Upload
internet
View
106
Download
1
Embed Size (px)
Citation preview
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-1Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Faculdade de Engenharia Elétrica e de Computação Faculdade de Engenharia Elétrica e de Computação Universidade Estadual de Campinas - UNICAMPUniversidade Estadual de Campinas - UNICAMP
PROGRAMAÇÃO NÃO LINEARPROGRAMAÇÃO NÃO LINEAR
INTRODUÇÃOINTRODUÇÃO
• Modelos de otimizaçãoModelos de otimização
• Componentes e característicasComponentes e características
• Classificação dos ModelosClassificação dos Modelos
• Modelos Não-LinearesModelos Não-Lineares
• Alguns Modelos ClássicosAlguns Modelos Clássicos
• Escopo e Conteúdo do CursoEscopo e Conteúdo do Curso
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-2Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Programação Não LinearProgramação Não Linear
Definição 1.1 OtimizaçãoDefinição 1.1 Otimização– Ramo da matemática aplicada que se ocupa da determinação das Ramo da matemática aplicada que se ocupa da determinação das
melhores soluções para certos problemas matematicamente bem melhores soluções para certos problemas matematicamente bem definidosdefinidos
Envolve:Envolve:– Estudo de critérios de otimalidadeEstudo de critérios de otimalidade
– Desenvolvimento de métodos algorítmicos de soluçãoDesenvolvimento de métodos algorítmicos de solução
– Análise da estrutura destes métodosAnálise da estrutura destes métodos
– Experimentação numérica em problemas-teste ou em problemas reaisExperimentação numérica em problemas-teste ou em problemas reais
Aplicabilidade dos Métodos de OtimizaçãoAplicabilidade dos Métodos de Otimização– Qualquer área em que se processe informação numérica:Qualquer área em que se processe informação numérica:
– MatemáticaMatemática– EngenhariaEngenharia– EconomiaEconomia
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-3Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Programação Não LinearProgramação Não Linear
Existência:Existência:• Existe um problema de otimização sempre que, a partir da descrição do Existe um problema de otimização sempre que, a partir da descrição do
problema, é possível identificar, em geral, as seguintes componentes problema, é possível identificar, em geral, as seguintes componentes básicas:básicas:
Objetivos: Objetivos: aspectos essenciais do problema que estão sujeitos a otimizaçãoaspectos essenciais do problema que estão sujeitos a otimização
Variáveis de decisão:Variáveis de decisão: variáveis do problema sob as quais se exerce controle no sentido de variáveis do problema sob as quais se exerce controle no sentido de
otimizar objetivosotimizar objetivos
Restrições:Restrições: fatores que limitam ou restringem os valores que as variáveis de fatores que limitam ou restringem os valores que as variáveis de
decisão do problema podem assumirdecisão do problema podem assumir
Parâmetros:Parâmetros: dados ou recursos necessários ao problema de otimizaçãodados ou recursos necessários ao problema de otimização
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-4Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Programação Não LinearProgramação Não Linear
Motivações:Motivações:– Utilização racional de recursos escassosUtilização racional de recursos escassos
– EspaçoEspaço– TempoTempo– EnergiaEnergia
– Exploração racional de recursos naturais renováveis/ não-renováveisExploração racional de recursos naturais renováveis/ não-renováveis• MineraçãoMineração• PescaPesca• Papel CelulosePapel Celulose• AgriculturaAgricultura
– Planejamento da atividade econômicaPlanejamento da atividade econômica• Melhoria de serviçosMelhoria de serviços• Melhoria da qualidade de vidaMelhoria da qualidade de vida• Aumento de produtividadeAumento de produtividade
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-5Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Programação Não LinearProgramação Não Linear
Auguns Fatores ComplicantesAuguns Fatores Complicantes• Presença de múltiplos objetivos, em geral conflitantesPresença de múltiplos objetivos, em geral conflitantes• Ambigüidade entre parâmetros e variáveis de decisãoAmbigüidade entre parâmetros e variáveis de decisão• Incertezas com relação a limites e restrições sobre variáveis e funçõesIncertezas com relação a limites e restrições sobre variáveis e funções• Elementos probabilísticos e variantes no tempoElementos probabilísticos e variantes no tempo• Conhecimento apenas qualitativo de certos aspectos do problemaConhecimento apenas qualitativo de certos aspectos do problema• Dimensão do problemaDimensão do problema
Complexidade X Viablilidade ComputacionalComplexidade X Viablilidade Computacional• Memória e capacidade de processamento dos computadores são limitadasMemória e capacidade de processamento dos computadores são limitadas• Restrições à formulação e ao modelo do problema são necessáriasRestrições à formulação e ao modelo do problema são necessárias
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-6Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Programação Não LinearProgramação Não Linear
Otimização Como AnáliseOtimização Como Análise– Apoio a tomada de decisões fornecendo ferramentas para a análise do Apoio a tomada de decisões fornecendo ferramentas para a análise do
problema sob diferentes cenáriosproblema sob diferentes cenários
Otimização Como SínteseOtimização Como Síntese– Em muitas situações, o modelo é uma representação fiel do problema a Em muitas situações, o modelo é uma representação fiel do problema a
ser resolvidoser resolvido
Exemplo 1.1Exemplo 1.1 - dentre os retângulos de mesmo perímetro p, encontre o que - dentre os retângulos de mesmo perímetro p, encontre o que produz a maior áreaproduz a maior área
1x
2x
21 22 xxp
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-7Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de OtimizaçãoModelo de Otimização
Curvas de nívelCurvas de nível
*1x
*2x
kxx 21
12 x
kx
1x
2x
164
2
2121
p)x,x(f
pxx
****
Solução
Solução Gráfica:Solução Gráfica:
1k 2k 3k
"Restrições"
Decisão" de Variáveis"
""Parâmetro..
.
"Àrea"
Objetivo" "Função
,
""Maximizar
0
0
22
2
1
21
2121
21
),(
x
x
pxxas
xxxx
xxfMax
pp/2/2
pp/2/2
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-8Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de OtimizaçãoModelo de Otimização
Solução Analítica:Solução Analítica:Como Como 2x2x11 + 2x + 2x22 = p = p, é possível reescrever o problema na forma:, é possível reescrever o problema na forma:
Do cálculo elementar, Do cálculo elementar, g(xg(x11)) atinge um máximo em quando atinge um máximo em quando
ee
Portanto, e
02
)( 1/1211
1 xx
pxg
xMax px
*11 xx
02
2)( *1*
111
1
px
xxxg
dx
d02)( *
1112
1
2
xx
xgdx
d
4*2
*1
pxx 16
),(2
*2
*1
pxxf
Solução Computacional:Solução Computacional:– alternativa quando as soluções gráfica ou analítica não são possíveis.alternativa quando as soluções gráfica ou analítica não são possíveis.
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-9Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de OtimizaçãoModelo de Otimização
Qualquer problema de otimização pode ser colocado na forma:Qualquer problema de otimização pode ser colocado na forma:
Onde Onde define a região de factibilidadedefine a região de factibilidade. .
No caso do exemplo 1.1No caso do exemplo 1.1
= { x = (x= { x = (x11, x, x22) : x) : x11 0, x 0, x22 0 e 2x 0 e 2x11 + 2x + 2x22 = p } = p }
A otimalidade de x* A otimalidade de x* pode ser expressa como: pode ser expressa como:
f (x*) f (x*) f (x), f (x), x x
– a)a) Condição Necessária de OtimalidadeCondição Necessária de Otimalidade
– b)b) Condição Suficiente de OtimalidadeCondição Suficiente de Otimalidade
0)(*
xxxf
dx
d
0)(*2
2
xx
xfdx
d
xxfMax
x)(
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-10Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Classificação dos Modelos de OtimizaçãoClassificação dos Modelos de Otimização
– a) Linear a) Linear xx Não LinearNão Linear– b) Mono - Objetivob) Mono - Objetivo xx Multi - ObjetivoMulti - Objetivo– c) Determinísticoc) Determinístico xx EstocásticoEstocástico– d) Diferenciáveld) Diferenciável xx Não - DiferenciávelNão - Diferenciável– e) Estáticoe) Estático xx DinâmicoDinâmico
Exemplo 1.2: Problema da DietaExemplo 1.2: Problema da DietaSelecionar alimentos e suas quantidades de modo a atender necessidades diárias mínimas de nutrientes a um custo mínimo..
• xx11, x, x2 2 , ... , x, ... , xnn : quantidades dos n alimentos
• b1 ,b2 , ... , bm : quantidades mínimas dos m nutrientes
• c1 ,c2 , ... , cn : custo/unidade dos n alimentos
• aij : concentração do nutriente i no alimento j
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-11Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de Otimização LinearModelo de Otimização Linear
Objetivo e restrições são funções lineares das variáveis de decisãoObjetivo e restrições são funções lineares das variáveis de decisão..
s.a:s.a:
Características:Características:– AditividadeAditividade
– ProporcionalidadeProporcionalidade
Propriedades:Propriedades:– Solução por algoritmos extremamente eficientesSolução por algoritmos extremamente eficientes
– Convergência em um número finito de passosConvergência em um número finito de passos
nn2211 xc ... xc xc Minx
mnmn2m21m1
n2n2221 21
n1n212111
b x a ... x a xa
b x a ... x axa
b x a ... x a xa
2
1
0 x, ... , x,x n21
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-12Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de Otimização Linear Multi - ObjetivoModelo de Otimização Linear Multi - Objetivo
Vários objetivos são considerados simultâneamente.Vários objetivos são considerados simultâneamente.
• s1,s2 , ... , sn : concentração de colesteral/unidade dos n alimentos• h1 ,h2 , ... , hn : concentração de carbohidrato/unidade dos n alimentos
Características:Características:– conflito entre objetivosconflito entre objetivos– perda de otimalidadeperda de otimalidade– solução de compromissosolução de compromisso
nn2211
nn 22 11
nn2211
xh ... xh xh
xs ... xs xs
xc ... xc xc
Minx
mnmn2m21m1
n2n2221 21
n1n212111
b x a ... x a xa
b x a ... x axa
b x a ... x a xa
2
1
0 x, ... , x,x n 21
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-13Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Objetivos e/ou restrições são funções de variáveis aleatóriasObjetivos e/ou restrições são funções de variáveis aleatórias
valor esperado
Características:Características:– a solução também é caracterizada em termos estatísticosa solução também é caracterizada em termos estatísticos– em geral, busca-se modelos determinísticos equivalentesem geral, busca-se modelos determinísticos equivalentes
Modelo de Otimização EstocásticaModelo de Otimização Estocástica
nn2211 xc ... xc xc Minx
m
n
b xa ... xa xa
b xa ... xa xa
b xa ... xa xa
nmn2m21m1
2n2 222 121
1n1n212111
0 x, ... , x,x n21
c1,c2, ... ,Cn
aij , i = 1,2, ... , n
j = 1,2, ... , m
Variáveis aleatórias Variáveis aleatórias com distribuições de com distribuições de probabilidades probabilidades conhecidas.conhecidas.
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-14Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Objetivo e/ou restrições são funções não - diferenciáveis das Objetivo e/ou restrições são funções não - diferenciáveis das variáveis de decisãovariáveis de decisãoExemplo: o custo do alimento j pode ser descrito como:Exemplo: o custo do alimento j pode ser descrito como:
Características:• grandes dificuldades numéricas
• caso especial: se são lineares, então Programação
Linear por Partes
Modelo de Otimização Não - DiferenciávelModelo de Otimização Não - Diferenciável
)(xf , )(xf ),(xf djj2j1 jjj
0 q1 q2 xj
cj(xj)
dj1jdj
2j1jj2
1jjj1
jj
qxq),(xf
qxq),(xf
qx0),(xf
)(xc
d
onde: d nº de pontos de não - diferenciabilidade
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-15Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de Otimização DinâmicaModelo de Otimização Dinâmica
O modelo é descrito por relações integro - diferenciais; as variáveis de O modelo é descrito por relações integro - diferenciais; as variáveis de decisão são funções do tempodecisão são funções do tempo..
Exemplo 1.3 - Pesca Racional em um lagoExemplo 1.3 - Pesca Racional em um lago
• y(t)y(t) : quantidade de peixes no instante t: quantidade de peixes no instante t• u(t)u(t) : intensidade da pesca no instante t : intensidade da pesca no instante t
• p, q, p, q, , , : constantes: constantes• TT : horizonte de otimização: horizonte de otimização
Características:Características:– Busca-se uma solução do tipo Busca-se uma solução do tipo
– Uma Uma técnica de soluçãotécnica de solução: Programação Dinâmica: Programação Dinâmica
0
T0
)0(),( - ) )(
- ) )(
.Yytu(t)yy(tty
dtu(t)qy(tu(t)ptu
Max
Tt0φ(y(t))u(t)peixe)dee(quantidaddeintensida
f
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-16Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
ANÁLISE GERALANÁLISE GERAL
Diferentes modelos impõem diferentes condições de otimalidade e Diferentes modelos impõem diferentes condições de otimalidade e requerem métodos específicos de abordagem.requerem métodos específicos de abordagem.
Escopo do CursoEscopo do Curso– Curso se limita apenas a modelos de otimizaçãoCurso se limita apenas a modelos de otimização
• Não - LinearesNão - Lineares• Mono - ObjetivosMono - Objetivos• DeterminísticosDeterminísticos• DiferenciáveisDiferenciáveis• EstáticosEstáticos
Modelos de Otimização Não - LinearModelos de Otimização Não - Linear– Em função do tipo de não - linearidade, a otimização não - linear pode Em função do tipo de não - linearidade, a otimização não - linear pode
ser subdividida em:ser subdividida em: Quadrática Fracionária Geométrica Separável
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-17Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Modelo de Otimização QuadráticaModelo de Otimização Quadrática
– Considere o modelo estocástico do problema da dieta; os custos são variáveis aleatórias.
• Valor médio da função objetivo
• Variância da função objetivoVariância da função objetivo
– Alternativa
– Restrição de Custo:Restrição de Custo:
nn xcxcxc ...2211
jij,i xxv
n
1j
n
1i
jij
ji xxvx
Minn n
i
1 1
0...2211 cxcxcxc nn 0 x, ... , x,x n21
mnmn2m2m1
2n22221
1n1n21211
b x a ... x a xa
b x a ... x axa
b x a ... x a xa
1
2n1
1
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-18Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Seja p a probabilidade de que o custo da dieta seja menor ou igual a cº.
p = probp = probcc11xx11 + c + c11xx1 + ... + 1 + ... + ccnnxxnn c coo
Por hipótese, suponha que ci = i + w i, onde w é uma variável aleatória. Neste caso,
Problema:Problema:
Modelo de Otimização FracionáriaModelo de Otimização Fracionária
0
1
)( cxwprobp iii
n
j
n
iii
n
iii
x
xcwprobp
1
1
0
n
iii
n
iii
x
xcMax
x1
1
0
mnmn2m21m1
2n2n2221 21
1n1n212111
b x a ... x a xa
b x a ... x axa
b x a ... x a xa
0 x, ... , x,x n 21
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-19Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Problemas geométricos são freqüentes em projetos de engenharia.Problemas geométricos são freqüentes em projetos de engenharia.
Exemplo 1.4Exemplo 1.4 - Encontre o raio x - Encontre o raio x11 e a altura x e a altura x22 de um cilindro cujo volume não de um cilindro cujo volume não
seja inferior a v e que apresente custo de construção mínimo.seja inferior a v e que apresente custo de construção mínimo.
Onde:Onde: e e
c1 : custo/unid. área circular;
c2 : custo/unid. área lateral.
As funções do modelo de otimização geométrica são compostas por As funções do modelo de otimização geométrica são compostas por termos do tipo:termos do tipo:
Modelo de Otimização GeométricaModelo de Otimização Geométrica
2211
21 22 cxxcxMin
x
Vxx 221 021 xx
x2
x1
0aa1iij
n
1i
ijiii tk , xkt
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-20Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Outros ModelosOutros Modelos
Outros modelos de otimização cuja importância advém de características Outros modelos de otimização cuja importância advém de características estruturais.estruturais.
Modelo de Otimização Inteira / Mista– As variáveis de decisão (ou parte delas) só podem assumir valores
inteiros.
xi = 0,1,2,3, ....
Modelo de Otimização SeparávelModelo de Otimização Separável
n
1i
)(fMin ii xx
n1,2,3,...,i
m1,2,3,...,j
0x
0)(xg
i
n
1iiij
RRg
RRf
ij
i
:)(
:)(
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-21Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Escalas de Problemas de OtimizaçãoEscalas de Problemas de Otimização
– O porte do problema de otimização é função:O porte do problema de otimização é função:• da quantidade de memóriada quantidade de memória• do esforço computacionaldo esforço computacional
necessários para obter sua solução.necessários para obter sua solução.
– A análise do porte (grande, médio, pequeno) é complicada por alguns A análise do porte (grande, médio, pequeno) é complicada por alguns fatores:fatores:
• Diversidade de arquiteturasDiversidade de arquiteturas• Surgimento de novas tecnologiasSurgimento de novas tecnologias
• Processamento paraleloProcessamento paralelo• Programação concorrenteProgramação concorrente
– Desempenho de algoritmosDesempenho de algoritmos• Número de bytes alocadosNúmero de bytes alocados• Tempo de CPU (relativa)Tempo de CPU (relativa)• Número de operações elementares (absoluta)Número de operações elementares (absoluta)
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-22Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Otimização na FEEC / UNICAMPOtimização na FEEC / UNICAMP
TeoriaTeoria– Desenvolvimento de novos métodos / algoritmosDesenvolvimento de novos métodos / algoritmos
AplicaçõesAplicações– Quase sempre vinculados a convênios com organizações públicas.Quase sempre vinculados a convênios com organizações públicas.
• ANEEL, ONS, DUKE, CESP, AES, ELETROPAULO, CPFL ANEEL, ONS, DUKE, CESP, AES, ELETROPAULO, CPFL • TELEBRAS, RFFSA, TELESPTELEBRAS, RFFSA, TELESP
Algumas ÀreasAlgumas Àreas– Planejamento e controle da produçãoPlanejamento e controle da produção
– Planejamento e programação de sistemas eletro-energéticosPlanejamento e programação de sistemas eletro-energéticos
– Transportes (urbanos, ferroviários, ...)Transportes (urbanos, ferroviários, ...)
– Planejamento de redes de comunicaçãoPlanejamento de redes de comunicação
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-23Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Exemplo de AplicaçãoExemplo de Aplicação
PROBLEMAS DE LOCALIZAÇÃO E TRANSPORTEPROBLEMAS DE LOCALIZAÇÃO E TRANSPORTE
– N Fábricas
– M Mercados
Problema:Problema: Determine as localizações Determine as localizações ( x( xii, y, yi i ), ), i = 1,2, ... , Ni = 1,2, ... , N das fábricas e os volumes a das fábricas e os volumes a
transportar transportar wwij ij , , i =1,2, ... , N ; j = 1,2, ... , Mi =1,2, ... , N ; j = 1,2, ... , M de forma a minimizar a soma total de forma a minimizar a soma total
das distâncias percorridas.das distâncias percorridas.– ccii : capacidade da fábrica: capacidade da fábrica i i
– rrjj : demanda do mercado : demanda do mercado jj
– ddijij : distância entre a fábrica: distância entre a fábrica i i e o mercado e o mercado jj
– wwijij : volume destinado pela fábrica: volume destinado pela fábrica i i ao mercado ao mercado jj..
(a2,b2)
(a1,b1)
(a3,b3)
r1
r2
r3
(x1,y1)
(x2,y2)
F1
F2
c1
c2
M1
M2
M3
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-24Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Exemplo de AplicaçãoExemplo de Aplicação
Modelo de OtimizaçãoModelo de Otimização
No ModeloNo Modelo,,– as distâncias são ponderadas pelos volumesas distâncias são ponderadas pelos volumes– ddijij = f(x = f(xii,y,yii,a,ajj,b,bjj).). Por exemplo, Por exemplo,
: região do plano xy onde é possível localizar as fábricas
M
1i
N
1jij
i,i
ijijwyx
dwMin1,2,...,Ni
M
jiij ,
1cw
1,2,...,Mj
N
1ijij ,rw
Ω),y(x
,
ii
1,2, ... Mj, 1,2, ... Niij 0w
22 )by()ax(d jijiij
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-25Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Exemplo de aplicaçãoExemplo de aplicação
Problema:Problema:Determinar os níveis de geração térmica e hidráulica de forma a atender Determinar os níveis de geração térmica e hidráulica de forma a atender a demanda em cada período do horizonte de planejamento a um custo a demanda em cada período do horizonte de planejamento a um custo mínimo.mínimo.
Subsistema TérmicoSubsistema Térmico
ggijij: : geração da térmica i no período jgeração da térmica i no período j
ccii: custo de geração da: custo de geração da térmica itérmica i
GeraçãoGeraçãoTérmicaTérmica
GeraçãoGeraçãoHidráulicaHidráulica
Dj = Demanda
Tj
Hj + Tj= DjHj
gij
ci (gij)
0
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-26Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Exemplo de aplicaçãoExemplo de aplicação
– A dinâmica do reservatório da usina i pode ser modelada com:
xi,j+1 = xij - uij + zij + yij
– Na equação dinâmica;
• zij : representa o volume total de água defluído no período j pelas usinas que estão imediatamente acima da usina i
• yij : representa o volume total de água afluente incremental (lateral) que chega à usina i no período j
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-27Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Exemplo de aplicaçãoExemplo de aplicação
– Devido ao elevado custo da energia térmica, o problema é normalmente Devido ao elevado custo da energia térmica, o problema é normalmente formulado como:formulado como:
N
j
n
iiji
ij
kj
gcMingu
1 1
)(
j
n m
kkjij D
ig
1 1
kjkj( x( xkjkj, u, ukj kj ) = k) = kkkuukj kj kjkj(x(xkjkj))
xk,j+1 = xkj - ukj + zkj + ykj
kkjuuu k
kkjk xxx
iijiggg
i = 1,2, ... , n
j = 1,2, ... ,N
N:N: horizonte horizonten:n: nº de térmicas nº de térmicasm:m: nº de hidráulicas nº de hidráulicas
k = 1,2, ... , m
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-28Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Conclusão GeralConclusão Geral
A grande diversidade de modelos e aplicações de otimização não - linear A grande diversidade de modelos e aplicações de otimização não - linear torna necessária uma abordagem genérica do problematorna necessária uma abordagem genérica do problema
Neste curso, considera-se problemas de programação matemática na Neste curso, considera-se problemas de programação matemática na forma geral.forma geral.
O conjunto é normalmente reservado para descrever restrições mais simples. Por exemplo,
Min Min (x)(x) xx hi(x) = 0, i=1,2, ... , m
gj(x) 0, j=1,2, ... , n x onde:onde:
x Rn
(.):Rn R, ; hi(.):Rn R; gj(.):Rn R
0: xRx n
Pro
gra
ma
ção
Nã
o L
ine
ar
e D
inâ
mic
a n
o P
lan
eja
me
nto
e P
rog
ram
açã
o d
a O
pe
raçã
o E
nerg
étic
a
Slide-29Copyright, 2005 © Notas de Aula - Prof. Secundino Soares
COSE - 2006COSE - 2006
Dois Aspectos CentraisDois Aspectos Centrais
– Primeiro:estabelecer condições necessárias e/ou suficientes para que dada solução x* seja considerada um mínimo do problema;
– Segundo: estudar o comportamento de algoritmos que obtém x* como o limite de uma seqüência de soluções xo, x1, ... , x* que converge satisfazendo as condições de otimalidade do problema.
– Estratégia• abordagem em grau crescente de complexidade
problemas irrestritos problemas com restrições de igualdade problemas com restrições de igualdade e desigualdade
– Antes dissoAntes disso;• fundamentos teóricos