apostila po otimizacao nao linear

50
Pesquisa Operacional II – Prof. Edilson Machado de Assis 1 Otimização não linear Disciplina: Pesquisa Operacional em Sistemas II Professor: Edilson Machado de Assis

Upload: fredy-yakuza

Post on 26-Jun-2015

674 views

Category:

Documents


9 download

TRANSCRIPT

Page 1: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

1

Otimização não linear

Disciplina: Pesquisa Operacional em Sistemas II

Professor: Edilson Machado de Assis

Page 2: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

2

Introdução

Problemas de otimização em que a função objetivo ou pelo menos uma das restrições envolvidas não são funções lineares das variáveis de decisão são denominados Problemas de Programação não-linear – PNL.

Um problema de programação não-linear pode ser genericamente representado da seguinte forma:

Otimizar: z =f (x1,x2,...,xn)

Sujeito a: gl (xl, x2,..., xn) ≤ b1

g2 (xl, x2,..., xn) = b2

gm (xl, x2,..., xn) ≥ bm

Page 3: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

3

Convexidade de funções de 1, 2 ou mais variáveis

Quando resolvemos problemas de programação linear através de ferramentas como o Solver do Excel, podemos afirmar que o resultado apresentado pelo software é realmente a solução ótima que procuramos (ou pelo menos uma delas no caso de soluções múltiplas). Resolvendo problemas de programação não-linear, entretanto, o Solver do Excel, bem como qualquer outro software, apresenta dificuldades.

Page 4: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

4

Melhor local e global

Devido às características dos problemas de PNL, não ha condições, a principio, de afirmarmos se o programa encontrou realmente o ponto máximo ou mínimo global da função, ou apenas um ponto de maximo ou mínimo local.

Para que tenhamos condições de assegurar que o resultado encontrado pelo Solver para um problema de programação não-linear é a solução ótima da função-objetivo, precisamos saber identificar as características de concavidade e convexidade das funções que compõem o modelo.

Page 5: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

5

Identificação de concavidade

De uma forma geral, podemos classificar as funções não-lineares em côncavas e convexas. Os métodos para identificar se uma determinada função é côncava ou convexa variam conforme o numero de variáveis da função. Veremos a seguir o procedimento para classificação de funções com uma, duas e mais de duas variáveis.

Page 6: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

6

Funções de uma variável

Funções contínuas de uma variável são as mais simples de serem classificadas. De uma forma genérica, descobrimos se uma função contínua de uma variável é convexa se, ao traçarmos uma linha unindo dois pontos da função, esta linha nunca se encontrar abaixo da curva.

Page 7: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

7

Teste analítico

Uma maneira pratica e rápida de verificarmos a convexidade de uma função de uma variável é por meio da análise da sua segunda derivada. Por este teste, uma função f(x) é:

a) convexa se 2

2

( )d f x

dx ≥ 0 x Domínio ;

b) estritamente convexa se 2

2

( )d f x

dx > 0 x Domínio ;

c) côncava se 2

2

( )d f x

dx ≤ 0 x Domínio ;

d) estritamente côncava se2

2

( )d f x

dx < 0 x Domínio .

Page 8: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

8

Observações

Algumas observações devem ser feitas com relação às

definições:

a) Se a função é linear, 2

2

( )d f x

dx=0 x Domínio a

função é definida como côncava e convexa simultaneamente

b) Se 2

2

( )d f x

dx for positivo para alguns valores do

domínio e negativo para outros, então a função não é nem côncava, nem convexa.

Page 9: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

9

Exemplos Classifique quanto à convexidade:

a) 2( )f x x x ( )

2 1df x

xdx

e 2

2

( )2

d f x

dx (Estritamente convexa)

b) 3( ) 2 8f x x x

2( )3 2

df xx

dx e

2

2

( )6

d f xx

dx (Nem côncava nem convexa)

c) 2( )f x x x ( )

2 1df x

xdx

e 2

2

( )2

d f x

dx (Estritamente côncava)

Page 10: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

10

Funções de 2 variáveis De forma análoga as funções de uma variável, as

derivadas parciais de segunda ordem de funções de duas variáveis podem ser usadas para determinar a convexidade da função.

Seja 1 2( , )f f x x uma função com derivadas parciais de segunda ordem continuas e seja a matriz Hessiana, H, definida pelas segundas derivadas da mesma função e D o determinante da matriz Hessiana.

2 2

1 2 1 22

1 212 2

1 2 1 22

2 1 2

( , ) ( , )

( , ) ( , )

f x x f x x

x xxH

f x x f x x

x x x

Page 11: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

11

Classificação O Determinante é:

22 2 21 2 1 2 1 22 2

1 21 2

( , ) ( , ) ( , ).

f x x f x x f x xD

x xx x

Classificação D 2

1 22

1

( , )f x x

x

21 22

2

( , )f x x

x

Convexa ≥ 0 ≥ 0 ≥ 0 Estritamente

convexa >0 >0 >0

Côncava ≥0 ≤0 ≤0 Estritamente

côncava >0 <0 <0

Válido 1 2 1 2, ( , )x x Domínio f x x

Page 12: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

12

Observações a) se a função é linear do tipo 1 2 0 1 1 2 2( , )f x x x x

então D = 0, 2

1 22

1

( , )f x x

x

=0 e

21 22

2

( , )f x x

x

=0

1 2 1 2, ( , )x x Domínio f x x e a função é definida como côncava e convexa simultaneamente; b) se D < 0, para algum dos possíveis valores 1x e 2x pertencentes ao domínio da função 1 2( , )f x x então a função não é nem côncava, nem convexa.

Page 13: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

13

Exemplos a) 2 2

1 2 1 1 2 2 1( , ) 3 2f x x x x x x x

1 21 2

1

( , )2 3

f x xx x

x

e 1 2

2 12

( , )2

f x xx x

x

2

1 22

1

( , )2

f x x

x

,

21 22

2

( , )2

f x x

x

2 2

1 2 1 2

1 2 2 1

( , ) ( , )1

f x x f x x

x x x x

2 1

1 2H

, logo D=3 e D>0, 2

1 22

1

( , )0

f x x

x

e

21 22

2

( , )0

f x x

x

1 2 1 2, ( , )x x Domínio f x x (Estritamente convexa)

Page 14: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

14

Exemplos continuação

2 21 2 1 1 2 2 1( , ) 3 2f x x x x x x x

Page 15: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

15

Exemplos b) 2 2

1 2 1 2( , )f x x x x

1 21

1

( , )2

f x xx

x

e 1 2

22

( , )2

f x xx

x

2

1 22

1

( , )2

f x x

x

,

21 22

2

( , )2

f x x

x

2 2

1 2 1 2

1 2 2 1

( , ) ( , )0

f x x f x x

x x x x

2 0

0 2H

, logo D=-4 e D<0

1 2 1 2, ( , )x x Domínio f x x (Não é côncava nem convexa)

Page 16: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

16

Exemplos continuação 2 2

1 2 1 2( , )f x x x x

Page 17: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

17

Funções de mais de 2 variáveis O primeiro passo para determinar a convexidade de funções de mais de duas variáveis é montar a matriz Hessiana da função analisamos. Seja 1 2 3( , , ,... )nf x x x x uma função de n variáveis, a matriz Hessiana e uma matriz simétrica n n formada por todas as derivadas parciais de segunda ordem desta função:

2 2 2 2

21 2 1 3 11

2 2 2 2

22 1 2 3 222 2 2 2

23 1 3 2 33

2 2 2 2

21 2 3

n

n

n

n n n n

f f f fx x x x x xx

f f f fx x x x x xx

H f f f fx x x x x xx

f f f fx x x x x x x

Page 18: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

18

Determinantes menores São calculados os determinantes 1 2, ,..., nD D D . Estes são chamados determinantes dos menores principais da matriz hessiana e serão em número igual ao numero de variáveis da função.

2

1 21

fD

x

2 2

21 21

2 2 2

22 1 2

f fx xx

Df f

x x x

2 2 2

21 2 1 31

2 2 2

3 22 1 2 322 2 2

23 1 3 2 3

f f fx x x xx

f f fD

x x x xxf f f

x x x x x

Page 19: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

19

Determinantes menores

Generalizando

2 2

211

2 2

21

n

n

n n

f fx xx

D

f fx x x

Page 20: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

20

Classificação 1D 2D 3D ... nD

Convexa ≥ 0 ≥ 0 ≥ 0 ≥ 0 Estritamente

convexa >0 >0 >0 >0

Côncava ≤0 ≥0 ≤0 ... Estritamente

côncava <0 >0 <0 ...

Côncava e convexa =0 =0 =0 =0

Válido 1 2 1 2, ( , )x x Domínio f x x Se f é linear, é côncava e convexa simultaneamente. Se nenhuma das condições apresentadas for atendida, a função não é nem côncava, nem convexa.

Page 21: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

21

Exemplos a) 2

1 2 3 1 3 2( , , )f x x x x x x

31

fx

x

22

2f

xx

11

fx

x

2 2 2

21 2 1 31

2 2 2

22 1 2 322 2 2

23 1 3 2 3

0 0 1

0 0 1

0 2 0 0 2 0

1 0 0

1 0 0

f f fx x x xx

f f fH

x x x xxf f f

x x x x x

1 0 0D 2

0 00

0 2D

3

0 0 1

0 2 0 2

1 0 0

D

A função é convexa

Page 22: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

22

Exemplos b) 2 2 2

1 2 3 1 2 3 1 2 1 3 2 3( , , ) 2f x x x x x x x x x x x x

1 2 31

2 2f

x x xx

2 1 3

2

2f

x x xx

3 1 2

3

2 2f

x x xx

2 2 2

21 2 1 31

2 2 2

22 1 2 32

2 2 2

23 1 3 2 3

2 1 2

2 1 2

1 2 1 1 2 1

2 1 2

2 1 2

f f fx x x xx

f f fH

x x x xxf f f

x x x x x

1 2 2D 2

2 13

1 2D

3

2 1 2

1 2 1 8

2 1 2

D

A função não é côncava nem convexa

Page 23: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

23

Programação Côncava, Convexa e Quadrática O principal interesse é saber se algoritmos eletrônicos, como o Solver do Excel, o LINGO e outros, encontrarão a solução ótima do problema sem dificuldades. O Solver utiliza um algoritmo chamado GRG (generalized reduced gradient) para chegar a solução do problema. Este algoritmo consiste em, a partir de uma condição inicial, seguir passo a passo, calculando valores para as variáveis do modelo e verificando o comportamento da função objetivo.

Page 24: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

24

Programação Côncava, Convexa e Quadrática No momento em que o valor da função objetivo

inverte de tendência, ou seja, deixa de crescer para diminuir (caso de maximização) ou deixa de diminuir para começar a crescer (caso de minimização), o Solver assume que encontrou um ponto de maximo ou de mínimo da função, que pode ser tanto um extrema local como global. No entanto, com este procedimento, o algoritmo não garante que a solução encontrada seja a solução global, pois a princípio não há certeza se aquela função analisada não irá inverter o seu comportamento novamente.

Page 25: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

25

Programação Côncava, Convexa e Quadrática

Se nos utilizarmos o Solver para encontrarmos o ponto de maximo da função da figura é bastante provável que o algoritmo encontre diversas soluções dependendo dos valores com os quais iniciamos a otimização, o Solver pode indicar o ponto 1 ou o ponto 3 como o ponto que maximiza a função, sendo que, no entanto, apenas o ponto 3 é o maximo global da função e, portanto, o resultado.

Page 26: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

26

Mínimo e máximo global e local Diante da incerteza quanto ao resultado apresentado

pelo Solver, precisamos saber se o tipo do modelo permite que a solução dada pelo algoritmo seja assumida como a solução ótima do problema. Quando o modelo não apresenta restrições, esta análise fica bastante simples. O fato da função-objetivo ser côncava é condição necessária e suficiente para garantirmos que o maximo encontrado peio algoritmo e maximo global. De forma análoga, o fato da função-objetivo de um PNL sem restrições ser convexa é condição necessária e suficiente para garantirmos que o mínimo encontrado também seja global.

Page 27: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

27

Problemas freqüentes Ha três tipos de problemas de programação não-

linear muito freqüentes que atendem a aquelas condições: a programação côncava, a programação convexa e a programação quadrática.

Page 28: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

28

Programação Côncava e Programação Convexa Se a função objetivo do PNL for uma função côncava

(no caso de uma maximização) ou convexa (no caso de uma minimização), o modelo será eficientemente resolvido pelo algoritmo aplicado se o conjunto de soluções viáveis do problema formar um conjunto convexo

Podemos garantir que o conjunto de soluções viáveis de um PNL com restrições (apenas inequações) é um conjunto convexo se todas as restrições respeitarem as regras abaixo

Se a restrição for do tipo ( )i ig x b e ( )ig x for uma função convexa

Se a restrição for do tipo ( )i ig x b e ( )ig x for uma função côncava.

Page 29: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

29

Programação Côncava e Programação Convexa - cont Decorre desta consideração que, se o modelo for uma

maximização, a função objetivo for uma função côncava e o conjunto de soluções viáveis for um conjunto convexo, 0 PNL é dito de Programação Côncava e o maximo encontrado é global.

Similarmente, se o modelo for uma minimização, a função objetivo for uma função convexa e o conjunto de soluções viáveis for um conjunto convexo, o PNL é dito de Programação Convexa e o mínimo encontrado é global.

Page 30: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

30

Programação Quadrática Os problemas que forem classificados como de

Programação Quadrática, independentemente do modelo se tratar de maximização ou de minimização, terão a sua solução ótima encontrada pelos algoritmos de resolução de problemas não-lineares sem dificuldades.

Uma função quadrática de n variáveis (xl,x2,x3,...,xn) é uma função que pode ser escrita da seguinte forma:

12

1 21 1 1 1

( , ,..., )n n n n

n i i ij i j i ii i j i i

f x x x Ax B x x C x D

Page 31: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

31

Programação Quadrática - continuação Em outras palavras, a função quadrática é a soma de

termos envolvendo o quadrado de variáveis 2i iAx ,

produto de variáveis ij i jB x x , funções lineares ijC e constantes D .

Exemplos

21 1 1

2 21 2 1 1 2 2 1 2

( )

( , )

f x ax bx c

f x x ax bx x cx dx ex f

Page 32: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

32

Programação Quadrática - continuação Um problema de programação cujo modelo é uma

maximização ou uma minimização é dito de Programação Quadrática se:

A função objetivo for uma função quadrática. O conjunto de restrições apresentar somente restrições

lineares. Como o conjunto de restrições é formado apenas por

funções lineares da mesma maneira que nos problemas de programação linear, podem garantir que o conjunto de soluções será um conjunto convexo. Portanto, num caso de Programação Quadrática de Maximização em que a função objetivo é uma função côncava o Excel encontrará o maximo global.

Naturalmente num caso de Programação Quadrática de Minimização em que a função objetivo é uma função convexa, o Excel encontrará o mínimo global.

Page 33: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

33

Programação não-linear utilizando o Excel Quando o modelo não se tratar de um problema de programação côncava, convexa ou quadrática, uma maneira pratica para tentar minorar os problemas de máximos e mínimos locais é começar a otimização de diversos pontos iniciais, gerados aleatoriamente. Se todas as otimizações gerarem o mesmo resultado, então podemos ter maior confiança, mas não a certeza de termos atingido um ponto global. Caso contrário, deveremos supor a existência de diversos extremos locais (relativos) e assumir o melhor valor encontrado.

Page 34: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

34

Controle de estoque Um dos modelos mais elementares de controle de estoque chama-se Modelo do Lote Econômico. Este modelo é simples, pois assume que a demanda anual de um produto a ser pedido é constante e que cada novo pedido do produto deve chegar no exato momento em que o estoque chegar a zero. O objetivo do é determinar, por meio do balanceamento dos custos associados ao estoque, o tamanho e a periodicidade do pedido que minimizem o custo total. Os custos mais relevantes que determinam o custo total de estocagem são os seguintes:

Page 35: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

35

Custos envolvidos

a) custo de manutenção do estoque - custo associado ao valor em estoque e que poderia estar aplicado em diversas formas de investimentos, rendendo benefícios financeiros para a empresa, além dos custos de armazenagem;

b) custo do pedido - custo associado ao trabalho de efetuar o pedido de um lote de produtos, engloba custos de mão-de-obra, de transporte do pedido e outros, tais como controle do recebimento do pedido e controle de qualidade do lote recebido;

c) custo de falta - custo relacionado a perdas decorrentes da interrupção da produção devido à falta do produto;

Page 36: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

36

Exemplo Uma empresa que demanda anualmente 100 unidades de um produto. Caso ela decida realizar quatro pedidos trimestrais, os apenas dois semestrais teremos as representações das suas políticas de estoque conforme as figuras:

As políticas de estoque apresentadas acima são apenas duas das diversas formas de atender a demanda anual de 100 unidades que a empresa pode realizar. Porem, como poderemos saber qual e a mais econômica?

Page 37: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

37

Exemplo – continuação Podemos modelar o problema com a função objetivo:

Minimizar .2 m

D QCusto total DC S C

Q

onde: D = demanda anual do produto C = custo unitário do produto Q= quantidade de unidades por pedido (tamanho do lote) S = custo unitário do pedido (custo para fazer o pedido) mC = custo unitário de manutenção do produto em estoque por ano.

Page 38: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

38

Exemplo - continuação Resolvendo problemas deste tipo, dispomos geralmente dos valores da demanda anual, do custo unitário do produto, do custo unitário de pedido e do custo unitário de manutenção, de forma que a variável que vai alterar o valor do custo total anual é a quantidade de unidades por pedido (Q). Considerando-se que a variável Q aparece tanto no numerador quanto no denominador da função objetivo, o modelo é um problema de programação não linear.

Page 39: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

39

Problema prático 1 A LCL Computadores Ltda., empresa montadora de computadores, deseja diminuir o seu estoque de mainboards. Sabendo-se que o custo unitário da mainboard é de R$50, o custo anual unitário de manutenção de estoque é de R$20 e o custo unitário do pedido é de R$10, encontre o lote econômico para atender a uma demanda anual de 1.000 mainboards.

Solução

Se o problema for de programação convexa ou quadrática (não pode ser côncava por se tratar de uma minimização), teremos condições de afirmar que a solução ótima apresentada pelo Solver é o mínimo global da função do custo total anual.

Page 40: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

40

Solução

Minimizar 10001000 50 10 20

2Q

Custo totalQ

Sujeito a: 1 0Q e Q Não se trata de programação quadrática. Verificação de convexidade:

2

23

2 3

10000( ) 50 000 10.

( )10000. 10

20000( )20000.

f Q QQ

df QQ

dQd f Q

QdQ Q

Page 41: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

41

Solução - continuação

Função estritamente convexa 2

2

( )0

d f Q

dQ e temos um

conjunto convexo de restrições e por conseqüência temos um modelo de programação convexa. (Mínimo global, Solver soluciona)

Page 42: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

42

Solução - continuação

Os dados iniciais do problema ficam:

Célula B7: =B3*B4+B3/B7*B5+B7/2*B6

Page 43: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

43

Solução - continuação Aplicando o Solver

Page 44: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

44

Solução - continuação Solução

Solução inteira

Resposta

_ 1000_ 31,25

_ _ _ 32Demanda anual

Núm lotesNúm unidades por lote

Page 45: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

45

Problema prático 2 O Gerente de Projetos da LCL Telefonia Celular S.A. precisa localizar uma antena de transmissão para atender a três localidades da Baixada Fluminense no estado do Rio de Janeiro. Devido a problemas técnicos, a torre não pode estar a mais de 10 km do centro de cada cidade. Considerando as localizações relativas abaixo, o gerente deve tomar a decisão do melhor posicionamento para a antena.

Localidade x y

Nova Iguaçu -5 10

Queimados 2 1

Duque de Caxias 10 5

Page 46: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

46

Continuação problema prático 2

Page 47: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

47

Solução Função objetivo: Minimizar a soma das distâncias entre a torre e as cidades. Restrições: As distancias são menores que 10 Km Função objetivo:

2 2

i ii

Minimizar x X y Y

2 2 2 2

2 2

5 1 0 2 1

10 5

X Y X Y

X Y

Page 48: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

48

Solução Função objetivo:

2 2

i ii

Minimizar x X y Y

2 2 2 2

2 2

5 1 0 2 1

10 5

X Y X Y

X Y

Restrições:

2 2

2 2

2 2

105 10

102 1

1010 5

X Y

X Y

X Y

É difícil comprovar se a função objetivo é convexa ou não. Repete-se o Solver com várias estimativas.

Page 49: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

49

Solver

Célula D2: =RAIZ((B2-B$6)^2+(C2-C$6)^2) Célula B7: =SOMA(D2:D4)

Page 50: Apostila Po Otimizacao Nao Linear

Pesquisa Operacional II – Prof. Edilson Machado de Assis

50

Solver