Marina Andretta. 2 de março de 2016

Transcrição

1 Otimização Marina Andretta ICMC-USP 2 de março de 2016 Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

2 O que é Otimização? Otimizar significa encontrar a melhor maneira de fazer algo, dada uma medida do que é ser melhor. Estamos sempre otimizando: quando fazemos compras, queremos minimizar o dinheiro gasto, ou maximizar a qualidade do que foi comprado; quando fazemos matrícula, queremos fazer o maior número possível de disciplinas, sem, no entanto, prejudicar nosso desempenho; quando organizamos as horas de estudo, queremos aprender o máximo possível, de preferência no menor tempo. Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

3 Um exemplo - problema Uma empresa que produz açúcar tem uma fábrica em São Carlos e outra em Araraquara (F 1 e F 2 ) e 3 clientes espalhados pelo estado de São Paulo, que chamaremos de C 1, C 2 e C 3. A fábrica de São Carlos produz 50 toneladas de açúcar por semana, enquanto que a fábrica de Araraquara produz 100 toneladas. Cada cliente possui uma demanda (em toneladas, por semana) por açúcar, dada pela tabela abaixo: C 1 C 2 C Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

4 Um exemplo - problema O custo c ij, em reais, de enviar uma tonelada de produto de cada fábrica i para cada cliente j é dado pela tabela abaixo: C 1 C 2 C 3 F F O problema é determinar quanto açúcar enviar, em uma semana, de cada fábrica para cada cliente de modo a satisfazer todas as restrições e minimizar o custo. Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

5 Um exemplo - modelagem matemática Para modelar este problema matematicamente, vamos definir variáveis x ij que terão como valor a quantidade de toneladas de açúcar enviadas, em uma semana, da fábrica F i para um cliente C j. Então, nosso problema fica: minimizar 35x x x x x x 23 sujeita a x 11 + x 12 + x 13 50, x 21 + x 22 + x , x 11 + x 21 = 20, x 12 + x 22 = 60, x 13 + x 23 = 40, x 11, x 12, x 13, x 21, x 22, x Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

6 Um exemplo - solução Para este problema, a solução é x 11 = 20, x 12 = 0, x 13 = 30, x 21 = 0, x 22 = 60, x 23 = 10. O custo total para enviar todas as toneladas necessárias de açúcar para os clientes será de 5970 reais. Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

7 Grupo de Otimização do ICMC Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

8 ICMC - USP

9 Laboratório de Otimização (ICMC) Eduardo Costa Formação: Eng. Elétrica (USP) Mestrado (USP) e Doutorado (UNICAMP) Área de pesquisa: problemas de controle e problemas de filtragem Exemplos de aplicações: Obter a turbinagem u(k) que maximiza a produção de energia (modelada por f) em uma hidroelétrica num período H (4 anos).

10 Laboratório de Otimização (ICMC) Elias Helou Neto Formação: Bel. Matemática Aplicada e Computacional (UNICAMP) Mestrado e Doutorado (UNICAMP) Área de pesquisa: otimização de problemas inversos. Exemplos de aplicações: Reconstruir imagens a partir de poucas amostras distorcidas tomografia por emissão.

11 Laboratório de Otimização (ICMC) Franklina Toledo Formação: Bel. Matemática Aplicada e Computacional (UNICAMP) Mestrado e Doutorado (UNICAMP) Área de pesquisa: desenvolvimento de modelos e métodos para problemas de otimização linear e/ou inteira. Exemplos de aplicações: Problemas de corte de estoque corte de peças irregulares. Problemas de dimensionamento de lotes: fundição, indústria têxtil. Problemas de cross-docking.

12 Laboratório de Otimização (ICMC) Marina Andretta Formação: Bel. Ciência da Computação (IME-USP) Mestrado e Doutorado (USP) Área de pesquisa: desenvolvimento de métodos de programação não-linear e aplicações. Exemplos de aplicações: Problemas de corte de estoque corte de peças irregulares Empacotamento de itens circulares

13 Laboratório de Otimização (ICMC) Maristela Santos Formação: Lic. Matemática (UFMT) Mestrado e Doutorado (USP) Área de pesquisa: desenvolvimento de métodos de otimização linear e aplicações. Exemplos de aplicações: Problemas de planejamento da produção em indústrias (cervejeira, papeleira, química) Problemas de alocação (aulas, pessoas e etc). Redução de custos no planejamento de operações de bombas em redes de distribuição de água.

14 Laboratório de Otimização (ICMC) Alunos: Doutorado: 16 Mestrado: 8 Iniciação científica: 8 Página do Lot:

15 Disciplinas de Otimização Disciplina obrigatória do BMACC: sme otimização linear Disciplinas obrigatórias para Ênfase em Otimização: sme otimização não-linear sme otimização inteira Disciplinas optativas para Ênfase em Otimização: sme fluxos em redes sme laboratório de otimização sme tópicos em otimização combinatória Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

16 Problemas de corte e empacotamento - 1D Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

17 Problemas de corte e empacotamento - 2D Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

18 Problemas de corte e empacotamento - 3D Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

19 Problemas de corte e empacotamento Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

20 Problemas de corte de itens irregulares Marina Andretta (ICMC-USP) Otimizac a o 2 de marc o de / 27

21 Problemas de corte de itens irregulares Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

22 Problemas de corte de itens irregulares Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

23 Problemas de corte de itens irregulares Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

24 No-fit-polygon Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

25 No-fit-polygon Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

26 Um modelo Minimizar sujeita a L li min hi min C pqk x i L li max, i = 1,..., N, y i H hi max, i = 1,..., N, ij + (ax k bx k )(y i y j )+ (ay k by k )(x i x j ) (1 v pqk ij )M, i, j = 1,..., N, i j, k K ip, p P i, q P j, k K ip v pqk ij + k K jq v qpk ji = 1, 1 i < j N, p P i, q P j, (x i, y i ) R 2, i = 1,..., N, v pqk ij {0, 1}, i, j = 1,..., N, i j, k K ip, p P i, q P j. Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

27 Outro modelo Minimizar sujeita a L li min x i L li max, i = 1,..., N, hi min y i H hi max, i = 1,..., N, C ij pk (a p ij,x bp ij,x )(y i y j )+ (a p ij,y bp ij,y )(x i x j ) (1 v pk ij )M, i = 1,..., N 1, j = i + 1,..., N, p Q ij, k K p ij, pk k K v pij ij = 1, i = 1,..., N 1, j = i + 1,..., N, p Q ij, (x i, y i ) R 2, i = 1,..., N, v pk ij {0, 1}, i, j = 1,..., N, k K p ij, p Q ij. Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

28 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

29 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

30 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

31 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

32 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

33 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27

34 Heurística Bottom-left Marina Andretta (ICMC-USP) Otimização 2 de março de / 27