Otimização de processos químicos

OTIMIZAO
DE
PROCESSOS

Escola Politcnica da UFBA
UFBA

M
E
H
N

Prof. Dr. Ricardo de Arajo Kalid kalid@ufba.br

Departamento de Engenharia Qumica da UFBA

Ricardo Kalid - Otimizao de Processos kalid@ufba.br
2
CURRCULO DO INSTRUTOR
REAS DE ATUAO E LINHAS DE PESQUISA
Modelagem e simulao em regime estacionrio e transiente de processos
Identificao de processos
Controle de processos
Otimizao de processos
Sntese de redes de transferncia de calor e massa
OUTROS
Professor do Mestrado em Engenharia Qumica da UFBA e do Mestrado em Produo Limpa
Professor (anos 92 e 93) do Curso de Especializao em Instrumentao e Controle (CEINST) promovido
pelo Departamento de Engenharia Mecnica da UFBA
Professor de Cursos de Educao Continuada (Controle Avanado, Controle Preditivo Multivarivel,
Identificao de Processos, Otimizao de Processos Qumicos, Controle de Colunas de Destilao)
para DOW, PETROBRAS, GRIFFIN, EDN, CIQUINE, OXITENO, COPENE.
Professor (98) do Curso de Especializao em Automao de Sistemas Industriais (CEASI) promovido
pelo Dept
o
de Engenharia Eltrica da UFBA
Professor e Coordenador (99) do Curso de Especializao em Controle e Automao de Processos
Industriais (CECAPI) promovido pelos Dept
o
de Engenharia Qumica e Eltrica da UFBA
Professor e Coordenador (2000 a 2002) do Curso de Especializao em Instrumentao, Automao,
Controle e Otimizao de Processos Contnuos (CICOP 1 e 2 turmas) promovido pelo Dept
o
de
Engenharia Qumica e UFBA e AINST.
Coordenador do II e do III Seminrio Nacional de Controle e Automao (II SNCA-2001 e III SNCA-2003)
PROJETOS COOPERATIVOS E/OU CONSULTORIAS PARA INDSTRIAS
MONSANTO-GRIFFIN-POLITENO: sntese de redes de transferncia de calor e massa
DETEN: simulao do reator radial para desidrogenao de parafinas
EDN: participou da equipe de desenvolvimento do plano diretor de automao
BRASKEM-UNIB: identificao de processos, sintonia de controladores industriais, simulao, controle e
otimizao do conversor de acetileno da ETENO II (em andamento)
PDAI-BA - Programa de Desenvolvimento da Automao Industrial, participantes: UFBA, UNIFACS,
CEFET-BA, CETIND-SENAI, FIEB, SEPLANTEC, PETROBRAS, NITROCARBONO, DETEN,
OXITENO, OPP, POLIBRASIL, POLITENO, BRASKEM-UNIB
GRIFFIN: Sistema de controle de pH. Modelagem e Otimizao do Reator de DCA
BRASKEM-UNIB-POLITENO-UFBA: Diagnstico de Malhas de Controle Preditivo Multivarivel (MPC)
BRASKEM-UNIB -UFBA: projeto de produo + limpa para minimizao/reuso de guas industriais
INDICADORES DE PRODUO CIENTFICA
Trabalhos apresentados em congressos ou seminrios: 12
Trabalhos publicados em peridicos: 2
Dissertao de mestrado (1) e
tese de doutorado (1) defendidas e aprovadas:
2
Participao de bancas de mestrado (5) e de doutorado (1): 6
Orientao de Iniciao Cientfica e Tecnolgica 17 (concludas) e 3 em andamento
Orientao de Dissertaes de Mestrado: 8 (em andamento), 3 concludas
Ricardo de Arajo Kalid, D. Sc. 04/09/64
kalid@ufba.br
(0xx71) 203.9811 / 9984.3316
Prof. Dept
o
Engenharia Qumica da UFBA
Graduao em Engenharia Qumica UFBA (88)
Mestrado em Engenharia Qumica - UFBA (91)
Doutorado em Engenharia Qumica USP (99)

3
Trabalhos em desenvolvimento em parceria com indstrias:
N Tema Equipe Instituio Status
Ascnio Pepe
Marcelo Coutinho
POLICARBONATOS
Marcelo Embiruu
18
Maximizao do desempenho de malhas de
controle PID da POLICARBONATOS
Ricardo Kalid
UFBA
Em
desenvolvimento
Jean Carlos
Sebastio
POLITENO
Joo Colonese
Nelson Siem Velarde
GRIFFIN
Silvia Arajo
Breno Silva
MONSANTO
Ivan Moraes
Jos Luis
CARABA METAIS
Asher Kiperstok
Jos Geraldo Pacheco
Emerson Sales
Ednildo Torres
17
Reuso/reciclo e conservao de gua e
energia: redes de transferncia de calor e
massa
Ricardo Kalid
UFBA
Em
desenvolvimento
Moiss Augusto
Joo Severiano
BRASKEM-UNIB
Asher Kiperstok
Jos Geraldo Pacheco
Emerson Sales
16
Minimizao/reuso de guas industriais
BRASKEM-GUA
Ricardo Kalid
UFBA
Em
desenvolvimento
Nadja Fontes
Csar Moares
Mauricio Moreno
Mrcia Cunha
BRASKEM-UNIB
Lcio Estrella
Ricardo Muller
Jean Carlos
POLITENO
Marcelo Embiruu
Ricardo Kalid
Mauricio Moreno
Fbio Carrilho
15
Diagnstico de malhas de controle preditivo
multivariavel MPC
Ricardo Kalid
UFBA
Em
desenvolvimento
Mauricio Moreno BRASKEM-UNIB
Fbio Carrilho 14
"Plantwide control" de um trem de separao
de xilenos (3 colunas de destilao em
srie/paralelo) da BRASKEM
Ricardo Kalid
UFBA
Em
desenvolvimento

4
Trabalhos concludos em parceria com indstrias:
N Tema Equipe Instituio Status
Lucy Helena de Jesus
Daniel Cortes
MONSANTO
13 Otimizao da fonte de fsforo da MONSANTO
Jos Geraldo Pacheco UFBA
Concludo
Wagner Mnaco CIQUINE
Viviane Scaranto 12
Otimizao de colunas de destilao da
CIQUINE
Ricardo Kalid
UFBA
Concludo
Klauss Villalva Serra
Almir Viana Cotias
GRIFFIN
11
Projeto e sintonia do controlador de topo da
coluna de destilao de 3,4 DCA da GRIFFIN
Ricardo Kalid UFBA
Concludo
Nelson Siem Velarde GRIFFIN
10
Projeto e sintonia do sistema de controle de pH
dos efluentes da GRIFFIN
Ricardo Kalid UFBA
Concludo
Cathia R. Apenburg
Williane Carneiro
BRASKEM-UNIB
09
Simulao e controle de colunas de
destilao de sulfolane da BRASKEM
Ricardo Kalid UFBA
Concludo
BRASKEM-UNIB PETROBRAS
DETEN POLITENO
SENAI-CETIND OXITENO
NITROCARBONO POLIBRASIL
CEFET-BA BRASKEM-OPP
Paulo Guimares UNIFACS
Adhemar de Barros
Herman Lepikson
08
Plataforma de Automao Industrial do Estado
da BAHIA
Ricardo Kalid
UFBA
Concludo
Mark Langerhost BRASKEM-UNIB
Lueci V. do Vale 07
Simulao e controle de colunas de
destilao de BTX da BRASKEM
Ricardo Kalid
UFBA
Concludo
Mauricio Moreno
Paulo Freitas
BRASKEM-UNIB
Fabrcio Brito
06
Modelagem, simulao, controle e otimizao
de conversores de acetileno da BRASKEM
Ricardo Kalid
UFBA
Concludo
Kleber Leite
Mrcio Barreto
Charles Diament
BRASKEM-OPP
05
Otimizao da operao do reator de
polimerizao em baixa carga
Ricardo Kalid UFBA
Concludo
EDN
Herman Lepikson
Cayubi Alves da Costa
Francisco Teixeira
04 Plano diretor de automao da ESTIRENO
Ricardo Kalid
UFBA
Concludo
Murilo F. de Amorim BRASKEM-UNIB
Eliane Santanta 03
Estimativa do tempo de campanha de fornos de
pirlise da BRASKEM
Ricardo Kalid
UFBA
Concludo
Luiz Alberto Falcon BRASKEM-UNIB
Tatiana Freitas 02
Modelagem por redes neurais hbridas e
otimizao de reatores de CPD
Ricardo Kalid
UFBA
Concludo
Gian Carlo Gangemi DETEN
01
Modelagem, simulao do reator de
desidrogenao de n-parafinas da DETEN
Ricardo Kalid UFBA
Concludo

5
INSTRUTOR: RICARDO KALID - kalid@ufba.br
Cursos e apostilas sobre
MODELAGEM DE PROCESSOS
1. Operaes Unitrias em Regime Transiente Balanos de Massa, Energia
e Momentum Aplicados a Processos Qumicos.
2. Identificao de Processos Qumicos.

SIMULAO DE PROCESSOS
3. Mtodos Numricos e Simulao de Processos.
4. Programao em MATLAB com Aplicao em Reatores Qumicos.

CONTROLE DE PROCESSOS
5. Sistemas de Controle dos Principais Equipamentos da Indstria de
Processos Qumicos e Petroqumicos.
6. Controle de Processos Qumicos.
7. Definio da Estrutura do Sistema de Controle Multimalha de Processos
Multivariveis.
8. Controle Avanado de Processos Estratgias Clssicas de Controle.
9. Controle de Coluna de Destilao.
10. Controle Preditivo Multivarivel: DMC - Controle por Matriz Dinmica.
11. Sintonia tima de Controladores Industriais

OTIMIZAO DE PROCESSOS
12. Otimizao de Processos Qumicos sem restries
13. Otimizao de Processos Qumicos com restries
14. Otimizao de Processos Qumicos a batelada

6

OTIMIZAO DE PROCESSOS

ndice

Lista de Abreviaturas............................................................................................6
Nomenclatura ........................................................................................................7
Principais Referncias Bibliogrficas .................................................................7
1. Introduo e Definies............................................................................12
1.1. Objetivos deste Curso.......................................................................12
1.2. Programa do Curso...........................................................................13
1.3. Referncias Bibliogrficas Principais ................................................14
1.4. Por que Otimizar? .............................................................................14
1.5. Exemplos de Aplicao de Otimizao.............................................15
1.6. Formulao de um Problema de Otimizao....................................15
1.6.1. A Funo Objetivo (FO) ...............................................................16
1.6.2. As Restries ...............................................................................18
1.6.3. A Regio Vivel ............................................................................19
1.6.4. As Variveis de Deciso (VD) ......................................................20
1.7. Procedimento Geral para Solucionar um Problema de Otimizao ..20
1.7.1. Mapeamento da Funo Objetivo ................................................21
1.7.2. Obstculos Otimizao .............................................................25
1.8. Exerccios .........................................................................................27
2. Conceitos Matemticos ............................................................................28
2.1. Definies .........................................................................................28
2.2. Operaes Bsicas com Matrizes e Vetores ....................................29
2.3. Independncia Linear, Matriz Singular e Rank ou Posto de uma
Matriz 32
2.4. Operadores Linha ou Coluna............................................................33
2.5. Soluo de Sistema de Equaes Lineares......................................33
2.6. Graus de Liberdade ..........................................................................34
2.7. Autovalores e Autovetores ................................................................35

7
2.8. Estudo de Funo.............................................................................35
2.9. Continuidade de Funes .................................................................37
2.10. Funes Unimodais e Multinodais ....................................................38
2.11. Funes Cncavas e Convexas........................................................38
2.12. Regio Convexa................................................................................41
2.13. Condies Necessrias e Condies Suficientes para um
Extremo de uma Funo Irrestrita .....................................................................44
2.14. Interpretao da Funo Objetivo em Termos de uma
Aproximao Quadrtica ...................................................................................47
2.15. Exerccios .........................................................................................51
3. Formulao Matemtica de um Problema de Otimizao .....................54
3.1. A Funo Objetivo (FO) ....................................................................55
3.1.1. Tolerncia ou Critrio de Parada..................................................56
3.1.2. Objetivos Econmicos..................................................................57
3.1.3. Objetivos Operacionais ................................................................65
3.1.4. Combinao de Objetivos Operacionais com Objetivos
Econmicos.................................................................................................69
3.2. As Funes de Restrio (FR) ..........................................................70
3.3. Otimizao On-Line ..........................................................................71
3.4. Exerccios .........................................................................................73
4. Otimizao Unidimensional Sem Restries (OUSR) ............................80
4.1. Mtodos Indiretos (MI) para OUSR...................................................81
4.1.1. Mtodo de Newton .......................................................................82
4.1.2. Mtodo de Quasi-Newton.............................................................84
4.1.3. Mtodo da Secante ......................................................................85
4.2. Mtodos Diretos (MD) para OUSR....................................................86
4.2.1. Mtodos por Diminuio da Regio de Busca..............................86
4.2.2. Mtodos por Aproximao Polinomial - Interpolao Quadrtica.88
4.2.3. Mtodos por aproximao polinomial - Interpolao cbica.........89
4.3. Avaliao dos Mtodos Unidimencionais de Otimizao..................90
4.4. Exerccios .........................................................................................92
5. Otimizao Multidimensional Sem Restries (OMSR) .........................93
5.1. Mtodos Indiretos (MI) para OMSR ..................................................94
5.1.1. Mtodo do Gradiente ou Mtodo do Gradiente Descendente......95

8
5.1.2. Mtodo do Gradiente Conjugado .................................................97
5.1.3. Mtodo de Newton .......................................................................98
5.1.4. Mtodo de Levenberg-Marquardt .................................................99
5.1.5. Mtodo da Secante ou Quasi-Newton........................................100
5.2. Mtodos Diretos (MD) para OMSR.................................................103
5.2.1. Busca Randmica ......................................................................103
5.2.2. Grade de Busca .........................................................................104
5.2.3. Busca Unidimensional ................................................................104
5.2.4. Mtodo Simplex ou do Poliedro Flexvel ....................................105
5.3. Avaliao dos MD's e MI's para Problemas de OMSR ...................106
5.4. Exerccios .......................................................................................107
6. Ajuste de Modelos Matemticos............................................................109
6.1. Ajuste de Modelos Lineares nos Parmetros Com Uma Varivel
Independente...................................................................................................110
6.1.1. Escolha da Forma do Modelo Linear..........................................111
6.1.2. Ajuste do Modelo Linear Univarivel ..........................................112
6.2. Ajuste de Modelos Lineares de Vrias Variveis ............................114
6.3. Ajuste de Modelos Matemticos No-Lineares...............................117
6.3.1. Ajuste de Modelos por Mtodos Diretos - Mtodo do Poliedro
Flexvel 119
6.3.2. Ajuste de Modelos por Mtodos Indiretos ..................................119
6.4. Observaes e "Macetes" ...............................................................120
6.4.1. Procedimento Geral para Ajuste de Modelos.............................122
6.5. Exerccios .......................................................................................123
7. Programao Linear (PL)........................................................................128
7.1. Convertendo Problemas para a Forma Padro da PL ....................131
7.2. A Dualidade em Programao Linear. ............................................132
7.3. Anlise de Sensibilidade em PL......................................................133
7.4. Programao Linear Sucessiva (PLS) ............................................134
7.5. Exerccios .......................................................................................135

9
8. Multiplicadores de Lagrange..................................................................136
8.1. Anlise de Sensibilidade por Multiplicadores de Lagrange .............140
8.2. Condies de Kuhn-Tucker - CKT ..................................................141
8.3. Vantagens e Desvantagens dos Multiplicadores de Lagrange........142
8.4. Exerccios .......................................................................................142
9. Funo Penalidade..................................................................................145
9.1. Exerccios .......................................................................................149
10. Programao Quadrtica - PQ...............................................................150
10.1. Programao Quadrtica Sucessiva - PQS....................................152
10.2. Exerccios .......................................................................................154
11. Gradiente Reduzido Generalizado -GRG...............................................155
11.1. Relao entre o GRG e os Multiplicadores de Lagrange................157
11.2. Algoritmo do Gradiente Reduzido Generalizado.............................158
11.2.1. Listagem do Programa GRG para o Exemplo 11.1....................164
11.3. Exerccios .......................................................................................174
12. Programao Inteira e Mista - PIM.........................................................175
12.1. Branch and Bound Technique.........................................................175
12.2. Exerccios .......................................................................................178
13. Controle timo - CO ...............................................................................179
13.1. Algoritmos para o Problema de Controle timo..............................180
Apndice I: Controle timo de um Reator a Batelada
Apndice II: Reprodues de pginas do livro Process Analysis by Statistical
Methods. Himmelblau, D. M.

10
Lista de Abreviaturas

CKT - Condies de Kuhn-Tucker
CO - Controle timo
FO - Funo Objetivo
FR - Funes de Restries
MD - Mtodo Direto de otimizao
MI - Mtodo Indireto de otimizao
MV - Varivel Manipulada
OMCR - Otimizao Multidimensional Com Restries
OMSR - Otimizao Multidimensional Sem Restries
OUCR - Otimizao Unidimensional Com Restries
OUSR - Otimizao Unidimensional Sem Restries
PCO - Problema de Controle timo
PL - Programao Linear
PNL - Programao No-Linear
PPL - Problema de Programao Linear
PPNL - Problema de Programao No-Linear
PPQ - Problema de Programao Quadrtica
PQ - Programao Quadrtica
PV - Varivel de Processo (pode ser variveis controladas e/ou
medidas)
s.a. - sujeito a
SEANL - Sistema de Equaes Algbricas No-Lineares
SP - SetPoint
VA - Varivel Auxiliar (qualquer varivel ou constante que no VDep)
VD - Varivel de Deciso ou de Projeto ou Independente
VDep - Varivel Dependente
VI - Varivel Independente

11
Nomenclatura

Yi - valor da mdia dos experimentos replicados para um certo x
i

x - valor mdio da varivel independente
i
- valor calculado da VI para um certo x
i

b
j
- parmetro j de um modelo
n - nmero total de experimentos realizados
p
i
- nmero de medidas replicadas para um certo x
i

x - varivel determinstica, independente e experimental
Y - varivel estocstica, dependente e experimental
Y - varivel estocstica, dependente e experimental

Principais Referncias Bibliogrficas
As principais referncias utilizadas para confeccionar esta apstila e
preparar as aulas so listadas a seguir. Outras referncias, que tratam de
assuntos especficos, so citadas ao longo do texto:
R1. Himmelblau, D. M. and Edgar, T. F.; Optimization of Chemical Process.
McGraw-Hill, 1989. Livro essencial para quem quer iniciar e/ou aprofundar
seus estudos sobre otimizao de processos qumicos. Boa parte do
contedo deste curso e a maioria dos exerccios discutidos/propostos foram
retirados deste livro.
R2. Himmelblau, D. M.; Process Analysis by Statistical Methods. Jonh Wiley &
Sons, 1970. Livro que traz os algoritmos de vrios mtodos de otimizao e
aplica esses mtodos principalmente ao ajuste de modelos matemticos a
dados experimentais. Livro texto para o Captulo 6 desta apostila.
R3. Beveridge, G. S. and Schehter, R. S.; Optimization Theory and Practice.
McGraw-Hill, 1970. Traz uma discusso mais profunda a respeito dos
fundamentos matemticos em que os mtodos de otimizao so
baseados.
R4. Reklaitis, G. V.; Ravindran, A.; Ragsdell, K. M.; Engineering Optimization:
Methods and Applications. Jonh Wiley & Sons, 1983. Livro importante e
complementar ao de Himmelblau e Edgar (R1). Livro texto para os Captulo
8 e 9 desta apostila.

12
1. Introduo e Definies
Na natureza somente os mais eficientes sobrevivem. A seleo natural
elimina as espcies ou os indivduos menos capacitados, ao mesmo tempo que
facilita as coisas para os mais bem dotados, ou seja, existe algum mecanismo
que procura maximizar o uso dos recursos ou minimizar o efeito da ineficincia
dos processos.
O que a natureza sabe fazer com extrema maestria ns devemos imitar, se
quisermos suplantar nossos adversrios e assim sermos os ganhadores.
O problema que seja qual for o vencedor, a me natureza sempre ganha
junto, enquanto ns temos que ser mais eficientes que nossos concorrentes. E
como a probabilidade de tomar uma deciso errada muito maior que escolher
a opo certa, temos que nos cercar de informaes e procedimentos
confiveis.
As informaes que devemos coletar so, por exemplo:
o(s) objetivo(s) que queremos atingir,
as condies do mercado fornedor e consumidor,
as condies do mercado financeiro,
as condies dos recursos naturais e humandos disponveis,
as limitaes de natureza fsica e/ou social e/ou psicolgicas existentes.
Os procedimentos que podemos empregar so:
a experincia acumulada,
o uso de ferramentas matemticas adequadas,
a escolha de estratgias de atuao oportunas.
Se utilizarmos as informaes e procedimentos apropriados temos boas
chances de sermos os vitoriosos. somente esse o nosso problema.
Neste curso iremos estudar quais so as informaes e procedimentos
adequados a resolver os os problemas de otimizao tpicos em engenharia
qumica.
1.1. Objetivos deste Curso
Ao final do segundo mdulo deste curso seremos capazes de:
O1. Entender os princpios de funcionamento dos pricipais algoritmos de
otimizao.
O2. Aplicar corretamente os algoritmos de otimizao.

13
O3. Desenvolver um modelo matematico de otimizao e resolv-lo atravs da
utilizao de pacotes computacionais.
1.2. Programa do Curso
Para alcanarmos os objetivos propostos o curso ter as seguintes
caractersticas:
Carga horria total: 60 horas
Programa do curso:
P1. Introduo e Definies: Viso geral do problema de otimizao.
P2. Conceitos Matemticos: Ferramentas necessrias.
P3. Formulao Matemtica de um Problema de Otimizao:
Construo da Funo Objetivo e de Suas Restries.
P4. Otimizao Unidimensional Sem Restries: Aspectos matemticos
especficos.
P5. Otimizao Multidimensional Sem Restries: Aspectos matemticos
especficos.
P6. Aplicaes de Otimizao Sem Restries em Processos Qumicos.
P7. Otimizao Multivarivel Com Restries.
P8. Aplicaes de Otimizao Multivarivel Com Restries em Processos
Qumicos.
P9. Experincias em Otimizao de Processos Qumicos do LACOI:
a) Reconciliao de dados em estado estacionrio
b) Minimizao de uso de gua e/ou consumo de energia em processos
c) Otimizao de processos industriais:
Case MONSANTO
Case CIQUINE
Case BRASKEM-UNIB
Case BRASKEM-OPP
Metodologia de ensino:
M1.Utilizaremos de data-show e da lousa para desenvolver os tpicos.
M2.Exerccios resolvidos para exemplificar os conhecimentos tericos
abordados.
M3.Aulas de exerccios para as equipes (2 alunos por equipe).
M4.Lista de exerccios propostos.
M5.Distribuio de apstila com o contedo do que foi apresentado.
M6.Sempre que necessria haver interrupo da aula para esclarecimento de
dvidas.
M7.Estudo de cases industriais que sejam de intresse dos alunos

14
1.3. Referncias Bibliogrficas Principais
As pricncipais referncias utilizadas para confeccionar esta apstila e
preparar as aulas so listadas a seguir. Outras referncias, que tratam de
assuntos especficos so citadas ao longo do texto:
R1. Himmelblau, D. M. and Edgar, T. F., Optimization of Chemical Process,
McGraw-Hill, 1989. Livro essencial para quem quer iniciar e/ou aprofundar
seus estudos sobre otimizao de processos qumicos. Boa parte do
contedo deste curso e a maioria dos exerccios discutidos/propostos foram
retirados deste livro.
R2. Himmelblau, D. M., Process Analysis by Statistical Methods, Jonh Wiley &
Sons, 1970. Livro que traz os algoritmos de vrios mtodos de otimizao e
aplica esses mtodos principalmente ao ajuste de modelos matemticos a
dados experimentais.
R3. Beveridge, G. S. and Schehter, R. S., Optimization Theory and Practice,
McGraw-Hill, 1970. Traz uma discusso mais profunda a respeito dos
fundamentos matemticos em que os mtodos de otimizao so
baseados.
Alm dessas referncias outras so listadas no final desta apstila.
1.4. Por que Otimizar?
A otimizao pode promover melhorias econmicas [otimizao econmica
(OE)] e/ou tcnicas/operacionais [otimizao operacional (OO)]. A otimizao
de um determinado processo ou sistema pode ter como benefcio um (ou mais
de um) dos itens a seguir:
OE. minimizar o investimento para uma determinada capacidade operacional a
ser instalada,
OE. maximizar o lucro total,
OE. maximizar o lucro por unidade de produo,
OE. minimizar os custos operacionais,
OE. minimizar os custos de manuteno,
OO. maximizar a produo para uma determinada capacidade operacional
instalada,
OO. minimizar o consumo de matria-prima e/o energia,
OO. minimizar a produo de insumos indesejveis,
OO. minimizar o tempo de batelada,
OO. minimizar a diferena entre o valor desejado e o valor alcanado,
Observe que alguns desses objetivos so conflitantes entre si, portanto
devemos estabelecer o objetivo a ser alcanado com bastante cuidado.

15
Porm devemos sempre nos lembrar que a otimizao tem um custo e,
portanto, devemos otimizar a otimizao.
Em certos casos o uso de mtodos matemticos de otimizao no traz
benefcios, por exemplo:
quando uma soluo razovel pode ser obtida baseada em experincias
passadas,
quando existe uma prtica padro em uso,
quando o tempo necessrio para avaliar o problema no contribui para o
contexto do projeto global,
quando as informaes necessrias s podem ser obtidas com grande
custo.
1.5. Exemplos de Aplicao de Otimizao
A otimizao pode ser aplicada de inmeras maneiras em processos e
plantas qumicas. Tpicos projetos onde a otimizao tem sido empregada
incluem:
1. Determinao do melhor local para construo de uma planta.
2. Escalonamento de tanques para armazenagem de matria-prima e de
produtos.
3. Dimensionamento e layout de pipelines.
4. Projeto de plantas e/ou de equipamentos.
5. Escalonamento de reposio e manuteno de equipamentos.
6. Operao de equipamentos e/ou plantas.
7. Ajuste de modelos a dados experimentais de uma planta.
8. Minimizao de inventrio.
9. Alocao de recursos ou servios entre diferentes processos.
10.Planejamento e escalonamento de instalao de plantas.
1.6. Formulao de um Problema de Otimizao
Podemos definir
#
a otimizao de sistemas das seguintes maneiras:
D1. Campo da matemtica dedicado ao desenvolvimento de mtodos eficientes
de determinao de mximos e mnimos de funes de uma ou mais
variveis.

#
As trs definies foram transcritas da apstila sobre "Otimizao de Processos" de autoria
de Fernando Pellegrini Pessoa e Marcelo Castier, ambos professores do DEQ-UFRJ

16
D2. A cincia que determina as melhores solues para certos problemas
fsicos; problemas que so descritos por modelos matemticos.
D3. Busca da melhor soluo (soluo tima) dentre as diversas solues
possveis de um problema, segundo um critrio estabelecido
previamente.
Embora nem todos os problemas de otimizao possam ser descritos por
equaes matemticas (por exemplo, maximizar as propriedades
organolpticas de um alimento), apenas os que podem sero tratados neste
curso.
A formulao de um problema prtico de otimizao contm duas partes:
1. Ao menos uma funo objetivo a ser alcanada.
2. As restries que devem ser atendidas.
Devemos encontrar uma soluo (pois podem existir mais) que
minimiza/maximiniza a funo objetivo e que simultaneamente atenda s
restries, ou seja a soluo encontrada deve pertecer regio vivel.
Para que as condies timas sejam alcanadas o sistema deve ter
liberdade para manipular as variveis de deciso, tambm denominadas
variveis de projeto ou ainda variveis independentes, isto , algumas
condies operacionais so modificadas de forma que o ponto timo vivel seja
alcanado.
1.6.1. A Funo Objetivo (FO)
A funo objetivo ou critrio de desempenho estabelece o alvo a ser
alcanado. uma funo matemtica cujo mximo ou mnimo se deseja
determinar.
As FO's podem ser desenvolvidas a partir de trs tipos de critrios:
C1. Critrio estritamente econmico: maximizar o lucro anual, minimizar o
custo anual, diminuir o tempo de retorno do investimento, etc.
C2. Critrio estritamente tcnico/operacional: minimizar o consumo de
energia ou de matria-prima, maximizar a produo, etc.
C3. Critrio tcnico-econmico: minimizar a diferena entre o valor desejado
e o valor medido numa planta, ao mesmo tempo em que minimiza o custo
operacional.
O estabelecimento correto da funo objetivo fundamental para o sucesso
da otimizao. Sua determinao uma tarefa complexa que requer grande
conhecimento do processo/sistema a ser otimizado.
A funo objetivo pode ser classificada quanto :
Continuidade:
contnua, por exemplo a temperatura tima para uma reao
reversvel

17
descontnua
discreta, por exemplo o dimetro timo de uma tubulao
Modalidade:
unimodal (o extremo local tambm o global), figura 1-a.
x = -100:100;
a = 4;
b = 2;
c = 5;
y1= -a*x.^2 + b*x + c;
plot(x,y1)
-100 -50 0 50 100
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
x 10
4

Figura 1-A: Funo Unimodal
Funo objetivo (FO):
max y
y a x b x c
1
1
2
= + + . .

Equao 1.6-A
max(y1)
ans = 5
Obs: expresses nesta fonte (Courier New 10, verde, em negrito)
so comandos do MATLAB.
expresses nesta fonte (Courier New 10, azul) so as respostas
geradas pelo MATLAB.
as expresses nesta fonte (Times New Roman 12, preto) so textos em
WORD.
Comando help nome-da-funo permite consultar o manual de referncia
on-line do MATLAB.

18
Comando help optim permite consular o manual de referncia do toolbox de
otimizao on-line do MATLAB.

multimodal (existem vrios extremos locais e um deles o global)
y2 = -a*x.^2 + b*x + c + 1000*sin(x);
plot(x,y2,'-r',x,y1,':b')

-100 -50 0 50 100
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
x 10
4

Figura 1-B: Funo Unimodal e Multimodal
Funo objetivo (FO): maximizar y2
max(y2)
ans = 902.2974

Convexidade:
convexa, a funo objetivo uma funo convexa (tem um nico
mnimo)
cncava, a funo objetivo uma funo cncava (tem um nico
mximo)
1.6.2. As Restries
So os limites impostos ao sistema pelas condies fsicas, por exemplo:
capacidade mxima de processamento de um equipamento,
temperatura e presso absolutas s podem assumir valores positivos,

19
os balanos de massa e energia de um processos devem ser obedecidos,
capacidade de absoro do mercado,
preo mximo de venda ou de compra,
etc.
As restries podem ser de igualdade ou de desigualdade.
O modelo matemtico (em regime estacionrio ou transiente) de um
processo uma restrio de igualdade.
1.6.3. A Regio Vivel
Regio do espao definida pelas variveis de deciso, delimitada pelas
restries, em cujo interior ou na fronteira se localiza o mximo ou o mnimo da
funo objetivo. Tambm denominada de regio de busca.
O conjunto das restries determinam uma regio onde o ponto timo deve
estar contido. Portanto a regio vivel deve ser um espao no nulo. Por
exemplo:
regio vivel nula: x > 50 e x < 10
regio vivel: x > 10 e x < 50
Exemplo;
Funo objetivo:
max y
y a x b x c
x
1
1
2
= + + . .

Equao 1.6-B
Sujeito a: 10 < x < 20
x = 10:20;
y1= -a*x.^2 + b*x + c;
plot(x,y1)
-800
-600
-400
-200

Figura 1-C: Funo Objetivo com Restrio
max(y1)

20
ans = -375
O estabelecimento da regio vivel torna-se mais complicado com o
aumento do nmero de variveis e com a complexidade das expresses que
definem as restries do sistema.
Embora os algoritmos numricos tenham capacidade de detectar quando
uma regio vivel no existe (regio vivel nula), eles no podem detectar
quando a regio de busca est definida de maneira errada. Portanto, mxima
ateno deve ser dispensada ao estabelecimento das restries, ou seja, da
regio vivel.
1.6.4. As Variveis de Deciso (VD)
As variveis de deciso ou de projeto ou independentes correspondem, em
nmero, ao excesso de incgnitas em relao ao nmero de equaes, ou
seja, sua quantidade igual ao nmero de graus de liberdade do sistema.
Se existe apenas uma nica soluo para o problema, nenhuma otimizao
necessria e possvel. Portanto, para haver condies de otimizar um
processo o mesmo dever ter graus de liberdade maior que zero.
As VD caracterizam os possveis projetos ou condies operacionais do
sistema e devem ter uma certa influncia sobre a funo objetivo.
Se uma funo objetivo pouco sensvel a uma varivel de deciso
conveniente simplificar o problema assumindo um valor fixo para essa varivel.
Por outro lado, se o critrio de desempenho extremamente sensvel a uma
determinada varivel de projeto, talvez seja difcil reproduzir na prtica as
condies timas calculadas.
1.7. Procedimento Geral para Solucionar um Problema de
Otimizao
No existe um procedimento ou mtodo que possa ser aplicado
eficientemente para todo tipo de problema. A escolha do mtodo depende:
da caracterstica da funo objetivo (linear ou no-linear; contnua, discreta
ou mista)
da natureza das restries (linear ou no-linear; contnua, discreta ou mista)
do nmero de variveis de deciso.
Podemos estabelecer 6 passos principais a serem seguindos na soluo de
problemas de otimizao:
P1. Analise o processo e estabelea as variveis de deciso (VD) e as
auxiliares (VAs).
P2. Estabelea a funo objetivo (FO) em funo das variveis identificadas no
item P1 e de coeficientes conhecidos.

21
P3. Estabelea as restries:
balanos de massa e energia funes das VDs e VAs,
relaes constitutivas e/ou empricas,
limites operacionais mximos e mnimos,
faixa de validades das variveis, por exemplo, temperaturas e
presses absolutas devem ser positivas, fraes molares entre 0 e 1,
etc.,
limites externos, por exemplo, capacidade mxima de consumo do
mercado.
P4. Se o problema demasiadamente grande:
subdivida em partes e/ou
simplifique a funo objetivo e/ou o modelo do processo.
P5. Se possvel faa o mapeamento da funo objetivo, isto , verifique
graficamente como a FO varia com a mudana das variveis de deciso.
P6. Aplique as apropriadas tcnicas matemticas de otimizao para o
problema.
P7. Aplique a anlise de sensibilidade da FO, isto , examine a sensilidade do
ponto de mnimo/mximo e o valor da FO s mudanas nos coeficientes
das funes e a alteraes nas variveis deciso.
Os passos P1, P2, P3 e P4 constituem a representao matemtica do
problema, exigindo que a equipe responsvel pela otimizao do sistema
tenha:
(a) muito conhecimento a respeito do processo,
(b) muita ateno e habilidades especficas em modelagem de processos.
Deve-se escolher um modelo o mais simples possvel (menor quantidade de
variveis, equaes constitutivas enxutas) que representa adequadamente o
sistema.
Executando a etapa P5 temos condies de saber sua ordem de grandeza e
de verificar como ela varia com determinada VD. O mapeamento da FO nem
sempre simples de realizar embora seja sempre desejvel.
A aplicao dos algoritmos de otimizao (passo P6) uma etapa simples,
desde que se tenha mo programas de computador j desenvolvidos e
testados. Porm se for necessrio implementar ou desenvolver um novo
algoritmo ser necessrio um grande esforo (tempo e recursos humanos).
Na etapa P7, validao dos resultados obtidos, essencial a participao de
engenherios e de tcnicos que conhecem (bem) o sistema/processo otimizado.
1.7.1. Mapeamento da Funo Objetivo
Antes de executar algum algoritmo de otimizao, interessante que seja
realizado o mapeamento da FO.

22
Veja o exemplo a seguir de uma funo Z de duas incgnitas (X,Y):
x = -8:.5:8 ;
y = x ;
[X,Y] = meshgrid(x,y) ;
R = sqrt(X.^2 + Y.^2) + eps ;
Z = sin(R)./R ;
Utilizamos as funes de traamento de grficos do MATLAB para mapear
de diversas maneiras a funo Z = seno(R)/R. Construimos os grficos
bidimensional (figura 1-d), tridimensional (figura 1-e), das curvas de nvel
(figura 1-f), combinao do grfico tridimensional com o das curvas de nvel
(figura 1-g), curvas de nvel pseudo-coloridas (figura 1-h).

23
whitebg
plot(x,Z)
-8 -6 -4 -2 0 2 4 6 8
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1

Figura 1-D: Grfico bidimensional

mesh(x,y,Z)
-10
-5
0
5
10
-10
-5
0
5
10
-0.5
0
0.5

Figura 1-E: Grfico tridimensional

c = contour(x,y,Z) ;
clabel(c);
-4
-2
0
2
4
6
8
-0.2
-0.2
0
0
0
0
0.2
0.4
0.6
0.8

Figura 1-F: Curvas de nvel

meshc(x,y,Z)

10 5
10
-0.5
0
0.5

Figura 1-G: Tridimensional com
curvas de nvel

24
pcolor(x,y,Z)
-8 -6 -4 -2 0 2 4 6 8
-8
-6
-4
-2
0
2
4
6
8

Figura 1-H: Curvas de nvel pseudo coloridas

Se a FO tem mais de duas VDs podemos:
(a) plotar vrios grficos da FO com relao a diferentes pares das variveis
de deciso,

25
(b) plotar um grfico bidimensional no qual a ordenada o valor da FO e na
abscissa os conjuntos de valores das variveis de projeto, Figura 1-I. Por
exemplo
[nl,nc] = size(Z) ;
VetorZ = [ ] ;
for i = 1 : nl
for j = 1 : nc
VetorZ = [ VetorZ ; Z(i,j) ] ;
end
end
whitebg
plot(VetorZ,'r')
0 200 400 600 800 1000 1200
0.4
0.2
0
0.2
0.4
0.6
0.8
1

Figura 1-I: Grfico dos valores alinhados de uma funo bidimensional
Quando existem muitas VDs o nmero de clculos e/ou de grficos para
mapear a FO fica proibitivo, por exemplo, para 5 variveis de deciso com 20
pontos para cada, o nmero de vezes que a FO ser avaliada 20
5
=
3.200.000.
1.7.2. Obstculos Otimizao
Se a funo objetivo (FO) e as funes de restries (FR) forem "bem
comportadas" a otimizao no apresenta grandes problemas. Particularmente
se a FO e as restries forem todas lineares est disponvel um poderoso
mtodo (Programao Linear) que resolve este problema de maneira
satisfatria. Entretanto muitos problemas de otimizao so no-lineares.
Muitos dos problemas prticos de otimizao em engenharia qumica
apresentam alguns das dificuldades abaixo:
P1. No disponibilidade de dados ou de um modelo matemtico confivel do
sistema.

26
P2. Descontinuidades da FO ou das FRs. Por exemplo, o preo de um
compressor ou trocador de calor no varia continuamente como uma
funo das dimenses, presso, temperatura, etc. pois o incremento de um
parmetro no afeta o custo em uma certa faixa de variao, porm para
uma outra faixa ocorre um salto no valor do equipamento.
P3. No-lineraridade da FO ou FR.
P4. A FO e a FR so definidas atravs expresses que contm complicadas
interaes entre as variveis de deciso. A interao impede a existncia
de um nico ponto timo.
P5. A FO ou a FR tem comportamento achatado ou exponencial em algumas
faixas de variao das variveis de deciso. Isto significa que o problema
pouco ou extremamente sensvel, respectivamente, a mudanas dessas
variveis.
P6. A FO apresenta muitos extremos locais perto da regio que contm o
extremo global.
Quando no possvel a aplicao dos mtodos de otimizao podemos:
(a) fazer um estudo de caso, isto , escolher criteriosamente um nmero
limitado de opes e analisar qual a melhor alternativa;
(b) fazer um estudo de sensibilidade, semelhante ao estudo de caso, apenas
mais sistematizado e com um nmero maior de casos a analisar.

27
1.8. Exerccios

E1.1. Crie uma nova funo de duas VDs acrescentando funo Z do tem
1.7.1 (pgina 21) um ruido randmico (a funo no MATLAB rand).
Construa grficos bidimensionais, tridimensionais e de contorno. Analise
os resultados obtidos assumindo que a nova funo Z uma FO.

E1.2. Desenvolva uma funo objetivo para otimizar seus rendimentos. No
esquea de estabelecer as restries impostas pelo sistema (patro,
esposa(o), filhos, etc).

E1.3. Dada a funo ( )
2
2 2 1
2
1
5 . 1 2 3 x x x x x f + + = construa seu grficos e ache o
ponto de mnimo.

E1.4. Dada a funo ( ) ( ) | |
2
2 1
2
1 2
3
1
10 exp x x x x x x f = , graficamente obtenha
o ponto de mximo. Estude a sensibilidade.

28
2. Conceitos Matemticos
A busca do ponto timo de uma FO baseada em conceitos matemticos
bem conhecidos e extensamente estudados. Neste captulo descreveremos e
aplicaremos alguns desses conceitos, porm no seremos matematicamente
formais. Vamos procurar compreender "intuitivamente" os conceitos
matemticos necessrios ao entendimento e utilizao dos algoritmos
numricos. Contudo se quisermos implementar algum algoritmo teremos que
"entrar no mundo do formalismo matemtico" e estudar com maior
profundidade lgebra linear, clculo diferencial, estatstica (para problemas de
reconcialiao de dados e de estimativa de parmetros) e clculo numrico.
A complementao dos tpicos aqui apresentados pode ser encontrada nos
livros de clculo, clculo numrico e/ou lgebra linear.
2.1. Definies
Uma matriz um conjunto de nmeros, smbolos ou funes dispostos em
linhas e colunas. Cada elemento de uma matriz A denominado a
ij
, onde o
subscrito i corresponde linha e o subscrito j coluna corresponde.
(
(
(
(
=
nm n n
m
m
m x n
a a a
a a a
a a a
A
L
M O M M
L
L
2 1
2 22 21
1 12 11

Equao 2-A
Se o nmero de linhas (n) for igual ao nmero de colunas (m) ento a matriz
denominada de matriz quadrada. Uma matriz quadrada particularmente
importante a matriz identidade I. Esta matriz tem todos os elementos iguais
a zero, exceto os da diagonal principal (a
ii
= 1, i = 1, ..., n), que so todos iguais
a 1 (um).
(
(
(
(
(
(
=
1 0 0 0
0 1
0 0
0 0 1 0
0 0 0 1
L
O M M
M O O
L
L
n x n
I
Equao 2-B

29
Vetores so um tipo especial de matriz e tem apenas uma linha ou uma
coluna.
(
(
(
(
=
n
nx
x
x
x
x
M
2
1
1

Equao 2-C
A transposta de uma matriz (A
T
) a matriz resultante da troca das linhas
pelas colunas da matriz original, ento o elemento a
ij
transforma-se no
elemento a
ji
. A transposta de um vetor linha um vetor coluna e vice-versa.
| |
n
T
x x x x
xn
L
2 1
1
=
Equao 2-D
2.2. Operaes Bsicas com Matrizes e Vetores
Igualdade: A = B se e somente se a
ij
= b
ij
, para todo i e j

Adio: A + B = C se e somente se c
ij
= a
ij
+ b
ij
, para todo i e j
A e B devem ter as mesmas dimenses

Multiplicao: A
n x m
x B
m x r
= C
n x r

O nmero de colunas da matriz A deve ser igual ao nmero de linhas da
matriz B. Cada elemento da matriz C obtido pelo somatrio do produto dos
elementos da i-sima linha da matriz A vezes os correspondentes elementos
da j-sima coluna da matriz B :
=
=
m
k
kj ik ij
b a c
1

Equao 2-E
Em geral a multiplicao de matrizes no comutativa, isto :
A B B A
Equao 2-F

30
Multiplicao de uma matriz por um escalar:
Cada elemento da matriz multiplicada pelo nmero escalar:
ij ij
b a s B A s = = .
Equao 2-G

Transposta de um produto de matrizes:
( )
T T T
A B B A =
Equao 2-H

Produto interno entre dois vetores:
Seja x e y dois vetores de dimenso n, ento
=
= =
n
i
i i
T
y x y x y x
1
,
Equao 2-I
=
=
n
i
i
T
x x x
1
2
um escalar
Equao 2-J
Se o resultado do produto interno entre dois vetores igual a zero, ento esses
vetores so ortogonais, em vetores bi ou tridimensionais isto significa que os
mesmos so perpendiculares entre si.

Inversa de uma matriz:
No existe a verso matricial da diviso escalar. Por definio a inversa de
uma matriz, necessariamente quadrada, a matriz tal que
I A A A A = =
1 1

Equao 2-K
onde I a matriz identidade
Um uso freqente da inversa de uma matriz para expressar um conjunto de
variveis em termos de um outro conjunto, uma operao importante em
problemas de otimizao com restries. Por exemplo:
x z A x A z = =
1

Equao 2-L

31

Determinante de uma matriz:
A funo determinante, ou simplismente o determinante de uma matriz
(necessariamente quadrada), denotado por det[A] ou |A|. um nmero
escalar indispensvel na investigao de sistemas de equaes lineares. No
iremos apresentar a definio do determinante, mas apenas como calcul-lo:
para uma matriz de dimenso 1, |A
1x1
| = a
11

para uma matriz de dimenso 2, |A
2x2
| = a
11
.a
22
- a
12
.a
21

para uma matriz de dimenso 3,
|A
3x3
| = a
11
.(a
22
.a
33
- a
23
.a
32
) - a
12
.(a
21
.a
33
- a
23
.a
31
) + a
13
.(a
21
.a
32
- a
22
.a
31
)
para uma matriz de dimenso n, utilize o comando do MATLAB: det(A)
Derivada de uma funo escalar de um campo vetorial:
Seja uma funo escalar de um vetor de n variveis f(x) , define-se vetor
gradiente ou simplismente gradiente de f(x) ao operador
( )
( )
( )
( )
|
|
|
|
|
.
|
\
|
= =

n
x
x f
x
x f
x
x f
x f
M
1

Equao 2-M
Define-se a matriz Hessiana ou simplesmente Hessiana(o) de f(x) , H(x) ,
matriz das derivadas segunda ordem de de f(x) :
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
= =

2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
2
2
n n n
n
n
x
x f
x x
x f
x x
x f
x x
x f
x
x f
x x
x f
x x
x f
x x
x f
x
x f
x
x f
x H
L
M O M M
L
L

Equao 2-N
Seja o vetor b , n x 1 , de coeficientes constantes ento
( ) ( )
b
x
x f
x
x f b
b
x
x b
T T
T
(
= =

Equao 2-O
Seja os vetores x e z , n x 1 , e a matriz A , n x n , a partir da definio dada
pela equao 2-m demonstra-se que:

32
( )
z A
x
z A x
T
=

Equao 2-P
e
( )
x A x A
x
x A x
T
T
+ =

Equao 2-Q
Se A simtrica vale a seguinte expresso
( )
x A
x
x A x
T
2 =

Equao 2-R
e a partir da equao 2-n, se A alm de simtrica for real, ento
( )
A
x
x A x
T
2
2
2
=

Equao 2-S
2.3. Independncia Linear, Matriz Singular e
Rank ou Posto de uma Matriz
Matriz cujo determinante igual a zero denominada de matriz singular. Isto
acontece quando todos os elementos de uma ou mais linhas (ou colunas) so
nulos ou quando uma ou mais linhas (ou colunas) da matriz tem uma
dependncia linear com outra(s) linha(s) [ou coluna(s)], isto , podemos
escrever uma linha (ou coluna) como uma funo linear de uma ou mais linhas
(ou colunas) da matriz.
Portanto se o determinante de uma matriz zero, esta matriz singular e
suas linhas ou colunas so linearmente dependentes. Para matrizes quadradas
linhas dependentes implicam em colunas dependentes.
Por definio as colunas da matriz A, a
j
, so linearmente independentes se
d a
j j
j
n
=
=
1
0 se e somente se d
j
= 0 qualquer que seja o j
Equao 2-T
A dependncia linear ocorre quando para algum valor no nulo de d
j
a
equao 2-t satisfeita.

33
O rank ou posto de uma matriz definido como o nmero de colunas
linearmente independentes (< n). Tambm pode ser entendido como a
dimenso da maior matriz quadrada no-singular obtida pelo particionamento,
de todas as maneiras possveis, da matriz original.
2.4. Operadores Linha ou Coluna
Operaes de multiplicao/diviso de uma linha (ou coluna) por um
escalar, bem como adio de uma linha (ou coluna) a outra linha (ou coluna)
no modificam o determinante de uma matriz.
Operaes nas linhas de uma matriz podem ser utilizadas para obter a
inversa da mesma. Para tanto, aumente a matriz quadrada A com a matriz
identidade I,
| | = A A
aug

Equao 2-U
ento pr-multiplique a matriz aumentada por A
-1

| | | |
1 1
= A A A
Equao 2-V
A equao 2-v demonstra que efetuando operaes-linha em A da matriz A
aug
,
de forma a transformar A na matriz I, e repetindo as mesmas operaes na
matriz I da matriz A
aug
, obtemos A
-1
na parte aumentada de A.
2.5. Soluo de Sistema de Equaes Lineares
Uma equao linear uma expresso da forma
b x a x a x a
n n
= + + L
2 2 1 1

Equao 2-W
Em muitos problemas de otimizao necessrio obter a soluo de
sistemas de equaes lineares. Considere que os elementos de uma matriz A,
de dimenso n x n, so os coeficientes de um sistema de n equaes e n
incgnitas:
b x A
b
b
b
x
x
x
a a a
a a a
a a a
n n nn n n
n
n
=
(
(
(
(
=
(
(
(
(
(
(
(
(
M M
L
M O M M
L
L
2
1
2
1
2 1
2 22 21
1 12 11

Equao 2-X

34
ento, para b 0 e se a matriz A for no singular, isto , se existir A
-1
, a
soluo da equao 2-x dada por
b A x
1
=
Equao 2-Y
Se o rank da matriz A
nxn
for n, ento existe uma nica soluo, ou seja o
sistema de equaes linearmente independente. Caso contrrio, ou seja, |A|
= 0, ento o sistema tem infinitas solues ou a soluo no existe.
Se b = 0, a equao 2-x tem duas solues:
a soluo trivial: x = 0
a soluo no-trivial: x 0, neste caso det[A] = 0
2.6. Graus de Liberdade
Seja um sistema com n incgnitas e r equaes
Se n > r o sistema tem gl = n - r graus de liberdade e para solucion-lo
tem-se que atribuir valores a gl variveis.
Se n = r o sistema no tem graus de liberdade; para sistemas lineares de
gl = 0 se o mesmo tiver soluo, ela nica; para sistemas de equaes
no lineares de gl = 0 nada se pode afirmar, por exemplo, a equao
seno(x) = 0 tem infinitas solues, enquanto uma equao do segundo grau
tem at duas solues.
Se n < r o sistema tem gl < 0 ; se o sistema linear ele est sobre-
determinado e deve-se eliminar algumas equaes para poder ser
solucionado; se o sistema no linear as (n - r) equaes a mais podem
ser utilizadas para encontrar possveis conjuntos viveis.
Da discusso acima verifica-se que os sistemas no-lineares so mais
complexos e conseqentemente de soluo mais difcil.
Para otimizar um sistema linear o mesmo deve ter graus de liberdade
(gl > 0). A otimizao se d atravs da escolha criteriosa, e por intermdio de
um algoritmo numrico, do valor de gl variveis que maximizem/minimizem
uma funo objetivo.
Para otimizar um sistema no-linear desejvel que o mesmo tenha graus
de liberdade (gl > 0), pois se gl = 0 a pesquisa do ponto timo ser apenas nas
solues do sistema de equaes, enquanto que para gl > 0 o algoritmo de
procura tem mais liberdade de agir.

35
2.7. Autovalores e Autovetores
Uma matriz A n x n tem n autovalores. Define-se um vetor no-nulo n x 1 ,
v, de autovetor, o qual esta associado com o autovalor da seguinte forma
v v A =
Equao 2-Z
Para cada autovalor corresponde um autovetor. Os autovalores e
autovetores fornecem informaes a respeito da natureza das funes em uma
otimizao.
Se todos os autovalores de uma matriz A so positivos (maiores que zero),
ento A positiva definida e tem inversa. Se todos os autovalores de uma
matriz A so negativos (menores que zero), ento A negativa definida.
Rearranjando a equao 2-z obtemos
( ) 0 = v I A
Equao 2-AA
cujas variveis desconhecidas so os autovalores e os autovetores v .
Devido o lado direito da equao 2-aa ser zero, duas solues so possveis:
a soluo trivial: v = 0
ou existe mais de uma soluo, ento det[A - I] = 0.
2.8. Estudo de Funo
Seja uma funo de uma nica varivel, f(x) , a condio necessria, mas
no suficiente, para que um ponto x*, que no esteja na fronteira do domnio da
funo, ou simplesmente ponto interno, seja ponto de mximo ou de mnimo
que a derivada da funo neste ponto seja nula.
Seja o ponto x* o ponto crtico ou ponto estacionrio isto f'(x*) = 0. Este
ponto pode ser um ponto de mximo, de mnimo ou de inflexo, veja a figura 2-
a.

36
0 100 200 300 400 500 600 700
0
500
1000
1500
2000
2500

Figura 2-A: Funo monovarivel

A condio suficiente para que x* seja um mnimo local que f'(x*) = 0 e
f''(x*) > 0, ou seja, se f'(x*) = 0 e f''(x*) > 0 ento x* ponto de mnimo.
Porm existem pontos de mnimo que no atendem a essa condio, da a
condio suficiente. Por exemplo em f(x).= x
4/3
, x* = 0 o ponto de mnimo,
embora f''(x*) no seja definido neste ponto.
A condio suficiente para que x* seja um mximo local que f'(x*) = 0 e
f''(x*) < 0, ou seja, se f'(x*) = 0 e f''(x*) < 0 ento x* ponto de mnimo.
Porm existem pontos de mnimo que no atendem a essa condio, da a
condio suficiente.
A condio necessria para que o ponto x* de uma funo multivarivel seja
estacionrio que todas as derivadas parciais da funo em relao s suas
variveis sejam nulas naquele ponto, isto , f'(x*) = 0
A condio suficiente para que o ponto x* de uma funo multivarivel seja
mnimo local que a matriz das derivadas parciais de segunda ordem da
funo em relao a todas as suas variveis seja positiva definida naquele
ponto, isto , H(x*) > 0.
A condio suficiente para que o ponto x* de uma funo multivarivel seja
mximo local que a matriz das derivadas parciais de segunda ordem da
funo em relao a todas as suas variveis seja negativa definida naquele
ponto, isto , H(x*) < 0.
Na seo 2.11 ser apresentado o conceito de matriz positiva (negativa)
definida. Por ora basta entender que existe um paralelo entre esse conceito e o
de derivada positiva (negativa) de segunda ordem de uma funo
monovarivel.

37
2.9. Continuidade de Funes
Em problemas de otimizao melhor que as funes e suas derivadas
sejam contnuas. Na figura 2-b vemos um grfico de uma funo descontnua,
enquanto que na figura 2-c temos uma funo contnua, mas com derivada de
1
a
ordem descontnua.

0 5 10 15 20 25 30 35
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
x 10
4

Figura 2-B: Funo descontnua

0 5 10 15 20 25 30
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000

Figura 2-C: Funo contnua com
derivada descontnua
Uma funo monovarivel continua no ponto x
o
se:
a) f(x
o
) existe
b) ) ( lim x f
o
x x
existe
c) ) ( ) ( lim
o
x x
x f x f
o
=

Uma funo de duas variveis contnua no ponto (x
o
,y
o
) se:
a) f(x
o
,y
o
) existe
b)
( ) ( )
) , ( lim
, ,
y x f
o o
y x y x
existe
c)
( ) ( )
( ) ( )
o o
y x y x
y x f y x f
o o
, , lim
, ,
=

Quanto mais afastada estiver a descontinuidade do ponto de mximo
(mnimo) da funo, mais facilmente este ponto encontrado.
Se uma funo no continuamente diferencivel, veja figura 2-c, mtodos
de otimizao que utilizam derivadas no podem ser empregados, pois a
derivada no definida nos pontos de descontinuidade de f(x).
Um exemplo de descontinuidade acontece no projeto de tubulaes. Existe
um nmero finito de dimetros de tudo disponveis para compra, veja figura 2-
d, portanto a escolha do dimetro recair entre uma dessas opes. Para
resolver esse problema existem duas alternativas:

38
a) considerar funes de restries discretas e realizar uma otimizao
discreta, neste caso os algotimos numricos so mais complexos;
b) considerar variaes contnuas para o dimetro da tubulao e aproximar o
resultado para a bitola mais prxima (ponto sub-timo), para fins de
engenharia este procedimento satisfatrio.
0 2 4 6 8 10
2
4
6
8
10
12
14
16
18
Di metros de tubos comerci almente di sponvei s
C
u
s
t
o

Figura 2-D: Custo de instalao de tubulao em funo do dimetro
2.10. Funes Unimodais e Multinodais
Na formulao de uma funo objetivo melhor, se possvel, escolher uma
unimodal (que tenha um nico ponto de mximo ou de mnimo) que uma
multinodal.
Numa funo unimodal o extremo local o extremo global; enquanto que
numa funo multinodal existem vrios extremos locais, um dos quais o
extremo global. Os mtodos numricos apenas detectam extremos locais.
2.11. Funes Cncavas e Convexas
Funes convexas e cncavas so unimodais.
A determinao da convexidade ou concavidade ajuda a estabelecer se um
extremo tambm o extremo global.
Uma funo denominada cncava (tem ponto de mximo, figura 2-e) em
uma certa regio R, se para todos os pares (x
a
,x
b
), pertencentes regio R,
( ) | | ( ) ( ) ( )
b a b a
x f x f x x f + + 1 1
Equao 2-BB
onde 0 < < 1 . A funo estritamente cncava se apenas a relao de
desigualdade (>) atendida.

39
Uma funo denominada convexa (apresenta ponto de mnimo, figura 2-f)
se na equao 2-bb o sinal de > for substituido por <, e estritamente convexa
se o sinal de desigualdade for <.
Intuitivamente, uma superfcie f(x) cncava se um segmento de reta que
une dois pontos desta superfcie esta sempre na ou sob a superfcie.
Similarmente f(x) convexa se um segmento de reta que une dois pontos
desta superfcie esta sempre na ou sobre a superfcie. Um plano (ou reta, ou
funo linear) uma funo convexa e cncava ao mesmo tempo, embora no
seja estritamente convexa ou cncava.
-30 -20 -10 0 10 20 30 40 50
-2500
-2000
-1500
-1000
-500
0
500

Figura 2-E: Funo cncava
-30 -20 -10 0 10 20 30 40 50
0
500
1000
1500
2000
2500
3000

Figura 2-F: Funo convexa

40
A equao 2-bb no uma maneira conveniente de testar a concavidade ou
convexidade de uma funo. Em seu lugar utiliza-se a segunda derivada de
f(x), W
2
f(x), freqentemente denominada de matriz de Hessian ou matriz
Hessiana de f(x) e denotada por H(x), uma matriz simtrica das derivadas de
segunda ordem de f(x).
Por exemplo, se f(x) uma funo quadrtica de 2
a
ordem
( )
2
2 22 2 1 12
2
1 11
x h x x h x h x f + + =
Equao 2-CC
a Hessiana dada por
( ) ( )
( ) ( )
( ) ( )
(
=
(
(
(
(
= =
22 12
12 11
2
2
2
1 2
2
2 1
2
2
1
2
2
2
2
h h
h h
x
x f
x x
x f
x x
x f
x
x f
x f x H

Equao 2-DD
Analogamente s funes monovariveis, a matriz das derivadas segundas
de uma funo multivarivel, ou seja a Hessiana, determina se uma funo tem
um mximo ou um mnimo em uma regio, ou seja, a matriz H(x) estabelece se
a funo cncava ou convexa numa dada regio, respectivamente.
Resumindo, dada uma funo objetivo f(x) a sua matriz Hessiana H(x)
determina a sua natureza:
1. Para f(x) ser estritamente convexa H deve ser positiva definida.
Para f(x) ser convexa H deve ser positiva semi-definida.
H positiva definida se e somente se x
T
Hx > 0 para todo x 0.
H positiva semi-definida se e somente se x
T
Hx > 0 para todo x 0.
Se todos os autovalores de H forem positivos (>0) ento H positiva
definida.
Se todos os autovalores de H forem no-negativos (>0) ento H positiva
semi-definida.
2. Para f(x) ser estritamente cncava H deve ser negativa definida.
Para f(x) ser cncava H deve ser negativa semi-definida.
H negativa definida se e somente se x
T
Hx < 0 para todo x 0.
H negativa semi-definida se e somente se x
T
Hx < 0 para todo x 0.
Se todos os autovalores de H forem negativos (<0) ento H negativa
definida.
Se todos os autovalores de H forem no-positivos (<0) ento H negativa
semi-definida.
3. H indefinida se x
T
Hx < 0 para alguns x e x
T
Hx > 0 para outros.
Se uma funo tem um ponto estacionrio onde a matriz Hessiana tem
autovalores negativos e positivos, a funo no cncava e nem convexa.
4. Para f(x) ser simultaneamente cncava e convexa H = 0, e neste caso f(x)
uma funo linear.

41
Algumas vezes utiliza-se o fato de que a soma de funes convexas
(cncavas) tambm uma funo convexa (cncava). Ou seja, podemos
analisar f(x) em termos das funes que a compe. Se uma funo
separvel, isto , f(x) = f
1
(x) + f
2
(x) , e se f
1
(x) e f
2
(x) so convexas
(cncavas) ento f(x) tambm convexa (cncava).
2.12. Regio Convexa
So raros os problemas prticos sem restries. As restries podem ser
impostas aos valores que as variveis de deciso podem assumir ou sobre a
prpria funo objetivo. Em geral as restries so expressas em termos de
equaes e/ou inequaes
( )
( ) , , 2 , 1 0
, , 2 , 1 0
K l l
l K
+ + =
= =
k para x g
e
k para x g
k
k

Equao 2-EE
importante o tipo da regio de busca definida pelo conjunto de restries
do problema. Regies convexas so mostradas na figura 2-g (a) e (b).

Figura 2-G: Regies convexas

42
Na figura 2-h vemos regies viveis no-convexas.

Figura 2-H: Regies no-convexas
Se uma regio completamente limitada por funes cncavas do tipo
g
i
(x) > 0 , ento uma regio convexa fechada. Por outro lado se a regio de
busca restrita por inequaes da forma g
i
(x) < 0 e convexas, ento uma
regio convexa aberta.
Encontramos muitas variaes quanto ao tipo e nmero de extremos de uma
FO e das suas FR's. No caso geral, necessrio encontrar todos os extremos
locais e compar-los para determinar o extremo global. Este procedimento nem
sempre exigido quando certas combinaes de FO's e FR's esto presentes.
Considere uma funo objetivo cncava restrita por uma regio convexa.
Como a FO cncava ela admite mximo local que tambm ser o mximo
global, pois se a regio convexa, na figura 2-i(a) e (b) observa-se que apenas
um ponto de mximo encontrado. Este, portanto o mximo local e global.
Observe que se a regio no for convexa existem vrios mximos locais, veja
figura 2-i(c), e a comparao entre os mesmos necessria. Similarmente para
uma funo convexa numa regio convexa, existir apenas um ponto de
mnimo.

43

Figura 2-I: Relaes entre FO's e regies viveis
Por outro lado pode existir mais de um ponto de mnimo numa FO cncava
numa regio convexa conforme mostrado na figura 2-i(b), ou mais de um
ponto de mximo numa FO convexa de uma regio convexa.
Funes lineares so ao mesmo tempo cncavas e convexas, portanto,
quando a regio de busca convexa, admite apenas um mximo e um mnimo
local.
Assim se a FO's e suas FR's so bem comportadas a procura do ponto
timo facilitada.
Se uma FO bem comportada para a maximizao no implica que ser na
minimizao e vice-versa. Assim a minimizao de funes cncavas e a
maximizao de funes convexas envolve mais de um ponto timo.
Se na figura 2-i(c ) a pesquisa do ponto timo comear pelo lado esquerdo
da regio vivel o ponto alcanado ser o mximo local (no global), por outro
lado se a busca for iniciada pelo lado direito ser atingido o mximo global.
Portanto, para uma regio no-convexa temos que comparar todos os pontos
extremos entre si para determinar o extremo global. Uma alternativa para
resolver este problema completar a regio no-convexa (rea amarela da
figura 2-j) de forma a torn-la convexa (rea amarela mais azul da figura 2-j) e
encontrar o extremo, que ser o global se estamos minimizando uma funo
convexa numa regio convexa, ou se maximizando uma funo convava numa
regio convexa..

44

Figura 2-J: Regio no-convexa transformada em convexa
2.13. Condies Necessrias e Condies Suficientes
para um Extremo de uma Funo Irrestrita
A maneira mais fcil de estabelecer as condies necessrias e as
condies suficientes para que um ponto x seja mnimo ou mximo atravs
da expanso em srie de Taylor da funo f(x) em torno do presumvel ponto
extremo x*
( ) ( ) ( ) ( ) ( ) ( ) x O x x f x x x f x f x f
T T
+ + + =

3
2
. .
2
1
.
Equao 2-FF
onde x = x - x* . Assumindo que todos os termos da equao 2-ff existem e
os termos de ordem igual ou superior a 3 so desprezveis, pode-se concluir a
respeito dos pontos estacionrios por intermdio das derivadas de f(x) .
Por definio, um mnimo local no ponto x* tal que nenhum outro ponto
nas vizinhanas de x* gera valores de f(x) menores que f(x*), ou
( ) ( ) 0

x f x f
Equao 2-GG
x* mnimo global se a equao 2-gg atendida para todo x pertencente
regio vivel. Analogamente, x* mximo local se
( ) ( ) 0

x f x f
Equao 2-HH
Examinando o segundo termo do lado direito da equao 2-ff:
T
f(x)x,
chega-se concluso que
T
f(x*) = 0 , pois como x assume valores
negativos e positivos, para que a condio de mnimo (equao 2-gg) ou de

45
mximo (equao 2-hh) seja sempre satisfeita, por menor que que seja x ,
T
f(x*) deve ser sempre nulo, seno essa condio seria violada, pois, para
valores muito pequenos de x ,os termos das derivadas de ordem igual ou
superior a 2 so desprezveis em relao ao elemento das derivadas de 1
a
.
Portanto para x* ser ponto estacionrio o gradiente de f(x) deve ser nulo em
x* ,
T
f(x*) = 0 . Essa condio apenas necessria pois o ponto x* pode ser
ponto de sela ou ponto de inflexo.
Se a condio necessria (
T
f(x*) = 0) atendida, ento
2
f(x*) deve ser
maior que zero para que x* seja ponto mnimo, pois a equao 2-gg deve ser
satisfeita mesmo para valores muito pequenos de x , e nesse caso os termos
de ordem igual ou superior a 3 da equao 2-ff so desprezveis em relao ao
termo da derivada 2
a
. Raciocnio anlogo com a equao 2-hh pode ser feito
para interpretar se um ponto estacionrio mximo.
Logo para x* ser ponto de mnimo,
T
f(x*) = 0 e
2
f(x*) > 0 . Essa condio
apenas suficiente pois pode ser que a 2
a
derivada no exista no ponto x* ,
apesar deste ser ponto de mnimo. Similarmente raciocina-se para o ponto de
mximo.
Se f(x*) = 0 e
2
f(x*) = 0 ento x* ponto de sela.
Resumindo as condies necessrias (CN1 e CN2 abaixo) e as condies
suficientes (CS3 e CS4) que garantem que x* um extremo so as seguintes:
CN1. f(x) seja uma vez diferencivel no ponto x* .
CN2. f(x*) = 0 , isto , x* seja um ponto estacionrio.
CS1. f(x) seja duas vezes diferencivel no ponto x* .
CS2.
2
f(x*) = H(x*) seja positiva definida para que um mnimo exista em x* ,
e seja negativa definida para que um mximo exista em x* .
Na tabela 2-a v-se um resumo das condies discutidas nesta seo.

46
Tabela 2-A
f(x*) H(x*) =
2
f(x*) x
T
.
2
f(x*).x Prximo de x*
f(x) -f(x)
Pode-se afimar
que
0 no ponto estacionrio
= 0 positiva
definida
> 0 > 0 existe mnimo
= 0 positiva semi-
definida
> 0 possivelmente
> 0
possivelmente
existe mnimo
= 0 negativa
definida
< 0 < 0 existe mximo
= 0 negativa semi-
definida
< 0 possivelmente
< 0
possivelmente
existe mximo
= 0 indefinida ambos > 0 e
> 0,
dependendo
de x
> 0, < 0 ou
nenhum dos
dois
nada se pode
afirmar
Observaes:
f(x) que o gradiente da funo f(x).
H(x) =
2
f(x) denominada de matriz Hessiana de f(x), ou simplesmente
Hessiano(a) de f(x).
Alguns autores denominam o determinante de
2
f(x) de Hessiano de f(x), ou
seja, H(x) = det[
2
f(x)] , porm esta no a nomeclatura adotada neste
trabalho.

47
2.14. Interpretao da Funo Objetivo em
Termos de uma Aproximao Quadrtica
Se uma funo de duas variveis ou pode ser aproximada por uma funo
quadrtica do tipo
( )
2 1 12
2
2 22
2
1 11 2 2 1 1 0
x x b x b x b x b x b b x f + + + + + =
Equao 2-II
ento os autovalores da matriz Hessiana de f(x) podem ser utilizados para
interpretar a natureza de f(x) nos pontos estacionrios x* . A tabela 2-b lista
as concluses que podem ser alcanadas examinando os autovalores de H(x*),
e as ilustram as diferentes superfcies correspondentes a cada tipo de funo
quadrtica.
Tabela 2-B: Interpretao geomtrica de uma funo quadrtica
Caso
Relao
entre os
autovalores
Sinal
1

Sinal
2

Tipo de
contorno
Interpretao
geomtrica
Ponto
estacionrio
Problema de
otimizao
Fig.
1
1
=
2
- - Crculo Monte circular Mximo
bem-comportado
e raro na prtica
2.11
2
1
=
2
+ + Crculo Vale circular Mnimo
bem-comportado
e raro na prtica
2.11
3
1
>
2
- - Elipse Monte elptico Mximo
bem-comportado
e mais freqente
2.12
4
1
>
2
+ + Elipse Vale elptico Mnimo
bem-comportado
e mais freqente
2.12
5 |
1
| = |
2
| + - Hiprbole Sela simtrica Ponto de sela degenerado 2.13
6 |
1
| = |
2
| - + Hiprbole Sela simtrica Ponto de sela degenerado 2.13
7
1
>
2
+ - Hiprbole Sela alongada Ponto de sela degenerado 2.13
8
2
= 0 - Reta
Condilheira
estacionria
Infinitos degenerado 2.15
9
2
= 0 + Reta
Vale
estacionrio
Infinitos degenerado 2.15
10
2
= 0 - Parbola
Cordilheira
crescente
No degenerado 2.16
11
2
= 0 + Parbola
Cordilheira
decrescente
No degenerado 2.16

Uma funo objetivo dita bem-comportada quando seus contornos formam
uma regio convexa.
Como mostrado na tabela 2-b os autovalores da matriz Hessiana de f(x)
indicam a forma da superfcie formada por f(x). Por sua vez os autovetores de
H(x) correspondem s direes dos principais eixos dos contornos de f(x). Esta
informao pode ser utilizada para definir direes de pesquisa mais eficientes.

48

Figura 2-K: Geometria de FO de 2
a
ordem de duas VDs: contornos
circulares

49

Figura 2-L: Geometria de FO de 2
a
ordem de duas VDs: contornos
elpticos

50

Figura 2-M: Geometria de FO de 2
a
ordem de duas VDs: ponto de sela

Figura 2-N: Geometria de FO de 2
a
ordem de duas VDs: vale

Figura 2-O: Geometria de FO de 2
a
ordem de duas VDs: cordilheira
decrescente

51
2.15. Exerccios
E2.1. Utilizando a definio de inversa de uma matriz, expresse o vetor x em
funo do vetor z.
z
1
= x
1
+ x
2

z
2
= 2x
1
+ x
2

E2.2. Utilizando a tcnica da matriz aumentada (operadores-linha) calcule a
inversa de A:

(
=
1 2
4 1
A
Compare a matriz A
-1
com a inversa calculada pelo comando inv(A) do
MATLAB.
E2.3. Calcule a soluo dos seguintes sistemas de equaes lineares: A x = b
(a)
(
=
(
=
0
1
;
2 1
1 2
b A
(b)
(
=
(
=
5
6
;
1 1
2 2
b A
(c )
(
=
(
=
3
6
;
1 1
2 2
b A
E2.4. Utilizando a equao det[A - I] = 0 calcule os autovetores e autovalores
da matriz
(
=
1 2
2 1
A . Compare os resultados com os obtidos pelo
comando [v,d] = eig(A)
E2.5. Determine os pontos estacionrios da funo f x
x x x
( ) =
+ + +
1
2 1
4 3 2
e
classifique-os.
E2.6. Verifique a regio na qual f(x) e f'(x) so contnuas:
a) ( )
x
x f
1
=
b) ( ) ( ) x x f ln =
E2.7. Estude a variao da funo f(x) = 2x
2
- x
3
, isto , estabelea as regies
de concavidades e/ou convexidades, calcule os pontos estacionrios e
obtenha o valor de de f(x) nesses pontos. Trace grficos de f(x).

52
E2.8. Determine a convexidade/concavidade das funes abaixo:
a) f(x) = 2x
1
2
- 3x
1
x
2
+ 2x
2
2

b) f(x) = x
1
2
+ x
1
x
2
+ 2x
2
+ 4
c) f(x) = 2x
1
+ 3x
2
+ 6
d) f(x) = 2x
1
2
+ 2x
1
x
2
+ 1,5x
2
2
+ 7x
1
+ 8x
2
+ 24
E2.9. Determine a regio vivel e verifique, atravs da Hessiana e de grficos,
se a mesma convexa ou no:
a) -x
1
2
+ x
2
> 1 ; x
1
- x
2
> -2 b) -x
1
2
+ x
2
> 1 ; x
1
- x
2
< -2
c) x
1
< 6 ; x
2
< 6 ; x
1
> 0 ; x
2
> 0 ; x
1
+ x
2
< 6
E2.10.Classifique os pontos estacionrios e verifique se as condies
necessrias e as suficientes so atendidas:
a) f(x) = x
4/3

b) f(x) = 4x
3

c) f(x) = x
1
3
+ x
2
2
- 3x
1
+ 8x
2
+ 2
d) f(x) = 4 + 4,5x
1
- 4x
2
+ x
1
2
+ 2x
2
2
- 2x
1
x
2
+ x
1
4
- 2 x
1
2
x
2

E2.11.Happel e Jordan (Chemical Process Economics, Marcel Dekker, New
York, 1975, p. 178) desenvolveram uma funo objetivo (custo) para
uma coluna de destilao:
f(n,P,R) = 14720(100 - P) + 6560R - 30,2PR + 6560 - 30,2P +
19,5n(5000R - 23PR +5000 - 23P)
0,5
+
23,2(5000R - 23PR + 5000 - 23P)
0,62

onde n o nmero de estgios tericos, R a razo de refluxo e P o
percentual de recuperao da corrente do fundo. Qual o ponto timo?
Neste ponto a FO convexa? Existe alguma regio no convexa nas
vizinhanas do ponto timo?
E2.12.Uma reao homognea converte 2 compostos orgnicos (A e B) num
produto P pelo aquecimento do meio reacional. Os reagentes podem ser
injetados no reator, enquanto que vapor passa por uma serpentina para
aquecer o meio reacional.

53
O produto P pode ser vendido a 50$/kg-mol. Para 1 kg-mol de
alimentao, o custo da alimentao (em $/kg-mol) uma funo da
frao molar de A (x
A
) e dado por f(x
A
) = 2 + 10x
A
+ 20x
A
2
. O custo do
vapor (em dolares) uma funo de S (kg de vapor/kg-mol de
alimentao) e g(S) = 1 + 0,003S + 2x10
-6
S
2
. O rendimento a P
dado por y
P
(x
A
,S) = 0,1 + 0,3x
A
+ 0,001S + 0,0001x
A
S , onde as unidades
de y
P
so kg-mol de P/kg-mol da alimentao. Pede-se
a) Obtenha a funo lucratividade (base de 1 kg-mol de alimentao) em
funo de
x
A
e S
b) Maximize a FO sujeita s seguintes restries: 0 < x
A
< 1 e
S > 0
c) Demonstre matematicamente se f uma funo cncava ou convexa?
d) A regio vivel convexa? Por que?

Ref.: Todos os exerccios foram extrados ou adaptados de Edgar, T. F. &
Himmelblau, D. M. "Optimization of Chemical Processes".

54
3. Formulao Matemtica de um Problema de
Otimizao
Podemos sub-dividir o problema de otimizao em trs etapas:
E1. Expresso em linguagem matemtica do problema.
Identificao das variveis de deciso (VDs) e das auxiliares (VAs,
todas as demais variveis e constantes)
Identificao do objetivo (FO)
Identificao das restries (FRs)
E2. Resoluo das equaes e obteno do(s) ponto(s) timo(s).
E3. Interpretao dos resultados.
Dessas trs etapas, sem dvida nenhuma, a primeira, ou seja, a formulao
matemtica do problema a mais difcil e crtica. Difcil pois requer um
profundo conhecimento do sistema a ser otimizado e o levantamento de
informaes nem sempre disponveis ou quantificveis de maneira precisa.
Crtica porque as demais etapas dependem dela.
O desenvolvimento da funo objetivo e de suas restries requer que
sejam arbitradas hipteses simplificadoras, que preservem as principais
caracterstivas do sistema e que possibilitem a resoluo do problema. Ou seja,
deve-se estabelecer um modelo matemtico simultaneamente simples e fiel
aos fenmenos do sistema. No existe um procedimento padronizado para
desenvolver um modelo matemtico de um sistema. Na verdade esta tarefa
uma arte que deve ser aprendida a partir da realizao de vrios exerccios e
exemplos.
A resoluo do problema de otimizao se resume a aplicao de algoritmos
numricos adequados a cada classe de problemas. Esta tarefa no
complicada, embora o desenvolvimento e implementao de novos algoritmos
o seja. Porm j esto comercialmente disponveis timos "pacotes
computacionais":
PCO1. IMSL (International Mathematical and Statistical Library),
PCO2. NAG (Numerical Algorithms Group),
PCO3. HARWELL,
PCO4. NUMERICAL RECIPES in C, FORTRAN, PASCAL,
PCO5. TOOLBOX DE OTIMIZAO DO MATLAB.
Neste curso ficaremos mais interessados em aplicar corretamente os
algoritmos implementados no MATLAB.
A interpretao dos resultados obtidos outra etapa que requer muita
ateno e conhecimento a respeito do sistema. Por exemplo, quando existe a

55
multiplicidade de pontos extremos a escolha do melhor pode recair sobre um
extremo local diferente do global, mas que apresente caractersticas mais
apropriadas para o sistema.
Como foi dito no Captulo 1, a expresso matemtica de um problema de
otimizao tem duas partes:
P1. a funo objetivo (FO), ou seja, o critrio de desempenho a ser atingido,
cuja especificao obrigatria;
P2. as restries ou funes de restrio (FR), que esto quase sempre
presentes.
De maneira geral as restries podem ser escritas sob a forma de
equaes (algbricas ou diferenciais) e/ou inequaes (algbricas ou
diferenciais).
Genericamente o problema de otimizao pode ser formulado da seguinte
forma
( )
( ) 0 e/ou
0 a sujeito
) ( min
=
x h
x g
x f
x

Equao 3-A
Para resolver os problemas linearres ou no-lineares de otimizao com ou
sem restries existem inmeros mtodos numricos. Nos captulos 4, 5, e 6
descreveremos alguns dos algoritmos mais utilizados nos problemas de
engenharia qumica.
Nas sees 3.1, 3.2 e 3.3 estudaremos como definir a FO e suas FR's.
3.1. A Funo Objetivo (FO)
Devemos ser capazes de traduzir expresses verbais do tipo maximizao
do lucro ou minimizao dos custos em termos matemticos. Devemos
expressar a FO em termos de unidades monetrias ou em unidades
quantificveis, e omitir expresses filosficas do tipo "construir um mundo
melhor" ou "desenvolver uma sociedade mais humana". Tambm no
trataremos de problemas que envolvem mltiplas funes objetivos.
Na definio da FO podemos considerar apenas objetivos econmicos
(maximizar a lucratividade, por exemplo) ou apenas objetivos operacionais
(diminuir a diferena entre o valor desejado e o valor medido na operao de
um equipamento) ou combinar os dois tipos de objetivos numa nica FO.
Todos os procedimentos numricos de otimizao requerem que seja
definido um critrio de parada ou tolerncia, pois a soluo exata nunca
encontrada, mas apenas uma aproximao da mesma.

56
3.1.1. Tolerncia ou Critrio de Parada
Como dissemos anteriormente, o ponto timo obtido est numa vizinhana
do timo verdadeiro. Esta vizinhana pode ser to pequena quanto a preciso
das informaes utilizadas, mas sempre ser necessrio arbitrar tal
aproximao, isto , a tolerncia.
Um dos seguintes critrios podem ser utilizados para interromper os
processos iterativos de procura do ponto timo:
Erro absoluto na FO:
( ) ( )
1
1
<
+ k k
x f x f
Equao 3-B
Erro relativo na FO:
( ) ( )
( )
2
1
<
+
k
k k
x f
x f x f

Equao 3-C
Erro absoluto no ponto timo:
n i x x
k
i
k
i
<
+
3
1

Equao 3-D
ou
( )
4
1
2
1 1
< =

=
+ +
n
i
k
i
k
i
k
i
k
i
x x x x
Equao 3-E
Erro relativo no ponto timo:
n i
x
x x
k
i
k
i
k
i
<
+
5
1

Equao 3-F
Erro absoluto na direo de busca:
( )
( )
n i
x
x f
x f
n
i
x
k
k
<
(
(
=

=
6
2
1

Equao 3-G
Na verdade devemos utilizar no mnimo 2 critrios para caracterizar que as
tolerncias especificadas foram alcanadas.

57
3.1.2. Objetivos Econmicos
A FO pode ser escrita em relao ao lucro e/ou custo, ou simplesmente em
termos da lucratividade de um dado projeto.
O termo lucratividade utilizado para mensurar a quantidade de lucro
gerado, tal medida pode ser expressa de diferentes maneiras. Qual a forma
mais adequada depende do ambiente onde esta inserido o problema.
Para desenvolver uma FO que leve em conta a lucratividade de um dado
empreendimento necessrio compreender conceitos tais como depreciao,
fluxo de caixa, custos de capital, custos operacionais, valor presente e valor
futuro, inflao, vida econmica, investimento inicial, capital de giro, taxa de
retorno de investimento, valor presente lquido, tempo de retorno, etc.
Infelizmente no temos tempo para discutir com profundidade tais temas e por
isso no os trataremos, com excesso para os custos de capital e
operacional que abordaremos a seguir.
Podemos estabeler os seguintes objetivos econmicos:
OE1. A minimizao dos custos ou maximizao dos lucros operacionais.
OE2. A minimizao dos custos de investimento (ou de capital).
OE3. A minimizao de uma funo que inclua os custos de capital e
operacional.
A primeira categoria de funes objetivo (OE1) envolvem apenas custos
variveis e a receita com as vendas e encontrada em situaes onde o custo
de capital uma quantia fixa (os equipamentos j esto comprados e
funcionando).
A segunda categoria (OE2) aparece em situaes onde no existem custos
variveis, por exemplo, em muitos problemas de projeto mecnico de
equipamentos.
A terceira categoria (OE3) inclue simultaneamente custo de capital e custo
operacional. Por exemplo na deciso de implantar uma nova fbrica ou ampliar
uma j existente. Este tipo de problema mais complexo e difcil de
equacionar.
O Exemplo 3.1 apresenta um problema de otimizao cuja FO funo
apenas dos custos operacionais.

Exemplo 3.1: FO funo apenas dos custos e receitas operacionais.
Tempo timo de campanha de um reator cataltico.
Considere um ciclo de operao de um reator cataltico que sofre regenerao
peridica de seu leito. Seja x
1
o nmero de dias nos quais o catalisador
utilizado no reator e x
2
o nmero de dias necessrios para a regenerao.
Portanto cada ciclo dura x
1
+ x
2
dias.
As seguintes hipteses podem ser consideradas:

58
H.1. A operao do reator apenas pode ser inicializada no turno da manh,
portanto x
1
+ x
2
deve ser um nmero inteiro.
H.2. Vazo constante de alimentao do reator q [=] kg/dia
H.3. Custo constante da matria-prima C
1
[=] $/kg
H.4. Valor constante do produto C
2
[=] $/kg
H.5. Custo constante de regenerao C
3
[=] $/ciclo de regenerao
H.6. Atividade cataltica (A) obedece a equao A = 1 - K.x
1

onde A a frao massica convertida de matria-prima , 1 a atividade
no incio da operao do reator, K um fator constante. q.A a
quantidade de matria-prima convertida em produto em um dia.
H.7. Custo da separao entre reagente e produto desprezvel.
H.8. Custo de recirculao de reagente negligencivel.
Desenvolva uma funo objetivo em relao ao custo e receita operacional e
encontre o ponto timo. Para x
2
= 2 , K = 0,02 , q = 1000 , C
1
= 0,4 , C
2
= 1 ,
C
3
= 1000 qual o valor de x
1
opt
.
Soluo: Identificao da VD: Exceto x
1
, todas as demais variveis so fixas,
portanto esta a varivel de deciso.
Identificao do objetivo: Para um ciclo completo de operao e
regenerao (x
1
+ x
2
), a FO definida como a maximizao do lucro
dirio (receita - despesa) pode ser escrita como:
maximizar o Lucro/dia
Onde:
Lucro/dia=(receita diria)-(custo dirio matria-prima)-(custo dirio
regenerao)
Lucro/dia = f(q,x
1
,x
2
,C
1
,C
2
,C
3
,A)
receita diria = (preo de venda do produto) x (produo diria)
(produo diria) = (produo total)/(nmero total de dias)
(produo diria) = (q.A
med
.x
1
)/(x
1
+ x
2
)

( )
2
1
2
1
2
1
2
1
1
0
1 1
0
1
0
1
1
1
1
1
1
x
K
x
x
K x
x
dx Kx
dx
Adx
A
x
x
x
med
=
= =

custo dirio matria-prima=(preo matria-prima)x(consumo dirio
matria-prima)
consumo dirio matria-prima = (consumo total) / (nmero total de
dias)
consumo dirio matria-prima = q.x
1
/(x
1
+ x
2
)

59

custo dirio regenerao=(custo de regenerao por ciclo)/(nmero
total dias)
Portanto a FO :
( )
2 1
3 1 1 1 2
2 1
3
2 1
1 1
2 1
1 2
3 2 1 2 1
, , , , , ,
x x
C qx C x qA C
x x
C
x x
qx C
x x
x qA C
A C C C x x q f
med med
+

=
+
+
=
Identificao das restries: No existem restries.
Para encontrar o ponto timo temos que derivar a FO em relao a x
1

e igualar a zero, e resolvendo para x
1
encontramos

2
2
3
2
2 1
2
2
2 1 1
2
x
qC
C
C
x C
x
K
x x x
opt
|
|
.
|
\
|
+ |
.
|
\
|
+ = =

Para x
2
= 2 , K = 0,02 , q = 1000 , C
1
= 0,4 , C
2
= 1 , C
3
= 1000 ,
ento x
1
opt
= 12,97 . Obviamente x
1
uma varivel inteira, logo x
1
opt

deve ser aproximada para 13 , este procedimenteo satisfatrio se
x
1
opt
assume valores elevados (12, 13, 14, 15, etc.), mas
inapropriado se x
1
opt
est em torno de 1, 2 ou 3, neste caso devemos
redefinir x
1
para unidades tais como horas ou turno.

O Exemplo 3.2 trata do caso em que apenas o custo de capital importante.

Exemplo 3.2: FO funo apenas dos custos de capital.
Projeto de um vaso de presso.
Suponha que ns queremos encontrar a configurao tima que minimiza os
custos de investimento num vaso cilndrico de presso. O volume (V) desse
vaso conhecido e fixo. Desenvolva uma FO conveniente para este problema.
Encontre a relao tima entre altura (L) e dimetro (D), (L/D)
opt
, e compare o
resultado obtido com o critrio emprico de projeto (L/D)
opt
= 3 .
Soluo: Identificao da(s) VDs: obviamente so a altura L e o dimetro D .
Identificao do objetivo: Para um ciclo completo de operao e
regenerao A FO pode ser definida como:
minimizar o custo de fabricao do vaso de presso
Para matematizar a expresso da FO temos que inicialmente
estabelecer algumas hipteses simplificadores da geometria do vaso
H1. Topo e fundo planos.
H2. Paredes (lateral, topo e fundo) tem espessura (t) e massa
especfica () constantes, e a espessura no depende da
presso.
H3. O custo de fabricao da lateral, do fundo e do topo o mesmo,
em S ($/unidade de peso).

60
H4. No existe perda de material durante a fabricao do vaso, pois
existem chapas de metal de todas as dimenses
Admitindo as hiptese H1-4 o custo do vaso fica apenas em funo da
quantidade de material empregada na fabricao do mesmo:
custo = S x (peso do material empregado na fabricao do vaso)
e a expresso matemtica da FO :
( ) $ em custo de unidade em
4
2 , , , , onde
min
2
1
1
, , , ,
t DL
D
S L D t S f
f
L D t S
|
|
.
|
\
|
+ =

Como S, e t so constantes ento a FO tambm pode ser
( ) peso de unidades em
2
, , , onde
min
2
2
2
, ,
t DL
D
L D t f
f
L D t
|
|
.
|
\
|
+ =

ou
( ) area de unidades em
2
, onde
min
2
3
3
,
|
|
.
|
\
|
+ = DL
D
L D f
f
L D

Note que as trs FO's diferem apenas de fatores multiplicativos
constantes, portanto a incluso ou no desses fatores apenas afetar
o valor da FO, mas no alterar o valor das variveis de projeto.
Logo, por simplicidade, utilizaremos a FO em unidades de rea.
Como o volume do vaso cilndrico constante existe uma relao
entre altura e dimetro do mesmo:
V D
L L
D
V
2
2
4
4
= =
Assim existe apenas uma varivel de deciso e podemos reescrever a
FO da seguinte forma
( ) area de unidades em
4
2
onde
min
2
4
4
|
|
.
|
\
|
+ =
D
V D
D f
f
D

Identificao da(s) restries: no existem restries.
Para encontrar o ponto timo temos que diferenciar f
4
em relao a
varivel de projeto igualar a zero, resultando em

61
1
D
L
seja ou
4
emente consequent e,
4
3 / 1
3 / 1
= |
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
=
opt
opt
opt
V
L
V
D

Logo a razo (L/D)
opt
obtida significativamente diferente da
esperada (L/D = 3). Esta diferena pode ser devida a escolha de
hipteses inapropriadas.
Brummerstedt (1944)
#
e Happel e Jordan (1975)
@
desenvolveram
hipteses mais realistas para o problema do dimensionamento de
vasos de presso:
H1. Topo e fundo tem o formato de elipses 2:1, com uma rea dada
por 2(1,16D
2
) = 2,32D
2

H2. Custo de fabricao das extremidades maior que para a
lateral; Happel sugere um fator de 1,5.
H3. O custo de fabricao por unidade de peso S ($/unidade de
peso) e massa especfica () so constantes.
H4. A espessura t funo do dimetro do vaso, do esforo a que
o ao ser submetido, da presso e da corroso admissveis.
Por exemplo, para uma presso de projeto de 250 psi (17 atm) e
uma corroso prevista de 1/8 in, a espessura t (em polegadas)
em funo do dimetro D (em ps):
t = 0,0108D + 0,125
Identificao da(s) variveis de deciso: considerando as discusses
anteriores a nica VD o dimetro D do vaso.

#
Brummerstedt, E. F., Natl. Pet. News, 36, R282, R362, R497 (1944).
@
Happel, J. e D. G. Jordan, Chemical Process Economics, 2
a
. edio, Marcel Dekker, New
York (1975).

62
Identificao do objetivo: o mesmo anterior, ou seja, minimizar o
custo de fabricao do vaso de presso
As novas hipteses foram a FO a ser expressa em dlares, pois a
rea ou o peso no so mais diretamente proporcionais ao custo,
assim a nova FO
( ) ( ) | | $ em custo de unidade 32 , 2 5 , 1 , , , , onde
min
2
5
5
, , , ,
t DL D S L D t S f
f
L D t S

+ =

Substituindo t(D) em f
5
e lembrando que S e so constantes e
que
|
.
|
\
|
+ =
3 4
2
D
L
D
V

obtemos
( ) $ em custo de unidade 0263 , 0 3041 , 0 5 , 0 0432 , 0
min
3 2
6
6
D D
D
V
V D f onde
f
D
+ + + =

Ao solucionar este problema para diferentes nveis de presso Happel
apresentou a seguintes solues:

Ponto timo: (L/D)
opt

Presso de projeto
(psi)
Capacidade (ft
3
) 100 250 400
2500 1,7 2,4 2,9
25000 2,2 2,9 4,3

Observe que o ponto timo se aproxima da razo 1 medida que a
presso e a capacidade do tanque diminuem e que o valor emprico
(L/D = 3) pode estar errado em 50 % em relao ao (L/D)
opt
.
Ainda necessria uma interpretao cautelosa desses resultados
pois no foram consideradas as perdas de material durante a
fabricao.

Consideremos agora um exemplo que leva em conta os custos de capital e
operacionais.

63

Exemplo 3.3: FO funo dos custos de capital e operacionais.
Especificao da espessura tima de um isolamento.
Suponha que ns queremos encontrar a espessura do isolamento para uma
tubulao. Neste caso necessrio considerar os custos de investimento e a
da energia economizada devido ao incremento do isolamento. Neste exemplo
iremos determinar a espessura tima de isolamento para uma tubulao larga
que contm um lquido aquecido. Rubin (1982)
&
apresentou tabelas que
mostram a espessura econmica de isolamento como uma funo da
dimenso da tubulao, custo de combustvel e temperatura do tubo, baseado
num ambiente com ventos a 7.5 milhas por hora (12 km/h) a 60
o
F (15,5
o
C).
Hipteses:
H1. A taxa de perda de calor por um cilindro largo e isolado, no qual a
espessura de isolamento muito menor que o dimetro do cilindro e que
o coeficiente de transferncia de calor do lado de dentro do tubo
grande, pode ser aproximado por:
c
h k
x
T A
Q
1
+
= (a)
onde:
T - diferena mdia de temperatura entre o fluido e o ambiente [=]
o
F
A - rea da superfcie do tubo [=] ft
2

x - espessura do isolamento [=] ft
h
c
- coeficiente externo de transferncia de calor [=] Btu/(h.ft
2
.
o
F)
k - condutividade trmica do isolante [=]Btu/(h.ft.
o
F)
Q - perda de calor [=] Btu/h
Todos os parmetros na Equao (a) tem valor fixo, exceto x a varivel
a ser otimizada (varivel de deciso).
H2. O custo de instalao do isolamento por unidade de rea pode ser
expresso por F
0
+ F
1
.x , onde F
o
e F
1
so constantes (F
o
= custo fixo
de instalao e F
1
= custo varivel por espessura do isolamento em ft).
H3. O isolamento tem um tempo de vida de 5 anos e deve ser trocado ao
final deste perodo.
H4. A verba para compra e instalao do isolamento obtida por
emprstimo e ser paga em 5 prestaes anuais.
Defina:
r como a frao do custo de instalao que ser pago a cada ano ao
banco. O valor de r depende da taxa de juros do emprstimo (r > P/5).

&
Rubin, F. L., "Can you Justify more Piping Insulation," Hydrocarbon Process, p. 152 (July,
1982).

64
Alternativamente, pode-se utilizar verbas prprias, e neste caso um taxa
mnima de retorno deve ser especificada.
H
t
($/10
6
Btu) o custo de reposio do calor perdido
Y o nmero de horas de operao por ano.
Formule uma funo objetivo para maximizar a lucratividade da instalao do
isolamento. Obtenha uma soluo analtica para x
opt
.

Soluo: Identificao dos variveis de deciso: espessura do isolamento.
Identificao do objetivo: FO pode ser definida como
maximizar a economia de energia menos o custo anual do isolamento.
Temos que inicialmente estabelecer uma unidade comum a todos, por
exemplo, $/ano. Assim o pagamento por ano (P) que deve ser feito ao
banco
( )A x F F r P
1 0
+ = (b)
A energia economizada devido ao isolamento pode ser calculada a
partir da diferena entre o calor perdido com (Q) e sem isolamento
[Q(x = 0) ou Q
0
]:
c
c
h k
x
T A
T A h Q Q
1
0
+
= (c)
Assim a expresso matemtica da FO (em dlares por ano)
( )
( ) ( ) ( ) r A x F F H Y Q Q x r F F k T A h f
x r F F k T A h f
t c
c
x
. . . . , , , , , , , onde
, , , , , , , min
0 0 0 1 0
1 0
+ =
(d)

Substituindo (c ) em (d), diferenciando f em relao a x e igualando
a zero, obtemos:
(
(
|
|
.
|
\
|
=
c
t opt
h r F k
T Y H
k x
1
. . . 10
. .
1
6
(e)

65
3.1.3. Objetivos Operacionais
Podemos ainda escrever funes objetivos que minimizem o tempo de
processamento, ou maximizem a produo, ou minimizem a diferena entre o
valor desejado e o valor medido das variveis de processo. Em todos esses
casos no consideramos o custo, ou lucro, ou qualquer outro valor econmico,
mas apenas critrios tcnicos.
No Exemplo 3.4. temos um problema de reconciliao de dados, que nada
mais que um problema de otimizao cuja FO leva em conta apenas
objetivos operacionais.

Exemplo 3.4: FO funo apenas de um objetivo operacional/tcnico.
Reconciliao de dados de Processos.
Suponha que as vazes de alimentao e descarga de um processo so
medidas periodicamente. Determine o melhor valor da vazo mssica da
corrente A (M
A
) em kg/h para o processo mostrado na figura 3-p. As correntes
B e C foram medidas em intervalos de 1 hora.

Figura 3-P: Diagrama de blocos do processo do Exemplo 3.4.
Soluo: Identificao da(s) variveis de deciso: obviamente M
A

Identificao do objetivo: A FO pode ser definida como:
minimizar a soma dos quadrados dos desvios entre M
A
medido e
esperado
estabelecer algumas hipteses simplificadores do sistema:
H.1. O processo est em estado estacionrio.
H.2. As medies das correntes B (M
B
) e C (M
C
) esto corretas.
Modelo do processo (balano de massa): o que entra = o que sai
M
A
+ M
C
= M
B
(a)
ento a FO pode ser escrita como:
M
B1
= 92,4 kg/h
M
B2
= 94,3 kg/h
M
B3
= 93,8 kg/h
A B
C
M
C1
= 11,1 kg/h
M
C2
= 10,8 kg/h
M
C3
= 11,4 kg/h
Planta

66
( )
( ) ( ) | |
=
=
exp .
1
2
min
no
i
C B
rec
A A
A
M
i i
A
M M M M f onde
M f
(b)
para os dados deste problema:
f(M
A
) = [M
A
- (92,4 - 11,1)]
2
+ [M
A
- (94,3 - 10,8)]
2
+ [M
A
- (93,8 -
11,4)]
2
(c)
Diferenciando (c) em relao a M
A
e igualando a zero, obtemos M
A
opt

= 82,4.
Neste caso M
A
opt
= M
b
med
- M
C
med

O valor mnimo que f(M
A
) pode alcanar zero.
Outros mtodos de reconciliao de balanos de massa e energia so
discutidos por Tamhane e Mah (1985)
@
.

No Exemplo 3.5. temos outro caso de FO com critrio apenas
tcnico/operacional.

Exemplo 3.5: FO funo apenas de um objetivo operacional.
Tempo de residncia timo de um reator a batelada.
O esquema reacional abaixo acontece num reator a batelada bem agitado.

Para as concentraes iniciais e constantes das taxas
C
Ao
= 50 g-mol/L k
1
= 2,0 h
-1

C
Bo
= 5 g-mol/L k
1
= 1,0 h
-1

C
Co
= 0 g-mol/L k
1
= 0,2 h
-1

C
Do
= 0 g-mol/L k
1
= 0,6 h
-1

calcule o tempo de residncia timo para obter um mximo rendimento a C
B
.
Soluo: Identificao das variveis de deciso: a priori k
1
, k
2
, k
3
, k
4
, C
A
, C
B
,
C
C
, C
D
e tempo de residncia

@
Tamhane, A. C., e R. S. H. Mah, "Data Reconciliation and Gross Error Detection in a
Chemical Process Network", Technometrics, 27: 409 (1985).
B A
C
D
k
1

k
2

k
3

k
4

67
Identificao do objetivo: A FO pode ser definida como
maximizar a concentrao do produto desejado B
ou
( ) max C k k k k C C C C t
B A B C D 1 2 3 4
, , , , , , , , (a)
estabelecer algumas hipteses simplificadores do sistema:
H1. O sistema no troca massa com o meio.
H2. Reator opera isotermicamente.
H3. Equaes das taxas de 1
a
ordem.
H4. Reao em fase lquida, portanto podemos admitir volume
constante.
Modelo do processo
balano de massa por componente: acmulo = formado - consumido
A B
A
C k C k
dt
dC
1 2
= (b)
B A
B
C k k k C k
dt
dC
) (
4 3 2 1
+ + = (c)
B
C
C k
dt
dC
3
= (d)
B
D
C k
dt
dC
4
= (e)
balano de massa global: massa inicial = massa final
ou, lembrando que os coeficientes estequiomtricos das reaes so
todos iguais, em termos do nmero de moles, o balano global pode
ser escrito como:
n
o
moles inicial = n
o
moles final
Lembrando ainda que o volume reacional constante, o balano
global pode ser escrito em termos da concentrao dos reagentes e
produtos como:
concentrao inicial reag. + prod. = concentrao final reag. + prod.
ou
C
Ao
+ C
Bo
+ C
Co
+ C
Do
= C
A
+ C
B
+ C
C
+ C
D
(f)
Queremos apenas encontrar o tempo de residncia que maximiza C
B
,
portanto tentaremos escrever a C
B
como uma funo apenas do
tempo.
Resolvendo a equao (c ) para C
A

68
( )
(
+ + + =
B
B
A
C k k k
dt
dC
k
C
4 3 2
1
1
(g)
Diferenciando (g) em relao ao tempo
( )
(
+ + + =
dt
dC
k k k
dt
C d
k dt
dC
B B A
4 3 2
2
2
1
1
(h)
Substituindo (g) e (h) em (b) obtemos uma equao de segunda
ordem linear homognea em C
B
:
( ) ( ) | | 0
2 1 4 3 2 1 4 3 2 1
2
2
= + + + + + + +
B
B B
C k k k k k k
dt
dC
k k k k
dt
C d
(i)
cuja soluo, para este caso em que as raizes da equao
caracterstica so reais e distintas, dada por
( )
e e
t t
B
t C
2 1
2 1

+ = (j)
onde
1
e
2
so as razes da equao
m
2
+ (k
1
+ k
2
+ k
3
+ k
4
).m+[k
1
(k
2
+ k
3
+ k
4
) - k
1.
k
2
] = 0 (k)
As constantes
1
e
2
so obtidas aplicando as condies iniciais s
equaes (j) e (g).
Substituindo os valores numricos nas respectivas variveis,
encontramos
1
= 37,940
2
= -32,940
1
= - 0,482
2
= - 3,318
Finalmente diferenciando (j) em relao a t e igualando a zero
obtemos o ponto t
*
que maximiza C
B
:
t
*
= 0,63 h ; C
B
*
= 23,04 g-mol/L

Um outro tipo de FO que depende apenas de objetivos operacionais aparece
em problemas de controle timo e de controle preditivo
com otimizao on-

line.
Em um sistema de controle impossvel eliminar por completo as
diferenas entre os valores desejados ou setpoints (SPs) e os valores

Maiores informaes sobre controle preditivo pode ser encontrado em DMC: Controle por
Matriz Dinmica. Apstila de Curso Ministrado na Copene de autoria de Ricardo de Arajo
Kalid e Darci Odloak, setembro de 1994.

69
medidos das variveis controladas ou variveis de processo (PVs), portanto
os sistemas de controle procuram minimizar essas diferenas, ou seja
( ) ( ) t PV t SP min
Equao 3-H

A barra embaixo das variveis indica que a varivel um vetor, quando o
sublinhado for duplo indica matriz, pois no caso geral e mais freqente o
sistema de controle MIMO (multiple-input-multiple-output).
Contudo a manipulao matemtica da funo mdulo muito complexa,
por isso prefervel escrever a funo objetivo atravs de uma funo
quadrtica. Assim a equao 3-h transformada em:
( ) ( ) | | { }
2
min t PV t SP
Equao 3-I
ou
( ) | | { } ( ) | | ( ) | | { } t E t E t E
T
min min
2

Equao 3-J
onde
E SP PV = vetor dos desvios (erro) entre o valor desejado e os valores previstos
Porm atender a equao 3-j pode significar aplicar uma energia muito
grande ao processo, ou seja as MVs assumiriam valores muito grandes (ou
pequenos) que violariam as restries de qualquer sistema fsico. Para
amenizar este problema acrescentamos funo objetivo um termo que limite
a variao das MVs:
( ) | | ( ) | | ( ) | | ( ) | | { } t MV W t MV t E W t E +
2
T
1
T
min
Equao 3-K

onde W
1
matriz diagonal que define a importncia relativa das PVs entre
si
W
2
matriz diagonal que limita a variao das MVs
3.1.4. Combinao de Objetivos Operacionais com Objetivos
Econmicos
Podemos ainda acrescentar funo objetivo descrita pela equao 3-k
critrios econmicos, como por exemplo minimizao dos custos operacionais
(minimizar consumo de utilidades ou de energia), desta forma o objetivo do
sistema de controle seria determinado por
( ) | | ( ) | | ( ) | | ( ) | | ( ) ( ) | | { }
2
2
T
1
T
min t MV t MV W t MV t E W t E + +
Equao 3-L

70
onde (MV) funo que pondera a importncia dos objetivos econmicos
em comparao com os objetivos de controle (operacionais).
A formulao do problema de controle preditivo
timo se d na medida em
que a funo objetivo, equao 3-l, avaliada no apenas para o instante de
tempo atual, mas para um certo horizonte no futuro (horizonte de otimizao).
3.2. As Funes de Restrio (FR)
A grande maioria dos problemas de otimizao de interesse prtico tem que
atender a um conjunto de restries de natureza
R1. operacional, por exemplo as MV's devem permanecer dentro de limites
mximos e mnimos e/ou a variao das MV's (MV) menor que uma
variao mxima, etc;
R2. fsica, por exemplo limites mximo para temperaturas a depender dos
materiais presentes no processo, mxima capacidade produtiva da
unidade, fechamento dos balanos de massa e energia, frao molar deve
estar entre 0 e 1, temperatura e presso absoluta maior que 0, etc;
R3. mercadolgica, por exemplo deve atender a uma demanda mnima e/ou
consumir uma quantidade mxima de matria-prima e/ou de energia, etc.
Portanto para que o problema de otimizao tenha uma soluo correta
tais restries devem ser explicita e matematicamente escritas.
A formulao do problema de otimizao s estar completa se
estabelecemos a FO e as suas FR's.
No Exemplo 3.1. a hiptese H1. na verdade uma restrio operacional.
No a levamos em conta no momento da soluo do problema matemtico,
mas para validar a resposta tivemos que arredondar a mesma. No raro este
procedimento observado na prtica, porm devemos ter sempre em mente
que encontraremos apenas uma soluo sub-tima.
No Exemplo 3.2. a considerao de volume fixo uma restrio fsica
(capacidade necessria para o equipamento). Neste caso foi possvel
incorporar diretamente a restrio na FO, o que simplifica a resoluo do
problema.
Tambm nos problemas de controle timo devemos incorporar restries
quanto a variao das MV's e aos valores extremos que as mesmas podem
atingir. Assim a equao 3-l deve ser reescrita da maneira que se segue

Maiores informaes sobre controle preditivo podem ser encontradas em DMC: Controle
por Matriz Dinmica. Apstila de Curso Ministrado na Copene de autoria de Ricardo de
Arajo Kalid e Darci Odloak, janeiro de 1995.

71
( ) | | ( ) | | ( ) | | ( ) | | ( ) ( ) | | { }
( ) ( ) ( )
( ) ( ) ( )
max min
max min
2
2
T
1
T

a sujeito
min
t MV t MV t MV
t MV t MV t MV
t MV t MV W t MV t E W t E

+ +

Equao 3-M
3.3. Otimizao On-Line
Neste ponto vale a pena comentar um pouco sobre a otimizao on-line de
processos qumicos. Como o prprio nome j diz, um problema de
otimizao, como os vistos anteriormente, cujas variveis so atualizadas
automativamente com as atuais condies operacionais do processo e
resolvido, isto , o valor das variveis de deciso encontrado, com uma
freqncia relativamente elevada, por exemplo 20 vezes por hora.
Porm s podemos pensar na implementao da otimizao on-line do
processo, ou seja, na implantao de uma metodologia que periodicamente
defina qual os set-points para que uma determinada unidade ou planta opere
nas condies economicamente timas, uma vez estabilizada a operao da
unidade, por exemplo atravs da implementao de um algoritmo tipo MPC

(multivariable predictive control ou controle preditivo multivarivel, tais como
DMC, DMCL, LDMC, QDMC, GPC).
Essa otimizao em linha pode ser implementada de duas formas:
a) Um MPC seguindo setpoints enviados por um otimizador hierarquicamente
superior, figura 3-q, neste caso necessrio um sistema supervisor que
calcule e envie para o MPC os SPs.

Maiores informaes sobre controle preditivo podem ser encontradas em DMC: Controle
por Matriz Dinmica. Apstila de Curso Ministrado na Copene de autoria de Ricardo de
Arajo Kalid e Darci Odloak, setembro de 1994.

72
OTIMIZADOR
PLANTA
MVs
P VS
MPC
SP s das P Vs
MVs e P Vs

Figura 3-Q: MPC Supervisionado por Otimizador On-Line
b) MPC com otimizao intrnseca, figura 3-r, neste caso a condio
operacional tima obtida simultaneamente com o atendimento das
restries operacionais. Esta configurao mais moderna e aparenta ser
mais eficiente que a anterior, mas ainda se encontra em fase de
desenvolvimento nos meios acadmicos.
MPC COM OTIMIZAO
PLANTA
MVs
PVS

Figura 3-R: MPC com Otimizao Intrnseca

73
3.4. Exerccios
E3.1. Uma central de insumos bsicos produz, armazena e distribui vrias
matrias-primas para outras empresas, conforme a figura 3-s.
Processo
3
Processo
1
x
1,1
x
3,1
x
2,1
x
4,1
x
1,2
x
3,2
x
2,2
x
4,2
x
1,3
x
3,3
x
2,3
x
1,4
x
3,4
x
2,4
T1
T4
T3
T2
T6
T5
T7
x
1
x
4,4
_
_
_
x
5,2

Figura 3-S: Diagrama de blocos do parque de tancagem
onde T
i
(i = 1, ... , 7) so tanques de armazenamento. Para a distribuio dos
produtos so feitos contratos por perodos pr-determinados, com demandas
mnimas a serem necessariamente atendidas pela empresa.
Desenvolva uma Funo Objetivo com suas restries que minimizem o custo
de armazenamento. Escreva a FO em funo dos custos C
i
e da massa
armazenada em cada tanque m
i
.
onde: C
i
= custo do produto armazenado;
m
i
= massa do produto armazenado.
Dados referentes ao processo:
Restries de processamento :
10 ton/h < x
1
< 50 ton/h
6 ton/h < x
3
< 30 ton/h.
Capacidade de armazenamento dos tanques:
100 ton < m
i
< 500 ton, i = 1, ..., 7
Inicialmente todos os tanques esto com 120 ton.
O balano de massa tem que ser atendido:

1 1 , 4 1 , 4 1 , 4
3
3 , 3
3 , 3 3 , 3 1 1 , 3 1 , 3 1 , 3
3 3 , 2 3 , 2 3 , 2 1 1 , 2 1 , 2 1 , 2
3 1 , 3 3 , 1 3 , 1 1 1 , 1 1 , 1 1 , 1
x b a x
x b a x x b a x
x b a x x b a x
x b a x x b a x
+ =
+ = + =
+ = + =
+ = + =

74
As demandas dos seguintes produtos so conhecidas:

h t x
h t x h t x
h t x h t x
h t x h t x
/ 5
/ 4 / 5 . 3
/ 7 / 4
/ 3 / 6
4 , 4
4 , 3 2 , 3
4 , 2 2 , 2
4 , 1 2 , 1
=
= =
= =
= =

Custos de estocagem em dlares/ton.
C
1
= 500 C
5
= 1000
C2 = 600 C6 = 700
C3 = 900 C7 = 1500
C
4
= 200
As constantes das relaes lineares so conhecidas:
b
1,1
= 0.2
b
2,1
= 0.1 a
i,1
= 0 i = 1, ... , 4
b
3,1
= 0.1
b
4,1
= 0.6
b
1,3
= 0.2
b
2,3
= 0.5 a
i,3
= 0 i = 1,2 3.
b
3,3
= 0.3
Ref: Curso de Otimizao ministrado pelo LSCP/DEQ/EPUSP PETROBRAS.

E3.2. Uma planta qumica faz trs produtos (E, F, G) e utiliza trs matrias-
primas (A, B, C) cujo suprimento limitado. Cada um dos trs produtos
obtido em processo separado (1, 2, 3) de acordo com o esquema
mostrado na figura 3-t.

75
E
F
G
Monmero
A
Monmero
B
Inibidor
C
1
2
3

Figura 3-T: Diagrama de blocos de uma planta multiprodutora
As matrias-primas A, B e C no tm de ser totalmente consumidas.
Dados do processo:
Matria
Prima
Mximo
disponvel,
lb / dia
Custo
$ / 100 lb
A 4000 1.50
B 3000 2.00
C 2500 2.50

Process
o

Produto

Reagentes
necessrios (lb) por
lb produto
Custo
Operacional
Preo de
venda do
produto
1 E 2/3 A, 1/3 B $1.50/100 lb A
(consumido em 1)
$4.00/100 lb E
2 F 2/3 A, 1/3 B $0.50/100 lb A
(consumido em 2)
$3.30/100 lb F
3 G 1/2 A, 1/6 B, 1/3 C $1.00/100 lb G
(produzido em 3)
$3.80/100 lb G

Desenvolva a funo objetivo e as restries deste problema de otimizao.
Assumindo que h uma demanda mnima de produtos a ser atendida, conforme
a tabela abaixo, como ficaria a FO? e as FR's?

Produto

Demanda
Mnima,
lb / dia
E 2500
F 1500
G 1800

76
Ref: Edgar, T. F. & Himmelblau, D. M. "Optimization of Chemical Processes"

E3.3. Programao de produo de uma refinaria. A figura 3-u mostra as
alternativas de carga e os produtos possveis de serem obtidos numa
refinaria de petrleo (custo e preo de venda esto entre parenteses). A
tabela 3-a lista o rendimento da unidade a depender do tipo de carga
processada. Note que os rendimentos para os vrios produtos so
bastante diferentes para os dois tipos de petrleo. A tabela 3-a tambm
lista todas as limitaes impostas pelo mercado em termos de produo
mxima diria admissvel para cada produto e o custo de processamento
de cada tipo de carga.

Figura 3-U: Diagrama de blocos de uma refinaria
Tabela 3-A: Dados de rendimento da refinaria e do mercado
Porcentagem de rendimento
volumtrico
Produo mxima
Petrleo tipo 1 Petrleo tipo 2 (bbl/dia)
Gasolina 80,0 44,0 24000
Querosene 5,0 10,0 2000
leo combustvel 10,0 36,0 6000
Resduo 5,0 10,0
Custo de
processamento
($/bbl)
0,5 1,0
Pede-se:
a) Desenvolva uma funo objetivo linear.
b) Estabelea as restries.
c) Desenhe num grfico as curvas das restries.
d) Identifique no grfico a regio vivel.
e) Calcule nas intersees entre as curvas das restries o valor
alcanado pela FO e verifique qual o ponto timo.
Ref: Edgar, T. F. & Himmelblau, D. M. "Optimization of Chemical Processes".

Petrle
o
Petrle
o
Refinaria
Preo de venda
Gasolina ($36/bbl)
Querosene ($24/bbl)

leo combustvel
($21/bbl)
Resduo ($10/bbl)
Custo
($ 24/bbl)

($15/bbl)

77
E3.4. Programao de uma unidade de craqueamento trmico. A figura 3-v
mostra os vrios componentes da alimentao e a corresponde converso
aos vrios produtos devido ao craqueamento trmico. As possveis cargas
incluem etano, propano, gasolina natural debutanizada (DNG) e gasleo,
algumas das quais podem ser alimentadas simultaneamente. Oito
produtos podem ser produzidos em vrias propores de acordo com a
matriz mostrada na tabela 3-b.

Figura 3-V: Diagrama de blocos do craquemento trmico
Tabela 3-B: Rendimento aos produtos (frao mssica)
Alimentao
Produto Etano Propano Gasleo DNG
Metano 0,07 0,25 0,10 0,15
Etano 0,40 0,06 0,04 0,05
Etileno 0,50 0,35 0,20 0,25
Propano --- 0,10 0,01 0,01
Propileno 0,01 0,15 0,15 0,18
Butadieno 0,01 0,02 0,04 0,05
Gasolina 0,01 0,07 0,25 0,30
leo
combustvel
--- --- 0,21 0,01
A capacidade de processamento do craqueador de 90,7 ton/h (vazo total
baseada numa mistura mdia). Etano usa o equivalente a 1,1 ton da
capacidade por ton de etano; propano usa o equivalente a 0,9 ton da
capacidade por ton de propano; gasleo usa o equivalente a 1,1 ton da
capacidade por ton de gasleo; e DNG utiliza uma razo de 1,0.
As unidades a jusante tem uma capacidade mxima de processamento limitada
a 22,7 ton/h de etileno e 9,1 ton/h de propileno. O combustvel necessrio ao
processamento de cada tipo de substncia presente na carga apresentado
na tabela 3-c.
Craqueamento
trmico
leo
combustvel
Metano
leo combustvel
DNG Gasle Propan
o
Etano
Etano
Propan
Etileno Propilen
o
Butadieno Gasolina

78
Tabela 3-C: Consumo de combustvel por tipo de carga
Componente da carga Combustvel requerido para
processamento
Etano 4,65x10
3
kcal/kg
Propano 2,79 x10
3
kcal/kg
Gasleo 2,17 x10
3
kcal/kg
DNG 2,53 x10
3
kcal/kg
O metano e leo combustvel produzido pela unidade so reciclados como
combustvel. Todo o etano e propano no convertidos so reciclados para a
alimentao. A energia fornecida por cada tipo de combustvel mostrada
na tabela 3-d.
Tabela 3-D: Calor fornecido pelos combustveis
Tipo de
combustvel
Energia liberada na
combusto
Gs natural 11,96 x10
3
kcal/kg
Metano 11,96 x10
3
kcal/kg
leo combustvel 10,00x103 kcal/kg
Devido a perda de calor a energia necessria para a pirlise, uma quantidade
fixa de energia igual a 5,04 kcal/h, deve ser fornecida ao forno. O preo de
compra dos combustveis, da carga e dos produtos so mostrados na tabela
3-e.
Tabela 3-E: Preo de compra e venda dos insumos
Subtncia Preo ($/kg)
Etano (preo de compra) 0,1444
Propano (preo de compra) 0,2145
Gasleo (preo de compra) 0,2756
DNG (preo de compra) 0,2235
Metano (preo de venda como combustvel) 0,1186
Etileno (preo de venda) 0,3913
Propileno (preo de venda) 0,3040
Butadieno (preo de venda) 0,5873
Gasolina (preo de venda) 0,2189
leo combustvel (preo de venda como
combustvel)
0,0992
Pede-se:

79
a) Desenvolva uma funo objetivo linear que maximize o lucro da
unidade.
b) Estabelea as restries operacionais e/ou fsicas e/ou de merdado a
que o craqueador esta submetido.
Ref: Edgar, T. F. & Himmelblau, D. M. "Optimization of Chemical Processes".

E3.5. Discutas as duas FO's abaixo, compare-as apontando suas igualdades e
diferenas.

( ) | | ( ) | | ( ) | | ( ) | | ( ) ( ) | | ( ) ( ) | | { }
( ) ( ) ( ) ( ) | | ( ) ( ) ( ) ( ) | | { } t MV I t MV W t E W t MV I t MV W t E W FO
t MV I t MV I t MV W t MV W t E W t E W FO
T

+ + + + =
+ + =
2 1
T
2 1 2
2
T
2 1
T
1 1
min
min

80
4. Otimizao Unidimensional Sem Restries (OUSR)
O estudo de mtodos de otimizao unidimensionais sem restries (OUSR)
necessrio por quatro motivos:
M1. Alguns problemas sem restrio so tambm unidimensionais.
M2. Em muitos problemas as restries podem ser incorporadas funo
objetivo reduzindo, desta forma, o problema a uma varivel.
M3. As tcnicas para problemas multidimensionais com e sem restries
geralmente envolvem repetir inmeras vezes a resoluo de um problema
unidimensional sem restries.
M4. Ajuda na soluo de problemas de otimizao cujo intervalo de busca
(regio vivel) no conhecido.
Podemos classificar os mtodos numricos para resoluo dos problemas
de OUSR em:
C1. Mtodos diretos (MD's): procedimentos de busca do ponto timo atravs
da comparao direta do valor assumido pela FO em uma seqncia de
pontos viveis. No envolve o clculo de derivadas analticas ou
numricas.
C2. Mtodos Indiretos (MI's): utiliza as condies necessrias para existncia
de pontos estacionrios, ou seja, usa a derivada para clcular o ponto
timo.
Se o clculo da derivada for realizado numericamente a distino entre os
mtodos diretos e indiretos fica comprometida, pois ambos os mtodos vo
avaliar a FO em uma seqencia de pontos.
Os mtodos indiretos, quando aplicveis, isto quando existe a derivada,
geralmente so mais rpidos que os mtodos diretos. Entretanto como nos
problemas de engenharia a preciso necessria para os resultados
freqentemente baixa, devido s incertezas presentes na funo objetivo,
esta vantagem neutralizada.
Por outro lado, os mtodos diretos tem a vantagem de tratar mais facilmente
problemas que tem descontinuidade e/ou pontos de inflexo.
Em problemas de Otimizao Multidimensional Sem Restries (OMSR),
com a FO no-linear e com mais de uma varivel os MD's tem se mostrando
superior em relao aos MI's. Por exemplo, suponha que a funo no-linear
f(x) = f(x
1
,x
1
,...,x
n
) deva ser minimizada. As condies necessrias para
encontrar os pontos estacionrios so

81
( )
( )
( )
( )
( )
( ) 0
0
0
2
1
2
1
= =
= =
= =
x f
x
x f
x f
x
x f
x f
x
x f
n
x
n
x
x
M

Equao 4-A
Cada derivada parcial igualada a zero constitui uma equao no-linear, assim
o problema de OMSR transformou-se num sistema algbrico de equaes no-
lineares, um problema to difcil de resolver quanto o original. Alm disso,
enquanto que a matriz Hessiana H(x) de f(x) simtrica, o Jacobiano das
equaes das condies necessrias tem uma estrutura arbitrria, o que
dificulta a resoluo do problema. Assim, muitos engenheiros preferem atacar o
problema de minimizao/maximizao por MD's em lugar de utilizar MI's.
A seguir, na seo 4.1 apresentaremos os MI's mais utilizados em
problemas de OUSR da engenharia qumica, enquanto na seo 4.2
estudaremos os MD's.
4.1. Mtodos Indiretos (MI) para OUSR
Existem basicamente 4 procedimentos para resolver problemas de OUSR
envolvendo a aplicao das condies necessrias de otimalidade para uma
funo:
MI1. Mtodo de Newton
MI2. Aproximao por diferenas finitas do mtodo de Newton, tambm
chamado de mtodo de quasi-Newton
MI3. Mtodo da secante
Para comparar a eficincia desses mtodos conveniente examinar a taxa de
convergncia de cada um, isto , a velocidade com que a soluo
alcanada. A taxa de convergncia pode ser expressa de vrias maneiras, mas
uma classificao comum a seguinte:
Linear:
1 0
1

+

x x
x x
k
k

Equao 4-B

82
Onde o super-escrito k se refere a iterao k e no uma potncia de x. Na
resoluo de problemas prticos se o mtodo apresenta uma taxa de
convergncia linear sua velocidade lenta.
O smbolo ||
.
|| indica a norma Euclidiana de um vetor. Para x n-dimensional:
=
=
n
i
i
x x
1
2

Equao 4-C
Ordem p:
1 0
1

+

p
k
k
x x
x x

Equao 4-D
Na resoluo de problemas prticos se o mtodo apresenta uma taxa de
convergncia de ordem p > 1 sua velocidade rpida. Se p = 2 , a ordem de
convergncia dita quadrtica.
Superlinear:
< =
+

k quando e ou
x x
x x
k k
k
k
k
0 0 lim
1

Equao 4-E
Na resoluo de problemas prticos se o mtodo apresenta uma taxa de
convergncia superlinear sua velocidade rpida.
O algoritmo de qualquer um dos MI's para minizar f(x) pode ser resumido
da seguinte forma:
P1. Escolha um intervalo de busca que contenha o ponto de mnimo e que a
FO seja unimodal neste intervalo.
P2. Defina uma tolerncia.
P3. Aplique o mtodo at que a tolerncia seja alcanada, certificando-se a
cada iterao que f(x
k+1
) < f(x
k
) .
Quanto mais positivo for f"(x
k
) , ou sua aproximao, mais rapidamente f(x)
diminuir. Para maximizar f(x) , minimize -f(x) .
4.1.1. Mtodo de Newton
Lembremos sempre que o objetivo minimizar (ou maximizar) uma certa
funo f(x), lembremos tambm que no momento estamos estudando apenas o
caso monovarivel.

83
Vamos rever o mtodo de Newton para resoluo de uma equao no-
linear. Este mtodo est baseado na expanso da funo em srie de Taylor e
truncamento da mesma no segundo termo. Assim expandindo f(x) em torno
de um ponto x
k
obtemos:
( ) ( ) ( )
( )
( ) ( ) ( ) ( )
k k k
x
k k
x f x x x f x f
dx
x df
x x x f x f
k
+ = + = .
Equao 4-F
como qualquer funo pode ser escrita da forma f(x) = 0 , ento podemos
reescrever a equao 4-f, se a aproximao e truncamento executado acima
forem vlidos, da seguinte maneira:
( ) ( ) ( ) ( )
( )
( )
k
k
k k k k
x f
x f
x x x f x x x f x f
= = + = 0 .
Equao 4-G
Ao trocar x por x
k+1
na equao 4-g obtemos o mtodo de Newton para
resoluo de uma equao no-linear.
Agora podemos resolver o problema de OUSR, ou seja resolver a equao
no-linear f'(x) = g(x) = 0 pelo mtodo de Newton, utilizando a frmula de
recorrncia:
( )
( )
( )
( )
k
k
k k
k
k
k k
x f
x f
x x
x g
x g
x x

=
+ + 1 1

Equao 4-H
Como a convergncia deste mtodo no garantida temos que nos
assegurar que a cada iterao f(x
k+1
) < f(x
k
) para que o mnimo seja alcanado
[f(x
k+1
) > f(x
k
) para o mximo].
As vantagens do mtodo de Newton so:
V1. O procedimento tem convergncia quadrtica local (p = 2 na equao 4-
d) se f "(x) 0 no ponto timo.
V2. Para uma FO quadrtica o mnimo obtido em uma iterao, pois a
expanso e truncamento da srie de Taylor da funo f(x) at o termo da 2
a

derivada (inclusive) exata.
V3. Converge rapidamente quando a estimativa inicial boa.
As desvantagens do mtodo de Newton so:
D1. S se aplica a funes onde existam f '(x) e f "(x) .
D2. Deve-se calcular a cada iterao f '(x) e f "(x) .

84
D3. Sensvel estimativa inicial.
D4. Se f "(x) 0 a convergncia lenta.
D5. Se existe mais de um extremo o mtodo pode no convergir para o ponto
desejado ou pode oscilar.
4.1.2. Mtodo de Quasi-Newton
Um mtodo de quasi-Newton uma variante do mtodo de Newton. Quando
f(x) no dada por uma frmula, ou a frmula muito complicada para ser
analiticamente derivada, podemos trocar as derivadas que aparecem na
equao 4-h por aproximaes de diferenas finitas.
Existem vrias maneiras de utilizar aproximao de derivadas por diferenas
finitas, por exemplo:
DF1. Diferenas finitas para trs:

( )
( ) ( )
( )
( ) ( ) ( )
2
2 2
x
x x f x x f x f
x f
x
x x f x f
x f
+
=

=

Equao 4-I
DF2. Diferenas finitas para frente:

( )
( ) ( )
( )
( ) ( ) ( )
2
2 2
x
x f x x f x x f
x f
x
x f x x f
x f
+ +
=

+
=

Equao 4-J
DF3. Diferenas finitas para central:

( )
( ) ( )
( )
( ) ( ) ( )
2
2
2
x
x x f x f x x f
x f
x
x x f x x f
x f
+ +
=

+
=

Equao 4-K
Todas essas aproximaes podem ser deduzidas utilizando a expanso em
srie de Taylor.
Portanto definindo h = x e substituindo, por exemplo, a equao 4-k na
equao 4-h, obtemos a seguinte frmula de recorrncia

85
( )
( )
( ) ( )
( ) ( ) ( )
( ) ( ) | |
( ) ( ) ( ) | |
2
2
1
/ 2
2 /
2
2
h h x f x f h x f
h h x f h x f
x
h
h x f x f h x f
h
h x f h x f
x
x f
x f
x x
k k
k
k
k k
+ +
+
=
+ +
+

=
+

Equao 4-L
Esse mtodo tem duas desvantagens em relao ao mtodo de Newton:
D1. Necessidade de definir o passo h .
D2. Uma funo deve ser avaliada a mais a cada iterao (trs na equao 4-l
enquanto duas na equao 4-h).
4.1.3. Mtodo da Secante
Expandindo uma funo f(x) = 0 em srie de Taylor e truncando no terceiro
termo, obtemos
( ) ( ) ( ) ( )
( ) ( )
0
! 2
.
.
2
=

+ + =
k k
k k k
x f x x
x f x x x f x f
Equao 4-M
Diferenciando a equao 4-m em relao a x e igualando a zero obtemos
( ) ( ) ( ) 0 = +
k k k
x f x x x f
Equao 4-N
Agora em lugar de utilizar a funo f"(x
k
) usarmos a funo
( ) ( )
p q
p q
x x
x f x f
m

=
Equao 4-O
e resolvendo para o ponto timo aproximado x
apr
*
temos a frmula de
recorrncia
( )
( ) ( ) | | ( )
p q p q
q
q
apr
x x x f x f
x f
x x

=
/

Equao 4-P
O ponto timo x
*
encontrado aps algumas iteraes utilizando a equao
4-p. A derivada f'(x) pode, obviamente ser calculada por diferenas finitas.
O algoritmo do mtodo da secante o seguinte
a) Escolha dois pontos x
p
e x
q
com derivadas de sinal contrrio.
b) Calcule x
apr
*
atravs da equao 4-p.

86
c) Calcule f(x
apr
*
) .
d) Escolha o novo par de pontos que mantm o sinal contrrio entre as
derivadas.
e) Volte etapa b at que a tolerncia adimitida seja alcanada.
Este mtodo tambm denominado de "regula falsi" ou de falsa posio.
O mtodo da secante parece um pouco forado, mas funciona bem em
trabalhos prticos. A sua ordem de convergncia de aproximadamente 1,6
para um problema monovarivel, apesar dessa convergncia ser menor que no
mtodo quasi-Newton, termina por ser mais eficiente pois precisa avaliar um
nmero menor de funes.

4.2. Mtodos Diretos (MD) para OUSR
Podemos subdividir os MD's em dois grandes grupos:
G1. Mtodos por diminuio da regio de busca.
G2. Mtodos por aproximao polinomial da FO.
4.2.1. Mtodos por Diminuio da Regio de Busca
O algoritmo desses mtodos para minimizao de uma f(x) pode ser assim
descrito:
P1. Escolha uma regio vivel (a,b) que contenha uma funo unimodal (funo
convexa).
P2. Calcule f(x) em dois ou mais pontos.
P3. Compare os valores de f(x) eliminando as regies que apresentam valores
de f(x) maiores.
Na figura 4-a(a), a regio a esquerda de x
1
contm os valores de f(x) >
f(x
1
) e por isso deve ser eliminada na busca do mnimo de f(x) . Analogamente
a regio direita de x
2
na figura 4-a(c), f(x) > f(x
2
) , tambm deve ser
descartada. Porm na figura 4-a(b) a funo suave e o ponto de mnimo pode
estar em qualquer lugar do intervalo (a,b). Na verdade quando estamos bem
prximos do ponto timo este caso ocorre e b - a 0 .

87

Figura 4-A: 3 possibilidades para f(x) aps dividido o intervalo (a,b) por 2
pontos.
Conforme seja escolhida a localizao dos pontos x
1
e x
2
este mtodo
torna-se mais ou menos eficiente:
M1. Trs intervalos iguais de busca, isto , x
1
- a = b - x
2
= x
2
- x
1
neste caso o
intervalo reduzido de 1/3 a cada iterao, assim se L
0
o intervalo de
busca original (b - a) e L
k
o intervalo aps k interaes, ento
0
3
2
L L
k
k
|
.
|
\
|
=
Equao 4-Q
Observe que necessrio avaliar duas vezes a funo f(x) a cada
iterao.
M2. Mtodo da seo urea, neste caso o intervalo eliminado manter sempre
uma mesma proporo com o intervalo original. Na figura 4-b e na equao
4-r observamos as distncias utilizadas neste procedimento.

Figura 4-B: Seo urea

618 , 0
1
1
1
=
= = =
+
= +
y
y
y
x
y
y x
y
y
y x
y x

Equao 4-R
a b
x y

88
e
( )
0
618 , 0 L L
k k
=
Equao 4-S
Seja a
k
e b
k
so os contornos do intervalo de busca na iterao k , ento
o algoritmo para este mtodo o seguinte:
P1. determine a
k
e b
k
, e a tolerncia
P2. Calcule L
k
= b
k
- a
k
, x
1
k
= a
k
+ 0,382.L
k
e x
2
k
= b
k
- 0,618.L
k

P3. Calcule f(x
1
k
) e f(x
2
k
)
P4. Se f(x
1
k
) > f(x
2
k
) ento a
k+1
= x
1
k
, b
k+1
=b
k
, x
1
k+1
= x
2
k

Se f(x
1
k
) < f(x
2
k
) ento b
k+1
= x
2
k
, a
k+1
=a
k
, x
2
k+1
= x
1
k

P5. Se a tolerncia no foi atingida volte ao passo P2.
Veja a figura 4-c.

Figura 4-C: Seleo dos pontos interiores pela seo urea
4.2.2. Mtodos por Aproximao Polinomial - Interpolao
Quadrtica
Outros tipos de MD so os mtodos por aproximao polinomial, entre os
quais destacamos o da interpolao quadrtica. Nesses mtodos a funo f(x)
aproximada por extrapolao ou interpolao utilizando um polinmio.
Coggins (1964)
discutiu vrias tcnicas envolvendo um polinmio

aproximador, chegando concluso que esses so levemente mais eficientes
que o mtodo da seo urea.
Admitindo que f(x) unimodal e conhecendo um intervalo de busca que
contenha o ponto de mnimo, avaliamos f(x) em x
1
, x
2
e x
3
e obtemos f(x
1
)
, f(x
2
) e f(x
3
) . Suponha que a funo f(x) possa ser aproximada, numa
vizinhana do ponto timo x
f(x)
*
, por uma funo quadrtica g(x) ento

Coggins, G. F., Univariate Search Methods, Imperial Chemical Industries Ltd., Central Instr.
Lab. Res. Note 64/11, 1964

89
( ) ( )
( ) ( )
( ) ( )
2
3 3 3 3
2
2 2 2 2
2
1 1 1 1
. .
. .
. .
x c x b a x g x f
x c x b a x g x f
x c x b a x g x f
+ + =
+ + =
+ + =

Equao 4-T
Mas o mnimo da funo quadrtica g(x) dado por dado por
( )
c
b
x
x g
2
=

Equao 4-U
Resolvendo a equao 4-t para obter os valores de b e c e substituindo o
resultado na equao 4-u obtemos
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
(
+ +
+ +
=
3 2 1 2 1 3 1 3 2
3
2
2
2
1 2
2
1
2
3 1
2
3
2
2
) (
2
1
x g x x x g x x x g x x
x g x x x g x x x g x x
x
x g

Equao 4-V
ento podemos escrever a funo de recorrncia
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
(
+ +
+ +
3 2 1 2 1 3 1 3 2
3
2
2
2
1 2
2
1
2
3 1
2
3
2
2
) (
2
1
x f x x x f x x x f x x
x f x x x f x x x f x x
x
x f

Equao 4-W
Calculando o valor de f(x
f(x)
*
) e comparando com os valores de f(x
1
) , f(x
2
) e
f(x
3
) eliminamos a regio com maior valor de f(x) e aplicamos a equao 4-w.
Esse procedimento repetido at atingir a tolerncia especificada. Note que a
cada iterao apenas uma funo f(x) avaliada.
4.2.3. Mtodos por aproximao polinomial - Interpolao cbica
Nesses mtodos a funo f(x) aproximada por extrapolao ou
interpolao utilizando um polinmio cbico.
Admita que f(x) unimodal e que conhecemos um intervalo de busca que
contenha o ponto de mnimo. Suponha que a funo f(x) possa ser
aproximada, numa vizinhana do ponto timo x
f(x)
*
, por uma funo cbica
g(x) ento

90
4 3
2
2
3
1
. . . ) ( ) ( a x a x a x a x g x f + + + =
Equao 4-X
Avaliamos f(x) em x
1
, x
2
, x
3
e x
4
e obtemos f(x
1
) , f(x
2
) , f(x
3
) e f(x
4
)
ento podemos escrever um sistema linear de quatro equaes [f(x
1
), f(x
2
),
f(x
3
), f(x
4
)] e quatro incgnitas (a
1
, a
2
, a
3
, a
4
):
( ) ( ) ( ) ( ) | |
| |
A X F
a a a a A
x f x f x f x f F
x x x
x x x
x x x
x x x
X
T
T
=
=
=
(
(
(
(
(
=
4 3 2 1
4 3 2 1
4
2
4
3
4
3
2
3
3
3
2
2
2
3
2
1
2
1
3
1
1
1
1
1

Equao 4-Y
Onde o extremo de f(x) obtido derivando f(x) e igualando a zero
( )
1
3 1
2
2 2
3
1
2
2
1
6
. 12 4 2
0 . 2 . 3
a
a a a a
x
a x a x a
dx
x f
apr

=
= + +

Equao 4-Z
O sinal apropriado depende da derivada de 2
a
ordem de f(x
apr
*
), isto , depende
se estamos procurando o mnimo ou o mximo da funo. O vetor A obtido
de
F X A
1
=
Equao 4-AA
Aps obter a primeira aproximao do ponto timo x
*
, o valor da funo
neste ponto comparado com os valores nos outros pontos e descartado o
maior deles (menor para maximizao de f(x)).
4.3. Avaliao dos Mtodos Unidimencionais de Otimizao
Como observamos para que os mtodos estudados sejam eficientes
necessrio que
a funo seja unimodal,
seja conhecida a regio de busca que contenha o extremo da funo;

91
nos MI's seja dada uma estimativa inicial;
nos MI's as derivadas de 1
a
e/ou de 2
a
ordem existam.
Devido as maiores exigncias dos MI's, os MD's so preferidos nos meios
acadmicos e industrial, e dentre esses os mtodos de interpolao quadrtica
ou cbica so mais utilizados.
Os cdigos de programao dos pacotes comerciais de otimizao contm
vrias regras heursticas que visam resolver problemas com
multiplos extremos,
erros de arredondamento,
gradiente muito grande da FO,
FO com gradiente prximo a zero,
outros comportamentos indesejados da FO.
Portanto necessrio conhecer quais os macetes que os programas utilizam
para avaliar se os mesmos esto sendo usados corretamente e poder
interpretar com segurana os resultados obtidos.

E lembremos sempre que

o julgamento do engenheiro
essencial na aceitao ou no
das solues encontradas

pelos pacotes computacionais.

92
4.4. Exerccios
E4.1. Utilizando variados mtodos indiretos obtenha o extremo das funes
a) y
1
da Equao 1-A
b) f(x) do exerccio E2.5
c) f(x) do exerccio E2.6.a
d) f(x) do exerccio E2.6.b
e) f(x) do exerccio E2.7
f) f(x) do exerccio E2.10.a
g) f(x) do exerccio E2.10.b
E4.2. No Exemplo 3.2, verifique se os pontos de mnimo da equao f
6
(D) para
uma presso de projeto de 250 psi, esto corretos. Resolva este
problema utilizando um mtodo indireto e um mtodo direto. Compare o
nmero de iteraes necessrio para cada procedimento.
E4.3. No Exemplo 3.5, verifique se o ponto de mximo da equao (j) est
correto. Resolva este problema utilizando o mtodo de Newton, o quasi-
Newton e o da secante. Compare o nmero de iteraes necessrias para
cada procedimento.
E4.4. Utilizando a funo fmin('f',x) do toolbox de otimizao do MATLAB
resolva os problemas E4.2 e E4.3. Modifique os parmetros do mtodo
numrico e verifique o comportamento do mesmo. Se necessrio digite
help fmin para ver como a sintaxe deste comando, ou recorra ao
manual de referncia do toolbox de otimizao do MATLAB.

93
5. Otimizao Multidimensional Sem Restries
(OMSR)
A otimizao numrica de FO multivariveis no-lineares requer tcnicas
eficientes e robustas. A eficincia importante pois os procedimentos para
solucionar o problema so sempre iterativos e a tentativa-e-erro torna-se
impraticvel quando esto envolvidas mais de 3 ou 4 variveis de deciso. A
robustez (habilidade de encontrar a soluo) uma propriedade desejvel pois
as FO's no-lineares tem um comportamento imprevisvel, pois podem ter
mltiplos extremos, pontos de sela, regies convexas e no convexas, etc. Mas
felizmente esto disponveis algoritmos numricos poderosos e que solucionam
a maioria dos problemas prticos.
Neste captulo discutiremos a soluo dos problemas OMSR que tem a
seguinte formulao geral
encontre x
*
= [x
1
x
2
... x
n
]
T
que minimiza f(x) = f(x
1,
x
2,
..., x
n
)
A maioria dos procedimentos interativos tem duas etapas que se alternam at
que a tolerncia desejada seja alcanada, assim podemos descrever os
algoritmos da seguinte forma
P1. escolha uma estimativa inicial para o vetor das variveis de deciso
x
0
= [x
1
x
2
... x
n
]
T
,
P2. calcule a direo de busca s
k
,
P3. minimize, seguindo a direo s
k
, a FO, isto calcule x
k+1
= x
k
+ x
k
, onde
x
k
= s
k
,
P4. verifique se a tolerncia foi atingida, se no volte ao passo P2.
Os vrios mtodos de programao no-linear (NLP - nonlinear
programming) diferem uns dos outros principalmente na maneira como obtem a
direo de busca s
k
. Alguns NLP utilizam as derivadas para definir a direo
de busca (mtodos indiretos) ou apenas a FO (mtodos diretos). Os mtodos
que utilizam derivadas analticas em geral usam menos tempo de computao,
porm requerem maior tempo do engenheiro para a anlise do problema.
Tambm importante lembramos que a natureza da FO influencia na escolha
e no desempenho do algoritmo de otimizao.
A seguir, na seo 4.1 apresentaremos os MI's mais utilizados em
problemas de OMSR da engenharia qumica, enquanto na seo 4.2
estudaremos os MD's.

94
5.1. Mtodos Indiretos (MI) para OMSR
Os mtodos indiretos utilizam as derivadas para encontra o ponto timo x
*
.
A direo de pesquisa s na minimizao denomindada direo descendente
pois como
( ) ( )
k k
x f x f <
+1

Equao 5-A
o produto dos vetores
T
f(x) e s sempre negativo, ou seja
( ) 0 . < s x f
T

Equao 5-B
Para provar esta afirmao examine os vetores
T
f(x
k
) e s
k
na figura 5-a. O
ngulo entre eles , assim
( ) ( ) cos . . .
k k T k k T
s x f s x f =
Equao 5-C

Figura 5-A: Identificao da regio das possveis direes de busca
Se = 90
o
como na figura 5-a, ento a direo de busca (ao longo de s
k
) no
ir diminuir o valor da FO. Se 0
o
< < 90
o
ento haver um aumento da FO,
portanto para atingir o objetivo, ou seja, minimizar f(x), 180
o
> > 90
o
e cos <
0 , consequentemente
T
f(x
k
).s
k
< 0 .
Existem basicamente 3 classes de MI's para resolver problemas de OMSR:
MI1. Mtodos de 1
a
ordem: gradiente, gradiente conjugado

95
MI2. Mtodos de 2
a
ordem: Newton, Levengerg-Marquardt
MI3. Mtodos da secante ou mtodos quasi-Newton: Broyden, Powell,
Davidson-Fletcher-Powell (DFP), Broyden-Fletcher-Goldfarb-Shano
(BFGS), Davidson
5.1.1. Mtodo do Gradiente ou Mtodo do Gradiente Descendente
Este mtodo utiliza apenas a derivada de 1
a
ordem para atender a FO.
O gradiente um vetor no ponto x que indica (localmente) a direo na
qual a funo f(x) mais cresce e ortogonal (perpendicular) tangente do
contorno de f(x) no ponto x . Na maximizao utilizaremos diretamente o
gradiente e o algoritmo denominado de "gradiente ascendente", enquanto
que na minimizao usaremos a negativa do gradiente, por isso o nome
"gradiente descendente".
Portanto no mtodo do gradiente descendente a direo de busca igual a
negativa do gradiente
( )
k k
x f s =
Equao 5-D
Porm na maioria das vezes conveniente utilizar o gradiente apenas para
indicar o sentido do passo, mas no a amplitude do mesmo e o ponto timo
atualizado da seguinte forma
( )
k k k k k k k k k
x f x s x x x x = + = + =
+

1

Equao 5-E
onde x
k
= x
k+1
- x
k
o vetor de x
k
a x
k+1
s
k
direo de busca, a direo do gradiente descendente

k
escalar que determina o comprimento a ser percorrido na direo s
k

O mtodo utiliza a equao 5-e recursivamente at que a tolerncia seja
atingida. No ponto mnimo o valor do gradiente deve ser igual a zero.
Para definir o valor de
k
existem vrios mtodos, mas citaremos apenas
dois deles:
(a)
k
= = constante, neste caso o passo utilizado raramente o apropriado.
(b)
k
=
opt
calculado por

( )
( ) ( )
k k
T
k
k k T
opt
s x H s
s x f
. .
.
=
Equao 5-F
O mtodo gradiente apresenta trs dificuldades:

96
eficiente nas primeiras iteraes, quando o ponto encontra-se afastado do
ponto timo, porm sua taxa de convergncia diminui drasticamente medida
que se aproxima da soluo tima.
D1. Se os eixos das curvas de nvel da FO so paralelos aos eixos formados
pelas variveis de deciso, por exemplo quando no existe interao entre
as variveis de deciso [ f(x
1
,x
2
) = x
1
2
+ x
2
2
], a direo de busca apontar
diretamente para o timo, figura 5-be figura 5-c. Porm quando esses eixos
no so paralelos, a taxa de convergncia cai drasticamente, por exemplo
quando existe interao entre as variveis de busca [ f(x
1
,x
2
) = x
1
2
+ x
2
2
+
x
1
.x
2
] , figura 5-d e figura 5-e. Podemos resumir esta dificuldade dizendo
que este mtodo muito sensvel a forma das curvas de nvel.
D2. O gradiente descendente determina um ponto estacionrio, no
distinguindo se o mesmo um extremo ou ponto de sela. Se for um ponto
de sela necessrio empregar um mtodo que no usa o gradiente para
mover o ponto para fora dessa regio. A estacionaridade do ponto pode
ser testada examinando a matriz Hessiana da FO, conforme descrito no
captulo 2.

97
D3.

x1 = -2:0.1:2; x2 = -2:0.1:2;
[X1,X2] = meshgrid(x1,x2) ;
fx1 = X1.^2 + X2.^2;
mesh(x1,x2,fx1)
-2
-1
0
1
2
-2
-1
0
1
2
0
2
4
6
8

Figura 5-B: Grfico de f
x1

v1 = [0.1,0.5,1,1.5,2,3,4,6];
c = contour(x1,x2,fx1,v1);
clabel(c);
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
0.1
0.5
1
1.5
2
3
4
6
6
6
6

Figura 5-C: Curvas de nvel de f
x1

x1 = -2:0.1:2; x2 = -2:0.1:2;
fx2 = X1.^2 + X2.^2 + X1.*X2;
mesh(x1,x2,fx2)
-2
-1
0
1
2
-2
-1
0
1
2
5
10
15

Figura 5-D: Grfico de f
x2

v2 = [0.1,0.5,1,1.5,2,3,4,6];
c = contour(x1,x2,fx,v2);
clabel(c);
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
0.1
0.5
1
1.5
2
3
4 4
4
4
6
6

Figura 5-E: Curvas de nvel de f
x2

5.1.2. Mtodo do Gradiente Conjugado
Este mtodo, tambm de 1
a
ordem, combina (linearmente) o gradiente da
iterao atual com o da anterior definindo a nova direo de busca, da o nome
gradiente conjugado. Tambm tem taxa de convergncia quadrtica e tem um
desempenho superior ao mtodo do gradiente descendente sem aumentar
significativamente o esforo computacional. A demonstrao desta ltima
afirmao encontrada em Himmelblau e Edgar (1980), pgina 219.
O algoritmo do mtodo do gradiente conjugado pode ser assim resumido:

98
P1. Defina uma estimativa inicial x
o

P2. Calcule f(x
o
) e f(x
o
) , faa s
o
= -f(x
o
)
P3. Compute x
1
= x
o
+
o
.s
o
.
o
o escalar que minimiza f(x) na direo s
o
,
ou seja obtido atravs de uma busca unidimensional.
P4. Calcule f(x
1
) e f(x
1
) . A nova direo de busca uma combinao linear
entre s
o
e f(x
1
) :
( )
( ) | | ( ) | |
( ) | | ( ) | |
0 0
1 1
0 1 1
x f x f
x f x f
s x f s
T
T

+ =
Equao 5-G
Para a k-sima iterao:
( )
( ) | | ( ) | |
( ) | | ( ) | |
k
T
k
k
T
k
k k k
x f x f
x f x f
s x f s

+ =
+ +
+ +
1 1
1 1

Equao 5-H
P5. Teste se a FO esta sendo minimizada, se no volte ao passo P4.
P6. Termine o algoritmo quando ||s
k
|| for menor que a tolerncia desejada.
Um problema com este mtodo que se a razo entre os produtos internos
dos gradientes entre as iteraes k+1 e k for pequena recaimos no algoritmo
do gradiente descendente.
5.1.3. Mtodo de Newton
Este um mtodo indireto de 2
a
ordem. Vamos aproximar a FO por uma
srie de Taylor truncada no 3
o
termo.
( ) ( ) ( ) | | ( ) ( )( )
k k
T
k k
T
k k
x x H x x x f x f x f + + . .
2
1

Equao 5-I
O mnimo de f(x) na direo x
k
obtido derivando a equao 5-i em relao
a x e igualando a zero
( ) ( )( ) 0 . = +
k k k
x x H x f
Equao 5-J
ou
( ) | | ( )
k k k k k
x f x H x x x = =

+
1
1

Equao 5-K
onde [H(x
k
)]
-1
o inverso da matriz Hessiana.

99
Observe que a equao 5-k define simultaneamente o sentido e a magnitude
{-[H(x
k
)]
-1
f(x
k
)} do passo de atualizao (x
k
) das variveis de deciso (x
k
) .
Se f(x) for realmente quadrtica ento o mnimo alcanada em uma
iterao. Entretanto, em geral para uma FO no-linear so necessrios vrias
iteraes. Neste caso interessante alterar a equao 5-k modificando a
amplitude do passo da seguinte maneira
( ) | | ( )
k k k k k k k k
s x f x H x x x . .
1
1
= = =

+

Equao 5-L
onde
k
(amplitude do passo) pode ser calculado pela equao 5-f. No mtodo
de Newton = 1 em cada passo.
Note tambm que para avaliar x
k
no preciso inverter a matriz Hessiana,
pois podemos reescrever equao 5-j em forma de sistema de equaes
lineares
( )( ) ( )
k k k
x f x x H = .
Equao 5-M
que tem soluo relativamente fcil, e que diminui os erros de
arredondamenteo cometidos durante a inverso de matrizes.
O mtodo de Newton, quando converge, bastante rpido. Porm tem as
seguintes desvantagens:
D1. Encontra apenas o mnimo local.
D2. Requer a inverso de uma matriz, ou pelo menos a soluo de um sistema
linear a cada iterao.
D3. Requer a avaliao analtica das derivadas de 1
a
e 2
a
ordem.
D4. Pode convergir para um ponto de sela se H(x) no positiva definida.
D5. Tem desempenho fraco quando a estimativa inicial ruim.
A dificuldade D3 pode ser amenizada aproximando a derivada por uma
frmula apropriada de diferenas finitas.
Se H(x) for positiva-definida e se a FO pode ser aproximada por uma
funo quadrtica, o mtodo de Newton tem a vantagem de ter uma taxa de
convergncia quadrtica nas vizinhanas do ponto timo, ou seja, na regio
onde o gradiente descendente ou conjugado tem um desempenho ruim. Porm
em regies afastadas do mnimo o mtodo de newton tem uma taxa de
convergncia pequena.
5.1.4. Mtodo de Levenberg-Marquardt
Levenberg, Marquardt e outros pesquisadores sugeriram que a matriz
Hessiana de f(x) , H(x) , seja modificada a cada iterao de forma a garantir

100
que a nova matriz Hessiana, ( )
~
H s , seja sempre positiva-definida e bem-
condicionada. Isto efetuado adicionando a H(x) uma matriz diagonal
( ) ( ) I x H x H + =
~

Equao 5-N
onde uma constante positiva, suficientemente grande para garantir que
( )
~
H s seja positiva-definida quando H(x) no . Tambm possvel usar
( ) | | ( ) | | I x H x H + =

1
1 ~

Equao 5-O
onde uma constante com finalidades anlogas aos de .
Para definir a magnitude de precisamos estimar qual o menor (mais
negativo) autovalor de H(x) ,
1
, e fazer com que > -min(
1
) . Note que se
for suficientemente grande I pode subjugar a H(x) e neste caso o
algoritmo se aproxima do gradiente descendente.
O mtodo de Levenberg-Marquardt para minimizar uma funo pode ser
implementado segundo o algoritmo abaixo:
o
e uma tolerncia .
P2. Para k = 0 faa
0
= 10
3
.
P3. Calcule f(x
k
) .
P4. Verifique se a tolerncia foi atingida, se no continue.
P5. Calcule | | ( )
k k k
x f I H s + =
1
.
P6. Compute x
k+1
= x
k
+
k
.s
k
.
k
calculada pela equao 5-f.
P7. Se f(x
k+1
) < f(x
k
) v ao passo P8, se no v ao passo P9.
P8.
k+1
= 0,25
k
, e k = k +1 . Volte ao passo P3.
P9.
k
= 2
k
. Volte ao passo P3.
Portanto o mtodo de Levenberg-Marquardt no incio se comporta como um
gradiente descendente ( grande), mas a medida que se aproxima do ponto
timo tende a se comportar como o mtodo de Newton ou o de quasi-Newton
( pequeno).
5.1.5. Mtodo da Secante ou Quasi-Newton
Por analogia com o mtodo da secante para funes de uma varivel, os
procedimentos descritos nesta seo minimizam f(x) utilizando apenas os
valores de f(x) e de f(x) ; a Hessiana de f(x) aproximada por combinao
desses valores, ( )
$
H x .

101
Esses mtodos tambm so afetados pela estimativa inicial de x
o
.
Os algoritmos dos mtodos quasi-Newton podem ser resumido da seguinte
maneira:
Passo 0 (zero)
o
e uma tolerncia .
P2. Selecione a direo inicial de busca s
o
. Usualmente s
o
= -f(x
o
) .
P3. Calcule
( )
$ $
H H x
0
0
, freqentemente
$
H I
0
= se
( )
$
H x
0
no for positiva-
definida
Passo k
P1. Calcule o escalar
k
, por exemplo pela equao 5-f, ou faa = 1 .
P2. Calcule x
k+1
que minimiza f(x) :
k
k
k k k
s H x x
1
1

+
|
.
|
\
|
+ = .
P3. Calcule f(x
k+1
) e f(x
k+1
) .
P4. Calcule x
k
= x
k+1
- x
k
e g
k
= f(x
k+1
) - f(x
k
) .
P5. Calcule |
.
|
\
|
+ =
+ k k k
H H H

1
ou
1 1 1
1

+
(
|
.
|
\
|
+
(
=
(
k k k
H H H
escolhendo uma das equaes entre equao 5-p e equao 5-t.
P6. Calcule a nova direo de busca por
| | ( )
1
1
1
1
+
+
=
k
k
k
x f H s atravs da inverso de matriz ou
( )
1 1
1
+ +
+
=
k k
k
x f s H pela soluo do sistema linear,.
Passo k + 1
P1. Verifique se a tolerncia foi atingida
P2. Se o critrio de convergncia foi satisfeito, pare. Se no, retorne ao passo
k.
Algumas equaes que realizam a aproximao da matrix Hessiana ou de
sua inversa so mostradas a seguir:

102
Broyden:
k
T
k
k
k
T
k
k
k k
k
k
k
g g H x
g H x g H x
H
|
.
|
\
|

(
|
.
|
\
|

(
|
.
|
\
|

= |
.
|
\
|
1
1 1
1

Equao 5-P
Davidson-Fletcher-Powell (DFP):
( )
( )( )
( ) ( )
( ) ( )( ) ( )
( ) ( ) ( )
k
k T
k
T
k T
k k
k
k
T
k
T
k k
k
g H g
H g g H
g x
x x
H

(
1
1 1
1

Equao 5-Q
ou sua equivalente
( )
( ) ( )
( )
( ) ( ) | |( ) ( ) | |
k
T
k k
T
k
T
k k k
T
k
k
k
k
T
k
T
k
k
k k
T
k k
k
k
k
x g x g
g g x x H g
x g
x H g g g x H g
H

|
.
|
\
|

|
.
|
\
|
+ |
.
|
\
|

= |
.
|
\
|

Equao 5-R
Broyden-Fletcher-Goldfarb-Shanno (BFGS):
( )
( ) ( )
( )
( ) | |( ) | |
k
T
k k
T
k
T
k k k k
k
k
k
T
k
T
k
k
k k
T
k k
k
k
k
x g x g
x x g g H x
x g
g H x x x g H x
H

(
|
.
|
\
|

|
.
|
\
|
+
(
|
.
|
\
|

= |
.
|
\
|
1
1 1
1

Equao 5-S
ou sua equivalente
( )
( )
( ) ( )
( )
( )
k
k T
k
k T
k k
k
k
T
k
T
k k
k
x H x
H x x H
x g
g g
H

Equao 5-T

103
Algumas desvantagens desses mtodo so
D1.
( )
$ $
H H
k k
ou
1
pode deixar de ser positiva-definida, neste caso devemos
utilizar um dos mtodos descritos na seo 5.1.4.
D2. A correo
( ) ( )

$ $
H H
k k
ou
1
pode tornar-se ilimitada devido aos erros
de arredondamento.
D3. Se
( )
( )
x H f x
k k
k
k
=
$
1
por acaso tem a mesma direo da iterao
anterior ento
( )
$ $
H H
k k + +

1 1
1
ou torna-se singular ou indeterminada.
5.2. Mtodos Diretos (MD) para OMSR
Mtodos diretos no utilizam as derivadas para determinar a direo da
busca. s vezes os MD's so mais efetivos que os MI's, porm esses ltimos
tem uma taxa maior de convergncia. Os MD's apresentam a vantagem de
serem fceis de entender e implementar.
Os MD's mais utilizados em problemas de engenharia qumica so:
MD1. Busca randmica.
MD2. Grade de busca.
MD3. Busca unidirecional.
MD4. Mtodo simplex ou do poliedro flexvel.
5.2.1. Busca Randmica
O algoritmo deste procedimento o seguinte
P1. Fazer k = 0
P2. Randmicamente escolher um vetor x
k

P3. Avaliar f(x
k
)
P4. Verificar se a tolerncia foi atingida, se no retornar ao passo P2.
Alguns mtodos escolhem a direo de busca randomicamente e minimizam
nessa direo a funo f(x). Obviamente, a soluo tima s pode ser obtida
com 100% de probabilidade quando k , mas se a FO for muito suave esse
mtodo razovel.
Uma alternativa interessante utilizar esse procedimento como ponto de
partida para outro algoritmo: realiza-se uma srie de buscas randmicas
escolhendo a que representar menor valor para f(x) .

104
Tambm podemos utilizar a busca randmica para certificar que o ponto
timo apenas um extremo local. Neste caso damos uma perturbada na
soluo tima e se aps vrias perturbaes verificamos que voltamos ao
mesmo ponto timo, temos uma boa probabilidade de termos encontrado o
mximo global duma certa regio. Por exemplo, na Figura 1-2, do captulo 1, a
FO tem inmeros vales e montes prximo ao ponto timo. Se, ao encontrar um
ponto candidato ao timo, o perturbarmos por pequenos incrementos
randmicos e, ao continuar com a busca, verificamos que fomos para outro
ponto estacionrio temos a certeza que existem multiplicidade de pontos
estacionrios e a procura do ponto timo deve ser melhor investigada.
5.2.2. Grade de Busca
Esse algoritmo simplesmente faz o mapeamento da FO ao longo de pontos
afastados um do outro segundo uma geometria previamente determinada,
figura 5-f. Escolhemos o ponto que minimiza (maximiza) f(x) , neste ponto
repete-se a grade e assim sucessivamente, at encontrar o ponto timo.

Figura 5-F: Vrias tipos de grades de busca
O mtodo da grade de busca requer um elevado esforo computacional para
problemas multivarivel.
5.2.3. Busca Unidimensional
O algoritmo desse mtodo pode ser assim resumido:
P1. Fazer k = 0 e estimar um vetor x
0
.
P2. Escolher uma componente j do vetor x
k
.
P3. Utilizando um mtodo de otimizao unidimensional, encontrar o ponto
timo na direo j .
P4. Escolher outra direo j e retornar ao passo P3 at ter percorrido todas n
direes possveis.
P5. Verificar se a tolerncia foi atingida, se no retornar ao passo P2.
Esse mtodo s mais eficiente quanto mais quadrtica for a FO, isto ,
quanto mais alinhado estiverem os eixos das curvas de nvel com os eixos das
variveis de deciso.

105
x1 = -2:0.1:2; x2 = -2:0.1:2;
fx1 = X1.^2 + 10*X2.^2;
v1 = [0.1,0.5,1,1.5,2,3,4,6];
c = contour(x1,x2,fx1,v1);
clabel(c);
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
0.1
0.5
1
1.5
2
3
4
6
6

Figura 5-G: Curvas de nvel com os
eixos alinhados
x1 = -2:0.1:2; x2 = -2:0.1:2;
fx2 = X1.^2 + X2.^2 + X1.*X2;
v2 = [0.1,0.5,1,1.5,2,3,4,6];
c = contour(x1,x2,fx,v2);
clabel(c);
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
0.1
0.5
1
1.5
2
3
4 4
4
4
6
6

Figura 5-H: Curvas de nvel com os
eixos desalinhados
5.2.4. Mtodo Simplex ou do Poliedro Flexvel
Esse mtodo utiliza uma figura geomtrica regular (um simplex) para
selecionar o ponto, um dos vrtices do simplex, que minimiza f(x) . Em duas
dimenses o simplex um tringulo, em trs dimenses, um tetraedro, e assim
sucessivamente. Para entender o mtodo vamos assumir uma funo de duas
variveis e que o tringulo seja equiltero.
Na primeira iterao para minimizar f(x) , f(x) avaliada em trs pontos, os
vrtices de um tringulo, figura 5-i(a). A direo de busca orientada a partir
do ponto de maior valor de f(x) passando pelo centride do simplex, assim uma
vez determinada a direo e como o tringulo equiltero est determinado
um novo ponto, figura 5-i(a). A FO avaliada neste novo ponto e uma nova
direo de busca determinada. O procedimento repetido, sempre rejeitando
um vrtice, figura 5-i(b). Tambm devem ser desconsiderados vrtices j
visitados. Quando nenhum novo vrtice encontrado devemos diminuir o
tamanho da aresta do tringulo e continuar com a busca do ponto timo at
atingr o critrio de parada.
Nelder e Mead (1965)
descrevem uma verso do mtodo mais eficiente e

mais complexa, que permite estabelecer figuras geomtricas que expandem e
contrarem suas arestas continuamente durante a busca do ponto timo

Nelder, J. A., e R. Mead, "A Simplex Method for Function Minimization", The Computer
Journal, 7: 308 (1965)

106
(poliedro flexvel). Detalhes deste mtodo e um cdigo computacional so
encontrados em Himmelblau (1970)
@
e (1972)
#

Figura 5-I: Representao do mtodo Simplex
5.3. Avaliao dos MD's e MI's para Problemas de OMSR
Os MD's foram os primeiros mtodos propostos para resolver problemas de
OMSR e so utilizados na indstria qumica devido ao fato de serem simples
de entender e implementar, entretanto so menos eficientes e robustos que os
modernos MI's. Porm para problemas com duas variveis de deciso os MD's
so freqentemente satisfatrios.
Os MI's, por outro lado, necessitam de conhecer as derivadas da FO. Se
utilizarmos as derivadas analticas temos menor esforo computacional ao
custo de um maior esforo cerebral. Se utilizarmos as derivadas aproximadas
por diferenas finitas estamos mais sujeitos a erros de truncamento. Na tabela
5-a vemos a comparao entre MIs e MDs.
Tabela 5-A: Comparao entre MI's e MD's
Mtodos numricos de otimizao
Mtodo Indireto (MI) Mtodo Direto (MD)
Utilizam f(x) e f (x) a cada
iterao
Utilizam f(x) a cada iterao
Menor nmero de iteraes Maior nmero de iteraes
Maior tempo por iterao Menor tempo por iterao

@
Himmelblau, D. M., Process Analysis by Statistical Methods, John Wiley & Sons, New York,
1970.
#
Himmelblau, D. M., Applied Nonlinear Programming, McGraw-Hill, New York, 1972.

107
Fornecem apenas uma soluo aproximada do ponto timo
Para que os mtodos estudados sejam eficientes necessrio que:
a funo seja unimodal,
seja conhecida a regio de busca que contenha o extremo da funo,
nos mtodos indiretos (MI) seja dada uma boa estimativa inicial.
E lembremos sempre que o julgamento do engenheiro essencial na
aceitao ou no das solues encontradas pelos pacotes computacionais.
5.4. Exerccios
E5.1. Nas funes apresentadas nos exerccios E2.8., E2.10.(c) e E2.10.(d)
encontre os pontos estacionrios e classifique-os.
E5.2. Utilizando as funes fminu('f',x) e fmins('f',x) do toolbox de
otimizao do MATLAB resolva os exerccios E2.11 e E2.12. Compare as
respostas obtidas e o desempenho dos mtodos numricos empregados.
E5.3. Atravs da anlise dimensional, o problema de transferncia de calor
pode ser expresso por:
Re Nu =
onde Nu = nmero de Nusselt
Re = nmero de Reynolds
e = constantes
Defina uma FO e Obtenha a melhor estimativa de e baseada nos
seguintes dados experimentais:
Tabela 5-B: Dados experimentais para o exerccio E5.3.
Re 100 100 200 200 300 300 400 400 500 500
Nu 31 36 33 40 40 42 43 45 36 49

Ref.: Himmelblau, D. M., Process Analysis by Statistical Methods, John Wiley &
Sons, New York, 1970.

108
E5.4. Ajuste a equao de estado de Berthelot (para 1 mol):
P
RgT
V b
a
TV
=

2

para o SO
2
a partir dos seguintes dados:
Tabela 5-C: Dados para o exerccio E5.4.
V
(cm
3
/g)
P
(atm)
massa de gs
(g)
T
(C)
67,810 5,651 0,2948 50
50,882 7,338
45,280 8,118

72,946 5,767 0,2948 75
49,603 8,237
23,331 15,710

80,170 5,699 0,2948 100
45,664 9,676
25,284 16,345
15,285 24,401

84,581 5,812 0,2948 125
42,675 11,120
23,480 19,017
14,735 27,921

23,913 20,314 1,9533 150
18,241 25,695
7,2937 51,022
4,6577 63,730

20,685 26,617 1,9533 200
10,595 47,498
5,8481 74,190


109
6. Ajuste de Modelos Matemticos
Neste captulo estudaremos o ajuste de modelos matemticos lineares com
uma varivel independente (seo 6.1), com vrias variveis independentes
(seo 6.2) e o ajuste de modelos matemticos no-lineares (seo 6.3) a
dados experimentais. Veremos tambm algumas observaes e "dicas" (seo
6.4) que podem acelerar a convergncia dos mtodos numricos utilizados no
ajuste de modelos matemticos. Por fim, mas no por ltimo, resolveremos
alguns exerccios (seo 6.5) que ajudaro a fixar os conceitos discutidos neste
captulo.
Como j dissemos anteriormente, o tratamento rigoroso e correto de ajuste
de modelos emprega conceitos e procedimentos estatsticos, porm neste
curso faremos um estudo mais "pragmtico" e superficial deste problema.
Abordaremos o ajuste de modelos do ponto de vista de um problema de
otimizao. Entretanto, alguns conceitos estatsticos sero necessrios e
citados/definidos nos momentos oportunos.
Devemos ter claro o significado de varivel determinstica e de varivel
estocstica:
Varivel determinstica - assume um nico valor com probabilidade de 100%
de ocorrer;
Varivel estocstica - pode assumir um valor com uma certa probabilidade
(menor que 100% de ocorrer).
Simplificadamente, podemos definir que uma varivel estocstica tem uma
parte determinstica e uma parte randmica ou aleatria, que denominamos
desvio padro, ou seja
Varivel estocstica = parte (varivel) determinstica desvio padro
AS VARIVEIS ESTOCSTICAS SERO REPRESENTADAS EM LETRAS MAISCULAS,
com a exceo do desvio padro que ser representado pela letra grega sigma
(), enquanto que as determinsticas em letras minsculas.
Na figura 6-a observamos algumas representaes esquemticas de
modelos matemticos. O diagrama de blocos letra (c) o adequado
formulao matemtica de uma varivel estocstica adotada neste curso:
( ) ( ) ( ) ( ) ( ) ( ) t t y t t x f t Y + = + =
Equao 6-A

110

Figura 6-A: Diagramas de blocos de modelo determinstico (a) e
estocsticos (b,c,d)
So sinnimos de varivel estocstica: varivel aleatria e/ou varivel
randmica ("randon or stochastic variable").
A bibliografia recomendada para este captulo :
Himmelblau, David M. Process Analysis by Statistical Methods. John
Wiley & Sons, Inc. 1970
6.1. Ajuste de Modelos Lineares nos Parmetros Com Uma Varivel
Independente
Vamos assumir que apenas a varivel dependente (VDep) estocstica e
que a varivel independente (VI) determinstica, isto , VDep est
associado um certo desvio padro, enquanto que o valor assumido pela VI
conhecido e sem erros (desvios) de medio ou de qualquer outra natureza.
Neste texto vamos nos referir a modelos lineares apenas nos parmetros,
sendo que a varivel independente pode ou no ser linear, por exemplo:

a) Modelo linear nos parmetros e na VI:
( ) ( ) t x b b t Y .
1 0
+ =
Equao 6-B
b) Modelo linear nos parmetros e no-linear na VI:
( ) ( ) t x b b t Y .
1 0
+ =
Equao 6-C
Modelo
Determinstic
o
x(t) y(t)
(a)
Modelo
Determinstic
o
x(t)
(c)
y(t)
(t)
Y(t)
6
Modelo
Determinstic
o
X(t) Y(t)
(d)
(b)
Modelo
Estocstico
x(t) Y(t)

111
c) Modelo no-linear nos parmetros e na VI:
( ) ( ) ( )
0 1 0
. . exp b t x b b t Y + =
Equao 6-D
Neste captulo estudaremos modelos conforme a equao 6-b ou a equao
6-c. Para reconhecer se um modelo linear em relao a um dado parmetro
basta derivar parcialmente o modelo em relao ao parmetro, se o resultado
no depender do parmetro ento o modelo linear em relao ao mesmo.
6.1.1. Escolha da Forma do Modelo Linear
Na maioria das vezes a relao entre as VI's e VDep's no-linear, nesses
casos, para aplicar a regresso linear, devemos estabelecer uma relao linear
entre essas variveis, aplicando transformaes s mesmas. Alguns exemplos
de transformaes podem ser observadas na tabela 6-a.
Tabela 6-A: Transformaes para forma linear de funes de uma varivel
Equao na
Forma
Coordenadas na Forma Linear
Equao na
Forma
No-Linear Eixo X Eixo Y Linear
x b b
y
.
1
1 0
+ =
x
y
y
1
#
=
x b b y .
1 0
#
+ =
x
b b y
1
.
1 0
+ =
x
x
1
#
= y
#
1 0
.x b b y + =
x b b
y
x
.
1 0
+ =
x
y
x
y =
#

x b b y .
1 0
#
+ =
2 0
1
. b x b y
b
+ = ( ) x x log
#
= ( )
2
#
log b y y = ( )
#
1 0
#
. log x b b y + =

Se uma relao linear entre a VI e a VDep estabelecida, atravs de uma
transformao, os parmetros do modelo no-linear podem ser estimados por
regresso linear. No entanto, o tratamento dos erros de medio da VDep
torna-se mais complexo, pois a transformao linear no pode ser aplicada ao
tratamento do erro. Por exemplo, seja a relao no-linear:
+ = + =
1
.
0
b
x b y Y
Equao 6-E
Linearizando a equao 6-e, no obteremos o resultado abaixo:

112
( ) ( ) ( ) + + = x b b Y log . log log
1 0

Equao 6-F
Outro fato relevante, quanto forma do modelo a ser ajustado, a
independncia entre os parmetros do mesmo. Isto , quanto mais
independente os parmetros entre si, mais fcil e confivel o ajuste. Para
modelos lineares de 1
a
ordem uma forma de estabelecer a independncia entre
os parmetros escrever o modelo da seguinte maneira:
( ) x x b b Y + = .
1 0

Equao 6-G
onde x a mdia dos valores de x .
6.1.2. Ajuste do Modelo Linear Univarivel
A obteno das melhores estimativas
dos parmetros de um modelo um

problema de otimizao. Portanto necessrio estabelecer:
a) a funo objetivo (FO) a ser alcanada;
b) a(s) funo(es) de restrio(es) (FR), estas no sero consideradas neste
captulo;
c) o critrio de parada, quando for utilizado um mtodo numrico.
A funo objetivo (FO) pode ser, por exemplo, a minimizao da soma dos
quadrados dos erros, entre valor medido e valor calculado pelo modelo da VI;
ou a maximizao da funo de verossimilhana; ou minimizao da soma do
mdulo dos erros.
A estimativa atravs da funo de mxima verossimilhana requer o
conhecimento de conceitos estatsticos que fogem ao escopo deste curso e,
por isso, no ser aqui estudada.
A utilizao da funo mdulo sempre leva a um tratamento matemtico
complexo e no necessariamente mais adequado.
Portanto o uso dos mnimos quadrados conveniente aos nossos
propsitos. Alm disso conduz a problemas de otimizao com soluo
analtica.
Seja a FO a seguir:

Melhores estimativas, pois nunca obteremos o valor real do parmetro, apenas uma
estimativa tima, segundo um certo critrio, do mesmo.

113
( ) | |
=
=
=
n
i
i i i
p Y
f
1
2
.
min

Equao 6-H
onde
( ) x x b b
i i
+ = .
1 0

Equao 6-I
i
- valor calculado da VDep para um certo x
i

p
i
- nmero de medidas replicadas para um certo x
i

Yi - valor da mdia dos experimentos replicados para um certo x
i

x - valor mdio da varivel independente
Substituindo a equao 6-i na equao 6-h, obtemos
( ) ( ) | |
)
`
= =

=
n
i
i i i
p x x b b Y
b b b b
f
1
2
1 0
1 0 1 0
. .
,
min
,
min
Equao 6-J
Como queremos minimizar em relao aos parmetros devemos derivar a
funo em relao aos mesmos e igualar a zero:
( ) ( ) | |
( ) | | { } 0 . . 2
. .
1
1 0
0
1
2
1 0
0
= =
)
`
=
=
n
i
i i i
n
i
i i i
p x x b b Y
b
p x x b b Y
b

Equao 6-K
( ) ( ) | |
( ) | |( ) { } 0 . . . 2
. .
1
1 0
1
1
2
1 0
1
= =
)
`
=
=
n
i
i i i i
n
i
i i i
p x x x x b b Y
b
p x x b b Y
b

Equao 6-L
Abrindo essas equaes, obtemos
| | | | ( ) | |

= = =
+ =
n
i
i i
n
i
i
n
i
i
i p x x b p b p Y
1
1
1
0
1
. . . .
Equao 6-M

114
( ) | | ( ) | | ( ) | |

= = =
+ =
n
i
i i
n
i
i i
n
i
i i
i p x x b p x x b p x x Y
1
2
1
1
0
1
. . . . . .
Equao 6-N
mas
( ) | | | | | | | |
| |
| |
| | 0 .
.
. . . .
1
1
1
1 1 1 1
= = =

=
=
=
= = = =
n
i
i
n
i
i
n
i
i i
n
i
i i
n
i
i
n
i
i i
n
i
i i
p
p
p x
p x p x p x p x x
Equao 6-O
ento, resolvendo para b
0
e b
1
, obtemos:
| |
| |
Y
p
p Y
b
n
i
i
n
i
i
i
= =
=
=
1
1
0
.

Equao 6-P
( ) | |
( ) | |
=
=
=
n
i
i i
n
i
i i
i
p x x
p x x Y
b
1
2
1
1
.
. .

Equao 6-Q
A equao 6-p e a equao 6-q do as estimativas dos parmetros b
0
e b
1
.
6.2. Ajuste de Modelos Lineares de Vrias Variveis
Nesta seo estamos interessados no mesmo problema da seo anterior,
apenas a complexidade matemtica aumenta, pois agora existem vrias
variveis independentes.
Novamente a funo objetivo a minimizao da soma dos quadrados dos
erros:
( ) | | | |

= =
= =
=
n
i
i i
n
i
i i i
q
p e p Y
b b b
f
1
2
1
2
1 0
. .
, ,
min

K

Equao 6-R

115
onde
( ) ( ) ( ) q
q i q i i i
x x b x x b x x b b + + + + =
,
2
2 , 2
1
1 , 1 0
. . . L
Equao 6-S
i
- valor calculado da VDep para um certo ponto (x
i,1
, x
i,2
, ..., x
i,q
)
p
i
- nmero de medidas replicadas para um certo ponto (x
i,1
, x
i,2
, ..., x
i,q
)
Yi - valor da mdia dos experimentos replicados para um certo ponto (x
i,1
,
x
i,2
, ..., x
i,q
)
xk - valor mdio da varivel independente x
k

x
i,k
- varivel independente, onde o ndice i indica a linha da matriz x , ou
seja o ndice do conjunto de dados (1 < i < n); o ndice k indica a coluna
da matriz x , ou seja o ndice da varivel independente (sendo que para
k = 0, x
i,0
= 1) ou dos coeficientes (0 < k < q).
Como queremos minimizar em relao aos parmetros devemos derivar a
funo M em relao aos mesmos e igualar a zero:
( ) ( ) ( ) | | { } 0 . . . . 2
1
2
2 2
1
1 1 0
0
= =

=
n
i
i
q
iq q i i i
p x x b x x b x x b b Y
b
L

Equao 6-T
( ) ( ) ( ) | |( ) { } 0 . . . . . 2
1
1
1
2
2 2
1
1 1 0
1
= =

=
n
i
i i
q
iq q i i i
p x x x x b x x b x x b b Y
b
L

Equao 6-U

( ) ( ) ( ) | |( ) { } 0 . . . . . 2
1
2
2 2
1
1 1 0
= =

=
n
i
i
q
iq
q
iq q i i i
q
p x x x x b x x b x x b b Y
b
L

Equao 6-V
Reescrevendo essas equaes de forma apropriada:
| |
| |
Y
p
p Y
b
n
i
i
n
i
i
i
= =
=
=
1
1
0
.

Equao 6-W
pois

116
( ) | | 0 .
1
=
=
n
i
i
k
ik
p x x
Equao 6-X
( )( ) | | ( )( ) | |
( )( ) | | ( ) | |

= =
= =
=
)
`
+
+
)
`
+
)
`

n
i
i i
i
n
i
i i
q
iq q
n
i
i i i
n
i
i i i
p x x Y p x x x x b
p x x x x b p x x x x b
1
1
1
1
1
1
1
1
1
2
2 2
1
1
1
1
1 1
.
. . L

Equao 6-Y
( )( ) | | ( )( ) | |
( )( ) | | ( ) | |

= =
= =
=
)
`
+
+
)
`
+
)
`

n
i
i i
i
n
i
i i
q
iq q
n
i
i i i
n
i
i i i
p x x Y p x x x x b
1
2
2
1
2 2
1
2
2
2
2 2
1
2
2
1
1 1
.
. . L

Equao 6-Z

( )( ) | | ( )( ) | |
( )( ) | | ( ) | |

= =
= =
=
)
`
+
+
)
`
+
)
`

n
i
i
q
iq
i
n
i
i q iq
q
iq q
n
i
i
q
iq i
n
i
i
q
iq i
p x x Y p x x x x b
1 1
1
2
2 2
1
1
1 1
.
. . L

Equao 6-AA

A equao 6-y e a equao 6-aa constituem um sistema linear de equaes.
Definindo os seguintes vetores e matrizes:
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
=
(
(
(
(
(

=
(
(
(
(
(
=
(
(
(
(
(
+
+
q
q
nq n n
q
q
q
q
n
n n
n
q n
q
nq n n
q
q
q
q
q
q
n
n
b
b
b
x x x x x x
x x x x x x
x x x x x x
Y
Y
Y
e
p
p
p
p
x x x x x x
x x x x x x
x x x x x x
x
b
b
b
b
Y
Y
Y
Y
M
L
M O M M M
L
L
M
L
M O M M
L
L
L
M O M M M
L
L
M
M
1
0
2
2
1
1
2
2
22
1
21
1
2
12
1
11
2
1
2
1
1
2
2
1
1
2
2
22
1
21
1
2
12
1
11
1 1
1
0
1
2
1
1
1
1
,
0 0
0 0
0 0
1
1
1
, ,

Equao 6-BB
obtemos

117
| |
( ) ( ) ( ) ( ) b x Y p b x Y Y p Y
e p e p e Y e b x
T T
T
n
i
i i
. . . . . .
. . . , , .
1
2
= =
= = = =

=

Equao 6-CC
Derivando em relao ao vetor b e igualando a zero:
( )
( )
( ) | |
( ) 0 . . . . 2 .
.
2 . 2
. . 0
= =
= = =
(
(
(
(
(
= b x Y p x e p
b
b x Y
e p
b
e
b
e p e
b
b
b
T
T
T
T
q
M
Equao 6-DD
Resolvendo a equao 6-dd em relao ao vetor b :
( ) ( ) ( ) 0 . . , . . . . . . . . . .
1 1
= = = =

x p x c G c Y p x x p x b b x p x Y p x
T T T T T

Equao 6-EE
A matriz p pode ser interpretada como uma ponderao da preciso e/ou
importncia das medies experimentais da VDep. Desta forma, se
conhecermos as varincias das medidas experimentais da VDep (
i
2
) podemos
escrever:
p
n
=
(
(
(
(
(
(
(
1
0 0
0
1
0
0 0
1
1
2
2
2
2
L
L
M M O M
L

Equao 6-FF
6.3. Ajuste de Modelos Matemticos No-Lineares
Nas sees anteriores deste captulo, aprendemos como ajustar modelos
lineares nos parmetros a dados experimentais. No entanto, tal procedimento
nem sempre possvel ou leva a resultados adequados. Por exemplo, no
Exerccio E6.4, para aplicar a regresso linear tivemos que "forar a barra" e a
resposta obtida foi inadequada. Nesses casos temos que executar uma
regresso no-linear.

118
Por regresso no-linear entende-se um problema de otimizao cuja funo
objetivo a minimizao dos resduos (soma dos quadrados dos erros) entre
os valores medidos e os calculados da VDep.
O modelos ajustado da seguinte forma
( )
m iq i i i i
b b b x x x , , , , , , ,
2 1 2 1
K K =
Equao 6-GG
onde q o nmero de variveis independentes e m o nmero de parmetros
do modelo.
Em notao matricial a equao 6-hh seria
( ) b x, =
Equao 6-HH
onde
(
(
(
(
=
(
(
(
(
(
=
m nq n n
q
q
b
b
b
b
x x x
x x x
x x x
x
M
L
M O M M
L
L
2
1
2 1
2 22 21
1 12 11
,
Equao 6-II
com n > m , isto , o nmero de conjuntos de dados experimentais (n) deve
ser maior que o nmero de parmetros a ajustar (m). Cada valor observado da
VD, Y
i
, associado a um conjunto de x's , denominado x
i
= [ x
i1
, x
i2
, ..., x
iq
] , e
esta relacionado com um valor esperado da VD , O
i
, ou seja
n i e Y
i i i
, , 2 , 1 , K = + =
Equao 6-JJ
onde e
i
representa a soma dos erros de medio e da forma do modelo.
A equao de regresso (modelo a ser ajustado) o seguinte
( )
Y x x x b b b e
q m
= +
1 2 1 2
, , , , , , , K K
Equao 6-KK
A funo objetivo que almejamos
( ) | | { }
=
=
=
n
i
i i i
p b x Y
b
f
1
2
1
. ,
min

Equao 6-LL

119
A soluo analtica deste problema conduz a um sistema de equaes
algbricas no-lineares. Um problema com grau de dificuldade igual ou maior
ao problema de otimizao original. Por isso a abordagem numrica do
problema de otimizao a mais adequada.
Podemos utilizar mtodos de otimizao diretos ou indiretos, conforme
estudado no captulo 5. Em qualquer dos casos, um ou mais critrios de parada
devem ser estabelecidos, veja a seo 3.1.1.
6.3.1. Ajuste de Modelos por Mtodos Diretos - Mtodo do Poliedro
Flexvel
Podemos usar qualquer mtodo direto (que no utiliza derivadas) para
resolver o problema proposto pela equao 6-ll. Para ilustrar utilizaremos o
mtodo do poliedro flexvel ou simplex. No MATLAB a funo que invoca esse
algoritmo fmins. Para verificar o seu procedimento de chamada digite help
fmins na linha de comando e consulte o parte manual do TOOLBOX DE
OTIMIZAO DO MATLAB includa no final desta apostila.
6.3.2. Ajuste de Modelos por Mtodos Indiretos
Se o modelo a ser ajustado for no-linear podemos expandi-lo em uma srie
de Taylor, truncando a aproximao no segundo termo. Este procedimento leva
ao mtodo denominado de Gauss-Siedel, equivalente ao mtodo de Newton
(ou quasi-Newton). Desta forma obtemos um modelo recursivo linear, que
resolvido conforme procedimento anlogo ao visto na seo 6.2.
Uma outra alternativa a linearizao da funo objetivo. Neste caso
camos em algoritmos por ns j estudados: gradiente descendente ou
gradiente conjugado.
A tabela 6-b compara os mtodos indiretos para ajuste de modelos
matemticos a dados experimentais.

120
Tabela 6-B: Mtodos Indiretos para Ajuste de Modelos
Taxa de
Convergncia
Mtodo Linearizao
longe da
soluo
perto da
soluo
Frmula de
Recorrncia
Gauss-Seidel do modelo lenta alta
anloga
equao 6-ee
Gradiente
(descendente ou
conjugado)
da funo
objetivo
alta lenta
anloga
Equao 5-E
ou 5-H
Marquardt
combina a
linearizao do
modelo com a
da funo
objetivo
inicia conforme o
mtodo do gradiente e
depois se comporta
como o de Gauss-
Seidel
anloga
Equao 5-N

6.4. Observaes e "Macetes"
Nesta seo descreveremos um procedimento geral, mas no infalvel, para
ajuste de modelos matemticos a resultados experimentais. Veremos, tambm,
alguns "macetes" que podem nos auxiliar e reduzir problemas de ordem
numrica, tais como mal-condicionamento ou quase singularidades de
matrizes.
Como vimos o problema da estimativa de parmetros um caso particular
de um problema de otimizao. Semelhante estimativa de parmetros so os
problemas de:
a) estimativa de estado;
b) simultnea estimativa de parmetros e de estado;
c) reconciliao de dados;
d) simultnea reconciliao e estimativa de parmetros.
Podemos utilizar qualquer algoritmo numrico para resolver os problemas de
estimativa de parmetros. Particularmente, no TOOLBOX DE OTIMIZAO
DO MATLAB esto disponveis os seguintes algoritmos:
1) Mtodo Quasi-Newton: Broyden-Fletcher-Golfarb-Shanno (BFGS).
Comando do MATLAB fminu, com foptions(6) = 0
2) Mtodo Quasi-Newton: Davidon-Fletcher-Powell (DFP).
3) Mtodo Gradiente Descendente.

121
4) Mtodo Poliedro flexvel (Simplex)
Comando do MATLAB fmins, com foptions(5) = 1
5) Mtodo dos Mnimos Quadrados No-Linear: Levenberg-Marquardt.
Comando do MATLAB leastsq, com foptions(5) = 0
6) Mtodo dos Mnimos Quadrados No-Linear: Gauss-Newton.
Comando do MATLAB leastsq, com foptions(5) = 1
7) Mtodo do Mnimo Mximo.
Comando do MATLAB minimax, com foptions default

122
6.4.1. Procedimento Geral para Ajuste de Modelos
Via de regra, os passos a serem seguidos no ajuste de modelos podem ser
assim resumidos:
P1. Eliminao dos "outliers". Ou seja, retirada das informaes
discrepantes. Isto pode ser feito atravs da anlise de grficos e/ou por
intermdio de algoritmos
.
P2. Normalizao dos dados. A normalizao das VD's e VI's influencia
decisivamente no comportamento dos algoritmos numricos. A
normalizao deve ser realizada de forma que todas as variveis e suas
variaes pertenam a uma faixa restrita de valores.
P3. Escolha da forma do modelo. importante eliminar ou minimizar a
interao entre as variveis
. Por exemplo, conforme procedimento

anlogo ao descrito na seo escolha da forma do modelo linear. Para a
escolha entre modelos cinticos concorrentes o livro Chemical Reactor
Analysis and Design. 2
a
edio, 1990 de Kenneth B. BISCHOFF, e Gilbert
F. FROMENT, tem um procedimento muito til e eficiente. Na escolha do
modelo, sempre que possvel, parta da anlise dos princpios fsico-
qumicos dos fenmenos envolvidos.
P4. Estimativa inicial dos parmetros do modelo. Um procedimento
eficiente, quando possvel, o ajuste linear dos parmetros do modelos. Se
for possvel faa inicialmente uma regresso linear, mesmo que tenha que
linearizar o modelo a ser ajustado, pois este ajuste geralmente conduz a
boas estimativas iniciais para a regresso no-linear. Outra possibilidade
a escolha de um certo nmero de conjuntos de dados de forma que o
sistema de equaes tenha graus de liberdade zero. Resolvendo este
sistema temos uma estimativa inicial dos parmetros do modelos no-
linear.
P5. Normalizao dos parmetros do modelo e/ou normalizao da FO.
Efetue transformaes de forma que os parmetros e/ou as parcelas da FO
estejam na mesma ordem de grandeza
.
P6. Ajuste dos parmetros do mtodo numrico. Tendo uma boa estimativa
inicial dos parmetros, ajuste os parmetros dos mtodos numricos de
forma a minimizar o tempo necessrio ao ajuste e/ou a aumentar a
preciso dos resultados obtidos.
P7. Ajuste no-linear dos parmetros do modelo.
P8. Estude a sensibilidade da FO. Verifique como se comporta a FO frente a
variaes nas VDep's e nos parmetros do modelo
Himmelblau, D. M., Process Analysis by Statistical Methods. John Wiley & Sons, New York,
1970. Pg's 77, 78, 135 e 136
Idem pg 194.
Idem pg's 148, 149, 193 e 194.
Idem pg 147 e 148

123
P9. Defina o intervalo de confiana e/ou a regio conjunta de confiana
dos parmetros. Embora fuja ao escopo deste curso, a anlise da
varincia dos parmetros deve sempre ser realizada
.
P10.Realize simulaes com os parmetros ajustados, interpretando os
resultados.
No Apndice I esto reproduzidas as pginas citadas no rodap.
6.5. Exerccios

E6.1. Determine qual a forma linear que melhor se ajusta aos dados
experimentais da tabela abaixo.
Dados de um experimento
x Y
1 62.1
2 87.2
3 109.
5

4 127.
3

5 134.
7

6 136.
2

7 134.
9

E6.2. Utilizando a equao 6-b e a equao 6-g demonstre que esta ltima
conduz a parmetros mutuamente independentes.

Idem pg's 154 a 164, 197 a 200

124
E6.3. Os seguintes dados de equilbrio de SO
3
em hexano so disponveis.
Determine um modelo linear adequado a esse experimento.

Dados experimentais do equilbrio do SO
3
em hexano
x Y
Press
o
(psia)
Frao Molar
do Hexano

200 0.848
400 0.573
600 0.401
800 0.288
1000 0.209
1200 0.153
1400 0.111
1600 0.078

Obs.: no diretrio de trabalho existe o arquivo E6_3.dat com os dados da tabela
acima.

E6.4. Ajuste, atravs de uma regresso linear e de uma no-linear, a
equao de estado de Berthelot (para 1 mol):

125
P
RgT
V b
a
TV
=

2

para o SO
2
a partir dos seguintes dados:

V
(cm
3
/g)
P
(atm)
massa de gs
(g)
T
(C)
67,810 5,651 0,2948 50
50,882 7,338
45,280 8,118

72,946 5,767 0,2948 75
49,603 8,237
23,331 15,710

80,170 5,699 0,2948 100
45,664 9,676
25,284 16,345
15,285 24,401

84,581 5,812 0,2948 125
42,675 11,120
23,480 19,017
14,735 27,921

23,913 20,314 1,9533 150
18,241 25,695
7,2937 51,022
4,6577 63,730

20,685 26,617 1,9533 200
10,595 47,498
5,8481 74,190
Sons, New York, 1970. Exemplo tambm utilizado no curso de otimizao
oferecido pelo LSCP/DEQ/EPUSP PETROBRAS.
Interprete os resultados obtidos comparando-os com a soluo encontradas
por vocs no exerccio E5.4.
acima.

126
E6.5. xido de nitrognio absorvido numa soluo reacional para produzir
um certo composto. Os dados do experimentos esto a seguir.
Aplicando o roteiro descrito na seo 6.4.1, estime os coeficientes do
modelo b
1
, b
2 e
b
3
.
( ) y b b x x
b
=
1 2
3
. exp . .

Dados do experimento
x Y
xido de
Nitrognio
Absorvido (g/l)
Concentrao
do Produto
(g/l)

0.09 15.1
0.32 57.3
0.69 103.3
1.51 174.6
2.29 191.5
3.06 193.2
3.39 178.7
3.63 172.3
3.77 167.5

acima.

Utilize o mtodo do poliedro flexvel.

127
E6.6. Ajuste a equao de Antoine
log
10
p A
B
T
=
ondep a presso de vapor em milmetros de mercrio,T a temperatura
em Kelvin, eAeBso constantes a serem determinadas.
Presso do vapor para H
2
SO
4
(95 % peso) em H
2
O para diferentes
temperaturas
Presso de Vapor,p(mm Hg) Temperatura Absoluta (K)
0.00150 8.39 308.16 438.16
0.00235 10.30 313.16 443.16
0.00370 12.90 318.16 448.16
0.00580 15.90 323.16 453.16
0.00877 20.20 328.16 458.16
0.01330 24.80 333.16 463.16
0.01960 30.70 338.16 468.16
0.02880 36.70 343.16 473.16
0.04150 45.30 348.16 478.16
0.06060 55.00 353.16 483.16
0.08790 66.90 358.16 488.16
0.12300 79.80 363.16 493.16
0.17200 95.50 368.16 498.16
0.23700 115.00 373.16 503.16
0.32100 137.00 378.16 508.16
0.43700 164.00 383.16 513.16
0.59000 193.00 388.16 518.16
0.78800 229.00 393.16 523.16
1.0700 268.00 398.16 528.16
1.4200 314.00 403.16 533.16
1.8700 363.00 408.16 538.16
2.4000 430.00 413.16 543.16
3.1100 500.00 418.16 548.16
4.0200 580.00 423.16 553.16
5.1300 682.00 428.16 558.16
6.4700 790.00 433.019 563.16
acima.

128
7. Programao Linear (PL)
Neste captulo estudaremos o mtodo de otimizao denominado programao
linear (linear programming - LP). Esse algoritmo o mais robusto e eficiente
para resolver problemas que tenham a FO linear e suas FR's dadas por
equaes ou inequaes lineares nos parmetros e nas variveis (problema de
programao linear - PPL).
A forma padro do PPL a seguinte:
( )
( ) | |
| |
| | p m j b x a
m j b x a
q i x
x c c x
c x
x
j
q
i
i ji
j
q
i
i ji
i
q
i
i i
, , 2 , 1 , e
, , 2 , 1 , e
, , 2 , 1 , 0 a sujeito
,
, min
1
1
1
K
K
K
+ =
= =
=
=
=
=
=

Equao 7-A
ou em notao matricial:
( )
( )
min
x
x c
x c c x
x i q
A x b
A x b
T
i
,
,
, , , ,
=
=
=
sujeitoa
e
e
0 1 2
1
1
2
2
K
Equao 7-B
Para entender como funciona o algoritmo de PL vejamos o exemplo do
exerccio E3.3. A aplicao dos procedimento aprendidos na seo 1.7 a esse
problema nos leva a seguinte formulao:
Funo objetivo (FO):
maximizar o lucro
lucro = faturamento - custo matria-prima - custo processamento
seja x
1
= bbl/dia consumido de petrleo tipo 1
x
2
= bbl/dia consumido de petrleo tipo 2

129
x
3
= bbl/dia produzido de gasolina
x
4
= bbl/dia produzido de querosene
x
5
= bbl/dia produzido de leo combustvel
x
6
= bbl/dia produzido de resduo
ento, em dlares por dia, podemos escrever:
faturamento = 36.x
3
+ 24.x
4
+ 21.x
5
+ 10.x
6

custo matria-prima = 24.x
1
+ 15.x
2

custo processamento = 0,5.x
1
+ 1,0.x
2

As restries desse problema so (FR's):
Quanto ao rendimento a cada tipo de produto:
Gasolina: 0,80.x
1
+ 0,44.x
2
= x
3

Querosene: 0,05.x
1
+ 0,10.x
2
= x
4

leo combustvel: 0,10.x
1
+ 0,36.x
2
= x
5

Resduo: 0,05.x
1
+ 0,10.x
2
= x
6

Quanto capacidade colocao da produo da planta no mercado:
Gasolina: x
3
< 24.000; 0,80.x
1
+ 0,44.x
2
< 24.000
Querosene: x
4
< 2.000; 0,05.x
1
+ 0,10.x
2
< 2.000
leo combustvel: x
5
< 6.000; 0,10.x
1
+ 0,36.x
2
< 6.000
Quanto a natureza matemtica das variveis:
por se tratar de vazes e/ou produes. x
i
> 0 ,i = 1, 2, ..., 6
Substituindo as relaes (restries de igualdade) e simplificando as
expresses, obtemos:
( )
( )
000 . 6 36 , 0 10 , 0
000 . 2 10 , 0 05 , 0
000 . 24 44 , 0 80 , 0 e
2 , 1 , 0 a sujeito
8 , 10 1 , 8
max
2 1
2 1
2 1
2 1
+
+
+
=
+ =
x x
x x
x x
i x
x x x
x
x
i

Equao 7-C

130
ou em notao matricial:
( )
( )
(
(
(
=
(
(
(
=
(
=
(
=
=
000 . 6
000 . 2
000 . 24
,
36 , 0 10 , 0
10 , 0 05 , 0
44 , 0 80 , 0
8 , 10
1 , 8
, onde
. e
2 , 1 , 0 a sujeito
,
, max
2
1
b A
c
x
x
x
b x A
i x
x c c x
c x
x
i
T

Equao 7-D
Rescrevendo o problema na forma padro:
( )
( )
b x A
i x
x c c x
c x
x
i
T
=
=
. e
2 , 1 , 0 a sujeito
,
, min

Equao 7-E
As restries definem uma regio vivel, conforme pode ser observada na
figura 7-a.

Figura 7-A: Regio vivel de um PPL

131
Demonstra-se que o mximo de uma funo linear sempre ocorre nas
restries (limites) da mesma. Assim, o mximo de nosso problema estar nas
intersees das retas e/ou nas retas que definem a regio vivel.
Portanto, para encontrarmos o mnimo de um PPL basta pesquisar nas
intersees das retas de restrio. Os algoritmos de PL utilizam desta
propriedade para encontrar o ponto timo.
importante lembrar que um PPL uma funo cncava e convexa,
limitada por funes convexas, portanto a regio vivel convexa.
Consequentemente existe apenas um nico ponto de mnimo (mximo), ou
seja o mnimo (ou o mximo) global. Maiores discusses sobre funes
cncavas/convexas e regio convexa podem ser vistas nas sees 2.11 e 2.12.
Para resolver o problema supracitado utilizando o Toolbox de Otimizao do
MATLAB, basta digitar na linha de comando do MATLAB as seguintes
instrues:
c=[ 8.1 ; 10.8 ]
b = [ 24000 ; 2000 ; 6000 ]
A = [ 0.80 , 0.44 ; 0.05 , 0.10 ; 0.10 , 0.36 ]
x = lp(-c,A,b)
O comando help lp informa como utilizar o comando lp ("linear
programming").
O algoritmo Simplex e suas variaes o mtodo computacional mais
adotado para resolver um PPL. Ele se baseia nas caractersticas inerentes de
um PPL (FO cncava/convexa, regio convexa, etc.). Um estudo mais
detalhado deste algoritmo foge ao escopo deste curso, pois precisaramos de
conceitos matemticos no abordados anteriormente. Alm disso, tal estudo
relevante apenas quando for necessrio implementar um novo algoritmo
numrico, meta que extrapola os objetivos deste curso.
Cuidado para no confundir o algoritmo Simplex para PL com o Poliedro
Flexvel (que alguns autores tambm denominam de Simplex).
7.1. Convertendo Problemas para a Forma Padro da PL
Algumas vezes a formulao do problema de otimizao conduz a
expresses lineares. Porm, no atendem sintaxe rgida dos programas de
computador, isto , o problema no esta escrito na forma padro adequada aos
pacotes computacionais.
A forma padro adotada neste curso e no "Toolbox" de Otimizao do
MATLAB a representada pela equao 7-b. A depender do autor/pacote
computacional esta forma padro sofre pequenas modificaes. Portanto certo
cuidado necessrio ao escrever um PPL.
As equivalncias entre formas alternativas e padro so as seguintes:

132
1. Forma alternativa envolve a maximizao de uma funo (max f).
Soluo: define-se f
*
= -f e resolve-se o novo problema (min f
*
).
2. Forma alternativa contm restrio de desigualdade com sinal >:
Soluo: multiplica-se essa restrio por-1 .
3. Forma alternativa na qual a varivel de deciso (x
k
) no obedece,
estritamente, ax
k
> 0. Neste caso podemos escrever x
k
> u
k
, com u
k
R .
Soluo: define-se uma nova varivel de deciso y
k
= x
k
- u
k
, assim y
k
> 0 .
4. Forma alternativa na qual a varivel de deciso (x
k
) irrestrita em sinal.
Soluo: define-se duas novas variveis de deciso x
k
+
e x
k
-
, ambas
positivas, de forma que x
k
= x
k
+
- x
k
; aps resolvido o problema
conhecemos x
k
+
e x
k
-
, consequentemente podemos calcular x
k
.
Obs.: para utilizar o "Toolbox" de Otimizao do MATLAB no necessrio
empregar as transformaes sugeridas nos item 3 e 4. Apenas as
apresentamos aqui porque a maioria dos pacotes de otimizao de PL utilizam
a forma padro, conforme a equao 7-a.
7.2. A Dualidade em Programao Linear.
Todo PPL tem uma forma dual, isto , podemos rescrever o problema de
outra maneira porm matematicamente equivalente. A forma dual, apesar de
no ser a natural ou forma primal (aquela que obtida na anlise do problema),
tem algumas propriedades que podem facilitar a resoluo computacional.
A demonstrao da equivalncia das formas primal e dual foge ao escopo
deste curso. Um estudo completo das propriedades e demonstraes
matemticas do problema primal-dual pode ser encontrado em Dantzig
(1963)
.
Dado um problema na forma primal:
( )
( )
) ( irrestrito
) ( 0
) ( . .
) ( . . a sujeito
,
, min
2 2
1 1
2 2
22
1
21
1 2
12
1
11
2 2 1 1
r x
r x
m b x A x A
q b x A x A
x c x c c x
c x
x
T T
+
= +
+ =

Equao 7-F
Obs.: as letras entre parnteses representam o nmero de equaes ou
variveis.

Dantzig, G. B., Linear Programming and Extensions, Princeton University Press, Princeton ,
New Jersey (1963).

133
A formulao dual ser:
( )
( )
) ( irrestrito
) ( 0
) ( . .
) ( . . a sujeito
,
, min
2
1
2 2
2 22 1 21
1 1
2 12 1 11
2
2
1
1
m y
q y
r c y A y A
r c y A y A
y b y b b y
b y
y
T T
T T
T T
+
= +
+ =

Equao 7-G
ondey
1
ey
2
so as variveis duais, tambm denominadas de multiplicadores de
Lagrange. Para cada varivel primal existe uma dual e vice versa. Portanto
conhecendo as variveis duais obteremos as primais.
Observe que os coeficientes da FO na forma primal se tornam os termos do
lado direito das FR's na forma dual, enquanto que os termos do lado direito da
forma primal se transformam nos coeficientes da FO na forma dual. Alm disso
aplicando a transposta nas matrizes dos coeficientes das FR's da forma primal
(A
ij
) , as mesmas se tornam as matrizes dos coeficientes das FR's da forma
dual (A
ij
T
). Note, tambm, que o problema primal de minimizao se transforma
numa maximizao na forma dual e que o sinal de desigualdade invertido.
7.3. Anlise de Sensibilidade em PL
O PPL apenas estar completamente resolvido aps realizar a anlise de
sensibilidade da soluo a mudanas nos coeficientes da FO e das FR's. Este
procedimento necessrio pois tais coeficientes e constantes, geralmente, no
so conhecidos com preciso ou s vezes possvel modificar seus valores.
As principais razes das incertezas na formulao de um PPL so:
1. Estimativa de preos de matria-prima e/ou produto;
2. Estimativa de demanda;
3. Estimativa de capacidade produtiva da planta; etc.
Outras vezes interessante realizar a anlise de sensibilidade pois, sendo
algumas restries/variveis controlveis, podemos modific-las de forma a
maximizar/minimizar o valor da FO. Por exemplo, a depender do problema
temos condies de manipular
1. o capital disponvel;
2. a capacidade de processamento de uma unidade a ser construda;
3. o nvel de automatizao de uma planta; etc.

134
A anlise de sensibilidade realizada modificando o valor das constantes
para mais e/ou para menos e acompanhando sua influncia sobre o valor da
FO e do ponto timo alcanado.
7.4. Programao Linear Sucessiva (PLS)
Quando um problema de otimizao no linear, seja na FO, seja nas FR's,
uma possibilidade para encontrar o ponto timo atravs da linearizao e
aplicao seqencial de PL.
Suponha que o vetor x
#
seja uma soluo vivel do problema no-linear.
Linearizando, em torno de x
#
, a FO e as FR's que sejam no lineares obtemos:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) 0
0 s.a.
min
# # #
# # #
# # #
+
= +
+
x g x x x g x g
x h x x x h x h
x x x x x
j
T
j j
j
T
j j
T

Equao 7-H
onde cada componente do vetor(x- x
#
) limitado inferior e superiormente para
garantir que a soluo do PPL esteja prxima de da estimativa inicial x
#
.
O algoritmo para o mtodo PLS o seguinte:
1. Defina os limites inferior e superior de validade da linearizao;
2. Defina uma estimativa inicial vivel do problema no-linear: x
k
;
3. Linearize a FO e/ou as FR's em torno deste ponto. Encontre a soluo tima
do PPL linearizado: x
k+1
;
4. Verifique se x
k+1
uma soluo vivel do problema no-linear. Se sim faa
x
k
= x
k+1
e retorne ao passo 3, at que o(s) critrio(s) de parada seja(m)
atendido(s); se no diminua os limites inferior e superior de validade da
linearizao e retorne ao passo 3.
Os algoritmos de PLS tem algumas vantagens:
a) so fceis de implementar;
b) podem manipular problemas com um grande nmero de variveis e/ou
restries;
c) convergem rapidamente quando o ponto timo est numa interseo de
restries;
d) so aplicveis em problemas com um nvel "moderado" de no-linearidades.
As desvantagens dos algoritmos PLS so:
a) a PLS converge lentamente quando o ponto timo se localiza no interior da
regio vivel;

135
b) a PLS converge lentamente quando existe um nmero elevado de variveis
no-lineares;
c) se a no-linearidade elevada, o passo de iterao deve ser pequeno,
resultando em um grande esforo computacional.

7.5. Exerccios

E7.1. Escreva na forma padro o seguinte PPL. Resolva utilizando o MATLAB.
max
x x x
x x x
x x
x x x
x
x
= +
+ =
+
+ +
3 2 4
2 8 9 5
5 8
16 4 7 8 4
0
0
1 2 3
1 2 3
1 3
1 2 3
1
2
s.a.
, ,

E7.2. Resolva, utilizando o comando do MATLAB lp , o exerccio E3.1
Qual o custo mnimo de armazenamento e quanto cada tanque deve
conter.

E7.3. Faa uma anlise de sensibilidade no exerccio E3.3.

136
8. Multiplicadores de Lagrange
Quando o problema de otimizao no-linear podemos aplicar o mtodo
dos multiplicadores de Lagrange. Este mtodo localiza os pontos crticos, ou
seja, identifica possveis pontos que podem ser mximo, mnimo ou ponto de
sela. A definio de qual a natureza do ponto crtico dada pelo Hessiano
neste ponto.
Este mtodo converte um problema de otimizao com restries em um
problema sem restrio, atravs da introduo de constantes denominadas
multiplicadores de Lagrange.
Para compreender este mtodo, considere a minimizao de uma funo
denvariveis sujeita a uma nica restrio de igualdade:
( )
( ) 0 , , , s.a.
, , , min
2 1 1
2 1
=
n
n
x x x h
x x x
K
K

Equao 8-A
Defina uma nova funo, denominada de funo Lagrangeana ou
simplesmente Lagrangeana(o), da seguinte maneira:
( ) ( ) ( ) x h w x w x L
1 1
. , + =
Equao 8-B
ondew
1
denominado multiplicador de Lagrange, sendo irrestrito quanto ao
sinal.
No ponto crtico a FO original e a Lagrangeana tem que ser iguais, pois a
restrio de igualdade deve ser obedecida, isto , se x
*
um ponto crtico,
entow
1
um multiplicador de Lagrange e :
( ) ( ) ( ) ( ) ( ) 0 pois . ,
1 1 1
= + = =

x h x h w x w x L x
Equao 8-C
Logo o problema se resume a encontrar umw
1
que satisfaa o seguinte
problema de otimizao sem restrio:
( )
( ) ( ) ( )
n n n
n
x x x h w x x x w x x x L
w x x x L
, , , . , , , , , , , onde
, , , , min
2 1 1 1 2 1 1 2 1
1 2 1
K K K
K
+ =

Equao 8-D
Como trata-se de um problema sem restries, a condio necessria para que
um ponto seja crtico obtida derivando a FO em relao s suas variveis de
deciso e igualando essas expresses a zero:

137
( ) 0
0
0
0
1
2
1
= =
=
=
=
x h
w
L
x
L
x
L
x
L
n
M
Equao 8-E
Esse sistema de equaes algbricas tem n+1 equaes e n+1 incgnitas,
portanto pode ser resolvido.

Exemplo 8.1: Considere o seguinte problema de otimizao no-linear:
( )
( )
( ) 0 25 s.a.
.
min
2
2
2
1
2 1
= =
=
x x x h
x x x
x

o Lagrangeano deste problema :
( ) ( ) ( ) ( )
2
2
2
1 1 2 1 1
25 . . x x w x x x h w x x L + = + =
portanto as condies necessrias para um ponto ser crtico so:
( )
( )
( )
0 25
, ,
0 . . 2
, ,
0 . . 2
, ,
2
2
2
1
1
1 2 1
2 1 1
2
1 2 1
1 1 2
1
1 2 1
= =
= =
= =
x x
w
w x x L
x w x
x
w x x L
x w x
x
w x x L

resolvendo esse sistema de equaes algbricas no-lineares encontramos os
seguintes pontos crticos:
w
1
x
1
x
2

+3,54 -3,54
-0,5
-3,54 +3,54
+3,54 +3,54
+0,5
-3,54 -3,54

138
para saber se o ponto de mnimo ou de mximo temos que calcular a
Hessiana da Lagrangeana em relao ao vetorxno ponto crtico
:
( )
( )
( ) ( )
( ) ( )
(
=
(
(
(
(
= =
1
1
2
2
2
1 2
2
2 1
2
1
2
2
2
. 2 1
1 . 2
, ,
, ,
w
w
x
w x L
x x
w x L
x x
w x L
x
w x L
x L H
x L

para os pontos crticos temos as seguintes possibilidades:
( ) ( ) ( )
( ) ( ) ( )
(
= + + = + =
(
+
+
= + + = =
0
2 -
= s autovalore
1 1
1 1
54 , 3 ; 54 , 3 ou 54 , 3 ; 54 , 3 5 , 0 p/
2 +
0
= s autovalore
1 1
1 1
54 , 3 ; 54 , 3 ou 54 , 3 ; 54 , 3 5 , 0 p/
1
1
L
L
H x w
H x w

como os autovalores so no-negativos (ou no-positivos) a matriz Hessiana
positiva semi-definida (negativa semi-definida) e esse ponto , possivelmente
um mnimo (mximo); para comprovar se realmente um ponto de mnimo
temos que avaliar a FO:
para w
1
= -0,5 (x) = -12,5
para w
1
= +0,5 (x) = +12,5
comparando os valores da FO e a matriz Hessiana nos pontos crticos
conclumos que:
w
1
x
1
x
2

(x)
H
L
Ponto
+3,54 -3,54 -12,5 > 0 mnimo -0,5
-3,54 +3,54 -12,5 > 0 mnimo
+3,54 +3,54 +12,5 < 0 mximo +0,5
-3,54 -3,54 +12,5 < 0 mximo

O problema de otimizao na forma geral pode conter restries de
igualdade e de inequaes. Neste ltimo caso temos que transformar as
inequaes em equaes utilizando variveis de folga ("slack variable"). Assim
o problema
( )
( )
( )
min x
h x j m
g x j m p
j
j
s.a. = =
= +
0 1
0 1
, ,
, ,
K
K

Equao 8-F

Na seo 2.11 e 2.13 estudamos a matriz Hessiana e o seu significado.

139
transformado, pela subtrao, na inequao, do quadrado da varivel de
folga,
j
2
, j = m+1, ..., p:
( )
( )
( ) p m j x g
m j x h
x
j j
j
, , 1 0
, , 1 0 s.a.
min
2
K
K
+ = =
= =

Equao 8-G
Agora podemos definir a Lagrangeana da seguinte forma
( ) ( ) ( ) | | ( ) | | { }

+ = =
+ + =
p
m j
j j j
m
j
j j
x g w x h w x w x L
1
2
1
. . ,
Equao 8-H
Novamente como trata-se de um problema sem restries, a condio
necessria para que um ponto seja crtico obtida derivando a FO em relao
s suas variveis de deciso e igualando essas expresses a zero:
( )
( )
( )
p m j w
w x L
p j
w
w x L
n i
x
w x L
j j
j
j
i
, , 1 0 . 2
, ,
, , 1 0
, ,
, , 1 0
, ,
K
K
K
+ = = =
= =
= =

Equao 8-I
Exemplo 8.2: Considere o seguinte problema de otimizao no-linear:
( )
( )
( ) 0 25 s.a.
.
min
2
2
2
1
2 1
=
=
x x x g
x x x
x

o Lagrangeano deste problema :
( ) ( ) ( ) ( )
2
1
2
2
2
1 1 2 1 1
25 . . + = + = x x w x x x g w x x L
portanto as condies necessrias para um ponto ser crtico so:

140
( )
( )
( )
( )
0 . . 2
, , ,
0 25
, , ,
0 . . 2
, , ,
0 . . 2
, , ,
1 1
1
1 1 2 1
2
1
2
2
2
1
1
1 1 2 1
2 1 1
2
1 1 2 1
1 1 2
1
1 1 2 1
= =
= =
= =
= =

w
w x x L
x x
w
w x x L
x w x
x
w x x L
x w x
x
w x x L

resolvendo esse sistema de equaes algbricas no-lineares encontramos os
seguintes pontos crticos:
w
1

1
x
1
x
2
(x) Ponto
0 5 0 0 0 de sela
0 +3,54 -3,54 -12,5 mnimo
-0,5
0 -3,54 +3,54 -12,5 mnimo
0 +3,54 +3,54 +12,5 mximo
+0,5
0 -3,54 -3,54 +12,5 mximo
Nesta tabela tambm observamos o valor da funo a ser minimizada e a
caracterstica do ponto crtico.
8.1. Anlise de Sensibilidade por Multiplicadores de Lagrange
Os multiplicadores de Lagrange tem uma importante e especial interpretao
em problemas de otimizao: eles fornecem a sensibilidade da FO em relao
a mudanas nos termos constantes das FR's. Seja o problema de otimizao a
seguir:
( )
( )
( ) ( ) e x h x h
e e x h
x
=
=
s.a.
seja ou
constante) sendo ( s.a.
min

Equao 8-J
Ento o Lagrangeano ser
( ) ( ) | | { } w e x h w x
e e
L
= + =

Equao 8-K
Aproximando a equao 8-k por diferenas finitas, obtemos:

141
e w L w
e
L
= =
. ou
Equao 8-L
Interpretando a equao 8-l podemos tirar as seguintes concluses:
1. A variao do Lagrangeano a uma mudana nos valores das restries
diretamente proporcional ao multiplicador de Lagrange associado a essa
restrio;
2. No ponto timo, a afirmao acima pode ser estendida FO, isto , o
multiplicador de Lagrange informa quo sensvel a FO em relao a
mudanas nas restries.
8.2. Condies de Kuhn-Tucker - CKT
Nas sees anteriores vimos como utilizar os multiplicadores de Lagrange
para solucionar problemas de otimizao. Kuhn e Tucker estabeleceram,
baseados nos multiplicadores de Lagrange, condies necessrias e
suficientes para problemas de programao (otimizao) no-lineares (PNL).
Considere os seguinte problema de PNL ("nonlinear programming" - NLP):
( )
( )
( ) K k x g
J j x h
x
k
j
, , 1 0
, , 1 0 s.a.
min
K
K
=
= =

Equao 8-M
Assumindo que as funes , h e g so diferenciveis, as condies
necessrias para que o ponto x
*
seja mnimo, ou as condies de Kuhn-
Tucker so:
( ) ( ) ( ) ( )
( )
( )
( )
K k u
K k x g u
K k x g
J j x h
x g u x h w x u w x L
k
k k
k
j
K
k
k k
J
j
j j x
, , 2 , 1 0
, , 2 , 1 0 .
, , 2 , 1 0
, , 2 , 1 0
0 . . , ,
1 1
K
K
K
K
=
= =
= =
= =
= =

= =

Equao 8-N
A demonstrao dessa condio est alm do escopo deste curso. O leitor
interessado pode encontrar uma prova formal em Bazaraa, M. S. e Shetty
(1979)
Bazaraa, M. S. e Shetty, C. M., Nonlinear Programming: Theory and Algoritms, John Wiley &

142
Alm disso, se a FO convexa, as restries de igualdade forem lineares e
as restries de inequaes forem cncavas; e se existir (x
*
, w
*
, u
*
) que
satisfaa as CKT, ento x
*
o ponto timo (timo global). Esta a condio
suficiente.

8.3. Vantagens e Desvantagens dos Multiplicadores de Lagrange

Abaixo esto descritas as vantagens do mtodo dos multiplicadores de
Lagrange:
1. Permite fazer fcil anlise de sensibilidade da FO s restries;
2. Serve de embasamento terico a outros mtodos de otimizao;
3. Permite estabelecer condies necessrias e suficientes de pontos timos.

As desvantagens deste mtodo so as seguintes:
1. Nem sempre os multiplicadores de Lagrange existem;
2. O clculo dos multiplicadores pode ser muito complicado;
3. Ou recai num sistema de equaes algbricas, muitas vezes no-lineares,
que pode ter difcil soluo; ou .ento o aumento do nmero de variveis
independentes (variveis de deciso mais os multiplicadores de Lagrange)
torna difcil a soluo do problema.

8.4. Exerccios

E8.1. Utilizando os multiplicadores de Lagrange, maximize f = x
1
2
+ x
2
2
+ 4x
1
x
2
sujeito a x
1
+ x
2
= 8 . Se a restrio modificar para x
1
+ x
2
= 8,01 , qual a
mudana na Lagrangeana? E na FO?

E8.2. O custo de construo de uma coluna de destilao pode ser descrito
como:
C C A N C H A N C C C C C
p s f d b L x
= + + + + + + . . . . .
onde C - custo total, $

143
C
p
- custo por p-quadrados de rea de um prato, $/ft
2

A - rea da seo transversal da coluna, ft
2

N - nmero de pratos
N
min
- nmero mnimo de pratos
C
s
- custo da estrutura, $/ft
3

H - distncia entre os pratos, ft
C
f
- custo da bomba de alimentao, $
C
d
- custo da bomba do destilado, $
C
b
- custo da bomba do fundo, $
C
L
- custo da bomba do reciclo, $
C
x
- outros custos fixos, $
O problema consiste em minimizar o custo total, levando em conta que as
especificaes quanto a quantidade e qualidade de produto devem ser
atendidas. Considere, tambm, que os custos das bombas so conhecidos e
fixos, isto , C
f
, C
d
e C
b
so constantes. O material de construo tambm j foi
selecionado, portanto C
p
, C
s
e C
x
j foram determinados.
As variveis de processo so relacionadas por duas expresses empricas:
( )
L
D N
N
L
D
A K L D
min min
=
|
\
|
.
|
(
(
(
|
\
|
.
|
= +
1
1
.

para simplificar assuma = = 1; ento
( )
L
D N
N
L
D
A K L D
min min
=
|
\
|
.
|
(
(
(
|
\
|
.
|
= +
1
1
.

Para a coluna de destilao em questo os seguintes parmetros so
conhecidos:
C
p
= 30 C
d
= 3000 D = 1000
C
s
= 10 C
b
= 2000 N
min
= 5
H = 2 C
x
= 8000 (L/D)
min
=1
C
f
=4000 F = 1500 K = 0,01 (h.ft
2
)/lb

144
O custo da bomba de refluxo relacionado com a vazo da corrente de refluxo
e dada por:
C L
L
= + 5000 0 7 , .
Pede-se:
a) Determine as variveis de deciso (independentes) e as variveis
dependentes;
b) Utilizando os multiplicadores de Lagrange, encontre o ponto mnimo e o
correspondente custo de construo da coluna.

F
(alimentao
D
(destilado)
L
(refluxo)
B
(resduo)

145
9. Funo Penalidade
Um dos mtodos mais empregados em problemas de otimizao no-linear
o da funo penalidade.
Basicamente consiste numa aproximao sucessiva da soluo partindo de
uma estimativa inicial x
(0)
, que pode ou no ser um ponto vivel, e de um certo
valor para o parmetro de penalizao R. medida que R diminui, isto , a
penalizao por violar as restries diminui, as solues x
(k)
se aproximam do
ponto timo x
*
.
A idia deste mtodo transformar o problema com restrio:
( )
( )
( ) p m j x g
m j x h
x
j
j
, , 1 0
, , 1 0 s.a.
min
K
K
+ =
= =

Equao 9-A
num problema irrestrito, utilizando uma funo penalidade que pondera a
influncia da restrio na FO, isto , FO original acrescentados termos que
dependem das restries e do parmetro de penalizao. No incio do
algoritmo o problema tratado como irrestrito (R infinito) e gradualmente R
diminui penalizando as violaes das restries. Assim a equao 9-a fica
transformada em:
( )
( ) ( ) ( ) ( ) ( ) x g x h R x R x P
R x P
, , ,
, min
+ =

Equao 9-B
O termo penalizante pode assumir vrias formas, alguns das quais podem
ser observadas na tabela 9-a.
Vamos demonstrar o uso da funo penalidade atravs de um exemplo
simples.

Exemplo 9.1:
( )
( ) ( ) ( )
( ) 0 5 , s.a.
4 4 ,
, min
2 1 2 1
2
2
2
1 2 1
2 1
= + =
+ =
x x x x h
x x x x
x x

Utilizando uma penalidade quadrtica, escrevemos a funo penalidade:

146
( ) ( ) ( ) ( )
2
2 1
2
2
2
1 2 1
5
1
4 4 , , + + + = x x
R
x x R x x P
Agora temos um problema de otimizao sem restries, que pode ser
resolvido utilizando o mtodo do poliedro flexvel.
Para implementar o mtodo da funo penalidade temos que definir:
1. Razo de atualizao do parmetro de penalizao (RR), pois o mesmo
deve ser inicializado com um valor elevado e gradualmente ir diminuindo;
2. Critrio de parada:
(a) at quando o valor de R ir diminuir;
(b) em relao a dois valores sucessivos das variveis de deciso;
(c) em relao a dois valores sucessivos do valor da funo penalidade;
(d) em relao a dois valores sucessivos do valor da funo objetivo.
Neste exemplo adotaremos apenas o critrio de parada 2(a).
Na tabela abaixo vemos o resultado das sucessivas iteraes at atingir o
critrio de parada (R < 0,0001). Observe que o mtodo vai convergindo a cada
iterao, pois:
1. O valor da funo de restrio vai diminuindo;
2. Os valores das variveis de deciso tendem ao valor exato;
3. O valor da funo penalidade P(x
1
, x
2
, R) vai se aproximando da FO (x
1
, x
2
)
R x
1
x
2
P(x
1
, x
2
, R)
x
1
, x
2
)
h(x
1
, x
2
)
7 4,0000 4,0000 0,000000 0,00000000
0
3,0000
1000 3,9970 3,9970 0,008982 0,00001803
1
2,9940
100 3,9706 3,9706 0,088235 0,00172920 2,9412
10 3,7500 3,7500 0,750000 0,12502000
0
2,5000
1 3,0000 3,0000 3,000000 1,99900000
0
1,0001
0,1 2,5715 2,5714 4,285700 4,08160000
0
0,1429
0,01 2,5075 2,5074 4,477600 4,45530000
0
0,0149
0,001 2,5008 2,5007 4,497800 4,49550000
0
0,00150
0,0001 2,5000 2,5001 4,499800 4,49960000
0
0,00015

147
Soluo
Exata
2,5000 2,5000 4,500000 4,50000000
0
0,00000
Outra observao pertinente que a seqncia de pontos no pertencem
regio vivel, ou seja, os pontos (x
1
, x
2
)
(k)
so exteriores regio vivel.

Quando a funo penalidade escrita de forma a gerar uma seqncia de
pontos viveis dito que o algoritmo um mtodo de pontos interiores, quando
no pertencem denominado mtodo de pontos exteriores, quando gera
pontos dentro e fora da regio vivel chamamos de mtodo de pontos mistos.
No existe uma funo penalidade que seja adequada a todos os
problemas, portanto para cada problema temos que descobrir a funo
penalidade mais apropriada.

148
Tabela 9-A: Tipos de funes penalidades - ( ) ( ) ( ) ( ) ( ) x g x h R x R x P , , , + =
Tipo de Funo Penalidade
Restrio Denominao Expresso
Igualdade
Penalidade
Parablica
( ) ( ) ( ) | |
=
=
m
j
j
x h
R
x h R
1
2
1
,
Equao 9-C
Inequaes Barreira Infinita
( ) ( ) ( )
=
J j
j
x g x h . 10
20

Equao 9-D
onde J identifica o conjunto de
restries violadas, isto , neste
caso
( ) J j x g
j
< 0
Inequaes
Penalidade
Logartmica
( ) ( ) ( ) | |
+ =
=
p
m j
j
x g R x g
1
2
ln .
Equao 9-E
Inequaes Penalidade Inversa
( ) ( )
( ) | |
+ =
=
p
m j
j
x g
R x g R
1
2
1
,
Equao 9-F
Inequaes
Operador
Parnteses
( ) ( ) ( ) | |
+ =
=
p
m j
j
x g
R
x g R
1
2 1
,
Equao 9-G
Equaes e
Inequaes
( ) ( ) ( ) ( ) | |
( ) | |
+ =
=
+ =
p
m j
j
m
j
j
x g
R x h
R
x g x h R
1
2
1
2
1 1
, ,
Equao 9-H
Equaes e
Inequaes
( ) ( ) ( ) | | ( ) | |

+ = =
=
p
m j
j
m
j
j
x g R x h
R
x g R
1
2
1
2
ln
1
,
Equao 9-I
Equaes e
Inequaes
( ) ( ) ( ) ( )

+ = =
+ =
p
m j
j
m
j
j
x g x h x g R
1
20
1
20
10 10 ,
Equao 9-J

149
onde ( )
( ) ( )
( )
>
=
0 se 0
0 se

x g
x g x g
x g
j
j j
j

Obs.: o parmetro penalizante R deve ser inicializado com valores grandes
(10
20
).
9.1. Exerccios

E9.1. Utilizando o mtodo da funo penalidade resolva o seguinte problema.

( )
( ) ( ) ( )
( ) 0 5 , s.a.
4 4 ,
, min
2 1 2 1
2
2
2
1 2 1
2 1
=
+ =
x x x x g
x x x x
x x

Utilize uma funo penalidade parnteses. A seqncia de pontos pertencem
ou no regio vivel, ou seja, so ponto interiores ou pontos exteriores
regio vivel?

Sugesto: utilize os arquivos EX9_1.M e EX9_1_FC.M como modelos.

E9.2. Utilizando o mtodo da funo penalidade resolva o seguinte problema.

( )
( )
( )
( )
( ) 0 6 ,
0 26 ,
0 1 , s.a.
,
, min
2 1 2 1 1
2
2
2
1 2 1 2
1 2 1 1
2
2
1 2 1
2 1
= + =
=
=
=
x x x x h
x x x x g
x x x g
x x x x
x x

Sugesto: utilize os arquivos EX9_1.M e EX9_1_FC.M como modelos.

150
10. Programao Quadrtica - PQ
Um problema de programao quadrtica (PPQ) - "quadratic programming
problem QPP" - um problema de otimizao que envolve uma FO quadrtica
e FR's lineares:
( )
( )
0
. s.a.
2
1
min

+ =
x
b x A
x Q x x c x
x
x
T T

Equao 10-A
Podemos rearranjar a equao 10-a da seguinte maneira
( )
( )
( )
( ) 0 .
0 . s.a.
2
1
min
2
1
=
=
+ =
x I x g
b x A x g
x Q x x c x
x
x
T T

Equao 10-B
Escrevendo a funo Lagrangeana da equao 10-b, obtemos
( ) ( ) ( ) ( ) x g u x g w x u w x L
T T
2 1
, , + + =
Equao 10-C
e
( ) 0 . , , = + = u w A x Q c u w x L
T
x
T

Equao 10-D
onde w e u so multiplicadores de Lagrange.
Definindo variveis fictcias no-negativas (y):A.x - b - y = 0 ; aplicando as
condies de Kuhn-Tucker ao PPQ, obtemos:

151
( )
0 0 0 0
0 0
0 .
0 . , ,

= =
=
= + =
u w y x
x u y w
y b x A
u w A x Q c u w x L
T T
T
x
T

Equao 10-E
O conjunto de variveis (x
*
, y
*
, w
*
, u
*
) que satisfaz a equao 10-e a soluo
do PPNL (equao 10-a).
Demonstra-se que se (x
*
, y
*
, w
*
, u
*
) soluo da equao 10-a, ento o PPQ
equivalente a:
( )
( ) ( )
0 0 0 0
0 0
0 .
0 . s.a.
2
1
min

= =
=
= +
+ =
u w y x
x u y w
y b x A
u w A x Q c
y b x c x
x
x
T T
T
T T

Equao 10-F
Esta forma equivalente do PPQ denominada problema linear complementar.
Portanto o PPQ pode ser encarado como um PPL.
Se apenas existirem equaes de restrio, isto , no existem inequaes,
ento as CKT so as mesmas da equao 10-f, exceto que y = 0 .
Se a matriz Q for ao menos positiva semi-definida, ento o problema dual
pode ser formulado:
( )
( )
irrestrito
0
0 s.a.
2
1
,
, max
z
w
c w A z Q
z Q z w b w z
w z
T
T T
+
=

Equao 10-G
No Toolbox de Otimizao do MATLAB o problema da PQ pode ser
resolvido chamando a rotina qp. Para maiores instrues digite help qp na
linha de comando do MATLAB.

152
10.1. Programao Quadrtica Sucessiva - PQS
Analogamente ao realizado na PLS, podemos aproximar a FO e as FR's por
funes que transformem o PPNL original em um subproblema de PQ.
Resolvemos este ltimo e a soluo encontrada serve como estimativa para a
prxima aproximao.
O algoritmo de uma PQS pode ser assim resumido:
1. Dado o PPNL:
( )
( )
( ) K k x g
J j x h
x
k
j
, , 2 , 1 0
, , 2 , 1 0 s.a.
min
K
K
= =
= =

Equao 10-H
defina a estimativa inicial x
o
;
2. Aproximar o PPNL por um PPQ:
( ) | | ( ) ( ) ( )( )
( ) ( ) | | ( )
( ) ( ) | | ( ) K k x x x g x g
J j x x x h x h
x x x x x x x x
i i
T
i
k
i
k
i i
T
i
j
i
j
i i i
T
i i i i
T
i
, , 2 , 1 0
, , 2 , 1 0 s.a.
2
1
min
1
1
1 2 1 1
K
K
= +
= = +
+
+
+
+ + +

Equao 10-I
ou, definindo o vetor direo de busca d = (x
i+1
- x
i
) :
( ) | | ( )
( ) ( ) | |
( ) ( ) | | K k d x g x g
J j d x h x h
d x d d x
T
i
k
i
k
T
i
j
i
j
i T
T
i
, , 2 , 1 0
, , 2 , 1 0 s.a.
2
1
min
2
K
K
= +
= = +
+

Equao 10-J
3. Resolva o PPQ dado pela equao 10-j;
4. Verifique se a tolerncia foi alcanada, se no volte ao passo 2.

A forma de aproximao dada pela equao 10-j, embora correta, gera
algoritmos instveis. Uma forma mais robusta utilizar a aproximao da
funo Lagrangeana no lugar da FO. Desta forma o subproblema de PQ fica
assim definido:

153
( ) | | ( )
( ) ( ) | |
( ) ( ) | | K k d x g x g
J j d x h x h
d x L d d x L
T
i
k
i
k
T
i
j
i
j
i T
T
i
, , 2 , 1 0
, , 2 , 1 0 s.a.
2
1
min
2
K
K
= +
= = +
+

Equao 10-K
onde
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) x g u x h w x u w x L
x g u x h w x u w x L
x
T
x
T
x x
x
T
x
T
x x
2 2 2 2
, ,
, ,
+ =
+ =

Equao 10-L
mas no ponto timo demonstra-se que ( ) ( ) 0 e 0 = = x g u x h w
x
T
x
T
assim o
subproblema de PQ pode ser escrito como
( )
( ) ( ) | | ( )
( ) ( ) ( ) | |
( ) ( ) ( ) | | K k d x g x g x d g
J j d x h x h x d h
d u w x L d d x u w x d q
u w x d q
T
i
k
i
k
i
j
T
i
j
i
j
i
j
i i i
x
T
T
i i i i
i i i
, , 2 , 1 0 ,
~
, , 2 , 1 0 ,
~
s.a.
, ,
2
1
, , ,
, , , min
2
K
K
= +
= = +
+ =

Equao 10-M
onde d = (x
i+1
- x
i
)
Utilizando a equao 10-m o algoritmo do PQS semelhante ao
apresentado anteriormente, apenas temos que estimar inicialmente, alm do
vetor x
o
, o vetor dos multiplicadores de Lagrange w
o
e u
o
.
Podemos melhorar a convergncia do mtodo PQS substituindo a Hessiana
do Lagrangeano por uma matriz aproximao positiva definida, por exemplo
por uma frmula BFGS ou de Broyden.

154
10.2. Exerccios

E10.1. Utilizando o mtodo da programao quadrtica resolva o seguinte
problema.

( )
( ) ( ) ( )
( )
min x x
x x x x
g x x x x
1 2
1 2 1
2
2
2
1 2 1 2
4 4
5 0
,
,
,
= +
= s.a.

Compare os resultados obtidos com o Exemplo 9.1 e com o exerccio 9.1.

E10.2. Resolva o seguinte PPQ:

( )
( )
min x
x x x x x x
x x x x x
x x x x
x x x
x x x
= + + + +
+ + =
+ =
+ +
+
1
2
2
2
3
2
4
2
5
2
1 2 3 4 5
1 3 4 5
1 2 3
3 4 5
2 3 4 5
2 4 0
5 2 0
2 6
4 2 0
s.a.

155
11. Gradiente Reduzido Generalizado -GRG
Um dos mtodos mais poderosos de PNL o do Gradiente Reduzido
Generalizado ("Generalized Reduced Gradient" - GRG).
O PPNL a ser resolvido o seguinte
( ) | |
( )
n i U x L
m j x h
x x x x x
i i i
j
n
T
, , 2 , 1
, , 2 , 1 0 s.a.
min
2 1
K
K
L
=
= =
=

Equao 11-A
onde L
i
e U
i
so os limites inferiores e superiores da varivel x
i
.
No caso de inequaes, as transforme em equaes utilizando variveis
fictcias:
( ) ( )
( ) ( ) 0
ou
2
=
+ =
i i j j
i i j j
x g x h
x g x h

Equao 11-B
onde o sinal + aplicado nas inequaes de sinal<e o sinal - nas de sinal> .
Suponha que existam n variveis de deciso e m restries (n>m).
Imponha que as m restries podem ser explcitas, assim pode-se substituir na
FO m variveis, consequentemente o nmero de incgnitas fica reduzido a (n-
m). Realizar este procedimento em equaes no lineares s vezes
impossvel. Porm, se as equaes forem lineares ou linearizadas possvel
ter uma soluo analtica para o problema, desde que ela exista. Para tornar o
algoritmo geral, ou seja generalizado, empregado o gradiente das funes,
pois, desta forma, qualquer que seja a expresso, sempre ser obtida uma
relao linear entre as variveis.
Para exemplificar considere o seguinte problema:
( )
( ) 0 , s.a.
, min
2 1
2 1
= x x h
x x

Equao 11-C
O diferencial total de cada funo :
( )
( ) ( )
2
2
1
1
x d
x
x
x d
x
x
x d
+ =
Equao 11-D

156
( )
( ) ( )
0
2
2
1
1
= + = x d
x
x h
x d
x
x h
x h d

Equao 11-E
O diferencial total da restrio feito nulo porque, no ponto timo, a igualdade
h(x) = = constante = 0 deve ser sempre obedecida. No mtodo GRG essa
caracterstica aplicada a toda iterao.
Utilizando a equao 11-e pode-se eliminar uma varivel:
( )
( )
( ) ( )
2
2
1
1
2
1
2
1
x d
x
x h
x
x h
x d
x
x h
x
x h
x d
(
=
(
(
(
(

Equao 11-F
O algoritmo GRG iterativo. A atualizao dos valores dex
1
obedece
seguinte relao:
1
1
1
1 1

+ =
k k k
x d x x
Equao 11-G
Observe que na equao 11-gx
1
k
depende apenas de condies da iterao
anterior.
Substituindo a equao 11-f na equao 11-e, obtemos:
( )
( ) ( ) ( ) ( )
2
2 2
1
1 1
x d
x
x
x
x h
x
x h
x
x
x d
+
(

Equao 11-H
A expresso entre colchetes da equao 11-h denominada de gradiente
reduzido. Neste caso um escalar, mas, no caso geral, um vetor de (n-m)
elementos.
Para facilitar a notao em sistemas com vrias variveis vamos subdividir
(particionar) as variveis de deciso em dois grupos:
1. Variveis de deciso bsicas ou dependentes, x
D
: so as variveis que
sero explicitadas nas FR's, no exemplo acima x
D
= x
1
.
2. Variveis de deciso no-bsicas ou independentes, x
I
: so as variveis que
permanecero na FO, no exemplo acima x
I
= x
2
.
assim a varivel de deciso x particionada da seguinte forma: x = [ x
D
| x
I
] .
Portanto, haver m variveis de deciso bsicas (dependentes), e o vetor x
D
ter dimenso (m x 1). Enquanto que existir (n-m) variveis de deciso no-
bsicas (independentes), e o vetor x
i
ter dimenso (n-m x 1).

157
11.1. Relao entre o GRG e os Multiplicadores de Lagrange
A relao entre o GRG e os multiplicadores de Lagrange pode ser vista a
seguir. Seja a Lagrangeana
( ) ( ) ( ) x h w x w x L
T
+ = ,
Equao 11-I
logo
( ) ( ) ( )
w
x
x h
x
x
x
w x L
T
(
+ =
,

Equao 11-J
Lembrando do particionamento de x
k
= [ x
D
k
| x
I
k
] :
( ) ( ) ( )
I D
T
I D I D
x x h w x x w x x L , , , , + =
Equao 11-K
Particionando os vetores da equao 11-j:
( )
( )
( )
( )
( )
( )
1 x
x
1 x 1 x
,
m
m m n
T
I
I
m n
I
I
m n
I
I
w
x
x h
x
x
x
w x L
+ =

Equao 11-L
e, demonstra-se que
( ) ( ) ( )
0
,
1 x
x
1 x 1 x
=
(
+ =
m
m m
T
D
D
m
D
D
m
D
D
w
x
x h
x
x
x
w x L

Equao 11-M
Da equao 11-m obtm-se
( ) ( ) ( ) ( )
(
=
(
D
T
D D
T
D
x
x
x
x h
x
x
x
x h
w
1
1

Equao 11-N
ou
( ) ( )
1
(
=
D
T
D
T
x
x h
x
x
w

Equao 11-O
A equao 11-o d a relao entre os multiplicadores de Lagrange e o mtodo
GRG. Substituindo a equao 11-n na equao 11-l obtm-se a expresso do
gradiente reduzido

158
( ) ( ) ( ) ( ) ( )
(
= =

D
T
D
T
I I I
R
x
x
x
x h
x
x h
x
x
x
w x L
g
1
,

Equao 11-P
portanto, o g
R
a derivada parcial do Lagrangeano em relao s variveis
no-bsicas:
11.2. Algoritmo do Gradiente Reduzido Generalizado
Vamos desenvolver o algoritmo do GRG utilizando um exemplo para ilustrar
as passagens, veja

Exemplo 11.1: { } ) 1 . 4 . 2 . 4 )( exp( min ) ( min
2 1
2
2
2
1 1
+ + + = x x x x x x f
s.a.
10
0 5 , 1
2 1
2 1 2 1
>
< +
x x
x x x x

A soluo obtida pelo MATLAB
x
x
f
1
2
9 5474
1 0474
0 0236
=
= +
=
,
,
,
min

Na tabela 11-a descrevemos, na coluna da esquerda, um algoritmo do
mtodo do gradiente reduzido, enquanto que na da direita, aplicamos esse
algoritmo no exemplo proposto.
Aps a tabela encontra-se a listagem do programa desenvolvido no MATLAB
para o mtodo do gradiente reduzido.

159
Tabela 11-A: Algoritmo GRG e aplicao
APLICAO DO ALGORITMO DO GRADIENTE REDUZIDO
1
a
ETAPA:
Escrever o problema segundo a
forma padro, i.e.:
minimizar
sujeito a
f x x x x x
h x j m
n
T
j
( ) [ ]
( ) , ,
=
= =
1 2
0 1
L
K

Se existirem inequaes, as mesmas
devem ser transformadas em
equaes utilizando variveis fictcias .
1
a
ETAPA:
Funo objetivo:
) 1 2 . 4 . 2 . 4 )( exp( ) (
) ( min
2 2 1
2
2
2
1 1
+ + + + = x x x x x x x f
x f
Restries:
( )
( ) 0 10
0 5 , 1
2
4 2 1 2
2
3 2 1 2 1 1
= + =
= + + =
x x x x h
x x x x x x h

Obs.: as variveis x
3
e x
4
so fictcias
2
a
ETAPA:
Escolha das variveis no-bsicas
(independentes) e bsicas
(dependentes). Definio de alguns
parmetros do mtodo numrico.
Escolha prioritariamente as variveis
controladas, quando existirem, como
variveis independentes x
I
.
x x x
T
D I
= |
Definio da estimativa inicial de x
v

vivel. Para tanto dado um certo x
i

utilizamos o mtodo de Newton para
encontrar o x
v
vivel.
Definio do valor inicial de (fator de
amortecimento), da taxa de diminuio
de , das tolerncias, do(s) critrio(s)
de parada e do nmero mximo de
iteraes.
2
a
ETAPA:
Escolhemos, inicialmente, x
1
e x
2
como
variveis dependentes, enquanto x
3
e x
4
so as variveis independentes.
Portanto:
| |
| |
x x x
x x x
D
I
=
=
1 2
3 4

| |
| |
x
x
D
I
0
0
100 100
0 0 0 0
= +
=
;
, ; ,

0
1 = ;
taxa diminuio de = 5
tolerncia para FO = 1e-8
tolerncia para FR's = 1e-3
critrio de parada: diferena absoluta ou
relativa de dois valores sucessivos da
FO

160
3
a
ETAPA:
Clculo do gradiente reduzido.
( )

(
(
(
(
(
(
=

k
I
k
k
D
k
T
k
D
k
T
k
I
k
T
k
R
x
h
x
h
x
f
x
f
g
1
ou
( )
(
(
(
(
(
(
(
(
=

k
D
k
T
k
D
k
T
k
I
k
k
I
k
k
R
x
f
x
h
x
h
x
f
g
1

3
a
ETAPA:
( )
) 4 8 )( exp(
) 1 2 4 2 4 )( exp(
2 1 1
2 2 1
2
2
2
1 1
1
x x x
x x x x x x
x
x f
+ +
+ + + + =
(

( )
) 2 4 4 )( exp(
1 2 1
2
+ + =
(
x x x
x
x f

3
a
ETAPA: (continuao)
( )
( )
( )
1 x m vetor um
1
(
(
(
=
x h
x h
x h
m
M
x
x
x
x
x
m
m
n
=
(
(
(
(
(
(
(
+
1
1
M
M
um vetor n x 1
( )
| |
( ) ( )
(
= =
(
(
m
T
x
T
D
x
x f
x
x f
f
x
x f
D
L
1

um vetor1 x m
( )
| |
( ) ( )
(
(
= =
(
(
+ n m
T
x
T
I
x
x f
x
x f
f
x
x f
I
L
1

um vetor1 x (n-m)
3
a
ETAPA: (continuao)

( )
0
3
=
(
x
x f

( )
0
4
=
(
x
x f

( )
1
2
1
1
=
(
x
x
x h

( )
1
1
2
1
=
(
x
x
x h

( )
2
1
2
x
x
x h
=
(

( )
1
2
2
x
x
x h
=
(

161
3
a
ETAPA: (continuao)
( )
( ) ( )
( ) ( )
(
(
(
(
(
=
(
(
m
m m
m
D
x
x h
x
x h
x
x h
x
x h
x
x h
L
M O M
L
1
1
1
1

uma matrizm x m
( )
( ) ( )
( ) ( )
(
(
(
(
(
=
(
(
+
+
n
m
m
m
n m
I
x
x h
x
x h
x
x h
x
x h
x
x h
L
M O M
L
1
1
1
1

uma matrizm x (n-m)
3
a
ETAPA: (continuao)
portanto
( )
(

=
(
(
1 2
1 2
1 1
x x
x x
x
x h
D
e
( )
(
(
(
(
=
(
(

2 1
2
2 1
2
2 1
1
2 1
1
1
1
1
x x
x
x x
x
x x
x
x x
x
x
x h
D

( )
h x
x
x
1
3
3
2
(
=
( )
0
4
1
=
(
x
x h

( )
0
3
2
=
(
x
x h

( )
4
4
2
2x
x
x h
=
(

portanto
( )
(
=
(
4
3
2 0
0 2
x
x
x
x h
I

Ento( )
(
=
2
1
g
g
g
T
k
R
onde
2 1
3 2
2
2
2
1 1 2 1
2
2 1
3
1 1
1
) 2 4 8 4 2 4 )( exp(
2
x x
x x x x x x x x x x x
g
+ + + +
=

2 1
4 2 1 2 1 2 1
2
2
2
2 1
2
1
3
1 1
2
) 4 2 1 3 4 6 2 4 4 )( exp(
2
x x
x x x x x x x x x x x x x
g
+ + + +
=

162
4
a
ETAPA:
Determinao da direo da
variao das variveis
independentes.
Para a primeira iterao
R
k
R
k
i
g
ou
n i g
i
=
= = , , 1K

nas demais iteraes podemos
calcular a direo do incremento para
as variveis independentes utilizando
a frmula do gradiente conjugado de
Flercher-Reevs (algoritmo de Abadie):
( ) ( )
( ) ( )
k
R
T
k
R
k
R
T
k
R k
I
k
R
k
I
g g
g g
g
1 1
1 1
+ +
+ +
+ =
4
a
ETAPA:
S foi necessrio um clculo do
gradiente reduzido:
-40 0
1
10 x 0,7367 =
40 - 0
2
10 x 0,7441 =
Porm o valor do fator de
amortecimento da magnitude da
variao das variveis modificou-se,
veja os valores obtidos na 6
a
etapa.
Veja observao da 7
a
etapa sobre o
nmero de iteraes necessrias.
5
a
ETAPA:
Determinao da direo da
variao das variveis
dependentes.
k
I
I
k
D
k
k
D
x
h
x
h
(
(
(
(
=

1

5
a
ETAPA:
Os valores obtidos para as variveis
dependentes para cada uma das 5
iteraes foram:
x
1
x
2

-100.00,100.00
-11.2280,-05.3257
-8.5371 , 1.0412
-9.5656,1.0465
-9.5664,1.0464
6
a
ETAPA:
Determinao da magnitude da
variao das variveis
independentes e dependentes.
x x
I
k
I
k k
I
k +
= +
1

k
D
k k
D
k
D
x x + =
+
1
~

onde
1
~
+ k
D
x
um ponto de tentativa.
k
determinado por uma busca
unidimensional
6
a
ETAPA:
O valor do fator de amortecimento da
magnitude da variao das variveis
modificou-se consideravelmente,
assumindo os seguintes valores:
1; 0,1; 0,01; 0,001 e 0,0001
portanto tivemos 5 iteraes at
alcanar a convergncia.

163
7
a
ETAPA:
Determinao de uma regio vivel
a partir das variveis dependentes.
Usando o mtodo de Newton procura-
se um conjunto de
1
~
+ k
D
x que satisfaz
h(x) = 0.
( )
( )
1 1
1 1
1 1
~
,
)
~
,
~
+ +
+ +
+ +
(
(
=
k
D
k
I
k
D
k
D
k
I
k
D
k
D
x x h
x
x x h
x x

7
a
ETAPA:
Na determinao da regio vivel
utilizamos a funo do MATLAB fsolve.
8
a
ETAPA:
Verificao da convergncia.
Vrias situaes podem ocorrer:
(a) Se x
k +1
um ponto vivel e
f f ( , ) ( , ) x x x x
I
k
D
k
I
k
D
k + +
<
1 1
adotar x
k +1
e
voltar para a 3
a
etapa.
(b) Se x
k +1
um ponto vivel mas
f f ( , ) ( , ) x x x x
I
k
D
k
I
k
D
k + +
1 1
, reduzir para
1/10 do valor anterior, por exemplo, e
retornar a 6
a
etapa.
(c) Se na 6
a
etapa no foi encontrada
um x
D
k +1
vivel, reduzir para 1/10 do
valor anterior, por exemplo, e retornar
a 6
a
etapa.
(d) Se as situaes (b) e (c) ocorrerem
aps 2 ou 3 passagens, i.e., o
programa entrar em "loop" infinito,
mudar as variveis dependentes e
independentes.
8
a
ETAPA:
Nesta etapa utilizamos os testes
descritos e desta maneira conseguimos
alcanar a convergncia.

164
9
a
ETAPA:
Critrio de parada do programa.
Existem vrias possibilidades para o
critrio de parada do programa, aqui
adotaremos ou a diferena relativa ou
a absoluta entre dois valores
consecutivos da funo objetivo ser
menor que um certo nmero, i.e.:
( ) ( )
( )
tolerncia
x f
x f x f
k
+1

ou
( ) ( ) tolerncia x f x f
k

+1

9
a
ETAPA:
Para o problema em questo preferimos
adotar o critrio de parada absoluto.
11.2.1. Listagem do Programa GRG para o Exemplo 11.1
Aqui esto listados os seguintes programas:
Programa Funo
grad_red.
m
programa principal
grad_r_f.m clculo da funo objetivo
grad_r_h.
m
clculo das funes de
restrio
grad_r_d.
m
clculo do gradiente
reduzido

Listagem do programa grad_red.m :

clear
clear functions
echo off
clg
clc

% METODO DO GRADIENTE REDUZIDO

165

% Disciplina: Otimizao

% Verso 1.0

% Autor:prof. Ricardo de Arajo Kalid
% Universidade Federal da Bahia
% E-mail: RICKALID @ BRUFBA
% Tel:(071) 247.5123
% Tel:(071) 336.1288 R.116 / R.141
% Fax:(071) 247.3410

disp(' ')
disp(' ')
disp(' Aguarde um momento, programa em execuo ...')
disp(' ')
disp(' ')
disp('Para interromper pressione CTRL-C e aguarde.')
disp(' ')

%==========================================================\

% Exemplo 1. Pgina 1-6 do manual do toolbox de otimizao do MATLAB

% Este mesmo exemplo utilizado no tutorial do MATLAB sobre otimizap
% Aqui ns iremos resolv-lo pelo mtodo do Gradiente Reduzido.

% 1a. Etapa: Escrever o problema segundo a forma padro: x = [ xd ; xi ]
% 2a. Etapa: Escolha das variveis dependentes e independentes

global xi

166

% Incio do trecho que pode sofrer alterao pelo usurio
% ====================================================

% Estimativa inicial (escolhida pelo usurio), variveis bsicas

x(1) = - 100 ;
x(2) = + 100 ;

% Variveis fictcias, variveis no-bsicas
x(3) = + 1.0 ;
x(4) = + 1.0 ;

% Variveis dependentes ou variveis bsicas (escolhidas pelo usurio)

xd = [ x(1) ; x(2) ] ;

% Variveis independentes ou variveis no bsicas (escolhidas pelo usurio)

xi = [ x(3) ; x(4) ] ;

% Definio de parmetros do mtodo numrico

lambda = 1 ;
h_tol= 1e-3 ;
f_tol= 1e-5 ;
f_tipo_dif = 'absoluta' ;
% f_tipo_dif = 'relativa' ;
num_max_iteracao = 1000 ;
taxa_diminuicao_lambda = 5 ;

% Fim do trecho que pode sofrer alterao pelo usurio
% ====================================================

167

gr = [ ] ;
iteracao = 0 ;
diminuicao_lambda = 'sim' ;
continua_minimizacao = 'sim' ;

% Determinao de uma soluo vivel inicial.
xd = fsolve('grad_r_h' , xd) ;
x = [ xd ; xi ] ;

% Funo objetivo

f_old = grad_r_f(x) ;

% Restries

h_old = grad_r_h(xd) ;

while continua_minimizacao == 'sim' ,

iteracao = iteracao + 1
x0= x;
xd0 = xd ;
xi0 = xi ;

%3a Etapa: Clculo do Gradiente Reduzido

%Derivadas

[ dfdxd , dfdxi , dhdxd , dhdxi ]= grad_r_d(xd) ;
idhdxd= inv(dhdxd) ;
gr_old = gr ;

168
gr = dfdxi - dhdxi' * idhdxd' * dfdxd ;

%4a. Etapa: Determinao da direo da variao
% das variveis independentes

if diminuicao_lambda == 'sim' ,
deltai = - gr ;
else
deltai = - gr + deltai*gr'*gr/(gr_old'*gr_old) ;
end

%5a. Etapa: Determinao da direo da variao
% das variveis dependentes

deltad = - idhdxd * dhdxi * deltai ;

%6a. Etapa: Determinao da magnitude da variao
% das variveis independentes e dependentes.

xi = xi + lambda * deltai ;
xd_old = xd + lambda * deltad ;

%7a. Etapa: Determinao de uma soluo vivel a partir
% das variveis dependentes.

xd = fsolve('grad_r_h' , xd_old) ;

%8a. Etapa: Verificao da convergncia.

169
x= [ xd ; xi ];
f= grad_r_f(x);
hr = grad_r_h(xd) ;

if sum( abs(hr) > h_tol ) == 0

if f_old > f

%Alternativa (a): O pontoxd vivel e a funo
% objetivo diminui de valor.
lambda = 1 ;
diminuicao_lambda = 'nao' ;

else% if f_old <= f

%Alternativa (b): O pontoxd vivel e a funo objetivo
% NO diminui de valor.
x= x0;
xd = xd0 ;
xi = xi0 ;
diminuicao_lambda = 'sim' ;
lambda = lambda / taxa_diminuicao_lambda ;

end % if f_old

else % if sum( abs(hr) < h_tol ) == 0

%Alternativa (c): O pontoxdno vivel.

disp('')
disp('No foi encontrado uma soluo vivel, ou seja, ')
disp('no foi encontrado um conjunto bsico vivel.')

170
disp('Deve-se aumentar a tolernciah_tol, ou')
disp('tentar nova estimativa inicial paraxdexi.')
continua_minimizacao = 'nao' ;

end% if sum( abs(hr) > h_tol ) == 0

%Alternativa (d): O programa entrou em loop infinito.

if iteracao >= num_max_iteracao ;
disp('')
disp('O programa no convergiu at o nmero mximo de iteraes estipulado.
')
disp('Deve-se aumentar o nmero mximo de iteraes, ou')
disp('mudar as bases, i.e., mudarxdexi, ou')
disp('tentar nova estimativa inicial paraxdexi.')
end

%9a. Etapa: Critrio de parada do programa.

if f_tipo_dif == 'absoluta' ,
f_dif = abs( f-f_old ) ;
else % if f_tipo_dif == 'absoluta'
f_dif = abs( (f-f_old)/f_old ) ;
end% if f_tipo_dif

if f_dif <= f_tol ,
end% if f_dif <= f_tol

f_old = f ;

171
end % while continua_minimizacao

% Relatrio de sada

if sum( abs(hr) > h_tol ) == 0

if f_dif <= f_tol ,
disp(' ')
disp('O programa convergiu!!')
disp(' ')
disp('Minimizao alcanada!!')
else % if f_dif > f_tol
disp(' ')
disp('O programa NO convergiu!!')
disp(' ')
disp('ltimos resultados alcanados!!')
end% if f_dif <= f_tol

disp(' ')
disp(' ')

disp('Nmero de iteraes')
iteracao

disp('Valor da funo objetivo')
f

if f_tipo_dif == 'relativa' ,
disp('Diferena relativa entre duas iteraes para a funo objetivo')
else
disp('Diferena absoluta entre duas iteraes para a funo objetivo')
end
f_dif

172

disp('Ponto mnimo')
x

end % if sum( abs(hr) < h_tol ) == 0

% Fim deste arquivo
Fim da listagem do programa grad_red.m

Listagem do programa grad_r_f.m :

function f = grad_r_f(x)

% Funo objetivo do Exemplo 1. Pgina 1-6 do manual do
% toolbox de otimizao do MATLAB.
% Funo chamada pelo arquivo GRAD_RED.M

f = exp(x(1)) * ( 4*x(1)^2 + 2*x(2)^2 + 4*x(1)*x(2) + 2*x(2) + 1) ;

% Fim deste arquivo
Fim da listagem do programa grad_r_f.m

173
Listagem do programa grad_r_h.m :
function h = grad_r_h(xd)
global xi
x = [ xd ; xi ] ;
% Restries do Exemplo 1. Pgina 1-6 do manual do
h(1) = 1.5 + x(1) * x(2) - x(1) - x(2) + x(3)^2 ;
h(2) = - x(1) * x(2) - 10 + x(4)^2 ;
% Fim deste arquivo
Fim da listagem do programa grad_r_h.m

Listagem do programa grad_r_d.m:
function [ dfdxd , dfdxi , dhdxd , dhdxi ]= grad_r_d(xd)
global xi
x = [ xd ; xi ] ;

% Funo objetivo do Exemplo 1. Pgina 1-6 do manual do
f = grad_r_f(x) ;
dfdxd_aux(1) = f +exp( x(1) ) * ( 8*x(1) + 4*x(2) ) ;
dfdxd_aux(2) = exp( x(1) ) * ( 4*x(1) + 4*x(2) + 2 ) ;
dfdxd = dfdxd_aux' ;
dfdxi = [ 0
0 ] ;
dhdxd = [ ( x(2) - 1 ) , ( x(1) - 1 )
-x(2) ,-x(1)] ;
dhdxi = [ +2*x(3) 0
0 +2*x(4) ] ;
% Fim deste arquivo
Fim da listagem do programa grad_r_h.m

174
11.3. Exerccios

E11.1. Utilizando o mtodo GRG resolva o seguinte problema.
( )
( ) ( ) ( )
( ) 0 5 , s.a.
4 4 ,
, min
2 1 2 1
2
2
2
1 2 1
2 1
=
+ =
x x x x g
x x x x
x x

Compare os resultados obtidos com o Exemplo 9.1, com o exerccio 9.1. e
10.1.

E11.2. Resolva o seguinte PPNL por GRG:
( )
( )
0 7
0 20 s.a.
12 4
min
3 1
2
3
2
2
3
2
2
2
1
= +
=
+ =
x x
x x
x x x x
x

175
12. Programao Inteira e Mista - PIM
Muitos problemas em operao, projeto, localizao e escalonamento de
plantas envolvem variveis que no so contnuas e sim discretas, ou seja
variveis que so inteiras. Variveis de deciso do tipo instala (1) ou no
instala (0) um equipamento, ou nmero de unidades de bombas a serem
implementadas (5, 6 ou 7), etc.
Uma abordagem para resolver o Problema de Programao Inteira (PPI)
tratar as variveis como contnuas e aproximar a soluo obtida aos nmeros
inteiros mais prximos, porm este procedimento s vlido quando as
variveis de deciso assumem valores grandes. A soluo obtida seguindo
este mtodo subtima.
Existem os seguintes problemas de otimizao envolvendo variveis inteiras:
1. Apenas esto presentes variveis discretas: problema de PI ("Integer
Programming" - IP);
2. Apenas esto presentes variveis discretas binrias (0 ou 1): programao
inteira binria PIB ("Binary Integer Programming" - BIP);
3. Algumas variveis de deciso so contnuas (y) outras so discretas.(x):
programao inteira-mista PIM ("Mixed-Integer Programming" - MIP);
4. Algumas variveis de deciso so contnuas (y) outras so discretas.(x) com
a FO e as FR's lineares: programao inteira-mista linear PIML ("Mixed-
Integer Linear Programming" - MILP);
Um dos algoritmos numricos mais empregados para PIM e denominada
Branch and Bound Technique (algoritmo do ramifica e limita).
12.1. Branch and Bound Technique
O branch and bound pode ser aplicado problemas de o PI, bem como a PIM.
O algoritmo deste mtodo pode assim ser resumido:
1. Obtenha uma soluo contnua (no-inteira) do problema; denomine este
problema de C;
2. A soluo de C satisfaz todas as restries inteiras? Se sim, o problema esta
resolvido. Se no , v ao passo 3;
3. Escolha uma das variveis no inteiras da soluo do problema C, digamos
. Construa dois subproblemas a partir de C, atravs de uma ramificao
(branch) em volta de adicionando as seguintes restries ao problema C:
(a) subproblema C
1
:x
> menor inteiro maior que

(b) subproblema C
2
:x
< maior inteiro menor que

Escolha um dos subproblemas (depois retomaremos a outra ramificao),
digamos C
1
;

176
4. A partir de C
1
, encontre a soluo do problema contnuo e ramifique as
solues no inteiras conforme apresentado no passo 3;
5. A partir de C
2
, encontre a soluo do problema contnuo e ramifique as
solues no inteiras conforme apresentado no passo 3;
6. Repita os passos 3, 4 e 5 para cada ramificao nova, sempre calculando o
valor da FO e a nova soluo; continue a ramificar at que uma das trs
seguintes condies ocorra:
(a) voc encontra uma soluo na qual todas as restries inteiras so
satisfeitas;
(b) o valor da FO para um subproblema superior (se estamos minimizando)
a todas os valores encontrados anteriormente e que satisfaam as restries
inteiras;
(c) no existe regio vivel.
7. Compare o valor alcanado pelas solues dos subproblemas, C
i
, o menor
(maior) valor de FO a soluo do problema.
Para ilustrar o uso da tcnica branch and bound considere o seguinte
exemplo:

177

Exemplo 12.1:
1 ou 0 , ,
875 53 27 67
875 42 76 774 s.a.
40 4 86 max
3 2 1
3 2 1
3 2 1
3 2 1
=
+ +
+ +
+ + =
x x x
x x x
x x x
x x x

Aplicando a tcnica do branch and bound e utilizando o comando lp do
MATLAB obtemos :

Se uma varivel assume valores inteiros no-necessariamente binrios,
podemos tratar esse problema como PIB, fazendo a seguinte transformao de
varivel:
( )
1 ou 0
.
1
=
=
=
i
n
j
ij j i
y
y k x

Equao 12-A
PL contnuo s.a. 0 < x
1
< 1
0 < x
2
< 1
0 < x
3
< 1
Soluo: x
*
= (1; 0,776; 1)
Valor da FO: = 129,10
PL contnuo s.a. 0 < x
1
<
1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0,978; 1; 1)
Valor da FO: = 128 11
PL contnuo s.a. x
1
= 1
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (1; 1; 0,595)
PL contnuo s.a.: 0 < x
1
< 1
x
2
= 0
0 < x
3
< 1
Soluo: x
*
= (1; 0; 1)
PL contnuo s.a. x
1
= 0
x
2
= 1
0 < x
3
< 1
Soluo: x
*
= (0; 1; 1)
PL contnuo s.a. x
1
= 1
x
2
= 1
x
3
= 0
Soluo: x
*
= (1; 1; 0)
Valor da FO: = 90,0
x
2
= 1
x
2
= 0
x
1
= 1 x
1
= 0
x
3
= 0

178
12.2. Exerccios

E12.1. Utilizando o MATLAB reconstrua o Exemplo 13.1

E12.2. Duas unidades (U
1
e U
2
), em uma planta a batelada, produzem as
substncias 1 e 2, respectivamente, a partir de 3 reagentes (A, B e C)
conforme pode ser visto na figura abaixo. A unidade U
1
tem uma
capacidade mxima de 8 ton/dia e a U
2
tem capacidade mxima de 10
ton/dia. Para fazer 1 kg do produto 1 necessrio 0,4 kg de A e 0,6 kg
de B; enquanto que para produzir 1 kg do produto 2 necessrio 0,3 kg
de B e 0,7 kg de C. No mximo, s esto disponveis 6 ton/dia de B.
Assuma que cada batelada produz 2 ton de cada produto.
Pede-se:
(a) Formule a FO;
(b) Formule as FR's;
(c) Escreva o problema como PIB;
(d) Aplicando a tcnica do branch and bound encontre o ponto timo.

Fluxograma da planta a batelada
U
1

x
1
(kg/dia)
U
2

x
2
(kg/dia)
A
B
C

179
13. Controle timo - CO
Uma outra classe de problemas que ocorre com certa freqncia na
Engenharia Qumica o Problema de Controle timo (PCO) descrito pelas
seguintes equaes:
( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) 0 ,
0 ,
, , s.a.
, , , ,
, , min
0
=
=
+ =
t u t x g
t u t x h
t t u t x H
dt
x d
dt t t u t x F t x G t t u t x
t t u t x
t u
f
t
t
f

Equao 13-A
A forma discreta do PCO a seguinte
( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) 0 ,
0 ,
, , 1 s.a.
, , , ,
, , min
1
0
=
= +
+ =
=
k u k x g
k u k x h
k k u k x H k x
k k u k x F K x G t t u t x
t t u t x
t u
K
k

Equao 13-B
Observe que a funo objetivo min um escalar que depende de funes
(G, F), denominado de um funcional (uma funo de funes) e tem
propriedades anlogas s das funes. Note tambm que as restries so
equaes diferenciais ou de diferenas.
A funo G o custo ou penalidade associada ao erro entre o valor
desejado final e o alcanado. A funo F a perda ou o custo relacionado com
os erros transientes e/ou esforo de controle. A forma das funes G e F
dependem das caractersticas fsicas do problema, mas podem ser assim
classificados:
1. Problema de tempo mnimo: G = 0 e F = 1 , ento = t
f
- t
o
. Por exemplo,
quando queremos determinar o tempo mnimo de parada ou partida de uma
planta.
2. Problema de erro final mnimo: G = [x(t
f
) - x
d
)]
T
A[x(t
f
) - x
d
)] e F = 0 , ento
minimizar) equivalente a minimizar a norma quadrada do vetor diferena
entre o valor alcanado x(t
f
)e o valor desejado x
d
. Por exemplo quando x

180
o vetor de componentes indesejados em um sistema reacional a batelada,
ento x(t
f
) a concentrao ao final da operao do reator, t
f
.
3. Problema de mnimo esforo de controle: G = 0 e F = u
T
Cu, ento) a
medida do esforo (quantidade de energia ou de utilidades) desprendido
para atingir o objetivo. Por exemplo, quando queremos sair de um certo
estado inicial a um estado final determinado consumindo o mnimo de
energia.
4. Problema de rastreamento: G = 0 e F = [x(t) - x
d
(t))]
T
B[x(t) - x
d
(t))], ento
minimizar equivalente a minimizar a integral do erro transiente entre o
valor atual da trajetria, x(t) , e a trajetria desejada, x
d
(t) . Para fins prticos
necessrio limitar a ao de controle, ento F = [x(t) - x
d
(t))]
T
B[x(t) -
x
d
(t))] + u(t)
T
Cu(t) .
5. Problema geral: F = [x(t) - x
d
(t))]
T
B[x(t) -
x
d
(t))] + u(t)
T
Cu(t)eG = [x(t
f
) - x
d
)]
T
A[x(t
f
) - x
d
)] . Por exemplo o problema do
regulador linear quadrtico ("linear quadratic regulator"- LQR)
13.1. Algoritmos para o Problema de Controle timo
Existem basicamente trs abordagens para resolver o PCO:
1. Parametrizao ou discretizao das FR's e resoluo do problema com
PNL;
2. Utilizao do princpio da otimalidade de Bellman que conduz ao uso da
Programao Dinmica PD.
3. Utilizao do princpio mnimo de Pontryagin atravs da aplicao dos
multiplicadores de Lagrange.
Embora esteja fora do escopo deste curso apresentar detalhes dessas
abordagens na tabela 13-a comparamos as caractersticas, vantagens e
desvantagens de cada um desses procedimentos.

181
Tabela 13-A: Mtodos para PCO
Abordagem Caractersticas Vantagens Desvantagens
Discretizao da
FO
Utilizar os
mtodos de PNL
j estudados.
Requer a
parametrizao
por polinmios ou
discretizao das
FR's por
diferenas finitas.
Estamos mais
acostumados com
PPNL.
s vezes temos
uma boa
estimativa(s) do
polinmio(s)
aproximador(es),
Geralmente leva a
problemas com
nmero elevado
de variveis de
deciso.
A discretizao
conduz SEANL.
Programao
Dinmica
Utiliza o princpio
de otimalidade de
Bellman.
Malha fechada
Pode ser aplicado
a sistemas
lineares, no-
lineares,
contnuos,
discretos,
variantes no
tempo, MIMO,
determinsticos, de
parmetros
concentrados ou
distribudos.
Exige grande
esforo
computacional
para um nmero
elevado de
variveis de
deciso
Princpio mnimo
de Pontryagin
Define-se o
funcional
Hamiltoniano,
anlogo funo
Lagrangeana
Define-se um
vetor de co-
estado, anlogo
aos
multiplicadores de
Lagrange
Define as
condies
necessrias para
um ponto timo
Malha aberta
Pode ser aplicado
a sistemas
lineares, no-
lineares,
contnuos,
discretos,
variantes no
tempo, MIMO,
determinsticos, de
parmetros
concentrados.
Conduz a
sistemas de
equaes
elegantes e
gerais.
Requer
conhecimento de
funcionais e de
clculo variacional
para o
entendimento e
aplicao da
teoria.

182

Apndice I:

Controle timo

de um Reator a Batelada

183

Apndice II:

Reprodues de pginas do livro

Process Analysis by Statistical Methods
Himmelblau, D. M.

Otimização de processos químicos

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Otimização de processos químicos

Caricato da

Copyright:

Formati disponibili

OTIMIZAO

com otimizao on-

discutiu vrias tcnicas envolvendo um polinmio

descrevem uma verso do mtodo mais eficiente e

dos parmetros de um modelo um

. Por exemplo, conforme procedimento

Idem pg's 148, 149, 193 e 194.

Idem pg 147 e 148

Idem pg's 154 a 164, 197 a 200

Na seo 2.11 e 2.13 estudamos a matriz Hessiana e o seu significado.

> menor inteiro maior que

< maior inteiro menor que

Potrebbero piacerti anche