Beruflich Dokumente
Kultur Dokumente
x hi
x fi
) ( 0 x f
, i =1,..., m
, j =1,..., p
Otimizao convexa
Parmetros para um problema ser considerado convexo:
Funo Objetivo ( funes convexas);
Inequaes de Restries ( funes convexas);
Equaes de Restries ( funes afins).
E deve-se minimizar uma funo objetivo convexa sobre um
conjunto convexo.
Problemas:
Muitos pontos locais timos;
Difcil encontrar um ponto timo (X*) que satisfaa todas as
restries;
Critrios de parada, muitas vezes aleatrias;
Algoritmos de baixa taxa de convergncia;
Problemas numricos faziam com que os algoritmos de
minimizao parassem em vrios pontos ou ficassem
flutuando.
Otimizao Convexa
Evoluo nas tcnicas de Otimizao Convexa visando obter os
parmetros para a formulao adequada:
Segundo D.P. Bertrekas (1999)
Se:
Sujeito a fi (x) (convexas)
hi (x) (afins)
Os trs primeiros problemas so eliminados
Mesmo assim:
A baixa taxa de convergncia permanece como problema.
De acordo comA. Nemirovskii (1994), at o final dos anos 80 e 90,
foi descoberto na antiga Unio Sovitica e Estados Unidos que:
Se:
fi (x) (alm de convexas) fosse baseada no mtodo
de pontos interiores, o problema de baixa taxa de
convergncia seria evitado.
Otimizao convexa
Base matemtica:
para todo x, y
n
e todo , com + = 1, , 0
) ( (x) f y) x ( f i i y fi + +
)) f(x , x ( f(x)
* *
2
(x) =
1
i
(x)
2
m
i=1
i
(x)
i
(x)
I
+
1
i
(x)
m
i=1
2
i
(x)
(x) =
1
i
(x)
m
i=1
i
(x)
Funes de Barreira Logartmica e Trajetria Central
Agora, multiplicando-se a funo objetivo por t, teremos o seguinte
problema equivalente:
Minimizar:
Sujeito a:
De modo que o novo problema possa ser resolvido pelo mtodo de
Newton e que possua apenas uma nica soluo para cada . A
trajetria central, associada com o problema original, definida
como o conjunto de pontos que garantem as condies
necessrias e suficientes exigidas nas restries do problema
original. Assuma que
t
u
(x) + (x)
Ax = b
t > u
x
(t)
t = me
Funes de Barreira Logartmica e Trajetria Central
Nesse exemplo, as curvas pontilhadas mostram trs linhas de
contorno da funo de barreira logartmica. A trajetria central
converge para o ponto timo a medida que t tende ao infinito.
Figura 17 - Interpretao geomtrica para funo de barreira logartmica e trajetria central
Fonte: S.P. Boyd Convex Optimization
Mtodo da barreira
O mtodo da Barreira
Fornea: x, t = t
(u)
> u, p > 1, e > o
1 calcule x
(t)
3 critrio de parada: Pare se mt < e
4 incremente t: = pt
Funes auto concordantes
Importante pois:
Incluem a funo de barreira logartmica que apresenta grande
importncia no Mtodo de Pontos Interiores.
A analise do Mtodo de Newton para funes auto-
concordantes no depende de constantes desconhecidas.
Se realizarmos uma transformao linear de varivel em uma
funo auto-concordante, teremos uma funo auto-
concordante.
Uma funo convexa auto-concordante se
concordante se |
(x)| 2
(x)
S
2
,
.
Histrico
Introduo
Funes / Conjuntos Convexos
Otimizao Convexa
Problemas de Otimizao
Mtodos de Resoluo
CVX
Aplicaes
Concluso
Agradecimentos
Referncias Bibliogrficas
O que o CVX?
CVX fornece mtodos para simplificar a construo de
problemas e obedece um conjunto de regras denominada
DCP.
Modos de construo de problema
SDP Programao Semidefinida Positiva
Utiliza uma matriz de inequaes lineares (LMIs)
GP Programao Geomtrica
Aceita todas as funes e regras da programao convexa.
Plataforma - MatLab
O que o CVX no ?
O CVX no uma ferramenta para:
Verificar se determinado problema convexo ou no.
Resoluo de problemas de larga escala.
Programao Convexa Disciplinada
A programao convexa disciplinada uma metodologia
destinada a construo de problemas de otimizao convexa
proposta por Michael Grant, Stephen Boyd e Yinyu Ye.
Problemas que aderem a esse conjunto de regras DCP podem
ser resolvidos rapidamente. Porm, os problemas que violam
essas regras so rejeitados, mesmos que esses problemas
sejam convexos.
Inicializao
As especificaes do CVX no prompt de comando do MatLab
so precedidas por cvx_begin e finalizadas por cvx_end.
As variveis de otimizao no possuem valor numrico. Elas
so caracterizadas como objetos.
Caso alguma regra seja violada, uma mensagem de erro
gerada. Caso contrrio, as especificaes so convertidas para
a forma cannica e solucionadas.
Panorama do conjunto de regras DCP
Como vimos anteriormente o conjunto de regras DCP retorna
uma mensagem de erro quando uma de suas regras violada.
Esse conjunto de regras suficiente, porm incompleto, para
garantir que determinada funo seja convexa, ou seja,
possvel elaborar expresses que violem essas regras e que
sejam de fato convexas.
Conjunto de Regras DCP
Regras de alto nvel
O CVX suporta dois diferentes tipos de programao convexa
disciplinada.
Problemas de minimizao
necessrio que a funo objetivo seja convexa e nenhuma
ou mais restries.
Problemas de maximizao
necessrio que a funo objetivo seja cncava e nenhuma
ou mais restries.
Restries
Trs tipos de restries podem ser especificadas no DCP:
Restrio de igualdade ==
Ambos os lados so afim (um ou ambos os lados podem ser complexos).
Restrio de desigualdade menor que <=
O lado esquerdo convexo e o lado direito cncavo (ambos os lados
deve ser real).
Restrio de desigualdade maior que >=
O lado esquerdo cncavo e o lado direito convexo (ambos os lados
deve ser real).
Funes
As funes so caracterizadas por dois atributos.
Curvatura
Pode ser constante, afim, convexa ou cncava.
Determina as condies pela qual as expresses entram em
concordncia com as regras de expresses.
Monotonicidade
Pode ser no-crescente, no-decrescente ou no-montona.
Determina como as expresses podem ser usadas para a criao de
funes.
Compondo Funes
Regras de composio para funes convexas:
Se a funo possui argumento no-decrescente, este argumento deve
ser convexo.
Se a funo possui argumento no-crescente, esse argumento deve
ser cncavo.
Regras de composio para funes cncavas:
Se a funo possui argumento no-decrescente, este argumento deve
ser cncavo.
Se a funo possui argumento no-crescente, esse argumento deve
ser convexo.
Dados de entrada
m = 16; n = 8;
A = randn(m,n);
b = randn(m,1);
Soluo atravs do Matlab
x_ls = A \ b;
Soluo atravs do cvx
cvx_begin;
variable x(n);
minimize(norm(A*x-b) );
cvx_end;
Mnimos-quadrados
Resultados:
norm(A*x_ls-b): 2.0354 (Soluo usando Mnimos Quadrados)
norm(A*x-b): 2.0354 (Soluo usando CVX)
cvx_optval: 2.0354
cvx_status: Solved
Verificando x_ls == x:
x_ls = [ -0.2628 0.8828 -0.0734 -1.0844 0.3249 -0.3330 0.0603 0.3802 ]
x = [ -0.2628 0.8828 -0.0734 -1.0844 0.3249 -0.3330 0.0603 0.3802 ]
Vetor resultado (Utilizando CVX):
A*x-b = [ -0.3262 -0.0070 -0.9543 0.2447 -0.6418 -0.3426 -0.1870 0.2960
0.6024 -0.0440 0.6238 -0.7399 0.0849 0.9323 0.4799 -0.0762 ]
Mnimos-quadrados
Dados de entrada
bnds = randn(n,2);
l = min( bnds, [ ] ,2 );
u = max( bnds, [ ], 2 );
Soluo atravs do Quadprog
x_qp = quadprog( 2*A'*A, -2*A'*b, [], [], [], [], l, u );
Soluo atravs do CVX
cvx_begin
variable x(n);
minimize( norm(A*x-b) );
subject to
x >= l;
x <= u;
cvx_end
Mnimos-quadrados com restries
Histrico
Introduo
Funes / Conjuntos Convexos
Otimizao Convexa
Problemas de Otimizao
Mtodos de Resoluo
CVX
Aplicaes
Concluso
Agradecimentos
Referncias Bibliogrficas
Arranjo de Antenas
A ttulo aplicao ser demonstrado um problema de arranjos de
antenas formulado por H. Lebret, S. Boynd e A. Mutapcic.
Arranjos de antenas proporcionam um meio eficiente de detectar e
processar sinais provenientes de diferentes direes. Comparando
uma nica antena, que limitada em diretividade e largura de
banda, um conjunto de sensores pode ter seu diagrama de
irradiao modificado atravs de um distribuio de amplitude e
fase denominada de pesos do arranjo.
Aps o processamento das sadas das antenas, os sinais so
pesados e somados afim de fornecerem o diagrama de irradiao
do arranjo. O problema em questo consiste em encontrar pesos
que satisfaam ao conjunto de especificaes.
Arranjo de Antenas
Considere um arranjo linear de N antenas isotrpicas localizadas em x
i
, x
N
e
y
i
, y
N
. Uma onda harmnica plana com freqncia e comprimento de onda
z vinda de uma direo 0 que se propaga ao longo do arranjo. Os N sinais de
sada so convertidos para banda-base, ponderadas pelos pesos w
i
, e
somadas para fornecer o diagrama de irradiao do arranjo dado por:
y(0) = w
i
N
i=1
c
] (x
i
cos0+y
i
scn0)
Onde desejamos encontrar um vetor w tal que, y(0
tor
) = 1 e que |y(0)| seja
pequeno para |0 0
tor
| ( onde 2 a largura do feixe).
Arranjo de Antenas
O problema se torna, ento:
Minimizar: mox
i=1,,N
|y(0
i
)|
Sujeito a: y(0
tor
) = 1
Onde minimizamos os valores dos lbulos laterais. No CVX, o problema
descrito da seguinte forma:
cvx_begin
variable w(n) complex
minimize (max(obs( tcto_out_bcom w)))
subject to
tcto_tor w == 1;
Cvx_end
Observe que foi criada uma matriz A, que possui as especificaes e
configuraes acerca do arranjo de antenas e que relaciona w e y(0) tal como
y = A w.
Ilustrao do problema
Figura 18 A figura apresenta um arranjo linear de N antenas isotrpicas e uma onda harmnica
plana incidindo de uma direo
Fonte: S.P. Boyd Convex Optimization
0.
Ilustrao do problema
Figura 19 A figura A apresenta o diagrama de irradiao para um arranjo de antenas cuja diretividade no
particularizada.
Fonte: S. Boyd, H. Lebret , Antenna Array Pattern Synthesis via Convex Optimization
Ilustrao do problema
Figura 20 - A figura mostra o ganho unitrio na direo alvo com os lbulos laterais, externos ao feixe, minimizados.
Fonte: S. Boyd, H. Lebret , Antenna Array Pattern Synthesis via Convex Optimization
Ilustrao do problema
Figura 21: Diagrama de Irradiao para arranjo otimizado
Fonte: S. Boyd, H. Lebret , Antenna Array Pattern Synthesis via Convex Optimization
A figura 21 apresenta o diagrama de irradiao do arranjo aps o
processo de otimizao e o vetor peso w.
w = 0.0021 - 0.0423i
0.0588 - 0.0487i
-0.1950 - 0.0278i
-0.0226 - 0.0379i
-0.0268 + 0.0810i
.
.
.
0.1390 - 0.0414i
0.0236 - 0.0124i
0.0252 - 0.1129i
-0.0664 - 0.1135i
0.0748 - 0.1329i
0.0161 - 0.0450i
0.0070 + 0.0579i
Histrico
Introduo
Funes / Conjuntos Convexos
Otimizao Convexa
Problemas de Otimizao
Mtodos de Resoluo
CVX
Aplicaes
Concluso
Agradecimentos
Referncias Bibliogrficas
Histrico
Introduo
Funes / Conjuntos Convexos
Otimizao Convexa
Problemas de Otimizao
Mtodos de Resoluo
CVX
Aplicaes
Concluso
Agradecimentos
Referncias Bibliogrficas
Agradecimentos
Agradecemos ao Prof. Dr. Dayan Adionel Guimares (Inatel) pelo
apoio e material disponibilizado;
Ao Prof. Dr. Takaaki Ohishi (Unicamp) pela valiosa orientao e
ateno;
Ao Prof. Dr. Paulo Augusto Valente Ferreira (Unicamp) pela valiosa
orientao e ateno.
Histrico
Introduo
Funes / Conjuntos Convexos
Otimizao Convexa
Problemas de Otimizao
Mtodos de Resoluo
CVX
Aplicaes
Concluso
Agradecimentos
Referncias Bibliogrficas
Referncias Bibliogrficas
D.P. Bertrekas. Nolinear Programming. Athena Scientific,1999
HARREL, Charles R.; GHOSH, Biman K.; BOWDEN, Royce.
Simulation Using ProModel. New York, McGraw-Hill, 2000.
O.M Bucci, D. DElia, G. Mazzarella, and G. Panatiello, Antenna
pattern synthesis: A new approach,Proc.IEEE, vol.82,pp.358-357,
Mar. 1996.
S.P. Boyd and L. Vandenberghe. Convex Optimization, Cambridge
University Press, 2003. In press. Material avaible at
www.stanford.edu/~boyd
TORGA, Bruno Lopes Mendes. Modelagem, Simulao e
Otimizao em Sistemas Puxados de Manufatura. Dissertao
(Mestrado em Engenharia de Produo). UNIFEI. Itajub-MG.
2007.
WINSTON, Wayne; ALBRIGHT, S. Christian. Practical
Management Science. 2nd, Duxbury Thomson Learning, 2001.
Y. Nesterov and A. Nemirovskii. Interior-Point Polynomial
Methods in Convex Programming. Society for Industrial and
Applied Mathematics, 1994.