Baixe o app para aproveitar ainda mais
Prévia do material em texto
1)Existem vários métodos de otimização numérica multidimensionais sem restrições que usam na solução de problemas a função derivada o gradiente e a matriz Hessiana. Leia e associe as duas colunas conforme as características dos métodos de otimização multidimensionais. Início da descrição. O quadro é formado por duas colunas e quatro linhas. A primeira coluna traz quatro opções: 1. Gradiente conjugado; 2. Gradiente descendente; 3. Newton�Raphson; e 4. Busca Seccionada. A segunda coluna traz também quatro opções: A. É uma otimização que utiliza a derivada de 2ª ordem, que faz a aproximação da função objetivo utilizando a série de Taylor, derivando em relação a x(k) e igualando a zero.; B. Utiliza a derivada de 1ª ordem, sendo que o gradiente aponta para a direção de maior variação da função objetivo. E na minimização, a direção da busca é determinada por ; C. Utiliza a derivada de 1ª ordem e combina o gradiente de iteração anterior com o gradiente da iteração atual. Tem, também, uma taxa de convergência quadrática. É uma otimização que utiliza a derivada de 2ª ordem, que faz a aproximação da função objetivo utilizando a série de Taylor, derivando em relação a x(k) e igualando a zero.; e D. Executa a busca em uma única direção por vez, e utiliza métodos unidimensionais de otimização em cada direção, buscando sempre o ponto mínimo. Fim da descrição. Assinale a alternativa que traz a associação correta entre as duas colunas: • I-A; II-C; III-D; IV-B. • I-D; II-C; III-B; IV-A. • I-B; II-D; III-A; IV-C. • I-C; II-A; III-B; IV-D. • I-C; II-B; III-A; IV-D. Check CORRETO Resolução comentada: O método do gradiente utiliza a derivada de 1ª ordem e combina o gradiente de iteração anterior com o gradiente da iteração atual. Tem, também, uma taxa de convergência quadrática. O método do gradiente descendente utiliza a derivada de 1ª ordem, sendo que o gradiente aponta para a direção de maior variação da função objetivo. E na minimização a direção da busca é determinada por −∇𝑓(𝑥 (𝑘)). Já o método de Newton-Raphson é uma otimização que utiliza a derivada de 2ª ordem, que faz a aproximação da função objetivo utilizando a série de Taylor, derivando em relação a x(k) e igualando a zero. O método da busca secante executa a busca em uma única direção por vez e utiliza métodos unidimensionais de otimização em cada direção, buscando sempre o ponto mínimo. 2)A respeito dos métodos de otimização unidimensional ou com uma variável, é correto afirmar que: Alternativas: • Nos métodos baseados em informações sobre derivadas, as derivadas de segunda ordem da função objetivo (analíticas ou numéricas) encontram a localização do ponto ótimo. • São necessários devido ao fato primordial de que alguns problemas sem restrição são também unidimensionais, pois em alguns problemas as restrições são absorvidas, ou incorporadas, a um único ponto do conjunto de pontos. • Os métodos unidimensionais são relevantes porque, ao usarmos técnicas de otimização multidimensionais (duas ou mais variáveis), temos que efetuar poucas simulações e sem repetição, usando a resolução de um problema de otimização multidimensional até encontrar a solução adequada. • As otimizações unidimensionais não auxiliam na solução de problemas de otimização numérica, que apresentam um intervalo incerto ou desconhecido. • Métodos de otimização unidimensionais são importantes por serem casos especiais de métodos de busca usados em problemas com mais de duas variáveis, e são usados como parte de algoritmos multivariáveis gerais.checkCORRETO Resolução comentada: Métodos de otimização unidimensionais são importantes porque realmente são casos especiais de métodos de busca usados em problemas com mais de duas variáveis, e são usados como parte de algoritmos multivariáveis gerais, pois assim conseguimos efetuar poucas iterações. 3) Todos os anos algoritmos de otimização para problemas de programação linear são usados para resolver problemas nas mais distintas áreas. Assim, as técnicas de solução, como o método de análise gráfica e o método simplex, são vastamente utilizados. Analise as afirmativas a seguir que tratam das características dos métodos de programação linear e identifique as corretas: I. Se usamos um problema de programação linear para modelar uma dada situação, então as suposições de divisibilidade, homogeneidade, determinismo e aditividade implicam manter pelo menos algum intervalo operacional previsto para as atividades. II. Os programas de programação linear representam vários sistemas de forma bastante satisfatória, e eles são capazes de fornecer uma grande quantidade de informações além de simplesmente uma solução. III. Usar o método de representação gráfica é representar as restrições em alguns eixos coordenados ortogonais para delimitar a região em que as soluções viáveis são encontradas. IV. O método simplex tem como base o valor das restrições e das suas respectivas desigualdades, em vários pontos, e o procedimento consiste em procurar um ponto que melhore o valor anterior da função objetivo. São verdadeiras: • II e III, apenas. • I, II e III, apenas. Check CORRETO • III e IV, apenas. • I, II e IV, apenas. • I e II, apenas. Resolução comentada: A I é correta, pois as suposições de divisibilidade, homogeneidade, determinismo aditividade garantem a modelagem correta de um problema. A II é correta, pois o objetivo dos programas de programação linear representarem vários sistemas de forma bastante satisfatória, sendo capazes de fornecer uma grande quantidade de informações além de simplesmente uma solução ótima. A III é correta, porque usar o método de representação gráfica é representar as restrições em alguns eixos coordenados ortogonais, delimitando a região em que as soluções viáveis são encontradas. A IV é incorreta, pois com base no valor da função objetivo, em um ponto qualquer, o procedimento do método simplex consiste em procurar outro ponto que melhore o valor anterior. 4)As diferenças entre os diversos algoritmos que tratam modelos de otimização multidimensionais encontram-se principalmente na maneira de se escolher a direção de busca, a qual partindo de um vetor de pontos inicial chega-se a um vetor que contém a solução do problema analisado. Tais algoritmos podem ser enquadrados em três grupos básicos: os que usam somente a função objetivo, os que usam a derivada de 1ª ordem, e os que usam a derivada de 2ª ordem. Verifique as afirmativas a seguir que tratam dos métodos de otimização numérica multidimensionais. I. Os métodos que usam somente a função objetivo (ou de ordem 0) para solucionar problemas, como o método de Hooke e Jeeves, adequa-se mais a problemas em que o número de variáveis de decisão é pequeno e o cálculo da função objetivo não exige procedimentos muito complexos. II. Os métodos de 1ª ordem são aqueles que utilizam na determinação da direção de busca o gradiente da função de busca. Entretanto, quando as derivadas são contínuas, seu desempenho é frequentemente inferior ao dos métodos de ordem 0 (que usam somente a função objetivo). III. Os métodos de 2ª ordem são aqueles que utilizam a matriz Hessiana da função objetivo (H). Porém, sua utilização está restrita aos problemas em que a função objetivo f é diferenciável até a segunda ordem. São verdadeiras: • I e II, apenas. • I e III, apenas.checkCORRETO • I, apenas. • II, apenas. • II e III, apenas. Resolução comentada: A afirmativa I é correta, pois métodos que usam somente a função objetivo (ou de ordem 0) para solucionar problemas, como o método de Hooke e Jeeves, adequam-se mais a problemas em que o número de variáveis de decisão é pequeno, sem exigir procedimentos muito complexos no cálculo da função objetivo. A II é incorreta, porque métodos de 1ª ordem são aqueles que utilizam na determinação da direção de busca o gradiente da função de busca. Entretanto, quandoas derivadas são contínuas, seu desempenho é frequentemente superior ao dos métodos de ordem 0. A III é correta, pois os métodos de 2ª ordem utilizam a matriz Hessiana da função objetivo (H). Porém, sua utilização está restrita aos problemas em que a função objetivo f é diferenciável até a segunda ordem, tornando-se não muito aconselháveis para ordens superiores. 5)Sempre que buscamos encontrar uma solução que otimize um problema, estamos buscando encontrar uma solução que minimize ou que maximize uma função que traduz o mundo real. Assinale a alternativa correta que trata da otimização multidimensional sem restrições. Alternativas: • Na otimização de funções multidimensionais existem váriosalgoritmos capazes de solucionar a maioria dos problemas existentes, com rapidez e eficiência.checkCORRETO • Sempre escolhemos um único ponto, pertencente a um vetor das variáveis de decisão pertencentes a x 0 = [x1 x2 … xn] T . • Os métodos de otimização multidimensional buscam sempre encontrar a primeira de muitas soluções possíveis. Trata-se da utilização de métodos considerados rápidos e gulosos. • A otimização numérica multidimensional sem restrições depende somente de fator muito importante: que os métodos seja mrobustos, ou seja, da capacidade de encontrar a solução. • Na otimização multidimensional existe uma única condição necessária e suficiente para que o ponto estimado seja o minimizador da função objetivo estabelecida. Resolução comentada: Na otimização de funções multidimensionais existem vários algoritmos capazes de solucionar a maioria dos problemas existentes, com rapidez e eficiência – são as características principais dos métodos de otimização multidimensionais utilizados que não possuem restrição. 6)Veja a seguinte afirmação sobre o conceito de otimização feita por Bazzo e Pereira (2006, p. 183), “[…] a Otimização é o processo que procura por uma solução que forneça o máximo benefício segundo algum critério”, Essa afirmação traz de forma sucinta uma definição dos processos de otimização numérica. BAZZO, W. A.; PEREIRA, L. T. do V. Introdução à engenharia: conceitos, ferramentas e comportamentos. p. 183. Florianópolis: UFSC (2006). Avaliando essa definição e também as características de aplicação da otimização, assinale a alternativa correta. Alternativas: • A otimização numérica busca resolver problemas discretos, contínuos e estocásticos, desde que se conheçam as capacidades e limitações dos métodos utilizados.checkCORRETO • Para que a otimização numérica seja utilizada, é necessário conhecer algoritmos de compilação numérica, que depois serão utilizados para construir o objetivo a ser atingido pela função de restrição. • A otimização numérica possibilita resolver problemas discretos, contínuos, porém para resolver problemas estocásticos é necessária a criação de algoritmos complexos. • A otimização numérica busca resolver problemas somente discretos. Problemas contínuos e estocásticos necessitam de otimização evolutiva. • A otimização numérica passa pelo processo denominado modelagem, que identifica as variáveis e as restrições. Porém, não necessita ainda tratar dos objetivos. Resolução comentada: A otimização numérica busca resolver problemas discretos, contínuos e estocásticos, desde que se conheçam as capacidades e limitações dos métodos utilizados. Conhecer as capacidades e limitações significa criar uma modelagem capaz de identificar corretamente os objetivos, as variáveis e as restrições do problema tratado. 7)Sabemos que os métodos de otimização unimodal ou unidimensional são baseados na avaliação da função objetivo em diferentes pontos no intervalo em que se encontra o ponto viável, ou seja, no intervalo [a0, b0]. Também sabemos que escolhemos esses pontos buscando uma aproximação para encontrar o minimizador de função f, que deve ser alcançada com poucas avaliações. Leia e associe as duas colunas conforme os conceitos e formas de utilização dos métodos de otimização sem restrições. Início da descrição. O quadro é formado por duas colunas e quatro linhas. A primeira coluna traz quatro opções: 1. Bissecção; 2. Newton- Raphson; 3. Seção Áurea; 4. Fibonacci. A segunda coluna traz também quatro opções: A. Consegue efetuar de maneira interativa a redução do intervalo de incerteza, até que este intervalo apresente o resultado otimizado ou o ponto ótimo; B. A função objetivo f é avaliada em dois pontos intermediários do intervalo, escolhendo os pontos intermediários de maneira que a redução intervalar seja totalmente simétrica; C. Ele permite com sua utilização que em vez de se dividir o intervalo em pontos médios, seja traçada a partir de um ponto inicial uma tangente da derivada da função no ponto; D. É um método simples para reduzir sucessivamente o intervalo de incerteza baseado em avaliações da derivada. Fim da descrição. Assinale a alternativa que traz a associação correta entre as duas colunas: • I-B; II-A, III-D; IV-C. • I-B; II-C, III-B; IV-A. • I-C; II-B; III-A; IV-D. • I-D; II-C; III-B; IV-A. check CORRETO • -C; II-A; III-B; IV-D. Resolução comentada: O método da bissecção é um algoritmo simples para reduzir sucessivamente o intervalo de incerteza baseado em avaliações da derivada. O método de Newton tem a característica de permitir com sua utilização que em vez de se dividir o intervalo em pontos médios, seja traçada a partir de um ponto inicial uma tangente da derivada da função no ponto. No método de Seção Áurea a função objetivo f é avaliada em dois pontos intermediários do intervalo, escolhendo os pontos intermediários de maneira que a redução intervalar seja totalmente simétrica. E o método de Fibonacci consegue efetuar de maneira interativa aredução do intervalo de incerteza, até que este intervalo apresente o resultado otimizado ou o ponto ótimo.Início da descrição. O quadro é formado por duas colunas e quatro linhas. A primeira coluna traz quatro opções: 1. Bissecção; 2. Newton�Raphson; 3. Seção Áurea; 4. Fibonacci. A segunda coluna traz também quatro opções: D. É um método simples para reduzir sucessivamente o intervalo de incerteza baseado em avaliações da derivada; C. Ele permite com sua utilização que em vez de se dividir o intervalo em pontos médios, seja traçada a partir de um ponto inicial uma tangente da derivada da função no ponto; B. A função objetivo f é avaliada em dois pontos intermediários do intervalo, escolhendo os pontos intermediários de maneira que a redução intervalar seja totalmente simétrica; A. Consegue efetuar de maneira interativa a redução do intervalo de incerteza, até que este intervalo apresente o resultado otimizado ou o ponto ótimo. Fim da descrição. 8) Muitos problemas aplicados importantes envolvem encontrar a melhor maneira de realizar alguma tarefa. Por vezes, isso envolve encontrar o valor máximo ou mínimo de alguma função: o tempo mínimo para fazer uma determinada jornada, o custo mínimo para realizar uma tarefa, a potência máxima que pode ser gerada por um motor, por exemplo. Muitos desses problemas podem ser resolvidos encontrando a função apropriada e, em seguida, usando técnicas de otimização numérica para encontrar o valor máximo ou mínimo necessário, por meio da modelagem. Porém, para que isso aconteça é necessário que: As variáveis assumam valores diferentes, possibilitando que o método de otimização tente encontrar os melhores valores para as variáveis. As restrições (coisas que são permitidas) sejam definidas corretamente, encontrando uma solução que realmente possa ser usada na vida real. Que a função objetivo consiga demonstrar o objetivo que se tem no problema de otimização, ou seja, o que se deseja maximizar ou minimizar. Que para diferentes tipos de problemas de otimização existentes, os mais simples ou os mais complexos (que exigem uma solução matemática) tenham como objetivo alcançar o ponto exato. São verdadeiras: • IIe IV, apenas. • I e III, apenas.checkCORRETO • II, III e IV, apenas • II, apenas. • I, apenas. Resolução comentada: A afirmativa I é correta, pois as variáveis, ao assumirem valores diferentes, possibilitam as interações para que o método de otimização encontre uma solução que possa ser usada na vida real. A II é incorreta, porque as restrições são coisas que não são permitidas, ou são limites. A III é correta, pois a função objetivo deve realmente demonstrar se a otimização deverá ser usada para minimizar ou para maximizar o problema. A IV é incorreta, porque a otimização não busca encontrar o ponto exato, mas sim o ponto ótimo, e consequentemente o valor também ótimo. 9)Identifique com V (Verdadeiro) e F (Falso), as alternativas a seguir relacionadas com a forma padrão de um problema de programação linear que têm uma formulação matemática gerada para a solução do problema ( ) As restrições de desigualdade das variáveis são não negativas. ( ) A formulação matemática foi introduzida para facilitar o método de otimização do problema. ( ) Tem a tarefa de achar a solução ótima de um problema, uma vez definido o modelo linear corretamente. ( ) Tem que atender às condições básicas de linearidade, heterogeneidade e divisibilidade. Assinale a alternativa que contenha a sequência correta de V e F: • F – V – F – V. • F – V – F – F. • V – F – F – V. • V – V – F – V. • V – F – V – F. check CORRETO Resolução comentada: A primeira e a terceira afirmativas são verdadeiras. Veja a forma correta das afirmativas falsas: Segunda – A formulação matemática foi introduzida para transformar o problema real em uma linguagem matemática, para que pudesse ser utilizado um método de otimização do problema. Quarta – Tem que atender as condições básicas de linearidade, homogeneidade e divisibilidade. 10) Nas últimas décadas observou-se um aumento no uso de algoritmos baseados em métodos determinísticos, estocásticos e principalmente em algoritmos evolutivos para solução de problemas, usando a otimização numérica. Isso porque esses métodos conseguem fornecer numericamente soluções para a maioria dos problemas. Acerca da utilização dos métodos de otimização numérica, avalie as seguintes alternativas. I. O correto funcionamento dos métodos determinísticos não depende da função objetivo, linear ou não linear. Depende do processo de identificação dos objetivos, das variáveis e das restrições, ou seja, depende da modelagem correta. II. Algoritmos baseados em computação evolutiva funcionam mesmo quando a função objetivo apresenta descontinuidades, pois são baseados em busca aleatória. III. Os métodos determinísticos buscam uma solução que depende do ponto inicial, já que a função objetivo deve ser discreta. Funções contínuas não apresentam bons resultados de otimização. IV. Os métodos estocásticos geralmente são usados quando não existe a necessidade de a função objetivo ter uma representação matemática. E trabalham de maneira adequada para variáveis contínuas, discretas ou até mesmo para a combinação entre elas. São verdadeiras: • III e IV, apenas. • I, II e IV, apenas. Check CORRETO • II e III, apenas. • I, II e III, apenas. • I e II, apenas. Resolução comentada: A afirmativa I é correta, pois para que se possa utilizar os métodos determinísticos, é necessário que se faça a identificação dos objetivos, das variáveis e das restrições. Isso garantirá a correta identificação da função objetivo, determinando se ela é linear ou não linear. A II é correta, pois por serem baseados na busca aleatória, podem ser usados quando a função objetivo é descontínua. A III é incorreta, pois os métodos dependem de que a função objetiva seja contínua. A IV é correta, porque são usados realmente quando não existe uma função objetivo com representação matemática, podendo ser usados tanto para vaiáveis contínuas como para variáveis discretas. São métodos que fornecem uma estimativa dentro de um intervalo de confiança.
Compartilhar