Clssico 643.129 997.166 643.129 Modelo Fuzzy de Xu 637.050 987.439 637.050 Modelo Fuzzy de 638.305 991.212 638.305 Trappey, Liu e Chang

Na Tabela 3 o Modelo Clssico convergiu para uma soluo tima em 16 iteraes. Na inicializao dos modelos fuzzy o primeiro caso convergiu para uma soluo tima em 15 iteraes, onde o ponto timo foi [579.097 894.931 579.097 12.017 485.388] com valor de Funo Objetivo igual a 11.602, enquanto o segundo caso convergiu em 16 iteraes. Assim, os mtodos fuzzy so inicializados, para este problema, com 31 iteraes. O Modelo Fuzzy de Xu convergiu para uma soluo tima apresentada na Tabela 3 em 71 iteraes, onde o nvel de satisfao desta soluo de 89.49%. O Modelo Fuzzy do Trappey, Liu e Chang obtiveram uma satisfao de 89.64%, e convergiu para uma soluo tima, descrita na Tabela 3, em 40 iteraes.
7. Concluses

Neste trabalho foi demonstrada uma relao existente entre dois mtodos de programao no-linear fuzzy. Esta relao mostra que estes mtodos tendem a convergir para o mesmo ponto timo, mediante as condies de que o nvel de aspirao e tolerncia mxima do mtodo fuzzy apresentado na Subseo 3.1 sejam iguais s solues do Problema (7) para = 0 , que representa o problema totalmente violado, e para = 1 , que representa o problema no violado, respectivamente. Sendo que esse Problema (7) faz parte da primeira fase do mtodo descrito na Subseo 3.2 para resolver modelos no-lineares fuzzy. Uma outra anlise que se pode retirar desta formulao est associada formulao do problema a ser otimizado, pois em problemas com formulao convexa as solues de ambos tendem a convergir para valores dentro de uma determinada vizinhana. Diante dos resultados expostos na seo anterior, pode-se inferir que as solues dos Modelos Fuzzy fornecem resultados melhores que as solues dos modelos clssicos. O nvel de satisfao dos Modelos Fuzzy no atingem 100%, mas em todos os resultados acima obtiveram satisfao superior a 80%. Todos os exemplos numricos apresentados neste artigo convergiram para uma soluo tima. Os Modelos Clssicos convergiram com uma quantidade menor de iteraes, porm resolve um problema formulado de forma exata. O nmero maior de iteraes para os Modelos Fuzzy convergirem para uma soluo tima compensado pelo resultado obtido e pela menor complicao de introduzir dados incertos, referentes a problemas reais, sem aumentar demasiadamente o esforo computacional referentes a problemas reais. A previso de trabalhos futuros est associada na utilizao desses mtodos de programao no-linear fuzzy em problemas reais. A principal inteno observar o comportamento desses mtodos e analisar a convergncia de ambos. Outro ponto importante desenvolver outros mtodos fuzzy que resolvam estes mesmos problemas sem o auxlio de um ponto inicial gerado por mtodos clssicos que resolver problemas sem incerteza.

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008

397

Silva, Canto & Yamakami Relao entre modelos de programao no-linear com incerteza no conjunto de restries

Agradecimentos

Os autores agradecem ao CAPES pelo suporte financeiro.

Referncias Bibliogrficas

(1) Bazaraa, M.S.; Sherali, H.D. & Shetty, C.M. (1993). Nonlinear Programming Theory and Algorithms. Segunda edio, John Wiley & Sons, New York. (2) Bellman, R.E. & Zadeh, L.A. (1970). Decision-making in a fuzzy environment. Management Science, 17(4), B141-B164. (3) Ekel, P.Y. (2002). Fuzzy Sets and Models of Decision Making. Computers and Mathematics with Applications, 44, 863-875. (4) Galperin, E.A. & Ekel, P.Y. (2005). Synthetic Realization Approach to Fuzzy Global Optimization via Gamma Algorithm. Mathematical and Computer Modelling, 41, 1457-1468. (5) Ferreira, P.A.V. (2002). Otimizao No-linear. Disponvel em <http://www.dt.fee.unicamp.br:80/~valente/ia543.html>. (6) Klir, G.J. & Yuan, B. (1995). Fuzzy Sets and Fuzzy Logic Theory and Applications. Prentice-Hall, New Jersey. (7) Lai, Y.J. & Hwang, C.L. (1992). Fuzzy Mathematical Programming: Methods and Applications. Vol. 394 de Lecture Notes in Economics and Mathematical Systems, Springer-Verlag, Berlin. (8) Lee, Y.H.; Yang, B.H. & Moon, K.S. (1999). An economic machining process model using fuzzy non-linear programming and neural network. International Journal Production Research, 37(4), 835-847. (9) Luenberger, D.G. (1984). Linear and Nonlinear Programming. Segunda edio, Addison-Wesley, Massachusetts. (10) Pedrycz, W. & Gomide, F. (1998). An introduction and fuzzy sets: Analysis and Design. A Bradford Book. (11) Silva, R.C. (2005). Contribuies ao estudo de programao no-linear com incertezas. Dissertao de mestrado, FEEC UNICAMP, Campinas, Maio. (12) Silva, R.C. & Yamakami, A. (2004). Uma contribuio para programao no-linear fuzzy. Aceito no CBA 2004, em Gramado RS, 21 a 27 de Setembro de 2004. (13) Silva, R.C. & Canto, L.A.P. (2004). Comparao entre modelos clssicos e fuzzy para problemas de programao no-linear. Aceito no SBPO 2004, em So Joo Del Rei MG, 21 a 27 de Novembro de 2004. (14) Trappey, J.F.C.; Liu, C.R. & Chang, T.C. (1988). Fuzzy non-linear programming: Theory and application in manufacturing. International Journal Production Research, 26(5), 975-985. (15) Xu, C. (1989). Fuzzy optimization of structures by the two-phases method. Computers & Structures, 31(4), 575-580. (16) Zadeh, L.A. (1965). Fuzzy sets. Information and Control, 8, 338-353.

398

Pesquisa Operacional, v.28, n.3, p.383-398, Setembro a Dezembro de 2008