OTEV Vol3

Universidade Federal de Minas Gerais
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
7.5 Caractersticas de Comportamento . . . . . . . . . . . . . . . 149
7.5.1 Descontinuidades e N ao-Diferenciabilidade . . . . . . . 149
7.5.2 N ao-Convexidade . . . . . . . . . . . . . . . . . . . . . 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
8.7 Caractersticas de Comportamento . . . . . . . . . . . . . . . 212
8.7.1 Descontinuidades e N ao-Diferenciabilidade . . . . . . . 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
ITULO 10. SOLUC

OES DE PARETO 224
num espa co vetorial que ser a aqui denominado espa co de objetivos, sendo
denotado por .
Deseja-se, portanto, com o POV, realizar a determina c ao de um conjunto
de pontos X
pertencentes ao espa co de par ametros do problema, tais que

estes minimizem, em certo sentido, uma fun c ao vetorial. A primeira quest ao
que se coloca, portanto, e a de denir o que e essa minimiza c ao.
10.1.1 Nota cao
Neste captulo, um conjunto de conceitos novos ser a denido. A lista de
nota c oes associadas a tais conceitos e reunida aqui para facilitar a leitura
deste captulo e dos pr oximos.
A : Espa co dos par ametros de otimiza c ao. Neste trabalho, tal espa co ser a
sempre identicado com um espa co R
n
.
A
: Conjunto de solu c oes ecientes, ou conjunto Pareto- otimo, de um POV.

O conjunto A e um subconjunto do espa co de par ametros A.
x
: Um ponto pertencente ao conjunto A
.
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 imagem da fun c ao f() com o domnio restrito ao conjunto

A
. O conjunto
e um subconjunto de , e e denominado conjunto

Pareto- otimo no espa co de objetivos, ou ainda fronteira Pareto- otima.
() : A fronteira do conjunto-argumento.
()
: O interior do conjunto-argumento.
CAP
ITULO 10. SOLUC

OES DE PARETO 225
10.2 Ordenamento de Solu c oes
O problema de otimiza c ao vetorial (POV) se dene a partir da an alise do or-
denamento das solu c oes, levando em conta os diversos objetivos. As solu c oes
multiobjetivo, ou solu c oes de Pareto, s ao as melhores solu c oes entre as quais
n ao existe um ordenamento (ou seja, n ao h a como denir, a partir da ava-
lia c ao dos funcionais objetivo, que uma solu c ao e melhor que a outra).
Para fundamentar essa deni c ao, e apresentada inicialmente a deni c ao
de conjunto ordenado.
Deni cao 10.1 (Conjuntos Ordenados) Um conjunto C e ordenado de
acordo com a rela c ao de ordem _ se dados quaisquer dois elementos x, y
C e sempre verdade que x _ y ou y _ x e as seguintes propriedades com
rela c ao a _ s ao v alidas:
i. x _ x (reexividade)
ii. x _ y e y _ z x _ z (transitividade)
iii. x _ y e y _ x x = y (anti-simetria)
A seguir, e apresentada a deni c ao que ser a relevante no caso da oti-

miza c ao vetorial, que e a de conjunto parcialmente ordenado.
Deni cao 10.2 (Conjuntos Parcialmente Ordenados) Diz-se ainda que
C e parcialmente ordenado se valem as propriedades (i), (ii) e (iii) mas nem
sempre x _ y ou y _ x, isto e, nem sempre x e y s ao compar aveis.
A rela c ao usual de (menor ou igual) atende a todos os requisitos para
estabelecer uma ordena c ao no conjunto dos n umeros reais (o conjunto R).
Note-se que a rela c ao de < (menor, no sentido de estritamente menor)
n ao atende ` a reexividade nem a anti-simetria, n ao servindo portanto para
estabelecer um ordenamento dos reais no sentido acima denido.
No caso do conjunto R
n
, com n 2, e possvel estabelecer generaliza c oes
das rela c oes de menor e de menor ou igual, denindo-se rela c oes e _
por exemplo da seguinte maneira:
CAP
ITULO 10. SOLUC

OES DE PARETO 226
Deni cao 10.3 (Compara cao de Vetores) As opera c oes de compara c ao
entre vetores pertencentes ao espa co R
n
ser ao denidas da seguinte forma:
x _ y x
i
y
i
, i = 1, . . . , n
x y x
i
< y
i
, i = 1, . . . , n
x = y x
i
= y
i
, i = 1, . . . , n
Os operadores _ e ~ s ao denidos analogamente. Observe-se que o operador
,= e denido de outra forma:
x ,= y i [ x
i
,= y
i
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
ITULO 10. SOLUC

OES DE PARETO 227
E possvel denir outras rela c oes diferentes desta capazes de estabelecer

ordenamentos parciais no conjunto R
n
. A deni c ao e a proposi c ao a seguir
estabelecem esse fato, mostrando possibilidades de constru c ao de ordena-
mentos parciais alternativos.
Deni cao 10.4 (Ordem Parcial Linear) Considere-se o espa co vetorial
R
n
sobre o corpo dos reais. Uma rela c ao de ordena c ao parcial nesse
espa co e dita linear se, alem de satisfazer ` as rela c oes de transitividade, re-
exividade e anti-simetria, tambem satisfaz:
i. x y e t 0 tx ty
ii. x y e z w (x + z) (y + w)
para x, y, z, w R
n
e t R.
Proposi cao 10.1 Seja 0 a origem do espa co R
n
em um sistema de coorde-
nadas. Suponha-se que seja uma rela c ao de ordem parcial linear em R
m
.
Ent ao o conjunto C
0
denido por
C
0
y R
n
[ 0 y
e um cone convexo com ponta em 0. Equivalentemente, se C R
m
e um
cone convexo com ponta, ent ao a rela c ao denida por
x y (y x) C
e uma ordem parcial linear em R
n
.
Essa maneira de denir uma rela c ao de ordem parcial e uma gene-
raliza c ao da rela c ao _ que se estabelece atraves da Deni c ao 10.3. Esta
ultima corresponde ` a situa c ao em que o cone C e identicado com o cone
n ao-negativo do R
n
.
Exemplo 10.2 Considere-se o cone C denido da seguinte forma:
x C x =
1
c
1
+
2
c
2
sendo os vetores c
1
e c
2
dados por:
c
1
=
_
1
1
_
c
2
=
_
1
1
_
CAP
ITULO 10. SOLUC

OES DE PARETO 228
e os escalares
1
e
2
tais que
1
0 e
2
0. Considerem-se os vetores y, z, w
dados por:
w =
_
3
5
_
y =
_
2
4
_
z =
_
3
3
_
Pode-se vericar que
w y =
_
1
1
_
= 1 c
1
+ 0 c
2
(w y) C y w
Por outro lado, verica-se tambem que
w z =
_
0
2
_
= 1 c
1
+ (1) c
2
(w z) C y z
z w =
_
0
2
_
= 1 c
1
+ 1 c
2
(z w) C z y
Retomando agora o problema de otimiza c ao vetorial conforme enunciado

na express ao (10.1):
(POV)
_
_
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
ITULO 10. SOLUC

OES DE PARETO 229
Pode-se vericar que um caso particular da opera c ao min denida dessa
forma corresponde ` a minimiza c ao usual quando o conjunto for um sub-
conjunto dos reais e a rela c ao de ordem for dada pelo operador (menor ou
igual) usual.
A nomenclatura predominantemente empregada hoje em dia faz referencia
a um Problema de Otimiza c ao Vetorial quando o conjunto = Imagem(f(T
x
))
e um subconjunto do espa co R
n
e a ordem parcial denida pelo operador
e uma ordem parcial linear. Um caso particular deste, no qual o cone que
induz a ordem parcial e o cone n ao-negativo do R
n
(ou seja, quando a or-
dem parcial e denida a partir do operador _), e chamado de Problema de
Otimiza c ao Multiobjetivo.
10.3 O Conjunto Pareto-
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
, denominado conjunto Pareto- otimo, que ir a conter as

possveis solu c oes x
do POV acima denido. Os elementos desse conjunto

s ao denidos a seguir. Preliminarmente, dene-se o conceito de domin ancia.
CAP
ITULO 10. SOLUC

OES DE PARETO 230
PSfrag replacements
A
1
y
A
y
B
x
A
x
B
f
1
f
2
x
1
x
2
f()
Figura 10.1: Mapeamento do espa co de parametros X no espa co de objetivos Y feito
pela fun cao f(). O conjunto-imagem da fun cao f() e designado por I. O ponto de
mnimo do funcional f
1
no espa co de parametros e designado por x
A
, e sua imagem
no espa co Y e designada por y
A
. O ponto de mnimo do funcional f
2
no espa co de
parametros e designado por x
B
, e sua imagem no espa co Y e designada por y
B
.
Deni cao 10.6 (Dominancia) Diz-se que o ponto x
1
A domina o ponto
x
2
A se f(x
1
) f(x
2
) e f(x
1
) ,= f(x
2
). Equivalentemente, diz-se que
f(x
1
) domina f(x
2
) , nessas mesmas condi c oes.
O conceito de domin ancia encontra-se ilustrado nas guras 10.3 e 10.4.
Deni cao 10.7 (Solu cao Pareto-
Otima) Diz-se que x
T
x
e uma solu c ao
Pareto-
Otima do POV se n ao existe qualquer outra solu c ao x T

x
tal que
f(x) f(x
) e f(x) ,= f(x
), ou seja, se x
n ao e dominado por nenhum

outro ponto factvel.
Nota 10.1 Na literatura e encontrada uma terminologia diversicada para fazer
referencia ao conjunto de solu c oes Pareto- otimas:
Pareto-
Otima = eciente = n ao-dominada = n ao-inferior
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
ITULO 10. SOLUC

OES DE PARETO 231
PSfrag replacements
A
T
y
T
x
y
A
y
B
x
A
x
B
f
1
f
2
x
1
x
2
f()
Figura 10.2: Mapeamento do espa co de parametros X no espa co de objetivos Y
feito pela fun cao f(). A regiao factvel no espa co de parametros e designada por F
x
,
sendo o conjunto-imagem da fun cao f() restrita à regiao factvel designado por F
y
.
O ponto de mnimo do funcional f
1
no espa co de parametros e designado por x
A
, e
sua imagem no espa co Y e designada por y
A
. O ponto de mnimo do funcional f
2
no
espa co de parametros e designado por x
B
, e sua imagem no espa co Y e designada por
y
B
.
PSfrag replacements
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
ITULO 10. SOLUC

OES DE PARETO 232
PSfrag replacements
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
ITULO 10. SOLUC

OES DE PARETO 233
PSfrag replacements
1
y
A
y
B
f
1
f
2
Figura 10.5: O conjunto de Pareto Y
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
possui extremos nos

pontos y
A
e y
B
, correspondentes aos mnimos individuais dos funcionais f
1
e f
2
. Esta
gura corresponde à gura 10.1.
CAP
ITULO 10. SOLUC

OES DE PARETO 234
PSfrag replacements
T
y
y
A
y
B
f
1
f
2
Y, associado ao conjunto-imagem F
y
da
conjunto F
y
esta representado em linha tracejada. O conjunto Y
possui extremos
nos pontos y
A
e y
B
1
e f
2
.
Esta gura corresponde à gura 10.2.
CAP
ITULO 10. SOLUC

OES DE PARETO 235
PSfrag replacements
T
y
y
A
y
B
f
1
f
2
Y, associado ao conjunto-imagem F
y
da
conjunto F
y
esta representado em linha tracejada. O conjunto Y
possui extremos
nos pontos y
A
e y
B
1
e f
2
.
Esta gura mostra que o conjunto Pareto- otimo pode eventualmente ser nao-conexo.
CAP
ITULO 10. SOLUC

OES DE PARETO 236
As seguintes rela c oes podem ser facilmente estabelecidas:
A T
x
A
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)
10.3.1 Conjunto localmente Pareto- otimo
E possvel estabelecer a deni c ao de conjunto Pareto- otimo num sentido local.

Assim como no caso da otimiza c ao escalar, a otimiza c ao vetorial frequente-
mente ir a trabalhar com solu c oes apenas locais, seja nos casos em que e difcil
estabelecer a globalidade das solu c oes encontradas, seja nos casos em que n ao
e necess aria essa globalidade para propop ositos pr aticos.
Deni cao 10.8 (Solu cao Localmente Pareto-
Otima) Diz-se que x

T
x
e uma solu c ao localmente Pareto-
Otima do POV numa dada vizinhan ca

^(x
, ) se existe > 0 tal que n ao existe qualquer outra solu c ao x

^(x
, ) 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
ITULO 10. SOLUC

OES DE PARETO 237
Teorema 10.1 Sejam f
i
() : R
n
R, i = 1, . . . , m fun c oes convexas
denidas sobre um conjunto convexo A R
n
. Ent ao toda solu c ao localmente
Pareto-
Otima e globalmente Pareto-
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
e o otimo correspondente a todas as

fun c oes-objetivo, e deve ser adotado como solu c ao. Entretanto, via de re-
gra, y
n ao e uma solu c ao existente, ou seja, n ao e um ponto pertencente ` a

imagem da fun c ao f() restrita ao domnio T. Essa e a situa c ao que justi-
ca um estudo da otimiza c ao vetorial segundo tecnicas diferentes daquelas
da otimiza c ao escalar, quando existe um n umero possivelmente ilimitado de
solu c oes ecientes.
A solu c ao ut opica y
e uma escolha bastante conveniente para ser tomada

como origem do espa co de objetivos , uma vez que tal escolha deixa
todo o conjunto de Pareto includo no primeiro quadrante, com interse c oes
com os eixos coordenados correspondentes aos mnimos individuais de cada
um dos funcionais que comp oem o vetor de objetivos. De fato, o conjunto
Pareto- otimo encontra-se necessariamente contido no hiper-paraleleppedo
denido no espa co de objetivos pela solu c ao ut opica e pelas solu c oes otimas
individuais de cada problema escalar que comp oe o vetor de objetivos. Isso
est a ilustrado na gura 10.8.
CAP
ITULO 10. SOLUC

OES DE PARETO 238
PSfrag replacements
y
T
y
y
A
y
B
f
1
f
2
Y (representado em linha contnua)

encontra-se contido no hiper-paralelogramo denido pela solu cao ut opica y
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
) = x : f(x) n ao compar avel a f(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
ITULO 10. SOLUC

OES DE PARETO 239
Seja C o cone gerado pelos gradientes
_
c
1
c
2
. . . c
m
_
. Nesse caso:
C
= C
<
(x
)
ou seja, o cone C sobre o ponto x
coincide com o conjunto C

<
(x
).
10.4 O Problema de Determina cao das Solu c oes

Ecientes
A seguir e discutida a possibilidade da aplica c ao dos de metodos mono-
objetivo de otimiza c ao n ao-linear para a gera c ao de solu c oes ecientes em
problemas de otimiza c ao vetorial. As estruturas b asicas de formula c ao dos
problemas multiobjetivo: (P
), (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
de solu c oes ecientes do problema. Esse problema se subdi-

vide em: (i) localizar tais pontos e (ii) estabelecer condi c oes que garantam
que os mesmos de fato perten cam ao conjunto de solu c oes ecientes.
CAP
ITULO 10. SOLUC

OES DE PARETO 240
10.5 Condi c oes de Kuhn-Tucker para Eciencia
Condi c oes equivalentes ` as condi c oes de Kuhn-Tucker podem ser estabelecidas
a partir do seguinte resultado:
Teorema 10.2 Se x
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
n ao resolveria, portanto, o problema P

i
.
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
ITULO 10. SOLUC

OES DE PARETO 241
Deni cao 10.10 (Condi c oes de Kuhn-Tucker para Eciencia) Uma
solu c ao factvel x
satisfaz as condi c oes necess arias de Kuhn-Tucker para

eciencia (KTE) se:
i. todos f
i
e g
i
s ao diferenci aveis e
ii. existem vetores multiplicadores
0,
0, com pelo menos uma

desigualdade estrita
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)
Nota 10.3 Observe-se que:

(KT
i
, i = 1, . . . , m) (KTE)
(KTE) (KT
i
, i = 1, . . . , m) se
j
> 0 , j = 1, . . . , m
(10.11)
Exemplo 10.3 (Carater apenas necessario das KTE) Considere o pro-

blema bi-objetivo:
min
x
_
f
1
(x) f
2
(x)

g(x) = x 0
(10.12)
onde as fun c oes f
1
() e f
2
() s ao como descritas na gura 10.9.
Tem-se que:
f
1
() e f
2
() s ao convexas;
KTE e sempre satisfeita no intervalo (b, c):
0 ; 0
g(x) 0 ; g(x) = 0
1
d
dx
f
1
(x) +
2
d
dx
f
2
(x) = 0
Basta escolher:
1
> 0 ;
2
= = 0
CAP
ITULO 10. SOLUC

OES DE PARETO 242
PSfrag replacements
x
a b c
Figura 10.9: Exemplo de situa cao em que as condi c oes KTE sao satisfeitas em pontos
nao-ecientes.
Entretanto, as solu c oes no intervalo (b, c) n ao s ao ecientes. O leitor dever a notar
que as solu c oes ecientes encontram-se no intervalo [a, b].
Condi c oes sucientes
Embora as KTE sejam condi c oes necess arias, mas n ao sucientes para a
Pareto-otimalidade de solu c oes, sob determinadas circunst ancias essas condi c oes
tornam-se sucientes.
Teorema 10.3 (Condi cao 1) Se o POV atender ` as KTE em x
com todos
os multiplicadores
i
, i = 1, . . . , m estritamente positivos ent ao x
e uma
solu c ao eciente.
Demonstrac
ao: Esse resultado vem diretamente do fato de que agora KTE

se reduz a (KT
i
, i = 1, . . . , m) e, portanto, x
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
e uma solu c ao eciente.

Demonstrac
ao:
1. Como por hip otese x
satisfaz KTE, existe no mnimo um i tal que
i
> 0.
Nesse caso:
f
i
(x
) +
j=i
i
f
j
(x
) +
p
k=1
i
g
k
(x
) = 0
CAP
ITULO 10. SOLUC

OES DE PARETO 243
e portanto x
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
que pertencem ao conjunto de solu c oes ecientes de um problema de

otimiza c ao vetorial (POV). Dessa forma, o problema de gera c ao de pon-
tos pertencentes ao conjunto Pareto- otimo ca reduzido a problemas de oti-
miza c ao mono-objetivo.
Por m, coloca-se a quest ao de caracterizar computacionalmente as solu c oes
que pertencem ao conjunto de solu c oes ecientes do POV. Um novo problema
de otimiza c ao mono-objetivo e denido com tal prop osito.
11.1 Abordagem via Problema Ponderado
Retomando a discuss ao sobre condi c oes de Kuhn-Tucker, observe-se que as
condi c oes KTE s ao tambem condi c oes necess arias (de Kuhn-Tucker mono-
objetivo) para o problema escalar:
244
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 245
Problema P
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
) para 0 dado. Ent ao x
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.
Note que, sem perda de generalidade, e possvel considerar

=
_
: 0 ,
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
) pode ser feita

atraves de sua formula c ao no espa co dos objetivos.
min
yF
y
m
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 246
PSfrag replacements
h
1
h
f
1
f
2
Figura 11.1: Interpreta cao do problema P
no espa co de objetivos: Partindo de

um hiperplano inicial h
1
, cuja inclina cao e denida pelo vetor de pondera c oes ,
um algoritmo de otimiza cao mono-objetivo determina uma seq uencia de hiperplanos
paralelos ao hiperplano inicial, buscando a minimiza cao da distancia de cada hiperplano
em rela cao à origem do espa co Y, com a restri cao de que o hiperplano contenha algum
ponto de F
y
. O algoritmo converge para o hiperplano-suporte h
, cujo unico ponto

de interse cao com F
x
e o ponto y
pertencente ao conjunto de Pareto Y
.
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
que admitam hiperplanos-

suporte podem ser gerados atraves de (P
). O raciocnio que conduz a esta

conclus ao pode ser elaborado desta maneira: um dado vetor de pondera c oes
dene a inclina c ao de um hiperplano. O processo de minimiza c ao descrito
por (11.2) faz a busca do hiperplano com tal inclina c ao que se encontra a
mnima dist ancia da origem do espa co . Esse hiperplano necessariamente
ser a um hiperplano-suporte de algum ponto. Assim, mudando-se o vetor de
pondera c oes , muda-se o hiperplano suporte que ser a encontrado, com seu
respectivo ponto tangente, que e o ponto do conjunto de Pareto determinado
por esse procedimento. Em casos gerais, apenas pontos pertencentes ` a fron-
teira da casca convexa do conjunto T
y
poder ao ser gerados. Isso e ilustrado
na gura 11.2.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 247
PSfrag replacements
h
1
h
2
f
1
f
2
Y possui trechos, representados em linha

contnua, nos quais todos os pontos possuem hiperplano-suporte, e outros trechos,
representados em linha tracejada, nos quais nenhum ponto admite hiperplano-suporte.
Dois hiperplanos-suporte, h
1
e h
2
, sao mostrados.
Exemplo 11.1 Considerem-se as duas fun c oes de uma unica vari avel:
f
1
(x) = 1 exp
_
(x4)
2
9
_
f
2
(x) = 1 exp
_
(x+4)
2
9
_
Ambas as fun c oes s ao quasi-convexas, e est ao representadas no gr aco da gura
11.3 em tra co contnuo. A fun c ao dada por:
F
1
(x) = 0.7f
1
(x) + 0.3f
2
(x)
aparece representada no mesmo gr aco em tra co-tra co. A fun c ao:
F
2
(x) = 0.4f
1
(x) + 0.6f
2
(x)
aparece em ponto-ponto. Pode-se perceber que, apesar dos pontos da superfcie
Pareto- otima do vetor de fun c oes [ f
1
f
2
]
serem todos aqueles para x [4, 4],

a solu c ao do problema formulado como:
min
x
f
1
(x) + (1 )f
2
(x)
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 248
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 11.3: Representa cao das fun c oes-objetivo f
1
, f
2
e das fun c oes ponderadas
0.7f
1
+ 0.3f
2
e 0.4f
1
+ 0.6f
2
.
ir a sempre produzir como resultados apenas os pontos x = 4 e x = 4. Esses s ao
os unicos pontos da superfcie de Pareto que pertencem tambem ` a casca convexa
da regi ao mostrada na gura 11.4.
f
3
(x) =
(x 5)
2
100
f
4
(x) = |x + 5|
Ambas as fun c oes s ao convexas. O problema ponderado (P
), 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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 249
-0.5 0 0.5 1 1.5
-0.5
0
0.5
1
1.5
Figura 11.4: Representa cao da regiao F (espa co de objetivos), para um vetor de
objetivos composto de duas fun c oes quasi-convexas nao convexas.
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.5
1
1.5
2
2.5
3
, f
4
0.7f
3
+ 0.3f
4
e 0.4f
3
+ 0.6f
4
.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 250
-5 0 5 10 15
-2
-1
0
1
2
3
4
5
objetivos composto de duas fun c oes convexas.
f
5
(x) =
(x 5)
2
100
f
6
(x) = 1, 5
_
1 exp
_
(x+4)
2
16
__
A fun c ao f
5
e convexa, enquanto f
6
e n ao-convexa. O problema ponderado (P
),
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 251
-10 -5 0 5 10 15
0
0.5
1
1.5
2
2.5
5
, f
6
com variando de 0,1 a 0,9.
-0.5 0 0.5 1 1.5 2
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
objetivos composto de uma fun cao convexa e uma nao-convexa.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 252
ate um caso limite em que apenas as solu c oes mono-objetivo individuais s ao gera-
das via (P
). Em geral, o problema ponderado e capaz de percorrer apenas parte do

conjunto de solu c oes ecientes de um problema de otimiza c ao multiobjetivo, n ao
gerando todo esse conjunto.
11.1.2 Algoritmos P
A estrutura do problema (P
), conforme foi visto, funciona adequadamente

caso todos os objetivos f
i
() em (10.7) sejam fun c oes convexas. Caso isso n ao
se verique, qualquer metodo baseado nessa estrutura somente ter a acesso a
parte do conjunto de solu c oes ecientes, deixando de mapear parcelas desse
conjunto.
Dene-se a fun c ao:
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 253
Uma propriedade particularmente relevante de ser preservada, tanto
nos funcionais de restri c ao quanto nos de objetivos, e a diferenciabili-
dade. Tal propriedade, em particular, se preserva desde que ela esteja
inicialmente presente.
Observe-se ainda que:
Se se admitir que o problema seja convexo, e possvel gerar dessa forma,
variando o vetor , todo o conjunto de solu c oes ecientes do problema
(10.7);
se se adotar a desigualdade estrita
i
> 0 para i = 1, . . . , m, tem-
se ainda a garantia de que toda solu c ao gerada ser a pertencente ao
conjunto de solu c oes ecientes.
Dessa forma, para a gera c ao de um conjunto de pontos representativo
do conjunto de solu c oes ecientes, pode-se adotar por exemplo a seguinte
heurstica:
Passo 1: Utilizando um gerador de n umeros aleat orios, gere um conjunto
de v vetores diferentes, com distribui c ao uniforme.
Passo 2: Fa ca a otimiza c ao para cada um desses vetores.
Observe-se que est a sendo suposto que nenhum componente desses vetores
ser a menor que ou igual a zero. Essas premissas devem ser vericadas dentro
do algoritmo, caso esteja sendo utilizado um gerador de n umeros aleat orios
que possa eventualmente falsic a-las.
Nota 11.2 A utiliza c ao de um gerador de n umeros aleat orios com distribui c ao
uniforme e talvez a maneira mais simples de gerar uma grande quantidade de veto-
res, todos com grande probabilidade de serem dois a dois linearmente independentes
(o que signica que n ao haver a c alculos a princpio redundantes), e varrendo todo
o espa co de interesse de maneira aproximadamente uniforme.
A seguir, s ao ent ao sintetizadas as conclus oes sobre a gera c ao de solu c oes

ecientes (conjunto A
) atraves do problema ponderado (P
):
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 254
Computacionalmente muito simples. Equivale ` a solu c ao de problemas
mono-objetivos, um para cada ponto gerado. Cada problema mono-
objetivo possui a mesma estrutura de restri c oes do problema original.
Desvantagens:
V arias pondera c oes podem estar associadas ` a mesma solu c ao e-
ciente;
N ao se aplica a problemas n ao convexos, nos quais talvez n ao seja
possvel gerar v arias solu c oes ecientes;
Nesse caso, combina c oes de pontos extremos gerar ao aproxima c oes
de
.
O problema (P
) ir a herdar todas as caractersticas de complexidade de

cada um dos problemas mono-objetivo que caracterizariam a otimiza c ao de
cada um dos objetivos individuais do problema. Se todos esses problemas
forem, a princpio, simples, o problema (P
) resultante tambem o ser a. Os

metodos de dire c ao de busca tendem a ser aplic aveis nestas situa c oes, a
menos que haja uma particular complexidade preexistente nos problemas
individuais. As outras famlias de metodos seriam provavelmente tambem
aplic aveis, mas teriam provavelmente menor eciencia na determina c ao dos
pontos do conjunto de Pareto.
11.2 Abordagem via Problema -Restrito
Uma tecnica alternativa de gera c ao de solu c oes ecientes pode ser desenvol-
vida a partir do seguinte resultado:
Teorema 11.2 Se x
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 255
Demonstrac
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
completamente, mesmo que o

problema seja n ao-convexo.
Nas guras 11.3 e 11.4, pode-se vericar que o problema (P
) 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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 256
PSfrag replacements
2
f
1
f
2
A
B
Figura 11.9: O conjunto Pareto- otimo Y
encontra-se representado na gura pela

linha em tra co contnuo. Os pontos A e B pertencem ao conjunto Pareto- otimo,
sendo encontrados atraves do problema P
respectivamente: com a minimiza cao de

f
1
sujeita a f
2

2
, e com a minimiza cao de f
2
sujeita a f
1

1
.
Deciencia b asica: a sele c ao dos reais
j
que geram solu c oes ecientes
n ao e tarefa trivial:
O ponto obtido pode n ao ser eciente;
Os valores de
j
podem tornar (P
) 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
para gerar solu c oes factveis e ilustrada

na gura 11.11.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 257
PSfrag replacements
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 258
PSfrag replacements
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 259
11.2.1 Algoritmos P
Considerando o mesmo problema (10.7) com um vetor de objetivos f(),

suponha-se, desta vez, que uma ou mais fun c oes f
i
() sejam n ao-convexas.
Nesse caso, o metodo das pondera c oes n ao se aplica. Deve ser empregado
ent ao, por exemplo, o metodo do problema -restrito.
O problema e ent ao redenido em termos de m problemas com o seguinte
formato:
x
= 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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 260
Metodo -restrito:
1. Preliminarmente, e preciso encontrar valores adequados para iniciali-
zar o vetor . Isso e feito resolvendo os m problemas mono-objetivo.
Obtem-se assim os valores f
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.
Ao contr ario do problema (P
), o problema (P
) tende a apresentar ca-

ractersticas de complexidade que restringem a aplicabilidade dos metodos
de otimiza c ao. Em geral:
A regi ao factvel tende a se tornar pequena em rela c ao ` a regi ao in-
factvel. Metodos do tipo busca por popula c oes tendem a n ao encon-
trar pontos factveis.
Pela mesma raz ao, a utiliza c ao de metodos de dire c ao de busca com
tratamento de restri c ao do tipo barreira e invi avel. Caso sejam em-
pregados metodos de dire c ao de busca, estes devem ser acoplados a
tratamento de restri c ao por penalidades.
A quantidade de restri c oes tende a aumentar. As restri c oes cam,
evidentemente, n ao-lineares, o que pode ainda signicar um aumento
de complexidade da estrutura de restri c oes. Isso pode signicar uma
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 261
diculdade para os metodos do tipo dire c oes de busca. Outra di-
culdade que pode surgir e a necessidade de utilizar penalidades que
tornem o problema n ao-diferenci avel (isso pode ocorrer pela diculdade
de se formular penalidades diferenci aveis e sucientemente precisas).
Essas raz oes indicariam a utiliza c ao de metodos de exclus ao de semi-
espa cos como formula c ao em geral mais adequada para os problemas
com estrutura (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
e uma solu c ao eciente se e somente se 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.
Nota 11.6 O resultado do teorema 11.3 tem a vantagem de permitir a gera c ao

de todos os pontos ecientes sem a necessidade de testar a eciencia dos pontos
gerados a posteriori. Combinam-se as vantagens do metodo (P
), que produz pon-

tos que certamente s ao ecientes (quando e estritamente positivo), com a do
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 262
metodo (P
), que e capaz de gerar todos os pontos ecientes.
11.4 Abordagem da Programa cao-Alvo

O metodo de programa c ao-alvo (ou goal programming) foi originalmente
formulado como:
min
xF
x
,d
+
,d
_
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 263
sendo x R
n
, f() : R
n
R
m
e M R
m
. Note-se que, pela interpreta c ao
de norma, e possvel adotar a norma vetorial , sem prejuzo das proprie-
dades desejadas da formula c ao
1
. Denem-se as solu c oes, tanto no espa co de
par ametros quanto no espa co de objetivos, associadas a esse problema:
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
forne ca pontos pertencentes ao conjunto Pareto- otimo A
, 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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 264
PSfrag replacements
y
1
y
2
M
1
M
2
M
3
= y
3
M
4
= y
4
T
y
no espa co de objetivos. A imagem

do conjunto factvel, F
y
, encontra-se delimitada pelas linhas representadas na gura,
sendo que as linhas tracejadas nao constituem parte do conjunto Pareto- otimo, en-
quanto a linha em tra co contnuo representa o conjunto Pareto- otimo, Y. Escolhendo-
se a meta M
1
, o resultado do problema P
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
. Escolhendo-se metas ja pertencentes a F

y
, o
resultado do problema P
e o pr oprio ponto-meta. Esse e o caso das metas M

3
e M
4
,
que resultam em y
3
= M
3
e em y
4
= M
4
. O primeiro nao pertence a 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
para determinadas escolhas de M , T

y
. Isso e ilus-
trado nas guras 11.12 e 11.14.
Nota 11.7 Todos esses pontos s ao inconvenientes da abordagem P
. Deve-se
notar que a abordagem P
tambem apresenta as tres ultimas diculdades (a pri-

meira n ao se aplica). Deve-se notar que apenas os dois ultimos pontos constituem
de fato diculdades que afetam negativamente a implementa c ao computacional de
metodos de otimiza c ao multiobjetivo baseados em P
e em P
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 265
PSfrag replacements
y
2
= y
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 266
PSfrag replacements
y
2a
y
2b
M
2
y
1a
y
1b
M
1
T
y
Figura 11.14: Esta gura mostra que o problema P
pode conduzir a m ultiplos

resultados, para uma mesma escolha da meta M, dada uma norma p xa (no caso da
gura, p = 2). Dada a meta M
1
, o problema P
fornece as solu c oes y

1a
e y
1b
, ambas
pertencentes ao conjunto Pareto- otimo do problema. Dada por sua vez a meta M
2
,
o problema P
fornece as solu c oes y

2a
e y
2b
, ambas nao pertencentes ao conjunto
Pareto- otimo do problema.
PSfrag replacements
y
M
2
M
1
T
y
Figura 11.15: Esta gura mostra que o problema P
pode conduzir ao mesmo

resultado y para metas diferentes M
1
e M
2
, para uma mesma norma p.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 267
Os teoremas a seguir mostram os pontos fortes da abordagem P
.
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
e n ao-vazio. Ent ao:

M [
p
y
(M) y
, 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
a capacidade de gerar todo o conjunto Pareto- otimo.
11.5 Abordagem P
Em (Gembiki & Haimes 1975) foi proposto o algoritmo de goal attainment.

Para a nalidade de se fazer uma referencia r apida, tal formula c ao ser a aqui
denominada metodo (P
). Em (Takahashi, Peres & Ferreira 1997), tal al-

goritmo foi empregado, com uma formula c ao levemente expandida, para o
tratamento de um problema de projeto de controladores. Essa e a formula c ao
aqui apresentada.
Esse metodo contorna o problema b asico de ineciencia apontado nas
se c oes anteriores. Essa formula c ao, partindo do mesmo problema (10.7) com
um vetor de objetivos f(), tambem admite que uma ou mais fun c oes f
i
()
sejam n ao-convexas.
Essa formula c ao e assim construda:
Seja f
R
m
o vetor de objetivos correspondente ` a solu c ao ut opica
do problema.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 268
Seja f
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 269
Solu c oes no espa co de objetivos:
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
e fornecida na gura 11.16.

PSfrag replacements
y
1
y
2
f
1
f
2
W
1
W
2
no espa co de objetivos: O conjunto

Pareto- otimo Y encontra-se contido num hiper-paraleleppedo no espa co Y, com um
vertice sobre a solu cao ut opica y
. Tomam-se vetores, por exemplo W

1
e W
2
, com
ponto inicial y
, e ponto nal na fronteira do paraleleppedo. Esses vetores sao entao

multiplicados por um escalar , que e minimizado com a restri cao de que pontos
dominados pelo ponto nal do vetor continuem pertencendo à imagem factvel F
y
.
Dessa forma, sao determinados os pontos y
1
e y
2
pertencentes ao conjunto Y
.
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 270
Teorema 11.7 Seja um POV cujo conjunto Pareto- otimo no espa co de ob-
jetivos
e n ao-vazio, e seja o cone ( conforme denido nesta se c ao. Ent ao:

w ( [
y
(w) y
, 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
corresponde a uma combina c ao de m

problemas em n vari aveis e m + n 1 restri c oes). J a o problema P
corresponde a uma busca num espa co de n vari aveis de otimiza c ao e m

restri c oes.
O teorema 11.6 arma que 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
, uma vez que

este n ao permite a escolha previa da orienta c ao espacial (no espa co )
da solu c ao a ser obtida.
Embora n ao haja a garantia da factibilidade do problema P
, a ocorrencia
de infactibilidade no mesmo e muito menos freq uente que no problema
P
. Por constru c ao, e possvel garantir que o problema de otimiza c ao

seja factvel e j a inicie a busca em um ponto factvel, desde que o vetor-
suporte w esteja apontando para uma dire c ao na qual exista algum
ponto do conjunto de solu c oes factveis.
O funcional-objetivo do problema modicado e linear, sendo portanto
trivial o c alculo de seu gradiente e hessiana.
A estrutura de restri c oes do problema, no entanto, passa a conter, alem
das restri c oes do problema original, toda a complexidade do conjunto
de fun c oes-objetivo. Deve-se notar que propriedades que possivelmente
estariam presentes nas restri c oes originais, tais como linearidade ou
convexidade, provavelmente n ao ir ao se preservar no novo conjunto de
restri c oes.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 271
O problema P
e capaz de gerar, assim como o problema P
e o problema
P
, todo o espa co de solu c oes Pareto- otimas. Assim como eles, entretanto,
o metodo P
tambem pode eventualmente gerar pontos n ao pertencentes ao

conjunto de solu c oes ecientes (a situa c ao, de fato, e an aloga ` aquela que
ocorre no caso do problema P
). Essa situa c ao e ilustrada na gura 11.17.

PSfrag replacements
y
0
f
1
f
2
W
Figura 11.17: O problema P
pode gerar pontos nao ecientes: O conjunto

Pareto- otimo Y (representado em tra co contnuo) encontra-se contido num hiper-
paraleleppedo no espa co Y, com um vertice sobre a solu cao ut opica y
. 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
, e ponto nal na fronteira do paraleleppedo. Esse

vetor e multiplicado por um escalar , que e minimizado com a restri cao de que pontos
dominados pelo ponto nal do vetor W continuem pertencendo à imagem factvel F
y
.
Dessa forma, e determinado o ponto y
0
que, nesta gura, embora perten ca à fronteira
do conjunto imagem factvel F
y
, nao pertence ao conjunto de solu c oes ecientes Y
E importante mencionar um tipo de situa c ao que pode ocorrer em alguns

tipos de problemas: a solu c ao do problema P
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 272
PSfrag replacements
y
0
y
1
f
1
f
2
W
Figura 11.18: O problema P
pode gerar pontos fora da dire cao do vetor-suporte

W: O conjunto Pareto- otimo Y (representado em tra co contnuo) encontra-se con-
tido num hiper-paraleleppedo no espa co Y, com um vertice sobre a solu cao ut opica
y
. Ha ainda um trecho da fronteira do conjunto imagem factvel F

y
, representado
por uma linha tracejada, que nao esta contido no conjunto Pareto- otimo. Toma-se
o vetor W com ponto inicial y
, e ponto nal na fronteira do paraleleppedo. Esse

vetor e multiplicado por um escalar , que e minimizado com a restri cao de que um
ponto dominado pelo ponto nal de W continue pertencendo à imagem factvel F
y
.
Dessa forma, e determinado o ponto y
1
que pertence ao conjunto de solu c oes eci-
entes Y
, e e dominado por
W. Observe-se que o ultimo ponto pertencente ao

conjunto-imagem factvel F
y
, denotado por y
0
, ainda possui pontos por ele dominados
pertencentes a F
y
, e portanto nao corresponde ao ponto de termino do processo de
otimiza cao (ou seja, do processo de minimiza cao de ). Observe-se ainda que
W
nao pertence ao conjunto imagem F
y
.
CAP
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 273
Tendo em vista essas considera c oes, a heurstica a seguir pode ser empre-
gada para gerar um conjunto representativo de pontos do espa co de solu c oes
ecientes:
Passo 1: Determinar f
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
), embora envolva um acrescimo da complexidade da es-

trutura de restri c oes do problema, como no caso do 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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 274
11.6 Teste de Eciencia
O ultimo problema a ser tratado aqui e o de testar se um dado ponto x
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
) possui solu c ao otima limitada com
= 0;
2. (P
) possui solu c ao otima limitada com
> um valor nito otimo;

ou
3. (P
) possui uma solu c ao otima ilimitada, sendo que o valor otimo ili-
mitado de
e tal que
= (o m aximo, no caso, se reduz a um

supremo).
O caso 1 implica na eciencia de x
. Por outro lado, os casos 2 e 3

implicam na n ao-eciencia do mesmo. O caso 2 implica na existencia de
algum ponto eciente (diferente de x
), enquanto o caso 3 pode indicar a n ao

existencia de solu c oes factveis para o problema. Esses fatos s ao sumarizados
no teorema a seguir.
Teorema 11.8 Para qualquer > 0 R
m
e x T
x
, seja
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
ITULO 11. GERAC

AO DE SOLUC

OES EFICIENTES 275
iii. se (P
) possui uma solu c ao ilimitada com
= 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
Finalmente, o problema de constru c ao de algoritmos (P
) deve ser exami-

nado, uma vez que o mesmo serve como teste para vericar a pertinencia
de um ponto ao conjunto de solu c oes ecientes, e uma vez que, exceto o
problema (P
), todos os demais podem conduzir (se n ao forem tomados os

devidos cuidados) a pontos n ao ecientes. Alem disso, deve-se notar que o
problema (P
), caso verique que determinado ponto x n ao e eciente, ainda

e capaz de gerar, sem esfor co computacional adicional, um outro ponto que
e eciente. Basta observar a estrutura do problema:
(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
). Caso n ao seja, e possvel procurar outro

ponto que possivelmente seja, e assim por diante.
Deve-se notar a similaridade estrutural deste problema com o problema
(P
). Desta forma, as observa c oes aplic aveis ao 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
ITULO 12. PROPRIEDADES DE GRUPO 277

estimativas intermedi arias do conjunto Pareto- otimo, de forma a gerar uma
estimativa nal consistente de tal conjunto.
As ideias apresentadas neste captulo foram inicialmente formuladas em
(Takahashi, Palhares, Dutra & Gon calves 2001).
12.1 Verica cao versus Falseamento
Assim como as solu c oes otimas de problemas de otimiza c ao mono-objetivo,
os conjuntos Pareto- otimos de problemas de otimiza c ao multiobjetivo cons-
tituem objetos conceituais que podem ser acessados a partir de algoritmos
numericos adequados. Embora a existencia desses objetos, em um sentido
analtico, possa ser provada, a determina c ao analtica desses objetos em geral
n ao e factvel.
Dessa forma, coloca-se a quest ao de saber se determinado objeto que foi
encontrado computacionalmente corresponde ao objeto conceitual que estava
sendo procurado. Essa quest ao pode ser estabelecida sob o ponto de vista
de um mecanismo de verica c ao da hip otese de correspondencia, ou sob
o ponto de vista de um mecanismo de corrobora c ao e falseamento dessa
hip otese (Popper 1974).
Em princpio, demonstra-se que a solu c ao do problema P
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
(vide captulo 10). Em termos de objetos e mecanismos conceitual-

mente denidos, n ao haveria problema com essa seq uencia de procedimentos.
Entretanto, h a alguns problemas associados com a natureza geral (possi-
velmente n ao-linear, n ao convexa e multimodal) dos funcionais que denem o
PMO. Sabe-se que n ao h a algoritmos de otimiza c ao mono-objetivo que sejam
capazes de encontrar, de maneira determinstica, o otimo global desses pro-
blemas. Isso signica que: (i) todo ponto de otimo que for encontrado pode
se tratar de um mnimo apenas local, e (ii) mesmo que o otimo global seja
encontrado, n ao h a maneira de saber se o ponto que foi determinado e de fato
o otimo global, ou seja, n ao e possvel excluir a hip otese de que haja outro
ponto de otimo que venha a tornar o ponto anteriormente determinado um
otimo apenas local. As condi c oes de otimalidade conhecidas (vide captulo 3)
CAP

possuem car ater apenas local para fun c oes de tipo geral. Dessa forma, como
tanto o problema P
quanto o problema P
s ao fundamentados na hip otese

de que haja mecanismos capazes de solucionar globalmente problemas de
otimiza c ao mono-objetivo, em ambos os casos e possvel que n ao seja encon-
trada a solu c ao do problema, para fun c oes de tipo geral. Alem disso, mesmo
que essas solu c oes sejam encontradas, n ao e possvel haver certeza quanto a
esse fato. Assim:

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

metodo, que ocorre portanto quando h a a corrobora c ao da hip otese de que a
solu c ao disponvel e a solu c ao otima.
No caso da otimiza c ao multi-objetivo, seria possvel fazer os mecanismos
de otimiza c ao simplesmente herdarem o sistema de corrobora c ao e falsea-
mento que j a est a presente nos mecanismos mono-objetivo. Esse seria o caso,
por exemplo, da possvel implementa c ao computacional direta do problema
P
seguida da verica c ao pelo problema P
. Entretanto, e possvel apoiar

mecanismos de otimiza c ao multi-objetivo em sistemas mais sutis de corro-
bora c ao e falseamento, construdos a partir de propriedades de grupo que
estariam associadas a um hipotetico conjunto Pareto- otimo, e que podem
ser vericadas sobre conjuntos de pontos candidatos a serem considerados
Pareto- otimos. Dessa forma, a hip otese de que tais pontos perten cam ao
conjunto Pareto- otimo pode ser falseada sendo que, caso isso n ao ocorra, tal
hip otese ca corroborada.
Diante da argumenta c ao desenvolvida, que mostra que os sistemas de ve-
rica c ao apresentam diculdades de constru c ao em situa c oes gerais, restam
os sistemas de corrobora c ao e falseamento. Apesar de sua aparente fragi-
lidade, eles se mostram adequados para o tratamento dessa quest ao de sa-
ber se h a ou n ao correspondencia entre objetos empiricamente determinados
atraves de experimentos numericos e objetos conceitualmente denidos, nas
situa c oes gerais em que o problema de otimiza c ao n ao possui particularidades
que favore cam o emprego de metodologias analticas de verica c ao. Um
argumento adicional em favor dos sistemas de corrobora c ao e falseamento
e o fato de que estes tornam explcito um grau de cren ca que se faz ne-
cess aria no momento em que determinada solu c ao e acatada. Os sistemas de
verica c ao, ao contr ario, se ap oiam em conceitos n ao computacionalmente
concretiz aveis, o que pode obscurecer o fato de que existe incerteza associada
aos seus resultados.
12.2 Estrutura do Conjunto Pareto-
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

Encontrar um vetor solu c ao x = x
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
] Dado o problema 1, encontrar x
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
, conforme deni c ao apresentada no captulo

10. Este e um dos dois esquemas para reduzir problemas com m ultiplos obje-
tivos a formula c oes mono-objetivo (o outro esquema b asico e o do 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 (1)]) Dena-se o

i
como o
conjunto de todas as solu c oes do problema 2 quando o objetivo f
i
e tomado
como referencia e o vetor R
m1
assume todos os valores possveis. O
conjunto T denido por:
T = o
1
o
2
. . . o
m
(12.2)
e chamado de conjunto de solu c oes ecientes, ou de 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
sobre apenas um objetivo de referencia, seguida da realiza c ao do

teste P
.
CAP

Trabalhando-se explicitamente sob o ponto de vista da otimiza c ao multi-
objetivo, passa a estar denido um conjunto de solu c oes que constitui o objeto
da manipula c ao matem atico-computacional a ser executada. Tal conjunto
surge em contraponto ao objeto com o qual lida a otimiza c ao mono-objetivo,
que e um unico ponto-solu c ao. Dessa forma, um objeto bem denido surge
da deni c ao do problema 1: o Conjunto Pareto-

Otimo. Deve-se admitir que
este conjunto contem todas as solu c oes razo aveis para o problema 1.
Nota 12.1 Esta forma de denir o conjunto Pareto- otimo causa alguns incon-
venientes de ordem operacional: O conjunto Pareto- otimo P est a denido como
uma interse c ao de conjuntos contnuos (que s ao subconjuntos de R
n
). Operacio-
nalmente, est a sendo tentada a determina c ao de uma amostra de P, a partir de
conjuntos de pontos que s ao solu c oes de problemas com formula c ao P
, 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-
Otimo (2)]) Considerem-se A

f

R
n
e f : R
n
R
m
. Ent ao:
T x
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

A segunda deni c ao, ao contr ario, liga qualquer solu c ao pertencente ao
conjunto T a todas as demais solu c oes pertencentes ao mesmo conjunto.
As propriedades de grupo que caracterizam os conjuntos Pareto- otimos s ao
enfatizadas com esta deni c ao. Esta deni c ao servir a de base, portanto, para
o desenvolvimento de ferramentas de an alise e sntese no presente captulo.
Com esta deni c ao, o problema de projeto se torna:
Problema 3 [Projeto Multiobjetivo] Dado o problema 1, encontrar o
conjunto T. 2
12.3 Analise Multiobjetivo
PSfrag replacements
objetivo f
1
objetivo f
2
P

P
1
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

ap os a execu c ao de qualquer c alculo realizado com o objetivo de estimar pon-
tos pertencentes a esse conjunto. Um problema com apenas dois objetivos e
considerado, com o prop osito de facilitar a visualiza c ao. A an alise a ser em-
preendida, no entanto, e v alida para qualquer n umero de funcionais-objetivo.
O conjunto Pareto- otimo exato, T, e a curva contnua na gura 12.1. Esse
conjunto exato, entretanto, n ao se encontra em princpio disponvel, no caso
de funcionais genericos f
1
e f
2
, no sentido em que mesmo que se se dispusesse
de um conjunto de pontos que pertencessem a ele, n ao haveria maneira de
provar tal fato. Para caracterizar as solu c oes que provavelmente perten cam
ao conjunto T, ou seja, as solu c oes Pareto-candidatas, uma outra rela c ao e
denida a seguir, utilizando apenas os pontos que se encontram disponveis:
Deni cao 12.3 ([Conjunto Pareto-Candidato])
Sejam f() um vetor de objetivos e / Dom(f()) um conjunto com um
n umero nito de elementos: / = x
1
, . . . , x
v
. O conjunto (/), denido
por:
(/) x
p
/ [ ,x
i
/ tal que f(x
i
) f(x
p
) e f(x
i
) ,= f(x
p
) (12.4)
e denominado conjunto Pareto-candidato, associado ao conjunto amostra
/.
De fato, devido ` a indisponibilidade do conjunto T, a caracteriza c ao de
conjuntos de solu c oes () como conjuntos Pareto-candidatos deve ser re-
alizada a partir de procedimentos de falseamento, que podem mostrar que
alguns conjuntos n ao s ao Pareto-candidatos, mas que n ao podem jamais mos-
trar que algum conjunto e de fato um subconjunto do conjunto Pareto- otimo.
Este e o papel do conceito de conjunto Pareto-candidato.
12.3.1 Consistencia
Dado qualquer conjunto A, este pode ser considerado como um Pareto-
candidato apenas se (A) = A. Se isto ocorre, o conjunto e denominado
auto-consistente. Caso contr ario, a possibilidade de A ser um subconjunto
do conjunto Pareto- otimo T ca falseada.
CAP

12.3.2 Ordenamento e Dominancia
Dados dois conjuntos, A
1
e A
2
, as seguintes rela c oes de ordem entre esses
conjuntos s ao denidas:
A
1
A
2
(A
1
A
2
) A
1
e (A
1
A
2
) , A
2
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

Considere-se o espa co dos vetores-objetivo. Seja > 0 um n umero
inteiro real xo, e h um ponto solu c ao. O conjunto (, ) e denido por:
(, h) = g tal que [g h[ (12.8)
Tome-se o conjunto A = x
1
, . . . , x
v
, A .
Deni cao 12.4 ([-Extensao]) O conjunto (, A) denido por
(, A) =
v
_
i=1
(, x
i
) (12.9)
e a -extens ao do conjunto A.
Para qualquer conjunto A, (, A) A trivialmente se verica.
Considerem-se agora dois conjuntos A
1
e A
2
tais que A
1
_ A
2
e A
2
_ A
1
,
isto e, ambos os conjuntos s ao Pareto-candidatos, e seja dado um > 0. As
seguintes rela c oes cam denidas:
(, A
1
) A
2
A
1
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

12.3.4 Dados Extremos
Outra informa c ao capaz de guiar uma an alise de consistencia de conjuntos
Pareto-candidatos pode tambem estar disponvel a priori em determinadas
situa c oes: trata-se dos otimos individuais de algumas ou todas as fun c oes-
objetivo. Tal informa c ao pode car disponvel, por exemplo, pelo emprego de
ferramentas analticas, ou pelo conhecimento da fsica do sistema em quest ao,
ou ainda pelo fato do mnimo de determinadas fun c oes ser trivialmente co-
nhecido (um volume ou uma massa, por exemplo, devem ser no mnimo
zero). Isto signica que alguns pontos extremos do conjunto Pareto- otimo
s ao conhecidos.
Na gura 12.1, se este for o caso, os conjuntos

T
3
e

T
4
cariam ambos
falseados como Pareto-candidatos. Os conjuntos

T
1
e

T
2
, tomados individu-
almente, permaneceriam sendo candidatos.
12.4 Decisao e Sntese Multiobjetivo
A an alise multiobjetivo que foi apresentada pode ser utilizada de duas formas
distintas:
I) Como um procedimento de valida c ao para a an alise dos resultados de al-
goritmos especcos. Neste caso, qualquer algoritmo que reivindicar que re-
solve um certo problema multiobjetivo deve produzir resultados que, sendo
submetidos a todo o procedimento de an alise, permane cam sendo Pareto-
candidatos. Sumarizando tal procedimento de an alise, os seguintes criterios
devem ser empregados para a avalia c ao de um algoritmo A contra um algo-
ritmo de referencia B:
Criterio 1: Qualquer conjunto de pontos-resultado

T
a
, gerado por A, deve
ser auto-consistente.
Criterio 2: Dado um conjunto de pontos-resultado

T
b
, gerado pelo algo-
ritmo B, a rela c ao de ordem

T
a
_

T
b
deve prevalecer, qualquer que
seja o algoritmo B.
Criterio 3: A rela c ao

T
a

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

II) Como um procedimento de agrega c ao que tome um conjunto de pon-
tos (que podem ter sido gerados por um algoritmo unico ou por qualquer
combina c ao de algoritmos diferentes) e produza um subconjunto que seja
Pareto-candidato dada toda a informa c ao disponvel. Sejam

T
1
, . . . ,

T
N
conjuntos de pontos-solu c ao resultantes da execu c ao de N algoritmos di-
ferentes. A estimativa do conjunto Pareto- otimo, dados esses conjuntos, e:
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

Caso o algoritmo genetico n ao seja capaz de gerar dados melhores que
os anteriores, ca corroborada a hip otese de que os dados anteriormente
disponveis j a constitussem parte do conjunto Pareto- otimo.
12.5 Algoritmo Genetico Multiobjetivo
Solucionar o problema da otimiza c ao de funcionais arbitr arios tem sido, desde
os prim ordios do desenvolvimento da teoria de otimiza c ao, uma meta impor-
tante. Entretanto, cada metodo de otimiza c ao diferente que j a foi cons-
trudo se baseia em diversas premissas a respeito da estrutura do funcional a
ser otimizado: linearidade, convexidade, diferenciabilidade, etc. A classe de
metodos que atingiu a melhor aproxima c ao para o problema da otimiza c ao de
funcionais arbitr arios e a famlia dos metodos estoc asticos de otimiza c ao.
Um grupo de metodos que atingiu grande aplicabilidade, dentro de tal classe,
e a famlia dos Algoritmos Geneticos.
Devido ` as propriedades de otimiza c ao global dos Algoritmos Geneticos,
eles se tornaram uma ferramenta natural para abordar problemas em que se
desconhece a estrutura da fun c ao (ou fun c oes) a ser otimizada. Uma outra
raz ao potencial para esta adequabilidade e apontada aqui: uma vez que os
algoritmos geneticos trabalham com popula c oes de solu c oes candidatas, ao
inves de trabalhar com uma unica solu c ao candidata (como seria o caso dos
outros algoritmos usuais de otimiza c ao), eles s ao capazes de incorporar opera-
dores que exploram as propriedades de grupo das estimativas do conjunto
Pareto- otimo.
12.5.1 Constru cao do Algoritmo Genetico Multiobje-
tivo
Um algoritmo genetico multiobjetivo (AGM) pode ser construdo a partir de
modica c oes introduzidas em qualquer algoritmo genetico mono-objetivo.
Um Algoritmo Genetico pode ser denido como a aplica c ao sucessiva
das seguintes opera c oes sobre um conjunto de solu c oes-candidatas do pro-
blema (esse conjunto sendo denominado popula c ao):
cruzamento: A popula c ao e dividida em pares, e cada par de solu c oes e
substitudo por um novo par, o qual e gerado empregando informa c ao
obtida do par original;
CAP

muta cao: Algumas solu c oes (indivduos) s ao aleatoriamente escolhidos
para receber uma perturba c ao em seus par ametros, sendo substitudos
pelo indivduo perturbado;
sele cao: A popula c ao que surge ap os a aplica c ao das opera c oes de cruza-
mento e muta c ao e modicada, com a exclus ao de alguns indivduos e
a replica c ao de outros, sendo mantido o tamanho total da popula c ao.
A probabilidade de um indivduo ser replicado e t ao maior quanto me-
nor for o valor dos funcionais-objetivo a ele associados (considerando
problemas de minimiza c ao);
elitismo: Alguns indivduos (os melhores) s ao mantidos deterministica-
mente dentro da popula c ao.
Ap os algumas aplica c oes dessas opera c oes, a popula c ao converge para
solu c oes que, em algum sentido, s ao boas aproxima c oes das solu c oes globais
do problema.
Qualquer algoritmo genetico mono-objetivo pode ser adaptado atraves
das seguintes linhas, para a obten c ao de um algoritmo genetico multiobjetivo:
Selecionar, de dentro da popula c ao inicial Q
0
, o grupo de indivduos que
forma o m aximo subconjunto consistente

T
0
. Esta opera c ao e denida
por:

T
0
= (Q
0
).
A cada itera c ao, uma nova popula c ao Q
i
e gerada pela aplica c ao dos
operadores geneticos. Re-calcular a estimativa do conjunto Pareto-
otimo, fazendo

T
i
= (Q
i
), eventualmente excluindo alguns indivduos
e incluindo outros. O conjunto

T
i
e empregado como o conjunto-elite
na opera c ao de elitismo.
Uma tecnica de nicho pode ser empregada, para evitar a inclus ao
de pontos que estiverem muito pr oximos um do outro no conjunto

T.
Desta forma, o conjunto-solu c ao

T
mga
sofre uma press ao para cobrir
todo o conjunto T.
O funcional que guia o operador de sele c ao deve ser composto com
os funcionais individuais que comp oem o vetor de objetivos. Na im-
plementa c ao especca utilizada nos exemplos deste captulo, eles s ao
normalizados para a faixa de [0, 1] e ent ao agregados atraves do opera-
dor max.
CAP

Desta forma, ao inves de se procurar por solu c oes unicas, a totalidade
do conjunto T e perseguida, como um objeto com propriedades intrnsecas
que auxiliam nessa busca. O procedimento de projeto come ca com qualquer
algoritmo n ao-consistente (ou conservativo), o qual fornece um conjunto de
solu c oes iniciais

T
a
. Esse conjunto de solu c oes e a seguir renado pelo algo-
ritmo genetico multiobjetivo (AGM).
Denote-se por

T
i
o conjunto Pareto-candidato produzido pelo AGM na
sua i-esima itera c ao. Os operadores geneticos foram formados tais que:
nicho+sele cao: Produz uma press ao que leva a estimativa do conjunto de
Pareto

T
mga
a aumentar sua extens ao.
elitismo: Garante deterministicamente que: (i)

T
i+1
_

T
i
e (ii)

T
i+1

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

H a registros na literatura de outros metodos de utiliza c ao de algoritmos
geneticos para otimiza c ao multiobjetivo, os quais utilizam metodologias bas-
tante diversas daquela aqui apresentada (Viennet, Fonteix & Marc 1996)
Algoritmo Genetico Real Polarizado Multiobjetivo (AG-RPMO)
Cada par ametro de projeto e descrito por uma vari avel real, sendo o
conjunto de par ametros armazenado em um vetor no espa co R
n
. Cada
indivduo corresponde a um vetor nesse espa co.
Existe uma faixa admissvel para cada um dos par ametros (ou seja,
para cada coordenada do vetor de par ametros), dentro da qual estar ao
localizados os respectivos componentes de todos os indivduos.
O algoritmo se inicia com a gera c ao aleat oria de um n umero N par, de
vetores (indivduos) dentro das faixas admissveis.
S ao realizadas em seq uencia as opera c oes de: cruzamento, muta c ao,
avalia c ao, c alculo da fun c ao de ajuste (tness function), elitiza c ao
com nicho e sele c ao. A elitiza c ao pode gerar um n umero vari avel de
indivduos, de forma que o total de indivduos pode crescer ou diminuir
de gera c ao para gera c ao, sendo sempre maior ou igual a N e sendo
sempre par. Como subproduto da opera c ao de elitiza c ao, vai sendo
criado um conjunto que corresponde a uma estimativa do conjunto
Pareto- otimo, o qual vai sendo aperfei coado a cada itera c ao.
O algoritmo termina seja atingindo determinada condi c ao de termino,
seja excedendo o n umero m aximo permitido de itera c oes.
As opera c oes realizadas s ao denidas da seguinte forma:
Cruzamento: Divide-se a popula c ao em duas metades. Para cada par for-
mado, verica-se se vai ou n ao ocorrer cruzamento, com probabilidade
de ocorrencia de 0, 6. Caso v a ocorrer cruzamento, s ao gerados dois
CAP

novos indivduos segundo a lei:
x
g
= x
1
+ (1 )x
2
0, 1 < < 1, 1
sendo x
g
o novo indivduo gerado, x
1
e x
2
os indivduos ancestrais.
Deve-se observar neste caso a restri c ao de que:
B(x
2
) < B(x
1
)
sendo B() a fun c ao objetivo a ser minimizada (ver deni c ao dessa
fun c ao na equa c ao (12.13)). Para a gera c ao de , verica-se se o cru-
zamento ser a polarizado ou n ao-polarizado, sendo que a probabilidade
de ser polarizado e de 0,3. Caso n ao seja polarizado, adota-se com
distribui c ao uniforme de probabilidade dentro do intervalo de valores
possveis para ambos os novos indivduos gerados. Caso seja polarizado,
para um dos novos indivduos escolhe-se:
= 1, 4
1
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

Muta cao: Determina-se para cada indivduo se o mesmo sofrer a ou n ao
muta c ao, com probabilidade igual a 0, 02. Caso v a ocorrer muta c ao, e
somado ao indivduo x um vetor cujas componentes s ao dadas por:
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

Para completar a caracteriza c ao do AG-RPMO:
Fun cao de Ajuste: Seja J o vetor das avalia c oes de uma das fun c oes-
objetivo para os N indivduos da popula c ao. A equa c ao da fun c ao
de ajuste (FT) e dada por:
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

o conjunto das avalia c oes das fun c oes-objetivo do conjunto de pon-
tos previamente pertencentes ` a estimativa do conjunto Pareto- otimo,
(x
1
, . . . , x
p
). Denotando-se as colunas de F por F
i
, tem-se que:
f(x) n ao e dominado em F , F
i
f(x) ; F
i
,= f(x) (12.14)
e:
f(x) domina em F F
i
f(x) ; F
i
,= f(x) (12.15)
Se f(x) domina em F, o ponto x e automaticamente introduzido no
conjunto F, sendo excludos os pontos dominados. Se f(x) n ao domina
mas tambem n ao e dominado em F, e feita a avalia c ao de nicho.
Avalia cao de Nicho: Seja um ponto x, com vetor de objetivos f(x), e seja
um conjunto de pontos com avalia c oes previamente armazenadas na
matriz F, que constitui a estimativa corrente do conjunto Pareto- otimo.
Caso o ponto x n ao domine nem seja dominado em F, sua avalia c ao
ser a introduzida em F se:
d(f(x), F
i
) i = 1, . . . , p (12.16)
sendo d(, ) uma medida de dist ancia (por exemplo a norma euclideana)
e o tamanho do nicho.
Nota 12.2 Deve-se observar que a escolha do criterio de m aximo para a de-
ni c ao da fun c ao objetivo agregada, no c alculo da fun c ao de ajuste, signica que
ser ao privilegiados os pontos que n ao tiverem desempenho ruim em nenhum dos
funcionais objetivo. Usualmente esses pontos est ao longe dos otimos individuais
de cada um dos funcionais, onde em geral as fun c oes que n ao estiverem otimizadas
tem valores elevados. Por outro lado, a escolha do criterio de mnimo privilegia
a escolha dos pontos que tiverem desempenho bom em algum funcional, o que sig-
nica que os pontos tendem a se aproximar dos extremos das fun c oes objetivo.
Dessa forma, o chaveamento dos dois criterios seria uma forma de descrever em
maior extens ao e detalhe a curva Pareto- otima. Com a ado c ao da tecnica de ni-
cho, entretanto, esse chaveamento torna-se desnecess ario, sendo que cam muito
semelhantes os desempenhos para ambos os criterios (m aximo e mnimo).
CAP

12.6 Exemplo de Aplica cao: Projeto de Con-
troladores
Nesta se c ao, dois exemplos de aplica c ao das tecnicas desenvolvidas neste
captulo s ao apresentados. Os exemplos se referem ao projeto de controlado-
res para sistemas din amicos lineares, com os objetivos de minimizar a norma
H
2
e H
do sistema resultante em malha fechada. Este e um problema em

aberto hoje (2001) na teoria de controle, sendo que n ao h a algoritmos capazes
de resolver de maneira exata o projeto multiobjetivo nesses dois objetivos.
Uma caracterstica interessante desse problema multiobjetivo H
2
/H
e que o mesmo vem sendo abordado na literatura essencialmente por meio

de metodos derivados do problema (P
), vide por exemplo (Chen, Cheng &

Lee 1995, Scherer, Gahinet & Chilali 1997). Uma exce c ao a tal regra pode
ser encontrada em (Takahashi et al. 1997). Os algoritmos que servir ao de
base de compara c ao com o algoritmo genetico multiobjetivo s ao apresentados
em (Khargonekar & Rotea 1991) (algoritmo LMI padr ao) e em (Cao, Lam
& Sun 1998, Shimomura & Fujii 2000) (algoritmos BMI), sendo todos eles
baseados em metodologias do tipo (P
).
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
do sistema em malha fechada) quanto no espa co de par ametros do

controlador.
As equa c oes do sistema s ao:
x =
_
0.3868 0.0751
0 0.0352
_
x +
_
0.6965
1.6961
_
u +
_
0.0591 0
0 1.7971
_
w
z =
_
0.0346 0.0535
0 0
_
x +
_
0
0.5297
_
u
Este sistema e controlado com um controlador por realimenta c ao est atica
de estados:
u =
_
K
1
K
2
x
CAP

0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65
0.58
0.6
0.62
0.64
0.66
0.68
0.7
0.72
0.74
0.76
PSfrag replacements
norma H
2
n
o
r
m
a
H
0.22 0.23 0.24 0.25 0.26 0.27 0.28 0.29 0.3

0.55
0.6
0.65
0.7
0.75
PSfrag replacements
norma H
2
n
o
r
m
a
H
Figura 12.2: Estimativas do conjunto Pareto- otimo, no espa co de objetivos,

obtidas a partir de: (linha contnua)- formula c ao padr ao LMI; (o)- formula c ao
BMI; (x)- algoritmo genetico multiobjetivo inicializado com as solu c oes
LMI; (*)- algoritmo genetico multiobjetivo inicializado com as solu c oes BMI.
Abaixo, e mostrado um detalhe da gura.
CAP

0.2 0.1 0 0.1
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
k1
k
2
PSfrag replacements
K
1
K
2
Figura 12.3: Estimativas do conjunto Pareto- otimo, no espa co dos
par ametros do controlador, obtidas a partir de: (linha contnua)- formula c ao
padr ao LMI; (o)- formula c ao BMI; (x)- algoritmo genetico multiobjetivo ini-
cializado com as solu c oes LMI; (*)- algoritmo genetico multiobjetivo inicia-
lizado com as solu c oes BMI.
CAP

O problema de projeto desse controlador e resolvido atraves de dois
metodos aproximados: (i) um metodo padr ao de LMIs (Linear Matrix Ine-
qualities); (ii) um metodo de BMIs (Bilinear Matrix Inequalities); e (iii)
o algoritmo genetico multiobjetivo inicializado com as solu c oes obtidas dos
metodos anteriores. As normas de malha fechada obtidas est ao representadas
na gura 12.2, e os par ametros do controlador na gura 12.3.
Essas guras mostram que, neste caso, a formula c ao BMI e a formula c ao
LMI s ao mutuamente excludentes, isto e, A
LMI
,_ A
BMI
e A
BMI
,_ A
LMI
.
Por outro lado, A
agm
_ A
LMI
e A
agm
_ A
BMI
. Tambem a quest ao da
extens ao revela a superioridade do AGM. O AGM ainda chega ao mesmo re-
sultado, independentemente do conjunto de solu c oes iniciais utilizado como
popula c ao inicial. Isso corrobora a hip otese de que o conjunto atingido cor-
responda ao conjunto Pareto- otimo exato.
12.6.2 Realimenta cao estatica de sadas
Agora e investigado o seguinte sistema inst avel de ordem tres, com duas
entradas de controle e duas sadas medidas:
x =
_
_
1.9574 0.3398 1.1902
0.5045 0 1.1162
1.8645 0.2111 0.6353
_
_
x +
_
_
0.6014 0
0.5512 2.0046
1.0998 0.4931
_
_
u +
+
_
_
0.4620 0 0
0 0.3210 0
0 0 1.2366
_
_
w
y =
_
0 0.2311 0
2.3252 0 0
_
x
z =
_
_
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

1 1.5 2 2.5 3 3.5 4 4.5
1
1.2
1.4
1.6
1.8
2
2.2
2.4
2.6
2.8
3
PSfrag replacements
norma H
2
n
o
r
m
a
H
Figura 12.4: Estimativas do conjunto Pareto- otimo, no espa co dos objetivos,

obtida a partir de: (o) e () - duas formula c oes BMI; () algoritmo genetico
multiobjetivo inicializado com o conjunto das solu c oes BMI anteriores.
CAP

Dois algoritmos baseados em BMIs s ao executados, fornecendo solu c oes
que est ao representadas na gura 12.4. Nesta mesma gura, tambem est ao re-
presentadas as solu c oes obtidas com o AGM, executado a partir das solu c oes
anteriores.
Deve-se notar agora que as estimativas obtidas com os dois algoritmos
de BMIs n ao s ao sequer auto-consistentes. Por outro lado, o algoritmo
multiobjetivo genetico produz uma estimativa do conjunto Pareto- otimo que
e: auto-consistente, dominante (em rela c ao ` as estimativas anteriores) e possui
maior extens ao (tambem em rela c ao ` as anteriores).
Captulo 13
Exerccios - Otimiza cao
Vetorial
1. Mostre que, num problema convexo (ou seja, com todas as fun c oes-
objetivo e restri c oes convexas) n ao existe nenhuma solu c ao eciente
que n ao seja solu c ao de um problema ponderado (P
).
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
ITULO 13. EXERC
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
ITULO 13. EXERC
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.
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
ITULO 13. EXERC
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
para a determina c ao dos

pontos desse conjunto de Pareto.
f
1
(x) = max(x
1
, x
2
)
f
2
(x) = (x
1
2)
2
+ x
2
2
(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.
f
1
(x) = min(x
1
, x
2
)
f
2
(x) = (x
1
2)
2
+ x
2
2
CAP
ITULO 13. EXERC
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
) que determina o conjunto de solu c oes

ecientes. Discuta que tipo de algoritmo deve ser escolhido para
a resolu c ao numerica do problema assim formulado.
13. Sejam os vetores abaixo as avalia c oes de um conjunto de fun c oes-
objetivo em alguns pontos do espa co de par ametros:
a =
_
_
10
15
23
_
_
b =
_
_
8
12
23
_
_
c =
_
_
11
9
21
_
_
d =
_
_
15
11
17
_
_
e =
_
_
9
11
22
_
_
f =
_
_
15
12
17
_
_
Tendo apenas estas informa c oes:
(a) Quais s ao os pontos que se pode armar, com certeza, que perten-
cem ao conjunto de solu c oes ecientes do problema de minimiza c ao
das tres fun c oes-objetivo?
(b) Quais s ao os pontos que se pode armar, com certeza, que n ao
pertencem ao conjunto de solu c oes ecientes desse problema?
14. Construa um problema de otimiza c ao multiobjetivo com duas vari aveis
de otimiza c ao no qual existam pontos que satisfazem ` as condi c oes de
Kuhn-Tucker sem pertencerem ao conjunto de solu c oes ecientes do
problema. Mostre gracamente o conjunto das solu c oes ecientes do
problema e tambem o conjunto das solu c oes de Kuhn-Tucker que n ao
s ao ecientes.
CAP
ITULO 13. EXERC
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
ITULO 13. EXERC
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
ITULO 13. EXERC
ICIOS - OTIMIZAC

AO VETORIAL 309
ecientes de problemas de otimiza c ao multiobjetivo, utilizando a estru-
tura P
ou P
. 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, utilizando
os algoritmos adaptados. Mostre gracamente as solu c oes obtidas.
f
1
(x) = x
1
+ x
2
f
2
(x) = x
2
1
e as restri c oes:
g
1
(x) = x
2
1
+ x
2
2
4
g
2
(x) = x
2
2
1
g
3
(x) = x
1
x
2
2
Determine o conjunto de solu c oes ecientes desse problema, utilizando
um algoritmo de dire c oes de busca e um algoritmo de exclus ao de semi-
espa cos. Mostre gracamente as solu c oes obtidas.
CAP
ITULO 13. EXERC
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
control problem, Proceedings of the 40th IEEE Con-

ference on Decision and Control, Orlando, FL, USA, pp. 39974002.
Takahashi, R. H. C., Peres, P. L. D. & Ferreira, P. A. V. (1997). Multi-
objective H
2
/H
guaranteed cost PID design, IEEE Control Systems

Magazine 17(5): 3747.
Takahashi, R. H. C., Ramirez, J. A., Vasconcelos, J. A. & Saldanha, R. R.
(2001). Sensitivity analysis for optimization problems solved by stochas-
tic methods, IEEE Transactions on Magnetics 37(5): 34143417.
Takahashi, R. H. C., Saldanha, R. R., Dias-Filho, W. & Ramirez, J. A.
(2003). A new constrained ellipsoidal algorithm for nonlinear opti-
mization with equality constraints, IEEE Transactions on Magnetics
39(3): 12891292.
Takahashi, R. H. C., Vasconcelos, J. A., Ramirez, J. A. & Krahenbuhl, L.
(2003). A multiobjective methodology for evaluating genetic operators,
IEEE Transactions on Magnetics 39(3): 13211324.
Tanomaru, J. (1995). Motiva c ao, fundamentos e aplica c oes de algoritmos
geneticos, Anais do II Congr. Bras. de Redes Neurais, Vol. 1, Curitiba,
PR, Brasil.
Vasconcelos, J. A., Ramirez, J. A., Takahashi, R. H. C. & Saldanha, R. R.
(2001). Improvements in genetic algorithms, IEEE Transactions on
Magnetics 37(5): 34143417.
Vidyasagar, M. (1993). Nonlinear Systems Analysis, Prentice-Hall.
BIBLIOGRAFIA 315
Viennet, R., Fonteix, C. & Marc, I. (1996). Multicriteria optimization
using a genetic algorithm for determining a Pareto set, Int. J. Sys. Sci.
27(2): 255260.
Wolpert, D. H. & Macready, W. G. (1997). No free lunch theorems for opti-
mization, IEEE Transactions on Evolutionary Computation 1(1): 6782.
Z. Michalewicz, K. Deb, M. S. & Stidsen, T. (2000). Test-case generator for
nonlinear continuous parameter optimization techniques, IEEE Tran-
sactions on Evolutionary Computation 4(3): 197215.

OTEV Vol3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

OTEV Vol3

Cargado por

Copyright:

Formatos disponibles

Universidade Federal de Minas Gerais

ITULO 10. SOLUC

pertencentes ao espa co de par ametros do problema, tais que

: Conjunto de solu c oes ecientes, ou conjunto Pareto- otimo, de um POV.

: Um ponto pertencente ao conjunto A

: O conjunto imagem da fun c ao f() com o domnio restrito ao conjunto

e um subconjunto de , e e denominado conjunto

ITULO 10. SOLUC

A seguir, e apresentada a deni c ao que ser a relevante no caso da oti-

ITULO 10. SOLUC

ITULO 10. SOLUC

E possvel denir outras rela c oes diferentes desta capazes de estabelecer

ITULO 10. SOLUC

Retomando agora o problema de otimiza c ao vetorial conforme enunciado

ITULO 10. SOLUC

, denominado conjunto Pareto- otimo, que ir a conter as

do POV acima denido. Os elementos desse conjunto

ITULO 10. SOLUC

Otima) Diz-se que x

Otima do POV se n ao existe qualquer outra solu c ao x T

n ao e dominado por nenhum

Otima = eciente = n ao-dominada = n ao-inferior

ITULO 10. SOLUC

ITULO 10. SOLUC

ITULO 10. SOLUC

Figura 10.5: O conjunto de Pareto Y

possui extremos nos

ITULO 10. SOLUC

Figura 10.6: O conjunto de Pareto Y

ITULO 10. SOLUC

Figura 10.7: O conjunto de Pareto Y

ITULO 10. SOLUC

10.3.1 Conjunto localmente Pareto- otimo

E possvel estabelecer a deni c ao de conjunto Pareto- otimo num sentido local.

Otima) Diz-se que x

Otima do POV numa dada vizinhan ca

, ) se existe > 0 tal que n ao existe qualquer outra solu c ao x

ITULO 10. SOLUC

Otima e globalmente Pareto-

e o otimo correspondente a todas as

n ao e uma solu c ao existente, ou seja, n ao e um ponto pertencente ` a

e uma escolha bastante conveniente para ser tomada

ITULO 10. SOLUC

Figura 10.8: O conjunto de Pareto Y

Y (representado em linha contnua)

) = x : f(x) n ao compar avel a f(x

ITULO 10. SOLUC

coincide com o conjunto C

10.4 O Problema de Determina cao das Solu c oes

de solu c oes ecientes do problema. Esse problema se subdi-

ITULO 10. SOLUC

n ao resolveria, portanto, o problema P

ITULO 10. SOLUC

satisfaz as condi c oes necess arias de Kuhn-Tucker para

0, com pelo menos uma

Nota 10.3 Observe-se que:

Exemplo 10.3 (Carater apenas necessario das KTE) Considere o pro-

ITULO 10. SOLUC

ao: Esse resultado vem diretamente do fato de que agora KTE

e uma solu c ao eciente.

satisfaz KTE, existe no mnimo um i tal que

ITULO 10. SOLUC

que pertencem ao conjunto de solu c oes ecientes de um problema de