Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Grupo de Pesquisa
Planejamento e Operação
Ótima de Sistemas
Elétricos
1
Conjuntos Convexos
Um conjunto X em En é chamado de conjunto convexo se dado dois pontos x1 e x2, o
ponto genérico 𝑥 = 𝜆𝑥1 + 1 − 𝜆 𝑥2 𝜖 𝑋 para cada 𝜆 𝜖 [0,1].
Interpretação geométrica: x1 x x2
𝑥 = 𝜆𝑥1 + 1 − 𝜆 𝑥2
2
Exemplos de conjuntos convexos:
3
Prova: provaremos que 𝑋 = {𝑥: 𝐴𝑥 = 𝑏} é um conjunto convexo.
Sejam 𝑥1 e 𝑥2 dois pontos que pertencem ao conjunto X. Então devemos provar que
X é um conjunto convexo, ou seja, provaremos que o ponto 𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2 ∈
𝑋.
Assim 𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2 ∈ 𝑋.
4
Pontos Extemos de um Conjunto Convexo
Um ponto 𝑥 pertence a um conjunto 𝑋 é chamado ponto extremo se esse ponto NÃO
pode ser representado como combinação estrita e convexa de dois pontos distintos
de 𝑋.
5
Tipos Especiais de Conjuntos Convexos
Hiperplano:
Um hiperplano H no espaço En é um conjunto convexo da forma:
𝐻 = {𝑥: 𝑝𝑥 = 𝑘}
onde p é um vetor diferente de zero e k é um escalar.
6
Tipos Especiais de Conjuntos Convexos
Hiperplano:
Um hiperplano pode ser:
• Um ponto;
• Uma reta;
• Um plano, etc.
7
Tipos Especiais de Conjuntos Convexos
Hiperplano: Na geometria, um hiperplano pode ser um espaço vetorial,
transformação afim ou o sub-espaço de dimensão n-1. Em particular, num espaço
tridimensional um hiperplano é um plano habitual (2D). Num espaço bidimensional,
um hiperplano é uma reta. Num espaço unidimensional, um hiperplano é um ponto.
8
Semi-espaço:
Um semi-espaço é uma coleção de pontos da forma:
𝐻 + = {𝑥: 𝑝𝑥 ≥ 𝑘}
Ou também:
𝐻 − = {𝑥: 𝑝𝑥 ≤ 𝑘}
A união destes semi-espaços representam o espaço completo En. Assim um
hiperplano separa o espaço En em 2 regiões ou semi-espaços.
9
Raio:
Um raio é um conjunto de pontos com a seguinte propriedade:
𝑅 = {𝑥: 𝑥0 + 𝜆𝑑; 𝜆 ≥ 0}
onde d é um vetor diferente de zero e 𝑥0 é chamado de vértice do raio. Um raio
também pode ser um conjunto convexo.
10
Teorema: um raio é um conjunto convexo
Prova: Provaremos que o raio 𝑅 = {𝑥: 𝑥0 + 𝜆𝑑; 𝜆 ≥ 0} é um conjunto convexo:
Se 𝑥1 ∈ 𝑅 → 𝑥1 = 𝑥0 + 𝜆1 𝑑 𝜆1 ≥ 0
Se 𝑥2 ∈ 𝑅 → 𝑥2 = 𝑥0 + 𝜆2 𝑑 𝜆2 ≥ 0
Multiplicaremos a primeira equação por 𝜆, e a segunda (1 − 𝜆) e somando as duas
temos:
𝜆 𝑥1 = 𝜆𝑥0 + 𝜆𝜆1 𝑑
(1 − 𝜆)𝑥2 = (1 − 𝜆)𝑥0 +(1 − 𝜆)𝜆2 𝑑
𝜆 𝑥1 + (1 − 𝜆)𝑥2 = 𝜆𝑥0 + 𝜆𝜆1 𝑑 + (1 − 𝜆)𝑥0 + (1 − 𝜆)𝜆2 𝑑
11
𝜆 𝑥1 + 1 − 𝜆 𝑥2 = 𝜆𝑥0 + 𝜆𝜆1 𝑑 + 1 − 𝜆 𝑥0 + 1 − 𝜆 𝜆2 𝑑
𝜆 𝑥1 + 1 − 𝜆 𝑥2 = 𝑥0 + [𝜆𝜆1 + 1 − 𝜆 𝜆2 ]𝑑
𝑥 ′ = 𝑥0 + 𝜆′ 𝑑 com 𝜆′ ≥ 0 ⇒ 𝑥′ 𝜖 𝑅
12
Direções de um Conjunto Convexo:
Dado um conjunto convexo, um vetor 𝑑 ≠ 0 é chamado direção de esse conjunto
convexo se para cada ponto 𝑥0 de esse conjunto o raio:
𝑅 = {𝑥: 𝑥0 + 𝜆𝑑; 𝜆 ≥ 0}
Também pertence ao conjunto convexo. Existem raios em conjuntos convexos
ilimitados, e por tanto em esses conjunto existem direções.
13
Exemplo:
Identificar as direções do seguinte conjunto convexo não vazio:
𝑋 = {𝑥: 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0}
Supor que d é uma direção de X, e por tanto, cumpre-se que qualquer ponto 𝑥 ′ com a
seguinte propriedade:
𝑥 ′ = 𝑥0 + 𝜆𝑑, com 𝜆 ≥ 0
𝐴 𝑥0 + 𝜆𝑑 ≤ 𝑏 ⇒ 𝐴𝑥0 + 𝜆𝐴𝑑 ≤ 𝑏
𝑥0 + 𝜆𝑑 ≥ 0
Como 𝑥0 𝜖 𝑋 então 𝐴𝑥0 ≤ 𝑏 e temos que:
𝜆𝐴𝑑 ≤ 0 ⇒ 𝐴𝑑 ≤ 0 porque 𝜆 ≥ 0
14
Também, levando em conta que 𝑥0 ≥ 0, temos:
𝜆𝑑 ≥ 0 ⇒ 𝑑 ≥ 0
15
Exemplo:
Identificar as direções do seguinte conjunto convexo não vazio:
𝑋 = {𝑥: 𝐴𝑥 = 𝑏; 𝑥 ≥ 0}
Supor que d é uma direção de X, e por tanto, cumpre-se que qualquer ponto 𝑥 ′ com a
seguinte propriedade:
𝑥 ′ = 𝑥0 + 𝜆𝑑, com 𝜆 ≥ 0
𝐴 𝑥0 + 𝜆𝑑 = 𝑏 ⇒ 𝐴𝑥0 + 𝜆𝐴𝑑 = 𝑏
𝑥0 + 𝜆𝑑 ≥ 0
Como 𝑥0 𝜖 𝑋 então 𝐴𝑥0 = 𝑏 e temos que:
𝜆𝐴𝑑 = 0 ⇒ 𝐴𝑑 = 0 porque 𝜆 ≥ 0
16
Também, levando em conta que 𝑥0 ≥ 0, temos:
𝜆𝑑 ≥ 0 ⇒ 𝑑 ≥ 0
17
Exemplo:
Identificar as direções do seguinte conjunto convexo não vazio:
𝑥1 − 2𝑥2 ≥ −6
𝑥1 − 𝑥2 ≥ −2
𝑋=
𝑥1 ≥ 0
𝑥2 ≥ 1
−𝑥1 + 2𝑥2 ≤ 6
−𝑥1 + 𝑥2 ≤ 2
𝑋= −𝑥2 ≤ −1
𝑥1 ≥ 0
𝑥2 ≥ 0
18
Exemplo:
−1 2 𝑑1
𝐴 = −1 1 , 𝑑=
𝑑2
0 −1
𝑑 ≠ 0; 𝑑 ≥ 0 e 𝐴𝑑 ≤ 0
Assim temos:
1
−1 2 𝑑 −𝑑1 + 2𝑑2 ≤ 0 𝑑2 ≤ 𝑑1
𝐴𝑑 ≤ 0 ⇒ −1 1
≤ 0 ⇒ −𝑑1 + 𝑑2 ≤ 0 ⇒ 2
1
𝑑2 𝑑2 ≤ 𝑑1
0 −1 −𝑑2 ≤ 0
𝑑2 ≥ 0
𝑑1 ≥ 0
𝑑≥0⇒
𝑑2 ≥ 0
19
Exemplo:
Assim, uma direção d de X é todo vetor que cumpre com as seguintes condições:
𝑑1 ≥ 0 1
𝑑 = 𝑑1 , 𝑑2 : 𝑑 ≠ 0, , e 𝑑2 ≤ 𝑑
𝑑2 ≥ 0 2 1
20
Geometricamente, o conjunto de direções pode ser encontrado simplesmente
transladando todos os hiperplanos, que definem X, paralelamente a se mesmo até
chegar ao origem.
𝐴𝑥 ≤ 𝑏 ⟺ 𝐴𝑑 ≤ 0
𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0 𝐴𝑑 ≤ 0; 𝑑 ≥ 0
21
Direções fatíveis associadas às restrições
22
Direções Extremas de um Conjunto Poliedral:
𝑑1 + 𝑑2 + 𝑑3 + ⋯ + 𝑑𝑛 = 1 ∀ 𝑑 ≥ 0
23
Assim, o conjunto de vetores que são direções de X assumem as seguinte forma:
𝐷 = 𝑑: 𝐴𝑑 ≤ 0; 𝑑 ≥ 0; 𝑑 ≠ 0; 𝑑1 + 𝑑2 + 𝑑3 + ⋯ + 𝑑𝑛 = 1
Logicamente:
𝑑1
𝑑
𝑑= 2
⋮
𝑑𝑛
24
Exemplo:
Encontrar o conjunto D e as direções extremas de X do seguinte problema:
−𝑥1 + 2𝑥2 ≤ −6
−𝑥1 + 𝑥2 ≤ −2
𝑋= −𝑥2 ≤ −1
𝑥1 ≥ 0
𝑥2 ≥ 0
O conjunto D tem a seguinte forma:
𝐷 = 𝑑: 𝐴𝑑 ≤ 0; 𝑑 ≥ 0; 𝑑 ≠ 0; 𝑑1 + 𝑑2 + 𝑑3 + ⋯ + 𝑑𝑛 = 1
Assim temos:
1
−1 2 𝑑 −𝑑1 + 2𝑑2 ≤ 0 𝑑2 ≤ 𝑑1
−1 1 1
≤ 0 ⇒ −𝑑1 + 𝑑2 ≤ 0 ⇒ 2
𝑑2 𝑑2 ≤ 𝑑1
0 −1 −𝑑2 ≤ 0
𝑑2 ≥ 0
𝑑1 ≥ 0
Ademais 𝑑2 ≥ 0
𝑑1 + 𝑑2 = 1
25
Resumindo e simplificando:
1
𝑑2 ≤ 𝑑
2 1
𝐷= 𝑑1 , 𝑑2 : 𝑑1 + 𝑑2 = 1
𝑑1 ≥ 0
𝑑2 ≥ 0
26
Ponto extremo de D
(direção extrema de X)
27
Funções convexas
𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2
∀ 𝜆 𝜖 [0,1]
𝑓 𝜆𝑥1 + 1 − 𝜆 𝑥2 ≤ 𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 )
28
Funções convexas
𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 ) corresponde aos pontos de uma corda que une as funções
𝑓(𝑥1 ) e 𝑓 𝑥2
29
Funções côncavas
𝑥 ′ = 𝜆𝑥1 + 1 − 𝜆 𝑥2
∀ 𝜆 𝜖 [0,1]
𝑓 𝜆𝑥1 + 1 − 𝜆 𝑥2 ≥ 𝜆𝑓(𝑥1 ) + 1 − 𝜆 𝑓(𝑥2 )
30
Funções côncavas
31
Nem convexa
f(x) f(x) f(x) Nem côncava
Côncava
Convexa
Convexa
x x x
Não diferençável Não diferençável Não diferençável
32
Convexa côncava
33
Definições Alternativas
Existem varias maneiras de demostrar que uma função 𝑓(𝑥) é convexa tais como:
34
𝜕2 𝑓 𝑥 𝜕2 𝑓 𝑥 2𝑓
𝜕𝑓 𝑥 …𝜕 𝑥
𝜕𝑥12 𝜕𝑥1 𝜕𝑥2 𝜕𝑥1 𝜕𝑥𝑛
𝜕𝑥1
𝜕2 𝑓 𝑥 𝜕2 𝑓 𝑥 ⋯ 𝜕2 𝑓 𝑥
𝜕𝑓 𝑥
𝜕𝑥2 𝜕𝑥1 𝜕𝑥22 𝜕𝑥2 𝜕𝑥𝑛
𝛻𝑓 𝑥 = 𝜕𝑥2 𝐻 𝑥 =
⋮ ⋮ ⋮
⋮
𝜕𝑓 𝑥 2𝑓
𝜕2 𝑓 𝑥 𝜕2 𝑓 𝑥 ⋯𝜕 𝑥
𝜕𝑥𝑛 2
𝜕𝑥𝑛 𝜕𝑥1 𝜕𝑥𝑛 𝜕𝑥2 𝜕𝑥𝑛
35
Se 𝜆𝑖 representa aos valores próprios da matriz Hessiana da função 𝑓(𝑥), então:
36
Funções Multimodais
S = Região fatível
37
Conjuntos Poliedrais
38
Pontos Extremo:
39
Pontos Extremo:
40
Faces:
Sejam r(F) o número máximo de hiperplanos L.I. ativos em todos os pontos da face F,
então define-se a dimensão de F da seguinte forma:
𝑑𝑖𝑚 𝐹 = 𝑛 − 𝑟 𝐹
41
Consequências:
1. Um ponto extremo es uma fase própria de dimensão zero porque tem n
hiperplanos ativos L.I.
2. Uma aresta é uma face própria de dimensão 1 porque tem (n-1) hiperplanos
ativos L.I. Assim, uma borda é uma face própria de um grau de liberdade porque
tem somente (n-1) hiperplanos ativos L.I. (um hiperplano menos que o ponto
extremo). Assim, uma aresta é um conjunto de pontos que tem (n-1) hiperplanos
ativos L.I., ou seja, todos os pontos de uma aresta tem a seguinte característica:
em todos os pontos de uma aresta existem (n-1) hiperplanos ativos L.I.
42
4. A face própria de maior dimensão, ou seja:
𝑑𝑖𝑚 𝐹 = 𝑑𝑖𝑚 𝑋 − 1
É chamado de faceta de X.
43
• Faces próprias de X:
Ponto extremo degenerado
Face de dimensão 2
(um hiperplano
ativo) Face de uma dimensão
(dois hiperplano ativos)
Pontos extremo
44
Representação de Conjuntos Poliedrais
Nesta parte vamos a discutir uma propriedade muito importante que diz que um
conjunto poliedral pode ser completamente representado em função de seus pontos
extremos e sua direções extremas. Inicialmente vamos a analisar os casos especiais e
logo discutiremos o caso geral.
45
Isto caracteriza uma combinação convexa
46
Caso Especifico: Conjunto Poliedral Ilimitado
47
x pode ser representado simplesmente por uma direção paralela a d2 e um y que é
uma combinação convexa dos pontos extremos x1 e x2:
48
Caso Geral: Teorema da Representação
• Seja 𝑋 = { 𝑥 ∶ 𝐴𝑥 ≤ 𝑏; 𝑥 ≥ 0 } um conjunto poliedral não vazio.
• Seja { 𝑥1 , 𝑥2 , … , 𝑥𝑘 } o conjunto de pontos extremos não vazio e finito.
• Seja { 𝑑1 , 𝑑2 , … , 𝑑𝑘 } o conjunto direções extremas não vazio e finito.
𝑥= 𝜆𝑗 𝑥𝑗 + 𝜇𝑗 𝑑𝑗
𝑗=1 𝑗=1
𝑘
𝜆𝑗 = 1
𝑗=1
𝜆𝑗 ≥ 0 𝑗 = 1,2, … , 𝑘
𝜇𝑗 ≥ 0 𝑗 = 1,2, … , 𝑙
49
• Se 𝑥 pode ser escrito como:
𝑘 𝑙
𝑥= 𝜆𝑗 𝑥𝑗 + 𝜇𝑗 𝑑𝑗
𝑗=1 𝑗=1
𝑘
𝜆𝑗 = 1
𝑗=1
𝜆𝑗 ≥ 0 𝑗 = 1,2, … , 𝑘
𝜇𝑗 ≥ 0 𝑗 = 1,2, … , 𝑙
• Corolário
qualquer 𝑥 𝜖 𝑋 pode ser representado usando o como mínimo:
min{ 𝑛 + 1 , (𝑘 + 𝑙)}
Variáveis positivas 𝜆𝑖 𝑒 𝜇𝑖
50
• Se 𝑋 é um conjunto convexo ilimitado então 𝑥 𝜖 𝑋 pode ser representado pelo
mínimo por (n+1) pontos extremos e n direções extremas. Em 𝐸 𝑛 pode existir mais
de n direções extremas, mas para representar 𝑥 serão necessárias só n delas.
𝑚+𝑛 𝑚+𝑛 !
= <∞
𝑛 𝑛! 𝑚!
Exemplo:
No espaço Euclidiano 𝐸 2 , existem 5 pontos extremos em X então qualquer ponto
𝑥 𝜖 𝑋 , se X é limitado, pode ser representado empregando como mínimo: min(3,5)=3
de seus pontos extremos:
51
O teorema da geral da representação é o aspecto teórico mais importante
que justifica o funcionamento do algoritmo simplex para resolver
problemas de PL. Porem, os passos empregados para provar o teorema
também podem ser empregados para encontrar um pontos extremo a
partir de um ponto interior conhecido.
52