OTIMIZAÇÃO VETORIAL Formulação do Problema Otimização Multiobjetivo (também chamada otimização multicritério ou otimização vetorial) pode ser definida como o problema de encontrar: um vetor de variáveis de decisão que satisfaça a um conjunto de restrições e otimize um vetor de funções cujos elementos representem as funções objetivo. Estas funções formam a descrição matemática do chamado critério de desempenho, as quais usualmente são conflitantes. Assim, podemos dizer que o termo Otimizar significa descobrir uma solução, para a qual os valores de todas as funções objetivo são considerados aceitáveis pelo projetista ou decisor.
Formalmente, podemos descrever o problema como se segue: Encontrar um vetor,,, que satisfaça as m restrições de desigualdade:,,, 0, 0,, 0 e as p restrições de igualdade:,,, 0, 0,, 0 de modo a otimizar o seguinte vetor de N funções objetivo:,,, onde o vetor:,,, corresponde ao vetor de variáveis de decisão ou de otimização.
Ordenamento de Soluções O problema de otimização multiobjetivo se define a partir da análise do ordenamento das soluções, levando em conta os diversos objetivos. As soluções multiobjetivo, ou soluções de Pareto, são as melhores soluções entre as quais não existe um ordenamento (ou seja, não há como definir, a partir da avaliação dos funcionais objetivo, que uma solução é melhor que a outra). Exemplo: mi n f(x) = f (x) 1 = f (x) 2 = f (x) 1 f (x) 2 x2 (x 2) 2
f 1 (x) 4 f 2 (x) f 2 4 Fronteira Pareto-Ótima 0 2 x Soluções eficientes 0 4 f 1 (x) Para fundamentar essa definição, é apresentada inicialmente a definição de conjunto ordenado. Definição 8.1: Conjuntos Ordenados: Um conjunto C é ordenado de acordo com a relação de ordem se dados quaisquer dois elementos x, y C, é sempre verdade que x y (ou y x) e as seguintes propriedades são válidas: i. x x
ii. iii. x y e y z x z x y e y x x = y Definição 8.2 (Conjuntos Parcialmente Ordenados) Diz-se ainda que C é parcialmente ordenado se valem as propriedades (i), (ii) e (iii), mas nem sempre x y (ou y x), isto é, nem sempre x e y são comparáveis. O caso mono-objetivo é fundamentalmente diferente do caso multiobjetivo devido à propriedade de ordenamento das soluções: Conjunto ordenado: R Conjunto parcialmente ordenado: R n ; n 2 X2 1 4 2 3 X1
A seguinte notação é empregada para vetores do R n : x y { x i y i, i = 1,..., n} x < y { x i < y i, i = 1;..., n} x = y { x i = y i, i = 1;..., n} Os operadores e > são definidos analogamente. Observar que o operador é definido de outra forma: x y { i x i y i } ou seja: x y {x i = y i i = 1,..., n} Exemplo: Dados x = {1, 2, 3} T e y = {1, 0, 3} T, x y e y x. No caso de funções objetivo constituídas de vetores reais, essas definições de ordenamento de soluções serão aplicáveis.
O Conjunto Pareto- Ótimo O objeto fundamental da otimização multiobjetivo consiste em um conjunto de soluções, denominado conjunto Pareto-ótimo. Os elementos desse conjunto são definidos a seguir. Definição 8.3 (Solução Pareto- Ótima) Diz-se que x* X é uma solução Pareto - Ótima do PMO se não existe qualquer outra solução x X tal que f(x) f(x*) e f j (x) < f j (x*) para no mínimo um índice j. (X é o conjunto de pontos viáveis, isto é, é o conjunto de pontos que satisfazem ao conjunto de restrições do problema) f 2 4 Fronteira Pareto-Ótima 0 4 f 1
Definição 8.4 (Solução localmente Pareto- Ótima) Diz-se que x* X é uma solução localmente Pareto Ótima (ou uma solução localmente eficiente) numa dada vizinhança N(x*,d), se existe d > 0 tal que x* é Pareto-Ótima em X N(x*,d). Isto é não existe qualquer outra solução x X N (x*,d) tal que f(x) f(x*) e f j (x) < f j (x*) para no mínimo um índice j. Teorema 8.1 Sejam f i (.) : R n R, i = 1,..., N funções convexas definidas sobre um conjunto convexo X R n. Então toda solução localmente Pareto - Ótima é globalmente Pareto- Ótima. Se o conjunto é convexo e as funções são convexas, logo, todo ótimo local é global. Definição (Solução Utópica): A solução utópica y* do PMO é definida como:, 1, onde arg.
Notas: 1) Se, isto é, se existe tal que, então o problema está resolvido. 2) Normalmente,. O conjunto F é o conjunto imagem de X. f 2 * f 2 * f 1 f 1 Ilustração da solução utópica. Assim, normalmente o conjunto de soluções Pareto é ilimitado!!!
Além disto, se é a fronteira de e é o interior de, todas as soluções eficientes do problema de otimização multiobjetivo estão sobre esta fronteira, ou seja, nenhuma solução não-dominada se encontra no interior de. Veja figura a seguir. f 2 Solução dominada F o F Soluções eficientes ou nãodominadas f 1 Ilustração da fronteira de soluções não-dominadas.
Caracterização de Soluções Eficientes Condições equivalentes às condições de Kuhn-Tucker podem ser estabelecidas a partir do seguinte resultado: Teorema 2: Se é eficiente então resolve os N problemas: min, 1,,. : Reciprocamente, se resolve, 1,, então é eficiente. DEMONSTRAÇÃO: 1. é 2. ã: í í. 3., 1,,
1., 1,, 2. ã é, ã 3. é, ã, 1,, Lembrando que o espaço viável é o espaço definido por :, as condições de Kuhn-Tucker para o i-ésimo problema (P i ) são: 0; 0; 0; 0, 1,,
Ótimos de f1 e f2 X2 Restrições X1 (Zoom de um ponto eficiente) Prova geométrica do Teorema para o ponto eficiente: Lembrando que as condições de Kuhn-Tucker para cada problema Pi são:
0; 0; 0; 0, 1,, - f1 g f2 CONDIÇÕES NECESSÁRIAS PARA EFICIÊNCIA (Condições de Kuhn-Tucker para Eficiência): Uma solução viável x* satisfaz as condições necessárias de Kuhn-Tucher para eficiência (KTE) se: i) Se todas as funções fi e gi são diferenciáveis; ii) Existem vetores multiplicadores μ* 0; λ* 0, com pelo menos uma desigualdade estritra λ i > 0, tais que: 0; 0, 1,,
Nota: Observe que a verificação do problema KT i, para i = 1,..., N, implica na verificação de KTE. Por outro lado, a verificação de KTE implica na verificação de todo KT i, para i = 1,..., N, se λ* > 0. CONDIÇÕES SUFICIENTES PARA EFICIÊNCIA 1) Se uma solução viável x* de um PMO atender às condições KTE em todos os multiplicadores λ i *, com λ i * > 0, para i = 1,..., N, então x* é uma solução eficiente. 2) Se uma solução viável x* de um PMO atender às condições KTE e as funções objetivo f i (x), para i = 1,..., N, forem todas estritamente convexas, então x* é uma solução eficiente. Demonstração: i) Como por hipótese x* satisfaz as condições KTE, existe no mínimo um i tal que λ i * > 0. Neste caso, e ii) iii) portanto x* resolve o problema P i. Como é estritamente convexa, a solução de Pi é única. Portanto é eficiente.