programação não linear conteúdos da seção - deinf/ufmaacmo/grad/po_c06_v2005.pdf · 1...
TRANSCRIPT
1
Programação não Linear Conteúdos da Seção w Programação Não Linear
n Aplicações n Solução Gráfica n Resolução no Excel
w Controle de Eestoque n Modelo do Lote Econômico
w Problemas de Localização n Caso LCL Telecom S.A.
2
Programação Não Linear w De forma geral um problema de programação não
linear tem a seguinte forma:
),...,,(= xonde 0x
,...,2,1 para )x( )x( ou
21 n
ii
xxx
mibgstfMinMax
≥
=≤
w Onde g(x) e/ou f(x) apresentam algum tipo de não-
linearidade w Nenhum algoritmo resolve todos os problemas que
podem ser incluídos neste formato. Aplicações w Problemas de Mix de Produtos em que o “lucro”
obtido por produto varia com a quantidade vendida. w Problemas de Transporte com custos variáveis de
transporte em relação à quantidade enviada. w Seleção de Portfolio com Risco
3
Solução Gráfica w Considere o Problema de Programação Linear e sua
solução gráfica w Restrições são quadráticas
w A solução ótima (1):
n Continua na fronteira do conjunto de soluções viáveis.
n Não há mais garantia que possa ser em um ponto extremo do espaço de busca.
n Não existe a simplificação existente em Programação Linear
Max Z x x= +3 51 2
1s.t. x ≤ 4
x x≥ ≥0 01 2,
9 5 21612
22x x+ ≤
Max Z x x= +3 51 2
1s.t. x ≤ 4
x x≥ ≥0 01 2,
9 5 21612
22x x+ ≤
x2
1 2 3 4
4
2
6
00 x1
SoluçãoViável
(2;6)
x2x2
1 2 3 4
4
2
6
00 x1x1
SoluçãoViável
(2;6)
4
w A função objetivo é quadrática.
( )[ ] ( )[ ]( )[ ] ( )[ ]( )[ ] ( )[ ]( )[ ] ( )[ ]2
22
1
22
21
22
21
22
21
2
222
2
121
22
222
211
71379=127807= Z
71379=221857= Z
71379=171907= Z
71379637441
26182
13182
1318
1269
1269
26182
1318
1269
131829126
−+−⇒
−+−⇒
−+−⇒
−−−−=−−
+
−−
+
−−=
−
−
−+−
xxPara
xxPara
xxPara
xxZ
xxxxZ
xxxxZ=
2
4
4
6
2 x 1
x2
SoluçãoViável
Z = 907
Z = 807Z = 857
2
4
4
6
2 x 1x 1
x2x2
SoluçãoViável
Z = 907Z = 907
Z = 807Z = 807Z = 857Z = 857
1
2x ≤ 122
3x x+ ≤2 181 2
s r x ≤ 4. .
x x≥ ≥0 01 2,
MaxZ= x x x x126 9 182 131 12
2 22− + −
1
2x ≤ 122
3x x+ ≤2 181 2
s r x ≤ 4. .
x x≥ ≥0 01 2,
MaxZ= x x x x126 9 182 131 12
2 22− + −
5
w A solução ótima (2): w A solução ótima de um problema de programação
não linear (NLP), diferentemente de um problema de LP, pode ser qualquer valor do conjunto de soluções viáveis.
w Algoritmos em NLP devem pesquisar todos os
valores possíveis.
Solução no interior doconjunto de soluçõesviáveis e não mais na fronteira do conjunto
4
2
6
2 4 x1
x2
SoluçãoViável
3
3
Z = 162Z =189
Z =198
222
211 1378954 xxxxZMax −+−= 2
22211 1378954198 xxxx=ZMax −+−=
Solução no interior doconjunto de soluçõesviáveis e não mais na fronteira do conjunto
4
2
6
2 4 x1x1
x2x2
SoluçãoViável
3
3
Z = 162Z = 162Z =189Z =189
Z =198Z =198Z =198
222
211 1378954 xxxxZMax −+−= 2
22211 1378954198 xxxx=ZMax −+−= 2
22211 1378954198 xxxx=ZMax −+−=
( )[ ] ( )[ ]( )[ ] ( )[ ]
Z= x x x x
Z x x x x
Z x x
Para x x
Para
54 9 78 13
95418
137826
9549
5418
137813
7826
81 117 9 3 13 3
9 3 13 3
1 12
2 22
2 2
12
1
2
22
2
2
1
2
2
2
1
2
2
2
− + −
−
−
= − −
+
− −
+
− − = − − − −
⇒ − + −
⇒
Z = 198 0 =
Z = 189 ( )[ ] ( )[ ]( )[ ] ( )[ ]
9 9 3 13 3
36 9 3 13 3
1
2
2
2
1
2
2
2
=
Z = 162 =
x x
Para x x
− + −
⇒ − + −
( )[ ] ( )[ ]( )[ ] ( )[ ]
Z= x x x x
Z x x x x
Z x x
Para x x
Para
54 9 78 13
95418
137826
9549
5418
137813
7826
81 117 9 3 13 3
9 3 13 3
1 12
2 22
2 2
12
1
2
22
2
2
1
2
2
2
1
2
2
2
− + −
−
−
= − −
+
− −
+
− − = − − − −
⇒ − + −
⇒
Z = 198 0 =
Z = 189 ( )[ ] ( )[ ]( )[ ] ( )[ ]
9 9 3 13 3
36 9 3 13 3
1
2
2
2
1
2
2
2
=
Z = 162 =
x x
Para x x
− + −
⇒ − + −
6
w Otimização não linear sem restrições
Funções-desafio multimodais
Otimização não linear com restrições
7
Métodos vBaseados em gradiente Ø Generalized Reduced Gradient (GRG): § Usado pelo Excel: não garante que a solução
encontrada é uma solução global. § O Solver às vezes tem dificuldades de achar
soluções para problemas que tenham condições iniciais para as variáveis iguais a zero § A partir de uma solução inicial, segue passo a
passo calculando valores para as variáveis do modelo e verificando o comportamento da função objetivo. § O Solver aproxima as derivadas
numericamente, adicionando um pequeno valor a cada variável e observando a taxa de alteração nas restrições e função objetivo. § Este processo é chamado de diferenciação
finita. § O processo pára quando a função objetivo
inverte a tendência.
8
Métodos vBaseados em gradiente Ø Gradiente conjugado Ø Quasi-Newton § Também são considerados otimizadores locais,
isto é, são dependentes de um ponto inicial dado dentro do espaço de busca; § Uma maneira prática para tentar minorar o
problema de máximos e mínimos locais é começar a otimização de diversos pontos iniciais, gerados aleatoriamente. § Se todas as otimizações gerarem o mesmo
resultado, há uma grande chance de se ter atingido um ponto global. § Uma forma mais elegante é garantir o ótimo
baseando-se nas condições de concavidade e convexidade da função-objetivo. § Existem várias técnicas que garantem boa
convergência (robustez) para estes métodos § Métodos baseados em derivadas enfrentam
problemas com descontinuidades de espaço de busca.
9
Métodos vConvexidade de funções Ø Funções não lineares podem unimodal ou
multimodal. Ø As funções unimodais podem ser côncavas ou
convexas. Ø Fornece informação para que se possa afirmar se
um mínimo (ou máximo) local é também mínimo (ou máximo) global. Ø Convexidade: § côncava, a função objetivo é uma função
côncava (tem um único máximo) § convexa, a função objetivo é uma função
convexa (tem um único mínimo)
Como calcular ?
10
Métodos vProgramação côncava e convexa Ø Sem restrições: § Função côncava: máximo local é também
global; § Função convexa: mínimo local é também
global; Ø Com restrições: § Seja a função objetivo côncava (maximização)
ou convexa (minimização) pode ser resolvido se o conjunto de soluções viáveis for convexo § Conjunto convexo:
• gi(x) ≤ bi e gi(x) for convexa • gi(x) ≥ bi e gi(x) for côncava
vProgramação quadrática Ø Formato geral:
∑ ∑ ∑=
−
= +=
=n
i
n
iji
n
ijijii xxBxAXf
1
1
1 1
2)(
Ø Exemplo: ax2+bxy+cy2 Ø Um problema de otimização é dito PPQ se: § A função objetivo é uma função quadrática
• Maximização: função côncava • Minimização: função convexa § As restrições são lineares
11
vBaseadas em avaliação de soluções Ø Padrões de busca: § Down-hill simplex: O(n2,11) § Seja X={x1, x2,..., xn+1} um conjunto de pontos
em Rn avaliados pela função objetivo f :
12
vBaseadas em avaliação de soluções § Down-hill simplex:
§ Hooke-Jeeves direct search: O(n)
13
Técnicas para solução vBaseadas em avaliação de soluções Ø Metaheurísticas: § Estratégias específicas para explorar o máximo
de soluções possíveis em tempo computacional admissível § Sistemas imunológicos:
• Imunologia: seleção clonal e mutação; • Aspectos do problema representam antígenos
que ativam células do sistema imunológico mais aptas a produzirem anticorpos (soluções) contra eles;
• Clones são gerados com cardinalidade proporcional à sua afinidade
14
Ø Metaheurísticas: § Sistemas imunológicos
• Maturação de afinidade: células ou anticorpos podem sofrer variações genéticas (mutação), permitindo que eles se adaptem melhor ao ambiente (aumentem a afinidade).
• Seleção clonal: seleção é efetuada sobre a população de clones após sua maturação.
15
Ø Metaheurísticas: § Sistemas imunológicos em otimização
• Otimização multimodal: cada anticorpo irá explorar sua vizinhança.
16
Ø Metaheurísticas: § Sistemas imunológicos em otimização
• Otimização combinatória: TSP
17
Técnicas para solução § Algoritmos Evolutivos:
• Evolução das espécies: seleção natural, cruzamento e mutação;
• Soluções de qualidade podem ser obtidas a partir de soluções de qualidade;
• Exemplo: algoritmos genéticos, estratégias evolutivas e programação evolutiva;
§ Busca scatter • Não há uma estratégia inspirada na natureza • Baseado no balanceamento de movimentos de
exploração e intensificação (exploration and exploitation);
• Soluções de qualidade podem ser obtidas a partir de soluções de qualidade, sem desprezar subespaços de busca pouco promissores;
• Mantém dois conjuntos de soluções: Referência e Diversificado
• Realiza combinações entre soluções desses conjuntos (cruzamento);
• Tem políticas de inclusão e exclusão de soluções desses conjuntos;
• Realiza busca local;
18
Técnicas para solução § Algoritmos híbridos
• Metaheurística e busca local: exploração e intensificação
• Exemplos: AG+Gradiente; Scatter + SNM • Busca evolutiva através de agrupamentos:
19
Controle de Estoque w Um dos modelos mais simples de controle de
estoque é conhecido como Modelo do Lote Econômico. n A demanda (ou uso) do produto a ser pedido é
praticamente constante durante o ano. n Cada novo pedido do produto deve chegar de uma
vez no exato instante em que este chegar a zero. n Objetivo: determinar o tamanho do pedido e a sua
periodicidade dado os seguintes custos: n Manutenção de Estoque – Custo por se manter o
capital no estoque e não em outra aplicação, rendendo benefícios financeiros para a empresa.
n Custo do Pedido – associado ao trabalho de efetuar o pedido de um determinado produto.
n Custo de Falta – associado às perdas decorrentes da interrupção da produção por falta do produto.
Demanda Anual =100Lote=25,Pedido= 4Estoque Médio = 12,5
3 6 9 12meses
25
12,5
25
Demanda Anual =100Lote=50, Pedidos = 2Estoque Médio = 25
6 12meses
50
Demanda Anual =100Lote=25,Pedido= 4Estoque Médio = 12,5
3 6 9 12meses
25
3 6 9 12meses
3 6 9 12meses
25
12,512,5
2525
Demanda Anual =100Lote=50, Pedidos = 2Estoque Médio = 25
6 12meses
Demanda Anual =100Lote=50, Pedidos = 2Estoque Médio = 25
6 12meses
50
20
Controle de Estoque w Variável de Decisão
Q – Quantidade por Pedido
w Função Objetivo = mC2Q
SQD
CDTotal Custo ⋅+⋅+⋅=
Onde: D = Demanda Anual do Produto C = Custo Unitário do Produto S = Custo Unitário de Fazer o Pedido Cm= Custo unitário de manutenção em estoque por
ano Caso LCL Computadores w A LCL Computadores deseja diminuir o seu estoque
de mainboards. Sabendo-se que o custo unitário da mainboard é de R$50,00, o custo anual unitário de manutenção de estoque é de R$20,00 e o custo unitário do pedido é de R$10,00, encontre o lote econômico para atender a uma demanda anual de 1000 mainboards.
21
Problema de localização (versão não linear) w Localização de Fábricas, Armazéns, Centros de
distribuição e torres de transmissão telefônica. w Minimizar a distância total entre os centros
consumidores e o centro de distribuição, reduzindo assim teoricamente o custo de transporte. w Deve-se determinar a posição dos centros
consumidores em relação a uma origem aleatória, usando um mapa com um eixo cartesiano. w Se as distâncias d forem conhecidas, então trata-se de
um problema de transporte (versão linear)
22
Problema de localização (versão não linear) Modelo
23
Caso LCL Telefonia Celular S.A. w O Gerente de Projetos da LCL Telecom, tem que
localizar uma antena de retransmissão para atender a três localidades na Baixada Maranhense. Por problemas técnicos a antena não pode estar a mais de 10 km do centro de cada cidade. Considerando as localizações relativas abaixo, determine o melhor posicionamento para a torre.
Localidade X Y Viana -5 10 Cajari 2 1 Penalva 10 5
w Variáveis de Decisão n X – Coordenada no eixo X da torre de transmissão n Y – Coordenada no eixo Y da torre de transmissão
24
Caso LCL Telefonia Celular S.A. w Variáveis de decisão w Onde localizar a antena (X,Y) wX – Coordenada no eixo X da torre de transmissão wY – Coordenada no eixo Y da torre de transmissão
w Função Objetivo
∑=
−+−3
1
22 )()(i
ii YyXxMin
w Restrições de Distância
10)()(
10)()(
10)()(
23
23
22
22
21
21
≤−+−
≤−+−
≤−+−
YyXx
YyXx
YyXx
10)()(
10)()(
10)()(
23
23
22
22
21
21
≤−+−
≤−+−
≤−+−
YyXx
YyXx
YyXx
25
Caso LCL Telefonia Celular S.A. w Solução