Documente Academic
Documente Profesional
Documente Cultură
Bianca Nahime Juliana Morais Louise Tessarolli Patricia Duarte Sayonara soares
ndice
Problemas de otimizao Exemplo de um problema de otimizao Utilizando o multiplicador de Lagrange no
problema de otimizao Condies necessrias de primeira ordem para um extremo Multiplicadores de Lagrange como medidores de sensibilidade Problemas contendo inequaes como restries Problemas convexos Condies necessrias de segunda ordem
Problemas de otimizao
Problema: necessrio otimizar uma funo
x2
x no timo
x1 ( 1 )
A componente negativa da projeo do gradiente indica que, para melhorar a funo objetivo, deve-se fazer um movimento para baixo com a
Tangent e
objetivo ( ) ortogonal tangente . No geral, sempre ortogonal tangente. Assim, tem-se que e so colineares e apenas apontam em direo diferentes.
( )
( )
Assim, = ( )
, = + ()
Multiplicador de Lagrange
, = x1 + x2 + (x1 + x21)
Calcular as derivadas parciais
= 1 + 21 = 0 1 = 1 + 22 = 0 2
= 1 + 21 = 0 1
= 1 + 22 = 0 2
= 1 2 + 2 2 1 = 0
Assim, =0,707 e 1 =2 = 0,707
e assumido que os gradientes das restries ( ) so linearmente independentes. Ento existe um vetor de multiplicadores de Lagrange * em que (x*,*) satisfaz as condies necessrias de primeira ordem
= + =0
= 0
so apenas necessrias, mas no so suficientes para dizer se um ponto um extremo local. Por exemplo, em casos onde h inflexo, o gradiente nulo, no entanto no h extremo. Para dizer se um ponto que satisfaz as condies de primeira ordem um extremo local, necessrio verificar se ele satisfaz as condies de segunda ordem.
o valor timo do problema varia com o valor do lado direito da funo restrio
Funo objetivo ( aquela que deve ser minimizada): f(x1, x2) Ter = x1 + xtimo 2 valor
aps resoluo do problema
Funo de restrio
x1 + x2 = b
Lado direito da restrio
Funo Lagrangiana:
, = + ()
, = 1 +2 + (1 + x2 b)
= 1 + 21 = 0 1
= 1 + 22 = 0 2 = 1 2 + 2 2 = 0
1 1 = 2 = 2
1 2
1 = 2 = 2
E sua derivada:
() = 0,5 2
0,5
1 2= = 2
Ou seja,
() =
negativo do multiplicador de Lagrange Por exemplo, para multiplicadores grandes, o valor extremo da funo objetivo varia muito com b (parmetro do lado direito da equao de restrio)
+ 1
Sob as restries
1 , = + 2 0 2 , = + 2 3 , = 0
interseo entre as duas primeiras restries. No ponto timo, essas restries agem como igualdades e so chamadas de restries de ligao ou restries ativais
Ponto de menor raio (mnimo da funo objetivo) que est dentro das restries.
vetor tal que um movimento diferencial ao longo desse vetor no viola nenhuma restrio. Para o problema exemplificado, o conjunto desses vetores est na regio do cone formado pelos gradientes das duas restries ativas.
Qualquer vetor dentro do cone poder ser uma direo vivel de busca, pois resultados nessa regio respeitam as restries
reduo de f, que a funo objetivo que queremos minimizar. Um movimento ao longo de qualquer direo fazendo um ngulo positivo de menos de 90 com -f diminuir f.
Direes viveis
Diminuio em f
Condio de primeira ordem para um extremo local com inequaes como restrio: Dado o problema Funo objetivo: f(x) Restries: gj(x) < cj, j = 1,2,3... Se f(x) (funo objetivo) e g(x) (restrio) so diferenciveis, uma condio necessria para um ponto x* ser um extremo do problema que, em x*, f esteja dentro do cone gerado por g1, e g2, que so os gradientes das funes restries envolvidas no ponto x*.
funo em um
Propriedade: restries de desigualdade inativas possuem multiplicadores nulos NEGLIGNCIA COMPLEMENTAR (Complementary Slackness)
Ponto de mximo
Ponto de mnimo
Restrio
Valor timo da funo objetivo f no mnimo local, visto como uma funo do lado direito das restries b e c.
Os multiplicadores indicam que as mudanas na pureza de B provocariam maior impacto na funo objetivo. Essa a varivel mais sensvel das trs.
Problemas Convexos
Funo objetivo f(x) Estritamente convexo Convexo Cncavo Estritamente cncavo Matriz Hessiana H(x) Positivo definido Positivo semidefinido Negativo semidefinido = 2 () Negativo definido Autovalores de H(x) >0 0 0 <0
Problemas Convexos
As condies de Kuhn-Tucker so necessrias e
suficientes para a otimizao de problemas convexos suaves Para a situao Funo objetivo f(x) em que:
convexa Inequaes limitantes gj so convexas Funes de igualdade limitantes hj so lineares x* uma soluo factvel Todas as funes tm derivadas primeira contnuas em x* Os gradientes das restries em x* so independentes A regio de soluo factvel convexa Mnimo local o mnimo global
Problemas Convexos
Consideraes prticas
Hipteses de problemas convexos no so aplicadas ao
problema real
Consideraes de Kuhn-Tucker no so mais suficientes
para i = 1, , m para j = 1, , r
Definio de tolerncia de otimizao 0
( , , )
0 para i = 1, , m
0 para j = 1, , r