Sumá ri

Sumário.............................................................................................................................................. 1
Capítulo 1........................................................................................................................................... 2
Capítulo 2........................................................................................................................................... 3
Capítulo 3........................................................................................................................................ 15
Capítulo 4........................................................................................................................................ 18
Capítulo 5........................................................................................................................................ 20

i
 Capítulo 1

Introdução

O Trabalho 3 visa estudar a otimizaçã o em problemas nã o lineares com restriçã o.

Em que cada aluno explorará o comportamento de um método. Aqui será trata o método
elipsoidal e as duas variantes do método, Lagrangea e Atrator. As três variantes do
método elipsoidal (original, deep-cut Rodney-Takahashi, deep-cut Douglas-Adriano).

2
 Capítulo 2

Estudo de funções de 2 dimensões partindo do mesmo

ponto inicial

2.1.1 Função 1:
Funçã o quadrá tica com restriçõ es lineares
Có digo: fdemonst.m

% Quadract function
% Objective function
fx = (x(1,:)- 1).^2 + (x(2,:)- 1).^2;
dfx = [2*(x(1)-1); 2*(x(2)-1)];
% Contraints (g1(x) <= 0)
gx(1,:) = x(1,:) + x(2,:) - 1;
dgx(1,1) = 1;
dgx(2,1) = 1;
% Contraints (g2(x) <= 0)
gx(2,:) = x(1,:) - x(2,:) - 1;

Figura 1 - Funçã o objetivo e restriçõ es para a Funçã o 1

2.1.2 Função 2:
Problema de Rosen e Suzuki
Có digo: pb_rosensuzuki_convexa.m

3
 Figura 2 - Funçã o objetivo e restriçõ es para a Funçã o 2

2.1.3 Função 3:
Funçã o quadrá tica com restriçõ es quadrá ticas
Có digo: fquadx.m

% Objective function
fx = (x(1,:)- 2).^2 + (x(2,:)- 2).^2;
dfx = [2*(x(1)-2); 2*(x(2)-2)];
% Contraints (g1(x) <= 0)
gx(1,:) = x(1,:) .^ 2 + 4 * x(2,:) .^ 2 - 1;
dgx(1,1) = 2*x(1,1);
dgx(2,1) = 8*x(2,1);
% Contraints (g2(x) <= 0)
gx(2,:) = (x(1,:)-2) .^ 2 + 4 * x(2,:) .^ 2 - 1;
dgx(1,2) = 2*x(1,1)-2;
dgx(2,2) = 8*x(2,1);

Figura 3 - Funçã o objetivo e restriçõ es para a Funçã o 3

2.1.4 Função 4:
Problema de Svanverg
Có digo: fsvanb.m

% Funcao objetivo.
fobj = x(1,1)*sqrt(1+x(2,1)^2);

% gradiente função objetivo.

4
% f = x(1,1)*sqrt(1+x(2,1)^2);
dfobj(1,1) = sqrt(1+x(2,1)^2);
dfobj(2,1) = x(1,1)*x(2,1)/sqrt(1+x(2,1)^2);

% Funcões de restricao g(x,1) <= 0.0.

gsinal(1,1) = -1;
gsinal(2,1) = -1;
g(1,1) = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)+1/(x(1,1)*x(2,1)))-1;
g(2,1) = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)-1/(x(1,1)*x(2,1)))-1;

% Funcões de restricao g1(x,1) <= 0.0.

% g1 = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)+1/(x(1,1)*x(2,1)))-1;
df1(1,1) =-0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)^2+1/(x(2,1)*x(1,1)^2));
df1(2,1) = 0.124*(x(2,1)*(8/x(1,1)+1/(x(1,1)*x(2,1)))/sqrt(1+x(2,1)^2)- ...
sqrt(1+x(2,1)^2)/(x(1,1)*x(2,1)^2));

Figura 4 - Funçã o objetivo e restriçõ es para a Funçã o 4

2.1.5 Função 5:

Funçã o objetivo quadrá tica com restriçõ es elipsoidais

Có digo: fflower.m

Figura 5 - Funçã o objetivo e restriçõ es para a Funçã o 5

2.1.6 Função 6:

Norma distorcida e condicionada com restriçõ es

Có digo: ftiltednormcond_rosensuzu.m

5
 Fi
gura 6 - Funçã o objetivo e restriçõ es para a Funçã o 6

2.2 Resultados para ponto inicial fixo

Nesta seçã o os métodos sã o comparados pelo nú mero de iteraçõ es, valor final da
funçã o objetivo e fator final de convergência de Powell. Além destes valores, sã o
mostrados os grá ficos com o traçado das elipses em cada iteraçã o, evoluçã o da funçã o
objetivo e evoluçã o do fator de convergência de Powell. Para todas as funçõ es e métodos
de deep-cut foram usados o ponto inicial x0 = (8,8).

2.1.1 Função 1:
Funçã o quadrá tica com restriçõ es lineares
Có digo: fdemonst.m

Tabela 1 - Resultados para Funçã o 1, 2 dimensõ es, x_0 fixo

6
 Figura 7 - Convergência para Funçã o 1, método original

Figura 8 - Convergência para Funçã o 1, deep-cut Rodney-Takahashi

Figura 9 - Convergência para Funçã o 1, deep-cut Douglas-Adriano.

2.1.2 Função 2:
Problema de Rosen e Suzuki
Có digo: pb_rosensuzuki_convexa.m

Tabela 2 - Resultados para Funçã o 2, 2 dimensõ es, x_0 fixo

7
 Figura 10 - Convergência para Funçã o 2, método original

Figura 11 - Convergência para Funçã o 2, método deep-cut Rodney-Takahashi

Figura 12 - Convergência para Funçã o 2, método deep-cut Douglas-Adriano

8
 2.1.3 Função 3:
Funçã o quadrá tica com restriçõ es quadrá ticas
Có digo: fquadx.m

Tabela 3 - Resultados para Funçã o 3, 2 dimensõ es, x_0 fixo

Figura 13 - Convergência para Funçã o 3, método original

Figura 14 - Convergência para Funçã o 3, método deep-cut Rodney-Takahashi

9
 Figura 15 - Convergência para Funçã o 3, método deep-cut Douglas-Adriano

2.1.4 Função 4:
Problema de Svanverg
Có digo: fsvanb.m

Tabela 4 - Resultados para Funçã o 4, 2 dimensõ es, x_0 fixo

Figura 16 - Convergência para Funçã o 4, método original

10
 Figura 17 - Convergência para Funçã o 4, método deep-cut Rodney-Takahashi

Figura 18 - Convergência para Funçã o 4, método deep-cut Douglas-Adriano

2.1.5 Função 5:

Funçã o objetivo quadrá tica com restriçõ es elipsoidais

Có digo: fflower.m

Tabela 5 - Resultados para Funçã o 5, 2 dimensõ es, x_0 fixo

11
 Figura 19 - Convergência para Funçã o 5, método original

Figura 20 - Convergência para Funçã o 5, método deep-cut Rodney-Takahashi

Figura 21 - Convergência para Funçã o 5, método deep-cut Douglas-Adriano

2.1.6 Função 6:

12
Norma distorcida e condicionada com restriçõ es
Có digo: ftiltednormcond_rosensuzu.m
Tabela 6 - Resultados para Funçã o 6, 2 dimensõ es, x_0 fixo

Figura 22 - Convergência para Funçã o 6, método original

Figura 23 - Convergência para Funçã o 6, método deep-cut Rodney-Takahashi

13
 Figura 24 - Convergência para Funçã o 5, método deep-cut Douglas-Adriano

Capítulo 3

Estudo do parâmetro s do deep-cut

Nesta seçã o foi investigado o efeito do parâ metro s para a realizaçã o do método
deep-cut. Para tal usou-se a funçã o 2 (problema de Rosen-Suzuki com restriçõ es) e o
método de Rodney-Takahashi com ponto inicial x_0 = (8, 8)T. Foram testados dez
valores de s indo de 0 até 0,3125, avaliando sua influência no nú mero de iteraçõ es, valor
final da funçã o objetivo e valor final do fator de convergência. Foram registrados os
grá ficos de convergência da funçã o objetivo e do fator de convergência para s = 0, s =
0,1736 e s = 3,125.
14
 Tabela 7 - Resultados da influência do parâ metro s do deep-cut

Figura 25 - Efeito de s nas métricas de interesse a) Nú mero de iteraçõ es, b) Valor final do fator de
convergência de Powell e c) valor final da funçã o objetivo.

15
 Figura 26 - Grá ficos de convergência para a) s=0, b) s=0,1736 e c) s=0,3125.

Observa-se que o número de iterações diminui com o aumento de s de forma

aparentemente linear. O valor final da função objetivo e o fator de convergência não
apresentam dependência aparente de s. A dependência linear do número de iterações com
o parâmetro s poderia ser testada para problemas com maior dimensão, porém tal teste não
foi realizado neste trabalho.

16
 Capítulo 4

Estudo do aumento da dimensão do problema

Foi investigado o efeito do aumento da dimensã o n do problema. Para tal usou-se a

funçã o 2 (problema de Rosen-Suzuki com restriçõ es) para o método original, para o
deep-cut de Rodney-Takahashi e de Douglas-Adriano ambos com s=1/(n+1,1). Foram
realizadas 10 execuçõ es para cada dimensã o, sendo registrado o nú mero de iteraçõ es,
valor final da funçã o objetivo e valor final do fator de convergência, com ponto inicial
variando a cada execuçã o.

Tabela 8 - Resultado para aumento de dimensã o. Nú mero de Iteraçõ es

17
 Tabela 9 - Resultado para aumento de dimensã o. Valor final da funçã o objetivo

Tabela 10 - Resultado para aumento de dimensã o. Valor final do fator de convergência de Powell

18
 Figura 27 – Grá fico comparativo do nú mero de iteraçõ es em funçã o da dimensã o para os três métodos.

A tabela 9 indica que os três métodos chegaram em torno da mesma soluçã o, com
o deep-cut de Douglas-Adriano chegando à uma soluçã o ligeiramente pior do que os
outros dois métodos. A tabela 8 assim como o grá fico da figura 27 mostram que há
grande diferença na complexidade dos métodos. O método original é sem dú vidas o mais
lento, com crescimento aparentemente exponencial do nú mero de iteraçõ es. O método
de Rodney-Takahashi se mostra significativamente mais rá pido que o original. O método
que melhor escala com a dimensã o do problema é o de Douglas-Adriano, sendo entã o o
mais indicado no caso de problemas de alta dimensionalidade.

Capítulo 5

Conclusão

Os experimentos realizados no capítulo 2 deste trabalho indicam que o método

original seja o mais robusto, sendo capaz de otimizar todos os problemas apresentados,

19
enquanto a versã o de Douglas-Adriano teve problemas ao otimizar a funçã o 2 e o
método de Rodney-Takahashi teve problemas ao otimizar a funçã o 4.
Os experimentos do capítulo 3 indicam que um aumento do parâ metro s de deep-
cut reduz o nú mero de iteraçõ es necessá rio sem influenciar na qualidade da soluçã o. Os
experimentos da capítulo 4 indicam que a versã o com deep-cut de Douglas-Adriano é a
mais eficiente, reduzindo consideravelmente o crescimento do nú mero de iteraçõ es em
funçã o da dimensã o do problema.
Globalmente pode-se notar que o método elipsoidal se baseia em delimitar
regiõ es que contém a soluçã o, diminuindo gradualmente essa regiã o até que ela se torne
apenas a soluçã o. Outra característica observá vel do método é que a soluçã o encontrada
é aproximada. Os grá ficos de convergência (figuras 8 a 24 e figura 26) indicam que a
regiã o de busca cerca rapidamente a soluçã o, porém a aproximaçã o da soluçã o é
assintó tica, dando a característica hiperbó lica dos grá ficos.

20