Métodos Otimização ENE081 Aula 10

Disciplina Mtodos de Otimizao ENE081 Aula Nmero: 10 PROF. JOO A.
PASSOS FILHO PERODO: 2015/01
Mtodo do Big M
Consiste em acrescentar funo objetivo do problema

original as variveis artificiais com coeficientes (custos)
negativos muito grandes
Como se quer otimizar a funo objetivo, as variveis

artificiais devero ter seus valores reduzidos a zero e sair da
base
Se ao final do processo de otimizao for encontrado um valor

timo com todas as variveis artificiais iguais a zero ento a
soluo do problema foi encontrada
7
Disciplina Mtodos de Otimizao ENE081 Aula Nmero: 10 PROF. JOO A. PASSOS FILHO PERODO: 2015/01
Mtodo do Big M
O modelo no possui soluo bsica compatvel inicial para o

Mtodo Simplex
= 21 + 32
= 21 + 32
. .
. .
21 + 32 6
21 + 32 + 3 = 6
1 + 22 8
1 + 22 4 = 8
1 + 2 = 6
1 + 2 = 6
1 , 2 0
1 , 2 0
= 21 + 32 + 03 + 04
5 6
21 + 32 + 3 = 6
+1 + 22 4 + 5 = 8
+1 + 2 + 6 = 6
1 , 2 , 3 , 4 , 5 , 6 0
10
O Mtodo das Duas Fases
Em cada restrio ser introduzida uma varivel de excesso, com
coeficiente -1 e uma varivel artificial com coeficiente +1

= 1 + 2
= 1 + 2
. .
. .
51 + 22 20
51 + 22 + 3 = 20
21 2 2
21 2 4 + 1 = 2
31 + 52 15
31 + 52 5 + 2 = 15
1 , 2 0
1 , 2 0
11
De uma forma geral, se a varivel de excesso for positiva e a varivel

artificial for nula, teremos um ponto de um dos semi-espaos do hiperplano
separador
Ao contrrio, se a varivel de excesso for nula e a varivel artificial

positiva, teremos semi-espao oposto ao anterior
15
No mtodo das duas fases construda uma Funo Objetivo

formada pela soma das variveis artificiais, a qual
conduzir, na primeira fase, o processo de pivoteamento
Neste exemplo:
= 1 + 2
= 1 + 2
= 1 + 2
. .
. .
51 + 22 20
51 + 22 + 3 = 20
21 2 2
21 2 4 + 1 = 2
31 + 52 15
31 + 52 5 + 2 = 15
1 , 2 0
1 , 2 0
Lembrete
17

Assim, na primeira fase, o objetivo minimizar
1 = 2 21 + 2 + 4
2 = 15 31 52 + 5
= 17 51 42 + 4 + 5
22
24
Sequncia de solues pelo mtodo das duas fases
26
Soluo Eficiente
Uma soluo mais eficiente acrescentar restrio
= uma
nica varivel artificial para garantir a obteno de uma base cannica

inicial, fornecendo, assim, uma equao do tipo
+ =
Como as outras variveis artificiais advindas de restries da forma

" ", ela tambm considerada para a construo da FOB usada
na primeira fase
Se o problema tem soluo possvel, a situao = 0 ser
alcanada, e assim = 0, garantindo dessa forma que
= se
verifique
28
Problemas de Soluo Ilimitada
Foi comentado que a escolha de uma varivel a deixar a base

exige a existncia de pelo menos um valor de > 0
A no existncia de > 0 impede alguma das variveis de

sair da base, caracterizando uma Soluo Ilimitada
Problemas de Soluo Impossvel
Sempre que, durante a primeira fase de resoluo de um

problema de PL, ocorre que atinge o timo, no sentido de
que nenhuma troca na base possa diminuir ainda mais seu
valor, porm o valor de permanece positivo, ento inexiste
qualquer soluo compatvel ao problema de PL
29
Anlise de Sensibilidade
Ela aplicada aps a soluo tima do problema j ter sido

estabelecida
Essa anlise permite determinar at que limites determinados

coeficientes do problema podem variar sem que o vrtice da
soluo tima tenha que ser trocado
Para efetuar a anlise de sensibilidade suficiente apenas a

ltima tabela do tableau
Alterao na Funo Objetivo

Suponha o problema de PL resolvido, mas que algum
correspondente a alguma das variveis estruturais (variveis de
deciso) do problema mudou
Seu novo ser considerado igual a = + , onde representa
Finalmente vem que: = +

Se a varivel est na base na soluo tima possvel
colocar em funo das variveis no bsicas e
substitu-lo na equao abaixo
= +
Da ltima linha, tem-se que = 6003 2006 + 76.000

Da linha correspondente varivel bsica 1 , tem-se que:
1 + 3 6 = 20
De onde vem que 1 = 3 + 6 + 20
E ainda = 6003 2006 + 76.000 + 1 3 + 6 + 20
Ou ainda
= 600 + 1 3 200 1 6 + 76.000 + 201
Isso corresponde a modificar a ltima linha para a forma
. +
Para garantir a otimalidade da presente soluo, necessrio
garantir que (condies de otimalidade do PL)

600 + 1 0
200 1 0
Assim tem-se que 600 1 200 ou 0 1 800
Pode-se dizer ainda que 1 pode sofrer um permissvel
decrscimo de 600 ou um permissvel acrscimo de 200 sem
comprometer a otimalidade da presente soluo
15
Se, por exemplo, 1 fosse alterado para 400, estaria sofrendo

um decrscimo de 200, dentro da faixa avaliada
anteriormente, e o ponto extremo da soluo tima seria o
mesmo
Apenas importante notar que o valor da Funo Objetivo

seria alterado para = + 20 200 = 76.000 4000 =
72.000
16
19
ii. A varivel , em cujo coeficiente , no bsica

= 6001 1202
Quer-se a anlise de sensibilidade de 2

Utilizando-se a mesma tcnica de anlise, vem que
= 1202 6005 + 36.000
= + 2 2
= 1202 6005 + 36.000 + 2 2
= (120 2 )2 6005 + 36.000
A presente soluo mantm-se tima enquanto 120 2 0,

a saber, 2 120, permitindo concluir um permissvel
acrscimo igual a 120, sem limite permissvel decrscimo
Assim, a generalizao permite concluir que existem apenas

permissveis acrscimos para os coeficientes de
variveis no bsicas, iguais a
Alm disso, uma alterao dentro desse limite permissvel

acrscimo no altera o valor da funo objetivo, de forma que
= , pois = 0
23
Alterao na mo direita Caso 1
26
27
28
Dualidade
Coloque o seguinte problema de PL na forma primal e na forma dual
Interpretao Econmica
Propriedades da Dualidade
Exemplo 3 Propriedades da Dualidade

= +
. .
+ + =
+ + =
+ =
+ =
, , , , ,
30
34
Interpretao Econmica
Cdigo MatLab
= +
clc
. .
clear all
format short
%
+
f = [ -600 ; -800 ];
%
+
A = [ 1 1
3 2

1 0
0 1 ];

%
b = [ 100
240
,
60
80 ];
%
[X,FVAL,EXITFLAG,OUTPUT,LAMBDA] = linprog(f,A,b);
disp('Vetor de soluo:')
X
disp('Valor da Funo Objetivo:')
-FVAL
disp('Multiplicadores Simplex:')
LAMBDA.ineqlin
Optimization terminated.
Vetor de soluo:
X =
20.0000
80.0000
Valor da Funo Objetivo:
FVAL =
-7.6000e+004
Variveis Duais:
ans =
600.0000
0.0000
0.0000
200.0000
O Mtodo Dual Simplex
Observe-se que, caso ocorra em uma soluo bsica vivel

do problema primal a condio 0, para todos os ,
ento a soluo ser tima
Porm, no verdade o inverso:

Nem toda soluo bsica com todos os 0 ser vivel
Solues bsicas do ltimo tipo so chamadas de supertimas, e nelas
>
O Mtodo Dual Simplex manipula solues supertimas ao

problema de PL, sempre mantendo todos 0,
procurando alcanar a compatibilidade (viabilidade)

= <0
17
Programao No-Linear
Condies Necessrias: so condies satisfeitas pelos pontos de
timo e, eventualmente, tambm por outros pontos no timos
Condies Suficientes: so condies satisfeitas unicamente pelos
pontos de timo
Duas formulaes comuns deste problema so:
26
Programao No-Linear
Representao Grfica
Nessa representao, a Funo Objetivo representada por Curvas
de Nvel
Otimizao de um PNL sem restries
Exemplo
Otimizao de um PNL com restries de igualdade
Seja a funo (, ), denominada Funo Lagrangeana ou

Lagrangeano, definida como:
Onde = [1 2 ] o chamado vetor dos Multiplicadores de Lagrange
condio necessria para que

seja a soluo
Exemplo numrico:
3 +
. .
2 + 2 = 10
, , = 3 + + ( 2 + 2 10)
, , = 3 + 2 = 0 = 3/2
, , = 1 + 2 = 0 = 1/2
, , = 2 + 2 10 = 0 = 1/2
Gradiente da Funo Objetivo:

=
3
1
Gradiente da Restrio:
=
Relao:
2
2
2
3
=
2
1
53
Otimizao de um PNL com restries de desigualdade
PNL Sem restrio
A soluo de um PNL sem restries pode ser obtida

resolvendo-se o conjunto de equaes definidas pelas
condies de otimalidade
Um forma indireta de se obter a soluo pela gerao de

uma sequncia , a partir de um ponto inicial arbitrrio 0 ,
tal que cada novo ponto gerado produza uma reduo no
valor da Funo Objetivo
Equivale a dizer que a sequncia ser gerada de acordo com:
Escolhermos uma direo conveniente ;

Determinarmos um passo conveniente a ser dado nesta direo.
+1 = + ,
= 0,1,2,3
obter um valor de que minimize () na direo adotada

Este procedimento exige a soluo de um problema de
minimizao unidirecional
Minimizao unidirecional
Exemplo:
Mtodo de Reduo de Intervalo
Mtodo da Seo urea
Mtodo do Gradiente
Mtodo de Newton
PNL Com restrio
Mtodos das Penalidades
29
Mtodo dos Pontos Interiores
Funo Barreira:
Mantm as variveis dentro
de seus limites
Programao Inteira
Programao Inteira-Mista
Expande o alcance da programao linear, permitindo a condio de
algumas (ou todas as) variveis do modelo, sejam nmeros inteiros (
O que o caracteriza a presena de ao menos uma restrio

de integridade
= +
. .
+
+
+
, ,
Nesse problema, 1 = 2,75 ser utilizado para produzir a

primeira ramificao, embora a escolha pudesse recair sobre
2 ao invs de 1
Criam-se assim dois novos problema de PL, cada um com a

mesma funo objetivo e as mesmas restries
As primeiro adicionamos uma restrio da forma 1 2 e ao

segundo adicionamos a restrio 1 3, pois 2 e 3 so os
inteiros mais prximos a 2,75
17
Essa ramificao produz os seguintes subconjuntos disjuntos
de 0 :
1 = 0 1 , 2 1 2
2 = 0 {(1 , 2 )|1 3}
em cada um dos quais uma nova soluo tima de PL dever ser obtida
soluo tima
(3;1) = 7
23
Imagine, a ttulo de exemplo, um problema de maximizao

no qual j tenha sido descoberta uma soluo que atenda a
todas as restries (inclusive de integridade) com valor timo
= 500. Porm, o processo de construo da rvore ainda
no acabou.
Prosseguindo por outro caminho, recai se um n em cuja
soluo ocorre o valor de = 450. O que dizer desta
soluo?
Mesmo que alguma restrio de integridade no tenha sido

atendida nessa nova soluo, certamente no valer apena
prosseguir a bifurcao a partir deste nodo.
11
Programao Inteira
Algoritmo de ramificao e limite (cont.)
15
Exemplo de utilizao:
= + +
= + +
. .
. .
+ + =
+ +
+ + + =
+ +
+ + + =
+ +
+ + + =
, ,
, , , , , ,
, ,
16
18
21
Soluo exemplo ilustrativo (cont.)
Pode ser observado que, durante a bifurcao, ao se introduzir uma
restrio da forma , a nova soluo tima da decorrente

apresenta exatamente o valor =
Ao se introduzir a restrio + 1, a soluo tima apresenta o
valor = + 1, isto , os novos valores limitantes varivel no

inteira so assumidos pela varivel nos dois problemas decorrentes
da dicotomia

Métodos Otimização ENE081 Aula 10

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Métodos Otimização ENE081 Aula 10

Hochgeladen von

Copyright:

Verfügbare Formate

Disciplina Mtodos de Otimizao ENE081 Aula Nmero: 10 PROF. JOO A.

PASSOS FILHO PERODO: 2015/01

Consiste em acrescentar funo objetivo do problema

Como se quer otimizar a funo objetivo, as variveis

Se ao final do processo de otimizao for encontrado um valor

O modelo no possui soluo bsica compatvel inicial para o

O Mtodo das Duas Fases

Em cada restrio ser introduzida uma varivel de excesso, com

coeficiente -1 e uma varivel artificial com coeficiente +1

O Mtodo das Duas Fases

De uma forma geral, se a varivel de excesso for positiva e a varivel

Ao contrrio, se a varivel de excesso for nula e a varivel artificial

O Mtodo das Duas Fases

No mtodo das duas fases construda uma Funo Objetivo

O Mtodo das Duas Fases

O Mtodo das Duas Fases

Sequncia de solues pelo mtodo das duas fases

O Mtodo das Duas Fases

nica varivel artificial para garantir a obteno de uma base cannica

Como as outras variveis artificiais advindas de restries da forma

Se o problema tem soluo possvel, a situao = 0 ser

alcanada, e assim = 0, garantindo dessa forma que

Problemas de Soluo Ilimitada

Foi comentado que a escolha de uma varivel a deixar a base

A no existncia de > 0 impede alguma das variveis de

Problemas de Soluo Impossvel

Sempre que, durante a primeira fase de resoluo de um

Ela aplicada aps a soluo tima do problema j ter sido

Essa anlise permite determinar at que limites determinados

soluo tima tenha que ser trocado

Para efetuar a anlise de sensibilidade suficiente apenas a

Alterao na Funo Objetivo

Finalmente vem que: = +

Da ltima linha, tem-se que = 6003 2006 + 76.000

Para garantir a otimalidade da presente soluo, necessrio

garantir que (condies de otimalidade do PL)

Se, por exemplo, 1 fosse alterado para 400, estaria sofrendo

Apenas importante notar que o valor da Funo Objetivo

ii. A varivel , em cujo coeficiente , no bsica

Quer-se a anlise de sensibilidade de 2

= (120 2 )2 6005 + 36.000

A presente soluo mantm-se tima enquanto 120 2 0,

Assim, a generalizao permite concluir que existem apenas

Alm disso, uma alterao dentro desse limite permissvel

Alterao na mo direita Caso 1

Alterao na mo direita Caso 2

Alterao na mo direita Caso 3

Coloque o seguinte problema de PL na forma primal e na forma dual

Exemplo 3 Propriedades da Dualidade

O Mtodo Dual Simplex

Observe-se que, caso ocorra em uma soluo bsica vivel

Porm, no verdade o inverso:

O Mtodo Dual Simplex manipula solues supertimas ao

O Mtodo Dual Simplex

O Mtodo Dual Simplex

Duas formulaes comuns deste problema so:

Otimizao de um PNL sem restries

Otimizao de um PNL com restries de igualdade

Seja a funo (, ), denominada Funo Lagrangeana ou

Onde = [1 2 ] o chamado vetor dos Multiplicadores de Lagrange

condio necessria para que

Gradiente da Funo Objetivo: