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
1.6.2 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
13
13 13 13 14 14 14
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
17
17 17 19 20 20 20 22 25 26 28 32
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
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
42 43 44 45 46 46 48 49 50 50 51 52 54 54 55 56 57
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
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
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,
Captulo 1 - Sistemas
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).
SADA S A DA
y(t) = h(t)
Onde:
x(t)
[1]
h(t)
Captulo 1 - Sistemas
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 )
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.
Captulo 1 - Sistemas
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)
[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.
Captulo 1 - Sistemas
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.
Captulo 1 - Sistemas
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.
Captulo 1 - 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
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.
Captulo 1 - Sistemas
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.
10
Captulo 1 - Sistemas
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.
Captulo 1 - Sistemas
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.
12
Captulo 1 - Sistemas
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.
14
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.
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.
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
x2
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 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
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
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]
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]
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
X2
Curvas de nvel da Funo Objetivo
X1
Figura 5 - Representao do espao factvel de um problema linear.
26
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
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 :
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
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.
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).
34
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.
35
x 0
lim
f ( x0 + x ) f ( x0 ) = f '( x0 ) x
[37]
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
Um representao grfica de funo diferencivel apresentado na figura 8, onde qualquer ponto xo no intervalo [a,b] diferencivel.
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
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
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]
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
[47]
Rn +1 =
(b a ) n +1 n +1 f ( x) (n + 1)!
x [a , b]
[48]
( 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
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 ) +
[53]
f (x 0 + d) f (x 0 )
1 = f (x 0 ) T d + dTH(x 0 )d+... 2
[55]
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
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.
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
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
[58]
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]
[67]
46
[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
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
Quando escolhemos uma direo d estamos buscando alcanar o ponto mnimo neste direo, gerando um problema do tipo :
[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]
[72]
48
g()
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()
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
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
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()
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]
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
Exemplo :
[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
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
[78]
[79]
ou seja
x k +1 = x k [H(x k )] 1 f (x k )
[80]
Exemplo:
[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
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)
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)
[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
[ ]
[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
[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
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.
B D A C E
A ligao que estabelece o fluxo entre os diferentes pontos representada atravs de um arco como mostrado na figura 21.
k i j
Na caracterizao do problema necessrio definir uma terminologia tpica dos diversos componentes e suas relaes. Assim, devemos definir os seguintes termos:
60
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.
61