Sie sind auf Seite 1von 16

Otimizao Linear

O que otimizao?
Encurtar um caminho para ganhar tempo, economizar para compar algo, tomar deciso com base em investimentos, sempre estamos interessados nas formas timas de aplicarmos nossos recursos. Resolver um problema de otimizao, significa sobretudo procurar a soluo de um problema de forma a se maximizar algo ou a minimizar algo. Esse algo tem uma representao matemtica que recebe o nome de funo objetivo ou ndice de performance. Assim, por exemplo, se a fabricao de uma pea depende de dois materiais cujos nomes podem ser (apropriados) x1 e x2, o custo total dessa pea a soma dos custos unitrios. Ento se x1 custa $5 e x2 custa $2, o custo de uma pea 5x1+2x2. Se quisermos fabricar muitas peas, o problema da otimizao descobrir qual a quantidade de cada material (x1,x2)l necessria para a fabricao das peas. Da mesma forma x1 pode ser o cdigo de uma ao e x2 o cdigo de outra ao, de forma que 5x1+2x2 o rendimento do portflio. Essa soma as vezes pode ser representada pela letra Z ou no caso da engenharia pela letra J, ou seja, Z=5x1+2x2

As restries
Que bom seria se na vida no existem restries e todos pudessem fazer o que bem entendem de forma a no atrapalhar os demais. Mas a vida no assim e as restries aparecem de forma natural em todos os problemas. E como tal tambm podem ser representadas na forma matemtica. A restrio natural, por exemplo no caso das aes, que nunca ocorrero compras negativas de aes (claro, a menos a ttulo de emprstimo mas a representao outra). Ento a restrio natural que x1 e x2 devem ser positivos ou no pior dos casos zero. Suponhamos ainda que um cliente exigente no quer comprar mais de 3 aes de x1, nem mais de 4 aes de x2. E ainda impe a restrio que se a ao x2 chegar a $2 e a ao x1 ficar em $1 ento ele no permite a compra de mais de 9 aes. E por fim, claro, ele quer o maior rendimento desse portlio (todos queremos isso).

A representao matemtica - Modelagem


Todo estudante se assusta quando se depara com a representao matemtica de algo, sempre procurando entender como algum pode pensar na soma de letras! Mas a representao uma forma filosfica de no nomear ningum, mas impor um smbolo que represente algum. O problema do quadro anterior, ento fica assim: Deseja-se

Ainda parece muito estranho essas variveis, mas a representao geomtrica ilustra o sentido dessa representao conhecida com algbrica. Na verdade temos toda a histria do problema que pode ser contada na forma de retas. Por isso a otimizao linear recebe os nomes de "Programao Linear" ou de "Pesquisa Operacional". Nas figuras ao lado, a geometria se desponta e mostra a beleza escondida atrs das equaes anteriores. Talvez por isso os gemetras dominaram o mundo matemtico por quase 3 mil anos. Naquela poca, o que no se podia ver, no se podia provar. A primeira restrio que diz que x1 no pode passar de 3 uma reta perpendicular ao eixo x1. Qualquer soluo que venha a ser encontrada no poder ultrapassar essa reta perpendicular. A segunda restrio se refere ao eixo de x2 e por

isso a reta perpendicular a esse eixo, ou seja agora temos 4 restries (x1 e x2 positivos so as outras duas). Ento qualquer soluo tima deve estar dentro desse quadarado formado pelas restries. Finalmente a ltima restrio formada pela reta com inclinao que corta as retas perpendiculares, ou seja, a reta x1+2x2=9. Aqui vem um comentrio importante sobre o sinal menor ou igual. Esse sinal indica que apenas os valores abaixo ou atrs das retas que valem. Assim como o sinal positivo que indica que apenas os valores acima e a direita do eixo que valem para a resposta. E pronto, temos ento nossa regio cohecida como regio de solues viveis, ou seja, so pontos que resolvem o problema com as inequaes mas no necessariamente so os melhores. A ltima figura apresenta a regio hachurada onde pode-se buscar a soluo de diversas maneiras, seja ela grfica ou ento via algoritmo de manipulao de matrizes conhecido com Simplex.

O processo da escolha dos pontos timos


Conforme visto o problema a ser resolvido encontrar a soluo tima para a equao Z com as restries descritas. Ento Deseja-se:

J vimos que a rea hachurada conhecida como soluo vivel, o que quer dizer que pontos dentro dessa rea servem como soluo. Mas o processo de otimizao visa descobrir qual o melhor de todos. Por exemplo, o ponto (1,1) uma soluo para as inequaes pois 1<3 1<4 1+2<9 1>0 1>0 Logo todas as restries so satisfeitas. Mas onde est o melhor? O valor de Z para (1,1) Z=7. Mas o ponto (2,2) que tambm est dentro da rea hachurada nos fornece outro valor de Z=14, melhor que o primeiro. E se formos descolando para cima, melhor ainda para cada novo par de valor. Ento apenas com esse teste, descobre-se qual a direo do maior valor da funo Z, conhecido como direo do GRADIENTE. Mas no podemos ficar sorteando pontos aleatrios pois teramos que testar infinitos pontos.

Encontrando o melhor de todos - ponto timo


O segredo est no deslocamento da reta Z=5x1+2x2 ao longo da direo do gradiente. Na verdade a rea hachurada conhecido como poliedro de hiperplano, pois a funo Z quando desenhada uma funo em 3D. Nesse caso, a figura simples, mas se tivssemos mais variveis seria impossvel a visualizao pois se fossem as variveis x1, x2 e x3 o grfico da funo objetivo seria em 4D ! Obviamente isso no possvel. Teorema provam na verdade que a reta do vetor gradiente ortogonal reta da funo objetivo Z. Ento uma maneira simples de descobrir a soluo (simples mas no eficiente) ficarmos atribuindo valores para z. Por exemplo: se z=0 a reta 5x1+2x2=0 ou x2=-2,5x1 se z=1 a reta 5x1+2x2=1 ou x2=-2,5x1+1 se z=2 a reta 5x1+2x2=2 ou x2=-2,5x1+2 Bem j pode-se perceber que o coeficiente angular dessas retas todas no variam, a inclinao delas sempre a mesma. Outro fato iteressante que o valor de Z o mesmo ao longo de toda reta da funo objetivo. Nesse caso, como a figura convexa (fechada) o melhor ponto, o ponto que dar o mximo valor na funo objetivo aquele onde no ocorre nenhum maior que ele. E isso ocorre na aresta! Conforme previso feita por teoremas de programao linear, podem existir condies para as restries onde existam no um ponto timo mas infinitos pontos onde a funo Z ser mxima. Ou seja, dependendo de como um portflio montado, depdendendo de como peas so construdas, no existir uma configurao, mas infinitas delas que tero o mesmo valor e sero mximas ( ou mnimas) . Basta para isso que a reta da funo objetivo esteja perfeitamente inclinada com uma aresta da restrio conforme a figura a seguir e o problema no possuir soluo nica.

Otimizao No Linear
Otimizao sem restries

Um problema de otimizao no linear tem as mesmas consideraes feitas para otimizao de sistemas lineares. necessria uma funo objetivo ou funo custo que ser minimizada seguindo-se condies necessrias e suficientes. No caso sem restries considerar, por exemplo, que a funo a ser maximizada : Max

As condies necessrias para a investigao dos extremos sero:

A resoluo

Da segunda equao tem-se que y=2/x e substituindo na primeira, temos:

Chamando

na equao anterior,

O que nos leva aos dois valores de p:

p = 4 p= 1 Substituindo de volta na equao de x,

ou

o que nos leva aos valores o que nos leva aos valores

Ento para cada valor de x possvel encontrar um valor de y, ou seja, Para x = 2 tem-se y = 1 Para x = -2 tem-se y = -1 Para x = 1 tem-se y = 2 Para x = -1 tem-se y = -2 Assim os extremos da funo sero os pares: (2,1), (-2,-1), (1,2) e (-1,-2). Quais desses extremos nos leva ao valor mximo da funo? Para isso necessrio fazer uso da condio suficiente da otimizao.
A Condio Suficiente para Extremos da Funo

A condio suficiente para encontrar quais desses pontos so timos :

Ou seja a expresso delta acima deve ser avaliada nos pontos candidatos timo.

No caso do exemplo em questo temos que analisar todas as condies: (1) Para (a,b)=(2,1)

O que nos leva ao valor de delta Assim o ponto (2,1) mnimo local. (2) Para (a,b)=(-2,-1)

O que nos leva ao valor de delta Assim o ponto (-2,-1) mximo local. (3) Para (a,b)=(1,2) o valor de delta negativo e no um extremo. (4) Para (a,b)=(-1,-2) o valor de delta tambm negativo e ele tambm no um extremo da funo. Concluindo, o valor mximo local da funo f(x,y) est em (-2,-1).

Otimizao com restries

Em nosso cotidiano, restries so sempre comuns para busca de solues. Na verdade, solues sem restries que so excees. No caso de otimizao no linear, a busca pelo timo mais complicada do que visto na otimizao linear. As condies necessrias devem respeitar as condies conhecidas como KuhnTucker. Se o problema for de mximo de uma funo, do tipo Max f(x)
Sujeito restrio g(x)

O primeiro passo montar o ndice de desempenho extendido na forma: J(x) = f(x) .g(x) onde conhecido como coeficiente de Lagrange. Assim, as condies necessrias para timo ponto local devero ser:

(1) (2) (3) (4)

Exemplo

Considere o seguinte problema

Do ponto de vista da condio de Kuhn-Tucker melhor transformar o enunciado para

As condies necessrias de Kuhn-Tucker devem respeitar o ndice extendido

Logo, as condies sero:

(1)

(2)

(3)

(4)

Da condio (4) tem-se que Se x=1 ento na condio (1) :

ou

. (violou a condio K.T.)

Se

ento na condio (1):

Logo a soluo ser nica e igual a . De fato, observando a figura ao lado, o ponto (2,0) o ponto onde se encontra o mximo da funo respeitando a restrio.

Max

As condies necessrias para a investigao dos extremos sero:

A resoluo

Da segunda equao tem-se que y=2/x e substituindo na primeira, temos:

Chamando

na equao anterior,

O que nos leva aos dois valores de p:

p = 4 p= 1 Substituindo de volta na equao de x,

ou

o que nos leva aos valores o que nos leva aos valores

Ento para cada valor de x possvel encontrar um valor de y, ou seja, Para x = 2 tem-se y = 1 Para x = -2 tem-se y = -1 Para x = 1 tem-se y = 2 Para x = -1 tem-se y = -2 Assim os extremos da funo sero os pares: (2,1), (-2,-1), (1,2) e (-1,-2). Quais desses extremos nos leva ao valor mximo da funo? Para isso necessrio fazer uso da condio suficiente da otimizao.

A Condio Suficiente para Extremos da Funo

A condio suficiente para encontrar quais desses pontos so timos :

Ou seja a expresso delta acima deve ser avaliada nos pontos candidatos timo.

No caso do exemplo em questo temos que analisar todas as condies: (1) Para (a,b)=(2,1)

O que nos leva ao valor de delta Assim o ponto (2,1) mnimo local. (2) Para (a,b)=(-2,-1)

O que nos leva ao valor de delta Assim o ponto (-2,-1) mximo local. (3) Para (a,b)=(1,2) o valor de delta negativo e no um extremo. (4) Para (a,b)=(-1,-2) o valor de delta tambm negativo e ele tambm no um extremo da funo. Concluindo, o valor mximo local da funo f(x,y) est em (-2,-1).

INTRODUO Assim como no caso da Otimizao Linear e Otimizao no Linear, a Otimizao de Sistemas Dinmicos precisa de uma funo custo ou ndice de desempenho a ser maximizado ou minimizado. A diferena nesse caso que, as restries que na otimizao linear so retas e na otimizao no linear so funes no lineares, aqui sero equaes diferenciais. Essa no apenas uma diferena, mas um enorme complicador. Todos os mtodos sero diferentes, as formas de resolver, os tipos de resoluo, as condies de existncia e inclusive os mtodos numricos de resoluo. At bem pouco tempo atrs, os mtodos numricos existentes eram bem limitados e conseguiam resolver verses muito simples de problemas reais. Mesmo o caso do pouso na Lua foi bastante simplificado com aproximaes lineares das equaes diferenciais para possibilitar a resoluo. O inicio de tudo se baseia no conhecimento da dinmica que est envolvida no problema a ser minimizado, ou seja, quais as leis de movimento que regem o problema. Essa dinmica, representada por equao diferencial define o estado do sistema e por isso so conhecidas como equaes de estado.

No caso de simulao de sistemas dinmicos, apenas a equao acima e as condies iniciais seriam suficientes. Basta apenas fazer a integrao analtica ou numrica usando Ruge-Kutta e tem-se uma certa "previso" de onde o sistema estar no futuro. Mas para o caso de otimizao, deseja-se no somente saber onde o sistema estar no futuro, mas sim onde estar de forma tima. A otimizao depender sobretudo, da ao externa u(t) conhecida como controle. Essa ao que deve direcionar o sistema e com regras e leis matemticas previamente calculadas, direcionar o sistema de forma a maximizar a funo custo ou minimizar a funo custo, dependendo do que se deseja resolver. Se fosse desejado apenas que no final do percurso do sistema, o custo fosse mnimo ou mximo, a forma da funo custo tambm conhecida como ndice de desempenho ou ndice de performance seria:

Mas a melhor forma de otimizao aquela onde um sistema inteligente minimiza toda a trajetria do incio ao fim. Ento se deseja que no somente o valor da funo custo seja timo no fim mas na soma de todo percurso. Essa soma em sistemas contnuos se traduz como integral, pois os passos so infinitesimais. Logo, a funo custo ou ndice de desempenho dever ter a forma:

Imagine o seguinte exemplo: Um motorista deseja sair de sua casa num certo horrio (t=0 para zerar o cronometro do carro) e tem hora certa para chegar ao seu trabalho (T = tf, tempo final do percurso).

Sabemos da lei de Newton que fora = massa x acelerao, ou F=m.a. Do clculo sabemos que acelerao na verdade a derivada segunda do espao a ser percorrido em relao ao tempo. Ento a lei de Newton pode ser expressa pela frmula

onde x varia no tempo { na verdade o correto x(t) } e representa o espao a ser percorrido. A ao F/m vai representar a acelerao ou desacelerao, ou ainda uma composio das duas. Por exemplo, a fora F pode ser F = acelerao + freio + atrito + vento +... enfim, pode ser cada vez mais sofisticada. Ento nosso motorista pode escolher a cada dia o que deseja fazer conforme os compromissos de sua agenda. Por exemplo, ele pode desejar chegar ao trabalho o mais rpido possvel (tempo mnimo), se o combustvel for pouco em seu tanque ele pode desejar economizar combustvel (energia mnima), pode desejar um caminho mais curto (distncia mnima), pode querer aumentar o rendimento do combustvel (maximizar energia), enfim, dependendo de sua escolha a funo custo deve ser alterada. Por exemplo, se o motorista desejar mnimo tempo de percurso o problema matemtico ter a seguinte forma padro:

sujeito a

com as condies de contorno

Condies de contorno significam condies onde o sistema dinmico deve comear e onde ele deve terminar. Essas condies so diferentes de sistemas apenas com a condio inicial, pois a lei de controle timo u(t) quem vai guiar o sistema para obedecer as condies estabelecidas. Por isso esse problema tambm conhecido como problema de valor de contorno em dois pontos ou em ingls TPBVP(two point boundary value problem).