SOLUO DE UM PROBLEMA DE

OTIMIZAO IRRESTRITA
UTILIZANDO MTODOS DE
BUSCA, DE OTIMIZAO E
MODELOS DE OTIMIZAO
Daphne Schwanz
Juliana Klas

Agenda

Introduo

Otimizao

Para Luenberger, aborda-se um problema complexo, focando-se em um

objetivo projetado para quantificar o desempenho e medir a qualidade
da deciso.

Tem-se como exemplo, o conjunto de equaes (1)

Min f ( x )
s.a. x

Otimizao

Problemas Lineares

Problemas No-Lineares

Problemas Restritos
Problemas Irrestritos
Formulao simples e direta

Obtido a partir de problemas com restries com substituio de
variveis que leva a uma equao que no possui restries

Mtodos de Descida

Mtodos que no Utilizam Derivada

Busca Uniforme

Busca Dicotmica

Os pontos onde ser realizada a avaliao da funo so

determinados antecipadamente e o intervalo [a,b] dividido
sucessivamente e a funo recalculada sempre que isso acontece.

A reduo do intervalo realizada com 2 avaliaes da funo

objetivo. Assim, inicia-se o processo de busca determinando os
parmetros e durante o processo so realizadas comparaes entre
os valores das funes e para encontrar o ponto mnimo.

Segmento ureo

Mtodos de Descida - Trabalho

Mtodos que Utilizam Derivada

Mtodo da Bisseco

Busca pelo Mtodo de Newton

A minimizao da funo g C obtida a partir da minimizao da

sua aproximao quadrtica. Deste modo,
2

min g ( ) min g ( )
g ( k )
1 2 g ( k )
g ( ) = g ( k ) +
( k ) 2
( k ) +

2
~

Mtodos de Otimizao

Mtodo de Newton

Minimiza uma funo aproximando-a localmente por uma

funo quadrtica que minimizada de forma exata.

Mtodo do Gradiente Conjugado

o mtodo da direo conjugada obtida selecionando

sucessivos vetores de direo como uma verso conjugada dos
gradientes obtidos ao longo do processo.

Mtodo do Gradiente Conjugado (Fletcher-Reeves)

Mtodo Quase-Newton

O Problema

Problema de Otimizao Irrestrito

Min f ( x ) = 2 x12 + x 22 + 2 x1 x 2 + 2 x 2 10 x1 sen(0.5 x1 )

x1 , x1

Analise do Problema

Mtodos de Descida

Caractersticas Bsicas
Assuma um
ponto local.

Que direo
seguir?

Siga na direo
at achar
mnimo
melhor/ideal
no caminho.

Uniforme
Dicotmica
Newtron

Analogia de Lieberman (2001)

Busca Uniforme

Algoritmo

Subdivide passo de busca e

retorna toda vez que encontra
funo com valor superior ao
ponto anterior, conforme Arajo.

Busca Dicotmica

Algoritmo

Subdivide passo de busca atravs de frmula e

varia faixa de acordo com comparao dos
valores de f
Converge com 44<it<56 para pontos randmicos
(funo randi [-10,10] do Matlab).

Busca pelo Mtodo de Newton

Algoritmo

No utiliza valores da funo para escolha do escalar

Leva calculos de que maximizam a funo, mnimo local
encontrado pode ser distante do global

Otimizao por Newton

Otimizao por mtodo do gradiente

conjugado

Mais rpido que mtodos de descida

Sem as desvantagens de clculo da inversa da hessiana do

mtodo de Newton

Direo -> combinao linear dos vetores direo j

utilizados.

Tolerncia
adotada

Mtodo

Robustez frente a diferentes

inicializaes
Entradas randmicas [-10;10]
Repetibilidade
Nmero de
iteraes
3-ML (-16.4067) 117<It<136
3 - MG

Uniforme

Reduo da tol. para 1e-4

reduz iteraes em 21%

131 - MG

Dicotomica

Reduo da tol. para 1e-4

reduz iteraes em 16%

56 ML
(-16.4067)

4-ML (-16.4067)
2 - MG

43<It<56

Newton

Reduo da tol. para 1e-4

reduz iteraes em 19%

42 ML
(-16.4067)

1-ML (52,5143)
5 MG

13<It<60

Newton

Reduo da tol. para 1e-3

reduz iteraes em 20%

5 ML
(-16.4067)

2-ML (-0.7492)
1-ML (-16.4067)
3 - MG

4<It<6

Gradiente Conjugado

Reduo da tol. para 1e-3

reduz iteraes em 29%

5 ML
(-16.4067)

1-ML (178.448)
1 ML (52.514)
1 ML (220.87)
1 ML (1.0348)
1 - MG

5<It<13

Busca
Otimizao

N. Iteraes

Comparao dos Mtodos Utilizados

Analise dos mtodos atravs dos resultados

Mtodo de busca uniforme - > mais robustos frente a

variaes de ponto de entrada grandes valores;
Mtodo de busca com derivada -> pior resultado em
relao repetibilidade;
Otimizao de Newton e Gradiente -> mais rpidos ->
minimos locais distantes do mnimo global.

Funes Pr-estabelecidas do Matlab (1)

Funo fminunc

utilizada em problemas irrestritos e tem como objetivo

encontrar o mnimo de uma funo escalar de diversas
variveis, a partir de uma estimativa inicial.

Sintaxe Padro

x = fminunc(fun,x0)

Validao do Mtodo

Foram utilizados dois tipos de condies iniciais:

x 0 =[-5,5]

Valores iniciais randmicos

Tabela 2: Comparao entre os

resultados da funo fminunc e os dos
mtodos de busca e de otimizao
Mtodo/

Iter.

X1

X2

Valor da Funo

Ferramenta
Funo fminunc

10

-3.3057

2.3057

-16.4067

Uniforme

68

-3.3057

2.3057

-16.4067

(M.G.)
56
42

(M.G.)
-3.3057
-3.3057

(M.G.)
2.3057
2.3057

(M.G.)
-16.4067
-16.4067

5
5

-3.3057
-3.3057

2.3057
2.3057

-16.4067
-16.4067

Dicotomica
Busca pelo
Mtodo de Newton
Newton
Gradiente
Conjugado

GAMS - General Algebric Modelling System

projetado especificamente para modelar problemas

lineares e no lineares e problemas de otimizao mista.

Modelagem

NLP

Funes insuaves podem ser resolvidas.

Solver CONOPT e MINOS

DNLP

Resolve problemas no-lineares envolvendo apenas funes suaves,

mas no variveis discretas.
Solver CONOPT e MINOS

CONOPT

adequado para modelos com muitas restries nolineares, podendo ser utilizado para grandes modelos, ou
seja, com muitas vriveis.

Possui um mtodo rpido para encontrar uma

soluo vivel que particularmente bem adequado para
modelos com poucos graus de liberdade.

Tabela 3 Comparao dos Modelos NLP e

DNLP utilizando o solver CONOPT
Tabela 3 Comparao dos Modelos NLP e DNLP utilizando o
solver CONOPT
Modelo
Iter. Tempo Espao X1 timo
X2
Valor da
[s]
na
timo
Funo
Memria
[Mb]
NLP
8
0.02
3
-3.306
2.306
-16.407
DNLP

0.01

-3.306

2.306

-16.407

MINOS

muito utilizado em programao no-linear.

Ele indicado para encontrar solues que encontrem o

ponto mnimo local timo, assim como o solver CONOPT.

Entretanto possui algumas caractersticas: as derivadas

primeiras das funes no-lineares devem existir, as
funes precisam ser separadas e as restries de inteiros
no podem ser aplicadas diretamente.

Tabela 4 Comparao dos Modelos NLP e

DNLP utilizando o solver MINOS
Tabela 4 Comparao dos Modelos NLP e DNLP utilizando o
solver MINOS
Modelo
Iter. Tempo Espao X1 timo
X2
Valor da
[s]
na
timo
Funo
Memria
[Mb]
NLP
6
0.0
3
-3.306
2.306
-16.407
DNLP

0.0

-3.306

2.306

-16.407

Referncias

Arajo, Fbio M. U. (2004), Controle Inteligente. Departamento

de Engenharia de Computao e Automao. UFRN
GAMS General Algebric Modeling System Verso 23.7.
Haffner, Srgio Luis. (2012) Otimizao Irrestrita. Disciplina
Introduo Otimizao Matemtica. PPGEE UFRGS.
Hillier, Frederick S. e Lieberman, Gerald J. (2002). Introduction
to Operations Research, Holden-Day, Inc., Oakland, California.
Luenberger, David G. e Ye,Yinyu (2008) Introduction to linear
and nonlinear programming. Addison Wesley Publising
Company Inc.
MATLAB, The Linguage of Technical Computing.Verso
7.10.0.499 (R2010a).