Baixe o app para aproveitar ainda mais
Prévia do material em texto
Marcelo de Sales Pessoa Otimização Otimização Estática Máximo Irrestrito Def.: Máximo local : �x é o máximo local de uma função u (x) se, 8 x 2 [�x� �; �x+ �] ; com � > 0; u (�x) � u (x). Def.: Máximo absoluto: �x é o máximo absoluto de uma função u (x) se, 8 x 2 domínio de u (:) ; u (�x) � u (x). Resultados: Seja u (:) função duas vezes continuamente diferenciável em [a; b]: Seja �x 2 [a; b]: 1. �x é um máximo local ) u0 (�x) = 0 e u00 (�x) � 0: 2. Para u (x) estritamente côncava, u0 (�x) = 0, �x é um máximo local. Caso multidimensional Seja u (x) = u(x1; x2; :::; xn) duas vezes continuamente diferenciável. Resultados 1. �x = (�x1; �x2; :::; �xn) é máximo ) @u(�x)@xi = 0 8i: Def.: Gradiente: Vetor de derivadas parciais de uma função: Du = 2664 @u(�x) @x1 ... @u(�x) @xn 3775 Então, a condição 1 é: Du = 0 2. Para u (x) estritamente côncava, �x é máximo, Du = 0: 3. Se a matriz hessiana de u (:) for negativa de nida, u (x) é estritamente côncava. Def.: Matriz Hessiana: é a matriz de derivadas parciais de segunda ordem de uma função. Seja f (x1; :::; xn) : Então, H (f) = 26666664 @2f @x21 @2f @x1@x2 ::: @ 2f @x1@xn @2f @x2@x1 @2f @x22 ::: ... ... ::: . . . ... @2f @x1@xn ::: ::: @ 2f @x2n 37777775 1 Def.: Matriz Negativa-De nida: uma matriz é negativa-de nida se e somente se todos os seus autovalores forem negativos. Máximo Restrito com Igualdade Suponha u (:) : Rn ! R e g (:) : Rn ! R duas vezes continuamente diferen- ciáveis. Problema: max x1;:::;xn u(x1; x2; :::; xn) s:a g(x1; x2; :::; xn) = a Primeira Solução: Usando a Função Implícita: 4 formas: Def.: Função Implícita: é uma função de nida implicitamente por uma equação tal como: R (x1; :::; xn) = 0 Faça: u(x1; x2; :::; xn) = u(~x1 (x2; :::; xn) ; x2; :::; xn) = ~u (x2; :::; xn) Agora, para ~u (:) estritamente côncava, se @~u(:)@xi = 0 8i = 2; :::; n; estaremos no máximo local. Temos: Def. Derivada Total: para u (x1; :::; xn) ; du dxi = @u (:) @x1 @x1 @xi + @u (:) @x2 @x2 @xi + :::+ @u (:) @xi @xi @xi + :::+ @u (:) @xn @xn @xi = @u (:) @x1 @x1 @xi + @u (:) @xi pois apenas x1 é função de xi. 2) Usando a derivada total, a condição 1) será: @~u (:) @xi = du dxi = @u (:) @x1 @~x1 @xi + @u (:) @xi = 0 (1) 8i = 2; :::; n: Temos: Def.: Teorema da função implícita: para g(x1; x2; :::; xn)� a = 0 2 Se @g (:) @x1 6= 0 Então, podemos fazer: x1 = ~x1 (x2; :::; xn) g(~x1 (x2; :::; xn) ; x2; :::; xn)� a = 0 e @~x1 @xi = � @g(:) @xi @g(:) @x1 8i = 2; :::; n: 3) Então, se aplicarmos o teorema da função implícita à condição 2), teremos: @u(:) @xi @u(:) @x1 = @g(:) @xi @g(:) @x1 (2) 8i = 2; :::; n: 4) Podemos observar a condição 3) da seguinte forma: @u (:) @xi = � @g (:) @xi (3) Então, Du (�x) = �Dg (�x) onde: �x = [�x1:::�xn] Du = 2664 @u(:) @x1 ... @u(:) @xn 3775 Dg = 2664 @g(:) @x1 ... @g(:) @xn 3775 Segunda Solução: Função Lagrangiana 3 Adicionar o fator de proporcionalidade vezes a restrição à função a ser max- imizada: L = u (x1; :::; xn) + � (a� g (x1; :::; xn)) Encontrar o vetor com o máximo usando as restrições: @L @xi = 0 8i = 1; :::n @L @� = 0 ou seja, DL = 0 Então, D (u (�x) + � (a� g (�x))) = 0 Resultado O gradiente é um operador linear. Def.: D é um operador linear se, 8 �i constante e 8 fi (:) função, D X i �ifi (:) ! = �iDfi (:) Então, temos: DL = D (u (�x) + � (a� g (�x))) = 0 , Du (�x) = �Dg (�x) Possíveis formas de solucionar o problema com restrição com igualdade: 1) D~u = 0 2) @u (:) @x1 @~x1 @xi + @u (:) @xi = 0 8i 3) @u(:) @xi @u(:) @x1 = @g(:) @xi @g(:) @x1 8i 4) Du (�x) = �Dg (�x) 4 5) DL = 0 Máximo Restrito com Desigualdade Condições de Karush-Kuhn-Tucker Suponha u (:) : Rn ! R e gi (:) : Rn ! R 8i = 1; :::;m duas vezes continua- mente diferenciáveis. Problema: max x1;:::;xn u(x1; x2; :::; xn) (4) s:a gi(x1; x2; :::; xn) � ai8i = 1; :::;m Teorema de Karush-Kuhn-Tucker: Condições necessárias Se �x = (�x1; :::; �xn) for solução do problema (4) ; então, existe um conjunto de m multiplicadores de Lagrange �i tais que: a) Du (:) = mX i=1 �iDgi (:) ; 8i = 1; :::;m com b) �i � 0; gi (:) � ai 8i = 1; :::;m c) �i[ai � gi (:)] = 08i = 1; :::;m Condições su cientes 1) Função de utilidade côncava; 2) Restrições formando um conjunto convexo: fgi (:) � aigmi=1: Def.: Conjunto Convexo: C é um conjunto convexo se 8 fxigni=1 2 C e 8 f�igmi=1 tal que Pm i=1 �i = 1; então Pm i=1 �ixi 2 C: 5
Compartilhar