O Método SAA
Conteúdo
2 ► Motivação ► Desenho do Algoritmo ► Provas de convergência ► Alguns Resultados ► ConclusõesConteúdo
► Motivação ► Desenho do Algoritmo ► Provas de convergência ► Alguns Resultados ► ConclusõesMotivação
► O método do SAA é utilizado todos os dias por diversas empresas/estudos/universidades
► É utilizado mesmo que os usuários não saibam o que estão fazendo
► Método mais clássico para resolução de problemas de otimização relativamente complexos
Motivação
► Paper publicado por Shapiro et al em ~2001
► Método já era utilizado antes do paper
▪ Metodologia intuitiva
▪ O paper do Shapiro foi uma das primeiras analises teóricas sobre o método
Motivação
► É utilizado para a resolução de inúmeros problemas
▪ Clássicos: • Jornaleiro • Fazendeiro • Mochila ▪ Vida Real • Despacho hidrotérmico • Modelo de expansão
• Alocação ótima de portfólio
Motivação
► É utilizado em todos os problemas que tratam de incerteza, ou seja, é utilizado em todos os problemas da vida real
► Claro que existem outras metodologias para resolver
problemas que envolvam incerteza, porém o SAA é o método mais intuitivo e simples de implementar, por isso é muito
Conteúdo
8 ► Motivação ► Desenho do Algoritmo ► Provas de convergência ► Alguns Resultados ► ConclusõesTipo de problemas
► Vamos resolver problemas da seguinte forma
► Onde Q é uma função que modela as consequências das decisões em termos de custo
Tipo de problemas
► Para economizar na notação, podemos reescreve-lo
► Considerando a distribuição de probabilidade dada, podemos gerar tantas amostras quanto o necessário da incerteza
Instância do SAA
► Sendo assim, vamos calcular uma instância do SAA
► Note que, a priori, resolver este problema é possível e obteremos algum resultado a partir disto
Definições Importantes
Instância do SAA
► Conforme veremos, para N suficientemente grande, temos que
► Porém, o problema é que resolver um problema de tamanho N é muito difícil. Mas resolver N problemas de tamanho 1 é bem mais fácil
► Para que a convergência seja valida, N precisaria ser muito grande, levando a tempos computacionais inviáveis.
Problemas da prática
► Então como a escolha N deveria ser a menor que ainda preserve a qualidade da solução
► Shapiro et al propuseram que as instâncias do SAA devem ser replicadas, com amostras da incerteza i.i.d
► Sendo assim, replicaremos a instância de tamanho N do SAA M vezes
Possíveis problemas de convergência
► Utilizando essa estratégia, mantendo um N pequeno mas aumentando o número de replicações, ainda conseguimos uma solução com boa qualidade?
► Suponha que p(N) seja a probabilidade da solução de uma instância de tamanho N ser a ótima
Possíveis problemas de convergência
► Então a probabilidade de uma solução de tamanho N das M replicações ser igual a ótima e de:
► A probabilidade de fazer mais uma replicação e a solução
encontrada ser á melhor até então é de 1
𝑀+1, pois as amostras
aleatórias são i.i.d para cada uma das replicações
16
Critérios de convergência
► Sendo assim, para levar em consideração a estocasticidade do problema, precisamos de critérios estocásticos de
convergência.
► Shapiro et al propôs um método baseado no GAP de
otimalidade, que consiste em calcular um estimador para o Lower-bound do problema original, e um estimador para o Upper-bound
Calculo Lower-Bound
► Para calcular um Lower-bound válido, vamos considerar que cada um das M amostras de tamanho N seja uma variável aleatória, dessa forma podemos escrever que:
Calculo Lower-Bound
► Para desenhar um Lower-bound, vamos utilizar o fato de que o mínimo de funções convexas é uma função côncava. Logo se 𝑣∗ é uma função côncava:
Calculo Lower-Bound
Calculo Lower-Bound
► Agora que temos um Lower-Bound, vamos calcular o
Calculo Lower-Bound
► Note que 𝑣ҧ𝑁,𝑀 é um estimador consistente e não viesado para o Lower-bound do problema original
► Obtendo um Lower-bound com 1 − 𝛼 porcento de probabilidade de ser valido
Calculo Upper-bound
► Agora precisamos calcular um Upper-bound para o problema original. Note que um Upper-bound é qualquer solução sub-ótima avaliada na função objetivo
► Então vamos aproveitar todas as j=1,..,M soluções
encontradas no cálculo do Lower-bound, e vamos avaliá-las na função objetivo.
Calculo Upper-bound
► Para isso temos que gerar S cenários e fazer uma conta
► Note que agora teremos M estimativas para o Upper-bound, onde pegaremos a menor delas.
GAP otimalidade
► Agora vamos montar o seguinte teste de hipótese:
► Onde caso a hipótese nula seja rejeitada, o SAA convergiu e portanto chegamos na solução ótima.
GAP otimalidade
► Como estatística de teste utilizaremos:
Desenho do algoritmo
► Dado todas as considerações até aqui, o seguinte algoritmo é proposto para o SAA:
Conteúdo
28 ► Motivação ► Desenho do Algoritmo ► Provas de convergência ► Alguns Resultados ► ConclusõesProva de convergência
► Vamos mostrar que uma instância do SAA converge com probabilidade 1
► Quando dizemos que converge com probabilidade 1,
queremos dizer para um N suficientemente grande, o método converge
Definições
► Seja S o conjunto de soluções viáveis do problema original.
► Considere as definições anteriores:
Definições
► Dizemos que ҧ𝑥 é uma solução 𝜖-ótima se:
► Dizemos que 𝑆𝜖 é o conjunto de todas as soluções 𝜖-ótimas do problema original, e መ𝑆𝑁𝜖 o mesmo conjunto para o problema aproximado.
Lema
32
► As seguintes propriedades são verdadeiras:
1. 𝑣ො𝑁 → 𝑣∗ c.p.1 conforme 𝑁 → ∞
Prova
► Pela lei dos grandes números:
Prova
34
► Como 𝑣ො𝑁 − 𝑣∗ ≤ 𝛿𝑁, então 𝑣ො𝑁 − 𝑣∗ → 0, logo ො𝑣𝑁 → 𝑣∗
► Provando a parte 1 do lema.
► Para a parte 2, vamos considerar o seguinte numero:
Prova
► Vamos supor agora que o N seja suficientemente grande para
que 𝛿𝑁 < 1
2 𝑝 𝜖
► Neste caso temos: 𝑣ො𝑁 − 𝑣∗ ≤ 𝛿𝑁 ≤ 1
2 𝑝 𝜖
► Logo: 𝑣ො𝑁 < 𝑣∗ + 1
2 𝑝 𝜖
► E para todo 𝑥 ∈ 𝑆 ∖ 𝑆𝜖 segue que:
► 𝑔ො𝑁 > 𝑣∗ + 𝜖 − 1
Prova
36
► Segue então que se 𝑥 ∈ 𝑆 ∖ 𝑆𝜖 então 𝑔ො𝑁 > ො𝑣𝑁 + 𝜖
► Ou seja, x não pertence ao conjunto መ𝑆𝑁𝜖
► Se x não pertence ao conjunto መ𝑆𝑁𝜖, mas o único conjunto que ficou de fora foi o 𝑆𝜖, então መ𝑆𝑁𝜖 ⊂ 𝑆𝜖, conforme queríamos
Conteúdo
► Motivação ► Desenho do Algoritmo ► Provas de convergência ► Alguns Resultados ► ConclusõesResultados do SAA para o jornaleiro
Conteúdo
40 ► Motivação ► Desenho do Algoritmo ► Provas de convergência ► Alguns Resultados ► ConclusõesConclusão
► Método do SAA serve para resolver problemas de otimização estocástica discretos
► Discutimos alguns problemas que devem ser avaliados –
existe um risco em usar o SAA “sem olhar para trás”.
► Critério de convergência folgado – soluções ruins podem ser