4-Modelos de Otimização Fuzzy - UNICAMPgomide/courses/CT820/transp/CT820ModelosO... · PNL PL....
Transcript of 4-Modelos de Otimização Fuzzy - UNICAMPgomide/courses/CT820/transp/CT820ModelosO... · PNL PL....
CT 820 Teoria de Sistemas e Otimização FuzzyIntrodução e Aplicações
4-Modelos de Otimização Fuzzy
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Conteúdo
1. Introdução
2. Programação linear fuzzy
3. Programação não linear fuzzy
4. Programação dinâmica
5. Modelos possibilísticos
ProfFernandoGomide2012 DCA-FEEC-Unicamp
1-Introdução
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Modelo geral de otimização fuzzy
mãx f~ (X)
sa g~(X) ≤ B
f~ : F(Xn) → F(Y)
g~ : F(Xn) → F(Ym)
ProfFernandoGomide2012 DCA-FEEC-Unicamp
� Incerteza × imprecisão
� Abordagens
• teoria de probabilidade (repetibilidade)
• teoria de possibilidade (falta de informação)
• teoria conjuntos fuzzy (gradualidade)
• …………..
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Incerteza/imprecisão em modelos otimização
� Relações
• metas (goals) flexíveis
• restrições flexíveis
� Coeficientes
• função objetivo
• lado direito
• lado esquerdo
ProfFernandoGomide2012 DCA-FEEC-Unicamp
� Incerteza• medidas de possibilidade/necessidade
• medida de probabilidade
• ….
� Imprecisão• conjuntos fuzzy
• …..
Caracterização de incerteza e imprecisão
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Modelo Fuzzyprogramação
matemática fuzzy
Modelo Matemáticoprogramaçãomatemática
interpretar problemaformular: transformarem um modelo matemático
Soluçãomodelo
matemáticotécnicas clássicas
otimização
Fase 1
Fase 2
Solução de modelos otimização fuzzy
ProfFernandoGomide2012 DCA-FEEC-Unicamp
“..even though this is true, of the 167 production (linear) programming systems investigated and surveyed by Fandel (1994) only 13 of these were pure deterministic linear programs.” Rommelfanger (2004)
Ferramenta mais utilizada em PO: PL
G. Fandel, PPS-Systeme: Grundlangen, Methoden, Software, MarkanalyseSpringer-Verlag, Heidelberg, Germany, 1994
ProfFernandoGomide2012 DCA-FEEC-Unicamp
2-Programação linear fuzzy
Modelo geral de programação linear fuzzy
njX
miBXA
XC
j
i
n
jjij
n
jjj
,...,10
,...,1sa
max
1
1
=≥
=≤∑
∑
=
=
ProfFernandoGomide2012 DCA-FEEC-Unicamp
� No modelo geral de PL fuzzy
Xj variáveis cujos valores são números fuzzy
Aij, Bi, Cj são números fuzzy
≤ relação de ordem (ordena números fuzzy)
� Casos importantes de PL
1– somente Bi são números fuzzy
2– tanto Aij como Bi são números fuzzy
ProfFernandoGomide2012 DCA-FEEC-Unicamp
njx
miBxa
xc
j
i
n
jjij
n
jjj
,...,10
,...,1sa
max
1
1
=≥
=≤∑
∑
=
=
Caso 1: Bi ∈ F(R)
xj, cj, aij ∈ R
Interpretação: Bellman e Zadeh
� Modelagen simétrica
restrições ≡ função objetivo
� xj, cj, aij são variáveis reais
� Bi são números fuzzy
ProfFernandoGomide2012 DCA-FEEC-Unicamp
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Algoritmo
1. calcular grau pertinência Ri(x) para cada x = (x1, x2, ..., xn)
2. determinar limitantes inferior zl e superior zu da função objetivo
3. determinar conjunto fuzzy G(x) dos valores da função objetivo
4. determinar a intersecção
5. construir e resolver modelo programação matemática para obter x*
mixaBRn
ijijii ,,1),()x(
1K== ∑
=
)(1IIm
iiRGD
==
))}x(),x({min(max)x(max*xxx
RGD ==
ProfFernandoGomide2012 DCA-FEEC-Unicamp
R∈
≤+
+<<−+≤
=
=
v
vpb
pbvbp
vpbbv
vB
miB
ii
iiii
ii
i
i
i
0
1
)(
,...,1
Bi(v)
vbi bi + pi
1
Forma de Bi
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Cálculo dos limitantes da função objetivo
njx
mibxa
xcz
j
i
n
jjij
n
jjjl
,...,10
,...,1sa
maxarg
1
1
=≥
=≤
=
∑
∑
=
=
njx
mipbxa
xcz
j
ii
n
jjij
n
jjju
,...,10
,...,1sa
maxarg
1
1
=≥
=+≤
=
∑
∑
=
=
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Função objetivo (conjunto fuzzy G)
n
l
ullu
l
u
z
zzzz
zz
G
R∈
≤
<<−−
≤
=
x
cx0
cxcx
cx1
)x(
ProfFernandoGomide2012 DCA-FEEC-Unicamp
))}x(),x({min(max)x(maxxx
RGD =
njx
mipbxap
zcxzz
j
ii
n
ijiji
llu
,...,10,
,,1
)(sa
max
1
=≥λ
=+≤+λ
−≤−−λλ
∑=
K
Modelo programação matemática
PNL
PL
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Exemplo
Empresa fabrica P1 e P2 com lucro de $0.40/ unidade P1 e $0.30/unidade P2
P1 requer duas vezes mais horas de trabalho que P2. Total de horas de trabalho
por dia é de no mínimo 500 h e 600h no máximo por dia. A matéria prima é
suficiente para produzir no mínimo 400 unidades de P1 e P2, podendo chegar
a 500 unidades no máximo.
x1 = unidades de P1 por dia
x2 = unidades de P2 por dia
Objetivo: maximizar lucro
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Formulação
0,
horas2
materialsa
lucro3.04.0max
21
221
121
21
≥≤+≤+
+
xx
Bxx
Bxx
xx
B1, B2 ∈ F(R)
ProfFernandoGomide2012 DCA-FEEC-Unicamp
≤
<<−≤
=
v
vv
v
vB
5000
500400100
5004001
)(1
B1 e B2
≤
<<−≤
=
v
vv
v
vB
6000
600500100
6005001
)(2
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Limitantes da função objetivo
0,
5002
400sa
3.04.0max
21
21
21
21
≥≤+≤+
+=
xx
xx
xx
xxzl
0,
6002
500sa
3.04.0max
21
21
21
21
≥≤+≤+
+=
xx
xx
xx
xxzu
zl = 130
zu = 130
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Função objetivo
[ ]3.04.0cx
130cx0
160cx13030
130cxcx1601
)x(
2
1 =
=
≤
<<−≤
=
x
x
G
ProfFernandoGomide2012 DCA-FEEC-Unicamp
0,,
6002100
500100
130)3.04.0(30sa
max
21
21
21
21
≥λ≤++λ≤++λ
−≤+−λλ
xx
xx
xx
xx
Modelo programação matemática
145
350,100,5.0*
*2
*1
*
=
===λ
z
xx
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Caso 2: Aij e Bi ∈ F(R)
njx
miBxA
xc
j
i
n
jjij
n
jjj
,...,10
,...,1sa
max
1
1
=≥
=≤∑
∑
=
=
xj, cj∈ R
Rs s + r
1
s – l
l r
⟩⟨= rlsA ,,
Hipótese: Aij e Bi números fuzzy triangulares
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Algoritmo
1. operações soma e multiplicação: aritmética números fuzzy
2. definir relação de ordem
3. construir e resolver modelo programação matemática para obter x*
i
n
jjij BxA ≤∑
=1
ProfFernandoGomide2012 DCA-FEEC-Unicamp
ProfFernandoGomide2012 DCA-FEEC-Unicamp
R∈∀=
=≤
=yxyBxABA
BBABA
yxz,)],(),(min[sup),(MAX
),(MAXsesomenteese
),max(
Interpretação:A ≤ B
Se A e B ∈ F(R) então
ProfFernandoGomide2012 DCA-FEEC-Unicamp
vtrs
utls
ts
BA
vutBrlsA
+≤+−≤−
≤≤
⟩⟨=⟩⟨=sesomenteese
,,,,,
Se A e B são triangulares, então
Além disso, se x ≥ 0 então
⟩⟨=⟩⟨
⟩+++⟨=⟩⟨+⟩⟨
rxlxsxxrls
vrultsvutrls
,,,,
,,,,,,
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Modelo programação matemática
njx
vtxrs
miutxls
txs
xc
j
ii
n
jjijij
ii
n
jjijij
i
n
jjij
n
jjj
,...,1,0
)()(
,...,1)(
sa
max
1
1
1
1
=≥
+≤+
=−≤−
≤
∑
∑
∑
∑
=
=
=
=
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Exemplo
0,
3,6,121,5.0,12,1,4
8,5,241,3,51,2,4sa
45max
21
21
21
21
≥⟩⟨≤⟩⟨+⟩⟨
⟩⟨≤⟩⟨+⟩⟨
+
xx
xx
xx
xx
0,
1526
3265
65.03
1922
122
2454sa
45max
21
21
21
21
21
21
21
21
≥≤+≤+≤+
≤+≤+≤+
+
xx
xx
xx
xx
xx
xx
xx
xx
Interpretação(+, •, ≤ )
41.21,82.3,23.1 **2
*1 === zxx
ProfFernandoGomide2012 DCA-FEEC-Unicamp
Modelo com valores modais deAij e Bi
0,
122
2454sa
45max
21
21
21
21
≥≤+≤+
+
xx
xx
xx
xx
modelo com menor no de restrições
25.23,3,25.2 **2
*1 === zxx
DCA-FEEC-UnicampProfFernandoGomide
Este material refere-se às notas de aula do curso CT 820 Teoria de Sistemas e Otimização Fuzzy: Introdução e Aplicações da Faculdade de Engenharia Elétrica e de Computação da Unicamp e do Centro Federal de Educação Tecnológica do Estado de Minas Gerais. Não substitui o livro texto, as referências recomendadas e nem as aulas expositivas. Este material não pode ser reproduzido sem autorização prévia dos autores. Quando autorizado, seu uso é exclusivo para atividades de ensino e pesquisa em instituições sem fins lucrativos.
Observação