Capítulo 5 - Optimização Não-Linear

Transcrição

1 Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia 1 o Semestre 2009/2010 Métodos de Aproximação em Engenharia 1/ 15

2 Sumário Definições Optimização Unidimensional Métodos de Aproximação em Engenharia 2/ 15

3 Definições Optimização Dada uma função f : IR n IRe um conjunto S IR n, encontrar x S tal que f (x ) f (x) para todo o x S. x é chamado minimizador ou mínimo de f Basta considerar a minimização, pois o máximo de f é igual ao mínimo de f A função objectivo f é normalmente derivável, podendo ser linear ao não linear O conjunto restrição S é definido por um sistema de equações e inequações que pode ser linear ou não linear Os pontos x S são chamados pontos praticáveis Se S = IRo problema não tem restrições Métodos de Aproximação em Engenharia 3/ 15

4 Definições Um problema genérico de optimização contínuo: min f (x) sujeito a g(x) = 0 e h(x) 0 em que f : IR n IR, g : IR n IR m e h : IR n IR p Programação linear: f, g e h são todas lineares Programação não linear: pelo menos uma das funções f, g e h é não linear Métodos de Aproximação em Engenharia 4/ 15

5 Optimização Unidimensional Método de Newton Método de Newton para a resolução de f (x) = 0: x k+1 = x k f (x k )/f (x k ) Num problema de optimização o Método de Newton é usado para a resolução de f (x) = 0: x k+1 = x k f (x k )/f (x k ) Converge quadraticamente (duplica o número de dígitos correctos em cada iteração) para o mínimo desde que o ponto de partida esteja suficientemente próximo da solução Métodos de Aproximação em Engenharia 5/ 15

6 Optimização Unidimensional Exemplo 1: Método de Newton Usar o método de Newton para minimizar f (x) = 0.5 xe x 2 A primeira e a segunda derivada de f são dada por e f = (2x 2 1)e x 2 f = 2x(3 2x 2 )e x 2 Formula de recorrência do Método de Newton para encontrar o zero de f é x k+1 = x k (2x 2 k 1)/ ( 2x k (3 2x 2 k ) ) Usando a estimativa inicial x 0 = 1, obtemos x k f (x k ) Métodos de Aproximação em Engenharia 6/ 15

7 Método de Newton para Método de Newton para minimizar uma função unidimensional, procura o zero de f (x) através da recorrência: x k+1 = x k f (x k )/f (x k ) No caso multidimensional o método de Newton é usado para procurar o zero do gradiente da função, f (x) = 0, através da formula de recorrência: x k+1 = x k H 1 f (x k ) f (x k ) em que H(x) é a matriz Hessiana das segundas derivadas parciais {H(x)} ij = 2 f (x) x i x j Métodos de Aproximação em Engenharia 7/ 15

8 Método de Newton, continuação A matriz Hessiana não é invertida explicitamente, em vez disso resolve-se o sistema linear H f (x k )δ k = f (x) em ordem a δ k, e depois actualiza-se a solução aproximada x k+1 = x k + δ k Convergência quadrática mas necessita de uma boa estimativa inicial da solução Necessita da segunda derivada da função Métodos de Aproximação em Engenharia 8/ 15

9 Exemplo 2: Método de Newton Usar o método de Newton para minimizar f (x) = 0.5x x 2 2 Gradiente e matriz Hessiana são dados por [ ] [ ] x1 1 0 f (x) = e H 5x f (x) = [ ] [ ] 5 5 Escolhendo x 0 = obtemos f (x 1 0 ) = 5 Resolvendo[ o sistema ] linear H f (x 0 )δ 0 [ = f ] (x[ 0 ), obtemos ] [ o ] passo δ 0 =, e x 1 1 = x 0 + δ 0 = + = que é a solução exacta deste problema Métodos de Aproximação em Engenharia 9/ 15

10 Método do Gradiente Conjugado Um outro método que não requer explicitamente as segundas derivadas é o método do gradiente conjugado (CG) CG gera uma sequência de direcções de procura conjugadas (ortogonais) entre elas Teoricamente, para funções objectivo quadráticas o CG converge para a solução exacta num numero máximo de n iterações, em que n é a dimensão do problema Também é eficiente para os outros tipos de problemas de minimização sem restrições Métodos de Aproximação em Engenharia 10/ 15

11 Método do Gradiente Conjugado, continuação ALGORITMO DO GRADIENTE CONJUGADO x 0 = aproximação inicial g 0 = f (x 0 ) s 0 = g 0 for k = 0, 1, 2,... Escolher o α k que minimiza f (x k + α k s k ) x k+1 = x k + α k s k g k+1 = f (x k+1 ) β k+1 = ( g T k+1 g ) ( ) k+1 / g T k g k s k+1 = g k+1 + β k+1 s k end Métodos de Aproximação em Engenharia 11/ 15

12 Exemplo 3: Método do Gradiente Conjugado Usar o CG para minimizar f (x) = 0.5x [ ] x 2 2 x1 Gradiente é igual a f (x) = 5x 2 Escolhendo x 0 = [ 5 1 ] obtemos a direcção de procura inicial (corresponde ao gradiente negativo) [ ] 5 s 0 = g 0 = f (x 0 ) = 5 O mínimo exacto ao longo da linha de procura é α 0 = 1/3, pelo que a próxima solução aproximada é x 1 = [ ] T com o qual calculamos o novo gradiente [ ] g 1 = f (x 1 ) = Métodos de Aproximação em Engenharia 12/ 15

13 Exemplo, continuação Neste ponto, em vez de procurar na direcção do gradiente negativo calcula-se β 1 = ( g T 1 g 1 ) / ( g T 0 g 0 ) = que origina a nova direcção de procura [ ] [ s 1 = g 1 + β 1 s 0 = ] = [ ] A deslocação ao longo desta linha que minimiza a função é α 1 = 0.6, que origina a solução exacta x 2 = [ 0 0 ] T, tal como seria de esperar para uma função quadrática Métodos de Aproximação em Engenharia 13/ 15

14 Métodos Disponíveis na NMLibforOctave Método de Newton: [] = opt_newton() Mét. Gradiente Conjugado: [] = opt_cg() Métodos de Aproximação em Engenharia 14/ 15

15 Bibliografia Exposição baseada essencialmente no capítulo 6 de Michael T. Heath. "Scientific Computing an Introductory Survey". McGraw-Hill, 2002, New York. Métodos de Aproximação em Engenharia 15/ 15