INFORMAÇÕES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO
|
|
- Tiago Canto Maranhão
- 5 Há anos
- Visualizações:
Transcrição
1 INFORMAÇÕES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO Jesus Ossian da Cunha Silva, Programa de Engenharia de Sistemas e Computação-PESC, COPPE, UFRJ , Rio de Janeiro, RJ jossian@cos.ufrj.br. Paulo Roberto Oliveira, Programa de Engenharia de Sistemas e Computação-PESC, COPPE, UFRJ , Rio de Janeiro, RJ poliveira@cos.ufrj.br. RESUMO Em problemas de otimização multiobjetivo temos o objetivo definido por k funções, onde as funções componentes do objetivo são conflitantes entre si. O conjunto solução do pro-blemas de otimização multiobjetivo é desprovido de relação de ordem entre seus elementos, o que dificulta a determinação de uma solução desejável. Uma alternativa para se determinar uma melhor solução é o uso de taxas trade-off as quais expressam a real quantidade de ganho e perda quando mudamos de uma solução para outra. Os multiplicadores de Karush-Kunh-Tucker podem ser interpretados como taxas trade-off PALAVRAS CHAVE: Multiobjetivo. Trade-off. Karush-Kunh-Tucker. Programação Matemática. ABSTRACT In multiobjective optimization problems have the objective is defined by k functions, where the components of objective are conflicting with each other. The solution set of the problem of multiobjective optimization is devoid of relation of order between its elements, making it difficult to determine a desirable solution. An alternative to determine a better solution is the use of tradeoff rates which reflect the actual amount of gain and loss change when a solution to another. A multiplier of Karush-Tucker-Kunh can be interpreted as a rates trade-off. KEYWORDS: Multiobjective. Trade-off. Karush-Kunh-Tucker. Mathematical Programming. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2355
2 1 Introdução Definimos o problema o problema de otimização multiobjetivo. Problema 1 (POM) Minimizar (f 1 (x), f 2 (x),..., f k (x)), Sujeito a x S R n. onde S é denominado conjunto viável do problema. Consideremos o seguinte exemplo [3 de POM. Exemplo 1 minimizar ((x 1 3) 2 + (x 2 2) 2, x 1 + x 2, x 1 + 2x 2 ) sujeito a x 1 0 x 2 0. Abaixo definimos o conjunto solução do POM. Definição 1 (Pareto ótimo) x é solução Pareto ótimo do POM se não existe outro x S tal que f i (x) f i (x ) para todo i = 1,..., k e f i (x) < f i (x ) para no mínimo um índice i. Definição 2 (Pareto ótimo fraco) x S é Pareto ótimo fraco se não existe outro x S tal que f i (x) < f i (x ) para todo i = 1,..., k. Definição 3 (Pareto ótimo próprio) x S é Pareto ótimo próprio se ele é Pareto ótimo e se existe um M > 0 tal que para cada f i e cada x S satisfazendo f i (x) < f i (x ), existe no mínimo um f j tal que f j (x) > f j (x ) e f i (x ) f i (x) f j (x) f j (x ) M para todo i, j = 1,..., k e i j. Uma solução que não é Pareto ótimo próprio é denominada solução Pareto ótimo impróprio. Em problemas de otimização escalar, não há, em geral, soluções globais, e a condição usual para a existência de tais soluções é a convexidade. Em otimização multiobjetivo temos situação semelhante. Podemos ainda caracterizar a solução do POM localmente em uma vizinhança B(x, r), r 0, x S, onde S é o conjunto Pareto ótimo. Teorema 1. Se o POM é convexo então toda solução de Pareto ótimo local é também Pareto ótimo global. Prova 1 Para prova veja teorema em [6. c.q.d XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2356
3 2 Método ɛ-restrição Em otimização multiobjetivo se utiliza métodos de escalarização durante o processo solução. Através de métodos de escalarização se transforma o POM em um problema de otimização escalar, o qual possui métodos de resolução bem desenvolvidos. Utilizaremos o método ɛ-restrição(pɛ) para resolver o POM. No método ɛ-restrição um componente do vetor objetivo é selecionado para ser otimizado e todos os outros componentes objetivos são convertidos em restrições com a determinação de um limite superior para cada um deles. Temos que o POM transforma-se no seguinte problema, Minimizar f l (x), Problema 2 (Pɛ) Sujeito a f j (x) ɛ j, j {1,..., k}, j l, x S R n. onde l {1,..., k}, S l (ɛ) = {x S f j (x) ɛ j, j l} e ɛ ε = { (ɛ 1,..., ɛ k ) T R k S l (ɛ) }. Para x ser viável ao problema P ɛ é necessário que x S S l (ɛ) Transformando o problema do exemplo 1 temos o seguinte Pɛ, Exemplo 2 [P 1 (ɛ) minimizar (x 1 3) 2 + (x 2 2) 2 sujeito a x 1 + x 2 ɛ 2 x 1 + 2x 2 ɛ 3 x 1 0 x 2 0 Figura 1: Gráfico do P 1 (ɛ) Graficamente temos que a função objetivo do P 1 (ɛ) define um círculo de centro no ponto (3, 2). Resolver esse problema é equivalente a se encontra um ponto viável o mais próximo do ponto (3, 2). De acordo com região viável determinada pelos limitantes ɛ 2 e ɛ 3 tem-se que x é uma solução do exemplo 2. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2357
4 Observe que o conjunto Pareto ótimo é determinado por pontos no interior e na fronteira do triângulo definido pelos pontos extremos (1, 0), (2, 0) e (3, 2) e o segmento entre (0, 0) e (1, 0). Em [2 e [6 podemos encontrar a caracterização da relação entre as soluções do Pɛ e as soluções Pareto do problema de otimização multiobjetivo através de teoremas. Uma grande dificuldade na formulação do Pɛ é a determinação do ɛ. Uma alternativa para determinação de ɛ adequado é o uso do conceito de solução utópica. Definição 4 (Solução utópica) Uma solução utópica f = (f1, f 2,..., f k como onde, f i = f i (x i ), i = 1,..., k x i = arg min x S f i (x) ) do POM é definida É necessário encontrar valores adequados a inicialização do vetor ɛ = (ɛ 1,..., ɛ k ). Resolvendo os k problemas mono-objetivos podemos obter valores ótimos individuais para cada objetivo f i, i = 1,..., k, os quais compõem o objetivo f correspondente à solução utópica do problema. Paralelamente quando f i está no seu ótimo individual podemos determinar os piores valores atingidos por cada objetivo f j, j = 1,..., k, j i, formando o vetor f 0 = (f 1, f 2,..., f k ). Em cada Pɛ os limites ɛ i das restrições referente a f i, i = 1,..., k são determinados através de um gerador de números aleatórios com distribuição de probabilidades uniforme atendendo à restrição f ɛ f 0. A geração dos ɛ j não é tarefa fácil, pois o ponto obtido pode não ser Pareto ótimo assim como os valores de ɛ j podem tornar o problema inviável. 3 Taxas trade-off e os multiplicadores de Karush-Kuhn-Tucker Definição 5. Sejam x 0, x S e as correspondentes imagens dos objetivos f(x 0 ) = (f 1 (x 0 ), f 2 (x 0 ),..., f k (x 0 )) e f(x ) = (f 1 (x ), f 2 (x ),..., f k (x )). Taxa trade-off entre x 0 e x envolvendo os objetivos f i e f j é definida como T ij (x 0, x ) = f i(x 0 ) f i (x ) f j (x 0 ) f j (x ) onde f j (x 0 ) f j (x ). É possível estender a definição 5 de trade-off para o caso onde f j (x 0 ) = f j (x ), para maiores detalhes veja por exemplo [2. Definição 6. T ij (x 0, x ) é chamada trade-off parcial envolvendo f i e f j entre x 0 e x se f l (x 0 ) = f l (x ) para todo l = 1,..., k e l j, i. Quando f l (x 0 ) f l (x ) para no mínimo um l {1,..., k}, T ij (x 0, x ) é chamada trade-off total envolvendo f i e f j entre x 0 e x. Definição 7. Dado x S. Suponha que exista uma direção viável d. Se o limite t ij (x, d) = lim α 0 T ij (x + αd, x ) = lim α 0 f i (x + αd) f i (x ) f j (x + αd) f j (x ) XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2358
5 existe, denominamos t ij (x, d) taxa trade-off em x na direção d envolvendo os objetivos f i e f j. Se f i e f j são ambas de classe C 1 em x temos, t ij (x, d) = f i(x ) T d f j (x ) T d Também é possível estender a definição 7 de trade-off para o caso onde f j (x + αd) = f j (x ), para maiores detalhes veja por exemplo [2. Denotemos o conjunto das restrições do POM por S = {x x R n, g i (x) 0, i = 1,..., m}. O conjunto dos ɛ s R k 1 os quais satisfazem o problema ɛ-restrição sera denotado por ε. Associado ao Pɛ temos os multiplicadores Karush-Kuhn-Tucker λ lj os quais determinam soluções de acordo com as condições de otimilidade do Pɛ ([6). O conceito chave entre os multiplicadores de Karush-Kuhn-Tucker λ lj e taxa trade-off entre f l e f j em x S é a interpretação da sensibilidade entre os multiplicadores. Para detalhes veja Teorema da Sensibilidade ([5 e [3). Teorema 2. Suponha que x resolve Pɛ para algum ɛ ε, com 1. x sendo um ponto regular com respeito às restrições ativas do Pɛ, 2. as condições suficientes de segunda-ordem satisfeitas em x, e 3. todas as restrições ativas em x não-degeneradas. Assuma sem perda de generalidade que λ kj > 0 para todo j = 1,..., p e λ kj = 0 para todo j = p + 1,..., k 1. Então, a). Se ɛ j = f j(x ) para todo j = 1,..., k 1, então existe uma vizinhança B(x ; r) de x, r > 0 e uma função x() : R k 1 R n de classe C 1 definida em alguma vizinhança B(ɛ ; R) R k 1 de ɛ, R > 0 tal que S B(x ; r) x(b(ɛ ; R)) S (1) onde S é o conjunto Pareto ótimo no espaço decisão. b). Suponha p = k 1 e B(x ; r) são obtidos como em a). Sejam Z k = { (f 1,..., f k ) T f j = f j (x), j = 1,..., k, x S B(x ; r) } e Z k 1 = { (f 1,..., f k 1 ) T f j = f j (x), j = 1,..., k 1, x S B(x ; r) }. Então existe uma função f k de classe C 1 definida em Z k 1 tal que para cada (f 1,..., f k ) T Z, f k = f k (f 1,..., f k 1 ) T. Além disso para cada j = 1,..., k 1. f k f j (f 1 (x ),..., f k 1 (x )) = λ kj (2) XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2359
6 c). Seja 1 p < k 1, onde Z ɛ = { (f 1,..., f k ) T f j = f j (x), j = 1,..., k, x x(b(ɛ ; R)) }. Então existem funções de classe C 1, f p+1,..., f k 1 e f k definidas em B(ɛ ; R) tais que para cada (f 1,..., f k ) T Z ɛ temos, f j = f j (f 1,..., f p, ɛ p+1,..., ɛ k 1 ), para todo j = p + 1,..., k. Além disso para cada i = 1,..., p temos f k f l ɛ=ɛ = λ kl = f k(x ) T d l f l (x ) T d l onde d é a direção x(ɛ ) ɛ l. Também temos que para cada j = p + 1,..., k 1, Prova 2. Para prova veja teorema 4.30 em [3. Aplicando o teorema 2 ao exemplo 2. f j f l ɛ=ɛ = f j(x ) T x(ɛ ) ɛ l (3) c.q.d Exemplo 3 Considere o problema P 1 (ɛ) do exemplo 2 onde ɛ = (ɛ 2, ɛ 3 ). Seja ɛ 2 = 2, 5 e ɛ 3 = 3. O ponto x 0 = (2; 0, 5) é solução do problema, já que x 0 é um ponto regular, os gradientes das restrições ativas f 2 (x 0 ) = (1, 1) T e f 3 (x 0 ) = (1, 2) T são linearmente independentes e as condições de Karush-Kuhn-Tucker são satisfeitas(figura 2). Em particular, f 1 (x 0 ) + λ 0 12 f 2 (x 0 ) + λ 0 13 f 3 (x 0 ) = 0 o que implica que λ 0 12 = 1 e λ0 13 = 1. Para este exemplo temos a seguinte função lagrangeana, L(x, λ, µ) = (x 1 3) 2 + (x 2 2) 2 + λ 12 (x 1 + x 2 ɛ 2 ) + λ 13 (x 1 + 2x 2 ɛ 3 ) µ 1 x 1 µ 2 x 2. Calculando gradiente e hessiana, L(x, λ, µ) = (2(x 1 3) + λ 12 + λ 13 µ 2, 2(x 2 2) + λ λ 13 µ 2 ), e H(x, λ, µ) = [ No ponto x 0 = (2; 0, 5) temos que L(x 0, λ, µ) = (0, 0) e H(x 0, λ, µ) é definida positiva. É possível obter vários valores para ɛ = (ɛ 1, ɛ 2 ) de forma que ainda assim conseguimos soluções Pareto ótimo para P 1 (ɛ). Temos que para B(ɛ 0 ; R) onde R > 0, existe uma função x : B(ɛ 0 ; R) R k definida pela regra: para cada ɛ B(ɛ 0 ; R), ɛ resolve P 1 (ɛ)(teorema 2). XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2360
7 Figura 2: Solução para P 1 (2, 5; 3) Figura 3: Solução para P 1 (2, 51; 3) Após encontrar essa vizinhança calculamos x(ɛ), d 0 2 = x(ɛ0 ) e d 0 3 ɛ = x(ɛ0 ). 2 ɛ 3 Para algum ɛ B(ɛ 0 ; R), a solução única de P 1 (ɛ) é sempre um ponto na interseção das duas restrições, f 2 (x) ɛ 2 e f 3 (x) ɛ 3 (Figura 2). Assim para algum ɛ B(ɛ 0 ; R), temos que x(ɛ) é dado por, f 2 (x) = x 1 + x 2 = ɛ 2, f 3 (x) = x 1 + 2x 2 = ɛ 3. Calculando x(ɛ), x(ɛ) = [ x1 (ɛ) x 2 (ɛ) [ 2ɛ2 ɛ = 3 ɛ 3 ɛ 2. Calculando d 0 2 e d0 3 (Figura 2), [ d 0 2 = x(ɛ0 ) 2 = ɛ 2 1 d 0 3 = x(ɛ0 ) ɛ 3 = [ 1 1,. Em seguida examinamos f 1 (f 2, f 3 ). Para todo ɛ B(ɛ 0 ) as desigualdades f 2 ɛ 2 e f 3 ɛ 3 são sempre ativas na solução ótima x(ɛ) de P 1 (ɛ). Para cada ɛ B(ɛ 0 ; R) no caso de P 1 (ɛ 0 2, ɛ0 3 ), f 1 (x(ɛ)) = [ (2ɛ 0 2 ɛ 0 3) [ (ɛ 0 3 ɛ 0 2) 3 2, f1 (f 2, f 3 ) = [(2f 2 f 3 ) [(f 3 f 2 ) 3 2. Segue que, f 1 (x 0 ) f 2 = 2(2f 2 f 3 3)2 2(f 3 f 2 2) = 1 = λ XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2361
8 e f 1 (x 0 ) f 3 = 2(2f 2 f 3 3) 2(f 3 f 2 2) = 1 = λ O resultado acima possibilita mudarmos de ponto ao invés de ficar com o ponto x 0. Podemos decidir, por exemplo, permanecer no nível de f 3 e alterar o nível de f 2, por exemplo, aumentar f 2 por no máximo δɛ 2, onde 0 < δɛ 2 1. De acordo com essa decisão a melhor alternativa seria x 1 = x(ɛ 2 + δɛ 2, ɛ 3 ), onde e f 2 (x 1 ) = ɛ δɛ 0 2, f 3 (x 1 ) = ɛ 0 3. f 1 (x 1 ) = [ 2f 2 (x 0 ) f 3 (x 0 ) [ f3 (x 0 ) f 2 (x 0 ) 2 2, f 1 (x 0 ) + λ 12 δɛ 0 2 Movendo de x 0 para x 2 ocorre um movimento na direção d 0 2 no espaço decisão(figura 2). Por exemplo, se δɛ 0 2 = 0, 01, a nova solução Pareto ótimo é (Figura 3), [ x 2 1 (ɛ) x 2 2 (ɛ) [ 2ɛ 2 = 2 ɛ 2 3 ɛ 2 3 ɛ2 2 [ 2, 02 = 0, 49 com f 2 (x 2 ) = 2, 51, f 3 (x 2 ) = 3 e f 1 (x 2 ) = [ 2f 2 (x 2 ) f 3 (x 2 ) 3 2 [ + f3 (x 2 ) f 2 (x 2 ) 2 2 = 3, 2405 Assim a mudança de f 1 (x 0 ) = 3, 25 para f 1 (x 2 ) = 3, 2405 a qual é igual a f 1 (x 2 ) f 1 (x 0 ) = 0, 0095 unidades é dada por λ 0 12 δɛ0 2 0, 01 unidades, justificando o uso de λ0 12 como uma taxa trade-off aproximada em x 0. 4 Conclusão Em virtude do que foi mencionado é possível se resolver problemas de otimização multiobjetivo através de métodos de otimização escalar, por exemplo o método Pɛ. Após resolver o problema utiliza-se informações trade-off para decidir qual a melhor solução Pareto ótimo. Percebe-se que os multiplicadores de Karush-Kuhn-Tucker, ferramentas matemáticas de grande utilidade em otimização são utilizados nesse processo. Através da análise desses multiplicadores se chega a uma solução desejável. Os multiplicadores podem ser interpretados como taxas, as quais determinam o ganho em uma determinada variável objetivo com uma perda em outra, enquanto as outras permanecem inalteradas. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2362
9 Referências [1 Ferreira, Paulo Augusto Valente(1998), Otimização Multiobjetivo: Teoria e Aplicações, FEEC-UNICAMP. [2 Haimes, Yacov H. e Chankong, Vira (1979), Kuhn-Tucker Multipliers as Trade-Offs in Multiobjetive Decision-Making Analysis, Automatica, 15, [3 Haimes, Yacov H. e Chankong, Vira(1983), Multiobjective decision making: theory and methodology, Dover, Mineola, USA. [4 Hwang, C.L. e Masud, A.S.(1979), Multiple Objetive Decision Making - Methods and Aplications: A State-of-the-Art Survey, Lecture Notes in Economics and Mathematical Systems 164, Spring-Verlang, Berlin, Heiderberg. [5 Luenberger, David E.(1984), Linear and Nonlinear Programming, Second Edition, Addison- Wesley, Reading, MA, USA. [6 Miettinen, Kaisa(1990), Nonlinear Multiobjective Optimization, International Series in Operations Research and Management Science, 12, Kluwer Academic Publishers, Dordrecht. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2363
INFORMAÇÕES TRADEOFF EM PROBLEMAS MULTIOBJETIVOS. 1. Introdução Problema 1.1. [MOP]Denominamos Problema de Otimização Multiojetivo
INFORMAÇÕES TRADEOFF EM PROBLEMAS MULTIOBJETIVOS JESUS OSSIAN DA CUNHA SILVA 1 AND PAULO ROBERTO OLIVEIRA 2 1 Programa de Engenharia de Sistema e Computação, COPPE-UFRJ, CP. 68.511, Rio de Janeiro-RJ,
Leia maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução
Leia maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução Sumário 1 Introdução
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia mais1 Otimização com restrições I: Condições de Primeira Ordem
Otimização com restrições I: Condições de Primeira Ordem Teorema 8: Seja f e h funções C de duas variáveis Suponha x = (x, x 2 ) é uma solução do problema: max f (x, x 2 ) sa h(x, x 2 ) = c Suponha também
Leia maisOtimização Escalar e Vetorial
Universidade Federal de Minas Gerais Departamento de Matemática Notas de Aula Otimização Escalar e Vetorial Volume 3: Otimização Vetorial Professor: Ricardo H. C. Takahashi Belo Horizonte, Janeiro de 2007
Leia maisCondições de qualificação, otimalidade e um método tipo lagrangiano aumentado
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Condições de qualificação, otimalidade e um método
Leia maisPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA. Plano de Ensino
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO
Leia maisCURSO DE MESTRADO EM Construções Metálicas
CURSO DE MESTRADO EM Construções Metálicas DEPARTAMENTO DE ENGENHARIA CIVIL - ESCOLA DE MINAS UNIVERSIDADE FEDERAL DE OURO PRETO Disciplina: Otimização Estrutural I Carga Horária: 45 Código: CIV 733 Responsável:
Leia maisInformações trade-off em problemas de otimização multiobjetivo
Anais do CNMAC v.2 ISSN 1984-820X Informaçõs trad-off m problmas d otimização multiobjtivo Jsus Ossian da C. Silva, Paulo Robrto Olivira, Programa d Engnharia d Sistmas Computação-PESC, COPPE, UFRJ 21941-972,
Leia maisDEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia mais)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Leia maisMétodo do Lagrangiano aumentado
Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos
Leia maisMAT Cálculo 2 para Economia 3 a Prova - 28 de novembro de 2016
MAT 0147 - Cálculo para Economia 3 a Prova - 8 de novembro de 016 Questão 1) Determine o máximo e o mínimo de f(x, y) = x 4 + y em D = {(x, y); x + y 1}. Soluç~ao: As derivadas parciais f x (x, y) = 4x
Leia maisTeoremas de dualidade
Teoremas de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisTeoria da Decisão. Introdução. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Apresentação Sumário
Leia maisOTIMIZAÇÃO DA SEÇÃO DE UMA VIGA SUBMETIDA À FLEXÃO E AO CISALHAMENTO ATRAVÉS DA PROGRAMAÇÃO NÃO LINEAR
CDD: 624.17 OTIMIZAÇÃO DA SEÇÃO DE UMA VIGA SUBMETIDA À FLEXÃO E AO CISALHAMENTO ATRAVÉS DA PROGRAMAÇÃO NÃO LINEAR OPTIMIZATION OF THE SECTION OF A BEAM SUBMITTED TO THE FLEXURE AND SHEARING THROUGH THE
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ OKSANA HERINGER DA SILVA
UNIVERSIDADE FEDERAL DO PARANÁ OKSANA HERINGER DA SILVA MÉTODOS DE PENALIDADE E O LAGRANGIANO AUMENTADO APLICADO A PROBLEMAS COM RESTRIÇÕES DE IGUALDADE CURITIBA 2017 OKSANA HERINGER DA SILVA MÉTODOS DE
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia maisOtimização Multiobjetivo
Otimização Multiobjetivo Otimização Restrita Prof. Frederico Gadelha Guimarães Lucas S. Batista Eduardo G. Carrano Universidade Federal de Minas Gerais Programa de Pós-Graduação em Engenharia Elétrica,
Leia maisProgramação Matemática
Programação Matemática Docentes: Ana Paula, Franklina e Maristela Instituto de Ciências Matemáticas e de Computação - ICMC Universidade de São Paulo USP (Material Elaborado por Aline Leão modificado por
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia maisII Seminário da Pós-graduação em Engenharia Elétrica
UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisProfessor: Carlos Eugênio da Costa Teoria Microeconômica II Monitor: Diego Santiago
Professor: Carlos Eugênio da Costa Teoria Microeconômica II - 2012 Monitor: Diego Santiago EPGE/FGV Introdução matemática 1 Introdução Esta introdução visa familiarizar o aluno com ferramentas matemáticas
Leia maisMétodo de restrições ativas para minimização em caixas
Método de restrições ativas para minimização em caixas Marina Andretta ICMC-USP 20 de outubro de 2014 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 20 de outubro de 2014 1 / 25 Problema com
Leia maisPontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta
Leia maisMetodologias de escalarizações para o problema de rotação de culturas biobjetivo
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Metodologias de escalarizações para o problema de rotação
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL FACULDADE DE CIÊNCIAS ECONÔMICAS DEPARTAMENTO DE ECONOMIA E RELAÇÕES INTERNACIONAIS DANIEL DE SALES CASULA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL FACULDADE DE CIÊNCIAS ECONÔMICAS DEPARTAMENTO DE ECONOMIA E RELAÇÕES INTERNACIONAIS DANIEL DE SALES CASULA TEORIA DE OTIMIZAÇÃO: TEOREMA DE KUHN-TUCKER EXTENSÃO
Leia maisAnálise Convexa. 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone. 2. Hiperplanos: suporte, separador, teorema da separação
Análise Convexa 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone 2. Hiperplanos: suporte, separador, teorema da separação 3. Funções convexas 4. Teoremas de funções convexas 5. Conjunto poliedral
Leia maisUNIVERSIDADE FEDERAL DO AMAZONAS - UFAM INSTITUTO DE CIÊNCIAS EXATAS - ICE PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA
UNIVERSIDADE FEDERAL DO AMAZONAS - UFAM INSTITUTO DE CIÊNCIAS EXATAS - ICE PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA ALGUMAS CONTRIBUIÇÕES PARA A OTIMIZAÇÃO MULTIOBJETIVO VIA TEORIA DOS CONES RAPHAEL RIBEIRO
Leia maisTransparências de apoio à lecionação de aulas teóricas. c 2012, 2011, 2009, 1998 José Fernando Oliveira, Maria Antónia Carravilla FEUP
Programação Linear Transparências de apoio à lecionação de aulas teóricas Versão 4 c 2012, 2011, 2009, 1998 José Fernando Oliveira, Maria Antónia Carravilla FEUP Programação Linear Problema de planeamento
Leia maisProgramação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
Leia maisInstituto Universitário de Lisboa
Instituto Universitário de Lisboa Departamento de Matemática Exercícios de Extremos 1 Extremos Livres 1. Dada uma função f : R n R e a R n, (a) Qual a propriedade que f(a) deve vericar para ser um máximo
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisLema de Farkas e desigualdades lineares
Lema de Farkas e desigualdades lineares Marina Andretta ICMC-USP 30 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia mais. Os menores -2,0-1,5-1,0-0,5-5 0,0 0,5 1,0 1,5 2, = x 2y.. Os menores
1. Para cada uma das seguintes funções, verifique se ele é côncava, convexa ou nenhuma das duas, justificando em cada caso. (a) f(x, ) = 1x + (b) f(x) = 1x x (c) f(x, ) = x x 1 (a) = 1 = x = e = = = 1
Leia maisAbordagem dual com função de ordenação para resolver problemas de programação quadrática em ambiente nebuloso
Abordagem dual com função de ordenação para resolver problemas de programação quadrática em ambiente nebuloso Ricardo C. Silva Instituto de Ciência e Tecnologia Universidade Federal de São Paulo Rua Talim,
Leia maisα ( u 1 - u 2 ) = u 3 - u 2.
2- NOÇÕES DE CONVEXIDADE E FORMULAÇÃO MATEMÁTICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR 21 Noções de Convexidade 211 - Combinação Convexa de pontos ponto b = αx 1 Considere C um conjunto contendo os pontos
Leia maisMétodos de Pesquisa Operacional
Métodos de Pesquisa Operacional Programação Linear é a parte da Pesquisa Operacional que trata da modelagem e resolução de problemas formulados com funções lineares. Programação Linear } Métodos de Resolução
Leia maisCálculo II. Resumo e Exercícios P3
Cálculo II Resumo e Exercícios P3 Resuminho Teórico e Fórmulas Parte 1 Funções de Três Variáveis w = f(x, y, z) Definida em R +, apenas um valor de w para cada (x, y, z). Domínio de Função de Três Variáveis:
Leia maisLorí Viali. Afiliação
Lorí Viali Licenciatura Plena em Matemática UFRGS Bacharelado em Matemática UFRGS Especialização em Formação de Pesquisadores PUCRS Mestrado em Engenharia de Produção (PO) UFSC Doutorado Sanduíche na USF
Leia maisEm 1970, Bellman e Zadeh (Bellman, 1970) apresentaram a otimização IX]]\, que é um conjunto de técnicas utilizadas em problemas de otimização com
4 ±0('/$ 5'd Muito já foi feito no desenvolvimento de metodologias para a resolução de problemas de programação linear IX]]\. Entretanto a grande parte dos trabalhos apresentados procurou obter uma solução
Leia maisProblemas de programação geométrica signomial via otimização DC
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Problemas de programação geométrica signomial via otimização DC Clarissa Pessoa Borges Fernandes Faculdade Maurício de Nassau João Pessoa, PB E-mail:
Leia maisDegenerescência. Marina Andretta ICMC-USP. 19 de outubro de 2016
Degenerescência Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisCones e raios extremos
Cones e raios extremos Marina Andretta ICMC-USP 7 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia mais1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Leia mais(x n + tv n) dxn df. (x n ) dxn. = Df(x) v derivada de f em x na direção. v n. (x ): Apenas a derivada parcial em
Apostila de Métodos Quantitativos - UERJ Professor: Pedro Hemsley Derivada Direcional e Gradiente A regra da cadeia pode ser utilizada para determinar a taxa de variação de uma função f(x 1,,x n ) em um
Leia maisMétodo do Gradiente Projetado Para Funções Convexas Generalizadas
Método do Gradiente Projetado Para Funções Convexas Generalizadas Milton Gabriel Garcia dos SANTOS 1. Instituto de Matemática e Estatística, Universidade Federal de Goiás, Campus II- Caixa Postal 131,
Leia maisCondições geométricas de otimalidade
Capítulo 1 Condições geométricas de otimalidade Definição 1.1. Seja X R n e x um ponto em X. Uma vetor y R n é chamado de direção viável para X em x se existe ɛ > 0 tal que α [0, ɛ], x + αy X. Quando não
Leia mais1 Álgebra linear matricial
MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a
Leia maisOPTIMIZAÇÃO NÃO LINEAR EM REDES
OPTIMIZAÇÃO NÃO LINEAR EM REDES Luis Ernesto Torres Guardia Departamento de Engenharia de Produção Universidade Federal Fluminense Rua Passo da Pátria 156, São Domingos 24210-240, Niterói, R.J., Brasil
Leia maisOPTIMIZAÇÃO NÃO LINEAR
OPTIMIZAÇÃO NÃO LINEAR Opção IV - LESI Método de penalidade para PSI 2004/2005 Optimização não linear - Opção IV - LESI 1 Formulação - Programação Semi-Infinita (PSI) min f(x) x R n s.t. g i (x, t) 0,
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisPROGRAMAÇÃO NÃO LINEAR Noções de otimização não linear. Antônio César Baleeiro Alves 2014
PROGRAMAÇÃO NÃO LINEAR Noções de otimização não linear Antônio César Baleeiro Alves 2014 5 de maio de 2014 Sumário 1 Introdução à Teoria da Programação Não Linear 2 11 Introdução 2 12 Programação Não Linear
Leia maissujeito a: 30x x (madeira) 5x x (horas de trabalho) x 1, x 2 0
IV. MÉTODO GRÁFICO O método gráfico só permite resolver problemas de PL de pequena dimensão (duas ou três variáveis) não tendo pois qualquer interesse prático. O método gráfico permite visualizar um conjunto
Leia maisOTIMIZAÇÃO E DESPACHO ECONÔMICO
7 OTIMIZAÇÃO E DESPACHO ECOÔMICO 7.1 ITRODUÇÃO este capítulo, o leitor encontrará informações básicas sobre procedimento geral de otimização e aplicação ao caso de despacho, considerado econômico, associado
Leia maisProgramação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
Leia maisPrimeira Lista de Exercícios
1 Espaços vetoriais Primeira Lista de Exercícios {( ) } a b Exercício 1.1. Considere M 2 := : a, b, c, d R, : M c d 2 M 2 M 2 dada por e : R M 2 M 2 dada por ( ) ( ) ( ) a1 b 1 a2 b 2 a1 + a := 2 b 1 +
Leia maisINFORMAÇ~ES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO
INFORMAÇ~ES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOB JETIVO Jesus Ossian da Cunha Silva Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia de Sistemas e Computação, COPPE,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear com Restrições Aula 30: Programação Não-Linear - Funções de Várias Variáveis com Restrições (Prática) Ponto Regular; Multiplicadores de Lagrange e Condições Necessárias; Condições
Leia maisUMA PARTIÇÃO DO CONJUNTO DOS GRAFOS CONEXOS DE ORDEM n EM CLASSES DE GRAFOS (a, b)-lineares
UMA PARTIÇÃO DO CONJUNTO DOS GRAFOS CONEXOS DE ORDEM n EM CLASSES DE GRAFOS (a, b)-lineares Patricia Erthal de Moraes Colégio Pedro II Campo de São Cristóvão, 77 - São Cristóvão -Rio de Janeiro, CEP: 9-44
Leia maisDerivadas direcionais Definição (Derivadas segundo um vector): f : Dom(f) R n R e P 0 int(dom(f)) então
Derivadas direcionais Definição (Derivadas segundo um vector): f : Dom(f) R n R e P 0 int(dom(f)) então Seja D v f(p 0 ) = lim λ 0 f(p 0 + λ v) f(p 0 ) λ v representa a derivada direcional de f segundo
Leia maisAula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Leia maisMétodo dos gradientes (ou método de máxima descida)
Método dos gradientes (ou método de máxima descida) Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 14 de setembro de 2010 1 / 16 Método dos gradientes
Leia maisMétodo de Newton truncado
Método de Newton truncado Marina Andretta ICMC-USP 8 de outubro de 2018 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear
Leia maisUniversidade Federal do Amazonas Instituto de Ciências Exatas Programa de Pós-graduação em Matemática
Universidade Federal do Amazonas Instituto de Ciências Exatas Programa de Pós-graduação em Matemática Algoritmos Quase-Newton para Otimização Multiobjetivo Osenildo Marques Maciel Manaus - 2016 Universidade
Leia maisProfessor João Soares 20 de Setembro de 2004
Teoria de Optimização (Mestrado em Matemática) Texto de Apoio 2A Universidade de Coimbra 57 páginas Professor João Soares 20 de Setembro de 2004 Optimização Linear Considere o problema (1) abaixo, que
Leia mais5 Análise de Sensibilidade
MAC-35 - Programação Linear Primeiro semestre de 00 Prof. Marcelo Queiroz http://www.ime.usp.br/~mqz Notas de Aula 5 Análise de Sensibilidade Neste capítulo consideramos o problema de programação linear
Leia maisComo resolver o QFEMUP usando otimização
Como resolver o QFEMUP usando otimização Marina Andretta ICMC-USP 2 de agosto de 2016 Baseado no artigo M. Andretta, E. G. Birgin and M. Raydan, An inner-outer nonlinear programming approach for constrained
Leia maisAula 10 Sistemas Não-lineares e o Método de Newton.
Aula 10 Sistemas Não-lineares e o Método de Newton MS211 - Cálculo Numérico Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade
Leia maisResolvedo problemas de despacho econômico com dados incertos usando enfoque paramétrico dual
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Resolvedo problemas de despacho econômico com dados
Leia maisDepartamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
Leia maisP2 de Álgebra Linear I Data: 10 de outubro de Gabarito
P2 de Álgebra Linear I 2005.2 Data: 10 de outubro de 2005. Gabarito 1 Decida se cada afirmação a seguir é verdadeira ou falsa. Itens V F N 1.a F 1.b V 1.c V 1.d F 1.e V 1.a Considere duas bases β e γ de
Leia maisLista 7.4 Optimização com Restrições de Desigualdade
Faculdade de Economia da Universidade Nova de Lisboa Apontamentos Cálculo II Lista 7.4 Optimização com Restrições de Desigualdade 1. Problema de optimização de uma função escalar f, de n variáveis reais,
Leia mais4- Dualidade em Programação Linear
4- Dualidade em Programação Linear 4.1- Introdução Considere o problema clássico da dieta: (problema primal): Quer-se consumir quantidades de determinados alimentos de tal forma a satisfazer as necessidades
Leia maisUniversidade Federal de Juiz de Fora Instituto de Ciências Exatas Programa de Pós-Graduação em Matemática
Universidade Federal de Juiz de Fora Instituto de Ciências Exatas Programa de Pós-Graduação em Matemática Mario Octavio Vera Campoverde Estudo de um Caso de Equilíbrio de Nash Usando Técnicas de Inequação
Leia maisResolução de problemas com apenas restrições lineares de igualdade
Resolução de problemas com apenas restrições lineares de igualdade Marina Andretta ICMC-USP 14 de outubro de 2014 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de outubro de 2014 1 / 22
Leia maisExistência e otimalidade de pontos extremos
Existência e otimalidade de pontos extremos Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia maisMétodo Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016
Método Simplex dual Marina Andretta ICMC-USP 24 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisMétodos Numéricos. MEI - Logística e distribuição Programação quadrática sequencial 2004/2005. A. Ismael F. Vaz - Departamento de Produção e Sistemas
Métodos Numéricos MEI - Logística e distribuição Programação quadrática sequencial 2004/2005 Métodos Numéricos - MEI 1 Motivação Considere-se o seguinte exemplo de um problema de minimização com restrições
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
Leia maisUm Algoritmo de Pontos Interiores na Resolução de Problemas de Programação Linear com Coeficientes Fuzzy
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um Algoritmo de Pontos Interiores na Resolução de Problemas de Programação
Leia maisJaime A. Ramírez Felipe Campelo Frederico G. Guimarães Lucas S. Batista Ricardo H.C. Takahashi
Otimização ELE037 Introdução Jaime A. Ramírez Felipe Campelo Frederico G. Guimarães Lucas S. Batista Ricardo H.C. Takahashi Universidade Federal de Minas Gerais Departamento de Engenharia Elétrica J. A.
Leia maisAlgoritmo Simplex para Programação Linear I
EA Planejamento e Análise de Sistemas de Produção Algoritmo Simple para Programação Linear I DCA-FEEC-Unicamp Modelo de Programação Linear ma c ( n ) s. a. A b A ( m n) b ( m ) c ( n) P ( R n A b} Poliedro
Leia maisAlgumas Preliminares Matemáticas
Lista 1 de Microeconomia I Professor: Carlos E.L. da Costa Monitor: Vitor Farinha Algumas Preliminares Matemáticas Nas próximas páginas apresentam-se alguns conceitos matemáticos e teoremas que serão úteis
Leia maisAlgoritmo Simplex - versão 2.5
Dualidade em Programação Linear 2 [Versão 25: 1 de dezembro de 25 ] 1 Introdução à Programação Linear (2) Algoritmo Simplex - versão 25 Leônidas de Oliveira Brandão http://wwwimeuspbr/ leo http://wwwmatematicabr
Leia maisUm algoritmo para aproximação da fronteira de Pareto em problemas de programação inteira multiobjectivo
Um algoritmo para aproximação da fronteira de Pareto em problemas de programação inteira multiobjectivo Manuela Fernandes, Vladimir Bushenkov A. I. de Matemática, E.S.T.T., Instituto Politécnico de Tomar,
Leia maisIntrodução à Otimização de Processos. Prof. Marcos L Corazza Departamento de Engenharia Química Universidade Federal do Paraná
Introdução à Otimização de Processos Prof. Marcos L Corazza Departamento de Engenharia Química Universidade Federal do Paraná Otimização Não-Linear Algumas definições e conceitos preliminares: 1. Derivadas
Leia mais15 AULA. Máximos e Mínimos LIVRO. META Encontrar os pontos de máximo e mínimo de uma função de duas variáveis a valores reais.
1 LIVRO Máximos e Mínimos 1 AULA META Encontrar os pontos de máximo e mínimo de uma função de duas variáveis a valores reais. OBJETIVOS Maximizar e/ou minimizar função de duas variáveis a valores reais.
Leia maisDERIVADAS PARCIAIS. y = lim
DERIVADAS PARCIAIS Definição: Seja f uma função de duas variáveis, x e y (f: D R onde D R 2 ) e (x 0, y 0 ) é um ponto no domínio de f ((x 0, y 0 ) D). A derivada parcial de f em relação a x no ponto (x
Leia maisc PAVF 2 Otimizac~ao 'Aurelio' Otimizac~ao.[De otimizar+-c~ao] S.f. 1. Estat. Processo pelo qual se determina o valor otimo de uma grandeza. Otimo.[Do
c PAVF 1 Introduc~ao Otimizac~ao Modelos de otimizac~ao Aplicac~oes Descric~ao do curso c PAVF 2 Otimizac~ao 'Aurelio' Otimizac~ao.[De otimizar+-c~ao] S.f. 1. Estat. Processo pelo qual se determina o valor
Leia maisModelação de conceitos económicos em programação matemática. Matemática e Aplicações
Modelação de conceitos económicos em programação matemática Maria Mafalda de Lancastre e Távora Ceyrat Dissertação para a obtenção do Grau de Mestre em Matemática e Aplicações Orientadores: Prof. Doutor
Leia maisA Equivalência entre o Teorema do Ponto Fixo de Brouwer e o Teorema do Valor Intermediário
A Equivalência entre o Teorema do Ponto Fixo de Brouwer e o Teorema do Valor Intermediário Renan de Oliveira Pereira, Ouro Preto, MG, Brasil Wenderson Marques Ferreira, Ouro Preto, MG, Brasil Eder Marinho
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística. Curso: Engenharia de Produção
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisDistribuies de Probabilidade
Distribuies de Probabilidade Roberto Imbuzeiro M. F. de Oliveira 23 de Março de 2009 Resumo Exerçícios sobre as distribuições de v.a. s. 1 Toda variável aleatória real é uniforme Seja X : Ω R com função
Leia mais