1 / 11

Cálculo da Direção de Caminhada: Gradiente de f(x)

Cálculo da Direção de Caminhada: Gradiente de f(x). O gradiente de uma função f(x 1 , x 2 , ..., x n ), denotado por f(x 1 , x 2 , ..., x n ), é um vetor de derivadas parciais da função f(.) : f(x 1 , x 2 , ..., x n ) = (f/x 1 , f/x 2 , ... , f/x n )

cera
Télécharger la présentation

Cálculo da Direção de Caminhada: Gradiente de f(x)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Cálculo da Direção de Caminhada:Gradiente de f(x) • O gradiente de uma função f(x1, x2, ..., xn), denotado por f(x1, x2, ..., xn), é um vetor de derivadas parciais da função f(.) : • f(x1, x2, ..., xn) = (f/x1, f/x2, ... , f/xn ) • Dado um ponto xk , a direção dada pelo vetor gradiente f(xk) é a direção de maior crescimento em torno deste ponto. • xk+1 = xk + α .f(xk) • O vetor gradiente é perpendicular às curvas de nível da função 5-13

  2. Cálculo da Direção de Caminhada:Direção de crescimento e de decrescimento Curva de nível f(x) xk θ x Qualquer direção x é uma direção de crescimento sempre que o seu ângulo (θ) em relação ao vetor gradiente é menor do que 90°. Se θ > 90° então x é uma direção de decrescimento. A direção -f(x) é a direção de máximo decrescimento neste ponto. 5-14

  3. Cálculo da Direção de Caminhada:Teste sobre a Direção de Caminhada • Seja uma função objetivo f(x) e seja xk uma solução. • Então uma nova solução dada por xk+1 = xk + x causa uma variação • na função objetivo de aproximadamente: •  f j(f/xj)(λ  xj)  λ ( f(x). x ) (Produto escalar) • Se f(x). x > 0, então x é uma direção de crescimento. • Caso contrário x é uma direção de decrescimento. • É possível mostrar que : • f(x). x = f(x) . x .cos θ (1) • onde f(x) é a norma do gradiente. • Supondo f(x) e x normalizados, então f(x) = x = 1. • Portanto, (1) fica f(x). x =cos θ, que tem o valor máximo • para θ = 0 °. Ou seja, o máximo crescimento é quando • x = f(x) 5-15

  4. Busca UnidimensionalQuanto Caminhar na direção x? α ? Nova solução : xk+1 = xk + α x • Como a busca é sobre uma única direção, então diz-se que esta • é uma busca unidimensional. • O valor de α é tal que o valor da função objetivo seja o melhor • possível nesta direção. 5-16

  5. Busca Unidimensional • A busca unidimensional é equivalente a um problema de uma única variável : • Seja o problema : • minimizar f(x) =( x1)2 + 2 (x2 )2 + x1 x2 - 6x1 -10x2, a partir do ponto xk =( 1, 2)T e na direção d k = ( 1, 2)T. • Então teremos : xk+1= xk + α d k = (1, 2 )T +α (1, 2 )T = (1+ α , 2+ 2)T (I) • Substituindo (I) em f(x), teremos : • f(α)= 11(α)2 - 4α - 15 • f(x) agora é função só de α • Busca Unidimensional : • Determinar o valor α* que minimiza f(α). 5-17

  6. Busca Unidimensional Mínimo de f(α) f(α)/α = 0 22 α - 4 = 0 α *= 4/22 f(α) α α*=4/22 5-18

  7. Observação 1 : Função Unimodal • Uma função objetivo f(x) é unimodal se, para quaisquer dois pontos x1 e x2 tais que f(x1) < f(x2), x=(x1 - x2) é uma direção de crescimento. • Uma função objetivo linear é sempre unimodal. • Se a função objetivo de um problema de otimização é unimodal, então todo ótimo local irrestrito é também um ótimo global. 5-19

  8. Observação 2 : Função Unimodal, Conjunto Convexo e Ótimo Global • Um CSF é dito convexo se para quaisquer duas soluções factíveis x1 e x2 o segmento de reta que une estes dois pontos também pertence ao CSF. • O segmento de reta que une os pontos x1 e x2 é dado por x = x1 +λ(x1- x2), 0  λ 1. • Se todas as restrições de um problema de otimização são lineares, então o CSF é um conjunto convexo. • Se a função objetivo de um problema de otimização é unimodal e o CSF é um conjunto convexo, então todo ótimo local é também ótimo global 5-20

  9. Obs.3 : Direção de Caminhada em problemas com restrições:Restrições Ativas e Folgadas • Em problemas com restrições uma direção de melhoria pode ser infactível. • Restrições ativas e restrições folgadas: Supondo que as restrições de um dado problema são constituídas somente das restrições de desigualdade, então, se para uma dada solução factível todas as restrições são satisfeitas na desigualdade, então todas as restrições são ditas folgadas. • Caso contrário, se alguma restrição for satisfeita na igualdade, então diz-se que esta restrições é ativa. 5-21

  10. Obs.3 : Direção de Caminhada em problemas com restrições:Restrições Ativas e Folgadas A figura a seguir mostra alguns pontos sobre a região factível do problema da RECAP. No ponto x(1) uma restrição está ativa; no ponto x(2) todas estão folgadas; e nos pontos x(3) e x(4) há duas restrições ativas. 5-22

  11. Direção de Caminhada em problemas com restrições A direção x é uma direção factível em problemas com restrições restrições lineares se satisfaz as seguintes condições: i) Para restrições do tipo j aj xj b deve-se ter j aj xj  0. ii) Para restrições do tipo j aj xj  b deve-se ter j aj xj  0. iii) Para restrições do tipo j aj xj = b deve-se ter j aj xj = 0. 5-23

More Related