Cap6 Notas Aulas Valente
-
Upload
amanda-ortega -
Category
Documents
-
view
213 -
download
0
Transcript of Cap6 Notas Aulas Valente
PAVF
c
1999 136
M�etodos com indica�c~ao interativa
� Caracter��sticas dos m�etodos interativos
� M�etodo de Geo�rion, Dyer e Feinberg
� Programa�c~ao por metas interativa
� M�etodo STEM
PAVF
c
1999 137
Caracter��sticas dos m�etodos interativos
� Informa�c~oes sobre preferencias s~ao passadas ao analis-
ta durante a solu�c~ao de problema
� Preferencias (trade-o�s impl��citos e/ou expl��citos) fa-
zem papel de coe�cientes de certos problemas escala-
res a serem resolvidos pelo analista
Estrutura hier�arquica
PSfrag replacements
u(x
0
) � u(x)
8x 2 ?
Fim
An�alise
Decis~ao
S
N
An�alise local
Trade-o�s
Problema escalar
Obt�em-se x
0
2
PAVF
c
1999 138
M�etodo de Geo�rion, Dyer e Feinberg
Caracter��sticas
� M�etodo de dire�c~oes fact��veis baseado no algoritmo de
Frank-Wolfe
� Requer informa�c~oes locais na forma de trade-o�s im-
pl��citos e expl��citos (taxas marginais de substitui�c~ao)
� Destinado a problemas convexos
Formula�c~ao do problema
minimizar
x2
u(f(x))
� R
n
: conjunto convexo
f = (f
1
; f
2
; : : : ; f
m
) : fun�c~oes convexas sobre
u : Y ! R : fun�c~ao convexa crescente sobre Y
� u n~ao precisa ser explicitamente conhecida; apenas
informa�c~oes locais s~ao necess�arias
� Assume-se que u �e diferenci�avel, de forma a ser poss��vel
obter taxas marginais de substitui�c~ao
� As exigencias de convexidade est~ao ligadas �a utiliza�c~ao
do algoritmo de Frank-Wolfe
PAVF
c
1999 139
M�etodo de Geo�rion, Dyer e Feinberg
Algoritmo de Frank-Wolfe
1: Determine uma solu�c~ao inicial x
0
2 ; fa�ca k = 0
2: Obtenha a dire�c~ao de busca d
k
resolvendo
minimizar
�2
r
x
u(f(x
k
))
T
�
Seja �
k
uma solu�cao do problema; fa�ca d
k
:= �
k
� x
k
3: Determine o passo �otimo t
k
resolvendo o problema de
busca unidimensional
minimizar
0���1
u(f(x
k
+ �d
k
))
4: Calcule x
k+1
= x
k
+�
k
d
k
; se kx
k+1
� x
k
k < �, � > 0
su�cientemente pequeno, pare. Caso contr�ario, fa�ca
k := k + 1 e volte ao passo 2
� Usa informa�c~oes de gradiente; busca unidimensional res-
trita a [0; 1]; exelentes propriedades de convergencia
� No m�etodo GDF, os passos 2,3 e 4 s~ao executados com
o aux��lio do decisor
PAVF
c
1999 140
M�etodo de Geo�rion, Dyer e Feinberg
Interpreta�c~ao
PSfrag replacements
0 x
1
x
2
x
0
x
1
x
2
�
0
�
1
d
0
d
1
g
0
g
1
Passo 2 - C�alculo do gradiente
Pela regra da cadeia,
r
x
u(f(x)) =
"
df
dx
#
T
du
df
=
m
X
i=1
@u
@f
i
rf
i
(x)
"
df
dx
#
T
=
h
rf
1
(x) j rf
2
(x) j � � � j rf
m
(x)
i
PAVF
c
1999 141
M�etodo de Geo�rion, Dyer e Feinberg
� Suponha que x
k
n~ao �e solu�c~ao do problema multiobjetivo
e que @u=@f
k
1
> 0 (s.p.g.). Ent~ao o c�alculo da dire�c~ao d
k
pode ser feito atrav�es do problema equivalente
minimizar
�2
m
X
i=1
�
k
i
rf
i
(x
k
)
T
�
onde �
k
i
:=
@u=@f
k
i
@u=@f
k
1
; i = 1; 2; : : : ;m s~ao as taxas margi-
nais de substitui�c~ao do decisor no ponto x = x
k
Passo 3 - C�alculo do passo �otimo
O passo �otimo �e indicado pelo decisor ao comparar o
comportamento de f(x
k
+�d
k
) como fun�c~ao de � 2 [0; 1]
atrav�es de tabelas ou gr�a�cos
PSfrag replacements
�
0 1�
k
f
1
f
2
f
3
PAVF
c
1999 142
M�etodo de Geo�rion, Dyer e Feinberg
Passo 4 - Crit�erio de parada
Como u �e convexa e diferenci�avel, para quaisquer f =
f(x) e f
k
= f(x
k
), onde x; x
k
2 ,
u(f)� u(f
k
) �
"
du
df
#
T
(f � f
k
)
Portanto,
u(f
k�1
)� u(f
k
) �
"
du
df
k
#
T
(f
k�1
� f
k
)
�
@u
@f
k
1
[1 �
k
2
� � � �
k
m
](f
k�1
� f
k
)
� A varia�c~ao�
k
:= u(f
k
)�u(f
k�1
) em utilidade �e limitada
superiormente por (@u=@f
k
1
)[1 �
k
2
� � � �
k
m
](f
k
� f
k�1
). A
raz~ao
�
k
�
k�1
=
[1 �
k
2
� � � �
k
m
](f
k
� f
k�1
)
[1 �
k�1
2
� � � �
k�1
m
](f
k�1
� f
k�2
)
mede a varia�c~ao relativa em utilidade entre itera�c~oes su-
cessivas. Um crit�erio de parada razo�avel seria
�
k
�
1
=
[1 �
k
2
� � � �
k
m
](f
k
� f
k�1
)
[1 �
1
2
� � � �
1
m
](f
1
� f
0
)
< �; � > 0
PAVF
c
1999 143
M�etodo de Geo�rion, Dyer e Feinberg
Exemplo - Dieta multiobjetivo (Hwang & Masud, 1979)
minimizar
x
(f
1
(x); f
2
(x); f
3
(x))
s.a g
1
(x) � 5000
g
2
(x) � 12:5
g
3
(x) = 2500
g
4
(x) = 63
x � x � x
� Custo
f
1
(x) = 0:225x
1
+2:2x
2
+0:8x
3
+0:1x
4
+0:05x
5
+0:26x
6
� Colesterol
f
2
(x) = 10x
1
+ 20x
2
+ 120x
3
� Carboidrato
f
3
(x) = 24x
1
+ 27x
2
+ 15x
4
+ 1:1x
5
+ 52x
6
� Vitamina A
g
1
(x) = 720x
1
+ 107x
2
+ 7080x
3
+ 134x
5
+ 1000x
6
� Ferro
g
2
(x) = 0:2x
1
+10:1x
2
+13:2x
3
+0:75x
4
+0:15x
5
+1:2x
6
� Calorias
g
3
(x) = 344x
1
+460x
2
+1040x
3
+75x
4
+17:4x
5
+240x
6
� Proteinas
g
4
(x) = 18x
1
+ 151x
2
+ 78x
3
+ 2:5x
4
+ 0:2x
5
+ 4x
6
� x
1
= leite (pints); x
2
= carne (libras); x
3
= ovos (d�uzias); x
4
=
p~ao (on�cas); x
5
= legumes (on�cas); x
6
= suco de laranja (pints)
� x = 0; x = (6; 1; 0:25; 10; 10; 4)
PAVF
c
1999 144
M�etodo de Geo�rion, Dyer e Feinberg
Solu�c~ao pelo m�etodo GDF
1: Ponto inicial fact��vel
x
0
= (3; 0:5; 0:15; 5; 5; 3); f(x
0
) = (3:43; 58; 322)
2: C�alculo da dire�c~ao de busca
minimizar
�2
3
X
i=1
�
0
i
rf
i
(x
0
)
T
�
De�nindo f
1
como referencia, pede-se ao decisor que
indique �
1
; �
2
; �
3
tais que
(3:43; 58; 322)� (3:43 + �
1
; 58� �
2
; 322)
(3:43; 58; 322)� (3:43 + �
1
; 58; 322� �
3
)
Assumindo �
1
= 0:5; �
2
= 20; � = 30,
�
0
1
= 1; �
0
2
=
�
1
�
2
= 0:025; �
0
3
=
�
1
�
3
= 0:017
A solu�c~ao do problema linear fornece
d
0
= (2:12; 0:16; 0:1;�5:0; 5:0;�3:0)
PAVF
c
1999 145
M�etodo de Geo�rion, Dyer e Feinberg
3: Determina�c~ao do passo �otimo
Pede-se ao decisor que analise a tabela abaixo e escolha
o melhor passo
� 0.0 0.2 0.4 0.6 0.8 1.0
f
1
(x
0
+ �d
0
) 3.43 3.40 3.34 3.35 3.33 3.31
f
2
(x
0
+ �d
0
) 58.0 65.3 72.6 79.8 87.1 94.4
f
3
(x
0
+ �d
0
) 322.0 287.9 253.9 219.8 185.8 151.8
Assuma que �
0
= 0:6
4: Atualiza�c~ao
Obt�em-se
x
1
= x
0
+ �
0
d
0
= (4:27; 0:60; 0:21; 2:0; 8:0; 1:2)
f(x
1
) = (3:35; 79:8; 219:8)
� O algoritmo GDF evolui de maneira similar at�e que algum
crit�erio de convergencia seja satisfeito
� Di�culdades: estimativas de taxas de substitui�c~ao, tama-
nhos de passo, ...
� Vantagens: simplicidade e fortes propriedades de con-
vergencia derivadas do m�etodo de Frank-Wolfe
PAVF
c
1999 146
Programa�c~ao por metas interativa
Formula�c~ao n~ao-interativa
minlex
x;d
+
;d
�
f�
1
(d
+
; d
�
);�
2
(d
+
; d
�
); : : : ;�
k
(d
+
; d
�
)g
s.a f
i
(x)� d
+
i
+ d
�
i
= t
i
; i = 1; 2; : : : ;m
d
+
i
� 0; d
�
i
� 0; d
+
i
� d
�
i
= 0; i = 1; 2; : : : ;m
x 2
Vers~ao interativa
� Preferencias n~ao-decrescentes em rela�c~ao a cada ob-
jetivo
� Minimiza�c~ao de d
�
i
n~ao faz sentido se se deseja mini-
mizar f
i
� A minimiza�c~ao lexicogr�a�ca �e substitu��da por
minimizar
x;d
+
;d
�
m
X
i=1
w
i
d
+
i
s.a f
i
(x)� d
+
i
+ d
�
i
= t
i
; i = 1; 2; : : : ;m
d
+
i
� 0; d
�
i
� 0; d
+
i
� d
�
i
= 0; i = 1; 2; : : : ;m
x 2
onde w
i
� 0 �e a pondera�c~ao de cada desvio i
PAVF
c
1999 147
Programa�c~ao por metas interativa
Observa�c~oes
� Formula�c~ao unilateral (one-sided) de programa�c~ao por
metas (apenas um tipo de desvio �e considerado)
� Note que
d
+
i
= f
i
(x) + d
�
i
� t
i
e o objetivo assume a forma equivalente
minimizar
m
X
i=1
w
i
(f
i
(x) + d
�
i
)
que �e equivalente a
minimizar u(f(x))
no sentido de que u �e aditiva e linear, e que @u=@f
i
=
0 se f
i
� t
i
� M�etodo GDF, com o c�alculo da dire�c~ao representado
pelo problema de programa�c~ao por metas com ponde-
ra�c~oes
PAVF
c
1999 148
Programa�c~ao por metas interativa
Exemplo - Dieta multiobjetivo
1: Ponto inicial fact��vel
x
0
= (3; 0:5; 0:15; 5; 5; 3); f(x
0
) = (3:43; 58; 322)
2: C�alculo das pondera�c~oes
As pondera�c~oes representam as taxas de substitui�c~ao do
decisor. Assumindo �
1
= 0:5; �
2
= 20; � = 30,
w
0
1
= 1; w
0
2
=
�
1
�
2
= 0:025; w
0
3
=
�
1
�
3
= 0:017
2: Problema de programa�c~ao por metas
minimizar
x;d
+
;d
�
1d
+
1
+ 0:025d
+
2
+ 0:017d
+
3
s.a f
1
(x)� d
+
1
+ d
�
1
= 2:2
f
2
(x)� d
+
2
+ d
�
2
= 17
f
3
(x)� d
+
3
+ d
�
3
= 150
d
+
i
� 0; d
�
i
� 0; d
+
i
� d
�
i
= 0; i = 1; 2; : : : ;m
x 2
� Solu�c~ao:
d
+
= (1:11; 77:44; 1:77) e x = (5:12; 0:66; 0:25; 0; 10; 0),
igual a �
0
obtida pelo m�etodo GDF
PAVF
c
1999 149
Programa�c~ao por metas interativa
Justi�cativa
No caso de objetivos lineares,
m
X
i=1
w
i
(f
i
(x) + d
�
i
) =
m
X
i=1
w
i
(rf
i
(x
0
)
T
x+ d
�
i
)
com x fazendo o papel de �. Como sempre d
+
i
> 0; 8 i
(metas menores que valores ut�opicos), tem-se d
�
i
= 0; 8 i
e o objetivo �e o mesmo do m�etodo GDF 2
� A dire�c~ao de busca �e portanto
d
0
= �
0
� x
0
= (2:12; 0:16; 0:1;�5; 5;�3)
e todos os demais passos s~ao iguais aos do m�etodo GDF
PAVF
c
1999 150
M�etodo STEM
Caracter��sticas
� Dirigido para problemas multiobjetivos lineares
� Requer informa�c~oes locais na forma de trade-o�s im-
pl��citos
� Trabalha no sentido de obter solu�c~oes satisfat�orias
Formula�c~ao
minimizar
x2
f(x)
f(x) = (f
1
(x); f
2
(x); : : : ; f
m
(x))
f
i
(x) =
n
X
j=1
c
ij
x
j
; i = 1; 2; : : : ;m; f(x) = Cx
:= fx 2 R
n
: Ax = b; x � 0g; A 2 R
p�n
; b 2 R
p
Valores ut�opicos e pessimistas
Para i = 1; 2; : : : ;m, calcula-se
y
i
= f
i
(x
i
); x
i
= arg min
x2
f
i
(x)
y
i
= max
1�j�m
ff
i
(x
j
)g
PAVF
c
1999 151
M�etodo STEM
Pondera�c~oes
O m�etodo baseia-se na pondera�c~ao de desvios em re-
la�c~ao aos valores ut�opicos. Para i = 1; 2; : : : ;m, calcula-se
�
i
:=
0
@
y
i
� y
i
y
i
1
A
0
@
n
X
j=1
c
ij
1
A
�1=2
; se y
i
< 0
�
i
:=
0
@
y
i
� y
i
y
i
1
A
0
@
n
X
j=1
c
ij
1
A
�1=2
; se y
i
� 0
w
i
:=
�
i
m
X
j=1
�
i
; w
i
� 0;
m
X
i=1
w
i
= 1
� Se o valor de f
i
sobre n~ao difere muito de y
i
, ent~ao
f
i
�e pouco sens��vel a pondera�c~oes; uma pequena pon-
dera�c~ao w
i
para f
i
�e su�ciente
� Quanto maior a varia�c~ao de f
i
sobre , maior ser�a o
valor de w
i
� O segundo termo de �
i
normaliza os valores assumidos
pelas fun�c~oes objetivos
� Diferentes solu�c~oes obtidas a partir de diferentes pon-
dera�c~oes podem ser comparadas
PAVF
c
1999 152
M�etodo STEM
Algoritmo STEM (STEp Method)
1: Determine y
i
; y
i
; �
i
; i = 1; 2; : : : ;m; determine uma
solu�c~ao inicial x
0
2 ; fa�ca k = 0
2: Para i = 1; 2; : : : ;m, o decisor compara f
i
(x
k
) com y
i
e de�ne
S(x
k
) := conjunto dos objetivos satisfat�orios
I(x
k
) := conjunto dos objetivos insatisfat�orios
S(x
k
) [ I(x
k
) := f1; 2; : : : ;mg
3: Se I(x
k
) = ;, o problema foi resolvido. Caso contr�ario,
o decisor fornece quantidades �f
k
i
; i 2 S(x
k
) de maneira
a de�nir
k+1
:=
8
>
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
>
:
k
f
i
(x) � f
i
(x
k
) + �f
k
i
; i 2 S(x
k
)
f
i
(x) � f
i
(x
k
); 8 i 2 I(x
k
)
4: Fa�ca �
i
= 0; i 2 S(x
k
), calcule w
i
; i = 1; 2; : : : ;m,
resolva o problema abaixo, fa�ca k := k + 1 e volte para 2
minimizar
x;�
�
s.a � � w
i
(f
i
(x)� y
i
); i = 1; 2; : : : ;m
x 2
k+1
; � 2 R
PAVF
c
1999 153
M�etodo STEM
Observa�c~oes
� O passo 2 involve apenas compara�c~oes ordinais entre
f
i
(x
k
) e y
i
; i = 1; 2; : : : ;m
� No passo 3, o decisor deve relaxar um ou mais ob-
jetivos satisfat�orios para tentar melhorar um ou mais
objetivos insatisfat�orios
� A informa�c~ao cardinal �f
k
i
�e a quantidade m�axima de
relaxa�c~ao para i 2 S(x
k
)
� No passo 4 minimiza-se o m�aximo desvio ponderado
entre f
i
(x) e y
i
sobre
k+1
� Note que w
i
= 0 (pois �
i
= 0) para todos os objeti-
vos satisfat�orios relaxados, permitindo a melhoria dos
insatisfat�orios
Exemplo
minimizar
x2
f(x)
f(x) = (f
1
(x); f
2
(x))
f
1
(x) = �0:4x
1
� 0:3x
2
; f
2
(x) = �x
1
:= fx : x
1
+ x
2
� 400; 2x
1
+ x
2
� 500; x
1
; x
2
� 0g
� Solu�c~oes ut�opicas e pessimistas
y
1
= �130; y
2
= �250
y
1
= �100; y
2
= �100
PAVF
c
1999 154
M�etodo STEM
Exemplo (cont.)
� Pondera�c~oes
�
1
=
�130� (�100)
�130
�
(�0:4)
2
+ (�0:3)
2
�
�1=2
= 0:46
�
2
=
�250� (�100)
�250
�
(1)
2
+ (0)
2
�
�1=2
= 0:60
� Obt�em-se inicialmente w
1
= 0:43; w
2
= 0:56
� Em seguida, resolve-se o problema (
0
= )
minimizar
x;�
�
s.a � � 0:43(f
1
(x) + 130)
� � 0:56(f
2
(x) + 250)
x 2
0
; � 2 R
PAVF
c
1999 155
M�etodo STEM
Exemplo (cont.)
� Obt�em-se x
0
= (230; 40); f(x
0
) = (�104;�230)
� Suponha que ao comparar (�104;�230) com (�130;�250)
o decisor de�na S(x
0
) = f2g; I(x
0
) = f1g e �f
0
2
= 30
� A nova regi~ao fact��vel �e
1
:=
8
>
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
>
:
0
f
2
(x) � �200
f
1
(x) � �104
� Faz-se w
1
= 1; w
2
= 0 e resolve-se
minimizar
x;�
�
s.a � � (f
1
(x) + 130)
x 2
1
; � 2 R
� Obt�em-se x
1
= (200; 100); f(x
1
) = (�110;�200);
repete-se o processo at�e que I(x
k
) = ; para algum k