Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Matematica
Notas de Aula
Otimiza cao Escalar e Vetorial
Volume 3: Otimiza cao Vetorial
Professor: Ricardo H. C. Takahashi
Belo Horizonte, Janeiro de 2007
Conte udo
I Introdu cao e Conceitos Preliminares 6
1 Introdu cao 7
1.1 Otimiza c ao em Projeto Assistido por Computador . . . . . . . 7
1.2 Sistemas de Projeto Assistido por Computador . . . . . . . . . 9
1.3 Otimiza c ao em PAC . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 A Abordagem Escalar . . . . . . . . . . . . . . . . . . 12
1.3.2 A Abordagem Vetorial . . . . . . . . . . . . . . . . . . 16
1.4 Formula c ao do Problema de Otimiza c ao Vetorial . . . . . . . . 17
1.4.1 Etapa de Determina c ao das Solu c oes Ecientes . . . . 17
1.4.2 Etapa de Decis ao . . . . . . . . . . . . . . . . . . . . . 18
2 Deni c oes de Referencia 20
2.1 Espa cos e Normas . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Espa cos Topol ogicos . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Cones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Hiperplanos e Poliedros . . . . . . . . . . . . . . . . . . . . . . 28
3 Caracteriza cao das Fun c oes 29
3.1 Superfcies de Nvel e Modalidade . . . . . . . . . . . . . . . . 30
3.1.1 Bacias de Atra c ao . . . . . . . . . . . . . . . . . . . . . 32
3.2 Continuidade e Diferenciabilidade . . . . . . . . . . . . . . . . 32
3.3 Convexidade e Quasi-Convexidade . . . . . . . . . . . . . . . . 33
3.4 Mnimos Locais e Mnimos Globais . . . . . . . . . . . . . . . 36
3.5 Caracteriza c ao dos Mnimos Locais . . . . . . . . . . . . . . . 37
4 Convergencia de Algoritmos 42
4.1 Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1
CONTE
UDO 2
II Otimiza cao Escalar 46
5 Interpreta cao Geometrica 47
5.1 O Jogo da Otimiza c ao . . . . . . . . . . . . . . . . . . . . . . 47
5.1.1 Formula c ao do Problema de Otimiza c ao . . . . . . . . 48
5.1.2 As Regras do Jogo . . . . . . . . . . . . . . . . . . . . 54
5.2 Otimiza c ao Sem Restri c oes . . . . . . . . . . . . . . . . . . . . 57
5.2.1 Estrategias de Dire c ao de Busca . . . . . . . . . . . . . 62
5.2.2 Estrategias de Exclus ao de Regi oes . . . . . . . . . . . 67
5.2.3 Estrategias de Popula c oes . . . . . . . . . . . . . . . . 74
5.3 Otimiza c ao com Restri c oes de Desigualdade . . . . . . . . . . 80
5.3.1 Interpreta c ao geometrica de uma restri c ao de desigual-
dade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.3.2 Interpreta c ao geometrica de v arias restri c oes de desi-
gualdade . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.3 Barreiras e Penalidades . . . . . . . . . . . . . . . . . . 85
5.3.4 Composi c ao pelo M aximo . . . . . . . . . . . . . . . . 89
5.4 Otimiza c ao com Restri c oes de Igualdade . . . . . . . . . . . . 90
5.5 Otimiza c ao Linear . . . . . . . . . . . . . . . . . . . . . . . . 93
6 Dire c oes de Busca 98
6.1 Estrutura B asica . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2 Busca em Dire c oes Aleat orias . . . . . . . . . . . . . . . . . . 100
6.3 Algoritmo do Gradiente . . . . . . . . . . . . . . . . . . . . . 102
6.3.1 C alculo do Gradiente . . . . . . . . . . . . . . . . . . . 103
6.3.2 Otimiza c ao Unidimensional . . . . . . . . . . . . . . . 104
6.3.3 Criterios de Parada . . . . . . . . . . . . . . . . . . . . 108
6.3.4 Convergencia . . . . . . . . . . . . . . . . . . . . . . . 112
6.4 Aproxima c oes Quadr aticas . . . . . . . . . . . . . . . . . . . . 115
6.4.1 Algoritmo de Newton . . . . . . . . . . . . . . . . . . . 118
6.4.2 Metodo de Newton Modicado . . . . . . . . . . . . . 119
6.4.3 Determina c ao Numerica da Hessiana . . . . . . . . . . 122
6.4.4 Constru c ao da Hessiana . . . . . . . . . . . . . . . . . 122
6.4.5 Corre c ao de Posto 1 . . . . . . . . . . . . . . . . . . . 124
6.4.6 Metodos Quasi-Newton . . . . . . . . . . . . . . . . . . 129
6.5 Tratamento de Restri c oes . . . . . . . . . . . . . . . . . . . . 132
6.5.1 Metodo de Barreira . . . . . . . . . . . . . . . . . . . . 132
6.5.2 Metodo de Penalidades . . . . . . . . . . . . . . . . . . 133
CONTE
UDO 3
6.6 Comportamento dos Metodos de Dire c ao de Busca . . . . . . . 135
6.6.1 N ao-Diferenciabilidade . . . . . . . . . . . . . . . . . . 135
6.6.2 N ao-Convexidade . . . . . . . . . . . . . . . . . . . . . 137
6.6.3 Multimodalidade . . . . . . . . . . . . . . . . . . . . . 138
7 Exclusao de Semi-Espa cos 139
7.1 Formula c ao Geral . . . . . . . . . . . . . . . . . . . . . . . . . 140
7.2 Metodos de Planos de Corte . . . . . . . . . . . . . . . . . . . 141
7.2.1 Algoritmo de Planos de Corte de Kelley . . . . . . . . 144
7.3 Algoritmo Elipsoidal . . . . . . . . . . . . . . . . . . . . . . . 144
7.3.1 Algoritmo Elipsoidal com Deep Cut . . . . . . . . . 146
7.4 Tratamento de Restri c oes . . . . . . . . . . . . . . . . . . . . 147
7.5 Caractersticas de Comportamento . . . . . . . . . . . . . . . 149
7.5.1 Descontinuidades e N ao-Diferenciabilidade . . . . . . . 149
7.5.2 N ao-Convexidade . . . . . . . . . . . . . . . . . . . . . 150
7.5.3 Multimodalidade . . . . . . . . . . . . . . . . . . . . . 150
7.5.4 Velocidade de Convergencia . . . . . . . . . . . . . . . 150
7.6 Algoritmo Cone-Elipsoidal . . . . . . . . . . . . . . . . . . . . 151
7.7 Deni c ao do Problema . . . . . . . . . . . . . . . . . . . . . . 152
7.8 Metodo Elipsoidal Convencional . . . . . . . . . . . . . . . . . 152
7.8.1 Problemas Difceis para o Metodo Convencional . . . . 153
7.9 Cones das Dire c oes Factibilizantes . . . . . . . . . . . . . . . . 155
7.10 O Metodo Cone-Elipsoidal . . . . . . . . . . . . . . . . . . . . 157
7.10.1 Primeira Reformula c ao do Problema . . . . . . . . . . 158
7.10.2 Segunda Reformula c ao do Problema . . . . . . . . . . . 160
7.11 O Algoritmo MCE . . . . . . . . . . . . . . . . . . . . . . . . 163
7.12 N ao-Convexidade de Restri c oes de Igualdade . . . . . . . . . . 164
7.13 Conclus oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8 Otimiza cao por Popula c oes 167
8.1 Algoritmo Evolucion ario Simples . . . . . . . . . . . . . . . . 169
8.2 Algoritmo de Simulated Annealing . . . . . . . . . . . . . . . 170
8.3 Algoritmos Geneticos . . . . . . . . . . . . . . . . . . . . . . . 173
8.3.1 Algoritmo Genetico - Codica c ao Bin aria . . . . . . . . 174
8.3.2 Algoritmo Genetico - Codica c ao Real - Polarizado . . 176
8.4 Sobre a Estrutura do AG-B e do AG-RP . . . . . . . . . . . . 181
8.4.1 Resultados para o AG-B . . . . . . . . . . . . . . . . . 181
8.4.2 Resultados para o AG-RP . . . . . . . . . . . . . . . . 194
CONTE
UDO 4
8.4.3 Teste das Propriedades de Convergencia . . . . . . . . 198
8.5 Metodologia de Avalia c ao da Eciencia de AGs . . . . . . . . 204
8.5.1 Metodologia de Avalia c ao . . . . . . . . . . . . . . . . 206
8.6 Tratamento de Restri c oes . . . . . . . . . . . . . . . . . . . . 212
8.7 Caractersticas de Comportamento . . . . . . . . . . . . . . . 212
8.7.1 Descontinuidades e N ao-Diferenciabilidade . . . . . . . 212
8.7.2 Multimodalidade . . . . . . . . . . . . . . . . . . . . . 212
8.7.3 Velocidade de Convergencia . . . . . . . . . . . . . . . 213
9 Exerccios - Otimiza cao Escalar 216
III Otimiza cao Vetorial 222
10 Solu c oes de Pareto 223
10.1 O Problema de Otimiza c ao Vetorial . . . . . . . . . . . . . . . 223
10.1.1 Nota c ao . . . . . . . . . . . . . . . . . . . . . . . . . . 224
10.2 Ordenamento de Solu c oes . . . . . . . . . . . . . . . . . . . . 225
10.3 O Conjunto Pareto-
Otimo . . . . . . . . . . . . . . . . . . . . 229
10.3.1 Conjunto localmente Pareto- otimo . . . . . . . . . . . 236
10.3.2 Solu c ao ut opica . . . . . . . . . . . . . . . . . . . . . . 237
10.4 O Problema de Determina c ao das Solu c oes Ecientes . . . . . 239
10.5 Condi c oes de Kuhn-Tucker para Eciencia . . . . . . . . . . . 240
11 Gera cao de Solu c oes Ecientes 244
11.1 Abordagem via Problema Ponderado . . . . . . . . . . . . . . 244
11.1.1 Interpreta c ao geometrica . . . . . . . . . . . . . . . . . 245
11.1.2 Algoritmos P
. . . . . . . . . . . . . . . . . . . . . . . 252
11.2 Abordagem via Problema -Restrito . . . . . . . . . . . . . . . 254
11.2.1 Algoritmos P
. . . . . . . . . . . . . . . . . . . . . . . 259
11.3 Abordagem hbrida: Ponderando e Restringindo . . . . . . . . 261
11.4 Abordagem da Programa c ao-Alvo . . . . . . . . . . . . . . . . 262
11.5 Abordagem P
. . . . . . . . . . . . . . . . . . . . . . . . . . 267
11.6 Teste de Eciencia . . . . . . . . . . . . . . . . . . . . . . . . 274
11.6.1 Algoritmos P
. . . . . . . . . . . . . . . . . . . . . . . 275
CONTE
UDO 5
12 Propriedades de Grupo 276
12.1 Verica c ao versus Falseamento . . . . . . . . . . . . . . . . . . 277
12.2 Estrutura do Conjunto Pareto-
Otimo . . . . . . . . . . . . . . 279
12.3 An alise Multiobjetivo . . . . . . . . . . . . . . . . . . . . . . 282
12.3.1 Consistencia . . . . . . . . . . . . . . . . . . . . . . . . 283
12.3.2 Ordenamento e Domin ancia . . . . . . . . . . . . . . . 284
12.3.3 Extens ao . . . . . . . . . . . . . . . . . . . . . . . . . . 284
12.3.4 Dados Extremos . . . . . . . . . . . . . . . . . . . . . 286
12.4 Decis ao e Sntese Multiobjetivo . . . . . . . . . . . . . . . . . 286
12.5 Algoritmo Genetico Multiobjetivo . . . . . . . . . . . . . . . . 288
12.5.1 Constru c ao do Algoritmo Genetico Multiobjetivo . . . 288
12.5.2 AG-RPMO . . . . . . . . . . . . . . . . . . . . . . . . 290
12.6 Exemplo de Aplica c ao: Projeto de Controladores . . . . . . . 296
12.6.1 Realimenta c ao completa de estados . . . . . . . . . . . 296
12.6.2 Realimenta c ao est atica de sadas . . . . . . . . . . . . 299
13 Exerccios - Otimiza cao Vetorial 302
Exerccios Computacionais . . . . . . . . . . . . . . . . . . . . 307
Parte III
Otimiza cao Vetorial
222
Captulo 10
Caracteriza cao Analtica e
Formula cao do Problema de
Gera cao das Solu c oes de Pareto
Neste captulo s ao apresentados os conceitos que conduzem ` a deni c ao do
conjunto Pareto- otimo de um problema de otimiza c ao vetorial. Com tal
deni c ao estabelecida, formulam-se a seguir condi c oes analticas que carac-
terizam as solu c oes pertencentes a tal conjunto.
10.1 O Problema de Otimiza cao Vetorial
Considere-se o problema de otimiza c ao vetorial (POV):
(POV)
_
_
A
= x
R
n
[
x
= arg min
x
f(x)
sujeito a: x T
x
(10.1)
sendo f() : R
n
R
m
o vetor de objetivos do problema e T
x
R
n
a regi ao
factvel. Os vetores x R
n
s ao os chamados vetores de par ametros do POV,
formando o espa co de par ametros A. Os vetores f(x) R
m
encontram-se
223
CAP
.
T
x
: O conjunto dos pontos factveis, subconjunto do conjunto A.
: Espa co dos objetivos, isto e, o espa co no qual se representa a imagem
da fun c ao f(). Neste trabalho, tal espa co ser a sempre identicado com
um espa co R
m
.
1 : O conjunto imagem da fun c ao f(), tendo por domnio todo o espa co A.
T
y
: O conjunto imagem da fun c ao f() restrita ao domnio T
x
. O conjunto
T
y
e um subconjunto do espa co .
. O conjunto
: O interior do conjunto-argumento.
CAP
ou seja:
x ,= y ,x
i
,= y
i
i = 1, . . . , n
Dessa forma, a condi c ao de desigualdade (,=) permanece sendo complementar
` a condi c ao de igualdade (=).
Pode-se vericar que a rela c ao _ assim denida estabelece um ordena-
mento parcial do conjunto R
n
, pois as propriedades de reexividade, transi-
tividade e anti-simetria de _ s ao facilmente veric aveis, enquanto que nem
sempre ser a verdade que a _ b ou b _ a, no caso de vetores a e b nesse
conjunto.
Exemplo 10.1 Considerem-se os vetores x, y e z, todos em R
3
:
x =
_
_
3
5
7
_
_
y =
_
_
2
4
6
_
_
z =
_
_
3
4
5
_
_
Usando a Deni c ao 10.3, s ao verdadeiros os resultados das seguintes opera c oes de
compara c ao desses vetores dois a dois:
y x y x
z x z x
Denindo agora a rela c ao como signicando a rela c ao n ao ocorre, obtem-se
tambem:
z y
y z
Portanto, n ao h a uma ordena c ao total dos vetores x, y e z.
CAP
_
A
= x
R
n
[
x
= arg min
x
f(x)
sujeito a: x T
x
(10.2)
Esse problema ca bem denido quando se dene a opera c ao de min como a
determina c ao dos elementos de um conjunto que n ao possuam predecessores
naquele conjunto, de acordo com uma rela c ao de ordena c ao parcial . Essa
deni c ao e apresentada a seguir.
Deni cao 10.5 (Opera cao min) Seja um conjunto cujos elementos s ao
dotados de uma ordem parcial . A opera c ao min sobre esse conjunto, deno-
tada por
y = min
x
x
e denida de forma que y Q n ao possua nenhum predecessor alem de si
pr oprio, ou seja, de forma que seja verdadeira a express ao
, x [ x ,= y e x y.
CAP
Otimo
Considere-se o problema de otimiza c ao vetorial denido por (10.1). A gura
10.1 mostra o que seria o mapeamento f() levando de um espa co A a pontos
de um espa co , num problema sem restri c oes (ou seja, um problema em que
T
x
= A). A regi ao 1 corresponde ` a imagem da fun c ao f(). O ponto y
A
corresponde ao vetor de objetivos que ocorre como imagem do ponto x
A
que minimiza o funcional f
1
(). O ponto y
B
corresponde ao vetor de
objetivos que ocorre como imagem do ponto x
B
que minimiza o funcional
f
2
().
A gura 10.2 mostra o que seria o mapeamento f() levando de um espa co
A a pontos de um espa co , num problema agora com restri c oes (ou seja,
um problema em que T
x
A). A regi ao T
y
1 corresponde ` a imagem da
fun c ao f() restrita ao domnio T
x
. O ponto y
A
corresponde ao vetor
de objetivos que ocorre como imagem do ponto x
A
que minimiza o funcional
f
1
(). O ponto y
B
corresponde ao vetor de objetivos que ocorre como
imagem do ponto x
B
que minimiza o funcional f
2
(). Observe-se que embora
um ponto de mnimo de algum funcional possa ocorrer no interior da regi ao
T
x
(na gura 10.2, esse e o caso do ponto x
A
), os pontos correspondentes ` as
imagens de todos os mnimos no espa co necessariamente se encontrar ao na
fronteira do conjunto T
y
(vide o ponto y
A
).
O objeto fundamental da otimiza c ao multiobjetivo consiste em um con-
junto de solu c oes A
T
x
e uma solu c ao
Pareto-
) e f(x) ,= f(x
), ou seja, se x
Os conjuntos de Pareto (ou seja, conjuntos das solu c oes Pareto- otimas)
associados ` as guras 10.1 e 10.2 s ao mostrados respectivamente nas guras
10.5 e 10.6. A gura 10.7 mostra um caso em que o conjunto Pareto- otimo
e n ao-conexo, embora o conjunto 1 assim como sua fronteira sejam conexos.
CAP
y
A
y
B
f
1
f
2
Figura 10.3: Sao mostrados os pontos y
A
e y
B
pertencentes ao espa co de objetivos
Y. Um cone paralelo aos eixos coordenados do espa co Y e colocado com vertice no
ponto y
A
. Todos os pontos no interior desse cone sao dominados por y
A
, de forma
que y
A
domina y
B
.
CAP
y
A
y
B
y
C
y
D
y
E
y
F
f
1
f
2
Figura 10.4: Sao mostrados os pontos y
A
a y
F
pertencentes ao espa co de objetivos
Y. Cones paralelos aos eixos coordenados do espa co Y sao colocados com vertices
em cada um desses pontos. Todos os pontos no interior de cada cone sao dominados
pelo ponto que se localiza no seu vertice, de forma que: (i) entre y
A
, y
B
e y
E
nao
ha rela cao de dominancia; (ii) y
A
domina y
C
e y
F
; (iii) y
B
domina y
C
, y
D
e y
F
; (iv)
entre y
C
, y
D
e y
E
nao ha rela cao de dominancia; (v) y
C
e y
D
dominam y
F
; (vi) y
E
e y
F
nao dominam nenhum outro ponto mostrado na gura.
CAP
1
y
A
y
B
f
1
f
2
Y, associado ao conjunto-imagem I da
fun cao f() encontra-se representado em linha contnua. O restante da fronteira do
conjunto I esta representado em linha tracejada. O conjunto Y
T
y
y
A
y
B
f
1
f
2
Y, associado ao conjunto-imagem F
y
da
fun cao f() encontra-se representado em linha contnua. O restante da fronteira do
conjunto F
y
esta representado em linha tracejada. O conjunto Y
possui extremos
nos pontos y
A
e y
B
, correspondentes aos mnimos individuais dos funcionais f
1
e f
2
.
Esta gura corresponde `a gura 10.2.
CAP
T
y
y
A
y
B
f
1
f
2
Y, associado ao conjunto-imagem F
y
da
fun cao f() encontra-se representado em linha contnua. O restante da fronteira do
conjunto F
y
esta representado em linha tracejada. O conjunto Y
possui extremos
nos pontos y
A
e y
B
, correspondentes aos mnimos individuais dos funcionais f
1
e f
2
.
Esta gura mostra que o conjunto Pareto- otimo pode eventualmente ser nao-conexo.
CAP
1 T
y
(10.3)
sendo que:
1 = f(A)
T
y
= f(T
x
)
= f(A
)
(10.4)
A proposi c ao a seguir estabelece outras rela c oes uteis.
Proposi cao 10.2 Todas as solu c oes ecientes do POV est ao contidas em
T
y
ou, equivalentemente, nenhuma solu c ao eciente est a contida em T
y
,
ou seja:
T
y
y
=
(10.5)
, ) T
x
que fa ca f(x) f(x
) e f(x) ,= f(x
), ou seja, se x
n ao
e dominado por nenhum outro ponto naquela vizinhan ca.
O teorema a seguir conecta a propriedade de Pareto-otimalidade no sen-
tido local com tal propriedade no sentido global, para problemas convexos.
CAP
Otima.
10.3.2 Solu cao ut opica
Um conceito util, relacionado ao conceito de conjuto Pareto- otimo, e o de
solu c ao ut opica.
Deni cao 10.9 (Solu cao Ut opica) A solu c ao ut opica y
do POV e de-
nida como:
y
i
= f
i
(x
i
) , i = 1, . . . , m (10.6)
onde:
x
i
= arg min
xF
x
f
i
(x)
Note-se que se y
, isto e, se existe x
T tal que y
= f(x
) ent ao
o problema est a resolvido: o ponto x
T
y
y
A
y
B
f
1
f
2
e pelas
solu c oes correspondentes aos mnimos individuais dos funcionais f
1
e f
2
(respectiva-
mente os pontos y
A
e y
B
).
Interpreta cao em termos de dominancia
Sejam os conjuntos denidos por:
C
<
(x
) = x : f(x) f(x
) e f(x) ,= f(x
)
C
(x
) = x : f(x) f(x
)
C
(x
)
Propriedades:
i. R
n
= C
<
(x
) C
(x
) C
(x
)
ii. Se T
x
C
<
(x
) = e x
T
x
ent ao x
e eciente.
Nota 10.2 Considere o caso em que as fun c oes f
i
() sejam lineares:
f
i
(x) = c
i
x ; c
i
R
1n
, i = 1, . . . , m
CAP
= C
<
(x
)
ou seja, o cone C sobre o ponto x
).
), (P
), (P
), (P
) e (P
KTE
) s ao apresentadas
e desdobradas em algoritmos, segundo uma formula c ao conceitual apoiada
apenas na existencia abstrata de mecanismos de otimiza c ao.
Deve-se entender toda a discuss ao aqui apresentada tendo como objetivo a
gera c ao, sempre, de um subconjunto representativo do conjunto de solu c oes
ecientes do Problema Multiobjetivo (PMO). Ou seja, deseja-se gerar um
grande n umero de pontos que de certa forma descreva o conjunto de solu c oes
ecientes, sem ainda levar em considera c ao a preferencia do decisor quanto a
tais pontos (isso signica que a fun c ao de utilidade n ao est a sendo levada
em considera c ao neste captulo). Toda a estrutura conceitual aqui apresen-
tada seria aplic avel, com adapta c oes mnimas, para o problema da gera c ao
de um unico ponto pertencente ao conjunto de solu c oes ecientes, a partir do
qual se iniciaria um processo de intera c ao com o decisor para a gera c ao de
novos pontos. Esse tema, entretanto, ser a assunto de captulos posteriores,
que ir ao constituir a ultima parte deste texto.
Para efeito de denir o problema que ser a referenciado ao longo do res-
tante deste captulo, considere-se o problema de otimiza c ao multiobjetivo
com um vetor de objetivos f():
A
= x
T
x
: , x T
x
[ f(x) f(x
) ; f(x) ,= f(x
) (10.7)
sendo que f() : R
n
R
m
e g() : R
n
R
p
. O problema a ser tratado a par-
tir de agora e o de determinar um conjunto de pontos que seja representativo
do conjunto A
e eciente ent ao x
resolve os m problemas
(P
i
, i = 1, . . . , m)
_
_
min
xF
x
f
i
(x)
sujeito a f
j
(x) f
j
(x
) j ,= i
(10.8)
Reciprocamente, se x
resolve (P
i
, i = 1, . . . , m) ent ao x
e eciente.
Demonstrac
ao:
()
1. x
e eciente
2. ent ao: x F
x
: f(x) f(x
) e f(x) = f(x
)
3. logo x
resolve (P
i
, i = 1, . . . , m)
()
1. x
resolve (P
i
, i = 1, . . . , m)
2. se x
n ao e eciente, x F
x
e algum i tal que f
i
(x) < f
i
(x
)
3. se fosse esse o caso, x
Lembrando que T
x
= x : g(x) 0, as condi c oes de Kuhn-Tucker de
cada problema (P
i
) seriam:
(KT
i
)
_
j
0 ;
k
0
g
k
(x
) 0 ;
k
g
k
(x
) = 0 , k = 1, . . . , p
f
i
(x
) +
j=i
j
f
j
(x
) +
p
k=1
k
g
k
(x
) = 0
(10.9)
CAP
0,
i
> 0, tais que:
g
k
(x
) 0 ;
k
g
k
(x
) = 0 ; k = 1, . . . , p
m
j=1
j
f
j
(x
) +
p
k=1
k
g
k
(x
) = 0
(10.10)
j
> 0 , j = 1, . . . , m
(10.11)
1
d
dx
f
1
(x) +
2
d
dx
f
2
(x) = 0
Basta escolher:
1
> 0 ;
2
= = 0
CAP
com todos
os multiplicadores
i
, i = 1, . . . , m estritamente positivos ent ao x
e uma
solu c ao eciente.
Demonstrac
e eciente.
Teorema 10.4 (Condi cao 2) Se o POV atender ` a KTE em x
e tiver todas
as fun c oes f
i
() , i = 1, . . . , m e g
k
() , k = 1, . . . , p estritamente convexas,
ent ao x
ao:
1. Como por hip otese x
i
> 0.
Nesse caso:
f
i
(x
) +
j=i
i
f
j
(x
) +
p
k=1
i
g
k
(x
) = 0
CAP
resolve (P
i
).
2. Como f
i
() e estritamente convexa, a solu c ao de (P
i
) e unica na regi ao con-
vexa denida pelas restri c oes g
k
() 0 e f
j
() f
j
(x
).
3. Portanto, x
e eciente.
Nota 10.4 Como interpreta c ao geometrica das KTE, pode-se notar que, para
pontos do conjunto de Pareto, o cone no qual as fun c oes f
i
() decrescem, a partir
de x
j=1
j
f
j
(x
)
est a estritamente fora da regi ao factvel, ou seja, n ao contem nenhuma dire c ao
factvel. As dire c oes factveis s ao dadas pelo cone:
k=1
k
g
k
(x
)
Note-se ainda que o pr oprio cone
m
j=1
j
f
j
(x
)
pode ser nulo.
Captulo 11
Formula cao do Problema de
Gera cao do Conjunto de
Solu c oes Ecientes
Neste captulo s ao discutidas metodologias conceituais para gera c ao dos pon-
tos x
min
xF
x
m
i=1
i
f
i
(x) (11.1)
Isso sugere um metodo pr atico para a gera c ao de solu c oes ecientes.
Teorema 11.1 Seja x
a solu c ao de (P
e uma
solu c ao eciente do PMO se:
i. x
e a solu c ao unica de (P
) ou
ii.
i
> 0 ; i = 1, . . . , m.
i=1
i
= 1
_
e, em seguida, resolver (P
).
11.1.1 Interpreta cao geometrica
Uma interpreta c ao geometrica do problema ponderado (P
i=1
i
y
i
(11.2)
O problema pode ser visto como: determinar o ponto y
pertencente ao
conjunto T
y
que minimiza o valor do produto escalar
y. Se
e o valor
mnimo do produto, ent ao:
y =
(11.3)
CAP
h
1
h
f
1
f
2
.
e a equa c ao do hiperplano suporte a T
y
no ponto y
. Essa interpreta c ao e
ilustrada na gura 11.1.
Apenas pontos do conjunto Pareto- otimo
h
1
h
2
f
1
f
2
), correspondente ` a
minimiza c ao da fun c ao mono-objetivo:
F(x) = f
3
(x) + (1 )f
4
(x)
e capaz de gerar todas as solu c oes ecientes deste problema, ou seja, todos os
pontos no intervalo [5, 5]. Isso pode ser visualizado na gura 11.5. No espa co
de objetivos, tem-se agora uma regi ao F cuja fronteira Pareto- otima e convexa,
conforme pode ser vericado na gura 11.6. Observe-se que a regi ao como um todo
n ao e convexa.
CAP
),
correspondente ` a minimiza c ao da fun c ao mono-objetivo:
F(x) = f
5
(x) + (1 )f
6
(x)
e capaz de gerar algumas solu c oes ecientes deste problema, ou seja, alguns pontos
pr oximos dos mnimos individuais x = 4 e x = 5. Isso pode ser visualizado na
gura 11.7. No espa co de objetivos, tem-se agora uma regi ao F cuja fronteira
Pareto- otima n ao e convexa, mas que possui regi oes localmente convexas (perten-
centes ` a casca convexa de F), conforme pode ser vericado na gura 11.8. Essas
regi oes correspondem precisamente ` as solu c oes que podem ser geradas atraves do
problema ponderado.
Nota 11.1 Foi observado nesses exemplos que e possvel gerar desde todas as
solu c oes ecientes (quando o problema e convexo) atraves do problema ponderado,
CAP
11.1.2 Algoritmos P
A estrutura do problema (P
f(x) =
m
i=1
i
f
i
(x) (11.4)
para 0 R
m
. Tal fun c ao dever a ser otimizada empregando algum
mecanismo de otimiza c ao, sendo o problema formulado como:
A
=
_
x
R
n
[ x
= arg min
x
f(x) ; g(x
) < 0
_
(11.5)
Qualquer mecanismo de otimiza c ao que fosse capaz de resolver cada problema
mono-objetivo individualmente ser a capaz de resolver essa formula c ao. Em
particular, deve-se observar que:
As restri c oes do problema modicado correspondem ` as restri c oes do
problema original. Dessa forma, caso as restri c oes originalmente fos-
sem, por exemplo, lineares, elas permaneceriam assim. Isso permitiria,
nesse caso, que fossem utilizados, por exemplo, metodos projetivos de
tratamento de restri c oes. Caso as restri c oes deixassem de ser lineares,
tais metodos n ao se aplicariam (ao menos n ao diretamente).
Algumas propriedades dos funcionais-objetivo tambem se preservariam.
Por exemplo, caso fossem todos convexos, o funcional modicado tambem
o seria. Metodos baseados na convexidade de funcionais seriam por-
tanto transpostos diretamente.
CAP
):
CAP
.
O problema (P
T
x
e eciente ent ao existem um inteiro i 1, 2, . . . , m
e n umeros reais
j
, j = 1, . . . , m (j ,= i) tais que x
resolve:
x
= arg min
xF
x
f
i
(x)
sujeito a: f
j
(x)
j
, j = 1, . . . , m (j ,= i)
(11.6)
CAP
ao: Dena f
i
= f
i
(x
), i = 1, 2, . . . , m e suponha que x
n ao
resolve o problema acima para nenhum i [1, 2, . . . , m] e n umeros reais
j
, j =
1, . . . , m. Neste caso, para i = 1 e
j
= f
j
, j = 2, . . . , m deve existir x
o
X tal
que:
f
1
(x
o
) < f
1
(x
) e f
j
(x
o
) f
j
, j = 2, . . . , m
contradizendo a hip otese de que x
e eciente.
Nota 11.3 Como implica c ao pr atica do teorema 11.2 conclui-se que, variando
parametricamente
j
, i e j = i, e possvel gerar completamente o conjunto X
Problema P
min
xF
x
f
i
(x)
sujeito a: f
j
(x)
j
, j = 1, . . . , m , j ,= i
(11.7)
Nota 11.4 Atraves de (P
) e possvel gerar X
) gera efeti-
vamente todo o conjunto de solu c oes ecientes do problema.
O processo de determina c ao dos pontos pertencentes ao conjunto de
solu c oes ecientes do problema e ilustrado na gura 11.9.
Em sntese, a gera c ao do conjunto A
atraves de (P
) possui as seguintes
caractersticas:
N ao e computacionalmente simples no caso de problemas com objetivos
n ao-lineares (correspondente a problemas mono-objetivo com restri c oes
n ao-lineares). Os problemas gerados passam a ter uma estrutura de
restri c oes mais complexa que o problema multi-objetivo original.
CAP
2
f
1
f
2
A
B
Figura 11.9: O conjunto Pareto- otimo Y
) infactvel.
A gura 11.10 ilustra a situa c ao em que a formula c ao P
ir a gerar alguns
pontos n ao pertencentes ao conjunto de solu c oes ecientes de um problema.
A diculdade da formula c ao P
A
B
C D
f
1
f
2
Figura 11.10: O conjunto-imagem da fun cao f() possui trechos de sua fronteira nao
pertencentes ao conjunto de Pareto: os trechos AB e CD. O trecho BC corresponde
ao conjunto de Pareto do problema. Como o valor da fun cao f
1
em todo o trecho AB
e igual ao seu valor no ponto B, e corresponde ao mnimo valor de f
1
, a minimiza cao
desta fun cao com a restri cao f
2
<
2
pode gerar pontos pertencentes a AB e portanto
nao pertencentes ao conjunto de Pareto. Simetricamente, a minimiza cao de f
2
com
a restri cao f
1
<
1
pode gerar pontos pertencentes ao trecho CD, tambem nao
pertencentes ao conjunto de solu c oes ecientes.
CAP
2
f
1
f
2
Figura 11.11: A fronteira do conjunto imagem da fun cao f() encontra-se represen-
tada por uma linha contnua no trecho que corresponde ao conjunto Pareto- otimo do
problema, e por uma linha tracejada no trecho que nao faz parte do conjunto Pareto-
otimo. Caso sejam estabelecidas as restri c oes f
1
<
1
e f
2
<
2
simultaneamente, nao
havera solu cao factvel, embora cada restri cao isoladamente admita solu c oes.
CAP
= arg min
x
f
i
(x)
sujeito a:
_
_
_
g(x) 0
f
j
(x)
j
; j ,= i
(11.8)
sendo x R
n
, f() : R
n
R
m
e g() : R
n
R
p
.
A respeito dessa formula c ao, observa-se que:
Como boa parte dos problemas mono-objetivo assim gerados dever a
ter regi ao factvel pequena, h a uma grande chance de que o algoritmo
desenvolva parte de sua busca em regi oes infactveis. Isto signica que
o mecanismo de otimiza c ao que vier a ser empregado deve necessari-
amente ser adequado para realizar parte da busca dentro de regi oes
infactveis. Isso exclui alguns tipos de algoritmos.
A estrutura das restri c oes do problema original (10.7) ca bastante
modicada nos problemas modicados (11.8). Em particular, algumas
propriedades que poderiam estar presentes nas restri c oes originais, tais
como a linearidade ou a convexidade, muito dicilmente ser ao preser-
vadas. Isso signica que os metodos de otimiza c ao a serem empregados
dever ao fundamentalmente ser capazes de lidar com restri c oes de tipo
geral.
A maneira de transformar funcionais-objetivo em restri c oes tambem
pode potencialmente denir aspectos importantes do problema mono-
objetivo resultante. Alguns metodos de implementa c ao dessa trans-
forma c ao causam, por exemplo, a perda das propriedades de diferenci-
abilidade e/ou de continuidade dos funcionais. Isso pode causar pro-
blemas em alguns tipos de metodos de otimiza c ao.
Feitas essas considera c oes, o algoritmo b asico que implementa o problema
(P
) e:
CAP
i
, que s ao os otimos individuais de cada
objetivo (os quais, agregados, comp oem o vetor f
, correspondente ` a
solu c ao ut opica do problema).
2. Paralelamente, nessa mesma opera c ao, s ao determinados os piores va-
lores atingidos por cada objetivo quando um outro objetivo est a em
seu otimo, formando o vetor f
o
.
3. Cada problema (11.8) e resolvido para vetores resultantes de um gera-
dor de n umeros aleat orios com distribui c ao de probabilidade uniforme,
atendendo ` a restri c ao:
f
f
o
Nota 11.5 Grande parte dos problemas gerados segundo esta metodologia ser a
infactvel, para problemas com n umero de objetivos m 3. Isso pode tornar esse
metodo ineciente.
), o problema (P
).
11.3 Abordagem hbrida: Ponderando e Res-
tringindo
Solu c oes n ao-inferiores tambem podem ser caracterizadas em termos de solu c oes
otimas do seguinte problema (P
,
):
Problema P
,
min
xF
X
m
i=1
i
f
i
(x)
sujeito a: f
j
(x)
j
; j = 1, . . . , m
(11.9)
O seguinte teorema se aplica:
Teorema 11.3 O ponto x
for
uma solu c ao otima de P
,
para qualquer vetor de pondera c oes 0 R
m
e
para algum vetor de restri c oes R
m
para o qual o problema P
,
e factvel.
_
m
i=1
(d
+
i
+ d
i
)
p
_1
p
; 1 p <
sujeito a:
_
_
f
j
(x) d
+
j
+ d
j
= M
j
, j = 1, 2, . . . , m
d
+
j
, d
j
0
d
+
j
d
j
= 0 j
(11.10)
onde:
M
j
: meta (ou alvo) estipulada para o j-esimo objetivo.
d
+
j
: indica o quanto o j-esimo objetivo excedeu a meta estipulada M
j
.
d
j
: indica o quanto o j-esimo objetivo cou abaixo da meta estipulada M
j
.
O metodo como denido acima pode ser interpretado como a minimiza c ao
de uma norma vetorial p em rela c ao ao vetor de referencia (ou alvo), veja-se
a deni c ao 2.5. Essa re-interpreta c ao, que est a mais de acordo com a forma
de estruturar os problemas empregada na atualidade, e aqui designada como
Problema P
:
Problema P
min
xF
x
|f(x) M|
p
1 p
(11.11)
CAP
p
x
(M) = arg
x
min
xF
x
|f(x) M|
p
(11.12)
p
y
(M) = arg
y
min
yF
y
|y M|
p
(11.13)
Evidentemente, se o ponto M (a meta) for escolhido no interior do conjunto-
imagem da regi ao factvel, T
y
, a solu c ao do problema
p
x
(M) ir a igualar o
ponto (ou os pontos, no caso de solu c oes n ao- unicas) cuja imagem e M, e
este n ao ser a pertencente ao conjunto Pareto- otimo (note-se que os pontos
pertencentes ao Pareto- otimo, no espa co de objetivos, n ao podem estar no
interior de T
y
, pois encontram-se todos em sua fronteira). Dessa forma,
para que P
, e ne-
cess ario que M seja escolhido fora de T
y
ou em sua fronteira. As diferentes
situa c oes possveis encontram-se representadas na gura 11.12.
Passa-se agora ` a an alise do comportamento do problema P
sob o ponto
de vista das solu c oes no espa co de objetivos . As seguintes situa c oes s ao
previstas:
A escolha de diferentes normas faz com que, para um mesmo ponto
M situado fora de T
y
, sejam determinadas diferentes solu c oes, ou seja,
p
y
(M) ,=
q
y
(M) para p ,= q. Isso e mostrado na gura 11.13.
E possvel que, dada uma certa meta M, dada uma certa norma vetorial
p, haja mais de uma solu c ao
p
y
(M) para o problema P
(ou seja, n ao h a
unicidade garantida da solu c ao no espa co de objetivos). Essa situa c ao
e mostrada na gura 11.14.
E possvel que para diferentes metas, M
1
,= M
2
, seja obtido como
resultado do problema P
o mesmo ponto
p
y
(M
1
) =
p
y
(M
2
). Essa
possibilidade e ilustrada na gura 11.15.
1
Seria tambem possvel a ado c ao de Q-normas, sem nenhum problema.
CAP
e o ponto y
1
(o ponto mais pr oximo de
M
1
dentro do conjunto F
y
). Nesse caso, o resultado nao pertence a Y
. Da mesma
forma,escolhendo-se a meta M
2
, o resultado do problema P
e o ponto y
2
, agora per-
tencente ao conjunto Pareto- otimo Y
, enquanto
o segundo pertence. Nesta gura, foi assumido que p = 2, ou seja, que a norma e a
norma euclideana de vetores.
E nalmente possvel que solu c oes
p
y
(M) n ao perten cam ao conjunto
Pareto- otimo
. Deve-se
notar que a abordagem P
e em P
CAP
M
y
1
T
y
Figura 11.13: Esta gura ilustra a dependencia do resultado do problema P
com
a norma p adotada. A imagem da regiao factvel, F
y
, encontra-se delimitada na
gura. Com o uso de diferentes normas vetoriais, o problema P
resulta em diferentes
solu c oes. A gura mostra a meta M fora de F
y
, que resulta na solu cao y
1
para p = 1,
e na solu cao y
2
= y
, para p = 2 e p = .
CAP
.
Teorema 11.4 Seja um POV com conjunto factvel (no espa co de objetivos)
T
y
n ao vazio. Ent ao, para toda escolha de M o problema P
ser a factvel,
ou seja:
p
y
(M) ,= M , p 1 (11.14)
Teorema 11.5 Seja um POV cujo conjunto Pareto- otimo no espa co de ob-
jetivos
, p 1 (11.15)
ou seja, existe alguma meta M que, aplicada no problema P
(com uma
escolha qualquer de norma p) resulta na solu c ao y
.
Nota 11.8 Em compara c ao com o problema P
, o problema P
apresenta como
vantagem a propriedade garantida no teorema 11.4 da factibilidade de toda execu c ao
realizada sobre um POV factvel. O teorema 11.5 mostra que a abordagem P
com-
partilha com a abordagem P
11.5 Abordagem P
R
m
o vetor de objetivos correspondente ` a solu c ao ut opica
do problema.
CAP
i
R
m
; i = 1, . . . , m o vetor de objetivos associado a cada
mnimo individual do problema.
Seja ( o cone gerado pelos vetores (f
i
f
), com origem em f
.
Seja w ( um vetor construdo segundo a f ormula:
w = f
+
m
i=1
i
(f
i
f
) (11.16)
para
i
> 0.
O problema e ent ao redenido em termos de um unico problema com o
seguinte formato:
Problema P
min
x,
sujeito a:
_
_
_
x T
x
f(x) f
+ w
(11.17)
Nessa express ao, x R
n
, f() : R
n
R
m
e g() : R
n
R
p
. As corres-
pondentes solu c oes no espa co de par ametros A e no espa co de objetivos
s ao tambem denidas:
Solu c oes no espa co de par ametros:
x
(w) = arg
x
min
x,
sujeito a:
_
_
_
x T
x
f(x) f
+ w
(11.18)
CAP
y
(w) = arg
y
min
y,
sujeito a:
_
_
_
y T
y
y f
+ w
(11.19)
A interpreta c ao gr aca da abordagem P
y
1
y
2
f
1
f
2
W
1
W
2
Figura 11.16: Interpreta cao do problema P
.
Os teoremas a seguir se aplicam ao problema P
:
Teorema 11.6 Seja um POV com conjunto factvel (no espa co de objetivos)
T
y
n ao vazio. Ent ao, dados os vetores w
1
e w
2
linearmente independentes,
ambos pertencentes ao cone (, tem-se que:
y
(w
1
) ,=
y
(w
2
) (11.20)
CAP
Teorema 11.7 Seja um POV cujo conjunto Pareto- otimo no espa co de ob-
jetivos
, p 1 (11.21)
ou seja, existe algum vetor w que, aplicado no problema P
resulta na solu c ao
y
.
As seguintes considera c oes s ao feitas em rela c ao ` a estrutura do novo pro-
blema que foi construdo:
Este metodo trabalha num espa co de busca com n + 1 vari aveis e m+
n restri c oes. O problema P
possibilita a obten c ao de
respostas espacialmente organizadas a partir de uma seq uencia de es-
colhas de vetores w. Tal n ao e possvel com o metodo P
, a ocorrencia
de infactibilidade no mesmo e muito menos freq uente que no problema
P
e o problema
P
, todo o espa co de solu c oes Pareto- otimas. Assim como eles, entretanto,
o metodo P
y
0
f
1
f
2
W
Figura 11.17: O problema P
. Ha ainda
um trecho da fronteira do conjunto imagem factvel F
y
, representado por uma linha
tracejada horizontal, que nao esta contido no conjunto Pareto- otimo (observe-se que
apenas o extremo esquerdo dessa linha faz parte do conjunto Pareto- otimo). Toma-se
o vetor W com ponto inicial y
pode n ao se encontrar na
dire c ao do vetor-suporte, embora ainda assim ocorra em um ponto perten-
cente ` a fronteira Pareto- otima. Essa situa c ao e ilustrada na gura 11.18.
CAP
y
0
y
1
f
1
f
2
W
Figura 11.18: O problema P
, e e dominado por
W
nao pertence ao conjunto imagem F
y
.
CAP
e f
i
; i = 1, . . . , m.
Passo 2: Escolher aleatoriamente um conjunto W de vetores w, utilizando a
equa c ao (11.16) e vetores gerados atraves de um gerador de n umeros
aleat orios com distribui c ao uniforme.
Passo 3: Para cada vetor w W, escolher um n umero
0
sucientemente
grande (o qu ao grande deve ser esse n umero depende do problema em
quest ao) para tornar (11.18) factvel. Note-se que, uma vez que
i
na equa c ao (11.16) e um n umero estritamente positivo, sempre haver a
algum valor de que torna o problema factvel, desde que o conjunto
factvel A seja n ao-vazio.
Passo 4: Resolver cada problema assim construdo. Se se utilizar o pro-
blema irrestrito do tipo barreira, ser a necess ario iniciar com pontos
factveis conhecidos a priori. Se se empregar metodos de penalidade, e
possvel inicializar o problema com condi c oes iniciais arbitr arias.
O problema (P
), tem a
peculiaridade de em geral conduzir a problemas n ao apenas factveis, mas
ainda em que e possvel freq uentemente partir de pontos factveis. Esse
tipo de situa c ao viabiliza a utiliza c ao de todas as categorias de metodos de
otimiza c ao. Cada famlia de metodos ter a suas vantagens especcas, que
podem ser relevantes para problemas particulares:
Os metodos de dire c ao de busca podem ser bastante ecientes, caso
n ao se detenham em descontinuidades.
Os metodos de exclus ao de semi-espa cos simplicam sobremaneira o
tratamento das restri c oes n ao-lineares que caracterizam o problema.
Os metodos de busca por popula c oes possivelmente permitiriam de-
terminar os pontos pertencentes ao que seria o conjunto Pareto- otimo
global, que talvez n ao estivessem acessveis aos outros dois grupos de
metodos.
CAP
e
ou n ao uma solu c ao eciente de um problema de otimiza c ao multi-objetivo.
Para tal nalidade, escolhe-se um vetor > 0 R
m
. Formula-se a seguir o
problema (P
):
(P
= max
x,
sujeito a:
_
_
f(x) + f(x
)
x T
x
0
Uma das tres alternativas se verica:
1. (P
= 0;
2. (P
) possui uma solu c ao otima ilimitada, sendo que o valor otimo ili-
mitado de
e tal que
o valor otimo
(ou supremo) denido pelo problema (P
). Nesse caso:
i. x
e eciente se e somente se
= 0;
ii. uma solu c ao otima x de (P
) e eciente se <
< 0;
CAP
= e se T
x
e um con-
junto convexo, sendo tambem convexas as fun c oes f
j
, j = 1, . . . , m,
ent ao o problema de otimiza c ao multiobjetivo n ao possui solu c oes e-
cientes pr oprias.
11.6.1 Algoritmos P
= max
x,
sujeito a:
_
_
f(x) + f(x
)
x A
0
Toma-se ent ao:
x = arg
x
(x, ) (11.22)
Esse ponto x possivelmente ser a eciente, o que deve entretanto ser tes-
tado pelo pr oprio problema (P
), relativas ` a
sua complexidade e aos metodos de otimiza c ao recomendados, poder ao ser
transpostas para o problema (P
).
Captulo 12
Propriedades de Grupo do
Conjunto Pareto-
Otimo
Problemas de projeto multiobjetivo d ao origem a um objeto bem denido: o
conjunto Pareto- otimo. Existem condi c oes analticas que podem ser desdo-
bradas em testes numericos, para vericar se um determinado ponto pertence
ao conjunto Pareto- otimo de determinado problema. Um desses possveis
testes foi mostrado no captulo 10, sendo denominado Problema (P
). En-
tretanto, tais condi c oes se assentam na premissa de que e possvel resolver
globalmente determinados problemas de otimiza c ao de um tipo generico (pos-
sivelmente n ao-lineares, n ao-convexos e multimodais), que se originam dessas
formula c oes analticas.
Na pr atica, problemas com tais caractersticas s ao resolvidos apenas de
maneira heurstica, isto e, n ao e possvel na maioria dos casos obter pro-
vas formais de que determinada solu c ao seja um otimo global. Deste fato
decorrem considera c oes los ocas que conduzem o problema de constru c ao
do conjunto Pareto- otimo a uma abordagem refutacionista (Popper 1974).
Neste captulo s ao desenvolvidas condi c oes computacionalmente veric aveis
(com tempo de execu c ao e mem oria nitos), que s ao aplic aveis a conjuntos
com um n umero nito de elementos, para corroborar ou falsear a hip otese de
que os elementos desse conjunto constituam amostras do conjunto Pareto-
otimo de um PMO.
Essas condi c oes levam a alguns criterios genericos que podem ser em-
pregados na avalia c ao de algoritmos enquanto mecanismos de otimiza c ao
multiobjetivo. Um algoritmo multiobjetivo conceitual, baseado no princpio
dos algoritmos geneticos, e proposto explorando as propriedades de grupo de
276
CAP
repetidas vezes,
conduziria deterministicamente aos pontos constituintes do conjunto Pareto-
otimo de um problema multiobjetivo (PMO), sendo possivelmente encon-
trados tambem alguns pontos n ao pertencentes ao conjunto de Pareto (vide
captulo 10). Posteriormente, os pontos encontrados poderiam ser submeti-
dos a testes de verica c ao da pertinencia ao conjunto de Pareto, por exemplo
o teste P
quanto o problema P
E possvel que regi oes do espa co de par ametros que perten cam ao con-
junto Pareto- otimo venham a n ao ser amostradas pelos algoritmos de
otimiza c ao utilizados para resolver o problema P
E possvel tambem que pontos que n ao perten cam ao espa co de par ametros
venham a ser fornecidos como solu c oes do problema P
e, simulta-
neamente, sejam conrmados como solu c oes do PMO pelo problema
P
.
Dessa forma, a possibilidade de verica c ao das solu c oes de um PMO pa-
rece estar descartada, no caso geral. Resta a possibilidade de utiliza c ao de
um mecanismo de corrobora c ao e falseamento para fundamentar a cren ca de
que determinado conjunto de solu c oes trate-se de amostra representativa do
conjunto Pareto- otimo. A l ogica da corrobora c ao e falseamento consiste num
esquema em que se procura a constru c ao de dados que falseiem a hip otese
de que determinados pontos perten cam ao conjunto Pareto- otimo, ou seja,
que mostrem que tais pontos n ao podem pertencer ao Pareto- otimo. Caso
se consigam dados que falseiem dados anteriormente obtidos, os novos dados
passam a ser a melhor estimativa disponvel ate o momento de pontos que
podem pertencer ao Pareto. Se tais dados n ao forem obtidos ap os tentativas
sistem aticas, ca corroborada a hip otese de que os dados anteriormente dis-
ponveis de fato perten cam ao Pareto. Note-se que essa corrobora c ao n ao se
trata de uma verica c ao, tendo o sentido de uma hip otese provisoriamente
acatada.
Trivialmente, todo mecanismo de otimiza c ao mono-objetivo se ap oia em
um sistema de corrobora c ao e falseamento, na medida em que o mecanismo
computacional permanece operando na busca do otimo enquanto for possvel
determinar novas solu c oes melhores que as anteriores, ou seja, solu c oes que
falseiem a possibilidade de que a solu c ao anterior seja a solu c ao otima. A
partir do momento em que o metodo passar a n ao mais gerar solu c oes me-
lhores apesar de tentativas sistematicamente realizadas, faz-se a parada do
CAP
Otimo
Considere-se um problema de projeto generico:
Problema 1 [Problema de Projeto] Considere-se o vetor de par ametros
de projeto x R
n
, o conjunto de solu c oes factveis A
f
R
n
, e o vetor de
objetivos de projeto f() : R
n
R
m
. Considere-se a conota c ao de que f
i
(a) <
f
i
(b) implica que a solu c ao a e melhor que a solu c ao b no objetivo f
i
().
CAP
A
f
tal que todo funcional f
i
(x
) , i =
1, . . . , m atinja os menores valores possveis. 2
O problema de encontrar solu c oes otimas de projeto pode ser denido no
contexto dos metodos de otimiza c ao mono-objetivo como:
Problema 2 [Problema P
R
n
tal
que:
x
= arg min f
i
(x)
sujeito a:
_
_
_
x A
f
f
j
(x)
j
, (j = 1, . . . , m, j ,= i)
(12.1)
2
O problema 2 e o problema P
). Sabe-se que uma seq uencia de execu c oes do problema 2 e capaz de pro-
duzir todas as solu c oes ditas ecientes do problema multiobjetivo, embora
sejam eventualmente produzidas tambem solu c oes n ao-ecientes. Conceitu-
almente, o conjunto de todas as solu c oes ecientes do PMO e obtido pela
seguinte opera c ao de conjuntos:
Deni cao 12.1 ([Conjunto Pareto-
Otimo do problema 1.
Esta deni c ao e equivalente ` a que seria obtida com a aplica c ao do pro-
blema P
.
CAP
, sendo por-
tanto amostras do que seriam os conjuntos S
i
(os quais tambem seriam conceitual-
mente contnuos). O teste de interse c ao de conjuntos ca, portanto, mal-denido,
uma vez que os elementos a serem testados s ao amostras, e muito dicilmente
haveria alguma interse c ao entre dois conjuntos de amostras de pontos tomadas de
dois conjuntos contnuos, ainda que esses dois conjuntos possussem interse c ao. A
interse c ao dos conjuntos de amostras s o ocorreria caso fosse feita a amostragem
de um mesmo ponto, pertencente ao conjunto interse c ao, duas vezes. Portanto, a
deni c ao 12.1 n ao possui valor operacional.
Uma deni c ao equivalente para o conjunto Pareto- otimo pode ser estru-
turada segundo um esquema relativo:
Deni cao 12.2 ([Conjunto Pareto-
A
f
[ ,x A
f
tal que f(x) f(x
) e f(x) ,= f(x
) (12.3)
dene o conjunto T, que e denominado conjunto Pareto- otimo, ou conjunto
de solu c oes ecientes do Problema 1.
A equivalencia das deni c oes 12.1 e 12.2 pode ser demonstrada (Chankong
& Haimes 1983). Embora ambas as deni c oes deem origem a um mesmo con-
junto solu c ao T, a primeira tem suporte conceitual em uma serie de solu c oes
independentes advindas da aplica c ao de um mecanismo de otimiza c ao mono-
objetivo a um conjunto de problemas oriundos da formula c ao P
. Esses
problemas, uma vez denidos, passam a estar desconectados um do outro.
CAP
P
2
P
3
P
4
P
5
Figura 12.1: Estimativas computacionais tpicas do conjunto Pareto- otimo T,
no espa co de objetivos. Na gura: o conjunto Pareto- otimo exato T (linha
contnua), conjunto estimado
T
1
(o), conjunto estimado
T
2
(), conjunto
estimado
T
3
(x), conjunto estimado
T
4
(*), conjunto estimado
T
5
(+). As
linhas tracejadas denotam os valores otimos dos objetivos f
1
e f
2
.
Para o prop osito de discutir as propriedades do conjunto T, Pareto- otimo,
que s ao relevantes aqui, a gura 12.1 mostra estruturas tpicas que emergem
CAP
A
1
_ A2 (A
1
A
2
) A
1
(12.5)
No caso em que A
1
A
2
, a possibilidade do conjunto A
2
ser um subcon-
junto do conjunto Pareto- otimo T torna-se falseada, enquanto o conjunto A
1
permanece sendo um Pareto-candidato. Neste caso, diz-se que A
1
domina
A
2
. Existem duas possibilidades de n ao-domin ancia: se ambas as rela c oes
A
1
_ A
2
e A
2
_ A
1
n ao se vericam, ent ao ambos os conjuntos se tornam
falseados enquanto Pareto-candidatos; e se ambas as rela c oes A
1
_ A
2
e
A
2
_ A
1
funcionam, ambos os conjuntos seguem sendo Pareto-candidatos.
A partir desses conceitos, a gura 12.1 e analisada. O conjunto de es-
timativas
T
5
n ao e auto-consistente, e portanto ca falseado como Pareto-
candidato. Os conjuntos
T
1
a
T
4
s ao cada um auto-consistente e podem ser
considerados, portanto, como Pareto-candidatos se apenas um deles estiver
disponvel. Existe entretanto uma rela c ao de ordem entre esses conjuntos:
T
T
1
T
2
_
T
3
,
T
4
_
T
5
(12.6)
Esse ordenamento corresponde a um ordenamento de domin ancia. Se todos
esses conjuntos estiverem disponveis, o unico Pareto-candidato torna-se
T
1
,
uma vez que:
T
1
= (
T
1
T
2
T
3
T
4
T
5
) (12.7)
Os unicos conjuntos que n ao se encontram ordenados na gura 12.1 s ao
T
3
e
T
4
. Se ambos estiverem disponveis, ambos estariam falseados como
Pareto-candidatos, sem necessidade de informa c ao adicional.
12.3.3 Extensao
Um outro tipo de an alise que e util para a avalia c ao de uma estimativa do
conjunto Pareto- otimo est a associado ` a extens ao na qual essa estimativa co-
bre a superfcie de Pareto. Para este prop osito, algumas deni c oes adicionais
se fazem necess arias.
CAP
A
2
(, A
1
) , A
2
A
1
, A
2
(12.10)
As seguintes situa c oes podem ocorrer:
A
1
A
2
and A
2
A
1
: Neste caso, os conjuntos A
1
e A
2
s ao ditos extenso-
equivalentes.
A
1
A
2
and A
2
, A
1
: Neste caso, o conjunto A
2
e dito ser um extenso-
subconjunto do conjunto A
1
.
A
1
, A
2
and A
2
, A
1
: Neste caso, os conjuntos s ao ditos extenso-incomensur aveis.
Se um conjunto e um extenso-subconjunto ou se e extenso-incomensur avel
quando comparado com outro conjunto, ent ao ele se torna falseado enquanto
Pareto-candidato.
CAP
T
b
deve prevalecer para todo algoritmo B.
Critetio 4: Se o problema possui otimos individuais conhecidos a priori,
ent ao a rela c ao (
T
a
O)
T
a
deve prevalecer, com O denotando o
conjunto de solu c oes individuais das fun c oes objetivo.
CAP
T
e
= (
T
1
. . .
T
N
).
Na forma (I), um conjunto de pontos-solu c ao que s ao obtidos a partir
de um certo algoritmo e tomado como representativo das possibilidades de
escrutnio desse algoritmo sobre o conjunto Pareto- otimo do problema es-
pecco sob an alise (o qual pode ainda ser considerado como um problema
representativo de uma classe de problemas). Esse conjunto de pontos e ana-
lisado atraves dos criterios 1-4.
A an alise a ser realizada ir a comparar algoritmos, tendo como base con-
juntos de solu c oes obtidas com os mesmos. Cada conjunto de pontos, ori-
gin ario de um unico algoritmo, e visto como um unico objeto. A compara c ao
entre dois desses objetos e tomada como representativa da compara c ao entre
os pr oprios algoritmos que originaram os conjuntos de pontos.
A utiliza c ao (II), ao contr ario, ir a tomar um conjunto de pontos-solu c ao
que podem ter sido obtidos de qualquer forma, e ir a aplicar os criterios 1 e
4 para eliminar pontos n ao-consistentes. Ao serem fundidos todos os pontos
em uma unica massa de dados, os criterios 2 e 3 estar ao automaticamente
atendidos.
Na pr oxima se c ao, como exemplo desse tipo de uso dos criterios, ser a
proposto um algoritmo genetico multiobjetivo (AGM) que ir a utilizar como
condi c oes iniciais os conjuntos de solu c oes encontradas por outros algoritmos
multiobjetivo. Dessa forma, o AGM se tornar a, por constru c ao, melhor ou
igual que qualquer desses algoritmos.
O algoritmo genetico multiobjetivo proposto permite os seguintes ganhos
de qualidade nos resultados da otimiza c ao:
Os resultados de diversos algoritmos s ao agregados em um unico con-
junto de dados consistentes;
S ao eventualmente produzidos mais dados melhores que os anteriores,
devido ` as propriedades de otimiza c ao global associadas aos operado-
res geneticos;
CAP
T
i
.
sele cao: Produz a press ao por melhorias que permite que em algum mo-
mento possa ocorrer
T
i+1
T
i
e
T
i
,
T
i+1
.
O algoritmo genetico multiobjetivo, portanto, estende as solu c oes iniciais
(obtidas de outros algoritmos) nos seguintes sentidos:
A superfcie de Pareto usualmente e movida para baixo no espa co de
objetivos.
Algumas falhas na estimativa de T podem ainda ser reparadas pelo
AGM. Tais falhas seriam buracos na superfcie estimada, ou trechos
n ao cobertos anteriormente.
12.5.2 Algoritmo Genetico - Real Polarizado Multiob-
jetivo
Como inst ancia do algoritmo conceitual AGM proposto acima, e aqui apre-
sentado o chamado Algoritmo Genetico Real Polarizado Multiobjetivo (AG-
RPMO), que foi proposto pelo presente autor e que ser a empregado aqui
como mecanismo de otimiza c ao para a execu c ao de exemplos. Tal algoritmo
e uma varia c ao do Algoritmo Genetico Real Polarizado (AGRP), apresen-
tado no captulo 8, tendo sido construdo segundo as diretivas estabelecidas
na subse c ao anterior.
CAP
2
0, 2 (12.11)
sendo
1
e
2
escolhidas aleatoriamente e independentemente, com dis-
tribui c ao de probabilidade uniforme no intervalo [0, 1]. O outro in-
divduo sempre ser a escolhido sem polariza c ao. Sendo denida dessa
forma a opera c ao de cruzamento, torna-se possvel que os indivduos
gerados estejam localizados fora das faixas admissveis de par ametros.
Caso isso ocorra, ainda e realizada uma opera c ao de reex ao do in-
divduo para o interior da regi ao admissvel. Essa opera c ao e denida
como:
x
r
= x
L
+[x x
L
[
para reex ao no limite inferior, sendo x o indivduo que violava a res-
tri c ao, x
r
o resultado da reex ao, e x
L
o vetor de limites inferiores.
Para a reex ao no limite superior, a opera c ao e denida por:
x
r
= x
U
[x
U
x[
para x
U
o vetor de limites superiores, e as demais vari aveis com mesmo
signicado que anteriormente.
CAP
i
= 0, 05
i
(x
R
)
i
sendo
i
um n umero aleat orio com distribui c ao gaussiana, media zero
e vari ancia um, e x
R
o vetor de diferen ca entre os m aximos e mnimos
dos par ametros:
x
R
= (x
U
x
L
)
Avalia cao: Cada indivduo e avaliado em cada uma das fun c oes objetivo,
sendo criado um vetor de objetivos associado a cada indivduo.
Fun cao de Ajuste: Cada fun c ao objetivo e injetada na fun c ao de ajuste,
dada por (12.12), sendo obtido para cada indivduo um vetor de fun c oes
de ajuste. Foi adotado um valor de = 1, 8. De cada vetor e ex-
trado o mnimo ou o m aximo (o usu ario dene qual dos dois criterios
e empregado em cada simula c ao). Considerando agora o conjunto de
valores obtidos, cada um associado a um indivduo da popula c ao, como
sendo um valor de fun c ao objetivo, aplica-se ao conjunto novamente
a fun c ao de ajuste.
Elitiza cao com Nicho: O conjunto de elementos que s ao candidatos a Pareto-
otimos e montado, na primeira itera c ao, ap os a avalia c ao dos pontos,
atraves de uma simples verica c ao de n ao-domin ancia associada ` a ve-
rica c ao de nicho. Esse conjunto e atualizado a cada itera c ao, consi-
derando os pontos anteriormente includos e os novos pontos gerados
com suas respectivas avalia c oes, sendo que cada ponto pode ser includo
ou n ao, e pode causar ou n ao a exclus ao de pontos anteriormente in-
cludos, com a verica c ao de n ao-domin ancia e a verica c ao de nicho.
Todo o conjunto de pontos resultantes dessa opera c ao em uma itera c ao
e includo na popula c ao da itera c ao seguinte.
Sele cao:
E realizada uma sele c ao de pelo menos p indivduos, sendo p <
N, de forma a garantir que o total de indivduos na nova popula c ao
seja maior que ou igual a N. A probabilidade de um indivduo ser
selecionado a cada vez e igual ao valor da fra c ao de sua fun c ao de
ajuste em rela c ao ` a soma das fun c oes de ajuste de todos os indivduos.
CAP
J = media(J)
J
M
= max(J)
J
m
= min(J)
v =
(J
m
J
M
)
(1)
J
m
v
_
_
=
J
(1)
(J
M
J)
=
J
(J
M
J)
(J
M
J)
J
m
< v
_
_
=
J
(J
M
J
m
)
=
JJ
m
(J
M
J
m
)
FT = J +
(12.12)
Fun cao Objetivo: A fun c ao objetivo a ser empregada como criterio de
sele c ao e de polariza c ao e denida como:
B(x) = max(FT(f
1
(x)), FT(f
2
(x)), . . . , FT(f
m
(x))) (12.13)
para um problema com m fun c oes-objetivo.
Avalia cao de Dominancia: Seja um ponto cujo vetor de objetivos e f(x) =
[ f
1
(x) . . . f
m
(x) ]
. Seja ainda
F =
_
_
f
1
(x
1
) . . . f
1
(x
p
)
f
2
(x
1
) . . . f
2
(x
p
)
.
.
.
.
.
.
.
.
.
f
m
(x
1
) . . . f
m
(x
p
)
_
_
CAP
CAP
).
12.6.1 Realimenta cao completa de estados
Um sistema bastante simples e apresentado em primeiro lugar, para permitir
a visualiza c ao do problema tanto no espa co de objetivos (o espa co das normas
H
2
e H
x
CAP
_
0.1372 0.4374 0.7258
0.5216 0.4712 0
0.8952 0 0.3584
0 0 0
0 0 0
_
_
x +
_
_
0 0
0 0
0 0
0.6264 0.9781
0.2412 0.6405
_
_
u
Emprega-se agora a estrutura de controle de realimenta c ao est atica de sadas:
u =
_
k
11
k
12
k
21
k
22
_
CAP
).
2. Construa um exemplo em que as condi c oes de Kuhn-Tucker para eciencia
estejam satisfeitas em um ponto n ao pertencente ao conjunto de solu c oes
ecientes.
3. Compare a forma geometrica dos conjuntos de solu c oes possveis para
problemas lineares (isto e, problemas com fun c ao objetivo linear e
restri c oes lineares) mono-objetivo e problemas lineares multi-objetivo.
Fa ca a an alise gr aca para o caso de duas vari aveis de otimiza c ao.
4. Determine o conjunto de solu c oes ecientes do problema cujos tres ob-
302
CAP
ICIOS - OTIMIZAC
AO VETORIAL 303
jetivos s ao f
1
, f
2
e f
3
denidos abaixo:
f
1
(x) = x
2
1
+ x
2
2
f
2
(x) = (x
1
3)
2
+ x
2
2
f
3
(x) = x
2
1
+ (x
2
2)
2
sendo x R
2
.
5. Considerando ainda as mesmas fun c oes f
1
, f
2
e f
3
acima, suponha que
e imposta a restri c ao:
f
3
(x) <
Sendo agora consideradas duas fun c oes objetivo, f
1
(x) e f
2
(x), deter-
mine qual e o conjunto de solu c oes ecientes do problema, para vari-
ando de = 0.5 ate = 4.0, com intervalo de varia c ao de 0.5.
6. Considere ainda as mesmas fun c oes. Sejam as restri c oes:
f
3
(x) < 1
x
2
< 2
Seja considerado o problema bi-objetivo com os objetivos f
1
(x) e f
2
(x).
Utilizando as condi c oes de Kuhn-Tucker para eciencia, verique se
podem ser ecientes os pontos [ 0 2 ] e [ 0 0 ].
7. Mostre que e possvel, em problemas de otimiza c ao multi-objetivo:
(a) haver casos em que o problema ponderado (P
) n ao produz todas
as solu c oes ecientes;
CAP
ICIOS - OTIMIZAC
AO VETORIAL 304
(b) haver casos em que o problema -restrito produz resultados que
n ao s ao solu c oes ecientes;
(c) haver casos em que as condi c oes de Kuhn-Tucker para eciencia
s ao satisfeitas em pontos n ao pertencentes ao conjunto de solu c oes
ecientes do problema.
8. Considere as fun c oes-objetivo:
f
1
(x) = x
1
+ x
2
f
2
(x) = x
2
1
Considere tambem as restri c oes:
g
1
(x) = x
2
1
+ x
2
2
4
g
2
(x) = x
2
1
g
3
(x) = x
1
x
2
2
Determine o conjunto de solu c oes ecientes desse problema.
9. Considere as fun c oes-objetivo:
f
1
(x) = x
2
1
+ x
2
2
f
2
(x) = x
2
1
+ (x
2
2)
2
f
3
(x) = (x
1
2)
2
+ (x
2
2)
2
f
4
(x) = (x
1
2)
2
+ x
2
2
Escreva as equa c oes:
CAP
ICIOS - OTIMIZAC
AO VETORIAL 305
(a) de dois problemas ponderados cujos resultados s ao (ambos) a
solu c ao eciente x = [ 1 1 ]
;
(b) de dois problemas -restritos que tambem apresentem como resul-
tado essa mesma solu c ao eciente.
10. Considere as fun c oes:
f
1
(x) = x
2
1
x
2
2
f
2
(x) = (x
1
3)
2
+ (x
2
3)
2
(a) Determine o conjunto Pareto- otimo do problema de minimiza c ao
simult anea de f
1
e f
2
.
(b) Avalie a adequa c ao dos metodos P
e P
ICIOS - OTIMIZAC
AO VETORIAL 306
(a) Determine o conjunto de solu c oes ecientes do problema de mini-
miza c ao simult anea de f
1
e f
2
.
(b) Mostre que em parte do conjunto de solu c oes ecientes as condi c oes
de Kuhn-Tucker encontram-se satisfeitas. Explique por que essas
condi c oes n ao se aplicam no restante do conjunto.
(c) Formule o problema (P
ICIOS - OTIMIZAC
AO VETORIAL 307
Exerccios Computacionais
1. Considere as seguintes fun c oes de duas vari aveis:
f
1
(x) = x
Q
1
x
f
2
(x) = x
Q
2
x
Q
1
(x) =
_
1 0
0 1.2
_
Q
2
(x) =
_
1 0
0 100
_
(a) Fa ca a minimiza c ao dessas fun c oes utilizando: (i) o algoritmo do
gradiente, (ii) um algoritmo quasi-Newton, (iii) o algoritmo elipsoi-
dal b asico. Fa ca, para cada fun c ao e cada algoritmo, cinco testes,
come cando de pontos iniciais gerados aleatoriamente. Descreva as tra-
jet orias das solu c oes sobre um mapa de curvas de nvel das fun c oes.
(b) Acrescente agora as seguintes restri c oes ` as mesmas fun c oes:
g
1
(x) = (x x
0
)
Q
3
(x x
0
) 1
g
2
(x) = B(x x
0
) 0
x
0
=
_
2
2
_
Q
3
=
_
1 0
0 1
_
B =
_
1 1
Fa ca, para cada fun c ao e cada algoritmo, cinco testes, come cando de
pontos iniciais gerados aleatoriamente. Descreva as trajet orias das
solu c oes sobre uma gura que superponha um mapa de curvas de nvel
da fun c ao com o tra cado da regi ao factvel. Analise os dados observa-
dos.
2. Implemente o algoritmo elipsoidal b asico para minimiza c ao de fun c oes
no espa co R
n
. Com esse algoritmo, mais o algoritmo do gradiente
e um algoritmo quasi-Newton anteriormente implementados, realize a
minimiza c ao da fun c ao de duas vari aveis:
f(x) = max [x
1
[, [x
2
[
CAP
ICIOS - OTIMIZAC
AO VETORIAL 308
Fa ca, para cada metodo, cinco testes, come cando de pontos iniciais
gerados aleatoriamente. Descreva as trajet orias das solu c oes sobre um
mapa de curvas de nvel das fun c oes. Analise os dados observados.
3. Fa ca a implementa c ao computacional de um algoritmo da famlia de
dire c ao de busca, com tratamento de restri c oes. Construa problemas
de otimiza c ao mono-objetivo de duas vari aveis de otimiza c ao e com
restri c oes, tais que:
(a) o metodo implementado funcione;
(b) o metodo implementado n ao convirja para a solu c ao.
Mostre gracamente a seq uencia de solu c oes nos dois casos.
4. Fa ca a implementa c ao computacional de um algoritmo da famlia de
exclus ao de semi-espa co, com tratamento de restri c oes. Construa
problemas de otimiza c ao mono-objetivo de duas vari aveis de otimiza c ao
e com restri c oes, tais que:
(a) o metodo implementado funcione;
(b) o metodo implementado n ao convirja para a solu c ao.
Mostre gracamente a seq uencia de solu c oes nos dois casos.
5. Construa um algoritmo que realize a opera c ao de, dado um conjunto
de vetores, determinar qual e o maior sub-conjunto n ao-dominado.
6. Fa ca a adapta c ao de um algoritmo de dire c oes de busca e de um algo-
ritmo de exclus ao de semi-espa cos, para a determina c ao de solu c oes
CAP
ICIOS - OTIMIZAC
AO VETORIAL 309
ecientes de problemas de otimiza c ao multiobjetivo, utilizando a estru-
tura P
ou P
ICIOS - OTIMIZAC
AO VETORIAL 310
8. Construa situa c oes, em problemas de otimiza c ao multiobjetivo com
dois objetivos e duas vari aveis de otimiza c ao, nas quais:
(i) O metodo baseado em dire c oes de busca convirja e o metodo
baseado em exclus ao de semi-espa cos n ao convirja para pontos
do conjunto de Pareto, ambos sendo inicializados no mesmo ponto.
(ii) O metodo baseado em dire c oes de busca n ao convirja e o metodo
baseado em exclus ao de semi-espa cos convirja para pontos do
conjunto de Pareto, ambos sendo inicializados no mesmo ponto.
Mostre gracamente os resultados acima.
Bibliograa
Ackley, D. H., Hinton, G. E. & Sejnowski, T. J. (1985). A learning algorithm
for Boltzman Machines, Cognitive Science 9: 147169.
Akg ul, M. (1984). Topics in Relaxation and Ellipsoidal Methods, number 97
in Research Notes in Mathematics, Pitman Publishing Inc., London,
UK.
Belmont-Moreno, E. (2001). The role of mutation and population size in
genetic algorithms applied to physics problems, International Journal
of Modern Physics C 12(9): 13451355.
Bland, R. G., Goldfarb, D. & Todd, M. J. (1981). The ellipsoid method: a
survey, Operations Research 29(6): 10391091.
Cao, Y.-Y., Lam, J. & Sun, Y.-X. (1998). Static output feedback stabiliza-
tion: an ILMI approach, Automatica 34(12): 16411645.
Chankong, V. & Haimes, Y. Y. (1983). Multiobjective Decision Making:
Theory and Methodology, North-Holland (Elsevier), New York.
Chen, B. S., Cheng, Y. M. & Lee, C. H. (1995). A genetic approach to
mixed H
/H
2
optimal PID control, IEEE Control Systems Magazine
15(5): 5160.
Chen, C. T. (1984). Linear System Theory and Design, Hartcourt Brace
College Pub.
Choi, D. H. & Oh, S. Y. (2000). A new mutation rule for evolutionary pro-
gramming motivated from backpropagation learning, IEEE Transacti-
ons on Evolutionary Computation 4(2): 188190.
311
BIBLIOGRAFIA 312
Dias-Filho, W. (2003). Algoritmos Cone-Elipsoidais para Gera c ao de
Solu c oes Ecientes: Constru c ao e Aplica c oes, PhD thesis, Programa
de P os-Gradua c ao em Engenharia Eletrica da Universidade Federal de
Minas Gerais, Belo Horizonte, MG.
Dorigo, M., Maniezzo, V. & Colorni, A. (1996). Ant system: optimization
by a colony of cooperating agents, IEEE Trans. Sys. Man Cyb. - Part
B 26(1): 2941.
Dziuban, S. T., Ecker, J. G. & Kupferschmid, M. (1985). Using deep cuts
in an ellipsoidal algorithm for nonlinear programming, Math. Program.
Study 25: 93107.
Gembiki, F. W. & Haimes, Y. Y. (1975). Approach to performance and
sensitivity multiobjective optimization: the goal attainment method,
IEEE Transactions on Automatic Control 20(6): 769771.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and
Machine Learning, Addison-Wesley.
J. C. Potts, T. D. G. & Yadav, S. B. (1994). The development and eva-
luation of an improved genetic algorithm based on migration and ar-
ticial selection, IEEE Transactions on Systems, Man and Cybernetics
24(1): 7386.
Jain, A. & Zongker, D. (1997). Feature selection: evaluation, application,
and small sample performance, IEEE Transactions on Pattern Analysis
and Machine Intelligence 19(2): 153158.
Johnson, J. M. & Ramat-Semii, Y. (1997). Genetic algorithms in engineering
electromagnetics, IEEE Antennas and Propagation Magazine 39(4): 7
25.
K. F. Man, K. S. T. & Kwong, S. (1996). Genetic algorithms: concepts and
applications, IEEE Transactions on Industrial Electronics 43(5): 519
534.
K. Rashid, J. A. R. & Freeman, E. M. (2000). A general approach for extrac-
ting sensitivity analysis from a neuro-fuzzy model, IEEE Transactions
on Magnetics 36(4): 10661070.
BIBLIOGRAFIA 313
Khargonekar, P. P. & Rotea, M. A. (1991). Mixed H
2
/H
control: a con-
vex optimization approach, IEEE Transactions on Automatic Control
36(7): 824837.
Luenberger, D. G. (1984). Linear and Nonlinear Programming, Addison-
Wesley.
Meneguim, R. A. (1999). An alise da sensibilidade de solu c oes em oti-
miza c ao atraves de elips oides mnimos, Masters thesis, Programa de
P os-Gradua c ao em Engenharia Eletrica da Universidade Federal de Mi-
nas Gerais, Belo Horizonte, MG.
Miranda, M. F. (2000). Controle Multivari avel na Presen ca de Incertezas,
PhD thesis, Programa de P os-Gradua c ao em Engenharia Eletrica da
Universidade Federal de Minas Gerais, Belo Horizonte, MG.
Naudts, B. & Kallel, L. (2000). A comparison of predictive measures of
problem diculty in evolutionary algorithms, IEEE Transactions on
Evolutionary Computation 4(1): 115.
Popper, K. R. (1974). A L ogica da Pesquisa Cientca (trad.), Ed. Cultrix.
(Logic der Forschung, 5a. ed. 1973; 1a. ed. 1934).
Rudin, W. (1991). Functional Analysis, McGraw-Hill.
Saldanha, R. R., Takahashi, R. H. C., Vasconcelos, J. A. & Ramirez, J. A.
(1999). Adaptive deep-cut method in ellipsoidal optimization for electro-
magnetic design, IEEE Transactions on Magnetics, Part I 35(3): 1746
1749.
Sareni, B. & Krahenbuhl, L. (1998). Fitness sharing and niching methods
revisited, IEEE Transactions on Evolutionary Computation 2(3): 97
106.
Schell, T. & Wegenkittl, S. (2001). Looking beyond selection probabilities:
adaptation of the
2
measure for the performance analysis of selection
methods in GAs, Evolutionary Computation 9(2): 243256.
Scherer, C., Gahinet, P. & Chilali, M. (1997). Multiobjective output-feedback
control via LMI optimization, IEEE Transactions on Automatic Control
42(7): 896911.
BIBLIOGRAFIA 314
Shah, S., Mitchell, J. E. & Kupferschmid, M. (2001). An ellipsoid algorithm
for equality-constrained nonlinear programs, Computers and Operations
Research 28: 8592.
Shimomura, T. & Fujii, T. (2000). Multiobjective control design via suces-
sive over-bounding of quadratic terms, Proceedings of the 39th IEEE
Conference on Decision and Control, Sydney, Australia, pp. 27632768.
Takahashi, R. H. C., Palhares, R. M., Dutra, D. A. & Gon calves, L. P. S.
(2001). Synthesis and characterization of Pareto-optimal solutions for
the mixed H
2
/H