Академический Документы
Профессиональный Документы
Культура Документы
Departamento de Matematica
Pontifcia Universidade Catolica
do Rio de Janeiro
Sum
ario
Pref
acio
1 O Problema do Fazendeiro
iv
1
2 O Problema do Jornaleiro
10
11
13
15
3 Programac
ao Linear com Coecientes Aleat
orios
17
18
27
4 Modelos de Recurso
32
32
36
4.3 Admissibilidade . . . . . . . . . . . . . . . . . . . . . . . . .
38
45
45
46
48
50
5 O m
etodo L-shaped
52
52
55
56
58
6 Restri
c
oes probabilsticas
61
6.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
63
71
7 M
etodos Amostrais
77
77
82
A Probabilidade
90
B Estatstica
98
C Convexidade
102
D Programac
ao Linear
107
113
116
118
Pref
acio
A maioria dos problemas da vida real trazem, em si, incertezas: elas sao
inerentes em virtualmente todos os sistemas relacionados com atuaria, economia, meteorologia, demograa, ecologia, etc. Nos dias de hoje, problemas
envolvendo interacoes entre homem, natureza e tecnologia estao sujeitos a
mudancas rapidas, o que aumenta a incerteza. Cada nova revolucao tecnologica traz novos desaos para o conhecimento estabelecido ate entao.
Mesmo no contexto determinstico, existem sistemas que sao tao complexos,
que eles nao permitem uma medida precisa de seus parametros.
A area de otimizac
ao estocastica (tambem conhecida como otimizacao sob
incerteza) estuda modelos e metodos para abordar tais situacoes: elas incorporam incertezas na modelagem atraves da inclusao de variaveis aleatorias
com distribuicao de probabilidade conhecida. O objetivo e, entao, encontrar solucoes que sejam admissveis para todas as possveis realizacoes das
variaveis aleatorias que sao parte da modelagem.
A inclusao de variaveis aleatorias em um modelo de otimizacao cria muitas
diculdades: O que e uma solucao admissvel? O que e uma solucao otima?
Como resolver estes problemas? Apresentaremos neste texto algumas das
abordagens que procuram responder (dar um sentido) a estas perguntas.
Nos concentraremos em uma classe muito importante de problemas de otimizacao estocastica: os chamados modelos de recurso em dois est
agios. Em
linhas gerais, estes modelos permitem que se faca uma escolha inicial (dita
de primeiro estagio) antes de se conhecer o valor dos parametros incertos.
Apos o conhecimento dos valores dos mesmos, o agente de decisao faz novas
escolhas (ditas de segundo estagio) que visam corrigir possveis efeitos negativos gerados pela decisao de primeiro estagio (por este motivo, as decisoes
de segundo estagio tambem sao chamadas de acoes corretivas).
A solucao obtida atraves da resolucao de um problema de otimizacao
estocastica e balanceada para todos os possveis cenarios, ou seja, e a melhor solucao que leva em contas todos os possveis valores que os parametros
aleatorios podem assumir. Nao xamos simplesmente cada cenario e resolve-
Pref
acio
(hjbortol@vm.u.br)
(bernardo@mat.puc-rio.br)
Departamento de Matem
atica Aplicada
Departamento de Matem
atica
Universidade Federal
Fluminense
do Rio de Janeiro
Captulo 1
O Problema do Fazendeiro
Vamos comecar nosso estudo de otimizacao estocastica pelo problema do
fazendeiro [3]. Joao e um fazendeiro que possui de 500 hectares (ha) de
terra disponveis para cultivo. Alias, lembre-se que 500 ha equivalem a
5 000 000 m2. Ele e especialista em tres cultivos: trigo, milho e cana-deacu
car. Durante o inverno, ele tem que decidir quanto de terra ser
a dedicada
a cada uma das tres culturas. A Figura 1.1 mostra duas possibilidades de
divisao.
milho
trigo
cana-de-acar
cana-de-acar
trigo
milho
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Trigo
2.5
150
170
Milho
3.0
230
150
238
200
210
240
Cana-de-acu
car
20
260
36 ( 6 000 T)
10 (> 6 000 T)
Para ajudar Joao a decidir sobre como dividir suas terras de forma a
maximizar seus lucros, vamos formular um problema de otimizacao linear
que descreve essa situacao. Dena
x1
x2
x3
w1
y1
w2
y2
w3
w4
O Problema do Fazendeiro
a` frente no texto. Logicamente, o valor da funcao objetivo deve ser interpretado com o sinal oposto. Dessa forma o problema ca
minimizar
(1.1)
Area (ha)
120
Total produzido 300
Total vendido
100
Total comprado
Milho
80
240
Cana-de-acu
car
300
6 000
6 000
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
1.1
Representando cen
arios
Vamos supor que num ano particularmente favoravel os rendimentos sejam 20% maiores que os rendimentos medios sugeridos por Joao. Alterando
esse dados e resolvendo o problema para esses rendimentos obtemos a solucao
descrita na Tabela 1.3. Por outro lado podemos ter um ano desfavoravel no
qual os rendimentos quem 20% abaixo da media. Nesse caso a solucao e
dada pela Tabela 1.4.
Trigo
Area (ha)
183.33
Total produzido
550
Total vendido
350
Total comprado
Lucro total: R$ 167 600
Milho
66.67
240
-
Cana-de-acu
car
250
6 000
6 000
-
Trigo
Area
(ha)
100
Total produzido 200
Total vendido
Total comprado
Lucro total: R$ 59 950
Milho
25
60
180
Cana-de-acu
car
375
6 000
6 000
-
O Problema do Fazendeiro
(1.2)
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
tocastica. Essa denominacao vem do fato que todas as variaveis que dependem de cenarios estao explicitamente descritas no modelo. As variaveis
x sao chamadas variaveis de primeiro est
agio, pois seu valor tem que ser
denido antes de se conhecer o clima e, conseq
uentemente, o rendimento das
culturas. As variaveis yis e wis sao variaveis de segundo est
agio. Sao variaveis
que sao escolhidas apos o conhecimento do rendimento das lavouras. Elas
servem para corrigir uma possvel situacao de decit nas necessidades alimentares do gado resultante da escolha x de primeiro estagio. O problema
do fazendeiro e um exemplo de problema de recurso com dois est
agios, que
sera estudado em detalhe mais adiante no texto.
Note que o problema 1.2 e linear e pode ser resolvido da mesma forma
que os anteriores. Exibimos na Tabela 1.5 a solucao otima, bem como as
quantidades produzidas em cada cenario e os valores de compra e venda das
culturas.
Primeiro estagio
s=1
(Acima)
Area
(ha)
Rendimento (T)
Venda (T)
Trigo
170
510
310
Milho
80
288
48
s=2
(Media)
Compra(T)
Rendimento (T)
Venda (T)
425
225
240
s=3
(Abaixo)
Compra(T)
Rendimento (T)
Venda (T)
340
140
192
48
Compra(T)
Lucro total: R$ 108 390
Cana-de-acu
car
250
6 000
6 000
(preco favoravel)
-5 000
5 000
(preco favoravel)
4 000
4 000
(preco favoravel)
A primeira linha da Tabela 1.5 nos da a solucao de primeiro estagio enquanto que as outras descrevem a solucao de segundo estagio para cada
cenario. O aspecto mais interessante da solucao estocastica e que ela deixa
claro ser impossvel escolher uma solucao que seja otima para todos os
cenarios. No caso s = 3 por exemplo, onde os rendimentos sao 20% abaixo
da media, temos a compra de 48 toneladas de milho para suprir as necessida claro que se soubessemos que os rendimentos seriam abaixo
des do gado. E
O Problema do Fazendeiro
da media teramos reservado mais area para o plantio de milho para evitar
que este produto fosse comprado de outros comerciantes.
Dessa forma, a solucao de primeiro estagio (x1, x2, x3) = (170, 80, 250) do
problema (1.2) representa o melhor que se pode fazer diante dos diferentes
cenarios que podem ocorrer. Na proxima secao vamos tentar mensurar o
ganho de Joao por considerar o problema estocastico bem como a quantidade
de dinheiro perdida por nao conhecer com exatidao o futuro.
1.2
EVPI e VSS
Imagine que Joao tenha uma bola de cristal e consiga prever o clima no
futuro. Sob essa hipotese, ele nao precisa do modelo estocastico (1.2): sempre
que ele anteve um rendimento 20% abaixo da media (respectivamente 20%
acima da media) ele escolhe a solucao dada na Tabela 1.4 (resp. Tabela 1.3).
Se os rendimentos forem na media, ele se baseia na Tabela 1.2.
Se esperarmos um n
umero grande de anos, entao o rendimento medio de
Joao sob informacao perfeita (WS = Wait and See) sera
R$ 59 950 + R$ 167 667 + R$ 118 600
= R$ 115 406.
(1.3)
3
Note que estamos assumindo que os diferentes cenarios ocorrem ao acaso
com probabilidade 1/3 cada. Essa rendimento medio corresponde a` situacao
sob informacao perfeita, ou seja, a` situacao onde Joao sabe com precisao que
cenario ocorrera no futuro.
WS =
(1.4)
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Pense que Joao e um fazendeiro teimoso: mesmo sabendo que possveis variacoes de rendimento podem ocorrer, ele insiste em dividir sua terra de
acordo com a situacao de rendimentos medios dado pela Tabela 1.2. O lucro
obtido com essa poltica e chamado Solucao do Valor Esperado, ou EEV.
simples: xe a distribuicao de terras do caso de renComo calcula-lo? E
dimentos medios, ou seja, calcule a solucao do problema (1.1) nas variaveis
yis e wis, tomando x1 = 120, x2 = 80 e x3 = 300 e os rendimentos iguais
a 3.0, 3.6 e 24 (para s = 1) e depois 2, 2.4 e 16 (para s = 3). As solucoes
sao R$ 55 120 e R$ 148 000 respectivamente. Lembrando que a solucao e
R$ 118 600 no caso de rendimentos medios e R$ 108 390 no caso estocastico,
temos
R$ 55 120 + R$ 118 600 + R$ 148 000
= R$ 107 240,
3
VSS = R$ 108 390 R$ 107 240 = R$ 1 150.
EEV =
Exerccios
[01] No problema do fazendeiro, suponha que quando os rendimentos sao
altos para um fazendeiro o mesmo ocorre para os fazendeiros vizinhos.
Assim ,o aumento na demanda reduz os precos. Considere por exemplo
que os precos do milho e do trigo caem 10% quando os rendimentos sao
acima da media e sobem 10% quando sao abaixo. Formule e resolva o
problema nesse caso, supondo que as alteracoes de preco sao vericadas
para compra e para venda de milho e trigo e que a cana-de-acu
car nao
sofre mudancas.
[02] Suponha agora que a propriedade do fazendeiro e dividida em quatro
lotes, de tamanhos 185, 145, 105 e 65 hectares respectivamente. Por
O Problema do Fazendeiro
Captulo 2
O Problema do Jornaleiro
O segundo exemplo que vamos considerar e conhecido como problema do
jornaleiro ou problema da arvore de natal. Este problema e um classico na
area de otimizacao, possuindo vasta literatura a respeito. Uma interessante
aplicacao do problema do jornaleiro e descrita em [1]. Nesse artigo, ideias do
problema do jornaleiro sao aplicadas a` distribuicao de revistas da empresa
Time inc. e o processo desenvolvido pelos autores gerou uma economia de
3.5 milhoes de dolares por ano. Vamos descrever o problema seguindo a
formulacao proposta por [3].
O fazendeiro Joao tem um irmao na cidade chamado Jose, que e jornaleiro.
Toda manha ele vai ao editor do jornal e compra uma quantidade x de jornais
a um preco c por unidade. Essa quantidade x e limitada superiormente por
um valor u, pois Jose tem um poder de compra nito. Ele vende seus jornais
a um preco q por unidade. Jose possui um acordo com o editor do jornal:
qualquer jornal nao vendido pode ser devolvido ao editor, que paga um preco
r < c por ele.
O dilema de Jose diz respeito a demanda diaria por jornal, que e incerta.
Se ele comprar um n
umero muito grande de jornais corre o risco de nao
vende-los e perder dinheiro com isso. Por outro lado, se comprar poucos Jose
pode nao atender a demanda e deixar de faturar dinheiro. Vamos supor que
a demanda e uma variavel aleatoria nao-negativa com funcao densidade f
e funcao distribuicao F , que y e o n
umero de jornais efetivamente vendidos
e que b e o n
umero de possveis jornais devolvidos ao editor. A formulacao
O Problema do Jornaleiro
11
do problema do jornaleiro e
min {cx + Q(x)}
0xu
onde
Q(x) = E [Q(x, )]
e
Q(x, ) =
min
q y() r b()
sujeito a
y() ,
y() + b() x,
y(), b() 0.
O smbolo E representa a esperanca com respeito a . Para uma quantidade x de jornais comprados, a funcao Q(x, ) denota o lucro obtido com
a venda destes jornais para um valor xo de demanda . O valor Q(x) e
o lucro esperado calculado sobre todos os valores possveis.
Assim como no problema do fazendeiro, o problema do jornaleiro e estruturado em dois estagios: no primeiro estagio Jose decide quantos jornais vai
comprar atraves da variavel x. Apos essa escolha, ele vai tentar vender esses
jornais para uma demanda . As variaveis de segundo estagio representam
quanto ele conseguiu vender (y()) e quanto ele devolveu ao editor (b()).
Observe que a dependencia dessas variaveis em deixa claro que elas sao
de segundo estagio, pois seu valor so e determinado apos o conhecimento da
demanda .
Jose procura a quantidade certa de jornais a comprar de forma a maximizar seu lucro esperado sob incerteza de demanda. Note aqui a semelhanca
com o problema do fazendeiro: se a demanda fosse conhecida Jose simplesmente comprava jornais e obteria o lucro maximo. No entanto, como no
problema do fazendeiro, nao e possvel escolher um valor x que maximize
seu lucro para todos os possveis valores de demanda . O que Jose busca
entao e uma escolha que, em media, lhe de o maior lucro.
2.1
Resolu
c
ao do Problema
12
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
qc
x
=
0,
se
< F (0),
qr
qc
x = u,
se qr
> F (u),
x = F 1 qc , caso contrario.
qr
(2.2)
(2.3)
O Problema do Jornaleiro
13
Qualquer modelagem razoavel da demanda admite que ela so assume valores positivos. Nesse caso F (0) = 0 e, portanto, nunca temos x = 0.
O exemplo do jornaleiro e mais um exemplo de problema de recurso com
dois estagios. Novamente o agente decisorio, nesse caso Jose, tem que fazer
uma escolha sob incerteza. Ele nao conhece a demanda no momento que
compra os jornais junto ao editor. Apos a compra ele ajusta as variaveis
de segundo estagio de acordo com o valor da demanda, agora conhecido.
A solucao do problema representa a poltica de compras que rende o maior
lucro esperado para Jose.
2.2
Um exemplo num
erico
Vamos apresentar um exemplo numerico do problema do jornaleiro. Suponha que o custo por jornal para o jornaleiro seja c = 10, que o preco de
venda seja q = 25, que o preco de devolucao ao editor seja de r = 5 por
jornal e que o poder de compra e u = 150. Alem disso, considere que a
demanda e dada por uma variavel aleatoria uniforme contnua denida
no intervalo [50, 150]. Na Tabela A.1 do apendice A listamos a densidade,
media e variancia dessa variavel aleatoria.
Integrando-se a densidade de ,
manda:
x50
100 ,
F (x) = 1,
0,
(2.4)
A inversa dessa funcao e F 1(y) = 100 y + 50 no intervalo [50, 150]. Usando (2.3), temos que a solucao do problema e
x = F 1 (3/4) = 125,
com lucro esperado de 1312.5. Assim, Jose deve comprar 125 jornais por dia
para maximizar seu lucro esperado.
Podemos tambem calcular o valor da solucao estocastica (VSS) para esse
problema. Lembrando: temos que inicialmente calcular a solucao otima para
o problema do jornaleiro para = 100, ou seja, com demanda constante igual
14
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
0x150
100
150
{1250
{1500
Uma maneira ainda mais facil de ver e que se sabemos que a demanda e
100, entao devemos comprar x = 100 jornais para maximizar o lucro!
Ainda falta calcular o valor de EEV, que e o valor esperado da solucao
supondo que o jornaleiro comprou 100 jornais. Para isso fazemos
100
50
EEV = E [10 100 + Q(100, )] = 100 10 25 100 + 20
d
100
50
75
25 = 1250,
= 1000 2500 + 20
2
que resulta num lucro de R$ 1 250. Logo, temos que
VSS = 1312.5 1250 = 62.5.
Por m, vamos ao calculo do EVPI. Recordando: para obter o EVPI,
supomos que se conhece o futuro, ou seja, que se sabe o valor que demanda
O Problema do Jornaleiro
15
WS = E [c + q] = 15E () = 1500.
(2.5)
Conseq
uentemente, temos que
EVPI = 1500 1312.5 = 187.5.
2.3
Outras interpreta
c
oes para o problema
16
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
c
.
k = F 1
qr
(2.7)
Assim, o n
umero de jornais a ser comprado para que em media todos sejam
qc
vendidos e k = F 1( qr
), a mesma solucao encontrada anteriormente.
Uma outra interpretacao interessante do problema do jornaleiro, mencionada em [2], surge quando nos perguntamos sobre a probabilidade de se
vender todos os jornais para um dada escolha de x. Esse valor e igual a
P({vender tudo}) = P( x) = 1 F (x).
Vamos ver qual e a probabilidade de se vender tudo se comprarmos x jornais,
onde x e dado pela expressao (2.3):
P({vender tudo}) = 1 F (x) = 1
cr
qc
=
.
qr
qr
Captulo 3
Programa
c
ao Linear com Coecientes
Aleat
orios
Neste captulo apresentaremos as abordagens classicas usadas na modelagem e solucao de problemas de programacao linear onde um ou mais coecientes sao aleatorios (otimizacao estocastica linear).
Tradicionalmente, sao propostos dois tipos de modelos classicos para se
tratar problemas de otimizacao com coecientes aleatorios: a abordagem espere e veja (em ingles, wait and see) e a abordagem aqui e agora (em
ingles, here and now). Em espere e veja, o agente de decisao pode esperar por uma realizacao dos coecientes aleatorios para tomar a sua decisao.
Ja em aqui e agora, o agente de decisao deve fazer suas escolhas antes
ou sem o conhecimento das realizacoes dos coecientes aleatorios. Neste
segundo caso, uma diculdade adicional aparece: sem se conhecer os coecientes, as denicoes habituais de admissibilidade e otimalidade nao se aplicam
e especicacoes adicionais sao necessarias.
A teoria pressupoe que seja dada (conhecida) a distribuicao conjunta dos
coecientes. Poder-se-ia argumentar que esta hipotese e restritiva, visto que
dicilmente existem dados sucientes para a construcao de uma estimativa
conavel. Como conseq
uencia, e o modelador do problema que acaba fazendo a escolha da distribuicao conjunta. Note, contudo, que este tipo de
arbitrariedade nao e diferente da que uma abordagem determinstica faria
ao escolher uma realizacao particular dos coecientes aleatorios.
18
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
3.1
O problema da mistura
(3.1)
Note que o conjunto admissvel deste programa linear depende dos valores
dos coecientes 1 e 2 .
Abordagem Espere e Veja
Nesta abordagem, supoe-se que o agente de decisao possa fazer a escolha dos valores de x = (x1, x2) depois da realizacao de = (1, 2). Desta
maneira, o problema (3.1) pode ser considerado um programa linear parametrico1: as solucoes otimas e o valor otimo sao calculados em funcao
de . Por exemplo:
(a) Para = (1, 2) = (1, 1/3), o conjunto admissvel correspondente e o
apresentado na Figura 3.1, a solucao otima e
1
Programa
c
ao Linear com Coecientes Aleat
orios
19
x2
4
5/2
9/2
12
x1
20
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
x2
4
32/11
18/11 14/5
x1
x2
4
3
1 7/4
x1
Programa
c
ao Linear com Coecientes Aleat
orios
21
3
4 1 7 2
,
1 2 1 2
7
,0 ,
1
se
7
4
,
1
2
caso contrario,
3 + 4 1 7 2
1
2
v (x1(1 , 2), x2(1, 2)) =
se
7
4
,
1
2
caso contrario.
A partir destas expressoes, o agente de decisao pode entao calcular as distribuicoes de x = (x1(1, 2), x2(1, 2)) e v (x1(1, 2), x2(1, 2)) e suas
caractersticas como media, variancia, etc. (veja o exerccio [03]).
Abordagem Aqui e Agora
Nesta abordagem, o agente de decisao deve fazer a escolha de x = (x1, x2)
sem conhecer os valores de = (1, 2) (mas sabendo a funcao distribuicao
de ). Sem se conhecer os coecientes, as denicoes habituais de admissibilidade e otimalidade nao se aplicam e especicacoes adicionais de modelagem
sao necessarias. Apresentaremos agora os tipos de especicacoes mais tradicionais.
1. Abolir incertezas
O agente de decisao simplesmente faz uma escolha apropriada para e,
entao, ele resolve o problema determinstico correspondente.
(a) Escolha pessimista:
= (1, 1/3).
Neste caso, o conjunto admissvel e o representado na Figura 3.1 e o
valor otimo correspondente e v = 7.
22
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Programa
c
ao Linear com Coecientes Aleat
orios
F21(1 2 ) x1 + x2 4
P (2 x1 + x2 4) 2
23
(3.4)
onde
Fi1() :=
min
t[,+)
{t | Fi (t) }
(3.5)
(3.6)
isto e, como um programa linear! Por exemplo, para os nveis de conabilidade individuais 1 = 2 = 2/3, verica-se que
F11(1 1 ) = F11 (1/3) = 2
(3.7)
24
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
(3.8)
Restricoes deste tipo sao denominadas restricoes probabilsticas conjuntas (em ingles, joint chance constraints). O risco e denido como a
probabilidade de inadmissibilidade do sistema de restricoes do programa
linear, isto e, como o n
umero
risco := P (1 x1 + x2 < 7 ou 2 x1 + x2 < 4) .
(3.9)
P (1 x1 + x2 7 e 2 x1 + x2 4)
P (1 x1 + x2 7) P (2 x1 + x2 4)
x
4
x
2
2
1 F2
, se x1 > 0,
1 F1
x1
x1
1,
se x1 = 0 e x2 7,
0,
se x1 = 0 e 0 x2 < 7,
onde, na primeira igualdade, usamos o fato de que 1 e 2 sao variaveis
aleatorias independentes.
Observe que a forma reduzida de uma restricao probabilstica conjunta
pode ser n
ao-linear. Por exemplo, para o nvel de conabilidade conjunto = 2/3, pode-se mostrar (exerccio) que a restricao
P (1 x1 + x2 7 e 2 x1 + x2 4)
e equivalente a
11 5 x1 + 9 18 x1 +
x2 max 2 x1 + 7,
43
3
2
3
x21
(3.10)
5 x1
+4
(3.11)
Programa
c
ao Linear com Coecientes Aleat
orios
25
x2 max
2 x1 + 7,
sujeito a
11 5 x1 + 9 18 x1 +
2
43
3
x21
5 x1
,
+4 ,
x1 0, x2 0.
(3.12)
Este problema de otimizacao nao-linear assume o valor mnimo
v = 220/43 = 5.1162790 . . .
no ponto otimo x = (x1, x2) = (54/43, 166/43) = (1.25 . . . , 3.86 . . .).
O conjunto admissvel4 de (3.12) e apresentado na Figura 3.4.
3. Aceitar inadmissibilidade, penalizando d
eficits esperados
A ideia aqui e acrescentar `a funcao objetivo parcelas que penalizam inadmissibilidade. Vamos primeiro estabelecer algumas notacoes. Note que a
restricao 1 x1 + x2 7 nao e satisfeita se, e somente se, 1 x1 + x2 7 < 0.
Usando-se a (conveniente) notacao
0, se z 0,
z =
z, se z < 0,
vemos que uma realizacao de 1 e escolhas de x1 e x2 nao satisfazem a
restricao 1 x1 +x2 7 se, e somente se, (1 x1 +x2 7) > 0 (podemos entao
pensar em (1 x1 + x2 7) > 0 como uma medida de inadmissibilidade
para a restricao 1 x1 +x2 7). Analogamente, 2 x1 +x2 4 nao e satisfeita
se, e somente se, (2 x1 + x2 4) > 0. Escolhendo-se custos de penalidade
unitarios q1 > 0 e q2 > 0, as expressoes
e q2 E2 (2 x1 + x2 4)
q1 E1 (1 x1 + x2 7)
4
26
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
x2
4
17/5
9/5
12
x1
Programa
c
ao Linear com Coecientes Aleat
orios
3.2
27
O problema da produ
c
ao
(3.14)
28
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
1 F (x) 1 2
P (x ) 2
1 F (x) 2
se, por exemplo, 1 = 2 = 3/4, uma vez que a funcao distribuicao F e
nao-decrescente.
Desta maneira, e preciso estabelecer prioridades. Podemos, por exemplo,
especicar um nvel de conabilidade mnimo (1/2, 1) e modelar o problema (3.14) na forma
min {cx | P (x ) } = min cx | x F 1 ()
x0
x0
+
z =
e z =
(3.15)
z, se z < 0,
0, se z < 0,
isto e feito considerando-se o seguinte problema de otimizacao
minimizar f (x) = c x + Q(x)
sujeito a
x 0,
onde
(3.16)
Q(x) = E h ( x) + q ( x)+ ,
para x R.
Programa
c
ao Linear com Coecientes Aleat
orios
29
c
.
x = F 1
q+h
Note que esta solucao tem a mesma forma da solucao obtida via restricoes
probabilsticas. De fato, se h = 0, a mesma solucao e obtida se q/c =
1/(1 ):
(nvel de confiabilidade)
0.990
0.975
0.950
0.900
0.800
0.500
q/c
(custo de d
eficit/custo de produ
c
ao)
100
40
20
10
5
2
Esta tabela e interessante: ela nos da uma ideia de que valores escolher para
o custo q em termos do nvel de conabilidade .
Exerccios
[01] Deduza as equacoes para a solucao otima (x1, x2) do problema da mistura apresentadas na pagina 19.
[02] Mostre 4 v (x1(1, 2), x2(1, 2)) 7 para todo (1, 2) no conjunto
= [1, 4] [1/3, 1], onde v = v (x1(1, 2), x2(1, 2)) e o valor otimo
do problema da mistura.
[03] Mostre que a funcao distribuicao F do valor
mistura e dada por
0,
8 t3 18 t2 105 t + 196
4 t2(7 t)
F (t) =
36 t2(t 4)
1,
otimo v do problema da
se 0 t 4,
se 4 t 50/11,
se 50/11 t 7,
se t 7.
30
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Note que, com esta expressao para F em maos, podemos entao calcular
a funcao de densidade de v (derivando-se F ):
0,
se 0 < t < 4,
4 t3(t 7)2
f (t) =
3 (t 4)2
12
t
0,
se t > 7,
e a sua media:
E [v ()] =
t f (t) dt = 4 +
35
77
11
27
ln 3
ln 2
ln 11 +
ln 7
2
6
12
4
= 4.7526655 . . . .
[04] Mostre a equivalencia entre (3.10) e (3.11) para x1 0 e x2 0.
[05] Mostre que o problema (3.13) pode ser reescrito na forma
minimizar g(x1, x2) = x1 + x2 + Q(x1, x2)
sujeito a
x1 0, x2 0,
onde
Q(x1, x2) = E
min
y1 0, y2 0
1 x1 + x2 + y1
7
.
q1 y1 + q2y2
2 x 1 + x 2
+ y2 4
x |y| (x y) x + |y|.
Programa
c
ao Linear com Coecientes Aleat
orios
[07] Mostre que (3.16) pode ser reformulado como um modelo de recurso:
min
qy1 + hy2 x + y1 y2 =
.
min cx + E
x0
y1 0, y2 0
31
Captulo 4
Modelos de Recurso
Neste captulo nos concentraremos na abordagem aqui e agora que
aceita inadmissibilidade penalizando desvios medios. De fato, veremos que
esta abordagem motiva uma classe importante de modelos em otimizacao
estocastica: os modelos de recurso.
4.1
Motiva
c
ao: programa
c
ao linear por metas
(4.1)
onde
X = {x Rn | x x x} ou X = {x Rn | 0 x < +} (as
desigualdades entre vetores devem ser interpretadas componente a componente),
c Rn , A e uma matriz m
n, b Rm
, T e uma matriz m n, h Rm ,
cx = ni=1 ci xi e
Modelos de Recurso
33
xX
(4.2)
A funcao de penalidade fornece uma medida do quanto se deve pagar pela
violacao das metas (restricoes) z 0 frente ao custo original cx. Existem
varias maneiras de se especicar a funcao de penalidade v, o que torna o
metodo exvel. Vamos ver algumas delas agora.
1. Fun
c
ao de penalidade com custos individuais
Escrevendo-se
T=
t1
t2
..
.
tm
h=
h1
h2
..
.
z=
hm
z1
z2
..
.
zm
vi(zi ) =
q i zi + q i zi .
(4.3)
v(z) =
#$
%
i=1
i=1 "
vi (zi )
34
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
+q i zi , se zi 0,
+
vi(zi ) = q i zi + q izi =
q z , se z < 0.
i
i i
Desta maneira, vi e convexa se a inclinacao da reta zi q izi e menor
ou igual do que a inclinacao da reta zi +q i zi , isto e, se q i +q i ou,
ainda, q i + q i 0.
v(zi )
zi
Modelos de Recurso
35
(2)
< q (1)
< 0 < q i < q i . Note que esta funcao de penalidade
com q (2)
i
i
tambem pode ser usada para se modelar restricoes do tipo zi [li, +ui]
(1)
bastando, para isto, tomar q (1)
=
q
i = 0.
i
3. Fun
c
ao de penalidade com custo conjunto
A seguinte funcao de penalidade pode ser usada se as restricoes do programa
linear sao do tipo zi 0 e se o desvio maximo e mais importante do que a
soma ponderada dos desvios individuais:
}.
v(z) = v(z1 , z2, . . . , zm ) = q0 max{z1 , z2 , . . . , zm
(4.5)
Como o maximo de funcoes convexas resulta em uma funcao convexa, seguese que v e uma funcao convexa de q0 > 0.
4. Fun
c
ao de penalidade via a
c
oes de recurso
Este quarto exemplo de funcao de penalidade e motivado pela ideia de
correcoes (y) para compensar desvios (z) gerados por decisoes (x) tomadas
a priori. Para construir a funcao de penalidade sao necessarios os seguintes
ingredientes:
1. Uma estrutura de recurso (q, W).
Aqui q Rp e W e uma matriz m p. A matriz W e denominada matriz
de recurso (ou matriz de tecnologia) e o vetor q especica os coecientes
do custo da acao de recurso.
2. Um conjunto Y de variaveis de recurso.
Em geral, Y = {y Rp | y y y} ou Y = {y Rp | 0 y +} =
Rp+ .
A funcao de recurso v da o custo mnimo das acoes de recurso necessarias
para compensar o desvio z Rm nas restricoes Tx h:
v(z) = min {qy | Wy z} .
yY
(4.6)
36
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
W=
+Imm Imm
m2 m
p
m
Y = Rm
+ R+ = R+ ,
4.2
Nesta secao veremos como usar a ideia de funcao de penalidade via acoes
de recurso para criar um modelo para a seguinte versao estocastica do programa linear determinstico (4.1):
min {cx | Ax = b e T()x h()} ,
xX
(4.7)
Modelos de Recurso
37
gio 2
Esta
decisao em x
ocorre
acao corretiva y
yY
(4.8)
Podemos obter uma formulacao mais compacta de (4.8) atraves da funcao
de penalidade via ac
oes de recurso (tambem denominada funcao de valor de
segundo est
agio)
v(z, ) = min {q()y | W()y z}
yY
(4.9)
(4.10)
De fato, com estas funcoes, nao e difcil de se ver que o problema (4.8) e
equivalente a
(4.11)
min {cx + Q(x) | Ax = b} .
xX
38
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
T(1, 2, 3, 4)
1 0
0 5
+ 1
1 0
0 0
+ 2
+ 3
0 0
0 1
+ 4
0 0
0 1
.
4.3
Admissibilidade
Nem todo programa linear tem solucao (o conjunto admissvel pode ser
vazio ou a funcao objetivo pode ser ilimitada neste conjunto) e nem toda
Modelos de Recurso
39
variavel aleatoria tem media nita. Nesta secao apresentaremos alguns resultados sobre a admissibilidade e nitude do modelo de recurso em dois
estagios (4.8).
Seja
= (q(), h(), t1 (), . . . , tm ()) RN = Rp+m+(mn)
o vetor aleatorio formado pelas componentes aleatorias do problema (4.8)
(com excecao das componentes da matriz de tecnologia W()) e seja o
suporte de , isto e, o menor subconjunto fechado de Rp+m+(mn) satisfazendo
a condicao P( ) = 1. Aqui ti () denota a i-esima linha da matriz T().
Vamos denir
Q(x, ) = v(h() T()x, )
(4.12)
= minp {q()y | W()y = h() T()x e y0} ,
yR
40
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Note, contudo, que o calculo do conjunto K2 pode nao ser uma tarefa facil,
por conta da esperanca envolvida. Mais faceis de se calcular sao:
3. O conjunto de todas as decisoes x de primeiro estagio para as quais o
programa linear de segundo estagio e admissvel para um valor de
xo1:
K2 () = {x Rn | Q(x, ) < +}.
4. O conjunto de todas as decisoes x de primeiro estagio para as quais o
programa linear de segundo estagio e admissvel para os valores de :
(
K2().
K2P = {x Rn | , Q(x, ) < +} =
Modelos de Recurso
41
Demonstrac
ao: Se W()y = h()T()x, entao T()x = h()W()y.
O conjunto V = {h() W()y | y0} e um politopo convexo fechado.
Conseq
uentemente, a imagem inversa de V pela transformacao linear T(),
T()1(V ),
tambem e um politopo convexo fechado (veja o Teorema 19.3 na pagina 173
de [23]). Mas
{y Rp | W()y = h() T()x e y0}
=
x T()1(V ),
1x
K2 () = {x R | x 1}.
42
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Q(x) < +.
Demonstrac
ao: Considere
Q(x, ) = minp {q()y | W()y = h() T()x e y0} ,
yR
para x e dados. A solucao deste programa linear (supondo que ela exista)
e da forma
(yB , 0) = (B1 (h() T()x, 0)
Modelos de Recurso
43
correspondente a divisao W = B N , com B quadrada inversvel (uma
base) satisfazendo a condicao de otimalidade qTB () B1 Wq()T (veja o
Teorema D.2). Assim,
Q(x, ) = qTB () B1 (h() T()x)
= qTB () B1 h() qTB () B1 T()x.
Lembrando que qTB (), h() e T() sao componentes de , vemos que
Q(x, ) e uma soma de parcelas da forma i j . Supondo que Q(x, ) < +
com probabilidade 1 (isto e, supondo que o programa linear de segundo
estagio e admissvel para quase todo ) e que a mesma base B e obtida
para todos os valores de , podemos concluir que
Q(x) = E [Q(x, )]
= E qTB () B1 h() E qTB () B1 T()x < +,
uma vez que tem segundos momentos nitos, isto e, uma vez que E [i j ] <
+ para todo i, j = 1, . . . , N .
No caso geral, a base otima B e diferente para cada e a demonstracao,
neste caso, deve considerar as diferentes submatrizes de W. Nao a faremos
aqui. O leitor interessado pode consultar a referencia [25].
44
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
= , vemos que S e um
o que contradiz o fato de que x K2 . Tomando
subconjunto de , fechado em (logo, fechado em RN ) e de medida 1. Pela
denicao de , S = . Portanto, Q(x, ) < + para todo . Sendo
assim, x K2P . Isto mostra que K2 K2P .
Teorema 4.4 Suponha que W() = W (recurso xo) e que tenha
segundos momentos nitos. Entao:
(a) Se T() = T = constante, entao o conjunto K2 e um politopo.
(b) Se h() e T() sao variaveis aleatorias independentes e se o suporte da distribuicao de T() e um politopo, entao K2 e um politopo.
Demonstrac
ao: Temos que x K2 = K2P se, e somente se, (h)() Tx
pos(W), h , onde h e o suporte da distribuicao de h. Logo
x K2 W(h(h() Tx)0, h W TxW h(), h
(W T)i x ui = S := sup {Wi h(), i = 1, . . . , l},
h()h
Modelos de Recurso
4.4
45
Nesta secao apresentaremos, sem demonstracoes, as propriedades da funcao de segundo estagio Q(x, ) = v(h() T()x, ) e da funcao de valor
esperado Q(x) = E [v(h() T()x, )] = E [Q(x, )]. O leitor interessado pode consultar os livros [3, 17, 18].
Teorema 4.5 Se W() = W (recurso xo), entao Q(x, ) e (a) convexa e linear por partes em (h(), T()) (componentes do vetor
aleatorio ), (b) concava e linear por partes em q() e (c) convexa
e linear por partes para todo x K = K1 K2.
Teorema 4.6 Se W() = W (recurso xo) e tem segundos momentos nitos, entao (a) Q e uma funcao convexa, lipschitziana e nita
em K2, (b) Q e linear por partes se e nito e (c) Q e diferenciavel
em K2 se a funcao de distribuicao acumulada de for absolutamente
contnua.
4.5
Dizemos que o modelo de recurso em dois estagios (4.8) tem recurso relativamente completo se toda escolha de x que satisfaz as restricoes (rgidas)
do primeiro estagio tambem satisfaz as condicoes de admissibilidade e nitude do segundo estagio, isto e, dizemos que (4.8) tem recurso relativamente
completo se K1 K2. Embora a hipotese de recurso relativamente completo
seja muito desejavel e u
til do ponto de vista computacional, pode ser difcil
identicar se um determinado problema tem ou nao recurso relativamente
completo, ja que isto exigiria algum conhecimento dos conjuntos K1 e K2 .
Existe, contudo, um tipo particular de recurso relativamente completo que
e facil de se identicar a partir da matriz de tecnologia W (determinstica).
Esta forma, denominada recurso completo, ocorre quando a matriz de tecnologia W de (4.8) satisfaz a seguinte condicao:
para todo z Rm , existe y 0 tal que Wy = z.
(4.13)
46
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
4.6
Mnimos e esperan
cas
PL1
min cx + E min {q()y | W()y h() T()x} Ax = b
yY
xX
min E min {cx + q()y | W()y h() T()x} Ax = b
xX
yY
min
xX,y()Y
PL0
Ax = b
,
E [cx + q()y()]
W()y() h() T()x,
Modelos de Recurso
47
y()Y
E [q()
y(, x)] E [q()y(, x)]
cx + E [q()
y(, x)] cx + E [q()y(, x)] .
e usando a otimalidade de x, temos que
Fazendo x = x
)] c
)]
PL0 = c
x + E [q()
y(, x
x + E [q()y (, x
cx + E [q()y(, x )] = PL1 .
48
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
4.7
yY
(4.14)
() representa a solucao deste
um para cada realizacao possvel de . Se x
problema otimizacao (que, evidentemente, depende de ) entao, em media,
ele ganhara
WS = E [f (
x(), )] = E min {f (x, ) | Ax = b}
(4.15)
xX
Este e o valor otimo para a abordagem espere e veja (WS = wait and see).
Por outro lado, se o agente de decisao deve fazer a escolha de x antes das
realizacoes de , entao ele ganhara
RP = min {E [f (x, )] | Ax = b} .
xX
(4.16)
(4.17)
Modelos de Recurso
49
(
onde
= E [] representa a media de . Vamos denotar por x
) a solucao
otima de (4.18), denominada solucao do valor esperado. Em princpio, nao
(
existe nenhum motivo para esperar que x
) esteja, de alguma maneira,
proxima da solucao x do modelo de recurso (4.16). O valor da solucao
estocastica (VSS = value of stochastic solution) (apresentado no problema
do fazendeiro) e o conceito que justamente mede o quao bom (ou o quao
(
ruim) e a decisao x = x
) em termos de (4.16). Vamos primeiro denir
o resultado esperado no uso da solucao do valor esperado (EEV = Expected
result of using the EV solution):
,
(), .
EEV = E f x
(4.19)
(
EEV mede a ecacia da decisao x
), permitindo-se que decisoes do segundo
(
estagio sejam escolhidas de maneira otima como funcoes de x
) e . O valor
da solucao estocastica e, entao, denida como
VSS = EEV RP.
(4.20)
50
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
O valor de VSS d
a o custo que se paga quando incertezas s
ao ignoradas
no processo de decis
ao. No problema do fazendeiro, vimos que EEV =
R$ 107 240,00 e RP = R$ 108 390,00, de modo que VSS = R$ 1 150,00.
Pela denicao de RP, segue-se que E [f (x, )] E [f (x, )] para qualquer x X satisfazendo Ax = b. Em particular,
,
RP = E [f (x , )] E f (
x(), ) = EEV.
Isto mostra que EEV da uma cota superior para o valor otimo de RP (que
e o problema (4.8)). Como corolario, obtemos tambem que VSS 0.
4.8
O caso nito
cx + p1q1 y1 + p2 q2y2 + + pS qS yS
y1 ,y2 ,...,yS Y
sujeito a
Ax
=
1
T x + Wy1
1
2
+ Wy
Tx
..
..
...
.
.
TS x
+ WyS
&
'
onde ps = P = S , qs = q(s ), ys = y(s ) Ts = T( s )
Aqui estamos supondo que o recurso e xo (W() = W).
b,
h1 ,
h2 ,
..
.
hS ,
(4.21)
e hs = h( s ).
Exerccios
[01] Mostre que para os valores de p, q, W e Y indicados em cada um dos
tres casos na pagina 36, a funcao de recuso v em (4.6) obtem as funcoes
de penalidade (4.3), (4.4) e (4.5) como casos especiais.
Modelos de Recurso
51
xR
Captulo 5
O m
etodo L-shaped
O L-shaped e possivelmente o metodo de resolucao e aproximacao de
problemas de otimizacao estocastica mais conhecido e tradicional. Ele se
originou do metodo de decomposicao de Benders, desenvolvido na decada de
sessenta por J. F. Benders para resolver de maneira mais eciente problemas
de otimizacao com uma determinada estrutura. Na realidade, o L-shaped
pode ser visto como uma aplicacao do metodo de Benders em otimizacao
estocastica. Esse e o ponto de vista que sera adotado nesse texto.
5.1
A decomposi
c
ao de Benders
min
cT x + qT y
sujeito a
Ax = b,
Tx + Wy = h
x, y 0,
x,y
(5.1)
min
x
sujeito a
cT x + Q(x)
Ax = b,
x 0,
(5.2)
O m
etodo L-shaped
53
min
y
qT y
sujeito a Wy = h Tx,
y 0.
(P)
max
p
sujeito a
pT (h Tx)
WT p q.
(D)
min
z
(D)
Nao e difcil ver que esse problema possui o mesmo valor otimo de (D).
As primeiras I restricoes representam os valores da funcao objetivo de (D)
avaliada nos pontos extremos de D. Como queremos minimizar z, o valor
otimo de (D) corresponde ao maior valor de (pi)T (hTx), que e exatamente
o otimo de (D). As J restricoes restantes servem para garantir que estamos
na situacao onde (D) e limitado.
54
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
cT x + z
min
x,z
sujeito a Ax = b, x 0,
(pi)T (h Tx) z, i = 1, . . . , I (),
(rj )T (h Tx) 0, j = 1, . . . , J ().
(5.3)
min
x,z
cT x + z
sujeito a Ax = b, x 0,
(pi)T (h Tx) z, i = 1, . . . , k l,
(rj )T (h Tx) 0, j = 1, . . . l.
(5.4)
O m
etodo L-shaped
5.2
55
O algoritmo de Benders
Vamos apresentar o algoritmo de Benders passo a passo. Como a nalidade de um algoritmo e geralmente sua implementacao em computador,
incluiremos na sua descricao tanto a condicao de parada teorica quanto a
computacional. A teorica simplesmente diz que se uma certa condicao for
atingida, entao a solucao encontrada e otima. A computacional pode parar
antes da solucao otima ser encontrada: basta que a diferenca entre uma cota
superior e uma cota inferior sejam menores que uma dada tolerancia .
Passo 1: Dena a cota inferior CI = e a cota superior CS
= +.
Passo 2: Resolva o problema PMRk (5.4). Seja VALk o valor otimo
e (x, z) a solucao encontrada. Atualize CI = VALk .
Passo 3: (a) Se Q(x) < +, entao resolva tambem (P) para x = x
e guarde as solucoes y de (P) e p de (D), respectivamente.
(b) Se Q(x) > z, entao atualize a cota superior
CS = min{CS, cT x + qT y}.
Alem disso, faca
o = {(x, y)} .
melhor soluc
a
Por m, se CS CI < , pare. Caso contrario acrescente a restricao pT (h Tx) ao problema PMRk para
obter PMRk+1 e volte ao Passo 1.
(c) Se Q(x) = z, entao (x, y) e a solucao otima do problema original (5.1).
Passo 4: Se Q(x) = +, seja r o raio extremo gerado pelo resolvedor. Acrescente a restricao (r)T (h Tx) 0 a PMRk
para obter PMRk+1. Volte ao Passo 1.
Vamos analisar em detalhe alguns pontos do algoritmo. No Passo 1,
armamos que VALk e uma cota inferior para o problema original (5.1). De
56
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
5.3
Um exemplo completo
Considere o problema
VAL =
min
x,y
sujeito a
42 x1 + 18 x2 + 33 x3 8 y1 6 y2 + 2 y3
10 x1 + 8 x2
2 y1 y2 + y3 4,
5 x1 +
8 x3 y1 y2 y3 3,
xi {0, 1}, yi 0, i = 1, 2, 3.
(5.5)
Para ver que esse problema e da forma (5.1) basta considerar as matrizes
T
T
x = x1 x2 x3
, y = y1 y2 y3
,
T
T
T
c = 42 18 33 , q = 8 6 2 , h = 4 3 ,
10 8 0
2 1 1
T=
e W=
,
5 0 8
1 1 1
O m
etodo L-shaped
57
58
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
5.4
Decomposi
c
ao de Benders em otimiza
c
ao estoc
astica: o m
etodo L-shaped
min
x
sujeito a
cT x +
S
s=1 ps Q
Ax = b,
x 0,
(x, s)
(5.6)
O m
etodo L-shaped
59
onde
Qs (x, s) =
qT ys
min
y
sujeito a Wys = hs Ts x,
ys 0.
(5.7)
para cada i de 1 a S.
Repare que a estrutura da formulacao estendida (4.21) naturalmente desacopla os s problemas (5.7). Dualizando cada um deles, tem-se
max
pT (hs Ts x)
sujeito a
Wp qs .
Qs (x, s) =
(5.8)
Agora vamos reescrever o problema (5.8) da mesma forma que foi feito
para (D):
Qs (x, s) =
min
zs
zs
i(s)
(5.9)
min
cx +
x,z
i(s)
S
s=1 ps zs
60
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
O metodo L-shaped classico pode ser pensado como uma variante do Lshaped multicorte. Por simplicidade, vamos assumir que os s problemas
(5.8) possuem solucao otima. Ao inves de se construir S cortes a partir
dessas solucoes, constroi-se apenas um corte, que uma especie de media dos
cortes obtidos:
S
!
T
ps (pi(s)
s ) (hs Ts x) z, i(s) {1, . . . , Is }, s = 1, . . . , S.
(5.11)
s=1
Naturalmente, temos apenas uma variavel z nesse caso, pois temos apenas
um corte.
Exerccios
[01] Considere o problema (4.8) com c = 0, X = [0, 10], (q +, q ) = (1, 1) e
discreta assumindo os valores 1, 2 e 4 com probabilidade 1/3. Resolva
o problema usando o metodo L-shaped, classico ou multicorte.
[02] Considere o problema (4.8) com c = 1/2, X = [0, 5], (q +, q ) = (1, 3) e
discreta uniforme assumindo os valores 1, 2, 3 e 4. Resolva o problema
usando o metodo L-shaped (classico ou multicorte).
Captulo 6
Restri
c
oes probabilsticas
6.1
Introdu
c
ao
62
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
(6.1)
Restri
co
es probabilsticas
63
Proposic
ao 6.1 Considere a RPC p(x) > . Se um vetor x satisfaz
pi (x) i , i = 1, . . . , m, para i = 1 (1 )/m, entao x satisfaz
p(x) > . Em outras palavras, para encontrar um ponto admissvel
para um problema com uma RPC e nvel de conabilidade , e suciente encontrar um ponto admissvel do problema com RPI com
i = 1 (1 )/m.
Demonstrac
ao: Pela Desigualdade de Bonferroni, para eventos arbitrarios
)
m
E1, . . . , Em vale que, P ( m
E
)
i=1 i
i=1 (1 P(Ei )).
Antes de estudarmos as propriedades matematicas e os resultados teoricos
sobre problemas com restricoes probabilsticas, vamos considerar um exemplo em nancas que aparece nos mais diversos contextos, desde nancas
pessoais ate na gestao de uma carteira de investimentos de uma empresa.
6.2
:=
:=
:=
:=
n
!
i=1
#$
i x i +
%
dinheiro ap
os compra
j
n
!
!
"k=1 i=1
#$
ik xi
%
j
!
k .
"k=1
#$ %
pagamentos
(6.2)
64
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Adotando um perl mais conservador, vamos exigir que (6.2) seja positivo para todo j. Iniciaremos nosso estudo do problema com um modelo
determinstico. Introduzindo as variaveis
aij :=
j
!
ik i
k=1
bj :=
j
!
k K,
k=1
i=1
(6.4)
Restri
co
es probabilsticas
65
140000
120000
dinheiro
100000
80000
60000
40000
20000
0
-20000
8
ano
10
12
14
66
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
160000
140000
dinheiro final
120000
100000
80000
60000
40000
20000
0
2
-20000
8
ano
10?
14
12
-40000
0.5
probabilidade
0.4
0.3
0.2
0.1
8
ano
10
12
14
Para obter uma solucao mais robusta, propomos uma modelagem utilizando restricoes probabilsticas individuais. Em cada ano, pediremos que
a probabilidade de se estar com uma quantidade positiva de dinheiro seja
maior que = 95%. Denindo-se j = jk=1 j K como sendo a contrapartida estocastica da constante bj de (6.3), obtemos o seguinte problema
Restri
co
es probabilsticas
67
i=1
(6.5)
i=1
j
!
k2, j = i, . . . , m,
(6.6)
k=1
i=1
Denotando-se por q o quantil da distribuicao normal padrao (por exemplo, q0.95 = 1.65), segue que
1
0 n
n
!
!
aij xi j
aij xi bj := bj + q .
(6.9)
P
j
i=1
i=1
68
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
(6.10)
120000
dinheiro final
100000
80000
60000
40000
20000
0.5
0.6
0.7
0.8
0.9
1.0
Comparando com a Figura 6.2, a Figura 6.5 mostra que a solucao descrita
em (6.10) esta muito mais protegida contra variacoes no valor dos pagamentos. Vemos que em cada ano apenas um pequeno n
umero de cenarios gera
Restri
co
es probabilsticas
69
dinheiro final
100000
80000
60000
40000
20000
0
10
12
14
ano
-20000
i=1
i=1
70
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
0.08
0.07
probabilidade
0.06
0.05
0.04
0.03
0.02
0.01
0
8
ano
10
12
14
e matriz de covariancia
12
12
2 2 + 2
1 1
2
..
..
.
.
2
2
1 1 + 22
k=1
12
12 + 22
..
...
.
2
2
1 + + m
(6.12)
Restri
co
es probabilsticas
71
dinheiro final
100000
80000
60000
40000
20000
0
10
12
14
ano
-20000
6.3
Propriedades de restri
c
oes probabilsticas
Vamos agora passar ao estudo das propriedades matematicas dos problemas com restricoes probabilsticas. Mais precisamente, estamos interessados
em propriedades dos conjuntos
C() = {x Rn | p(x) },
(6.14)
m
(
(6.15)
i=1
o analogo para o caso de RPI. Em particular, estamos interessados nas seguintes questoes:
Esses conjuntos sao fechados?
72
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
7 x2
7 x2
=1F
.
p(x) = P (x1 + x2 7) = P
x1
x1
Logo, p(x) se, e somente se, F 1(1 )x1 + x2 7. Procedendo de
maneira analoga para os casos x1 < 0 e x1 = 0, mostra-se que C() =
2
2
C+() C0 () C (), onde
C+() = x R2 | x1 > 0 e F 1(1 ) x1 + x2 7 ,
C 0 () = (0, x2) R2 | x2 7 ,
C() = x R2 | x1 < 0 e F 1() x1 + x2 7 .
15
0
{10
10
{10
= 0.3
10
= 0.7
Figura 6.8: O conjunto C().
Restri
co
es probabilsticas
73
Proposic
ao 6.2 Seja C() o conjunto denido em (6.14).
A funcao p(x) e semi-contnua superiormente e, portanto, os conjuntos C() sao fechados para todo [0, 1].
Se 0 1 < 2 1, entao C(1) C(2). Alem disso, C(0) =
Rn e vale que C()
= [0, 1] se, e somente se, C(1)
= .
74
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
1
1
f (x) = n/2 1/2 exp
(x )T 1(x )
,
2
2 ||
onde || e o determinante da matriz . Nao e difcil vericar que a segunda
derivada de log(f (x)) e igual a 1 , o que mostra que log(f (x)) e concava
e, portanto, C() e convexo de acordo com a parte (i) do Teorema 6.2.
Outro exemplo e a distribuicao uniforme: seja Rn um conjunto
convexo. Considere a distribuicao uniforme em , com densidade
1/A(), se x ,
f (x) =
0,
caso contrario.
Usando a denicao de convexidade via epigrafos (ver [11]) e escolhendo qualquer uma das caracterizacoes do Teorema 6.2, obtem-se o resultado. Para
uma lista de distribuicoes importantes que satisfazem o Teorema 6.2 ver o
Captulo 5 de [24].
Quando a matriz T() nao e constante, o problema de restricoes probabilsticas cresce muito em diculdade. Tecnicas amostrais podem ser usadas
para se obter candidatos a solucao e cotas superiores para o valor da funcao
objetivo nesta situacao. Sugerimos a leitura de [21], onde os autores estudam
um problema de selecao de carteiras com T () aleatorio.
No entanto, existe um caso particular extremamente importante onde
T() e um vetor 1 n aleatorio para o qual e possvel obter uma expressao
fechada para o conjunto C():
Restri
co
es probabilsticas
75
n
T
1
T
C() = x R | x h + () x x ,
onde e distribuicao de uma normal unidimensional com media 0 e
variancia 1. Nesse caso, C() e convexo se [1/2, 1].
Demonstrac
ao: A variavel aleatoria T x segue um distribuicao normal com
media T x e variancia 2(x) := xT x. Denindo-se Z como uma variavel
aleatoria normal padrao e assumindo que 2(x)
= 0, temos
T
& T
'
h T x
x T x
P xh P
T x
T x
x
x
h T x
1P Z
T x
x
h T x
1
T x
x
T
xh
xT x
T x h
1()
xT x
T x h + 1() xT x,
onde a quarta equivalencia segue de (x) = 1 (x), o que obtem a
1
expressao para C(). Para mostrar a convexidade, note
que () 0 se
[1/2, 1] e, portanto, basta mostrar que (x) = xT x e uma funcao
convexa em x. De fato, como e uma matriz simetrica positiva denida,
podemos escrever
= PDPT ,
onde D e diagonal com entradas maiores ou iguais a zero e P e a matriz
dos autovetores de . Denindo-se S como a matriz formada pelas razes
quadradas das entradas de D, temos que
= PDP = PSST PT = CT C,
76
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Captulo 7
M
etodos Amostrais
Nessa secao vamos estudar metodos amostrais. Esses metodos diferem
dos anteriores por uma razao fundamental: eles supoem que podemos sortear
em computador n
umeros aleatorios com respeito a uma dada distribuicao.
Por essa razao, conceitos de estatstica vao aparecer no desenvolvimento dos
algoritmos. O primeiro deles, a aproximacao pela media amostral, e um
metodo de amostragem exterior: obtem-se uma amostra e, em seguida, se
resolve o problema. Ja a decomposicao estoc
astica e um metodo interior: a
amostragem ocorre durante a execucao do algoritmo.
7.1
Aproxima
c
ao pela m
edia amostral
Considere o problema
f (x) = E [F (x, )] =
VAL =
min
G(x, )g(x)dx
xX
(7.1)
Ax = b, x 0,
sujeito a
f (x) = cT x + Q(x),
A principal diculdade em resolver o problema (7.1) e a presenca da esperanca, que e uma integral. Em geral, nao e possvel resolver explicitamente
78
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
(7.2)
xX
N
!
j=1
4/
F (x, j )
M
etodos Amostrais
79
Entao
.
min
xX
N
1 !
F (x, j )
N j=1
E min N 1
xX
N
!
N
1 !
F (x, j )
N j=1
/4
F (x, j )
3
E
j=1
3
vN ] min E
E [
xX
N
1 !
F (x, j )
N j=1
4
N
1 !
F (x, j ) = v .
N j=1
Temos assim uma cota inferior para o problema original (7.1). Infelizmente, nao e facil calcular E [
vN ]. O que faremos e aproximar esse valor
atraves de amostragem. Gere M amostras independentes 1,j , . . . N,j , j =
1, . . . , M, de tamanho N . Para cada pacote j de N amostras resolva o problema AMA correspondente:
/
.
N
!
1
j
= min
F (x, i,j ) .
(7.3)
vN
xX
N j=1
Cada um dos j problemas (7.3) fornece uma realizacao da variavel aleaj
j
toria vN
. Logo, conseguimos uma aproximacao para E[
vN
] tirando a media
dos M problemas (7.3):
M
1 ! j
v .
(7.4)
LN,M =
M j=1 N
j
facil ver que o estimador LN,M e nao viesado para E [
E
vN
] e, portanto, e
um bom candidato para aproximar a cota inferior do problema original (7.1).
j
vN
], da mesma
Podemos construir um intervalo de conanca para E [
forma que foi feito no apendice B, equacao (B.7). Pelo teorema central do
limite (A.2), em particular os resultados equivalentes (A.3), temos
n (LN,M E[
vN ]) (0, L2 ),
80
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
L2
(7.5)
Por m basta escolher um tolerancia e encontrar o valor z/2 correspondente (ver equacao (B.3)). Assim como foi feito para (B.7), temos um
intervalo (aproximado) 100 (1 )% conavel para o parametro E[
vN ]:
L
L
z
z
(7.6)
LN,M , LN,M +
M
M
Construindo uma cota superior
Vamos agora tentar encontrar uma cota superior para o problema (7.1).
um ponto admissvel para o problema (7.1). Por se
Para isso, considere x
tratar de um problema de minimizacao, e imediato que f (
x) e uma cota superior para o problema (7.1). Nossa tarefa sera encontrar um bom estimador
(nao-viesado) para f (
x) e assim obter uma cota superior para o problema
(7.1).
Comece gerando T amostras independentes 1,j , . . . , N ,j de tamanho N .
Para cada um dos T pacotes de amostras dena
N
1 !
j
fN (x) =
F (x, i,j ), x X e j = 1 . . . , T.
N i=1
(7.7)
d
T (UN,T f (
x)) (0, U2 ),
(7.8)
(7.9)
M
etodos Amostrais
81
onde U2 e a variancia de f (
x). Novamente vamos aproximar a variancia pelo
2
estimador S :
1 ! j
=
(fN (
x) UN,T )2.
T 1 j=1
T
U2
U (
x)
x)
z
z U (
UN,T (
x)
, UN,T +
T
T
(7.10)
82
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
7.2
A decomposi
c
ao estoc
astica
Esse metodo foi desenvolvido por J. Higle e S. Sen em 1991, e posteriormente publicado em livro [13]. Diferentemente do metodo da aproximacao
pela media amostral, a decomposicao estocastica (DE) e um metodo de amostragem interior, ou seja, as amostras sao feitas durante a execucao do algoritmo. A DE tambem supoe que e possvel obter amostras de uma variavel
um metodo exclusivamente para problemas
ou vetor aleatorio qualquer. E
dois estagios e se baseia em aproximacoes lineares por partes da funcao objetivo do problema de recurso (4.8). Para chegar no algoritmo da DE vamos
passar por varios algoritmos intermediarios.
7.2.1
O algoritmo da DE e uma adaptacao de algoritmos existentes de otimizacao, visando eciencia computacional. O primeiro deles e o algoritmo
de Kelley, que se aplica a problemas da forma
min {cx + Q(x)} ,
xX
(7.11)
M
etodos Amostrais
83
max
pT (h() T()xk )
sujeito a
WT p q.
(7.12)
(7.14)
Por (7.13) e (7.14), podemos usar o algoritmo de Kelley em otimizacao estocastica tomando
k = E pk ()h()
e k = E[pk ()T()].
(7.15)
Tudo parece resolvido, mas temos um problema computacional: esse procedimento pressupoe que em cada passo se resolva um problema de otimizacao para cada pertencente ao espaco amostral . Se tivermos um
vetor aleatorio independente com 10 coordenadas onde cada componente
aleatoria assume 4 valores, temos que resolver um total de 410 = 1 048 576
problemas de otimizacao em cada passo!
7.2.2
AMA + Kelley
(7.16)
84
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
onde t sao observacoes de uma variavel aleatoria . Assim com no algoritmo AMA, a funcao Qk e um aproximacao de Q(x) = E [Q(x, )]. Essa
funcao e convexa (por que?) e, portanto, podemos usar o algoritmo de Kelley
para resolver o problema
min {fk (x) = cx + Qk (x)} .
xX
(7.17)
M
etodos Amostrais
85
k1
j x
kj
k1
1 ! j t t
=
p ( )(h Tt x)
k 1 t=1
x=
1
k
k
!
pj ( t )(ht Tt x),
(7.18)
(7.19)
t=1
k 1 k1
1 j k t
(j + k1
p ( )(h Tt x),
j x) +
k
k
(7.20)
86
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
M
etodos Amostrais
87
1
k1
k (x) = max
k1 (x) + L, kk + kk x
k
k
(7.21)
88
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
M
etodos Amostrais
89
Exerccios
[01] Considere o problema (4.8), com:
X = [0, 5], x = x1 , y = y1
T
c = 0.75 , q = 1 3 1 1 ,
10 8 0
1
T=
e W=
5 0 8
1
T
y2 y3 y4
,
T
h = 1 2
,
1 1 1
,
1 1 1
Ap
endice A
Probabilidade
Este apendice nao se propoe a ser um resumo completo de probabilidade:
queremos denir apenas os conceitos de probabilidade usados no texto. O
leitor interessado em se aprofundar no tema pode consultar [15]. O primeiro
conceito que vamos denir e o de vari
avel aleatoria. Para isso precisamos de
duas denicoes preliminares:
Denic
ao A.1 Uma colecao nao-vazia de conjuntos F de um conjunto e dita uma -algebra de subconjuntos de se as seguintes
propriedades se vericam:
(a) Se A F entao o complemento Ac de A tambem esta em F .
2
)
A
e
ao em F .
(b) Se An esta em F , n = 1, 2, . . . , entao
n
n=1
n=1 est
Probabilidade
91
(a) P() = 1.
(b) P(A) 0 para todo A F .
(c) Se An , n = 1, 2, . . . , sao conjuntos mutuamente disjuntos em F
entao
1
0
5
!
P
An =
P(An ).
n=1
n=1
92
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Denic
ao A.5 Sejam X1 , X2, . . . , Xn variaveis aleatoria discretas. O
vetor aleatorio discreto X e denindo por
X = (X1, X2 , . . . , Xn ).
Denic
ao A.6 A funcao real f denida por f (x) = P(X = x) e chamada funcao densidade da variavel aleatoria X. De maneira similar,
sejam X1 , X2, . . . , Xn variaveis aleatorias discretas. A funcao g de Rn ,
denida por g(x) = P(X1 = x1, X2 = x2, . . . , Xn = xn ), e a densidade
conjunta do vetor aleatorio (X1 , X2, . . . , Xn), onde x pertence a Rn .
Denic
ao A.7 Sejam X1, X2 , . . . , Xn variaveis aleatorias discretas,
com densidades f1 , f2, . . . , fn e com densidade conjunta f . Estas
variaveis sao ditas independentes se
f (x1, x2, . . . , xn) = f1(x1) f2(x2) fn (xn).
Probabilidade
93
Denic
ao A.8 Seja X uma variavel aleatoria discreta com densidade
f assumindo valores x1, x2, . . . , xj , . . .. A esperanca de X e denida
por
!
E[X] =
xj f (xj ),
j=1
desde que esse valor seja nito. Se for innito entao dizemos que a
esperanca de X nao esta denida.
Voltando ao nosso exemplo, temos que a esperanca de X e E[X] =
(1 + s)/2. A esperanca e linear:
Lema A.1 Sejam 1 , . . . , n constantes reais e X1, . . . , Xn variaveis
aleatorias. Entao
4
3 n
n
!
!
i Xi =
i E[Xi].
E
i=1
i=1
!
2
=
(xj E[X])f (xj ),
j=1
desde que esse valor seja nito. Se for innito, entao dizemos que a
variancia de X nao esta denida.
O n
umero e chamado de desvio-padr
ao.
j2 =
(A.1)
94
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
(s + 1)(s 1)
.
12
Denic
ao A.12 Se X1 , X2, . . . , Xn : R sao variaveis aleatorias
denidas em um espaco de probabilidade (, F , P), entao a funcao
F : Rn R denida por
F (x1, x2, . . . , xn) = PX1 x1, X2 x2 , . . . , Xn xn
e denominada funcao distribuicao conjunta do vetor aleatorio
(X1 , X2, . . . , Xn).
Probabilidade
95
Denic
ao A.13 Uma funcao densidade f e qualquer funcao nao negativa tal que
f (x) dx = 1.
comum descrever uma variavel aleatoria por sua densidade, pois a partir
E
dela podemos denir uma medida de probabilidade e, conseq
uentemente, sua
funcao distribuicao. Mais precisamente se X e uma variavel aleatoria com
densidade f entao denimos
x
P (X x) = F (x) =
f (t) dt.
(A.2)
Denic
ao A.14 Seja X uma variavel aleatoria contnua com densidade f . Dizemos que X tem esperanca nita se
|x|f (x) dx < ,
96
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
x
y2
1
Sn n
x =
e 2 dy.
lim P
n
n
2
Essa convergencia ocorre em distribuicao.
Probabilidade
97
Em palavras, o que o teorema central do limite diz e que as funcoes distribuicao das somas parciais Sn devidamente normalizadas, convergem para a
funcao distribuicao da variavel aleatoria normal, nao importando a distribuicao inicial de Xi ! O teorema central do limite possui enunciados equivalentes que serao u
teis no texto. Denotando-se por (, 2) a normal com
parametros e 2 e considerando-se as hipoteses do Teorema A.2, temos que
X d
d
n
(0, 1)
e
n(X ) (0, 2).
(A.3)
Uniforme contnua
Normal (gaussiana)
1
f (x|s) = ,
s
x = 1, 2, . . . , s, s = 1, 2, . . ..
1
,
ba
a x b.
f (x|a, b) =
(x )2
1
2 2 ,
e
f (x|, ) =
2
x , , R,
> 0.
E[X]
2 (X)
s+1
2
(s + 1)(s 1)
12
a+b
2
(b a)2
12
Ap
endice B
Estatstica
Este apendice dene os conceitos basicos de estatstica, necessarios a` compreensao do captulo 7. Estatstica e uma area importante para otimizacao
comum usar tecnicas
estocastica, especialmente na parte de algoritmos. E
estatsticas para obter aproximacoes de problemas de otimizacao estocastica
difceis de se resolver analiticamente.
O conceito mais importante de estatstica e o de estimador.
Denic
ao B.1 Um estimador e simplesmente uma funcao =
(X1, . . . , Xn ) com contradomnio em Rn , onde X1 , . . . , Xn sao
variaveis aleatorias identicamente distribudas.
Nesse texto vamos considerar n = 1. Geralmente, um estimador aproxima
um parametro da densidade de uma variavel aleatoria X, sua esperanca ou
o problema inverso da probabilidade: dados n valores de
sua variancia. E
uma variavel aleatoria desconhecida, queremos obter informacao sobre essa
variavel. Vamos ver dois exemplos de estimadores:
X1 + + Xn
e
n
n
1 !
2
S =
(Xi X)2
n 1 i=1
X=
(B.1)
(B.2)
Estatstica
99
x1 + + xn
.
n
Como o estimador e uma variavel aleatoria, podemos calcular sua vari prefervel trabalhar com estimadores de baixa variancia, pois um
ancia. E
n
umero pequeno de amostras permite aproximar bem o parametro a ser
estimado. Como exemplo, note que a variancia do estimador X e 2/n,
onde 2 e a variancia de Xi .
Apesar do estimador X ser nao-viesado para a esperanca, e importante
obter mais informacao sobre a qualidade da aproximacao que esse estimador
fornece. Essa a ideia dos intervalos de conanca: eles fornecem um intervalo
na reta com a propriedade que o parametro estimado pertence ao intervalo
com probabilidade, digamos, 90%.
Antes de prosseguirmos, vamos enunciar um resultado de probabilidade
que sera extremamente u
til para a construcao a seguir. A demonstracao
pode ser encontrada em [15].
Lema B.1 Sejam X1 , . . . , Xn variaveis aleatorias normais com
parametros (i , i2), i = 1, . . . , n. Entao a variavel aleatoria Y =
X1 + + Xn e normal com parametros (, 2), onde
= 1 + + n e 2 = 12 + + n2 .
100
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
(B.3)
(B.4)
(B.5)
n(X )
P z/2 <
(B.6)
< z/2 .
Estatstica
101
Ap
endice C
Convexidade
Neste apendice apresentaremos as denicoes e propriedades basicas de
funcoes convexas necessarias no texto. As demonstracoes omitidas podem
ser encontradas em [5].
Denic
ao C.1 (Conjuntos convexos) Dizemos que U Rn e um
conjunto convexo se, e somente se, para todo p, q U tem-se
(1 t) p + t q U,
para todo t [0, 1], isto e, se o segmento de reta que une dois pontos
quaisquer de U esta sempre contido em U .
(a)
(b)
Convexidade
103
es convexas e co
ncavas)
Denic
ao C.2 (Func
o
(a) Dizemos que uma funcao f : U Rn R denida em um subconjunto convexo U de Rn e convexa se, e somente se,
f ((1 t) p + t q) (1 t) f (p) + t f (q),
(C.1)
(C.2)
104
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
z
grfico de f
se
gm
en
to
de
ret
as
ec
an
te
q
p
(1 t) . p+t . q
Figura C.2: Para uma funcao convexa, o segmento de reta secante ca sempre acima ou coincide com o graco da funcao, para quaisquer
escolhas de p e q.
Convexidade
105
(C.3)
(C.4)
grfico de f
Figura C.3: Para uma funcao convexa, cada reta tangente ao graco de f
esta sempre abaixo do graco de f .
106
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Denic
ao C.3 (Semiplanos e Semi-Espa
cos) Seja a um vetor
n
umero real. Os conjuntos
nao-nulo em R e seja c um n
H+ = {x Rn | ax c}
H = {x Rn | ax c}
Ap
endice D
Programa
c
ao Linear
D.1
sujeito a
x1 + x2
3 x1 + 2 x2
x1 + 5 x2
x1
x2
8,
7,
0,
0,
(D.1)
108
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
x2
4
3
1
0
x1
sujeito a
c1 x1 + + cn xn
a11 x1 + + a1n xn
..
..
..
.
.
.
am1 x1 + + amn xn
= b1 ,
.. ..
. .
= bm ,
e x1 0, . . . , xn 0.
Todo programa linear pode ser reescrito na forma padrao com o uso de
vari
aveis de folga. Por exemplo, uma restricao da forma
ai1 x1 + + ain xn bi
pode ser substituda, de maneira equivalente, pelas restricoes
ai1 x1 + + ain xn yi = bi e yi 0.
Se uma variavel de decisao xi pode assumir qualquer valor real, isto e, se
nao existe restricao de nao-negatividade em xi, entao podemos substituir xi
por ui vi, a diferenca de dois n
umeros positivos. Se colocarmos o programa
Programa
c
ao Linear
109
x1 + x2
sujeito a
3 x1 + 2 x2 y1 = 8,
x1 + 5 x2 y2 = 7,
x1 0,
x2 0,
y1 0,
y2 0.
(D.2)
cT x
sujeito a
Ax = b e x 0,
xR
(D.3)
cT x
sujeito a
Ax = b e x 0,
xR
cT x
sujeito a
Ax = b e x 0.
xR
110
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
cTB xB + cTN xN
sujeito a
BxB + NxN = b,
xB 0, xN 0.
xB Rm ,xN Rnm
(D.4)
Programa
c
ao Linear
111
a solucao basica correspondente. Temos que x e admissvel se, e somente se, B1b0. Mais ainda, x e otimo se, e somente se,
cTB B1A c.
Demonstracao: Por construcao,
x=
B1b
0
cTB cTN
B1b
0
cTB cTN
B
x
N
x
,
N 0
xB , x
B + cTN x
N ,
cTB xB cTB x
N 0
xB , x
N ,
cTB xB cTB (B1b B1N
xN ) + cTN x
N ,
cTB B1N
xN cTN x
xN 0
xN 0
112
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Denic
ao D.1 (Ponto Extremo) Dizemos que um ponto x em um
conjunto convexo U e ponto extremo de U se nao existem dois outros
pontos distintos x1 e x2 em U tais que x = x1 + (1 ) x2 para
algum no intervalo (0, 1).
nicos pontos extremos do conjunto
Na Figura (D.2), x1 , x2 e x3 sao os u
admissvel K do PL (D.1). O ponto x4 nao e um ponto extremo de K, pois
ele pode ser escrito como uma combinacao convexa de x2 K e x3 K.
Como x6 = x5 + (1 ) x7 para algum (0, 1), vemos que o ponto x6
(no interior do conjunto admissvel) tambem nao e um ponto extremo de K.
x2
4 x1
x5
x2
1
0
x7
x6
x4
3
x3
7
x1
Programa
c
ao Linear
113
D.2
Dualidade
Denic
ao D.2 (O problema dual) O problema dual de
minimizar
n
cT x
sujeito a
Ax b e x 0,
maximizar
m
T b
sujeito a
AT c e 0,
xR
(D.5)
e o programa linear
R
(D.6)
onde T b = m
e denominado o problema dual de (D.5).
i=1 i bi . (D.6)
Neste contexto, (D.5) e denominado problema primal.
sujeito a
8 1 + 7 2
3 1 + 2
2 1 + 5 2
1
2
1,
1,
0,
0.
(D.7)
114
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
O problema dual de qualquer programa linear pode ser encontrado convertendoo para o formato (D.5). Por exemplo, como Ax = b se, e somente se, Ax b
e Ax b, o programa linear na forma padrao (D.3) pode ser escrito na
forma do problema primal (D.5) da seguinte maneira equivalente
minimizar
n
xR
sujeito a
A
A
cT x
x
b
b
e x 0.
uT b vT b
sujeito a
AT u AT v c, u 0 e v 0.
xR
minimizar
n
xR
sujeito a
cT x
Ax = b,
x 0,
(problema dual)
maximizar
m
R
T b
sujeito a AT c.
maximizar
n
xR
sujeito a
cT x
Ax = b,
x 0,
(problema dual)
minimizar
m
R
T b
sujeito a AT c.
Programa
c
ao Linear
115
minimizar
n
xR
sujeito a
c x
Ax b,
x 0,
(problema dual)
maximizar
m
R
T b
sujeito a AT c,
0.
Par Dual 4
(problema primal)
maximizar
m
yR
sujeito a
b y
Ay c,
y 0,
(problema dual)
minimizar
n
xR
cT x
sujeito a xT A bT,
x 0.
Teorema D.4 (Teorema fraco de dualidade) Se x e sao admissveis para os problemas (D.3) e (D.6), respectivamente, entao
cT x T b.
Este teorema mostra que um ponto admissvel para um dos problemas
fornece uma cota para o valor da funcao objetivo do outro problema. Os
valores associados com o problema primal sao sempre maiores ou iguais aos
valores associados com o problema dual. Como corol
ario, vemos que se um
par de pontos admissveis pode ser encontrado para os problemas primal e
dual com valores iguais da funcao objetivo, entao estes pontos sao otimos.
Teorema D.5 (Teorema forte de dualidade) Se um dos problemas (D.3) ou (D.6) tem uma solucao otima nita, entao o outro
tambem tera uma solucao otima nita e, neste caso, os valores das
respectivas funcoes objetivo sao iguais. Se a funcao objetivo do problema primal nao e limitada inferiormente, entao o conjunto admissvel
do problema dual e vazio e, se a funcao objetivo do problema dual nao
e limitada superiormente, entao o conjunto admissvel do problema
primal e vazio.
116
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
1/5
(4/13, 1/13)
3/8
0
1/3
Figura D.3: O conjunto admissvel do problema dual (D.7) do programa linear (D.1).
D.3
Raios extremos
Programa
c
ao Linear
117
Dizemos que
r e um raio de K se, e somente se,
r
= 0 e o conjunto
n
{p R | p = x + t
r e t 0} esta contido em K para todo x K.
Um raio
r de K e extremo, se nao existem outros dois raios r1 e r2 de K
(com r1
= t r2 para todo t > 0) e um escalar s no intervalo (0, 1) tal que
r = s r1 + (1 s) r2 .
x2
r1
r2
r3
0
K
x1
Figura D.4: Os vetores r1 e r2 nao sao raios extremos de K. O vetor r3 e um raio extremo
de K.
Bibliograa
[1] G. Beek, J. Blatt, M. Koschat, N. Kunz, M. LePore e S. Blyakher,
News Vendors Tackle The News Vendor Problem. Interfaces, v. 33,
n. 3, pp. 7284, 2003.
[2] D. Bell, Incorporating The Customers Perspective into The Newsvendor Problem. Preprint, Harvard Business School, 2003.
[3] J. R. Birge e F. Louveaux, Introduction to Stochastic Programming.
Springer Series in Operations Research, Springer-Verlag, 1997.
[4] H. J. Bortolossi, Video Tutorial for SLP-IOR.
Disponvel em
http://www.mat.puc-rio.br/hjbortol/disciplinas/2008.1/soe/.
[5] S. Boyd e L. Vandenberghe, Convex Optimization. Cambridge University Press, 2005.
Disponvel em http://www.stanford.edu/boyd/cvxbook/.
[6] A. Charnes, W.W. Cooper e G.H. Symonds, Cost Horizons and Certainty Equivalents: An Approach to Stochastic Programming of Heating
Oil. Management Science, n. 4, pp. 235-263, 1958.
[7] V. Chvatal, Linear Programming. W. H. Freeman and Company, 1983.
[8] G. B. Dantzig e M. N. Thapa, Linear Programming 1: Introduction.
Springer Series in Operations Research, Springer-Verlag, 1997.
[9] G. B. Dantzig e M. N. Thapa, Linear Programming 2: Theory and
Extensions. Springer Series in Operations Research, Springer-Verlag,
2003.
BIBLIOGRAFIA
119
120
XI Simp
osio de Pesquisa Operacional e Logstica da Marinha
Disponvel em http://www.optimization-online.org/.
[22] C. van de Panne e W. Popp, Minimum-Cost Cattle Feed under Probabilistic Protein Constraints. Management Science, n. 9, pp. 405-430,
1963.
[23] R. T. Rockafellar, Convex Analysis. Princeton University Press, 1970.
[24] A. Ruszcy
nski e A. Shapiro, Stochastic Programming. Handbooks in
Operations Resarch and Management Science, vol. 10, Elsevier, 2003.
[25] D. Walkup e R. J.-B. Wets, Stochastic Programs With Recourse. SIAM
Journal on Applied Mathematics, n. 15, pp. 1299-1314, 1967.
[26] R. J.-B. Wets, Stochastic Programs with Fixed Recourse: The Equivalent Deterministic Problem. SIAM Review, n. 16, pp. 309-339, 1974.
[27] R. J.-B. Wets e C. Witzgall, Algorithms for Frames and Linearity Spaces of Cones. Journal of Research of the National Bureau of Standards
Section, B 71B, pp. 17, 1967.