Universidade Federal do Rio Grande do Sul

Departamento de Engenharia Eltrica

Introduo a Otimizao Matemtica
Mtodos de Otimizao Irrestrita
Guilherme Copetti
Jeferson Silveira
Leonardo Groff
Grupo 8:
Introduo
2
Problemas de otimizao so comuns em nossa vida diria.
Problemas podem ser expressos de forma matemtica,
soluciona-se atravs de tcnicas de otimizao irrestrita.
Busca solucionar um problema da melhor maneira
possvel(mnimos das funes).
Neste trabalho so analisados alguns dos principais
mtodos clssicos de otimizao irrestrita
3
Otimizao irrestrita
A otimizao irrestrita trata de problemas de minimizao
ou de maximizao de uma funo com a ausncia de
quaisquer restries
A maioria dos problemas prticos apresentam restries
laterais que devem ser satisfeitas
O estudo da otimizao irrestrita importante pois os
problemas restritos podem ser facilmente convertidos em
problemas irrestritos
4
Dado problema de otimizao,
Estrutura bsica dos mtodos de otimizao irrestrita
( )
min f x
s.a. e x
onde f a funo avaliada e O um conjunto factvel.
5
um dos mais simples mtodos de otimizao.
definido pelo algoritmo iterativo:
Mtodos de descida
O mtodo consiste em uma busca unidimensional
na direo oposta ao gradiente
O algoritmo se repete at que o seguinte critrio de parada
seja atendido:
( )
k
f c V <
x
x
( )
1
o
+
= V x
k k k k
x x f
6
Mtodos de descida
NO
SIM
7
Mtodo de busca Dicotmica
8
Mtodo de busca Dicotmica
NO
SIM
9
Mtodo de busca Dicotmica
Incio
Anlise do tamanho intervalo
Definio tamanho da
incerteza
Clculo de:
NO
SIM
10
Mtodo de busca Newton
11
Mtodo de busca Newton
NO
SIM
12
Mtodo de busca Newton
NO
SIM
Definio Tolerncia
Clculo de:
Sim
Sim
13
Mtodo de busca Newton
NO
SIM
14
Mtodo de busca Newton
Definio Tolerncia
Clculo de:
Sim
No
No
Sim
NO
SIM
15
Mtodo otimizao Newton
NO
SIM
16
Mtodo otimizao Newton
Definio Tolerncia
Clculo de:
Sim
No
No
Sim
NO
SIM
17
So definidos como o seguinte processo iterativo:
Mtodos Quase-Newton
( )
1
o
+
= V
x
x
k k k k k
x x S f
Onde busca-se a seguinte aproximao:
A partir das informaes coletadas durante a descida.
( )
1
2

( V

x
x
k k
S f
Mtodo Davidon-Fletcher-Powell (DFP)
Sim
No
Mtodo Davidon-Fletcher-Powell (DFP)
Sim
No
Incio
Anlise do tamanho intervalo
Definio tamanho da
incerteza
Clculo de:
20
Estudo de caso e resultados
Anlise da funo proposta
Realizao de uma anlise de desempenho dos mtodos
anteriormente citados, para a seguinte funo objetivo no
linear:
s. a. x
1
, x
2,
x
3
e .
2 2 2 3 3 1 2 2
1 2 3 1 2
2 2 2
2 3 1
20 3 10
(x) 2 3 20 10
5 4 1 5 10
| | | |
= + + + + + +
| |
+ + +
\ . \ .
x x x x x
f x x x x sen x sen
x x x
21
Grfico da funo objetivo para intervalos de x
1=
-40
e de x
2
e x
3
compreendidos entre [-40, 40].
22
Representao da funo objetivo em 4 dimenses
23
Trajetria percorrida no espao formado por x
1
, x
2
e x
3
para
cada mtodo, para trs casos distintos:
Trajetria percorrida
24
Trajetria percorrida no espao formado por x
1
, x
2
e x
3
para
cada mtodo, para trs casos distintos:
Trajetria percorrida
25
Trajetria percorrida no espao formado por x
1
, x
2
e x
3
para
cada mtodo, para trs casos distintos:
Trajetria percorrida
26
Influncia da tolerncia adotada nos mtodos de busca
Iteraes Tempo (ms) Acertos (n)
BDI BN BDI BN BDI BN
Caso I 41,1 42,15 11,4 11,3 79 68
Caso II 89,1 42,14 22,5 8,7 40 68
Caso III 56,92 43,14 14,4 11,1 74 68
I.

II.

= 10.

III.

= max

2

27
Esforo computacional
O esforo computacional dos mtodos adotados
considera o tempo de execuo.
Nmero mdio de Iteraes Tempo mdio de execuo (ms) Percentual de acertos (%)
Intervalo BD BN ON QN fminunc BD BN ON QN fminun
c
BD BN ON QN Fminunc
[-10,10] 32,84 36,67 5,52 7,27 17,9 8,8 4,2 0,87 2,6 10 56,8 56,8 55,2 57,9 57,2
[-40,40] 62,61 38,04 9,51 8,71 13,36 15,9 8,6 3,5 3,7 9,7 49,3 50,2 56,8 52,5 53,4
[-160,160] 52,88 42,47 15,73 12,14 17,55 13,8 11,4 6,9 4,9 10,6 51,9 51,6 61,3 54,4 53
28
0
10
20
30
40
50
60
70
BD BN ON QN fminunc
[-10,10]
[-40,40]
[-160,160]
Robustez a diversos intervalos de inicializao (% acerto)
29
0
2
4
6
8
10
12
14
16
18
BD BN ON QN fminunc
[-10,10]
[-40,40]
[-160,160]
Robustez a diversos intervalos de inicializao (tempo de execuo):
30
0
10
20
30
40
50
60
70
BD BN ON QN fminunc
[-10,10]
[-40,40]
[-160,160]
Robustez a diversos intervalos de inicializao (nmero de iteraes):
31
Comparao dos mtodos implementados com as
rotinas do software GAMS:
SOLVER Tempo de execuo (ms) Nmero de iteraes
CONOPT 16 14
IPOPT 31 8
IPOPTH 31 8
KNITRO 16 8
LINDO 31 6792
32
Concluses
Mtodo de Newton apresentou rpida convergncia
prximo dos mnimos da funo;
As alteraes propostas tornaram os mtodos de
Newton mais confiveis por garantir a convergncia.
Os mtodos de descida exigem um esforo
computacional maior, mas no apresentam divergncia;
O mtodo QN-DFP se mostrou bastante robusto, e com
baixo custo computacional, porm apresenta
divergncias, embora raras;
33
Referncias
Bazarra, M. S. (2006). Nonlinear Programming: Theory
and Algorithms. 3nd ed.
Haffner, S. (2011). Notas de Aula da Disciplina de
Introduo a Otimizao Matemtica.
Luenberger, D. G. (2008). Linear and Nonlinear
Programming. 3nd ed.