Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
i Sumário Sumário ................................................................................................................................................ 1 Capítulo 1 ............................................................................................................................................ 2 Capítulo 2 ............................................................................................................................................ 3 Capítulo 3 ....................................................................................................................................... 155 Capítulo 4 ......................................................................................................................................... 18 Capítulo 5 ......................................................................................................................................... 20 2 Capítulo 1 Introdução O Trabalho 3 visa estudar a otimização em problemas não lineares com restrição. Em que cada aluno explorará o comportamento de um método. Aqui será trata o método elipsoidal e as duas variantes do método, Lagrangea e Atrator. As três variantes do método elipsoidal (original, deep-cut Rodney-Takahashi, deep-cut Douglas-Adriano). 3 Capítulo 2 Estudo de funções de 2 dimensões partindo do mesmo ponto inicial 2.1.1 Função 1: Função quadrática com restrições lineares Código: fdemonst.m % Quadract function % Objective function fx = (x(1,:)- 1).^2 + (x(2,:)- 1).^2; dfx = [2*(x(1)-1); 2*(x(2)-1)]; % Contraints (g1(x) <= 0) gx(1,:) = x(1,:) + x(2,:) - 1; dgx(1,1) = 1; dgx(2,1) = 1; % Contraints (g2(x) <= 0) gx(2,:) = x(1,:) - x(2,:) - 1; Figura 1 - Função objetivo e restrições para a Função 1 2.1.2 Função 2: Problema de Rosen e Suzuki Código: pb_rosensuzuki_convexa.m 4 Figura 2 - Função objetivo e restrições para a Função 2 2.1.3 Função 3: Função quadrática com restrições quadráticas Código: fquadx.m % Objective function fx = (x(1,:)- 2).^2 + (x(2,:)- 2).^2; dfx = [2*(x(1)-2); 2*(x(2)-2)]; % Contraints (g1(x) <= 0) gx(1,:) = x(1,:) .^ 2 + 4 * x(2,:) .^ 2 - 1; dgx(1,1) = 2*x(1,1); dgx(2,1) = 8*x(2,1); % Contraints (g2(x) <= 0) gx(2,:) = (x(1,:)-2) .^ 2 + 4 * x(2,:) .^ 2 - 1; dgx(1,2) = 2*x(1,1)-2; dgx(2,2) = 8*x(2,1); Figura 3 - Função objetivo e restrições para a Função 3 2.1.4 Função 4: Problema de Svanverg Código: fsvanb.m % Funcao objetivo. fobj = x(1,1)*sqrt(1+x(2,1)^2); 5 % gradiente função objetivo. % f = x(1,1)*sqrt(1+x(2,1)^2); dfobj(1,1) = sqrt(1+x(2,1)^2); dfobj(2,1) = x(1,1)*x(2,1)/sqrt(1+x(2,1)^2); % Funcões de restricao g(x,1) <= 0.0. gsinal(1,1) = -1; gsinal(2,1) = -1; g(1,1) = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)+1/(x(1,1)*x(2,1)))-1; g(2,1) = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)-1/(x(1,1)*x(2,1)))-1; % Funcões de restricao g1(x,1) <= 0.0. % g1 = 0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)+1/(x(1,1)*x(2,1)))-1; df1(1,1) =-0.124*sqrt(1+x(2,1)^2)*(8/x(1,1)^2+1/(x(2,1)*x(1,1)^2)); df1(2,1) = 0.124*(x(2,1)*(8/x(1,1)+1/(x(1,1)*x(2,1)))/sqrt(1+x(2,1)^2)- ... sqrt(1+x(2,1)^2)/(x(1,1)*x(2,1)^2)); Figura 4 - Função objetivo e restrições para a Função 4 2.1.5 Função 5: Função objetivo quadrática com restrições elipsoidais Código: fflower.m Figura 5 - Função objetivo e restrições para a Função 5 2.1.6 Função 6: Norma distorcida e condicionada com restrições 6 Código: ftiltednormcond_rosensuzu.m Figura 6 - Função objetivo e restrições para a Função 6 2.2Resultados para ponto inicial fixo Nesta seção os métodos são comparados pelo número de iterações, valor final da função objetivo e fator final de convergência de Powell. Além destes valores, são mostrados os gráficos com o traçado das elipses em cada iteração, evolução da função objetivo e evolução do fator de convergência de Powell. Para todas as funções e métodos de deep-cut foram usados o ponto inicial x0 = (8,8). 2.1.1 Função 1: Função quadrática com restrições lineares Código: fdemonst.m Tabela 1 - Resultados para Função 1, 2 dimensões, x_0 fixo 7 Figura 7 - Convergência para Função 1, método original Figura 8 - Convergência para Função 1, deep-cut Rodney-Takahashi Figura 9 - Convergência para Função 1, deep-cut Douglas-Adriano. 8 2.1.2 Função 2: Problema de Rosen e Suzuki Código: pb_rosensuzuki_convexa.m Tabela 2 - Resultados para Função 2, 2 dimensões, x_0 fixo Figura 10 - Convergência para Função 2, método original Figura 11 - Convergência para Função 2, método deep-cut Rodney-Takahashi 9 Figura 12 - Convergência para Função 2, método deep-cut Douglas-Adriano 2.1.3 Função 3: Função quadrática com restrições quadráticas Código: fquadx.m Tabela 3 - Resultados para Função 3, 2 dimensões, x_0 fixo Figura 13 - Convergência para Função 3, método original 10 Figura 14 - Convergência para Função 3, método deep-cut Rodney-Takahashi Figura 15 - Convergência para Função 3, método deep-cut Douglas-Adriano 2.1.4 Função 4: Problema de Svanverg Código: fsvanb.m Tabela 4 - Resultados para Função 4, 2 dimensões, x_0 fixo 11 Figura 16 - Convergência para Função 4, método original Figura 17 - Convergência para Função 4, método deep-cut Rodney-Takahashi Figura 18 - Convergência para Função 4, método deep-cut Douglas-Adriano 2.1.5 Função 5: 12 Função objetivo quadrática com restrições elipsoidais Código: fflower.m Tabela 5 - Resultados para Função 5, 2 dimensões, x_0 fixo Figura 19 - Convergência para Função 5, método original Figura 20 - Convergência para Função 5, método deep-cut Rodney-Takahashi 13 Figura 21 - Convergência para Função 5, método deep-cut Douglas-Adriano 2.1.6 Função 6: Norma distorcida e condicionada com restrições Código: ftiltednormcond_rosensuzu.m Tabela 6 - Resultados para Função 6, 2 dimensões, x_0 fixo Figura 22 - Convergência para Função 6, método original 14 Figura 23 - Convergência para Função 6, método deep-cut Rodney-Takahashi Figura 24 - Convergência para Função 5, método deep-cut Douglas-Adriano 15 Capítulo 3 Estudo do parâmetro s do deep-cut Nesta seção foi investigado o efeito do parâmetro s para a realização do método deep-cut. Para tal usou-se a função 2 (problema de Rosen-Suzuki com restrições) e o método de Rodney-Takahashi com ponto inicial x_0 = (8, 8)T. Foram testados dez valores de s indo de 0 até 0,3125, avaliando sua influência no número de iterações, valor final da função objetivo e valor final do fator de convergência. Foram registrados os gráficos de convergência da função objetivo e do fator de convergência para s = 0, s = 0,1736 e s = 3,125. Tabela 7 - Resultados da influência do parâmetro s do deep-cut 16 Figura 25 - Efeito de s nas métricas de interesse a) Número de iterações, b) Valor final do fator de convergência de Powell e c) valor final da função objetivo. Figura 26 - Gráficos de convergência para a) s=0, b) s=0,1736 e c) s=0,3125. 17 Observa-se que o número de iterações diminui com o aumento de s de forma aparentemente linear. O valor final da função objetivo e o fator de convergência não apresentam dependência aparente de s. A dependência linear do número de iterações com o parâmetro s poderia ser testada para problemas com maior dimensão, porém tal teste não foi realizado neste trabalho. 18 Capítulo 4 Estudo do aumento da dimensão do problema Foi investigado o efeito do aumento da dimensão n do problema. Para tal usou-se a função 2 (problema de Rosen-Suzuki com restrições) para o método original, para o deep-cut de Rodney-Takahashi e de Douglas-Adriano ambos com s=1/(n+1,1). Foram realizadas 10 execuções para cada dimensão, sendo registrado o número de iterações, valor final da função objetivo e valor final do fator de convergência, com ponto inicial variando a cada execução. Tabela 8 - Resultado para aumento de dimensão. Número de Iterações Tabela 9 - Resultado para aumento de dimensão. Valor final da função objetivo 19 Tabela 10 - Resultado para aumento de dimensão. Valor final do fator de convergência de Powell Figura 27 – Gráfico comparativo do número de iterações em função da dimensão para os três métodos. A tabela 9 indica que os três métodos chegaram em torno da mesma solução, com o deep-cut de Douglas-Adriano chegando à uma solução ligeiramente pior do que os outros dois métodos. A tabela 8 assim como o gráfico da figura 27 mostram que há grande diferença na complexidade dos métodos. O método original é sem dúvidas o mais lento, com crescimento aparentemente exponencial do número de iterações. O método de Rodney-Takahashi se mostra significativamente mais rápido que o original. O método que melhor escala com a dimensão do problema é o de Douglas-Adriano, sendo então o mais indicado no caso de problemas de alta dimensionalidade. 20 Capítulo 5 Conclusão Os experimentos realizados no capítulo 2 deste trabalho indicam que o método original seja o mais robusto, sendo capaz de otimizar todos os problemas apresentados, enquanto a versão de Douglas-Adriano teve problemas ao otimizar a função 2 e o método de Rodney-Takahashi teve problemas ao otimizar a função 4. Os experimentos do capítulo 3 indicam que um aumento do parâmetro s de deep- cut reduz o número de iterações necessário sem influenciar na qualidade da solução. Os experimentos da capítulo 4 indicam que a versão com deep-cut de Douglas-Adriano é a mais eficiente, reduzindo consideravelmente o crescimento do número de iterações em função da dimensão do problema. Globalmente pode-se notar que o método elipsoidal se baseia em delimitar regiões que contém a solução, diminuindo gradualmente essa região até que ela se torne apenas a solução. Outra característica observável do método é que a solução encontrada é aproximada. Os gráficos de convergência (figuras 8 a 24 e figura 26) indicam que a região de busca cerca rapidamente a solução, porém a aproximação da solução é assintótica, dando a característica hiperbólica dos gráficos.
Compartilhar