BCC465 01

BCC465 - TECNICAS DE
OTIMIZAC
AO
MULTI-OBJETIVO
Aula 01 - Introduc
ao
Gladston Juliano Prates Moreira

email: gladston@iceb.ufop.br
CSILab, Departamento de Computac ao
Universidade Federal de Ouro Preto
20 de setembro de 2016
1 / 27
Apresentacao
Introducao
O que e Otimizacao?
Definicoes
Meta-heursticas
Metodos Determinsticos
2 / 27
Introduc
ao
3 / 27
O que e Otimizacao?
4 / 27
O que e Otimizacao?
I Os mecanismos de otimizacao tratam da questao de determinar

a melhor solucao de problemas abstratos para os quais e
possvel quantificar o grau de adequacao de cada solucao à
necessidade em causa.
4 / 27
O que e Otimizacao?
I Os mecanismos de otimizacao tratam da questao de determinar

a melhor solucao de problemas abstratos para os quais e
possvel quantificar o grau de adequacao de cada solucao à
necessidade em causa.
I Classicamente, otimizacao consiste no processo de encontrar as
condicoes que fornecem o valor mnimo ou maximo de uma
funcao.
4 / 27
O que e Otimizacao?
5 / 27
O que e Otimizacao?
Utiliza metodos computacionais para encontrar a melhor forma

de projetar e/ou operar um sistema, representada pela melhor
combinacao das variaveis do problema (solucao otima), dado os
objetivos e restricoes de projeto e de operacao.
5 / 27
O que e Otimizacao?
6 / 27
O que e Otimizacao?
O objetivo e encontrar o auto-falante com menor volume que

satisfaca algumas caractersticas de desempenho e de construcao.
6 / 27
O que e Otimizacao?
7 / 27
O que e Otimizacao?
Alto-falante em 2D com indicacao das regi

oes de ferro, ma e
das variaveis x de projeto.
7 / 27
Problema de Otimizacao
Um problema de otimizacao, pode descrito por um modelo geral

como segue:
min(ou max) f (x)
sujeito a:

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
8 / 27

como segue:
min(ou max) f (x)
sujeito a:

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
Onde:
I x X e o vetor de variaveis de decisao;
8 / 27

como segue:
min(ou max) f (x)
sujeito a:

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
Onde:
I f (x) e a funcao objetivo;
8 / 27

como segue:
min(ou max) f (x)
sujeito a:

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
Onde:
I f (x) e a funcao objetivo;
I gi (x), hj (x) sao as restric
oes do problema.
8 / 27
Espaco das soluc oes candidatas

As restricoes do problema definem o conjunto S, das solucoes
validas, solucoes viaveis ou soluc
oes factveis.
9 / 27
Espaco das soluc oes candidatas

As restricoes do problema definem o conjunto S, das solucoes
validas, solucoes viaveis ou soluc
oes factveis.
O Problema
Encontrar x S, a solucao
otima, que minimiza/maximiza f (x).
9 / 27
Domnio das Vari

aveis
I Otimizacao contnua vs. otimizacao discreta (combinatoria).
10 / 27
Domnio das Vari

aveis
I Otimizacao contnua vs. otimizacao discreta (combinatoria).
X = {x = (x1 , , xn ), xi R}
X = {x = (x1 , , xn ), xi Z+ }
X = {x = (x1 , , xn ), xi {0, 1}}
10 / 27
11 / 27
12 / 27
13 / 27
Restric
oes
I Otimizacao restrita vs. otimizacao irrestrita

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
14 / 27
Restric
oes

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
I Disponibilidade de recursos, ...
14 / 27
Restric
oes

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X

I Operacionais horarios de trabalho, tempo de maquina, ...
14 / 27
Restric
oes

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X

I Operacionais horarios de trabalho, tempo de maquina, ...
I Limites venda em escala, ...
14 / 27
N
umero de objetivos
I Otimizacao escalar (mono-objetivo) vs. otimizacao
multi-objetivo (vetorial)
15 / 27
N
umero de objetivos
I Otimizacao escalar (mono-objetivo) vs. otimizacao
multi-objetivo (vetorial)
f (x) = (f1 , f2 , , fm )
15 / 27
Problemas de Otimizacao
Casos Particulares
I Problemas de Programacao Linear:
Funcao objetivo linear; restric
oes lineares;
16 / 27
Casos Particulares
oes lineares;
I Problemas de Programacao Quadratica:
Funcao objetivo quadratica; restric
oes lineares;
16 / 27
Casos Particulares
oes lineares;
oes lineares;
I Problemas de Programacao nao-linear:
Funcao objetivo nao linear; restric
oes lineares ou nao lineares;
16 / 27
Casos Particulares
oes lineares;
oes lineares;
I Problemas de Programacao Inteira:
Variaveis inteiras;
16 / 27
Casos Particulares
oes lineares;
oes lineares;
I Problemas de Programacao Inteira:
Variaveis inteiras;
I ...
16 / 27

como segue:
min(ou max) f (x)
sujeito a:

gi (x) bi i = 1, ..., m
h (x) = bj j = m + 1, ..., l
j
x X
17 / 27

Otimo global
O ponto x X e otimo global da funcao f (x) se, para qualquer
x 6= x , temos f (x ) f (x).
18 / 27

Otimo global
O ponto x X e otimo global da funcao f (x) se, para qualquer
x 6= x , temos f (x ) f (x).

Otimo local
O ponto x 0 X e otimo local da funcao f (x) se, para qualquer
x V(x 0 ), onde V(x 0 ) e uma vizinhanca de x 0 , com x 6= x 0 , temos
f (x 0 ) f (x).
18 / 27
Vizinhanca
Seja um ponto x X . Uma vizinhanca de x, V(x), e qualquer
conjunto aberto que contenha x.
19 / 27
Vizinhanca
Seja um ponto x X . Uma vizinhanca de x, V(x), e qualquer
conjunto aberto que contenha x.
Conjunto Aberto
Um conjunto X Rn e dito aberto se para cada ponto
x X , > 0 , tal que se kx x0 k < = x0 X
19 / 27
M etodos Exatos
Fornecem garantias sobre a otimalidade da solucao encontrada, ou
seja, a solucao encontrada e a melhor solucao do conjunto das
solucoes variaveis para o problema. No caso de problemas
NP-difceis, nao existe (ou muito provavelmente nao existe)
algoritmo que garanta que a solucao exata seja encontrada em
tempo polinomial.
20 / 27
M etodos Exatos
Fornecem garantias sobre a otimalidade da solucao encontrada, ou
seja, a solucao encontrada e a melhor solucao do conjunto das
solucoes variaveis para o problema. No caso de problemas
NP-difceis, nao existe (ou muito provavelmente nao existe)
algoritmo que garanta que a solucao exata seja encontrada em
tempo polinomial.
M etodos de Aproximac ao
Nao fornecem garantias sobre a otimalidade da solucao
encontrada. O objetivo e garantir uma solucao aproximada
(quase-otima) do problema em tempo polinomial.
20 / 27
Heursticas
Qualquer metodo aproximado projetado com base nas propriedades
estruturais ou nas caractersticas das soluc
oes dos problemas, com
complexidade reduzida em relacao à dos algoritmos exatos e
fornecendo, em geral, solucoes viaveis de boa qualidade.
21 / 27
Heursticas
Qualquer metodo aproximado projetado com base nas propriedades
estruturais ou nas caractersticas das soluc
oes dos problemas, com
complexidade reduzida em relacao à dos algoritmos exatos e
fornecendo, em geral, solucoes viaveis de boa qualidade.
Meta-heurstica
Uma meta-heurstica e um procedimento de alto nvel ou heurstica
concebido para encontrar, gerar, ou selecionar um procedimento de
nvel inferior ou heurstica (algoritmo de busca parcial), que pode
fornecer uma solucao suficientemente boa para um problema de
otimizacao.
21 / 27
Metodos de Trajetoria
Algoritmos de busca local:
22 / 27
Metodos de Trajetoria
Algoritmos de busca local:
I Busca Tabu,
I GRASP,
I Simulated Annealing,
I Iterated Local Search (ILS),
I Variable Neighborhood Search (VNS), outros.
22 / 27
Meta-heursticas Populacionais
Exploram uma populacao de solucoes a cada iteracao. Estes

metodos incorporam uma componente de aprendizagem e
funcionam como uma amostragem polarizada do espaco de busca.
Em geral sao inspirados na natureza para produzir formas nao
convencionais de se resolver problemas.
23 / 27
Meta-heursticas Populacionais
Exploram uma populacao de solucoes a cada iteracao. Estes

metodos incorporam uma componente de aprendizagem e
funcionam como uma amostragem polarizada do espaco de busca.
Em geral sao inspirados na natureza para produzir formas nao
convencionais de se resolver problemas.
I Algoritmos Geneticos,
I Colonia de Formigas,
I Particle Swarm Optimization (PSO),
I Sistemas Imunes Artificiais.
23 / 27
24 / 27
Geram uma sequencia determinstica de possveis solucoes.
25 / 27
Geram uma sequencia determinstica de possveis solucoes.
I Metodos baseados em derivadas:

I Metodo do Gradiente;
I Metodo de Newton;
I Metodos Quasi-Newton;
I Metodos de Gradientes Conjugados;
I Metodos sem derivadas:
I Metodo Nelder-Mead Simplex;
I Metodo Hooke-Jeeves.
25 / 27
Dificuldades
26 / 27
Referencias:
I Takahashi, R.H.C.; Notas de Aula: Otimizacao Escalar e

Vetorial.
http://www.decom.ufop.br/moreira/disciplinas/OVE.zip
I J. A. Ramrez, F. Campelo, F. G. Guimaraes, Lucas S. Batista,
Ricardo H. C. Takahashi, Notas de Aula de Otimizacao, 2010.
http://www.decom.ufop.br/moreira/disciplinas/Notas1.pdf
I Izmailov, A, Solodov, V.M , Otimizacao Vol.1 Condicoes de
Otimalidade, Elementos de Analise Convexa e de Dualidade.
Editora IMPA, 2012.
I Izmailov, A, Solodov, V.M , Otimizacao Vol. 2. Metodos
Computacionais. Editora IMPA, 2012.
27 / 27

BCC465 01

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

BCC465 01

Încărcat de

Drepturi de autor:

Formate disponibile

BCC465 - TECNICAS DE

Gladston Juliano Prates Moreira

I Os mecanismos de otimizacao tratam da questao de determinar

I Os mecanismos de otimizacao tratam da questao de determinar

Utiliza metodos computacionais para encontrar a melhor forma

O objetivo e encontrar o auto-falante com menor volume que

Alto-falante em 2D com indicacao das regi

Um problema de otimizacao, pode descrito por um modelo geral

Um problema de otimizacao, pode descrito por um modelo geral

Um problema de otimizacao, pode descrito por um modelo geral

Um problema de otimizacao, pode descrito por um modelo geral

Espaco das soluc oes candidatas

Espaco das soluc oes candidatas

Domnio das Vari

Domnio das Vari

I Disponibilidade de recursos, ...

I Disponibilidade de recursos, ...

I Disponibilidade de recursos, ...

Um problema de otimizacao, pode descrito por um modelo geral

x X ,  > 0 , tal que se kx x0 k <  = x0 X

Algoritmos de busca local:

Algoritmos de busca local:

Exploram uma populacao de solucoes a cada iteracao. Estes

Exploram uma populacao de solucoes a cada iteracao. Estes

Geram uma sequencia determinstica de possveis solucoes.

Geram uma sequencia determinstica de possveis solucoes.

I Metodos baseados em derivadas:

I Takahashi, R.H.C.; Notas de Aula: Otimizacao Escalar e

S-ar putea să vă placă și

x X , > 0 , tal que se kx x0 k < = x0 X