INFORMAÇ~ES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO
|
|
- Laura Azenha Galindo
- 6 Há anos
- Visualizações:
Transcrição
1 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, da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Engenharia de Sistemas e Computação. Orientador: Paulo Roberto Oliveira Rio de Janeiro Abril de 2009
2 INFORMAÇ~ES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOB JETIVO Jesus Ossian da Cunha Silva DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA (COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE EM CIÊNCIAS EM ENGENHARIA DE SISTEMAS E COMPUTAÇÃO. Aprovada por: Prof. Jurandir de Oliveira Lope, D.Sc. uhm&&!b!aa-,d& J L Prof. Márcia Helena Costa Fampa, D.Sc. RIO DE JANEIRO, RJ - BRASIL ABRIL DE 2009
3 Silva, Jesus Ossian da Cunha Informações Trade-off em Problemas de Otirnização Multiobjetivol Jesus Ossian da Cunha Silva. - Rio de Janeiro: UFRJICOPPE, X, 68 p.: il.; 29,7 cm. Orientados: Paulo Robei-to Oliveira Dissertação (mestrado) - UFRJI COPPEI Programa de Engenharia de Sistemas e Computação, Refesencias Bibliográficas: p otimização multiobjetivo. 2. trade-off. 3. tomada de decisões. 4. multiplicadores de Karush-Kuhn-Tucker. 5. cone de direções trade-off. I. Oliveira, Paulo Robei-to. 11. Universidade Federal do Rio de Janeiro, COPPE, Programa de Engenharia de Sistemas e Computação Titulo.
4 A todos que me ajudaram ao longo desses anos. A meu avô Alberto Cunha (in memoriam).
5 Agradecimentos Agradeço ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo suporte financeiro. Agradeço ao Prof. Paulo Roberto Oliveira pela orientação durante o mestrado no PESC-COPPE-UFRJ. Agradeço aos professores Márcia Fampa e Jurandir Oliveira por terem aceito participar da banca de defesa desta dissertação de mestrado. Agradeço aos professores e amigos da UFPI, Barnabé Pessoa Lima, Gilvan Lima, João Xavier e Paulo Santos. Agradeço aos amigos de turma durante o mestrado, Jurair, Micliael, Paco e Thiago. Agradeço aos amigos que conheci no Rio em especial Fabio Coutinho, Leizer Lima, Taisa e Vinicius Ramos. Agradeço aos professores e funcionários do PESC-COPPEUFRJ que de alguma forma contribuiram para a realização desse trabalho. E sem dúvidas, agradeço a minha familia, mãe, pai e manos.
6 Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Mestre em Ciências (M.Sc.) INFORMAÇ~ES TRADEOFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOB JETIVO Jesus Ossian da Cunha Silva Abri1/2009 Orientador: Paulo Roberto Oliveira Programa: Engenharia de Sistemas e Computação Problemas de otimização multiobjetivo caracterizam-se por terem como solução um conjunto de pontos não comparáveis entre si. Caso se deseje unia solução única é necessário alguma informação auxiliar que possa ajudar a decidir qual o melhor entre os pontos soluções. Essa informação pode ser obtida da própria estrutura do problema, seja com auxílio de programas de computadores ou de grupos de pessoas. Ela deve ser avaliada por uma pessoa ou grupo que tenham amplos conhecimentos do problema de modo que se possa determinar o melhor ponto solução. O principal objetivo desse trabalho é o estudo de ferramentas matemáticas e metodologias que possam auxiliar no processo de tomada de decisões em problemas de otimização multiobjetivo de forma que possamos chegar a uma solução desejável. Em otimização os multiplicadores de Karush-Kuhn-Tucker e cones são ferramentas matemáticas importantes na análise das condições de otimalidade.
7 Abstract of Dissertation presented to COPPE/UFRJ an; a partia1 f~dfillment of the requirements for the degree of Master of Science (M.Sc.) INFORMATION TRADE-OFF IN MULTIOBJECTIVE OPTIMIZATION PROBLEMS Jesus Ossian da Cunha Silva Apri1/2009 Advisor: Paulo Roberto Oliveira Department: Systems Engineering and Computer Science Multiobjective optimization problems are characterized by having as a solution set of points not comparable with each other. If a single solution is needed some information may help to decide on the best among points solutions. Such information can be obtained from the very structure of the problem with the aid of program computers or groups of people. This information should be evaluated by a person or group who have extensive knowledge of the problem in order to determine the best solution point. The main objective of this work is the study of mathematical tools and methodologies that can help in decision-making in multiobjective optimization problems, so we can reach a desirable solution. In optimization of the multiplier Karush-Kuhn-Tucker and cones are important mathematical tools in the analysis of the conditions of optimality. vii
8 Sumário Lista de Figuras x 1 Introdução 1 2 Otimização Multiobjetivo e Tomada de Decisões Relação de ordem Otimalidade de Pareto Função Utilidade Tomada de decisão Um exemplo Classificação dos métodos 10 3 Geração do conjunto solução Método de ponderação Método &-restrição O~adequado Condições de Otimalidade para o método e-restrição Trade-off e os multiplicadores de Karush-Kuhn-Tucker Taxa trade-o Trade-ofcomo multiplicadores de Karush-Kuhn-Tucker Direções trade-off em problemas de otimização multiojetivo con- vexos Otimalidade de Pareto Cone tangente e cone normal Cone de direções trade-of 45 viii
9 5.3.1 Direções trade-off em MOP convexos Um exemplo de cálculo de direções trade Conclusões e Trabalhos Futuros Apêndice Condições de otimalidade Convexidade Teorema da Função Implícita e Teorema da Sensibilidade Referências Bibliográficas
10 Lista de Figuras 2.1 Pareto ótimo próprio Pareto ótimo em S Pareto ótimo em Z Geometria do método ponderação Geometria do método E-restrição Gráfico do PI(c) Gráfico do exemplo Relação entre taxa marginais de substituição e taxa trade-off Solução gráfica para P,0( ) Solução gráfica para P;(l ) Solução gráfica para P,2( ) Cone tangente do conjunto Z Cone normal do conjunto Z Conjunto Pareto ótimo exemplo Região definida pelas desigualdades 5.4 e Gráfico do exemplo
11 Capítulo 1 Introdução Em situações reais, é usual que os modelos matemáticos tenham a função objetivo definida não por uma única função, mas por um vetor constituído de várias funções conflitantes entre si. Estes modelos são definidos em espaços tipo R', onde temos k funqões componentes do vetor definido como objetivo. Eles são denominados problemas de otimizaqão multiobjetivo(m0p). Outra característica é o fato de não existir uma solução única para os mesmos. Além disto, as soluções são dadas por um conjunto onde seus elementos não pos- suem relação de ordem completa entre si. Diante dessa situação é preciso algum instrumento para estabelecer alguma relação de ordem, de forma que seja possível comparar os pontos em questão. Supondo que se queira um único ponto como solução, surge assim uma questão: qual é a melhor solução? Esse novo problema é denominado problema de tomada de decisões multiobje- tivo(mdmp). Nele necessitamos de informações que possam auxiliar na escolha da melhor solução de acordo com algum conceito estabelecido. Nos problemas de tomada de decisões multiobjetivo precisamos de alguém para determinar essas in- formações, no caso o analista(pessoa ou programa de computador) que será o re- sponsável por essa tarefa, em seguida decisões devem ser tomadas por uma pes- soa(~~ grupo) que será denominado decididor. Nesse trabalho denominaremos essas informações de trade-ofl Individuos tentam escolher a melhor decisão dentro de um conjunto de alter- nativas possíveis. Historicamente, a noção de "me1hor"tem sido definida de modos diferentes em diferentes campos. Em economia onde a otimização multiobjetivo
12 provavelmente se originou, o "me1hor"refere-se às decisões tomadas por compradores e vendedores(micro-economia) e governantes(macro-economia), o qual otimize simultaneamente vários critérios. O crescimento dessa área manifestou-se principalmente nos EUA com contribuições de STADLER, STEUER e muitos outros. Os japoneses têm dado uma grande contribuição particularmente no que ser refere aos aspectos teóricos(sawarag1, NAKAYAMA e TANINO). Outro grupo forte nessa área se encontra na Finlândia(KA1SA e MAKELA etc), com interesse em otimização niultiobjetivo, métodos iterativos, tomada de decisões multicritério e metaheurística. No capítulo 2 definimos o problema de otimização multiobjetivo e soluções Pareto. Comentamos ainda relações de ordem em espaços tipo R" função utilidade e tomada de decisões multiobjetivo. No capitulo 3 definimos dois métodos para resolução de problemas multiobjetivo e estabelecemos uma comparação entre o conjunto solução dos mesmos e o conjunto solução Pareto ótimo do problema de otimização multiobjetivo. No capitulo 4 definimos taxa trade-oflevando em consideração funções, pontos viáveis e direções viáveis e depois estabelecemos uma relação entre essas taxas e os multiplicadores de Karush-Kuhn-Tucker, o que é de grande utilidade no processo de tomada de decisões. No capítulo 5 definiremos cones, direções viáveis, cones tangente, cone normal e cone de direções trade-off, e os caracterizamos. Relacionaremos cones tangentes e cones normais com conjunto Pareto ótimo. O conteúdo de estudo nesse capítulo é baseado na teoria de Análise Convexa de ROCKAFELLAR [I].
13 Capítulo 2 Otimizaçáo Multiobjetivo e Tomada de Decisões Este capítulo se baseia em MIETTINEN [2],HAIMES AND CHANKONG [3] e FER- REIRA [4]. Definimos o problema de otimização multiobjetivo e soluções Pareto, comentamos sobre relações de ordem em espaços tipo R< função utilidade e tomada de decisões multiobjetivo Problemas de otimização multiobjetivo caracterizam-se por possuirem a função objetivo definida de Rn em R', onde n >. 1 e k 2 1. Denotamos um problema de otimização multiobjetivo(m0p) o seguinte Problema 2.1.[MOP] onde temos k funções objetivos fi : Rn -+ R e um conjunto viável S # fl. Denotamos x E S C Rn como vetor de decisão, onde os xi componentes são denominados variáveis de decisão. A imagem do conjunto viável é denotada por Z C R% a definimos como conjunto objetivo viável. Os elementos de Z são denominados vetores objetivos e denotados por z = f (x) = (fl(x), f2(x),..., fk(~))~, onde cada zi = fi(x) é denominada variável objetivo. Assim temos que Z = f (S).
14 2.1 Relação de ordem Definição 2.1. Um conjunto Z é completamente ordenado de acordo com a relação de preferência "<"se dados dois elementos z1 e z2 E Z C R' é sempre verdade que z1 < z2 OU z2 < z1 com relação a "<"satisfazendo as seguintes propriedades 1. z1 < 2 ; 2. z1 5 z2 e z2 5 z3 então z1 1 z3; 3. z1 1 z2 e z2 < z1 então z1 = z2. Em problemas de otimzzação multiobjetivo temos em, geral a zn,existên,cza de soluções ótimas no sentido usual, isto é, não existe x* E S tal que f (x*) < f (x) para todo x E S n B(x*; r), onde B(x*; r) := {x E X : llx* - xii < r}, qualquer que seja r > 0. Abaixo caracterizamos o conjunto S C Rn de acordo com a relação de ordem entre seus elementos. Definição 2.2. Para um ponto qualquer x* E IRn temos Observe que, 1. R" = S< (x*) U S> -(x*) U S,(x*), para todo x* E Rn; 2. S< (x*) e S> -(x*) contém pontos de S que dominam e são dominados por x* de acordo com a relaçãov< "; 3. S,(x*) contém todos os pontos não-comparáveis com relação a x*; 4. O ponto x* E S candidato a solução desejável deverá ser tal que SnS,(x*) = 0.
15 Otimalidade de Pareto No processo de obtenção de solução de problemas de otimização escalar costumamos trabalhar no espaço das variáveis de decisão. No caso de problenias de otimização multiobjetivo é mais interessante trabalhar no espaço dos objetivos. Uma das razões é que o espaço objetivo costuma ter dimensão inferior ao espaço decisão, e além do mais, tem-se um maior controle no espaço objetivo ao longo do procedimento de obtenção de solução. tivo. A seguir definiremos o conjunto solução dos problemas de otimização multiobje- Definição 2.3. Dado x* E S, temos que x* é uma solução Pareto ótimo do Pro- blema 2. l, se não existe outro x E S tal que fi(x) 5 fi(x*) para todo i = l,..., k e no mz'nimo uma das desigualdades é estrita. Um vetor f (x*) é Pareto ótimo se o correspondente vetor decisão x* E S é Pareto ótimo. Denote S* o conjunto Pareto ótimo. Abaixo apresentamos algumas variantes da definição de Pareto ótimo. Definição 2.4. Um vetor decisão x* E S é Pareto ótimo fraco se não existe owtro x E S tal que fi(x) < fi(x*) para todo i = 1,..., k. Um vetor objetivo f (x*) é Pareto ótimo fraco se o vetor correspondente x* E S é Pareto ótimo fraco. Definição 2.5. Um vetor decisão x* E S é Pareto ótimo próprio se ele é Pareto ótimo e se existe um M > O tal que para cada fi e cada x E S satisfazendo fi(x) < fi(x*), existe no mz'nimo um fj tal que fj(x) > fj(x*) e para todo i, j = 1,..., k e i f j. Um vetor objetivo f (x*) é chamado Pareto ótimo próprio se o vetor correspondente x* E S é Pareto ótimo próprio. Uma solução Pareto ótimo que não é Pareto ótimo próprio é denominada solução Pareto ótimo impróprio. Exemplo 2.1 Considere o seguinte problema( HAIMES AND CHA NKONG [3]) minimizar ((x - 2)2 + 1, (x - 4)2 + 2) sujeito a - x 5 O
16 Figura 2.1: Pareto ótimo próprio Denote fi = (x - 2)' + 1 e f2 = (x - 4) Temos que o conjunto Pareto ótimo está definido no intervalo [2,4](Figura 2.1). O ponto x = 2 é um ponto Pareto ótimo impróprio já que para algum x = 2 + h, h > O temos que f2(x) < f2(2), mas a taxa f2b) - f2(2) + oo com h\ 0. fdx) - fl(2) De modo análogo o ponto x = 4 é também Pareto ótimo impróprio enquanto os pontos no intervalo (2,4) são Pareto ótimo próprio. Otimalidade de Pareto pode também ser definida em uma vizinhança B(x*; r) de x*, onde r > 0. Definição 2.6. Um vetor decisão x* E S é Pareto ótimo local se existe r > O tal que x* é Pareto ótimo em S íl B(x*; r). Em problemas de otimização objetivo escalar, não há, em geral, soluções globais, e a condição usual para a existência de tais soluções é a convexidade. Também aqui necessitamos desta hipótese. Dizemos que um problema de otimização nlultiobjetivo é convexo se S é um conjunto convexo e todas as f j, j = 1,..., k são funções convexas. O resultado a seguir foi retirado de MIETTINEN [2]
17 Teorema 2.1. Se o problema de otimização multiobjetivo é convexo então toda solução de Pareto ótimo local é também Pareto ótimo global. Prova 2.1. Seja x* E S Pareto ótimo local. Assim existe algum r > O e uma vizinhança B(x*; r) de x*, tal que existe um x E S n B(x*; r) para o qual não se tem fi(x) 5 fi(x*) para todo i = 1,..., k, e para no mhimo um indice j, fj(x) < fj (x*). Assuma que x* não é Pareto ótimo global. Neste caso existe algum outro vetor x0 E S tal que fi(xo) 5 fi(x*) para todo i = 1,..,k, e (2.1) fj(xo) < fj(x*) para algum j. (2.2) Tome a = pxo + (1 - P)x* onde O <,8 < i, tal que I(: E B(x*; r). Pela convexidade de S temos que 3 E S. Pela convexidade das funções e equação 2.1 temos para todo i = 1,..., k. Devido a x* ser Pareto ótimo local e 3 E B(x*; r), temos que fi(i(:) = fi(x*) para todo i. A equação 2.3 e fi(3) = fi(x*) para todo i implica em fi(x*) 5 P fi(xo) + (1 - P) fi(x*) para todo i = 1,..., k. Usando o fato de P > O obtemos que fi(x*) I fi(xo) para todo i. Na equação 2.2 temos fj(x*) > fj(xo) para algum j, ou seja, temos uma contradição. Logo x* é Pareto ótimo global. 2.3 Função Utilidade Na seção 2.1 definimos relações de ordem em um subconjunto do Rk. E possível estabelecer uma ordem de preferência entre os elementos de um subconjunto Z C R" utilizando o conceito de função utilidade.
18 Definição 2.7. Uma função U : R" entre os vetores objetivos é denominada função utilidade. t que representa uma ordem de preferência Sejam dados z1 e z2 E Z dois diferentes vetores objetivos. Se ao aplicamos U em Z tal que U(xl) > U(z2), então temos uma ordem de preferência onde z1 é preferível a z2. Se U(zl) = U(z2), então a escolha entre z1 e z2 é indiferente. 2.4 Tomada de decisão Todo ponto Pareto ótimo é uma solução aceitável para o problema de otimização multiobjetivo. Sabemos também que cada uma das variáveis objetivos pode ser satisfeita por diferentes vetores decisão e sem uma relação de ordem bem definida. O objetivo agora passa a ser a escolha de um ponto entre os vários pertencentes ao conjunto Pareto ótimo, o problema MDMP-Problema de Tomada de Decições Multiobjetivo. Resolver o MDMP é encontrar um ponto x* Pareto ótimo, tal que x* seja preferência do decididor. Seguindo a abordagem utilizada em HAIMES AND CHANKONG [5] o processo solução do MDMP deve seguir três fases: 1. Gerar o conjunto solução(pareto ótimo); 2. Obter uma informação significativa para tomada de decisão; 3. Usar a informação obtida na fase (2) para a seleção de uma solução final baseada em um critério de preferência. No processo de solução dos problemas de tomada de decisões nlultiobjetivo necessitamos de um decididor e um analista. O decididor é a pessoa(ou grupo) que necessita ter conhecimento profundo do problema e que pode expressar uma preferência entre as soluções. Ele é o responsável pela solução final. O analista pode ser uma pessoa(ou grupo) ou um programa de computador, responsável pela parte matemática do processo. O analista gera a informação a ser utilizada pelo decididor na seleção da melhor solução de acordo com sua preferência. Assim temos que o processo de tomada de decisões se dá através de uma cooperação entre decididor e analista.
19 No processo citado acima a fase (2) é realizada pelo analista ou programa de computador e a fase (3) é realizada pelo decididor. Estaremos interessados apenas nas fases (1) e (2), sendo nosso foco principal as informações que podem ser geradas para ajudar ao decididor a escolher a melhor solução Pareto ótimo do problema de otimização multiobjetivo. Denominamos essas informações como "informações trade-offs". 2.5 Um exemplo Analisemos o exemplo abaixo com duas funções definidas no veior objetivo, ou seja, um vetor bi-objetivo. Trata-se de uma adaptação de exemplos de HAIMES AND CHANKONG [3]. minimizar {a, (x - 2)2) sujeito a x 2 0, x E R Uma variável decisão x E [O, 21 é solução Pareto ótimo do problema, já que neste intervalo quando fl(x) = x cresce, f2(x) = (x - 2)2 decresce (Figura 2.2). Temos que o conjunto Pareto ótimo no espaço decisão é determinado pelo conjunto {x I x E R, O 5 x < 2) e o conjunto Pareto ótimo no espaço objetivo é determinado pelo conjunto { f ( f = (fl, f2), f2 = (fl - 2)2, O <_ fi 5 2). Temos que o conjunto Pareto ótimo no espaço objetivo traça a curva f2 = f2( fi), onde f2() é uma função estritamente decrescente de fl. Temos ainda que --- df2(f1) deve ser negativa em todo df 1 ponto no conjunto Pareto ótimo no espaço objetivo, devido a um decréscimo em um objetivo poder ser alcançado somente com um acréscimo em outro objetivo. A quantidade - df2(f1) reflete a taxa trade-ofi Para o problema com mais de dois df i objetivos(prob1ema de minimização), o conjunto Pareto ótimo no espaço objetivo af k deve ser uma hipersuperfície na fronteira de Z com a propriedade - < O para no afj mínimo um par de 1 5 j # k 5 m.
20 eixo x Figura 2.2: Pareto ótimo em S Pareto ótimo em Z!! % ' : i...:...:...:... :.... ' :._ j... i... i...j :... : <.. :.. _ i + _ i 8... ( >...:... : '. - _. *: _..... :. i i..... :...i. i.. ; : : _.... :. j i... _.. : I :.... '... : t : 3 -.:,..i... j... i... ;...;....> i *-. i. : _,... _ :*_.: i... i... ;...:...i...-? * i j i i *. ; I.:. :.: : : 1... j...!i...;... i.;... i.!... i...:... i... :. i..:..: :. :. :.. i i : o.:-i.:.i::.::!.*-..:i..- o 8 1 O eixo 11 :-.z,...i i I i... :...i... Figura 2.3: Pareto ótimo em Z 2.6 Classificação dos métodos Métodos de otimização multiobjetivo podem ser classificados de vários modos, de acordo com diferentes critérios. HWANG e MASUD [6] classificam os métodos de acordo com a participação do decididor no processo solução. Método não-preferência. A opinião do decididor não é levada em consideração no processo. O problema de otimização multiobjetivo é resolvido usando algum método relativamente simples e a solução obtida é apresentada ao decididor. O decididor pode aceitar ou rejeitar a solução. Essa classe de métodos é adequada para situações onde o decididor não tem expectativas sobre a solução e fica satisfeito com alguma solução ótima. A ordem de trabalho nessa classe de métodos se dá só pelo analista. Método a posteriori. Após o conjunto Pareto ótimo ou parte dele ser gerado, ele
21 é apresentado ao decididor, que estabelecerá uma preferência entre as soluções. A desvantagem nessa classe de método é que o processo de geração de soluções é usualmente de alto custo computacional. Por outro lado é solicitado ao decididor seleção sobre um amplo conjunto de alternativas. Uma importante questão é como apresentar as alternativas ao decididor de um modo efetivo. A sequência do trabalho aqui se dá através de analista, decididor. Método a priori. Nessa classe de método o decididor deve especificar sua preferência, expectativas e opinião antes do processo solução. A dificuldade é que o decididor não necessariamente conhece de antemão o que é possível atingir no problema e o quão realistas são suas expectativas. A sequência do processo segue a ordem: decididor, analista. Método interativo. Nessa classe assume-se que o decididor possui capacidade para cooperação. Nela é possível se gerar e avaliar parte do conjunto Pareto ótimo, e o decididor pode especificar e corrigir suas preferências e seleção em um processo contínuo. Durante esse processo o decididor toma um melhor conhecimento do problema e o mesmo não precisa conhecer alguma estrutura de preferência global. Em adição, o decididor pode assumir que possui uma maior confiança na solução final já que está inteiramente envolvido em todo processo de solução. O decididor deve trabalhar junto com o analista ou interagir com um software computacional. Podemos dizer que o analista procura determinar a estrutura de preferência ao decididor de um modo interativo. Após diversas interações, alguma informação é fornecida para o decididor e ele é convidado a responder algumas perguntas ou fornecer algum outro tipo de informação. O trabalho no método interativo segue a sequência analista, decididor, analista, decididor,..., analista, decididor, analista,.... Após um número razoável e finito de iterações, cada iteração do método deverá produzir uma solução satisfatória ao decididor onde este deve estar convicto de que não existem soluções consideravelmente melhores. Os passos básicos no algoritmo interativo são: 1. encontrar a solução viável inicial, 2. interação com o decididor, e
22 3. obter uma nova solução ou um novo conjunto de novas soluções. Se a nova solução ou uma das soluções anteriores é aceitável ao decididor, o processo para. Caso contrário, volta-se para o passo 2). Um tipo de problema a ser resolvido no momento de conceber um método interativo é qual tipo de dado deve ser usado na interação com o decididor. Ele deve ser significativo e fácil para o decididor compreender. Por outro lado os dados fornecidos para o decididor devem ser obtidos de forma fácil pelo analista e conter informações sobre o sistema. Excesso de informações não devem ser utilizadas e as obtidas a partir do decididor devem ser utilizadas de forma eficiente. Para garantir o maior benefício possível obtido a partir do método interativo, o decididor tem que encontrar o método válido e aceitável, e ele deve ser capaz de utilizá-lo de forma correta.
23 Capítulo 3 Geração do conjunto solução Este capítulo baseia-se nos trabalhos HAIMES AND CHANKONG [5], MIETTINEN[2] e HAIMES AND CHANKONG [3]. Nele definimos dois métodos para resolução de problemas multiobjetivo e estabelecemos uma comparação entre o conjunto solução dos mesmos e o conjunto solução Pareto ótimo do problema de otimização multiob j etivo Em otimização multiobjetivo utilizam-se métodos de escalarização ou de aproxinlação durante o processo solução. Estaremos interessados apenas em métodos de escalarização. Para detalhes sobre métodos de aproximações veja MIETTINEN[2]. Em métodos de escalarização a idéia é transformar o problema de otimização multiobjetivo em um problema de otimização escalar, o qual possui métodos de resolução bem desenvolvidos. Neste capítulo realizaremos um estudo sobre o método de ponderação e o método e-restrição, assim como relacionamos o conjunto solução dos mesmos com o conjunto Pareto ótimo do MOP. 3.1 Método de ponderação No método de ponderação associamos a cada componente da função objetivo um coeficiente peso e minimizamos a soma dos objetivos ponderados. Suponha os coefi- Ic cientes de ponderação vi E R tal que q > O para todo i = 1,..., k onde wi = 1. i=l Assim temos que o problema de otimização multiobjetivo(prob1ema 2.1) transforma- se no seguinte
24 Problema 3.1.[Problema de ponderação] minimizar c wi fi (x) sujeito a x E S, Em seguida caracterizamos as relações entre as soluções do problema de ponderação e as soluções Pareto do problema de otimização multiobjetivo. Servirain como fonte para os iesultados abaixo, HAIMES AND CHANKONG [5] e MIETTINEN [2]. Teorema 3.1. A solução do problema de ponderação é Pareto ótimo fraco. Prova 3.1. Seja x* E S uma solução do problema de ponderação. Suponha que x* não seja Pareto ótimo fraco. Nesse caso existe um x E S tal que fi(x) < fi(x*) para todo i = 1,..,L. De acordo com as hipóteses do conjunto dos coeficientes de ponderação, L+ > O para no rninimo um j. Temos que um absurdo, já que por hipótese x* é uma solução do problema de ponderação. Logo x* é Pareto ótimo fraco. Teorema 3.2. A solução do problema de ponderação é Pareto ótimo se os coeficientes de ponderação são todos positivos. Prova 3.2. Seja x* E S uma solução do problema de ponderação com todos coeficientes de ponderação positivos. Suponha que x* não seja Pareto ótimo, assim como no Teorema 3.1 temos um absurdo. Logo x* é Pareto ótimo.
25 Teorema 3.3. Se a solução do problema de ponderação for única, então é Pareto ótimo. Prova 3.3. Seja x* E S uma solução zinica do problema de ponderação. Suponha que x* não é Pareto ótimo. Nesse caso, existe uma solução x E S tal que fi(x) 5 fi(x*) para todo i = 1,..., k e fj(x) < fj(x*) para no minimo um Zndice j. Usando a hipotése de wi 2 O para i = 1,..., k, temos Por outro lado a unicidade de x* significa, para todo 3 E S. Como as desigualdades (3.1) e (3.2) são contraditórias entre si, temos o absurdo e x* é Pareto ótimo. Teorema 3.4. A solução do problema de ponderação é Pareto ótimo próprio se todos os coeficientes de ponderação são positivos. Prova 3.4. Seja x* E S uma solução do problema de ponderação com todos os coeficientes de ponderação positivos. Suponha que x* não é Pareto ótimo. Então temos que para algum i E (1,..., k) e x E S tal que fi(x*) > fi(x) para todo j tal que fj(x*) < fj(x), onde. Podemos então escrever LJi Multiplicando - > O em ambos os lados obtemos, k-1
26 onde 1 difere de indice i fixo e dos indices j, os quais foram especificados pela equação 3.3. Realizando uma soma sobre todos os j # i obtemos ou seja, Trata-se de uma contradição o fato de que x* é uma solução do problema de pon- deração. Logo x* é Pareto ótimo próprio. Figura 3.1: Geometria do método ponderação O método ponderação funciona bem no caso em que todas as funções componentes do vetor objetivo são convexas, caso contrário somente parte do conjunto Pareto ótimo será gerado. Isto se deve ao fato do método ponderação gerar apenas pontos do conjunto Pareto ótimo que admitem hiperplanos-suporte, sendo que esses que estão na fronteira do conjuto imagem(figura 3.1).
27 3.2 Método E-restrição No método c-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 problema de otimização multiobjetivo(problema 2.1) transforma-se no seguinte, Problema 3.2.[Problema t-restrição] mininizar f (x) sujeito a fj(x) 5 cj para todo j = 1,..., k, j # I, x E S, onde 1 E (1,..., k ), Sl(t) = {x I fj(x) 5 tj, J # 1) e c E e = {(cl,..., tk-1, tk+l,..., I Sl(t) Para x ser viável ao problema c-restrição é necessário que x E S n Sl (E). Figura 3.2: Geometria do método c-restrição A geração do &j não é tarefa fácil, pois o ponto obtido pode não ser Pareto ótimo e os valores do cj podem tornar o problema inviável. Na figura 3.2 por exemplo caso seja estabelecido simultaneamente as restrições fl 5 1 e f2 5 2 não existe solução viável, embora tomando cada restrição de forma isolada exista solução viável. A seguir caracterizamos a relação entre as soluções do problema c-restrição e as soluções Pareto do problema de otimização m~iltiobjetivo. Os resultados abaixo
28 baseiam-se nos trabalhos HAIMES AND CHANKONG [5] e MIETTINEN [2]. Deixaremos de fazer algumas demonstrações devido a facilidade de construção das mesma, mas indicamos fontes para consultas caso seja necessário. Teorema 3.5. A solução do problema 6-retrição é Pareto ótimo fraco. Prova 3.5. Seja x* solução do problema e-restrição. Suponha que x* não é Pareto ótimo fraco. Segue que existe um x E S tal que fi(x) < fi(x*) para todo i = 1,..., 5, ou seja, fj(x) < fj(x*) 5 cj para todo j = 1,..., k, j # I. Assim x é viável com respeito ao problema e-restrição. Temos ainda que fl (x) < fl(x*), o que contradiz a hipótese de x* ser uma solução do problema -restrição. Logo x* é Pareto ótimo,fraco. Teorema 3.6. Um ponto x* E S é Pareto ótimo do problema de otimização multi- objetivo se e somente se ele é solução do problema erestrição para todo 1 = 1,..., k, onde cj = fj(x*) para j = 1,..., k, j # 1. Prova 3.6.A demonstração é de fácil construção, veja por exemplo Teorema em MIE TTINEN [Z]. Teorema 3.7. Um ponto x* E S é Pareto ótimo se ele é solução 6nica do problema e-restrição para algum 1 com ej = fj(x*) para j = 1,..., k, j # I. Prova 3.7. Seja x* uma solução única do problema E-restrição para algum 1, e x* não seja Pareto ótimo. Logo existe um outro?i? E S tal que fi(?i?) 5 fi(x*) para todo i = 1,..., k e para no mz'nimo um hdice j temos fj(?i?) < fj(x*). A unicidade de x* significa que para todo x E S tal que fi(x) 5 fi(x*), i = 1,..., k, i # I, vale fl (x*) < fl (x). Tem-se uma contradição com relação às desigualdades anteriores. Logo x* é Pareto ótimo. Teorema 3.8. A solução única do problema E-restrição é Pareto ótimo para algum T dado vetor limite superior E = (el,..., 1-1, q+l,..., ck).
29 Prova 3.8.A demonstração é de fácil construção, veja por exemplo Teorema MIE T TINEN [2]. Teorema 3.9. O ponto x* E S é Pareto ótimo local do problema de otimização multiobjetivo se e somente se x* é uma solução local do problema &-restrição para todo 1 = 1,...,h. Prova 3.9. Suponha que exista um 1 para o qual x* não é solução local do problema é-restrição, então para todo r > O existe x E S íl B(x*; r) tal que fl(x) < fl(x*) e fj(x) 5 fj(x*) para todo j # k. Portanto x* não é Pareto ótimo local do problema c-restrição. Reciprocamente, se x* é solução local do problema é-restrição para todo 1 = 1,..., I%, então para cada 1 existe rl > O tal que x* é o mz'nimo do problema c- restrição em S n B(x*; rl). Tome r = min {rl,..., rk) > O fazendo x* o mínimo do problema E-restrição em S n B(x*; r) para todo 1 = 1,..., k. Portanto não existe x E S n B(x*; r) tal que f ( x)~ 5 fl(x*) para todo 1 = 1,..., k. Logo x* é Pareto ótimo local do problema de otimização multiobjetivo. Definição 3.1 x* é uma solução estrita do problema &-restrição para algum 1 se não existe um x E S tal que fl (x) < fl(x*) Teorema Se x* é uma solução estrita do problema é-restrição para algum 1 então x* é Pareto ótimo local do problema de otimização multiobjetivo. Prova S. 10. Veja Teorema 3 em HAIMES AND CHANKONG [5]. Exemplo 3.1 Considere o seguinte exemplo HAIMES AND CHANKONG [3], minimizar ((xl - 3)2 + (22-2)', x1+ x2, x2) sujeito a - xl I O -x250
30 Selecionando (xl - 3)2 + (x2-2)2 para ser minimizada e definindo xl + x2 e xl + 2x2 como restrições limitadas por e2 e c3 Pl(e)minimizar (xl - 3)2 + ( 22-2)2 sujeito a xl + xz I e2 Xl + 2x Figura 3.3: Gráfico do Pl (e) Graficamente temos que a função objetivo do Pl(e) define um circulo de centro no ponto (3,2). Resolver esse problema é equivalente a se encontram um ponto viável o mais próximo do ponto (3,2). De acordo com região viável determinada pelos limitantes 2 e 3 tem-se que x* é uma solução do exemplo 3.3. Observe que o conjunto Pareto ótimo é determinado por pontos no interior e na fronteira do triângulo definido pelos pontos extremos (1, O), (2,O) e (3,2) e o segmento entre (0, O) e (1,O).
31 3.2.1 O E adequado Na formulação do problema -restrição necessitamos de um vetor adequado E = ( 1, 2,..., E ~ ) para limitar os componentes do vetor objetivo do problema de otiinização multiobjetivo definidos como restrições no problema E-restrição. Em FERREIRA [4] temos uni novo problema originário do problema de otimização multiobjetivo e um método que fornecerá o vetor E adequado para a formulação do problema -restrição. Definição 3.2. Uma solução utópica f** = (f,**, fi*,..., fl*) do problema de oiimização muliiobjeiivo é definida como onde, x* = arg rninzes fi(x) E necessário encontrar valores adequados a inicialização do vetor E = (e1, 2,..., E~). Resolvendo os k problemas mono-objetivos podemos obter valores ótimos individuais para cada objetivo f:, i = 1,..., k, os quais compõem o objetivo f ** correspondente à solução utópica do problema. Paralelamente ao determinamos o vetor f ** podemos selecionar os ótimos indi- viduais de cada fi e os aplicar em cada fj, j = 1,..., k, j # i, determinando o vetor f0 = (f:, f;,..., fj), onde o valor de cada f:, i = I,..., k correspodente a pior imagem de cada fi, i = 1,..., k. Em cada problema -restrição os limites das restrições referente a fi, i = 1,..., k são determinados através de um gerador de números aleatórios com dis- tribuição de probabilidades uniforme atendendo à restrição f ** I: E 5 f O. Exemplo 3.2 Considere o exemplo 3.1. Encontremos a solução utópica, minimizar fl = (xi- 3)2 + ( 22-2)2 sujeito a - x1 5 0, - x2 I o. onde temos que x* = (3,2) com f,**(x*) = O, f;(x*) = 5 e f!(x*) = 7
32 Figura 3.4: Gráfico do exemplo 3.2 minimizar f2 = x1 + x2 sujeito a - xi I 0, - x2 5 o. onde temos que x* = (0,O) com f:(x*) = 13, f,**(x*) = O e f!(x*) = 0. minimizar f2 = xl + 2x2 sujeito a - xi 5 O, o. onde temos que x* = (0,O) com f:(x*) = 13, fi(x*) = O e f,**(x*) = 0. Então temos f** = (0,0, O). Segue que (0,0,0) I ( 1, 2, 3) I (13,5,7). Computacionalmente o método -restrição não é simples devido ao grande número de operações, além disso temos que o mesmo possui restrições mais com- plexas que o problema original(m0p).
33 3.2.2 Condições de Otimalidade para o método +restrição Suponha que a região viável S do problema de otimização multiobjetivo é da forma Associado ao problema -restrição temos a função Lagrangeana, L(x, A, P) = fi (x) + C Xj (fj (x) - ej) + C Pigi(x) onde X E R"' e p E Rm são os multiplicadores de Lagrange do problema e-restrição. Em seguida formulamos as condições necessárias de Karush-Kuhn-Tucker apli- cadas ao método c-restrição. Observação 3.1. Suponha que a função objetivo e todas as restrições do problema w-estrição são de classe C1 em x* E S, um ponto regular das restrições do problema. Uma condição necessária para que x* seja solução do problema E-restrição é que existam vetores O 5 X E R'"-' e O 1 p E Rm tais que 2. Xj(fj(x*) - ej) = O para todo j = 1,...,, j # 1 e,uigi(x*) = O para todo i= 1,..., m. Os Xj e,ui são denominados multiplicadores de Karush-Kuhn-Tucker quando os mesmo estão associados às condições de otimalidade de Karush-Kuhn-Tuclter. Teorema Suponha que a função objetivo e todas as restrições do problema e-restrição são de classe C1 em x* E S, o qual é um ponto regular das restrições do problema e-restrição. Temos o seguinte 1. Se x* é Pareto ótimo próprio, então x* resolve o problema E-restrição para algum fl com ej = fj(x*), para j = 1,..., k, j # 1 com todos os multi- plicadores de Karush-Kuhn- Tucker associados às restrições fj (x) 5 ~j para j = 1,..., k, j # I, sendo positivos. 2. Se o MOP é convexo, então x* é Pareto ótimo próprio se ele também é solução do problema e-restrição com os multiplicadores de Karush-Kuhn- Tucker associ- ado com as restrições fj(x) 5 tj para j = 1,..., k, j # 1, sendo todos positivos.
34 Prova 3.11 Veja Teorema 4.13 em HAIMES AND CHANKONG 15'1. Abaixo enunciamos as condições suficientes de segunda ordem aplicadas ao problema E-restrição. Observação 3.2. Suponha que a função objetivo e as restrições do problema c- restrição são de classe C2 em x* E S, um ponto regular das restrições do problema. Uma condição suficiente para x* ser uma solução do problema E-restrição é que existam vetores O 5 X E Rk-' e O 5 p E IRm tais que as condições de otimalidade da observação 3.1 sejam satisfeitas e a matriz Hessiana da correspondente função Lagrangeana seja definida positiva no conjunto {d E R" I Bgi(x*)Td = O para todo i tal que pi > 0) Suponha que x* seja solução do problema erestrição para algum E* E E e de- notemos A&. j = 1,..., k e j # k, e p:,i = 1,...,m os multiplicadores de Karush- Kuhn-Tucker associados às restrições fj's e gi's respectivamente. Isto é, dizemos que Aij e p: são OS multiplicadores de Karush-Kuhn-Tucher associados ao prob- lema E-restrição em x* se (x*, Ai1,..., Xk.k+ll,..., pf,..., pm) satisfaz as condições de Karush-Kuhn-nicker para o problema E-restrição.
35 Capítulo 4 Trade-off e os multiplicadores de A expressão trade-ofldefine uma situação onde ocorre um conflito de escolhas. Pode caracterizar uma ação econômica que visa a resolução de um problema acarretando outro. Taxa trade-off está relacionada a mudanças no valor da função objetivo quando movemos de uma solução para outra, através do aumento de uma va.riáve1 objetivo e decréscimo de alguma outra variável objetivo. Este capítulo baseia-se nos trabalhos HAIMES AND CHANKONG [5] e [3]. 4.1 Taxa trade-oiff O termo trade-ofl reflete uma situação de mudança onde sacrificamos uma variável objetivo para obter ganho em outra. No nosso caso utilizaremos taxa trade-off como informação que ajudará a responder à seguinte questão: "Qual é a niudailça relativa no valor da variável objetivo fi quando o valor da variável objetivo fj é alterada por uma unidade?". Consideramos dois tipos de trade-08 objetivo, que fornece informação sobre a real relação entre as funções objetivos, e subjetivo, que é uma informação determinada de forma implícita pelo decididor e reflete sua preferência. A taxa trade-off pode ser obtida através de um quociente envolvendo dois componentes da função objetivo e dois pontos distintos do conjunto Pareto ótimo. CHANKONG AND HAIMES [3] estabelecem as seguintes definições com relação
36 à taxa trade-ofl Definição 4.1. Sejam xo, x* E S* e as correspondentes imagens dos objetivos f bo) = (fdx0),..., fk(xo)) e f (a*) = ( fl (x*),..., fk(x*)). Taxa trade-ofs entre xo e x* envolvendo os objetivos fi e f j é definida como onde fj(xo) # fj(x*). T~ (xo, x*) = fi(." - fi(~*) fjbo) - f jb*) Podemos estender a definição 4.1 considerando o caso em que fj(xo) = fj(x*), total. Tij(xO, x*) := I O, se fi(xo) - fi(x*) = O e fj(xo) - ffjx*) = O 00, se fi(xo) - fi(x*) > O e fj(xo) - fj(x*) = O %j(x0,x*), caso contrário Taxas trude-ofpodem ser divididas em duas classes: trade-ofparcial e trade-off Definição 4.2. T,(xO, x*) é chamada trade-oflparcial envolvendo fi e fj entre xo e x* se fi(xo) = fi(x*) para todo 1 = 1,..., k e 1 # j, i. Quando fi(xo) # fi(x*) para no mz'nimo um 1 E (1,..., k), I # i, j, T,(xo, x*) é chamada trade-ofs total envolvendo fi e fj entre xo e x*. Em alguns casos pode ser interessante definir trade-ofna vizinhança de alguma variável decisão x* E S*. Abaixo definimos taxa trade-ofutilizando conceitos como direções viáveis, limite e diferenciabilidade. Definição 4.3. Dado x* E S*. Suponha que exista uma direção viável d(dejiniçã0 7.5 do Apêndice). Se o limite t,(x*, d) = lim T,(x* + ad, x*) alo fi(x* ad) - fi(x*) = lim alo fj (x* + ad) - fj (x*) existe, denominamos t,(x*, d) taxa trade-00 em x* na direção d envolvendo os ob- jetivos fi e fj. Se fi e fj são ambas de classe C1 em x* temos,
37 Assim como na definição 4.1 é possível estabelecer uma classificação para taxa trade-off considerando a definição 4.3. Definição 4.4. Taxa trade-off t,(x*, d) é denominada taxa trade-off parcial se fz(x*) = fz(x*+ad) para todo a E [O, ao], para algum ao > O e para todo 1 = 1,..., k onde 1 # j, i. Caso contrário t,(x*, d) é chamado taxa trade-off total. Observe que tv(x*, d) não é definida quando V fj(~*)~d = O. Podemos estender a definição 4.3 como foi feito na definição 4.1. Para se definir trade-offnão é necessário que os pontos considerados sejam Pareto ótimo, é necessário apenas que sejam viáveis. De qualquer forma estaremos inte- ressados no conjunto Pareto ótimo, pois nele nenhum objetivo pode ser melhorado sem que ocorra uma perda no valor de no mínimo um outro objetivo. Além do mais desejamos que os pontos a serem explorados possuam informações relacionadas aos métodos solução para problemas de otimizacão multiobjetivo. Observação 4.1. Segundo HAIMES AND CHANKONG [5] em termos de trade- o# temos que em uma solução Pareto ótimo, no mz'nimo uma das taxas trade-o# envolvendo os objetivos fi e fj deve ser negativa, onde i, j E (1,..., k ) e i # j. Em outras palavras para se melhorar o valor de um objetivo no mz'nimo um outro objetivo deve ser degradado(exemp10 2.5). Trade-ofl subjetivo está relacionado ao fato do decididor ter conhecimento de uma determinada função utilidade U : Rk -+ R. Assume-se que essa função é monótona decrescente. Agora o decididor deve resolver o problema, Problema 4.1 maximixar U( f (x)) sujeito a x E S A solução do Problema 4.1 irá expressar a preferência do decididor. Definição 4.5. Taxa marginal de substituição envolvendo fi e fj em x é denotada por m, e indica o quanto o valor de fi deve ser melhorado para compensar a perda
38 de uma unidade no valor do objetivo fj enquanto os outros objetivos não são modificados. Se as derivadas parciais de U com respeito a fj e fi existem em x, temos que a taxa marginal de substituição é denotada por au(f (4) a f j m.. = " au(f(x)) afi Figura 4.1: Relação entre taxa marginais de substituição e taxa trade-off Considerando a taxa marginal de s~ibstituição entre cada par de objetivos somos capazes de determinar no espaço objetivo um hiperplano tangente ao conjunto de nível da função utilidade U em algum x. O hiperplano separa o espaço objetivo em dois subespaços onde um contém direções sobre x onde a função utilidade U é crescente e outro subespaço contém direções onde a função utilidade é decrescente. Isto ocorre devido ao vetor gradiente da função utilidade indicar a direção de maior crescimento da função. Suponha que o problema posstii uma superfície Pareto ótima convexa. Seja x* E S um ponto Pareto ótimo e t,(x*) a correspondente taxa trade-ofsparcial envolvendo fi e fj. Se em algum ponto temos -m,(x*) = t,(x*) para todo i, j = 1,..., k, i # j, então o ponto x* E S pode ser considerado a melhor solução para o decididor( SAKAWA [7]). Isto se deve ao fato do conjunto de vetores objetivos Pareto ótimo
39 estarem sempre localizados na fronteira do conjunto dos vetores objetivos viáveis. Se a tangente à fronteira for perpendicular ao gradiente da curva de nível temos no caso da superfície Pareto convexo que não é possível se mudar para outra direção viável no espaço objetivo de tal modo que o valor de U cresça(figura 4.1). 4.2 Trade-off como multiplicadores de Karush- Kuhn-Tucker Consideremos o problema E-restrição (Problema 3.2) e denotemos o conjunto das restrições por S = {x I x E Rn, gi(x) 5 O, i = 1,..., m). O conjunto dos E'S E R"' os quais satisfazem o problema -restrição será denotado por E. Estudaremos as condições de otimalidade referentes ao problema +restrição de acordo com os multiplicadores de Lagrange. O conceito chave entre os multiplicadores de Karush-Kuhn-Tucker Aij e taxa trade-08 entre fk e fj em x* E S* é a interpretação da sensibilidade entre os multi- plicadores. Em seguida citamos um resultado de grande valia em otimização. Teorema 4.1 (Teorema da Sensibilidade). Dado e* E E. O ponto x* E S re- solve o problema -restrição com A& sendo o multiplicador de Karush-Kuhn-Tuclcer associado à restrição fj(x) 5 E;, j # ki se I. x* é um ponto regular das restrições do problema E-restrição; 2. as condições suficientes de segunda ordem são satisfeitas em x*, e 3. não existem restrições degeneradas em x*, com Aij = - afk(x*) para todo dej j#k. Prova 4. I. Veja Teorema da Sensibilidade em L UENBERGER [a]. Abaixo dois corolários que serão de extrema valia na demonstração do Teorema 4.2, para maiores detalhes veja HAIMES AND CHANKONG [3].
40 Corolário 4.1. Se x* resolve o problema E-restrição e satisfaz as hipóteses do Teorema 4.1, então existe uma vizinhança B(E*; R) de E*, R > O tal que para todo E E B(E*; R), x(e*) resolve localmente e de forma única o problema E-retrição e é uma função de classe C1 com x(e*) = x*. Corolário 4.2. Suponha as hipóteses do teorema 4.1 satisfeitas, então existe uma vizinhança B(E*; R) de E*, R > O, tal que para cada j com Aij > 0, fj(x(r)) = ~j para todo E E B(E*;R). O teorema abaixo é um dos principais resultados desse trabalho, o mesmo tem como fonte HAIMES AND CHANKONG [5], com algumas adaptações. Considere S* o conjunto de pontos x E S e Z* o conjunto dos z E Z os quais são Pareto ótimo com relação ao espaço decisão e espaço objetivo respectivamente. Teorema 4.2. Suponha que x* resolve problema &-restrição (Problema 3.2) para algum e* E E, com I. x* sendo um ponto regular com respeito às restrições ativas do problema E- restrição, 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 Aij > O para todo j = 1,...,p e Aij = O para todo j = p + 1,..., 5-1. Então, a). Se = fj(x*) para todo j = 1,..., k - 1, então existe uma vizinhança B(x*;r) de x*, r > O e uma função z() : R"' alguma vizinhança B(E*; R) C R"' de E*, R > O tal que t Rn de classe C1 definida em S* n B(x*; r) c?(b(e*; R)) S* (4.1) b). Suponha p = k - 1 e B(x*; r) são obtidos como em a). Sejam
41 Então existe uma função f de classe C1 definida em Zl-, tal que para cada Além disso 8, ãfj(fl(x*),, f k-l(~*)) = -A, (4.2) para cada j = 1,...,k - 1. C>. Seja 1 < P < k - 1, onde Z,* - {(fi,..., fk)'lfj = fj(x), j = I,..., k, x E :(B(t*; R))}. Então existem funções - - de classe C1, fp+l,..., fkpl e fk (f~,..., fk)t E Z,* temos, definidas em B(t*; R) tais que para cada fj = fj(fi,..., fp, $+I,... para todo j = p + 1,..., k. Além disso para cada 1 = 1,...,p temos aqe) onde d; é a direção -. Também temos que para cada j = p + 1,..., k - 1, - Prova 4.2. a). Seja B(t*; R,) {t I t E R"', 11 t - t* 15 R,), onde R, > O. Pela con- tinuidade de fj, para cada 1 5 j 5 k - 1 em x, existe um rj > O tal que Seja r - G i n 1 r, assim temos o conjunto B(x*; r) = {x 1 x E IWn, 11 x-x* I I < r). Considere alguma cp E S* n B(x*; r). Defina Ej = fj(x) para todo j = 1,..., k - 1. Como cp E B(x*; r) e t; = fj (x*) para todo j = 1,..., k - 1, segue que E E B(c*; R). Portanto, pela definição de B(E*; R) (Corolário 4. I), o problema Z-restrição tem uma solução local única?e em função de E. Além disso, já que cp E S* pelo Teorema (3.9) temos que cp é também solução local do problema de otimização multiobjetivo. Segue que cp =?E, o que prova a primeira parte de a)
42 Pelo Corolário(4.1) temos que existe uma vizinhança B(E*; R) de E* tal que para cada E E B(E*; R), o problema E-restrição possui uma solução local definida em B(E*; R). Segue do Teorema(3.10) que :(B(E*; R)) S. de classe C1 b). De a) temos que para algum cp E S* n B(x*;r) existe E E B(E*; R) tal que cp = :(E). Portanto para todo cp E S* n B(x*; r), fk(cp) = fk(z(t)) f&), onde - fk() é uma função de E definida em B(t*; R). Devido a fk() e :() serem funções de classe C1 temos que Ta() também é de classe C1. Pelo Corolário(4.2) e pela definição de 50, temos para cada cp E S* n B(x*; r), fj(x) = Ej para todo j = 1,..., k - 1. Portanto, fk(cp) = f fl(cp),..., fk-l (v)) para cada cp E S* n B(x*; r). Consequentemente para cada (fi,..., fk) E Zi, fk = fk(fi,..., fk-1) como pedido. Além disso temos que onde a igualdade é dada pelo Teorema 4.1. c) Pela definição de :ti() e :(B(E*; R)), para cada cp E :(B(E*; R)) existe E E B(E*; R) tal que cp = :(E). Portanto fj (v) = fj (:(E)) = fj (E) para todo j = - p + 1,..., k. Além disso, pelo Corolário 4.2 fl (cp) = 1 para todo 1 = 1,..., p. Portanto para cada j = p + 1,..., k, para todo cp t :(B (f)), o qual mostra que f, (), j = p + 1,..., k, são as funções requeridas. Observe que para algum p onde a igualdade é dada pelo Teorema 4.1. Além do mais, já que para cada p, ~,(z(e)) = 1 para todo E E B(E*; R), pela regra da cadeia temos
43 Também Portanto Finalmente, para cada 1 < 1 L p e p + 1 I j I k - 1, pela regra da cadeia, o que completa a prova. O teorema acima faz um estudo das propriedades do conjunto Pareto ótimo local, ambos no espaço decisão e no espaço objetivo HAIMES AND CHANKONG [5]. Em a) temos que a superfície de Pareto ótimo na vizinhança de x* pode ser completamente especificada parametricamente em termos de e's. Significa que existe uma correspondência entre cada solução Pareto ótimo local em uma vizinhança de x* e uma vizinhaça de E*. Embora tal descrição paramétrica não seja geralmente conhecida, o conhecimento de que existe pode ser muito útil no desenvolvimento de teorias ou algoritmos. Em b) temos uma análise similar à feita em a) agora no espaqo objetivo. Diante de algumas hipóteses, existem exatamente k - 1 graus de liberdade para especificar um ponto pertencente à superfície Pareto ótimo na vizinhança de f (x*) no espaço ob- jetivo. De fato podemos escolher fl,..., fkpl sobre B(e*; R) e calcular fi, através de - f,&(f1,..., fic-i), resultando nos pontos ( fi,..., fk) pertencentes à superfície Pareto ótimo local no espaço objetivo. Temos -Aij a7 = n (f;,..., fi-i)(para algum 1 < j < k - I), o qual representa afj a taxa de mudança de fr, por uma unidade de mudança em fj enquanto todas os outros componentes objetivos não mudam. Assim --Aij representa a taxa trade-off parcial envolvendo fk e fj em x*. O item c) é uma extensão da item b). Em b) é requerido que todas as restrições fj(x) < E;, j = 1,..., k - 1 sejam ativas em x* e os Agj sejam não-degenerados para
Teoria do consumidor. Propriedades do Conjunto Consumo,
Teoria do consumidor 1 Pedro Rafael Lopes Fernandes Qualquer modelo que vise explicar a escolha do consumidor é sustentado por quatro pilares. Estes são o conjunto consumo, o conjunto factível, a relação
Professor: 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
Programação 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.
étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
étodos uméricos SOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ORDINÁRIOAS Prof. Erivelton Geraldo Nepomuceno
étodos uméricos SOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ORDINÁRIOAS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
PARTE I EQUAÇÕES DE UMA VARIÁVEL REAL
PARTE I EQUAÇÕES DE UMA VARIÁVEL REAL. Introdução Considere f uma função, não constante, de uma variável real ou complexa, a equação f(x) = 0 será denominada equação de uma incógnita. EXEMPLO e x + senx
3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1
Disciplinarum Scientia. Série: Ciências Exatas, S. Maria, v.2, n.1, p.59-68, 2001 59 APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1 APPLICATION OF BANACH FIXED POINT THEOREM
Considere 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
Transformações de Visualização 2D: Clipping. Antonio L. Bajuelos Departamento de Matemática Universidade de Aveiro
Transformações de Visualização 2D: Clipping Antonio L. Bajuelos Departamento de Matemática Universidade de Aveiro 1 Clipping (recorte) Qualquer procedimento que identifica porções de uma figura que estão
Análise 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
Números Reais. Víctor Arturo Martínez León b + c ad + bc. b c
Números Reais Víctor Arturo Martínez León (victor.leon@unila.edu.br) 1 Os números racionais Os números racionais são os números da forma a, sendo a e b inteiros e b 0; o conjunto b dos números racionais
Otimização de horários Seminário. Clarisse Resende 25/01/2013
Otimização de horários Seminário Clarisse Resende 25/01/2013 O problema dos horários consiste numa sequência de atividades de programação, satisfazendo um conjunto de restrições de recursos. Pretende-se
Quinta-feira, 11 de abril
15.053 Quinta-feira, 11 de abril Mais alguns exemplos de programação inteira Técnicas de planos de corte para obter melhores limitações Entregar: Observações de Aula 1 Exemplo: Localização do corpo de
TEMA 2 PROPRIEDADES DE ORDEM NO CONJUNTO DOS NÚMEROS REAIS
TEMA 2 PROPRIEDADES DE ORDEM NO CONJUNTO DOS NÚMEROS REAIS O conjunto dos números reais,, que possui as seguintes propriedades:, possui uma relação menor ou igual, denotada por O1: Propriedade Reflexiva:
Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015
Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de
5 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
14 AULA. Vetor Gradiente e as Derivadas Direcionais LIVRO
1 LIVRO Vetor Gradiente e as Derivadas Direcionais 14 AULA META Definir o vetor gradiente de uma função de duas variáveis reais e interpretá-lo geometricamente. Além disso, estudaremos a derivada direcional
REVISÃO - DESIGUALDADE, MÓDULO E FUNÇÕES
REVISÃO - DESIGUALDADE, MÓDULO E FUNÇÕES Marina Vargas R. P. Gonçalves a a Departamento de Matemática, Universidade Federal do Paraná, marina.vargas@gmail.com, http:// www.estruturas.ufpr.br 1 REVISÃO
Resolução 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
OBJETIVOS DOS CAPÍTULOS
OBJETIVOS DOS CAPÍTULOS Capítulo 1 Nesse capítulo, você notará como muitas situações práticas nas áreas de administração, economia e ciências contábeis podem ser representadas por funções matemáticas.
UNIVERSIDADE FEDERAL DE PERNAMBUCO
CÁLCULO L1 NOTAS DA DÉCIMA PRIMEIRA AULA UNIVERSIDADE FEDERAL DE PERNAMBUCO Resumo. Nesta aula, apresentaremos o Teorema do Valor Médio e algumas de suas conseqüências como: determinar os intervalos de
Matéria das Aulas e Exercícios Recomendados Cálculo II- MAA
Matéria das Aulas e Exercícios Recomendados Cálculo II- MAA Número da Aula Data da Aula 1 02/09 Sequências Numéricas, definição, exemplos, representação geométrica, convergência e divergência, propriedades,
Programação Linear - Parte 3
Matemática Industrial - RC/UFG Programação Linear - Parte 3 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 3 1/2016 1 / 26 O Método Simplex Encontre o vértice ótimo pesquisando um subconjunto
II. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
Departamento de Matemática
Computação Gráfica - Evolução de Curvas e Superfícies Aluno: Vinícius Segura Orientador: Sinésio Pesco Introdução Nas últimas décadas atravessamos uma verdadeira revolução tecnológica, devido ao avanço
Cálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Texto de apoio às aulas. Amélia Bastos, António Bravo Dezembro 2010 Capítulo 1 Números reais As propriedades do conjunto dos números reais têm por base um conjunto restrito
P L A N I F I C A Ç Ã 0 E n s i n o S e c u n d á r i o
P L A N I F I C A Ç Ã 0 E n s i n o S e c u n d á r i o 206-207 DISCIPLINA / ANO: Matemática A - ºano MANUAL ADOTADO: NOVO ESPAÇO - Matemática A º ano GESTÃO DO TEMPO Nº de Nº de Nº de tempos tempos tempos
Otimização 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
BC1424 Algoritmos e Estruturas de Dados I Aula 05 Custos de um algoritmo e funções de complexidade
BC1424 Algoritmos e Estruturas de Dados I Aula 05 Custos de um algoritmo e funções de complexidade Prof. Jesús P. Mena-Chalco 1Q-2016 1 1995 2015 2 Custo de um algoritmo e funções de complexidade Introdução
Medida do Tempo de Execução de um Programa. Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP
Medida do Tempo de Execução de um Programa Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP Medida do Tempo de Execução de um Programa O projeto de algoritmos é fortemente influenciado pelo estudo
ÁLGEBRA LINEAR. Base e Dimensão de um Espaço Vetorial. Prof. Susie C. Keller
ÁLGEBRA LINEAR Base e Dimensão de um Espaço Vetorial Prof. Susie C. Keller Base de um Espaço Vetorial Um conjunto B = {v 1,..., v n } V é uma base do espaço vetorial V se: I) B é LI II) B gera V Base de
Matriz Hessiana e Aplicações
Matriz Hessiana e Aplicações Sadao Massago Dezembro de 200 Sumário Introdução 2 Matriz Jacobiana 3 Matriz hessiana 2 4 Talor de primeira e segunda ordem 2 5 Classicação dos pontos críticos 3 A Procedimeno
Capítulo 2. Conjuntos Infinitos
Capítulo 2 Conjuntos Infinitos Não é raro encontrarmos exemplos equivocados de conjuntos infinitos, como a quantidade de grãos de areia na praia ou a quantidade de estrelas no céu. Acontece que essas quantidades,
Produtos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7
Conteúdo 1 4 1.1- Áreas............................. 4 1.2 Primeiras definições...................... 6 1.3 - Uma questão importante.................. 7 1 EDA Aula 1 Objetivos Apresentar as equações diferenciais
x exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
étodos uméricos INTEGRAÇÃO NUMÉRICA (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos INTEGRAÇÃO NUMÉRICA (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL
Aula 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
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR MÉTODO SIMPLEX. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR MÉTODO SIMPLEX Prof. Angelo Augusto Frozza, M.Sc. MÉTODO SIMPLEX A ideia geral é Em vez de enumerar todas as soluções básicas (pontos extremos) do problema de PL,
Teoria 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
Expressões e enunciados
Lógica para Ciência da Computação I Lógica Matemática Texto 2 Expressões e enunciados Sumário 1 Expressões e enunciados 2 1.1 Observações................................ 2 1.2 Exercício resolvido............................
α ( 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
Aula 10 Produto interno, vetorial e misto -
MÓDULO 2 - AULA 10 Aula 10 Produto interno, vetorial e misto - Aplicações II Objetivos Estudar as posições relativas entre retas no espaço. Obter as expressões para calcular distância entre retas. Continuando
A resolução desses problemas pode geralmente ser feita com o seguinte procedimento: Problemas de divisibilidade 1
Três VIPs da Teoria dos Números É claro, VIP significa Very Important Problems. Os problemas discutidos aqui, além de suas variações, são bastante comuns em Olimpíadas de Matemática e costumam ser resolvidos
A DEFINIÇÃO AXIOMÁTICA DO CONJUNTO DOS NÚMEROS NATURAIS.
A DEFINIÇÃO AXIOMÁTICA DO CONJUNTO DOS NÚMEROS NATURAIS. SANDRO MARCOS GUZZO RESUMO. A construção dos conjuntos numéricos é um assunto clássico na matemática, bem como o estudo das propriedades das operações
Programação Linear (PL) Solução algébrica - método simplex
Universidade Federal de Itajubá Instituto de Engenharia de Produção e Gestão Pesquisa Operacional Simplex Prof. Dr. José Arnaldo Barra Montevechi Programação Linear (PL) Solução algébrica - método simplex
Geometria Analítica II - Aula 4 82
Geometria Analítica II - Aula 4 8 IM-UFF K. Frensel - J. Delgado Aula 5 Esferas Iniciaremos o nosso estudo sobre superfícies com a esfera, que já nos é familiar. A esfera S de centro no ponto A e raio
Exercícios de MATEMÁTICA COMPUTACIONAL. 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares
Exercícios de MATEMÁTICA COMPUTACIONAL Mestrado Integrado em Engenharia Biomédica 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares 1. Considere a equação sin(x) e x = 0. a) Prove que
ÁLGEBRA LINEAR. Combinação Linear, Subespaços Gerados, Dependência e Independência Linear. Prof. Susie C. Keller
ÁLGEBRA LINEAR Combinação Linear, Subespaços Gerados, Dependência e Prof. Susie C. Keller Combinação Linear Sejam os vetores v 1, v 2,..., v n do espaço vetorial V e os escalares a 1, a 2,..., a n. Qualquer
14.5 A Regra da Cadeia. Copyright Cengage Learning. Todos os direitos reservados.
14.5 A Regra da Cadeia Copyright Cengage Learning. Todos os direitos reservados. A Regra da Cadeia Lembremo-nos de que a Regra da Cadeia para uma função de uma única variável nos dava uma regra para derivar
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA
Aula 2: Funções. Margarete Oliveira Domingues PGMET/INPE. Aula 2 p.1/57
Aula 2 p.1/57 Aula 2: Funções. Margarete Oliveira Domingues PGMET/INPE Definição e representação Aula 2 p.2/57 Aula 2 p.3/57 Função Definição: Uma função de um conjunto em um conjunto, é uma correspondência
Aula 5 Equações paramétricas de retas e planos
Aula 5 Equações paramétricas de retas e planos MÓDULO 1 - AULA 5 Objetivo Estabelecer as equações paramétricas de retas e planos no espaço usando dados diversos. Na Aula 3, do Módulo 1, vimos como determinar
Medida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então
Interpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Axiomatizações equivalentes do conceito de topologia
Axiomatizações equivalentes do conceito de topologia Giselle Moraes Resende Pereira Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação Tutorial
Aula 3 A Reta e a Dependência Linear
MÓDULO 1 - AULA 3 Aula 3 A Reta e a Dependência Linear Objetivos Determinar a equação paramétrica de uma reta no plano. Compreender o paralelismo entre retas e vetores. Entender a noção de dependência
Cálculo Diferencial e Integral Química Notas de Aula
Cálculo Diferencial e Integral Química Notas de Aula João Roberto Gerônimo 1 1 Professor Associado do Departamento de Matemática da UEM. E-mail: jrgeronimo@uem.br. ÍNDICE 1. INTRODUÇÃO Esta notas de aula
Metas/ Objetivos Conceitos/ Conteúdos Aulas Previstas
DEPARTAMENTO DE MATEMÁTICA E INFORMÁTICA DISCIPLINA: Matemática A (11º Ano) METAS CURRICULARES/CONTEÚDOS... 1º Período (15 de setembro a 16 de dezembro) Metas/ Objetivos Conceitos/ Conteúdos Aulas Previstas
= f(0) D2 f 0 (x, x) + o( x 2 )
6 a aula, 26-04-2007 Formas Quadráticas Suponhamos que 0 é um ponto crítico duma função suave f : U R definida sobre um aberto U R n. O desenvolvimento de Taylor de segunda ordem da função f em 0 permite-nos
CÁLCULO I. 1 Número Reais. Objetivos da Aula
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida EMENTA: Conceitos introdutórios de limite, limites trigonométricos, funções contínuas, derivada e aplicações. Noções introdutórias sobre a integral
XXV OLIMPÍADA BRASILEIRA DE MATEMÁTICA TERCEIRA FASE NÍVEL 1 (5 ª ou 6 ª Séries)
TERCEIRA FASE NÍVEL 1 (5 ª ou 6 ª Séries) Quantos inteiros positivos menores que 1000 têm a soma de seus algarismos igual a 7? PROBLEMA : Considere as seqüências de inteiros positivos tais que cada termo
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
TÓPICO. Fundamentos da Matemática II DERIVADAS PARCIAIS. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques
7 DERIVADAS PARCIAIS TÓPICO Gil da Costa Marques Fundamentos da Matemática II 7.1 Introdução 7. Taas de Variação: Funções de uma Variável 7.3 Taas de variação: Funções de duas Variáveis 7.4 Taas de Variação:
TEORIA DA PRODUÇÃO. Rafael V. X. Ferreira Abril de 2017
MICROECONOMIA I TEORIA DA PRODUÇÃO Rafael V. X. Ferreira rafaelferreira@usp.br Abril de 2017 Universidade de São Paulo (USP) Faculdade de Economia, Administração e Contabilidade (FEA) Departamento de Economia
DINÂMICA DO SISTEMA CARRO-PÊNDULO
DINÂMICA DO SISTEMA CARRO-PÊNDULO Rafael Alves Figueiredo 1 Universidade Federal de Uberlândia Av. João Naves de Ávila, 2121, Santa Mônica, Uberlândia, MG, Brasil. rafamatufu@yahoo.com.br Márcio José Horta
MAT001 Cálculo Diferencial e Integral I
1 MAT001 Cálculo Diferencial e Integral I GEOMETRIA ANALÍTICA Coordenadas de pontos no plano cartesiano Distâncias entre pontos Sejam e dois pontos no plano cartesiano A distância entre e é dada pela expressão
ESCOLA SECUNDÁRIA FERREIRA DIAS, AGUALVA SINTRA ENSINO RECORRENTE DE NÍVEL SECUNDÁRIO POR MÓDULOS CAPITALIZÁVEIS CURSO DE CIÊNCIAS E TECNOLOGIAS
ESCOLA SECUNDÁRIA FERREIRA DIAS, AGUALVA SINTRA ENSINO RECORRENTE DE NÍVEL SECUNDÁRIO POR MÓDULOS CAPITALIZÁVEIS CURSO DE CIÊNCIAS E TECNOLOGIAS DEPARTAMENTO: MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS DISCIPLINA
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO. Realização:
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO Realização: Fortaleza, Fevereiro/2010 1. LIMITES 1.1. Definição Geral Se os valores de f(x) puderem
Taxa Interna de Retorno (TIR)
Problemas com o Método da TIR (Taxa Interna de Retorno) Hoje vamos falar do método da TIR (Taxa Interna de Retorno) e de alguns problemas que podem ocorrer quando utilizamos essa técnica na análise de
ESCOLHA INDIVIDUAL. Rafael V. X. Ferreira Março de 2017
MICROECONOMIA I ESCOLHA INDIVIDUAL Rafael V. X. Ferreira rafaelferreira@usp.br Março de 2017 Universidade de São Paulo (USP) Faculdade de Economia, Administração e Contabilidade (FEA) Departamento de Economia
Recursos críticos disponíveis: Madeira 300 metros Horas de trabalho 110 horas
I. Programação Linear (PL) 1. Introdução A Programação Linear é, no campo mais vasto da Programação Matemática, uma das variantes de aplicação generalizada em apoio da Decisão. O termo "Programação" deve
Notas de Aula - Espaços Vetoriais I
Notas de Aula - Espaços Vetoriais I 1 O espaço vetorial R 2 A definição de espaço vetorial que veremos adiante faz uso da ideia de operações definidas sobre um conjunto. Iniciaremos nosso estudo explorando
Processamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 11 de novembro de 2016 Fluxo óptico Usado para estimar
INTRODUÇÃO À TEORIA DOS CONJUNTOS
1 INTRODUÇÃO À TEORIA DOS CONJUNTOS Gil da Costa Marques 1.1 Introdução 1.2 Conceitos básicos 1.3 Subconjuntos e intervalos 1.4 O conjunto dos números reais 1.4.1 A relação de ordem em 1.5 Intervalos 1.5.1
Derivadas Parciais Capítulo 14
Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS 14.6 Derivadas Direcionais e o Vetor Gradiente Nesta seção, vamos aprender como encontrar: As taxas de variação de uma função de duas ou mais variáveis
Problema de Transporte (Redes) Fernando Nogueira Problema de Transporte 1
Problema de Transporte (Redes) Fernando Nogueira Problema de Transporte 1 O Problema de Transporte consiste em determinar o menor custo (ou o maior lucro) em transportar produtos de várias origens para
Otimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 2: Programação Matemática Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Pesquisa Operacional. Evanivaldo Castro Silva Júnior
Evanivaldo Castro Silva Júnior Conteúdo Fundamentos da Pesquisa Operacional. Modelos Lineares. Métodos de solução gráfica e algoritmo simplex. Aplicações de Programação Linear. Análise de Sensibilidade.
MESTRADO PROFISSIONAL EM MATEMÁTICA EM REDE NACIONAL. ENQ Gabarito
MESTRADO PROFISSIONAL EM MATEMÁTICA EM REDE NACIONAL ENQ 016. Gabarito Questão 01 [ 1,00 ] A secretaria de educação de um município recebeu uma certa quantidade de livros para distribuir entre as escolas
Aula 18 Cilindros quádricos e identificação de quádricas
MÓDULO 2 - AULA 18 Aula 18 Cilindros quádricos e identificação de quádricas Objetivos Estudar os cilindros quádricos, analisando suas seções planas paralelas aos planos coordenados e estabelecendo suas
Otimização Linear Aplicada a Problemas de Planejamento de Produção
Otimização Linear Aplicada a Problemas de Planejamento de Produção Rafaela Schuindt Santos¹, Daniela Renata Cantane² ¹Escola Estadual Luiz Campacci Laranjal Paulista SP - Brasil ²Universidade Estadual
Complementos sobre Números Complexos
Complementos sobre Números Complexos Ementa 1 Introdução Estrutura Algébrica e Completude 1 O Corpo dos números complexos Notações 3 Interpretação Geométrica e Completude de C 4 Forma Polar de um Número
CC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Curvas Planas em Coordenadas Polares
Curvas Planas em Coordenadas Polares Sumário. Coordenadas Polares.................... Relações entre coordenadas polares e coordenadas cartesianas...................... 6. Exercícios........................
LIMITES E DERIVADAS COM O SOFTWARE MATHEMATICA 10.3
Sociedade Brasileira de Matemática Matemática na Contemporaneidade: desafios e possibilidades LIMITES E DERIVADAS COM O SOFTWARE MATHEMATICA 10.3 Cláudio Firmino Arcanjo Secretaria de Estado da de Alagoas
Neste capítulo estamos interessados em resolver numericamente a equação
CAPÍTULO1 EQUAÇÕES NÃO-LINEARES 1.1 Introdução Neste capítulo estamos interessados em resolver numericamente a equação f(x) = 0, onde f é uma função arbitrária. Quando escrevemos resolver numericamente,
Instituto de Matemática e Estatística, UFF Março de 2011
,,,,, Instituto de Matemática e Estatística, UFF Março de 2011 ,, Sumário,,. finitos,. conjunto: por lista, por propriedade.. Igualdade,. Propriedades básicas.. ,, Christos Papadimitriou, Autor dos livros
Árvore Binária de Busca Ótima
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvore binária de busca ótima do capítulo 4 do livro N. Wirth. Algorithms
Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Elementos de Cálculo I - Conjuntos de pontos no plano 1 Prof Carlos Alberto Santana Soares
Elementos de Cálculo I - Conjuntos de pontos no plano Prof Carlos Alberto Santana Soares Você certamente está familiarizado com o plano cartesiano desde o término do seu ensino fundamental Neste início
Objetivos. em termos de produtos internos de vetores.
Aula 5 Produto interno - Aplicações MÓDULO 1 - AULA 5 Objetivos Calcular áreas de paralelogramos e triângulos. Calcular a distância de um ponto a uma reta e entre duas retas. Determinar as bissetrizes
Busca Binária. Aula 05. Busca em um vetor ordenado. Análise do Busca Binária. Equações com Recorrência
Busca Binária Aula 05 Equações com Recorrência Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Idéia: Divisão e Conquista Busca_Binária(A[l...r],k) 1:if r < lthen 2: index = 1
Convergência de Séries de Números Complexos
Convergência de Séries de Números Complexos META: Apresentar o conceito de convergência de séries de números complexos. OBJETIVOS: Ao fim da aula os alunos deverão ser capazes de: Definir convergência
Otimização 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,
Derivadas Parciais Capítulo 14
Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS 14.5 Regra da Cadeia Nesta seção, aprenderemos sobre: A Regra da Cadeia e sua aplicação em diferenciação. A REGRA DA CADEIA Lembremo-nos de que a Regra
Definição: Uma função de uma variável x é uma função polinomial complexa se pudermos escrevê-la na forma n
POLINÔMIO I 1. DEFINIÇÃO Polinômios de uma variável são expressões que podem ser escritas como soma finita de monômios do tipo : a t k k onde k, a podem ser números reais ou números complexos. Exemplos: