Apostila de Modelamento

UNIIVERSIIDADE FEDERAL RURAL DO RIIO DE JANEIIRO UN VERS DADE FEDERAL RURAL DO R O DE JANE RO IINSTIITUTO DE TECNOLOGIIA NST TUTO DE TECNOLOG
A DEPARTAMENTO DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA
MODELAMENTO E OTIMIZAO DE SISTEMAS EM ENGENHARIA
Prof. Giillson Candiido Santana Prof. G son Cand do Santana
1998 1998
Apresentao
Os avanos da sociedade moderna nos ltimos anos tm sido enormes, mas extremamente preocupantes. O uso intensivo dos recursos com vistas a produzir por produzir, ou garantir um mercado consumidor, dever passar por uma grande reviso nos prximos anos. Nesta reviso dos procedimentos de produo, critrios de otimizao devero ser incorporados no cotidiano das decises. Como ferramentas de apoio deciso, os modelos de otimizao devero se popularizar. Dominar esta tecnologia representar um grande diferencial entre os profissionais do mercado. O presente curso o resultado de muitos anos de dedicao na construo e compilao dos conhecimentos bsicos para entrar neste campo. Com a organizao deste material, espero estar contribuindo para formar um engenheiro na Universidade Rural com melhor preparo para enfrentar os desafios que se avizinham. Gilson Candido Santana Professor Adjunto
ndice
ASSUNTO PGINA
ndice
1.1 1.2 1.3 1.4 1.5
CAPTULO 1 SISTEMAS
1
1 1 3 5 6 6 7 7 7 8 9 9 9 9 11 11 11 11 12
Consideraes Iniciais Conceituao de Sistemas - Anlise de Sistemas - Modelos - Tipos de Modelos 1.5.1 MODELOS CONCEITUAIS 1.5.2 MODELOS ICNICOS
1.5.3 MODELOS ANALGICOS 1.5.4 MODELOS SIMBLICOS 1.6 - Modelos Matemticos
1.6.2 MODELOS ESTOCSTICOS 1.6.3 MODELOS DETERMINSTICOS 1.7 - Ajuste dos Parmetros de um Modelo 1.8 - Anlise de Sensibilidade dos Parmetros de um Modelo 1.8.2 ANLISE DE VARINCIA DO MODELO 1.8.2 ANLISE DIFERENCIAL DO MODELO 1.9 - Exemplos de Modelos de Simulao em Engenharia 1.8.1 TESTES EMPRICOS
1.6.1 MODELOS PROBABILSTICOS
CAPTULO 2 - MODELOS MATEMTICOS DE OTIMIZAO

2.1 - Consideraes Iniciais 2.2 - Componentes Bsicos 2.2.1 - VARIVEIS DE DECISO 2.2.2 - PARMETROS DE UM MODELO
13
13 13 13 14 14 14
2.2.3 - FUNO OBJETIVO 2.2.4 RESTRIES
2.3 - Tipos de Modelos 2.3.1 MODELO LINEARES DE OTIMIZAO RESTRIES 2.3.2 - MODELOS NO LINEARES DE OTIMIZAO
15 15 15 16 16
2.3.3 - MODELOS ESTTICOS
2.3.4 - MODELOS DINMICOS
CAPTULO 3 - MODELOS DE PROGRAMAO LINEAR

3.1.1 - PROBLEMA DE PRODUO 3.1.2 - PROBLEMA DE DIETA 3.2 - Reviso de lgebra Matricial 3.2.1 NOTAO 3.2.2 - REPRESENTAO MATRICIAL
17
17 17 19 20 20 20 22 25 26 28 32
3.1 - Exemplos de Problemas de Produo
3.3 3.4 3.5 3.6
3.2.3 - SOLUO DE SISTEMAS DE EQUAES LINEARES Viso Geomtrica dos Problemas Lineares Exemplo de Soluo de um Problema de Prog. Linear O Algoritmo SIMPLEX Aplicaes de Prog. Linear a Otimizao da Produo
Captulo 4 - MODELOS DE PROGRAMAO no LINEAR

4.1 Consideraes Iniciais 4.2 Caracterizao do Problema 4.3 - Diferenciao de funes 4.3.2 EXEMPLOS 4.3.2.1 Funo No Linear Qualquer 4.3.2.2 Aproximao de Funes 4.4 Desenvolvimento de Funes em Srie 4.4.1 TEOREMA DE TAYLOR 4.4.2 SRIE DE TAYLOR 4.3.1 DEFINIES
33
33 33 34 34 37 37 38 38 39 39 39 39 40 40 41 41 41
4.4.4 VETOR GRADIENTE 4.4.5 MATRIZ HESSIANA 4.5 - Derivada Direcional 4.6 - Condies de Otimalidade 4.7 - Otimizao de funes convexas 4.7.1 CONJUNTO CONVEXO
4.4.3 SRIE DE TAYLOR PARA FUNES DE n VARIVEIS
4.7.2 FUNO CONVEXA 4.7.3 EXEMPLOS
42 43 44 45 46 46 48 49 50 50 51 52 54 54 55 56 57
4.7.5 FUNO LAGRANGEANO 4.8 - Mtodos de Otimizao
4.7.4 OTIMIZAO COM RESTRIES
4.8.4 FALSA POSIO 4.9 Mtodos de Otimizao sem Restries 4.9.1 MTODO DO GRADIENTE 4.9.2 MTODO DE NEWTON 4.10 Mtodos de Otimizao com Restries 4.10.1 MTODO DO GRADIENTE REDUZIDO 4.10.2 MTODO DO GRADIENTE REDUZIDO GENERALIZADO 4.10.3 MTODOS DE PENALIDADES 4.10.4 MTODOS DO LAGRANGEANO AUMENTADO
4.8.2 BISSEO 4.8.3 APROXIMAO QUADRTICA
4.8.1 BUSCA UNIDIMENSIONAL
Captulo 5 FLUXOS EM REDE Apendice i Referncias Bibliogrficas
59 61
CAPTULO I SISTEMAS
1.1 Consideraes Iniciais
A Engenharia surgiu da necessidade do homem de resolver uma srie de problemas que buscassem atender sua comodidade. Na soluo destes problemas o engenheiro utiliza toda sua capacidade de abstrao para visualizar os problemas e represent-los atravs de modelos. Atravs dos modelos o engenheiro capaz de analisar os fenmenos e grandezas intervenientes e apontar para as possveis solues. Dentre os modelos de que se utiliza enquadram-se os modelos fsicos, sejam esquemticos ou em escala reduzida, dependendo da natureza do problema e, os modelos matemticos, onde consegue descrever os fenmenos e suas grandezas intervenientes atravs de relaes matemticas, validadas fisicamente atravs do conhecimento acumulado. O modelamento matemtico tem encontrado campo frtil de crescimento nas ltimas dcadas devido melhor compreenso dos fenmenos fsicos envolvidos nos problemas de Engenharia e, principalmente, devido s facilidades computacionais disponveis no momento, que tendem a crescer devido ao rpido avano da Informtica. Muitos dos problemas de Engenharia esto relacionados necessidade de dimensionar, adequadamente, os componentes de um sistema qualquer que seja capaz de, atravs das dimenses adequadas, garantir a satisfao de determinadas pr-condies desejadas. Inmeros so os problemas que se encaixam nesta situao, envolvendo os diversos campos da Engenharia.
Captulo 1 - Sistemas
1.2 Conceituao de Sistemas

Para podermos trabalhar com os sistemas precisamos, inicialmente, ter em mente uma conceituao que defina o que sistema. Esta conceituao no muito simples, dado o carter abstrato que ronda a anlise de sistemas. Podemos tentar algumas definies que satisfaam s nossas necessidades, assim, sistema pode ser definido como: a) Qualquer coisa composta de partes interligadas entre si. b) Um sistema qualquer estrutura, esquema, procedimento real ou abstrato que inter-relaciona uma dada referncia de tempo, uma entrada, causa ou estmulo de matria, energia ou informao a uma sada, efeito, resposta de informao, energia ou matria. c) Um sistema pode ser conceituado como um conjunto de componentes interrelacionados dinamicamente, cada um com uma funo especfica em um procedimento operacional que, atravs de entradas e seu processamento, produz um conjunto de sadas como resposta. O conceito de sistema preestabelecidas do tipo: preserva um conjunto de caractersticas
A idia de totalidade contemplando todos os componentes; A idia de inter-relacionamento entre grupos, conjuntos, objetos ou conjunto de componentes com relacionamentos internos; A idia de busca de objetivos em que o resultado das inter-relaes entre os componentes procura atingir metas ou posies de equilbrio; A idia de entradas gerando conjuntos de atividades que resultam em sadas e resultados no campo das metas almejadas; A idia de interao com o seu ambiente de modo que o ambiente age sobre o sistema e este se adapta ou reage contra o ambiente; A idia de hierarquia existente entre os componentes do sistema e,
A idia de complexidade e dinamismo inerentes ao sistema. A anlise dos problemas sob o enfoque da anlise de sistemas busca visualizar e compreender os problemas de deciso de modo racional e objetivo. O principal da anlise de sistemas a noo de que um problema pode ser visto em sua totalidade, inclusive atravs do tempo. As partes componentes do sistema, subsistemas, se inter-relacionam dinamicamente de modo complexo, de tal forma que o resultado do todo maior do que o resultado total das partes, sendo o todo determinante da natureza das partes e, as partes no podem ser totalmente entendidas se consideradas isoladamente do todo e seu ambiente. Esta viso complexa determina a natureza complexa dos sistemas e sua anlise. De um ponto de vista geral h trs elementos a serem considerados, a entrada, a sada e a operao do sistema propriamente dita, ou seja, aquela peculiaridade do sistema que transforma entradas em sadas. Este relacionamento inerente aos sistemas pode ser representado esquematicamente por um retngulo no qual a entrada transformada em sada pelas relaes internas do sistema (figura 1).
ENTRADA ENTRADA P R O C E S S A M E N TO PROCESSAMENTO
SADA S A DA
Figura 1 - Esquema representativo de um sistema com seus componentes.
1.3 - Anlise de Sistemas

As relaes envolvidas em um sistema podem ser representadas, tambm, por uma relao matemtica genrica, do tipo:
y(t) = h(t)
Onde:
x(t)
[1]
h(t)
uma funo matemtica caracterizando a operao do sistema, ou seja, suas transformaes;
um smbolo que indica que as funes h(t) e x(t) so combinadas de alguma forma a produzir a sada y(t).
A figura 1 pode ento ser representada envolvendo as funes matemticas genricas (figura 2).
x (t ) x (t ) h ( t)
y (t ) y (t )
Figura 2 - Esquema de um sistema envolvendo funes matemticas genricas.
Na anlise de um sistema nos defrontamos com trs tipos de problemas a resolver: 1) IDENTIFICAO situao que ocorre quando conhecemos a entrada x(t), a sada y(t) e queremos a equao caracterstica da operao do sistema h(t). 2) SIMULAO procedimento utilizado quando conhecemos a entrada x(t) e a operao do sistema h(t) e queremos simular a sada y(t). 3) DETECO sendo conhecidas a sada y(t) e a operao do sistema h(t), queremos encontrar a causa x(t). Alguns aspectos adicionais de um sistema devem ser levados em considerao quando do trabalho e anlise, tais como: 1) SUBSISTEMA um subsistema pode ser considerado como parte de um sistema global, mas que mantm as caractersticas de um sistema individual. 2) ESTADO UM SISTEMA representa o dimensionamento de todas as condies reinantes no sistema. representado pelas variveis de estado do sistema. significa toda a influncia das condies passadas nas 3) MEMRIA DE UM SISTEMA condies presentes. Se existe influncia das condies passadas ento o sistema tem memria. O grau de influncia expresso pela ordem de memria.
4) SISTEMA LINEAR E NO LINEAR um sistema dito linear quando existe uma regra de operao linear para produzir a sada do sistema. Se x1(t) Ento
y1(t) e x2(t)
y2(t)
[2]
x1(t)
+ x2(t) y1(t) + y2(t) (superposio de efeitos)
[3]
5) SISTEMA VARIANTE NO TEMPO E INVARIANTE NO TEMPO um sistema dito invariante no tempo quando seus parmetros no se alteram com o tempo.
x(t) x(t+)
y(t) y(t+)
[4] [5]
6) SISTEMAS DISTRIBUDOS E AGLUTINADOS um sistema dito distribudo quando as variveis assumem valores diferentes em cada ponto do espao. dito aglutinado quando as variveis apresentam valores mdios numa determinada regio do espao. 7) SISTEMAS CONTNUOS E DISCRETOS um sistema dito discreto quando as variveis assumem valores discretos (valores inteiros). Um passo importante da anlise de sistemas para tomada de deciso o desenvolvimento de modelos usados para representar os sistemas e suas relaes, de modo a fornecer o entendimento e analisar o comportamento dos sistemas originais.
1.4 - Modelos
O entendimento do termo modelo e da sua utilidade na tomada de deciso pode vir de algumas definies j tradicionais na literatura, tais como: Os modelos tm a caracterstica de imitar os sistemas. Eles podem capturar os principais componentes e suas inter-relaes nos sistemas. Para contemplar esta viso o desenvolvimento dos modelos , na verdade, uma sofisticada combinao de arte e cincia.
Um modelo uma representao ou uma abstrao de um objeto ou uma situao real. Os modelos representam as relaes e inter-relaes entre ao e reao de causa e efeito em situaes operacionais. Um modelo pode ser conceitualmente considerado uma substituio de um sistema real. Atravs da investigao e experimentao nos sistemas reais, podemos interrogar o modelo com menor risco, menor tempo e menor custo. Os modelos so, na maioria dos casos, uma caricatura da realidade, porm, podem ser boas caricaturas ou representar de forma distorcida algumas das caractersticas do mundo real. A principal funo de um modelo no tanto explicar ou prever a realidade, mas sim, levantar questes e auxiliar o entendimento dos sistemas. Dos itens abordados acima podemos observar que os modelos so abstraes idealizadas ou representaes simplificadas de um sistema real e so desenvolvidos com o objetivo de estudar um sistema de modo especfico. Contudo, para se tornar til, um modelo deve ser desenvolvido com muita cautela.
1.5 - Tipos de Modelos

De modo a caracterizar bem o entendimento filosfico da utilizao dos modelos podemos dividi-los em categorias (figura 3), segundo suas principais caractersticas. 1.5.1 MODELOS CONCEITUAIS Os modelos conceituais so formados atravs do uso da experincia, do conhecimento e da intuio. Podem ser delineados mentalmente sem uma representao formal atravs do detalhamento verbal, ou ainda, atravs da descrio. Uma caracterstica marcante destes tipos de modelos sua caracterstica individual sendo, muitas vezes, uma viso sistemtica de pensamento de determinados indivduos, baseado em suas vivncia e experincia pessoais. Destes trs, somente os modelos descritivos apresentam uma maior grau de conceituao podendo, portanto, participar de um processo de comunicao e distribuio formal.
1.5.2 MODELOS ICNICOS Um modelo icnico normalmente representa a expresso visual da realidade, mantendo as propriedades perceptveis dos sistemas. Estas propriedades, no entanto, so mantidas atravs de transformaes, principalmente de escala, seja para reduzir ou ampliar as caractersticas do sistema. Destes modelos, os modelos fsicos so construdos de material fsico palpvel, normalmente em escala. Tm uma utilizao muito grande na anlise de determinadas situaes em Engenharia onde o estudo em um modelo reduzido pode fornecer informaes preciosas sobre o comportamento real. J os modelos pictoriais so imagens dos objetos, captadas por qualquer meio de representao pictorial. Os modelos pictoriais tm propriedade descritiva e no explanativa. 1.5.3 MODELOS ANALGICOS Os modelos analgicos so modelos que buscam representar as propriedades do sistema real utilizando meios que apresentem propriedades semelhantes. So construdos, normalmente, por circuitos eltricos que representem as propriedades de um sistema real por semelhana, tal como a resistncia eltrica representando uma resistncia mecnica, alm de outros exemplos. 1.5.4 MODELOS SIMBLICOS Nesta categoria de modelos so utilizados smbolos para designar os componentes do sistema e suas relaes. Estes modelos so abstratos e os smbolos substituem as caractersticas dos sistemas. Esta categoria de modelos contempla os modelos grficos, os modelos esquemticos e os modelos matemticos. Os modelos grficos so utilizados, normalmente, para representar fluxos e atividades. Os modelos esquemticos representam as idias ou eventos e, normalmente, so reduzidos a esquemas grficos. J os modelos matemticos utilizam-se dos smbolos matemticos que caracterizam uma linguagem matemtica para representar os componentes e relaes dos sistemas.
MODELOS CONCEITUAIS
MODELOS CONCEITUAIS
MODELOS ICONICOS
MODELOS ANALGICOS
MODELOS SIMBLICOS
MODELOS MENTAIS
MODELOS VERBAIS
MODELOS DESCRITIVOS
MODELOS PICTORIAIS
MODELOS FSICOS
MODELOS GRFICOS
MODELOS ESQUEMTICOS
MODELOS MATEMTICOS
Figura 3 Diferentes tipos de modelos.
A aplicao prtica dos modelos na vida real passa, necessariamente, pela concepo do modelo mentalmente onde, abstratamente so entendidas as relaes do sistema e visualizadas as formas de representar este sistema. Aps esta fase, o modelo mental transformado em um modelo icnico, analgico ou simblico. Na anlise dos sistemas para apoio a deciso grande destaque tm assumido os modelos simblicos, principalmente os modelos matemticos.
1.6 - Modelos Matemticos

Os modelos matemticos apresentam caractersticas muito interessantes que os tornam to atrativos, sendo as principais: so muito precisos e apresentam baixo grau de ambigidade em funo do uso dos smbolos matemticos; so bastante compactos medida que necessitam de poucos smbolos matemticos para representar sistemas complexos, e. so mais simples de manipular do que as palavras, quando os procedimentos matemticos so claramente conhecidos. Os modelos matemticos so construdos pela formulao de equaes, as quais descrevem os componentes do sistema e seus estados. As equaes, por sua vez, so formadas por variveis, constantes e parmetros. Os modelos matemticos podem ser divididos, segundo a sua conceituao matemtica em Modelos Probabilsticos, Modelos Estocsticos e Modelos Determinsticos.
1.6.1 MODELOS PROBABILSTICOS Os modelos probabilsticos baseiam-se no estudo dos dados disponveis e no ajuste destes a distribuies de freqncias. So adequados, somente, quando no existem correlaes entre os dados. 1.6.2 MODELOS ESTOCSTICOS Os modelos estocsticos so desenvolvidos pela anlise das seqncias de ocorrncias de um dado fenmeno onde existem influncias passadas. So modelos que possuem memria. Como exemplo, temos os modelos autoregressivos (Ex: Srie de manchas solares). 1.6.3 MODELOS DETERMINSTICOS Os modelos determinsticos so os conhecidos modelos matemticos convencionais. Podem ser obtidos atravs da anlise matemtica dos fenmenos, anlise diferencial ou, atravs da sntese de equaes que podem representar o fenmeno de forma aproximada. Os modelos de sntese so utilizados para simplificar as relaes matemticas do modelo ou quando no se conhecem efetivamente as relaes matemticas envolvidas no sistema original.
1.7 - Ajuste dos Parmetros de um Modelo

Na construo de um modelo matemtico devemos, aps anlise e escolha do tipo de modelo a ser adotado, estabelecer as relaes matemticas entre as diferentes variveis presentes e estabelecer os parmetros a serem ajustados para o modelo em questo. Os parmetros de um modelo so representados pelas constantes existentes nas equaes que validam os dados obtidos pela utilizao do modelo com os dados coletados diretamente no sistema original. Os parmetros devero ento assumir valores numricos que possibilitem ao modelo, representar da melhor forma possvel o sistema original. A obteno destes valores pode ser feita de vrias formas, atravs da observao direta na realidade do sistema, atravs de relaes matemticas ou do processo de tentativa e erro, procurando ajustar as respostas do modelo realidade do sistema. Outra forma de obter os valores para os parmetros do modelo descobrir os valores dos parmetros que forneam a melhor resposta para o modelo, ou seja, os valores calculados pelo modelo que mais se aproximam dos
10
valores observados para o sistema. Este tarefa se denomina ajuste do modelo, calibrao do modelo ou otimizao do modelo. Os valores dos parmetros so chamados de valores timos. Os valores timos dos parmetros so obtidos para um determinado conjunto de dados observados no sistema e, no necessariamente sero vlidos para outro conjunto de dados, a menos que o sistema seja bem definido e seu modelo matematicamente fiel ao sistema. Ao buscar os valores timos dos parmetros (aqueles que melhor se ajustam aos dados obtidos no sistema), de modo sistemtico e no visual, devemos estabelecer uma funo objetivo que mea, por exemplo, o afastamento entre os valores calculados e os valores observados. Diferentes tipos de funo podem ser utilizadas, como por exemplo: 1) F = f i
i =1 n
[6]
Onde F fi
representa a funo objetivo a ser analisada; corresponde ao desvio entre os valores observados e os valores simulados pelo modelo. fi= (qi - yi) [7]
sendo qi yi
representa os dados observados no sistema original; representa os valores simulados na aplicao do modelo. 2) F =
( f )
i i =1
n k 2
[8]
3) F = f i
i =1
[9]
entre outras.
11
Considerando-se que o objetivo encontrar os valores mnimos para a funo objetivo, escolhida entre as diferentes relaes possveis, a tarefa encontrar o valor mnimo para a funo, caracterizando um problema clssico de otimizao. Os problemas de otimizao sero vistos nos prximos captulos.
1.8 - Anlise de Sensibilidade dos Parmetros de um Modelo

Uma das tarefas a serem analisadas quando da calibrao de um modelo a observao do grau de influncia de cada um dos parmetros do modelo na resposta deste. A esta tarefa denominamos anlise de sensibilidade. Neste procedimento, a experincia do projetista e o conhecimento das caractersticas do sistema original e as relaes estabelecidas no modelo so fundamentais para que as influncias dos parmetros sejam mais adequadamente estabelecidas. A anlise de sensibilidade pode ser processada de vrias formas, entre elas podemos relacionar: 1.8.1 - TESTES EMPRICOS O procedimento bsico se resume a alterar os parmetros isoladamente num valor percentual preestabelecido e, avaliar quo percentualmente a funo objetivo foi alterada. Com isto, possvel encontrar-se aqueles parmetros que mais influenciam a resposta do modelo e trabalhar a calibrao do modelo naqueles parmetros mais importantes, economizando esforos. 1.8.2 - ANLISE DA VARINCIA DO MODELO So mtodos que analisam a varincia dos dados observados no sistema e a varincia dos dados simulados pelo modelo. Existem vrias variantes nesta linha de mtodos. 1.8.3 - ANLISE DIFERENCIAL DO MODELO Quando o sistema se apresenta bem definido, onde as relaes matemticas do modelo so bem representativas, a anlise das relaes diferenciais dos parmetros pode fornecer informaes sobre a sensibilidade dos diferentes parmetros. Na anlise diferencial utilizamos o Clculo Diferencial
12
para encontrar as relaes de influncia de cada parmetro sobre a resposta do modelo.
1.9 - Exemplos de Modelos de Simulao Aplicados Engenharia

Diversas so as reas de aplicao dos modelos de simulao aos problemas de Engenharia. Na Engenharia de Alimentos muitos problemas relacionados matria-prima, suas caractersticas e propriedades podem ser equacionadas por modelos de simulao. Existe um campo muito grande de aplicaes para o desenvolvimento de modelos que descrevam os efeitos do processamento na qualidade e na higiene dos alimentos. Alm disto, os modelos podem ser usados no controle das variveis de operao dos processamentos, encontrando condies mais apropriadas operao no que se relaciona aos limites tolerados. A Seo de Modelamento e Controle do Departamento de Cincia e Tecnologia de Alimentos da Universidade de Reading-England vem trabalhando no desenvolvimento de modelos para:
Processamento trmico em ambientes fechados e esterilizao contnua; Congelamento e Secagem e desidratao usando transferncia de calor e massa.
princpios fundamentais de
Na Faculdade de Engenharia de Alimentos da UNICAP tambm so desenvolvidos trabalhos de desenvolvimento de modelos para diferentes etapas em operaes de processamento.
CAPTULO 2 MODELOS MATEMTICOS DE OTIMIZAO

2.1 - Consideraes Iniciais
Na formulao de um modelo matemtico necessrio estabelecer objetivos associados s variveis do sistema e seus estados, objetivos estes a serem alcanados de forma a apoiar uma tomada de deciso. Muitas das vezes os objetivos a serem atingidos esto associados a condies consideradas timas para o funcionamento do sistema em estudo. Nestes casos, a preocupao do projetista buscar na anlise do sistema os valores das variveis de deciso considerados timos, segundo uma funo objetivo estabelecida. Os modelos matemticos associados a este tipo de sistema tm uma particularidade de soluo que a busca dos valores timos das variveis de deciso, segundo metodologias apropriadas. So conhecidos como os modelos matemticos de otimizao. Estes modelos so resolvidos utilizando algoritmos apropriados de clculo que se adeqem ao tipo de funo objetivo adotada, assim como s caractersticas das relaes entre as variveis do sistema.
2.2 - Componentes Bsicos

Na construo de um modelo matemtico de otimizao devemos estabelecer as relaes adequadas para cada um dos componentes que formam o modelo, estes componentes so as variveis de deciso, os parmetros do modelo e a funo objetivo. 2.2.1 - VARIVEIS DE DECISO As variveis de deciso formam o conjunto de variveis que podem ser manipuladas pelo modelo para atingir o ponto timo.
14
Captulo 2 - Modelos Matemticos de Otimizao
2.2.2 - PARMETROS DE UM MODELO So os fatores que efetivamente definem o modelo, que do ao modelo as suas caractersticas prprias mas que no podem ser controlados, pois esto associados realidade do sistema original. 2.2.3 - FUNO OBJETIVO Um problema de otimizao complexo associado tomada de deciso envolve a seleo de valores para um determinado nmero de variveis de deciso interrelacionadas, baseando-se em objetivos simples, projetados para quantificar desempenho e qualidade de uma deciso. Para alcanar o objetivo busca-se atingir uma situao que maximize ou minimize o valor da funo objetivo projetada, dependendo de funes de restrio que, em geral, limitam as variveis de deciso a se adequar a determinados valores ou faixas de atuao. Exemplos de objetivos simples podem ser um lucro ou perda, no sentido econmico, a velocidade ou distncia em situaes fsicas, o retorno esperado de um investimento de risco ou a satisfao social em planos de governo. Para casos como estes, os modelos de otimizao podem oferecer ferramentas muito ricas de anlise de sistemas. 2.2.4 - RESTRIES Na maioria dos sistemas a serem modelados as variveis de deciso apresentam restries de contexto, limitaes fsicas ou econmicas, formando o que denominamos restries. As restries definem os intervalos de valores que as variveis de deciso podem assumir, formando uma regio factvel limitada. Na construo de um modelo de otimizao, ao definir seus componentes, estamos representando as condies que regem as particularidades de um sistema especfico em anlise. No mundo real, entretanto, nem sempre possvel representar toda a complexidade das restries, das inter-relaes entre as variveis e os objetivos, em funo da complexidade dos sistemas reais. Os modelos matemticos de otimizao podem representar, to somente, uma aproximao da realidade.
15
O sucesso na utilizao dos modelos de otimizao baseado no cuidado durante a formulao do modelo, de modo a conseguir capturar os elementos essenciais ao problema, na anlise apurada das inter-relaes entre as variveis de deciso e, principalmente, o julgamento adequado na interpretao dos resultados. Alcanar os requisitos essenciais utilizao dos modelos de otimizao requer uma vivncia grande dos problemas, alm do domnio das teorias que regem, tanto o problema, quanto as solues matemticas para o modelo. O depuramento de um modelo exige um trabalho longo de modelamento e avaliao dos resultados, de modo a alcanar o sucesso na utilizao deste. A anlise de objetivos conflitantes e suas conseqncias na utilizao do modelo essencial. O objetivo final no modelamento alcanar um modelo que seja, suficientemente complexo para capturar as caractersticas essenciais do problema e, no entanto, simples o suficiente para ser tratvel e fornecer concluses teis tomada de deciso.
2.3 - Tipos de Modelos

Os modelos de otimizao, em funo das caractersticas de seus componentes podem ser classificados em modelos lineares, modelos no lineares, segundo as relaes envolvidas entre as variveis na funo objetivo e nas restries e estticos ou dinmicos quanto influncia das variveis e parmetros no tempo. 2.3.1 - MODELO LINEARES DE OTIMIZAO Os modelos lineares de otimizao apresentam, tanto sua funo objetivo, como suas restries com comportamento linear. 2.3.2 - MODELOS NO LINEARES DE OTIMIZAO Os modelos no lineares de otimizao apresentam sua funo objetivo e/ou suas restries com comportamento no linear. Ou seja, mesmo que apresenta funo objetivo linear, podem apresentar uma ou mais restries no lineares, ou ainda, apresentar restries lineares mas funo objetivo no linear.
16
A importncia desta separao est relacionada ao fato de que para os modelos lineares existem algoritmos genricos que facilitam muito a soluo de problemas de otimizao desta natureza. J para os modelos no lineares os algoritmos devem ser aplicados para cada caso em particular, em funo das caractersticas da funo objetivo e, principalmente, das restries. 2.3.3 - MODELOS ESTTICOS Os modelos de otimizao so considerados estticos quando a influncia do tempo sobre os parmetros e variveis de deciso no considerada. 2.3.4 - MODELOS DINMICOS Os modelos de otimizao so considerados dinmicos quando o tempo considerado influente nas variveis de deciso e parmetros do modelo. Os modelos dinmicos apresentam maior grau de complexidade por necessitar da explicitao da variao no tempo das variveis e parmetros, ocorrendo quase que uma nova funo objetivo para cada momento.
CAPTULO 3 MODELOS DE PROGRAMAO LINEAR

Os modelos de programao linear tm uma vasta aplicao em planejamento de atividades que envolvam produo, fornecendo informaes importantes ao processo de tomada de deciso.
3.1 - Exemplos de Problemas de Produo

3.1.1 - PROBLEMA DE PRODUO Tomemos um exemplo de um problema de produo envolvendo uma indstria de processamento de frutas, que pode escolher entre produzir gelia e doce em pasta. Nesta deciso devem ser considerados aspectos como custo de cada produto, quantidade de matria prima utilizada, consumo de energia, consumo de mo de obra e outros fatores e ingredientes. O problema pode ser tabelado da seguinte forma :
INSUMO Matria Prima Consumo de Energia Mo-de-Obra Lucro GELIA 1 3 2 2 DOCE EM PASTA 2 2 2 1 DISPONIBILIDADE 8 12 10 -
O modelo matemtico para este caso deve ser o seguinte : Variveis de deciso Sero as decises a serem tomadas para definir a estrutura de produo da indstria, no caso : x1 quantidade de gelia a ser produzida
18
Captulo 3 - Modelos de Programao Linear
x2
quantidade de doce em pasta a ser produzido Funo Objetivo (Maximizar o lucro)
A funo objetivo a ser utilizada deve definir a estrutura de produo e um objetivo a ser alcanado, no caso a maximizao do lucro total de produo. Max f = 2 x1 + x2
Conjunto de Restries Para a produo estabelecida, algumas condies devem ser avaliadas, principalmente quanto aos aspectos de limitao a esta produo, uma vez que h escassez de alguns recurso, restringindo a produo, neste caso, poderemos escrever : x1 + 2 x 2 8 3 x1 + 2 x2 12 2 x1 + 2 x2 10 x 1 0 , x2 0 (Limitao de Matria Prima) (Limitao de Energia) (Limitao de Mo-de-Obra)
A viso geomtrica do sistema, obtida da representao grfica das equaes do modelo, est representada na figura 4.
9 8 7 6 Matria Prima
x2
5 4 3 2 1 0 0 2 4 6 8 10 12
Energia Mo-de-Obra
x1
Figura 4 - Viso geomtrica do modelo de programao linear exemplo.
19
3.1.2 - PROBLEMA DE DIETA Tomemos um dieta em que dispomos de cinco tipos de alimentos com diferentes composies em nutrientes (protenas e carbohidratos). Uma vez conhecido o custo de cada alimento deseja-se determinar a dieta que satisfaa os padres nutricionais e que tenha mnimo custo.
Alimento 1 Protenas Carbohidratos Custo 3 2 25
Alimento 2 4 3 35
Alimento 3 5 4 50
Alimento 4 3 3 33
Alimento 5 6 3 36
Necessidades Nutricionais 42 24 -
Variveis de deciso Neste caso as variveis de deciso sero estabelecidas pela quantidade de cada alimento a ser consumida na unidade de tempo considerada, assim : xi quantidade de alimento i presente na dieta
Funo Objetivo (Minimizar o custo da dieta) A funo objetivo ser estabelecida pelo custo da alimentao na unidade de tempo considerada, neste caso : Min f = 25 x1 + 35 x2 + 50 x3 + 33 x4 + 36 x5 Conjunto de Restries As restries do problema esto relacionadas s necessidades mnimas dos nutrientes a serem consumidas, ficando : 3 x1 + 4 x2 + 5 x3 + 3 x4 + 6 x5 42 2 x1 + 3 x2 + 4 x3 + 3 x4 + 3 x5 24 xi 0 , i = 1, 5 (Necessidade de Protenas) (Necessidade de Carbohidratos)
20
3.2 - Reviso de lgebra Matricial

3 . 2 . 1 - N O TA O Vamos introduzir uma notao para representar esquematicamente o problema de programao linear. Vetor n-coluna Vetor m-linha Matriz (m x n)
A11 1 A2 . A= . . 1 Am
1 A2
x1 x 2 . x= . . xn
. . . . . . . . . . . . . . . . . .
A22 . . . A
2 m
c = [c1 c2
. . . cm ]
A1n A2n . . . n Am
Logo, podemos representar esquematicamente o problema de programao linear atravs de uma notao vetorial. Min c x S.a Ax=b sendo c x A b vetor de coeficientes das variveis de deciso na funo objetivo vetor de variveis de deciso matriz de coeficientes das variveis de deciso nas restries vetor de recursos disponveis 3.2.2 - REPRESENTAO MATRICIAL O corao de um problema de programao linear est na soluo do sistema de equaes lineares das restries [12]. Ax=b [12] [11] [10]
Para resolv-lo, devemos antes atentar para os possveis problemas de incompatibilidade, do tipo inconsistncia ou redundncia. A inconsistncia est relacionada a equaes que se contradizem, inviabilizando a soluo. J a
21
redundncia est associada ao excesso de informaes, de modo que o sistema apresenta um nmero de solues indeterminado, uma vez que qualquer soluo ser dependente de uma das variveis. A redundncia implica em que uma das equaes deve ser eliminada, provocando a reduo de um grau de liberdade no problema, ou seja, no haver equaes suficientes para o nmero de incgnitas. Trs casos podem ocorrer : 1) Matriz em p ou contm redundncia ou inconsistente ou as duas coisas.
2) Matriz deitada na ausncia de inconsistncia e, eliminadas as redundncias, tem uma infinidade de solues.
3) Matriz quadrada se inconsistente nada h a fazer, se redundante, aps a eliminao da redundncia cai em uma matriz deitada. Na ausncia de inconsistncia e redundncia existe uma nica soluo.
Nos problemas de programao linear, a regra geral encontrar matrizes deitadas, uma vez que existiro, em geral, mais variveis do que restries. Neste caso, a soluo do sistema ser sempre dependente, formando-se um conjunto de variveis dependentes e outro de variveis independentes. Separando-se estes conjuntos em funo dos ndices das variveis, de modo que o conjunto de ndices das variveis dependentes seja representado por um vetor I e o conjunto de ndices das variveis independentes por um vetor J.
22
A soluo vetorial para o sistema A x = b ser : x = [A]-1 b [13]
Considerando-se a separao das variveis, para o caso das matrizes deitadas, teremos : A I xI + A J xJ = b sendo a soluo : xI = [AI]-1 {b - AJ xJ} [15] [14]
3.2.3 - SOLUO DE SISTEMAS DE EQUAES LINEARES A soluo do sistema passa, ento, pela inverso da matriz de ndices das variveis dependentes. Para inverso de uma matriz existem vrios mtodos, destes mtodos podemos citar dois mais interessantes computacionalmente. 1o Mtodo - Eliminao de Gauss-Jordan (popular pivoteamento) obtido atravs de operaes elementares com as linhas sem alterar o sistema. Exemplo :
1 2 6 1 3 8 2 4 16 x1 3 x = 1 2 x3 4
[16]
multiplicando a primeira linha por 1 e somando o resultado segunda linha e tambm multiplicando a primeira linha por 2 e somando o resultado terceira linha teremos :
1 2 6 x1 3 0 1 2 x = 2 2 0 0 4 x 3 2
[17]
23
Multiplicando, agora, a segunda linha por 2 e somando o resultado primeira linha teremos o novo sistema matricial:
1 0 2 x1 7 0 1 2 x = 2 2 0 0 4 x 3 2
[18]
para finalizar, precisamos dividir inicialmente a terceira linha por 4 para obter o valor unitrio na terceira coluna. Em seguida, multiplicamos a terceira linha obtida pela diviso por 4 agora por 2 e somamos o resultado primeira linha multiplicamos. O mesmo faremos multiplicando a terceira linha por 2 e somando o resultado segunda linha, ficando o sistema finalmente como :
1 0 0 0 1 0 0 0 1
x6 x = 1 x4
8 1 1 2
[19]
A operao deste sistema mostra agora x1 = 8, x2 = -1 e x3 = -1/2. Checando :
1 2 6 3 1 * 8 + 3 *( 1) + 8 *( 1 ) = 1 2 2 4 16 4
[20]
2o Mtodo - Decomposio LU (Lower/Upper) A matriz de coeficientes A decomposta em duas matrizes com componentes nulos e no nulos. Uma das matrizes tem seus componentes no nulos inferiores diagonal principal (lower), e a outra tem os componentes no nulos superiores diagonal principal (upper). A=L U [21] u13 1 2 6 = 1 3 8 u 23 2 4 16 u 33
1 l 21 l 31
0 1 l32
0 0 1
u11 0 0
u12 u 22
[22]
24
Os passos a serem seguidos para resolver o sistema partem da substituio na equao [12] da matriz A pelas matrizes L e U, equao [23]. L U x=b [23]
1 0 0 1 1 0 2 0 1
1 2 6 3 0 1 2 x = 1 0 0 4 4
[24]
Substituindo a operao da matriz U com o vetor x por um vetor intermedirio y, equao [25], U x = y [25]
1 0 0 1 1 0 2 0 1
y1 3 y = 1 2 y3 4
[26]
e substituindo o vetor y na equao [23], teremos uma nova representao do sistema, descrito agora pela equao [27]. L y = b [27]
Calculado o vetor y podemos utilizar a equao [25] para a determinao do vetor x.
y1 = 3
y2 = -2
1 2 6 x6 3 0 1 2 x = 2 1 0 0 4 x4 2
y3 = -2
[28]
logo,
x6 = -
x1 = - 1
x4 = 8
O mtodo de decomposio L U mais eficiente comparado ao mtodo de pivoteamento, que pode apresentar instabilidades e perda de preciso. Iremos trabalhar aqui com o mtodo de pivoteamento pela facilidade de resoluo manual.
25
3.3 - Viso Geomtrica dos Problemas Lineares

A representao geomtrica de um problema de programao linear forma um espao delimitado pelos eixos coordenados e as limitaes impostas pelas restries do problema, criando uma regio de factibilidade, ou seja, uma regio em que todos os pontos so soluo vivel do problema de programao linear. A funo objetivo de um problema de programao linear est numa dimenso superior ao espao formado pelas restries, de modo que pode ser representada neste espao pelas suas curvas de nvel. A figura 5 representa um exemplo de programao linear com o espao formado pelas restries e a representao da funo objetivo atravs de suas curvas de nvel (curvas de igual valor). Como as restries so lineares, a regio formada caracterizada por um polgono irregular, cujos lados so os eixos e restries. Neste polgono existem alguns pontos caractersticos, que so as arestas do polgono. Estes pontos representam um conjunto de pontos especiais, cuja soluo tima estar entre um deles.
X2
Curvas de nvel da Funo Objetivo
X1
Figura 5 - Representao do espao factvel de um problema linear.
26
3.4 - Exemplo de Soluo de um Problema de Programao Linear

Dado o problema linear Max f = x1 + x2 2 x1 + x2 x1 + 2 x 2 x2 x1 0 , x2 8 7 3 0
s.a.
[29]
Como o sistema de equaes lineares formado pelo conjunto das restries um sistema de desigualdades matemticas, para tornar o sistema de equaes formado pelas restries em um sistema de igualdades podemos escrev-lo de outra forma. =8 [30] 2 x1 + x2 + x3 x1 + 2 x 2 + + x4 = 7 [31] x2 + + x5 = 3 [32] x1, x2, x3, x4, x5 0 onde x3, x4 e x5 so variveis artificiais criadas para garantir a igualdade das restries. No espao formado pelas variveis x1 e x2 podemos fazer uma anlise grfica do problema, figura 6.
x2
9 8 7 6 5 4 [11] [12] [13]
I
3
E
2 1
D C B
1 2 3 4 5 6 7 8 9 10 11
A
0 0
x1
Figura 6 - Representao grfica do problema de programao linear proposto.
27
Os pontos assinalados na figura 6 correspondem ao conjunto de pontos nobres do problema formando as arestas do polgono de espao factvel de solues. Particularmente so pontos candidatos a timo em funo da orientao das curvas de nvel da funo objetivo. Analisando cada ponto teremos :
IA = {3,4,5} JA = {1,2} IB = {1,4,5} JB = {3,2}
x1 = 0 x2 = 0 x3 = 0 x2 = 0
x3 = 8 x4 = 7 x5 = 3 x1 = 4 x4 = 3 x5 = 3 x1 = 3 x2 = 2 x5 = 1 x1 = 1 x2 = 3 x3 = 3 x4 = 1 x2 = 3 x3 = 5 x1 = 5/2 3 x2 = x4 = - 3/2
(Soluo Factvel)
PONTO A
(Soluo Factvel)
PONTO B
IC = {1,2,5} JC = {3,4} ID = {1,2,3} JD = {5,4} IE = {4,2,3} JE = {5,1} II = {1,2,4} JI = {3,5}
x3 = 0 x4 = 0 x4 = 0 x5 = 0 x5 = 0 x1 = 0 x3 = 0 x5 = 0
(Soluo Factvel)
PONTO C
(Soluo Factvel)
PONTO D
(Soluo Factvel)
PONTO E
(Soluo Infactvel)
PONTO I
Um mtodo simplista para resolver um problema de programao linear poderia ser adoo dos seguintes passos : 1) Listar todas as solues bsicas factveis do problema; 2) Avaliar a funo objetivo sobre elas e escolher a de maior valor. As desvantagens desta metodologia esto relacionadas a um nmero muito grande de solues bsicas factveis quando o problema for de grande dimenso, alm da possibilidade de solues ilimitadas e inconsistentes.
28
Para resolver esta problemtica foi desenvolvido um mtodo de grande sucesso denominado SIMPLEX.
3.5 - O Algoritmo SIMPLEX

O Algoritmo Simplex o algoritmo clssico para soluo dos problemas de programao linear. Como pode ser observado do que j foi exposto, a soluo tima deve se encontrar entre os pontos extremos do polgono formado pelas restries. Isto pode ser confirmado pela caracterstica das curvas de nvel de se manterem paralelas e ao tentar atingir o melhor ponto dever tocar uma das arestas do polgono, caracterizando o melhor ponto que faa parte da superfcie factvel de solues. Outra observao importante com relao aos problemas de programao linear quanto matriz formada pelas restries que, em geral uma matriz deitada (devero existir mais variveis do que restries). Numa matriz deste tipo, a soluo ser alcanada na dependncia de outras, formando-se o que se convencionou denominar uma base. A base corresponde a um conjunto de ndices de variveis que assumam valores no nulos, sendo as demais variveis nulas. Ao saltar de aresta para aresta, veja problema anterior, a base alterada pela sada de uma varivel da base e entrada de outra em seu lugar. O algoritmo Simplex implementa estas caractersticas e busca alcanar a melhor soluo, seguindo os seguintes passos : 1) Partir de uma soluo bsica factvel; 2) Escolher uma varivel que esteja fora da base, no bsica, que melhore a funo objetivo e coloc-la na base; 3) Escolher uma varivel bsica para sair da base e manter a factibilidade da soluo.
29
Exemplo : x2 = f (Max) x1 + 2 x1 + x2 + x3 =8 + x4 =7 x1 + 2 x2 x2 + x5 = 3 xi 0 onde x3, x4 e x5 so variveis artificiais criadas para garantir a igualdade das restries. Seja a base I = {3,4,5} A soluo bsica factvel ser : x1 = x2 = 0 x3 = 8; x4 = 7; x5 = 3 Neste caso, x1 e x2 so variveis candidatas a entrar na base pois tm coeficientes positivos e melhoram a funo objetivo. Escolhemos x2 para entrar na base, conservando x1 a nvel zero. Para cada uma das variveis na base maiores ou iguais a zero = 8 - x2 x2 8 x3 = 7 - 2 x2 x2 7/2 x4 x5 = 3 - x2 x2 3 quando x2 =3 ento x5 atingir o valor zero e sair da base, logo x5 ser escolhida para sair da base. I = {3,4,5} I = {3,4,2}
Matricialmente teremos : x1 1 2 1 x2 1 1 2 1 x3 1 1 1 x4 x5 f 8 7 3
30
x1 1 2 1
x2
x3 1
x4
1 1
x5 -1 -1 -2 1
f-3 5 1 3
A soluo bsica factvel ser : x1 = x5 = 0 x3 = 5; x4 = 1; x2 = 3 Escolhemos x1 para entrar na base, conservando x5 a nvel zero. Para cada uma das variveis na base maiores ou iguais a zero = 5 - 2 x1 x1 5/2 x3 x4 = 1 - x1 x1 1 x2 = 3 x1 irrestrito quando x1 = 1 ento x4 atingir o valor zero e sair da base, logo x4 ser escolhida para sair da base. I = {3,4,2} I = {3,1,2}
Matricialmente teremos : x1 1 2 1 x2 x3 1 1 1 x4 x5 -1 -1 -2 1
f - 3 5 1 3
x1
x2
x3 1
1 1
x4 -1 -2 1
x5 1 3 -2 1
f - 4 3 1 3
31
A soluo bsica factvel ser : x4 = x5 = 0 x3 = 3; x1 = 1; x2 = 3 Como x5 apresenta coeficiente positivo ento ainda pode melhorar a funo objetivo e ento candidato a entrar na base, conservando x4 a nvel zero. Para cada uma das variveis na base maiores ou iguais a zero = 3 - 3 x5 x5 1 x3 = 1 + 2 x5 para x1 0, x5 ilimitado x1 x2 = 3 - x5 x5 3 quando x5 = 1 ento x3 atingir o valor zero e sair da base, logo x3 ser escolhida para sair da base. I = {3,1,2} I = {5,1,2}
Matricialmente teremos : x1 x2 x3 1 1 1 x1 x2 x3
-1/3 1/3
x4 -1 -2 1
x5 1 3 -2 1 x5 1
f - 4 3 1 3
x4
-1/3 -2/3 -1/3 2/3
1 1
2/3 -1/3
f - 5 1 3 2
A soluo bsica factvel ser : x4 = x3 = 0 x5 = 1; x1 = 3; x2 = 2 Como os coeficientes na funo objetivo so todos negativos, ento no haver melhoria na funo objetivo e portanto estamos na soluo tima.
32
RESUMINDO O ALGORITMO SIMPLEX Supondo consistncia, no redundncia e conhecida uma base factvel inicial, 1) Verificar se a base factvel atual ;e tima. Se for o problema terminou se no parte para o passo 2). 2) Determinar a varivel no bsica a entrar na base (aquela que melhora mais a funo objetivo, maior coeficiente na funo objetivo) 3) Determinar a varivel bsica a sair da base, aquela que bloqueia o crescimento da varivel a entrar na base. 4) Achar a nova soluo bsica factvel ( pivoteamento) e voltar ao passo 1).
3.6 - Aplicaes de Programao Linear a Problemas de Otimizao da Produo

Na soluo dos problemas de programao linear mais complexos, a utilizao de softwares apropriados imprescindvel, uma vez que a dimenso do problema pode atingir grau incompatvel com o clculo manual. Inmeros softwares existem disponveis no mercado para aquisio, dentre eles o LINUS, LINDO e LINGO. O desenvolvimento de algoritmos pelo prprio usurio perfeitamente vivel e comum, uma vez que a complexidade computacional reduzido, dadas as caractersticas do algoritmo Simplex. Existem ainda vrios aspectos importantes relativos programao linear, tais como, sensibilidade de uma soluo, dualidade e a utilizao do Simplex revisado que utiliza a soluo por vetores e no pela matriz, reduzindo, sensivelmente o gasto de memria e esforo computacional.
CAPTULO 4 MODELOS DE PROGRAMAO no LINEAR

4.1 Consideraes Iniciais
Um problema de programao no linear se caracteriza pela no linearidade da funo objetivo em relao s variveis de deciso, sendo que as restries podem se apresentar tanto lineares como no lineares. O que caracteriza principalmente os problemas de programao no linear a falta de padronizao do algoritmo de soluo, uma vez que a configurao do problema pode se apresentar de muitas formas possveis, em funo do modelamento utilizado e da complexidade do modelo e do sistema modelado. O que diferencia a programao no linear da programao linear , essencialmente, a natureza no linear dos sistemas reais que, embora possam ser modelados eventualmente atravs da programao linear, so muito mais detalhados e realistas quando modelados pela programao no linear. Quando da sua utilizao grande parte das caractersticas dos sistemas reais podem ser includas no modelo, fornecendo uma maior riqueza de modelamento. Por outro lado, o enriquecimento de um modelo acompanhado da maior complexidade matemtica que, em muitos casos, inviabiliza momentaneamente a sua soluo pelas possveis restries computacionais atuais. Antes de partir para a anlise direta dos problemas necessrio uma reviso rpida dos conceitos de clculo diferencial, uma vez que ferramenta essencial soluo dos problemas de programao no linear.
4.2 Caracterizao do Problema

Um problema de otimizao no linear tpico pode ser definido atravs da seguinte representao matemtica:
34
Captulo 4 - Modelos de Programao no Linear
Min f(x) s.a. x onde f uma funo no linear em x e a regio factvel ou espao de solues do problema. um subconjunto de En (espao n-dimensional). Quando definido um problema de otimizao a primeira pergunta que deve ser respondida sobre a existncia de uma soluo. A resposta a isto de que se a funo f contnua e um espao compacto, ento existe uma soluo, ou seja, existe um x* tal que para todo x existe. f(x) f(x*) [34] [33]
Uma situao ocorre quando nos deparamos com um problema de otimizao que diz respeito qualidade da soluo encontrada. Podemos caracterizar uma soluo de duas formas: soluo tima global um ponto um ponto x considerado um ponto de mnimo global quando : f(x) f(x*) para todo x [35]
soluo tima local um ponto x considerado um ponto de mnimo local quando : f(x) f(x*) para todo x distante de x* [36]
A resposta mais comum ao problema de otimizao encontrar um ponto x* como sendo um ponto de mnimo local. A coincidncia de x* local ser um x* global se dar em funo de caractersticas particulares do sistema.
4.3 - Diferenciao de funes

4 .3 .1 - D E FI N I E S Uma funo f diferencivel em um ponto xo se e somente se existir um nico termo equivalente :
35
x 0
lim
f ( x0 + x ) f ( x0 ) = f '( x0 ) x
[37]
Este limite, se existir, chamado de derivada da funo e denotado tambm por:
f '( x ) =
df dx
[38]
Um exemplo de funo no diferencivel pode ser visto graficamente na figura 7, onde o ponto xo apresenta uma descontinuidade neste ponto.
x0
Figura 7 - Representao de uma funo no diferencivel em um ponto xo.
Um representao grfica de funo diferencivel apresentado na figura 8, onde qualquer ponto xo no intervalo [a,b] diferencivel.
Figura 8 - Representao de uma funo diferencivel no intervalo [a,b].
36
A funo derivada f(xo) tem uma interpretao geomtrica que pode ser vista na figura 9. Como ela representa a variao da funo em relao variao da varivel, podemos representar esta relao pela tangente do ngulo interno do tringulo retngulo formado com catetos equivalentes a estas variaes.
f x xo x
Figura 9 - Representao geomtrica da derivada da funo.
Quando a variao da varivel tende a zero, o prolongamento da hipotenusa fica tangente curva e a derivada representa, ento, a tangente do ngulo formado entre a curva tangente funo e o eixo horizontal.
f ' ( x 0 ) = lim
f = tg x 0 x
[39]
Uma interpretao importante sobre a diferenciao est relacionada existncia de um ponto de mnimo da funo. A tangente da funo neste ponto de mnimo ser paralela ao eixo das variveis e, portanto, formando ngulo nulo, o que significa uma tangente nula, ou seja, a derivada da funo no ponto de mnimo ser nula, figura 10. Da, podemos definir que em um ponto qualquer xo se a derivada da funo neste ponto for nula ento estaremos em um ponto de mnimo local, que poder ser global ou no. A certeza de se tratar de um ponto de mnimo est relacionada forma da funo, uma vez que em um ponto de mximo a derivada tambm ser nula.
37
Ponto de Mnimo
f = 0 x
xo
Figura 10 Derivada da funo em um ponto de mnimo.
4. 3. 2 - E X E M P LO S 4.3.2.1 Funo No Linear Qualquer Seja o problema no linear abaixo :
Min
2 f ( x1 , x 2 ) = x12 x1 x 2 + x 2 3 x 2
[40]
Como no h restries, o espao factvel de solues todo E2, caracterizando um problema dito irrestrito, ou seja : - x1 ; as derivadas parciais do problema sero :
f = f ' ( x1 ) = 2 x1 x2 x1
- x2
[41]
f = f ' ( x2 ) = x1 + 2 x2 3 x2
[42]
Destas duas equaes, procurando por f(x1) = 0 e f(x2) = 0 teremos o sistema de equaes: 2 x1 x 2 = 0
x1 + 2 x 2 = 3
38
cuja soluo ser x1 = 1 e x2 = 2. Como um nico ponto satisfaz ao sistema, ento este ser alm de um ponto de timo local um ponto de timo global da funo. 4.3.2.2 Aproximao de Funes Esta uma aplicao muito til quando se tem um conjunto de dados observados estabelecendo um par dependente do tipo g(x1), g(x2), ..., g(xm) e se deseja estabelecer um ajuste entre os dados observados em uma funo, por exemplo polinomial, do tipo :
H ( x) = a n x n + a n 1 x n 1 + ... + a o
sendo n < m.
[43]
O objetivo do ajuste encontrar os parmetros da funo que estabeleam o menor erro possvel, o que poder ser obtido atravs da minimizao do da funo que representa o somatrio dos erros elevados ao quadrado (de modo a serem positivos sempre).
Min
sendo
f (a) = (ek ) 2
k =1
[44]
F (a) = g ( x k ) (a n x + a n 1 x
n k =1
n 1
+ ... + a o )
[45]
fazendo
f (a) =0 ai
i = 0..n
[46]
os coeficientes ai podem ser determinados.
4.4 Desenvolvimento de Funes em Srie

Uma das formas de aproximao de funes desenvolvidas na matemtica foi a aproximao em sries. Destas aproximaes podemos citar as sries trigonomtricas de grande utilidade nos clculos internos das calculadoras eletrnicas, as sries de Fourrier de Taylor e outras.
39
4.4.1 TEOREMA DE TAYLOR Dada uma funo qualquer, o teorema de Taylor estabelece que se esta funo contnua possuindo n + 1 derivadas contnuas em um intervalo [a,b], ento esta funo pode ser representada pela seguinte aproximao :
f (b) = f ( a ) +
onde
(b a ) (b a ) 2 (b a ) n n f '( a ) + f "( a ) +...+ f ( a ) + Rn +1 1! 2! n!
[47]
Rn +1 =
(b a ) n +1 n +1 f ( x) (n + 1)!
x [a , b]
[48]
4. 4. 2 S R I E D E TA Y L O R Se todas as derivadas de f(x) so contnuas na vizinhana do ponto a e o lim R n + 1 = 0 ento :
( x a) n n f ( x) = f (a ) n! n=0
[49]
4 . 4 . 3 S R I E D E T A Y L O R PA R A F U N E S D E n V A R I V E I S Partindo-se de um ponto xo qualquer em uma direo qualquer e assumindose uma funo de n variveis com suas derivadas parciais, teremos :
f ( x) = f ( x 0 ) +
f i =1 xi
n
x0 ( xi x0i ) +
1 n n 2f ( xi x0i ) 2! i =1 j =1 xi x j
x0
( x j x0 j ) +... termos de ordem superior

[50]
sendo x e xo vetores. 4. 4. 4 V E T O R G R A D I E N T E Chama-se VETOR GRADIENTE ao vetor de n componentes dados pelas primeiras derivadas parciais, e representado por :
f f f f = , ,..., xn x1 x2
[51]
40
4 . 4 . 5 M A T R I Z H E SS I A N A Chama-se MATRIZ HESSIANA a matriz de n x n componentes dados pelas segundas derivadas parciais, como abaixo :
2f x2 21 f x x 2. 1 H= . . 2 f x x n 1
2f x1 x2 2f 2 x2
. . .
. .
. .
. .
2f x1 xn 2f x2 xn
. . .
[52]
f xn x2
2
f 2 xn
2
A Srie de Taylor em notao vetorial incluindo o vetor gradiente e a matriz Hessiana fica ento:
f (x) = f (x 0 ) + f (x 0 ) T (x x 0 ) +
1 (x x 0 ) T H(x 0 )(x x 0 ) +... termos superiores 2
[53]
4.5 - Derivada Direcional

Expandindo-se uma funo f(x) em uma Srie de Taylor em torno de um ponto xo em uma direo d, na qual damos um passo ,, de modo que x xo = d, teremos : 1 [54] f (x 0 + d) = f (x0 ) + f (x 0 ) T d + 2 dTH(x 0 ) d+... 2 reorganizando
f (x 0 + d) f (x 0 )
1 = f (x 0 ) T d + dTH(x 0 )d+... 2
[55]
tomando-se o limite para 0
Df (x 0 , d) = f (x 0 ) T d
[56]
definimos uma derivada denominada derivada direcional que o produto escalar do gradiente pela direo de caminhada.
41
4.6 - Condies de Otimalidade

Da representao da derivada direcional podemos retirar as condies que definem um ponto de timo, uma vez que o vetor gradiente deve ser nulo, ou seja as derivadas parciais nulas :
Condies necessrias de timo irrestrito f(x*) = 0 dT H(x*) d 0 ; para todo dRn
o que significa que no ponto considerado timo x* o gradiente dever ser nulo e a derivada direcional, em qualquer direo, dever ser maior ou igual a zero, ou seja, a derivada direcional tambm ser nula.
Condies suficientes de timo irrestrito f(x*) = 0 dT H(x*) d > 0 ; para todo dRn
As proposies at aqui apresentadas partem da premissa que a funo f(x) uma funo convexa no espao considerado, uma vez que para as funes no convexas podem existir pontos de inflexo (pontos onde a curva modifica sua concavidade) onde existiro direes em que as premissas no so vlidas.
4.7 - Otimizao de funes convexas

4. 7. 1 C O N J U N T O C O N V E X O Um conjunto C qualquer no Rn dito convexo se para quaisquer pontos x1, x2 C o segmento de reta que uni os pontos est completamente contido em C, figura 11.
42
Conjunto Convexo
Conjunto no Convexo
x1
x x
C
Figura 11 Convexidade de conjuntos.
x2
4. 7 . 2 F U N O C O N V E X A Uma funo f definida sobre um conjunto convexo chamada funo convexa se para todo x1, x2 e todo , tal que, 0 1 teremos :
f (x1 + (1 )x 2 ) f (x1 ) + (1 ) f (x 2 )
[57]
Geometricamente uma funo convexa se toda linha ligando dois pontos no grfico no corta a funo em nenhum momento. A figura 12 mostra alguns exemplos geomtricos de convexidade de funo.
Funo Convexa
Funo no Convexa
x Figura 12 Convexidade de funes.
Algumas observaes podem ser feitas quanto s propriedades e caractersticas de funes convexa s, tais como :
A funo linear convexa e cncava ao mesmo tempo; Sejam duas funes f1 e f2 convexas sobre um conjunto convexo . A funo f1 + f2 convexa em ;
43
Seja uma funo f convexa sobre o conjunto convexo . A funo c. f convexa para qualquer c 0; Se uma funo f convexa ento a funo - f cncava.
4 . 7 . 3 E X E M PL O S 1) Uma indstria produz dois produtos cujos custos de produo unitrios so R$10,00/ms e R$12,00/ms. Se os custos fixos da indstria so de R$ 120.000,00/ms, qual dever ser a produo de cada produto de modo a minimizar o custo total de produo. Custo Total = Unidades Produzidas x Custo Unitrio Custo Unitrio = Custo Operacional + Custo Fixo/Unidades Custo Fixo / Unidades = Custo Fixo * Frao do Produto na Produo Tomando-se como variveis de deciso
x1 = unidades do produto 1 produzidas x2 = unidades do produto 2 produzidas
a funo de custo total de produo poder ser escrita como :

x1 x2 f ( x1 , x2 ) = x1 10 + 120.000 + x2 12 + 120.000 x1 + x2 x1 + x2
[58]
O problema de otimizao ento :

x1 x2 f ( x1 , x2 ) = x1 10 + 120.000 + x2 12 + 120.000 x1 + x2 x1 + x2 s.a. x1 0; x2 0
Min
[59]
2) Uma empresa tem uma autorizao de produo governamental de modo no est autorizada a produzir alm de uma determinada cota, sendo punida com uma multa que segue uma regra quadrtica de crescimento em qualquer valor produzido acima do permitido. Tem ainda um contrato de fornecimento que
44
pune o no atendimento cota de produo, tambm de forma quadrtica. Considerando-se um lucro por unidade de 50, uma cota de 50 unidades e uma multa de $10.000 por paralisao da produo, determinar a produo ideal. Lucro Total = Lucro na Produo Multa Lucro na Produo = 50 x Multa = 4 x2 400 x + 10000 Lucro Total = 20 x 4 x2 + 400 x 10000 x = 56,25 unidades
4.7.4 OTIMIZAO COM RESTRIES Um problema de programao no linear geral que inclui restries pode ser representado por:
Min f(x)
s.a.
h1(x) = 0, g1(x) 0 h2(x) = 0, g2(x) 0 . . . . hm(x) = 0, gp(x) 0 x Rn (onde um conjunto convexo)
[60]
De forma condensada podemos representar o conjunto de restries como vetores de restries da seguinte forma:
Min f(x)
s.a.
h(x) = 0, g(x) 0 x
[61]
45
4 . 7. 5 F U N O L A G R A N G E A N O No caso da otimizao com restries de igualdade, seja um ponto x* regular das restries h(x) = 0 e um ponto extremo local (um mnimo ou um mximo) de f sujeito a estas restries. Ento existe um vetor Rm tal que :
f(x*) + T h(x*) = 0
[62]
o vetor denominado vetor Lagrangeano. Associado ao problema de programao no linear restrito existe uma funo denominada Funo Lagrangeano, que incorpora as restries ao problema principal formando uma funo irrestrita.
L(x,) = f(x) + h(x)
[63]
Esta funo idntica funo original quando for atendido h(x) = 0, que ocorre quando h(x) = 0 ou = 0, atendendo restrio em qualquer hiptese. Para otimizao desta funo teremos como condio necessria o gradiente nulo, ficando
L(x, ) = 0
x
[64] [65]
L(x, ) = 0
Exemplo :
Min sa x 2 4 x1 = 9
2 f ( x1 , x 2 ) = x12 + x 2
[66]
a) Estabelecer restrio de igualdade

x 2 4 x1 9 = 0
b) Funo lagrangeano a ser minimizada

2 Min L( x1 , x 2 , ) = x12 + x 2 + ( x 2 4 x1 = 9)
[67]
46
c) Condies necessrias de Mnimo Local
[1] L( x1 , x 2 , ) = 2 x1 4 = 0
x1
[2] L( x1 , x 2 , ) = 2 x 2 + = 0
x2
[68]
[1] L( x1 , x 2 , ) = x 2 4 x1 9 = 0
4.8 - Mtodos de Otimizao

Os mtodos de otimizao so procedimentos iterativos que convergem para uma soluo melhor partindo-se de um ponto inicial numa dada direo, considerada direo de melhora. Escolhida esta direo necessrio encontrar o melhor ponto atravs de um procedimento de busca unidimensional. 4.8.1 BUSCA UNIDIMENSIONAL A figura 13 representa uma funo convexa a ser minimizada em duas variveis de deciso, onde uma determinada direo d foi escolhida para anlise.
f(x)
Figura 13 Direo de caminhada em uma funo.
Na direo de caminhada escolhida, cada ponto poder ser representado em funo do ponto de partida por:
47
xk+1 = xk + k dk
[69]
onde
k {xk} k dk
nmero da iterao uma seqncia de pontos o tamanho do passo na iterao k a direo adotada na iterao k
No plano das variveis de deciso o problema grfico se reduz a caminhar numa direo que corta a superfcie de otimizao, figura 14.
x+d
Figura 14 Direo de caminhada no plano das variveis.
Quando escolhemos uma direo d estamos buscando alcanar o ponto mnimo neste direo, gerando um problema do tipo :
Min f(x + d) s.a. 0
[70]
que pode ser representado graficamente atravs de uma funo g(), figura 15.
g() = f(x + d)
o objetivo obter a derivada da funo g() igual a zero, ou g() = 0. O que ser dado por :
[71]
g() = f(x + d) . d = 0 (ou derivada direcional nula)
[72]
48
g()
Figura 15 Funo unidimensional na direo de caminhada.
Para encontrar o timo na direo existem vrios mtodos, dentre eles destacaremos o mtodo de bisseo, de aproximao quadrtica, o mtodo de Newton e o mtodo do gradiente.
4. 8 . 2 B I S S E O No mtodo de Bisseo a direo de caminhada considera dois pontos que aprisionem o ponto mnimo e divide este intervalo em dois, figura 16.
g()
Figura 16 Mtodo de busca direcional por bisseo.
49
1) Estabelece um intervalo que aprisione o ponto de mnimo (avalia as derivadas direcionais at que encontre valor positivo. 2) Calcula
1 =
a + b
2
e determina a derivada g(1).
3) Avalia o novo intervalo em funo do comportamento da derivada

0 [ a , 1 ] g(1) 0 [ 1 , b ]
4) Repete os procedimentos 2) e 3) at encontrar valor de derivada nula (dentro de uma dada tolerncia).
4 . 8 . 3 A PR O X I M A O Q U A D R T I C A Como trs pontos podem definir uma parbola que se ajuste, o mtodo se utiliza de trs pontos conhecidos e obtm uma parbola ajustada a eles. Com a parbola ajustada, determina o ponto de mnimo e compara o valor da funo neste ponto de mnimo, figura 17.
g()
Pontos de coincidncia
Figura 17 Mtodo de busca direcional por aproximao quadrtica.
50
Conhecidos 3 pontos g(1), g(2) e g(3) possvel obter o ponto mnimo * pelo ajuste da curva a uma parbola.
4. 8 . 4 F A L S A P O S I O O mtodo da falsa posio parte de uma aproximao quadrtica e avalia a derivada da funo, figura 18.
g()
g(2) 3 g(1) 1 g(3) 2
Figura 18 Mtodo de busca direcional por falsa posio.
Para uma funo quadrtica a reta que une a derivada de dois pontos quaisquer encontra o ponto de derivada nula 3. Avaliando-se g(3) esta dever ser nula se a aproximao for correta. Caso no seja o ponto 3 estabelece um novo intervalo a ser avaliado, e assim sucessivamente at encontrar o ponto de derivada nula. O ponto 3 aproximado ser dado por :
3 = 1 g ' ( 1 ) 2 1 g ' ( 2 ) g ' ( 1 )
[73]
4.9 Mtodos de Otimizao sem Restries

Nos mtodos de otimizao de sistemas sem restries deveremos estabelecer uma direo de caminhada e nesta direo definir um passo timo, repetindo o procedimento at encontrar um ponto considerado timo. Dos
51
mtodos disponveis sero destacados o mtodo do gradiente e o mtodo de Newton, que diferem entre si na escolha da direo de caminhada e no passo estabelecido nesta direo. 4. 9. 1 M T O D O D O G R A D I E N T E No mtodo do gradiente a direo escolhida a direo de melhora da funo objetivo, apontada pelo gradiente da funo no ponto. O gradiente aponta para o crescimento da funo, de modo que em um problema de minimizao o sentido considerado na direo dever ser o oposto do gradiente. Seja o problema de programao no linear abaixo : Min f(x) s.a.
x e f C
1
[74]
onde f uma funo convexa. A busca da soluo do problema em uma determinada iterao k ser dada por : direo de caminhada dk = - f(xk) tamanho do passo
k aquele que resolve o problema de busca na direo de caminhada
[75]
Min f(xk + dk ) em
[76]
Graficamente podemos visualizar o problema de busca da soluo, figura 19, onde pode ser observado a perpendicularidade das direes quando se encontra o passo timo na direo de caminhada f(xk+1) . f(xk) = 0. Caminhando em zig-zag at atingir o ponto timo.
52
x1 d0 x0
d1 x2
Figura 19 Ilustrao grfica de um problema de otimizao pelo mtodo do gradiente
Exemplo :
Min f(x) = (x1 2)4 + (x1 2 x2)2
[77]
Iterao
1 2 3 4 5 6 7 8
xk f(xk)
(0,00;3,00) 52,00 (2,70;1,51) 0,34 (2,52;1,20) 0,09 (2,43;1,25) 0,04 (2,37;1,16) 0,02 (2,33;1,18) 0,01 (2,30;1,14) 0,009 (2,28;1,15) 0,007
f(xk)
(-44,00;24,00) (0,73;1,28) (0,80;-0,48) (0,18;0,28) (0,30;-0,20) (0,08;0,12) (0,15;-0,08) (0,05;0,08)
[ f(xk)]
50,12 1,47 0,93 0,33 0,36 0,14 0,17 0,09
dk = - f(xk)
xk+1
(2,70;1,51) (2,52;1,20) (2,43;1,25) (2,37;1,16) (2,33;1,18) (2,30;1,14) (2,28;1,15)
(44,00;-24,00) 0,062 (-0,73;-1,28) (-0,80;0,48) (-0,18;-0,28) (-0,30;0,20) (-0,08;-0,12) (-0,15;0,08) 0,24 0,11 0,31 0,12 0,36 0,13
Ponto timo dada a tolerncia
4.9.2 MTODO DE NEWTON O mtodo de Newton se baseia na expanso em srie de Taylor truncada no termo de 2a ordem:
53
1 f (x) = f (x k ) + f (x k )(x x k ) + (x x k )H(x k )(x x k ) 2

Como o objetivo alcanar f(x) = 0 teremos:
f (x k ) + H (x k )(x x k ) = 0
[78]
[79]
ou seja
x k +1 = x k [H(x k )] 1 f (x k )
[80]
o que significa usar a direo d k = [H(x k )] 1 f (x k ) e passo = 1.
Exemplo:
Min f(x) = (x1 2)4 + (x1 2 x2)2
[81]
Iterao 1 2 3 4 5 6 7
xk f(xk)
(0,00;3,00) 52,00 (0,67;0,33) 3,13 (1,11;0,56) 0,63 (1,41;0,70) 0,12 (1,61;0,80) 0,02 (1,74;0,87) 0,005 (1,83;0,91) 0,0009
f(xk)
(-44,00;24,00) (-9,39;-0,04) (-2,84;-0,04) (-0,80;-0,04) (-0,22;-0,04) (-0,07;0,00) (0,0003;-0,04)
[H(xk)]
50,0 4,0 4,0 8,0 23,23 4,0 4,0 8,0 11,50 4,0 4,0 8,0 6,18 4,0 4,0 8,0 3,83 4,0 4,0 8,0 2,81 4,0 4,0 8,0
[H(xk)]-1
1 8,0 4,0 384 4,0 50,0 1 8,0 4,0 169,84 4,0 23,23 1 8,0 4,0 76 4,0 11,5 1 8,0 4,0 33,44 4,0 6,18 1 8,0 4,0 14,64 4,0 3,83 1 8,0 4,0 6,48 4,0 2,81
-[H(xk)]-1 f(xk) (0,67;-2,67) (0,44;0,23) (0,30;0,14) (0,20;0,10) (0,13;0,07) (0,09;0,04)
xk+1
(0,67;0,33) (1,11;0,56) (1,41;0,70) (1,61;0,80) (1,74;0,87) (1,83;0,91)
Ponto timo dada a tolerncia
4.10 Mtodos de Otimizao com Restries

Os mtodos de otimizao de sistemas com restries devem considerar o caminhamento em busca da otimizao da funo objetivo respeitando as restries presentes no espao das solues. A escolha do mtodo mais adequado
54
depende das caractersticas do conjunto de restries, podendo existir mtodos muito especficos para resolver determinado tipo de problema. Sero analisados aqui alguns mtodos mais comuns e que se adequam a problemas de caracterstica mais genrica. 4 . 1 0. 1 M T O D O D O G R A D I E N T E R E D U Z I D O O mtodo do gradiente reduzido foi desenvolvido, inicialmente, para problemas de programao no linear com restries lineares. Seja um modelo no linear do tipo :
Min f (x) s.a. Ax = b
[82]
onde a matriz A de dimenso m x n, x de dimenso n e o vetor b de dimenso m. Se o vetor de variveis x puder ser separado em variveis xB e xN, x = [ xB | xN ], de tal modo que a matriz A possa ser separvel de forma correspondente em A = [ B | N ] e a submatriz B tiver dimenso m x m e for inversvel, ento, podemos escrever o problema [82] atravs do problema [83].
Min s.a. Bx B + Nx N = b f (x B , x N )
[83]
Dado um ponto xk factvel, o mtodo do gradiente encontra uma direo factvel de melhora dk, tal que :
A (xk + dk) = b
[84]
de modo que A xk + A dk = b. Como A xk = b e maior do que zero, ento teremos A dk = 0. Podemos concluir que B dBk + N dNk = 0 e, da tirar a dependncia na direo de caminhada [85].
dBk = B-1 N dNk
[85]
A escolha da direo dNk estabelecida com a direo do gradiente da funo f(B-1 b B-1 N xN, xN), que pela regra da cadeia :
55
k k k k d T N = f (xB , xB ) + f (xB , x B )B 1N
xN
xB
[86]
O mtodo do gradiente reduzido o mtodo do gradiente aplicado ao problema reduzido resultante da eliminao dos graus de liberdade da funo objetivo pelas restries de igualdade do problema. Este procedimento reduz a soluo do problema em nmero de variveis de trabalho, reduzindo a complexidade com ganhos computacionais. 4.10.2 MTODO DO GRADIENTE REDUZIDO GENERALIZADO Para um problema que envolva restries no lineares, o mtodo do gradiente reduzido pode ser generalizado, estabelecendo o mtodo de otimizao conhecido como gradiente reduzido generalizado. Seja o problema de programao no linear geral [87].
Min f (x B , x N ) s.a. g(x B , x N ) = 0
[87]
sendo
xB xN g(xB,xN)
de dimenso m; de dimenso n - m; de dimenso m.
Associado ao problema [87] temos a funo Lagrangeano a ser minimizada, [88].

Min L = f (x B , x N ) + g (x B , x N )
T
[88]
A condio de otimalidade de [87] estabelece a estacionaridade dos gradientes do Lagrangeano em relao s variveis de deciso, dados pelas equaes [89] e [90].
L = f (x B , x N ) + T J x B
xB xB
[89] [90]
xN
L = f (xB , x N ) + T J x N
xN
56
Impondo a condio de otimalidade em relao s variveis xB, L = 0 ,

xB
possvel expressar analiticamente o valor de :

T = f (x B , x N ) J x B
xB
[ ]
[91]
que substituindo na equao [90] produzir a expresso do gradiente reduzido, dada pela equao [92].
L = f (xB , x N ) f (xB , x N ) J x B
xN xN xB
[ ]
J xN
[92]
4.10.3 MTODOS DE PENALIDADES Para resolver problemas de otimizao restritos, do tipo barreiras, existe uma categoria de mtodos denominado mtodo de penalidade, cuja filosofia incorporar funo objetivo um termo de penalizao sempre que uma determinada restrio for violada, criando um aumento de custo na funo objetivo, de modo que na aplicao do algoritmo de busca a soluo se afaste desta regio penalizada, mantendo-se no espao de solues considerado factvel. Se encontrarmos um problema de otimizao com restrio que estabelece limites de atuao da varivel de deciso, do tipo
Min f (x) s.a.
[93]
xmin x xmax
podemos introduzir um termo quadrtico adicional na funo objetivo do tipo
P(x) = pi . (xmin x)2 P(x) = pi . (x xmax)2 P(x) = 0
quando x < xmin quando x > xmax caso contrrio
[94]
O termo pi um multiplicador que assume, inicialmente, um valor pequeno, sendo incrementado nas iteraes sucessivas, at que a soluo do problema penalizado satisfaa restrio, dentro de uma determinada tolerncia.
57
4. 10 . 4 M T O D O D O L A G R A N G E A N O A U M E N T A D O Tambm conhecido como mtodo dos multiplicadores, o mtodo correspondente adio do termo de penalizao, no funo objetivo, mas funo Lagrangeano, formando a funo Lagrangeano Aumentado. O problema restrito anterior poder ser escrito agora de forma irrestrita, quando houver violao de limite mximo, atravs do Lagrangeano Aumentado
L(x, ) = f (x) + T (x x max ) +
1 p(x x max ) 2 2
[95]
Uma das desvantagens dos mtodos de penalidades est relacionada sua instabilidade, de modo que o gradiente da funo penalizada nulo no produz certeza quanto nulidade do gradiente da funo objetivo, a menos que o termo de penalizao tenda a infinito. Introduzindo o termo linear na funo objetivo penalizada, a convergncia fica assegurada com o termo de penalizao finito.
CAPTULO 5 FLUXOS EM REDE

5.1 Definies
Na representao de um problema envolvendo o escoamento de algum bem, produto ou evento fsico qualquer, podemos representar o problema atravs de um esquema grfico denominado grafo. Um grafo uma representao grfica onde os locais envolvidos so representados atravs de pontos e o fluxo entre eles atravs de arcos ligando os pontos atravs de relaes binrias, figura 20.
B D A C E
Figura 20 - Representao de uma problema de fluxo em rede - grafo.
A ligao que estabelece o fluxo entre os diferentes pontos representada atravs de um arco como mostrado na figura 21.
k i j
Figura 21 - Representao de um fluxo direcionado.
Na caracterizao do problema necessrio definir uma terminologia tpica dos diversos componentes e suas relaes. Assim, devemos definir os seguintes termos:
60
Captulo 5 Fluxos em Rede
Ns ou vrtices Arcos Origem e destino
representam os locais envolvidos no problema; representam o fluxo escoado entre os ns; representam o n de origem do fluxo e o n de destino do fluxo, quando tratar-se de um fluxo direcionado, figura 21;
Atravs da representao do grafo e o direcionamento do fluxo, podemos caracterizar os processos de adjacncia entre os ns da rede. Um n pode ser chamado de sucessor de outro, caracterizando uma descendncia, ou ser antecessor de outro, caracterizando uma ascendncia, assim como um processo genealgico. Da mesma forma possvel estabelecer este processo nas relaes entre os arcos, caracterizando os arcos adjacentes. No estabelecimento do fluxo entre dois ns distantes possvel que o mesmo seja feito atravs de uma cadeia de arcos. Uma cadeia caracterizada por um conjunto de arcos e ns de modo a estabelecer uma ligao entre dois ns especficos, figura 22. 3 C D 2 1 3 C B 4 2 A D 1 5 a B A E b
Figura 22 - Representao de cadeias de arcos.
Da definio de cadeia podemos diferenciar uma cadeia elementar como sendo uma cadeia em que no h passagem duas vezes pelo mesmo vrtice ou n, como o caso da figura 22 a. Uma cadeia cujas pontas so coincidentes forma um ciclo que estabelece um fluxo com incio e fim no mesmo ponto, figura 23.
Captulo 5 Fluxos em Rede
61
Figura 23 - Representao de cadeias de arcos em ciclo fechado.
Apendice I Referncias bibliogrficas

Stockton, R.S.- Introduo Programao Linear - Ed. Atlas, 1973. Fritzsche, H. - Programao no Linear - Ed. Universidade de So Paulo, 1978. Maculan, N. & Pereira, M.N.F. - Programao Linear - Ed. Atlas, 1980. Luenberger, D.G. - Linear and nonlinear programming - Addison Wesley, 1984. Bender, F.E.; Kramer, A.; Kahan, G. - Systems Analysis for the Food Industry Avi Pub. Co., 1976. Himmalblau, D.M.; Bischoff, K.B. - Anlisis y Simulacin de Procesos - Ed. Revert, 1976.

Apostila de Modelamento

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apostila de Modelamento

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIIVERSIIDADE FEDERAL RURAL DO RIIO DE JANEIIRO UN VERS DADE FEDERAL RURAL DO R O DE JANE RO IINSTIITUTO DE TECNOLOGIIA NST TUTO DE TECNOLOG

A DEPARTAMENTO DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA

MODELAMENTO E OTIMIZAO DE SISTEMAS EM ENGENHARIA

Prof. Giillson Candiido Santana Prof. G son Cand do Santana

1.5.3 MODELOS ANALGICOS 1.5.4 MODELOS SIMBLICOS 1.6 - Modelos Matemticos

1.6.1 MODELOS PROBABILSTICOS

CAPTULO 2 - MODELOS MATEMTICOS DE OTIMIZAO

2.2.3 - FUNO OBJETIVO 2.2.4 RESTRIES

2.3.3 - MODELOS ESTTICOS

2.3.4 - MODELOS DINMICOS

CAPTULO 3 - MODELOS DE PROGRAMAO LINEAR

3.1 - Exemplos de Problemas de Produo

3.3 3.4 3.5 3.6

Captulo 4 - MODELOS DE PROGRAMAO no LINEAR

4.4.3 SRIE DE TAYLOR PARA FUNES DE n VARIVEIS

4.7.2 FUNO CONVEXA 4.7.3 EXEMPLOS

4.7.5 FUNO LAGRANGEANO 4.8 - Mtodos de Otimizao

4.7.4 OTIMIZAO COM RESTRIES

4.8.2 BISSEO 4.8.3 APROXIMAO QUADRTICA

4.8.1 BUSCA UNIDIMENSIONAL

Captulo 5 FLUXOS EM REDE Apendice i Referncias Bibliogrficas

1.2 Conceituao de Sistemas

ENTRADA ENTRADA P R O C E S S A M E N TO PROCESSAMENTO

Figura 1 - Esquema representativo de um sistema com seus componentes.

1.3 - Anlise de Sistemas

uma funo matemtica caracterizando a operao do sistema, ou seja, suas transformaes;

Figura 2 - Esquema de um sistema envolvendo funes matemticas genricas.

+ x2(t) y1(t) + y2(t) (superposio de efeitos)

1.5 - Tipos de Modelos

Figura 3 Diferentes tipos de modelos.

1.6 - Modelos Matemticos

1.7 - Ajuste dos Parmetros de um Modelo

1.8 - Anlise de Sensibilidade dos Parmetros de um Modelo

para encontrar as relaes de influncia de cada parmetro sobre a resposta do modelo.

1.9 - Exemplos de Modelos de Simulao Aplicados Engenharia

CAPTULO 2 MODELOS MATEMTICOS DE OTIMIZAO

2.2 - Componentes Bsicos

Captulo 2 - Modelos Matemticos de Otimizao

Captulo 2 - Modelos Matemticos de Otimizao

2.3 - Tipos de Modelos

Captulo 2 - Modelos Matemticos de Otimizao

CAPTULO 3 MODELOS DE PROGRAMAO LINEAR

3.1 - Exemplos de Problemas de Produo

Captulo 3 - Modelos de Programao Linear

quantidade de doce em pasta a ser produzido Funo Objetivo (Maximizar o lucro)

Captulo 3 - Modelos de Programao Linear

Alimento 1 Protenas Carbohidratos Custo 3 2 25

Captulo 3 - Modelos de Programao Linear

3.2 - Reviso de lgebra Matricial

Captulo 3 - Modelos de Programao Linear

Captulo 3 - Modelos de Programao Linear

A soluo vetorial para o sistema A x = b ser : x = [A]-1 b [13]

Captulo 3 - Modelos de Programao Linear

A operao deste sistema mostra agora x1 = 8, x2 = -1 e x3 = -1/2. Checando :

Captulo 3 - Modelos de Programao Linear

Calculado o vetor y podemos utilizar a equao [25] para a determinao do vetor x.

Captulo 3 - Modelos de Programao Linear

3.3 - Viso Geomtrica dos Problemas Lineares

Captulo 3 - Modelos de Programao Linear

3.4 - Exemplo de Soluo de um Problema de Programao Linear

Figura 6 - Representao grfica do problema de programao linear proposto.

Captulo 3 - Modelos de Programao Linear

IA = {3,4,5} JA = {1,2} IB = {1,4,5} JB = {3,2}

Condies necessrias de timo irrestrito f(x) = 0 dT H(x) d 0 ; para todo dRn