Modelagem Matem´
atica
para Problemas de
Minimiza¸
c˜
ao
PTR 5926 Equil´ıbrio Demanda-Oferta na Engenharia de TransportesProf. Cassiano Isler 2020
Universidade de S˜ao Paulo Escola Polit´ecnica
Defini¸c˜
oes
Problema de Minimiza¸c˜ao: escolher valores de um conjunto de I vari´aveis (x1, x2, · · · , xI) que minimizam uma fun¸c˜ao
objetivo z (x1, x2, · · · , xI) segundo um conjunto de restri¸c˜oes
preestabelecidas.
Fun¸c˜ao ditˆonica (ou unimodal): fun¸c˜ao matem´atica que possui apenas um ponto de m´ınimo.
Regi˜ao fact´ıvel (ou vi´avel): conjunto de solu¸c˜oes que satisfaz todas as restri¸c˜oes de um problema de minimiza¸c˜ao.
Nota¸c˜
oes
x = (x1, · · · , xI) = vetor de solu¸c˜ao vi´avel do modelo.
z(x) = valor da fun¸c˜ao objetivo do modelo de minimiza¸c˜ao em x.
ˆ
x = vetor de solu¸c˜ao ´otima de um problema de minimiza¸c˜ao, ou o conjunto de valores (x1, x2, · · · , xI) que minimiza o valor de z(x).
z(ˆx) = valor da fun¸c˜ao objetivo na solu¸c˜ao ´otima de um problema de minimiza¸c˜ao.
Neste Curso
Sempre existir´a pelo menos uma solu¸c˜ao vi´avel x.
A quantidade de solu¸c˜oes x ´e infinita.
A fun¸c˜ao objetivo z(x) ´e n˜ao-linear, cont´ınua e diferenci´avel.
A regi˜ao fact´ıvel dos problemas de minimiza¸c˜ao ´e fechada e limitada pelas restri¸c˜oes.
Neste Curso
A revis˜ao de modelagem para a disciplina compreende:
Modelagem matem´atica em uma vari´avel (unidimensional).
Condi¸c˜
oes de Otimalidade
Duas condi¸c˜oes devem ser satisfeitas para garantir que uma solu¸c˜ao ´e ´otima para um problema de minimiza¸c˜ao com fun¸c˜oes cont´ınuas e diferenci´aveis.
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
As condi¸c˜oes s˜ao definidas para modelos sem restri¸c˜oes (Irrestritos) e com restri¸c˜oes (Restritos) para os valores de x admitidos como solu¸c˜ao ´otima, aplic´aveis a fun¸c˜oes cont´ınuas unidimensionais (uma vari´avel) e multidimensionais (mais de uma vari´avel).
MODELOS
UNIDIMENSIONAIS
IRRESTRITOS
Modelos Unidimensionais Irrestritos
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Valor m´ınimo z(ˆx) ocorre quando a derivada de z(x) em ˆx ´e nula.
dz(ˆx)
Modelos Unidimensionais Irrestritos
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
A fun¸c˜ao z(x) ´e estritamente convexa na vizinhan¸ca de ˆx se
d2z(x)
dx2 > 0 ∀ x |
dz(x)
MODELOS
MULTIDIMENSIONAIS
IRRESTRITOS
Modelos Multidimensionais Irrestritos
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Valor m´ınimo z(ˆx) ocorre quando a derivada de z(x) ∀ x ∈ ˆx ´e nula. ∂z(ˆx)
∂xi
= 0 ∀ i = 1, 2, · · · , I
Sob outra forma de representa¸c˜ao, o vetor de derivadas parciais de z(x), representado por ∇xz(x), ´e nulo.
∇xz(ˆx) = ∂z(ˆx) ∂x1 ,∂z(ˆx) ∂x2 , · · · ,∂z(ˆx) ∂xI = 0
Modelos Multidimensionais Irrestritos
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
Uma fun¸c˜ao cont´ınua ´e estritamente convexa desde que a Hessiana (H) de z(x), a matriz das derivadas parciais de segunda ordem da fun¸c˜ao, seja positiva semi-definida.
H = ∂2z(x) ∂x21 ∂2z(x) ∂x1∂x2 · · · ∂ 2z(x) ∂x1∂xI ∂2z(x) ∂x2∂x1 ∂2z(x) ∂x22 · · · ∂2z(x) ∂x2∂xI .. . ... . .. ... ∂2z(x) ∂xI∂x1 ∂2z(x) ∂xI∂x2 · · · ∂ 2z(x) ∂x2I .
Modelos Multidimensionais Irrestritos
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
A Hessiana (H) de z(x) ´e positiva semi-definida quando h · H · hT ´e positivo para qualquer vetor h n˜ao nulo.
Ou, como ´e o caso da maioria dos problemas de equil´ıbrio em redes de transporte, H ´e positiva semi-definida quando ´e uma matriz diagonal cujos valores s˜ao todos positivos.
Lembrando que uma matriz diagonal ´e aquela em que apenas os valores da sua diagonal s˜ao diferentes de zero. Por exemplo:
3 0 0 0 1 0 0 0 5
MODELOS
UNIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
O modelo matem´atico com restri¸c˜oes de desigualdade ´e definido por: minimizar z(x) sujeito a
x ≥ a0 x ≤ a” Esse modelo pode ser reescrito na forma padr˜ao como:
minimizar z(x) sujeito a
x ≥ a0 −x ≥ −a”
Considere as restri¸c˜oes representadas pelas duas fun¸c˜oes a seguir:
g1(x) = x g2(x) = −x
Nesse caso, as derivadas de primeira ordem dessas fun¸c˜oes s˜ao: dg1(x)
dx = 1
dg2(x)
dx = −1
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Existem trˆes casos de solu¸c˜ao de m´ınimo global, tal que o gradiente da fun¸c˜ao objetivo igual a zero [dz(x)/dx = 0] n˜ao satisfaz todos eles no intervalo das restri¸c˜oes.
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local Para o caso (a):
dz(ˆx)
dx = 0 (equivalente ao modelo irrestrito) Para o caso (b): dz(ˆx) dx = dz(a0) dx > 0 dg1(ˆx) dx = 1 Para o caso (c): dz(ˆx) dx = dz(a”) dx < 0 dg2(ˆx) dx = −1
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Observando os trˆes casos anteriores ´e poss´ıvel generalizar a condi¸c˜ao de otimalidade pela adi¸c˜ao de uma condi¸c˜ao que relaciona a derivada da fun¸c˜ao objetivo e das restri¸c˜oes.
dz(ˆx) dx = uj ·
dgj(ˆx)
dx ∀ j = 1, 2
onde uj ´e uma vari´avel de decis˜ao adicional ao problema, que admite
somente valores n˜ao-negativos, para que o sinal de dz(ˆx)/dx seja equivalente ao sinal de dgj(ˆx)/dx.
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Para atender a condi¸c˜ao de otimalidade de primeira ordem para todos os casos observados de modelos unidimensionais com restri¸c˜oes de desigualdade, ´e poss´ıvel afirmar que:
dz(ˆx) dx = u1· dg1(ˆx) dx + u2· dg2(ˆx) dx
Se a solu¸c˜ao ´otima ´e ˆx = a0 ent˜ao dz(ˆx)/dx > 0, u1 > 0 e u2 = 0.
Por outro lado, se ˆx = a00 ent˜ao dz(ˆx)/dx < 0, u1 = 0 e u2 > 0.
Finalmente, se a < ˆx < a00 ent˜ao dz(ˆx)/dx = 0, u1 = 0 e u2 = 0.
Logo, essa condi¸c˜ao por ser escrita genericamente por: dz(ˆx) dx = X j uj· dgj(ˆx) dx
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Dada a solu¸c˜ao ´otima ˆx, considere “restri¸c˜oes cr´ıticas”aquelas em que gj(ˆx) = bj e “restri¸c˜oes n˜ao-cr´ıticas”aquelas em que gj(ˆx) > bj.
Nessas condi¸c˜oes, considere a seguinte condi¸c˜ao adicional ao problema para que sejam obtidos os valores das vari´aveis de decis˜ao x e uj que
atendam a condi¸c˜ao de otimalidade de primeira ordem. uj · [bj − gj(ˆx)] = 0 ∀ j ∈ J
de tal forma que: (
Na restri¸c˜ao cr´ıtica: [bj − gj(ˆx)] = 0 e uj ≥ 0
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Assim, de forma generalizada, as quatro restri¸c˜oes a seguir s˜ao definidas para atender a condi¸c˜ao (1)de otimalidade.
gj(ˆx) ≥ bj ∀ j ∈ J dz(ˆx) dx = X j uj· dgj(ˆx) dx ∀ j ∈ J uj· [bj− gj(ˆx)] = 0 ∀ j ∈ J uj ≥ 0 ∀ j ∈ J
Sob essas condi¸c˜oes: (
Na restri¸c˜ao cr´ıtica: [bj − gj(ˆx)] = 0 e uj ≥ 0
Modelos Unidimensionais com Restri¸c˜oes de Desigualdade
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
A convexidade da fun¸c˜ao objetivo n˜ao ´e condi¸c˜ao suficiente para garantir um m´ınimo global pois pode haver pontos de m´ınimo em intervalos distintos.
Para garantir a otimalidade da solu¸c˜ao ´
otima ´e necess´ario que as restri¸c˜oes
definam um conjunto convexo de
solu¸c˜oes vi´aveis.
Assim, a condi¸c˜ao (1) requer a
convexidade da fun¸c˜ao objetivo e da regi˜ao fact´ıvel. No caso dos problemas de equil´ıbrio em redes de transporte, as restri¸c˜oes s˜ao lineares e resultam em uma regi˜ao fact´ıvel fechada e convexa.
MODELOS
MULTIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
O modelo matem´atico na forma padr˜ao ´e definido por:
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Analogamente ao caso unidimensional, as derivadas parciais iguais a zero [∇xz(x) = 0] n˜ao garantem que a solu¸c˜ao x ´e um ´otimo global.
Nesse caso, considere a condi¸c˜ao adicional que relaciona as derivadas parciais da fun¸c˜ao objetivo e das restri¸c˜oes do modelo matem´atico analogamente ao caso unidimensional.
∂z(ˆx) ∂xi =X j uj · ∂gj(ˆx) ∂xi ∀ i ∈ I
onde uj ´e uma vari´avel de decis˜ao adicional ao problema, que admite
somente valores n˜ao-negativos, para que o sinal de ∂z(ˆx)/∂xi seja
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Estendendo as condi¸c˜oes que relacionam as vari´aveis uj `as restri¸c˜oes
do modelo matem´atico tem-se que:
uj· [bj− gj(ˆx)] = 0 ∀ j ∈ J
de tal forma que: (
Na restri¸c˜ao cr´ıtica: [bj− gj(ˆx)] = 0 e uj ≥ 0
Na restri¸c˜ao n˜ao-cr´ıtica: [bj− gj(ˆx)] > 0 e uj = 0
onde uj´e uma vari´avel n˜ao-negativa (uj ≥ 0) pois o sinal de ∂z(ˆx)/∂xi
´
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
A an´alise das restri¸c˜oes cr´ıticas e n˜ao cr´ıticas pode ser realizada graficamente para um modelo multidimensional com duas vari´aveis x1 e x2, estendendo-se as conclus˜oes aos poss´ıveis valores de uj.
Restri¸c˜oes n˜ao-cr´ıticas
1 g1(ˆx) > b1⇒ b1− g1(ˆx) < 0 ⇒ u1 = 0
4 g4(ˆx) > b4⇒ b4− g4(ˆx) < 0 ⇒ u4 = 0
5 g5(ˆx) > b5⇒ b5− g5(ˆx) < 0 ⇒ u5 = 0
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Restri¸c˜oes cr´ıticas
2 g2(ˆx) = b2 ⇒ b2− g2(ˆx) = 0 ⇒ u2 ≥ 0
3 g3(ˆx) = b3 ⇒ b3− g3(ˆx) = 0 ⇒ u3 ≥ 0
Para satisfazer (1)tem-se que: ∂z(ˆx) ∂xi = u2· ∂g2(ˆx) ∂xi + u3· ∂g3(ˆx) ∂xi ∀ i ∈ I
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Genericamente podemos escrever as restri¸c˜oes a seguir para satisfazer a condi¸c˜ao(1).
Condi¸c˜oes de Kuhn-Tucker
∂z(ˆx) ∂xi =X j uj · ∂gj(ˆx) ∂xi ∀ i ∈ I uj· [bj− gj(ˆx)] = 0 ∀ j ∈ J gj(ˆx) ≥ bj ∀ j ∈ J uj ≥ 0 ∀ j ∈ J onde uj s˜ao denominados “multiplicadores de Lagrange”ou “vari´aveis duais”e as restri¸c˜oes [bj− gj(ˆx)] = 0 s˜ao definidas
como “condi¸c˜oes de folga
Modelos Multidimensionais com Restri¸c˜oes de Desigualdade
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
Semelhante ao unidimensional, apenas a convexidade da fun¸c˜ao objetivo n˜ao ´e suficiente para garantir o m´ınimo global e a condi¸c˜ao de segunda ordem ´e satisfeita quando a regi˜ao fact´ıvel ´e convexa. Na modelagem de equil´ıbrio em redes de transporte as restri¸c˜oes s˜ao lineares e delimitam regi˜oes fact´ıveis convexas.
Estritamente convexo
Não convexo Convexo com
MODELOS
UNIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
Modelos Unidimensionais com Restri¸c˜oes de N˜ao-negatividade O modelo com restri¸c˜oes de n˜ao-negatividade ´e definido por:
minimizar z(x) sujeito a x ≥ 0
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Modelos Unidimensionais com Restri¸c˜oes de N˜ao-negatividade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local Para o caso (a):
dz(ˆx) dx = 0 Para o caso (b): ˆ x = 0 dz(ˆx) dx > 0 Genericamente: ˆ x ·dz(ˆx) dx = 0 e dz(ˆx) dx ≥ 0
Modelos Unidimensionais com Restri¸c˜oes de N˜ao-negatividade
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
As condi¸c˜oes s˜ao an´alogas aos modelos unidimensionais com restri¸c˜oes de desigualdade.
Portanto, d2z(ˆx)/dx2> 0 ∀ x | dz(x)/dx = 0 garante que a fun¸c˜ao objetivo z(x) ´e estritamente convexa.
Adicionalmente, a regi˜ao fact´ıvel deve cont´ınua quando limitada pelas restri¸c˜oes.
MODELOS
MULTIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
Modelos Multidimensionais com Restri¸c˜oes de N˜ao-negatividade O modelo matem´atico ´e: minimizar z(x) sujeito a x ≥ 0.
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
As conclus˜oes sobre os modelos unidimensionais podem ser
extensidades para os modelos multidimensionais: ˆ xi· ∂z(ˆx) ∂xi = 0 e ∂z(ˆx) ∂xi ≥ 0 ∀ i ∈ I
(2) Condi¸c˜ao de segunda ordem: z(ˆx) ≤ z(x) ∀ x 6= ˆx
A fun¸c˜ao objetivo z(x) ´e estritamente convexa na vizinhan¸ca de ˆx.
As condi¸c˜oes s˜ao an´alogas aos modelos unidimensionais restritos, portanto, a matriz Hessiana (H) deve ser positiva semi-definida (ou uma matriz diagonal positiva).
MODELOS
UNIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
Modelos Unidimensionais com Restri¸c˜oes de Igualdade
O modelo matem´atico com restri¸c˜oes de igualdade ´e definido por:
minimizar z(x) sujeito a hj· x = bj
A solu¸c˜ao ´e trivial pois todas as restri¸c˜oes s˜ao combina¸c˜ao linear de h · x = b, ou seja, x = b/h.
MODELOS
MULTIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
Modelos Multidimensionais com Restri¸c˜oes de Igualdade O modelo matem´atico com restri¸c˜oes de igualdade ´e definido por:
minimizar z(x) sujeito a X
i
hij · xi= bj ∀ j ∈ J
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local As condi¸c˜oes de Kuhn-Tucker s˜ao v´alidas, ent˜ao:
∂z(ˆx) ∂xi =X j uj · ∂gj(ˆx) ∂xi ∀ i ∈ I onde gj(x) =Pihij · xi e, portanto, ∂gj(x)/∂xi = hij.
Modelos Multidimensionais com Restri¸c˜oes de Igualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
As condi¸c˜oes de Kuhn-Tucker para esses modelos s˜ao:
∂z(ˆx) ∂xi =X j uj · hij ∀ i ∈ I uj· [bj− gj(ˆx)] = 0 ∀ j ∈ J X i hij · ˆxi = bj ∀ j ∈ J uj ∈ < Os multiplicadores de Lagrange (uj) podem assumir qualquer
valor (uj ∈ <) pois o sinal de
∂z(ˆx)/∂xi deve ser o mesmo de
∂gj(ˆx)/∂xi, que ´e igual ao sinal
de hij (ver slide 18).
Por exemplo, se ∂z(ˆx)/∂xi > 0,
hij < 0 e gj(ˆx) ´e uma restri¸c˜ao
Modelos Multidimensionais com Restri¸c˜oes de Igualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Considere uma “Fun¸c˜ao Lagrangeana” definida pela inclus˜ao da restri¸c˜ao uj· [bj− gj(ˆx)] na fun¸c˜ao objetivo do problema original.
L(x, u) = z(x) +X j uj· [bj− X i hij · xi]
onde uj ∈ < s˜ao os multiplicadores de Lagrange.
´
E poss´ıvel demonstrar algebricamente que a solu¸c˜ao do modelo irrestrito com fun¸c˜ao objetivo Lagrangeana [minimizar L(x, u)] ´e equivalente `a solu¸c˜ao do problema multidimensional com restri¸c˜oes de igualdade do slide41 pela aplica¸c˜ao das condi¸c˜oes de Kuhn-Tucker.
Modelos Multidimensionais com Restri¸c˜oes de Igualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Lembrando que a condi¸c˜ao (1) para modelos multidimensionais irrestritos ´e satisfeita quando as derivadas parciais da fun¸c˜ao objetivo L(x, u) em rela¸c˜ao `as vari´aveis s˜ao iguais a zero.
Para o vetor de vari´aveis x: ∂L(ˆx, ˆu) ∂xi = 0 ⇒ ∂z(ˆx) ∂xi −X j ˆ uj· hij = 0 ⇒ ∂z(ˆx) ∂xi =X j ˆ uj· hij ∀ i ∈ I
Modelos Multidimensionais com Restri¸c˜oes de Igualdade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local Para o vetor de vari´aveis u:
∂L(ˆx, ˆu) ∂uj = 0 ⇒ bj− X i hij· ˆxi= 0 ⇒ X i hij · ˆxi = bj ∀ j ∈ J
O resultado das derivadas parciais em rela¸c˜ao `a x e u igualadas `a zero s˜ao equivalentes,respectivamente, `a primeira e terceira condi¸c˜oes de Kuhn-Tucker dos modelos restritos (ver slide 42).
Ainda, L(x, u) = z(x) para qualquer solu¸c˜ao vi´avel do problema irrestrito com a Fun¸c˜ao Lagrangeana pois todas as restri¸c˜oes s˜ao cr´ıticas [gj(x) = bj] e, portanto, uj poss´ıvel assumir qualquer valor
Modelos Multidimensionais com Restri¸c˜oes de Igualdade
(2) Condi¸c˜ao de segunda ordem: L(ˆx, ˆu) ≤ L(x, u) ∀ x 6= ˆx e u 6= ˆu
A fun¸c˜ao Lagrangeana L(ˆx, ˆu) ´e estritamente convexa na vizinhan¸ca de ˆx e de ˆu.
As condi¸c˜oes s˜ao an´alogas aos modelos multidimensionais irrestritos para o problema de minimiza¸c˜ao de L(x, u).
Ou seja, a matriz Hessiana (H) deve ser positiva semi-definida (ou uma matriz diagonal positiva).
Adicionalmente, a regi˜ao fact´ıvel deve ser fechada e convexa quando limitada pelas restri¸c˜oes.
MODELOS
MULTIDIMENSIONAIS
COM RESTRIC
¸ ˜
OES
DE IGUALDADE
Modelos Multidimensionais com Restri¸c˜oes de Igualdade e N˜ao-negatividade
O modelo matem´atico com restri¸c˜oes de igualdade e de
n˜ao-negatividade ´e definido por: minimizar z(x) sujeito a
( P
ihij · xi = bj ∀ j ∈ J
xi ≥ 0 ∀ i ∈ I
Reescrevendo o modelo sob a “Fun¸c˜ao Lagrangeana” temos um problema restrito com restri¸c˜oes de n˜ao-negatividade:
L(x, u) = z(x) +X j uj· [bj− X i hij· xi] sujeito a xi ≥ 0 ∀ i ∈ I
Observe que as restri¸c˜oes de n˜ao-negatividade aplicam-se apenas `as vari´aveis xi e n˜ao `as vari´aveis Lagrangeanas uj, cujos valores
Modelos Multidimensionais com Restri¸c˜oes de Igualdade e N˜ao-negatividade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local
Conforme o slide37 para satisfazer essa condi¸c˜ao de otimalidade:
ˆ xi· ∂L(ˆx, ˆu) ∂xi = 0 ⇒ xˆi· ∂z(ˆx) ∂xi −X j ˆ uj· hij = 0 ∀ i ∈ I ∂L(ˆx, ˆu) ∂xi ≥ 0 ⇒ ∂z(ˆx) ∂xi −X j ˆ uj· hij ≥ 0 ∀ i ∈ I Adicionalmente: ∂L(ˆx, ˆu) ∂uj = 0 ⇒ X i hij · ˆxi = bj ∀ j ∈ J
Modelos Multidimensionais com Restri¸c˜oes de Igualdade e N˜ao-negatividade
(1) Condi¸c˜ao de primeira ordem: ˆx ´e um m´ınimo local A condi¸c˜ao ´e satisfeita quando:
ˆ xi· ∂z(ˆx) ∂xi −X j ˆ uj· hij = 0 ∀ i ∈ I ∂z(ˆx) ∂xi −X j ˆ uj· hij ≥ 0 ∀ i ∈ I X i hij · ˆxi= bj ∀ j ∈ J ˆ xi ≥ 0 ∀ i ∈ I
Modelos Multidimensionais com Restri¸c˜oes de Igualdade e N˜ao-negatividade
(2) Condi¸c˜ao de segunda ordem: L(ˆx, ˆu) ≤ L(x, u) ∀ x 6= ˆx e u 6= ˆu A fun¸c˜ao Lagrangeana L(ˆx, ˆu) ´e estritamente convexa na vizinhan¸ca de ˆx e de ˆu.
As condi¸c˜oes s˜ao an´alogas aos modelos multidimensionais irrestritos para o problema de minimiza¸c˜ao de L(x, u).
Ou seja, a matriz Hessiana (H) deve ser positiva semi-definida (ou uma matriz diagonal positiva).
Adicionalmente, a regi˜ao fact´ıvel deve ser fechada e convexa quando limitada pelas restri¸c˜oes.
ROTEIRO PARA
Sugest˜
ao de Roteiro para Resolu¸c˜
ao de Exerc´ıcios
PASSO 1: Definir o modelo na forma padr˜ao (minimizar fun¸c˜ao objetivo sujeito a restri¸c˜oes de desigualdade ≥ e igualdade)
PASSO 2: Verificar a condi¸c˜ao (1) admitindo que o modelo ´e irrestrito (mesmo que seja restrito)
Slide9- Modelos Irrestritos Unidimensionais Slide12 - Modelos Irrestritos Multidimensionais
PASSO 3: O PASSO 2 resolve o problema se o modelo original ´e irrestrito. Se o modelo original ´e restrito, verificar se a solu¸c˜ao do PASSO 2 satisfaz as condi¸c˜oes para modelos com desigualdade – slide 22 para unidimensionais ou slide 30 para multidimensionais (Kuhn-Tucker) – ou com igualdade e n˜ao negatividade (slide50).
Sugest˜
ao de Roteiro para Resolu¸c˜
ao de Exerc´ıcios
PASSO 4: Se as condi¸c˜oes do PASSO 3 forem satisfeitas ent˜ao o problema ´e resolvido.
Se as condi¸c˜oes n˜ao forem satisfeitas, aplicar as condi¸c˜oes do slide22
para modelos unidimensionais, as condi¸c˜oes de Kuhn-Tucker do slide
30 para modelos multidimensionais com restri¸c˜oes de desigualdade ou as condi¸c˜oes do slide 50 para modelos multidimensionais com restri¸c˜oes de igualdade e n˜ao-negatividade.
Resolver o sistema de equa¸c˜oes resultante para obter a solu¸c˜ao ´otima do problema e os valores dos multiplicadores de Lagrange.
Ap´os obter a solu¸c˜ao do problema, verificar se os valores satisfazem as condi¸c˜oes estabelecidas em fun¸c˜ao do tipo de modelo.