Vous êtes sur la page 1sur 28

An

alise Convexa

1.

Conjuntos convexos
1.1.

Casca convexa, ponto extremo, cone

2.

Hiperplanos: suporte, separador, teorema da separac


ao

3.

Func
oes convexas

4.

Teoremas de func
oes convexas

5.

Conjunto poliedral e politopo

6.

Exerccios

c Reinaldo M. Palhares

pag.1

Fund. Controle Robusto via Otimizac


ao Bloco 2

An
alise Convexa

Definic
ao Um conjunto C e dito ser afim se a reta que passa por dois pontos distintos
quaisquer em C est
a em C
Definic
ao

Dados dois pontos quaisquer p1 , p2 C, e um escalar real , denomina-se


p1 + (1 )p2 C

uma combinac
ao afim de p1 e p2
Nota
em C

C e um conjunto afim se contem a combinac


ao afim de quaisquer dois pontos

c Reinaldo M. Palhares

pag.2

Fund. Controle Robusto via Otimizac


ao Bloco 2

An
alise Convexa
Generalizac
ao

Se C e um conjunto afim, p1 , p2 , . . . , pj C, e

j
X

k = 1, ent
ao

k=1

1 p1 + 2 p2 + + j pj C
Lema

Se C e um conjunto afim e p0 C , ent


ao o conjunto

G = C p0 = p p0

ff

pC

e um subespaco

Dem.
Se G e um subespaco ent
ao, G =
6 e fechado sob as operac
oes de soma e
multiplicac
ao por escalar. Suponha que g1 , g2 G e , R, ent
ao g1 + p0 C e
g2 + p0 C de modo que
g1 + g2 + p0 = (g1 + p0 ) + (g2 + p0 ) + (1 ) p0 C
como C e afim, e + + (1 ) = 1, conclui-se que g1 + g2 G pois
g1 + g2 + p0 C
c Reinaldo M. Palhares

pag.3

Fund. Controle Robusto via Otimizac


ao Bloco 2

An
alise Convexa
Nota
forma

O conjunto afim C pode ser escrito como um subespaco mais uma constante da

C = G + p0 = g + p0

ff

gG

Definic
ao A dimens
ao de um conjunto afim C e a dimens
ao do subespaco
G = C p0 , sendo p0 um elemento qualquer de C
Exemplo

n
mn
m
C = x R | Ax = y, A R
, yR
e um conjunto afim?

Considere x1 , x2 C, ent
ao para qualquer ,
A (x1 + (1 )x2 )

A(x1 ) + (1 )Ax2

y + (1 )y

o que mostra que a combinac


ao afim x1 + (1 )x2 C.

c Reinaldo M. Palhares

pag.4

Fund. Controle Robusto via Otimizac


ao Bloco 2

Conjunto Convexo
Definic
ao Um conjunto C e convexo se para qualquer par de pontos p1 e p2 em C, e
um escalar [0, 1], a combinac
ao convexa dada por p1 + (1 )p2 C
Nota

Todo conjunto afim e convexo...

Generalizac
ao

Qualquer ponto da forma

1 p1 + 2 p2 + + j pj , sendo que

j
X

= 1 e j 0

k=1

e uma combinac
ao convexa dos pontos p1 , , pj
Nota Convexidade pode ser definida para qualquer subconjunto de um espaco vetorial
real ou complexo, inclusive o conjunto vazio
Exemplo

Uma reta e afim

Exemplo Um segmento de reta (fechado) e convexo, mas n


ao afim (a n
ao ser que se
reduz a um ponto)...
c Reinaldo M. Palhares

pag.5

Fund. Controle Robusto via Otimizac


ao Bloco 2

Conjuntos Convexos
Um conjunto elipsoidal da forma

C = p (p pc )T P 1 (p pc ) 1,

Exemplo

p Rn , P = P T  0

ff

p
e convexo. pc e o centro do elips
oide e (P ) fornecem o tamanho dos semi eixos
Teorema

1. Se C e D s
ao conjuntos convexos ent
ao C + D e convexo
2. Se C e um conjunto convexo ent
ao
C , {p2 | p2 = p1 ; R; p1 C}

e convexo

3. A intersecc
ao de uma colec
ao de conjuntos convexos e convexo
T

Dem.
3) Se p1 , p2 n Cn ent
ao p1 , p2 Cn , n. Como Cn e convexo, ent
ao
para qualquer [0, 1], p1 + (1 )p2 Cn , n. Portanto, [0, 1],
T
p1 + (1 )p2 n Cn
c Reinaldo M. Palhares

pag.6

Fund. Controle Robusto via Otimizac


ao Bloco 2

Casca Convexa

Definic
ao Dado um conjunto C qualquer, o menor conjunto convexo que contem C e
denominado casca convexa (e denotado por co{C})

Em outras palavras, a casca convexa de C e intersecc


ao de todos os conjuntos convexos
contendo C. Ou a combinac
ao convexa de todos os pontos em C
Definic
ao

C =
6 , C X , co{C}

c Reinaldo M. Palhares

pag.7

(sendo X um espaco vetorial)

Fund. Controle Robusto via Otimizac


ao Bloco 2

V
ertices
Fato

A combinac
ao convexa pode ser generalizada para n pontos em C
p=

n
X

i pi ,

i 0

i=1

n
X

i = 1

i=1

p1
p4

p2
p3

Definic
ao Todo ponto p C X tal que @p1 , p2 C, p1 6= p2 , que satisfaca
p = p1 + (1 )p2 , (0, 1) e denominado ponto extremo ou v
ertice
Teorema

Qualquer conjunto convexo e compacto e a casca convexa de seus vertices

c Reinaldo M. Palhares

pag.8

Fund. Controle Robusto via Otimizac


ao Bloco 2

Cones

Definic
ao

Um conjunto C e um cone se p C e 0 implica p C

Definic
ao Um cone convexo e um cone + conjunto convexo, ie para qualquer
p1 , p2 C e 1 , 2 0, 1 p1 + 2 p2 C
Nota

O cone acima tem vertice em 0 e arestas cruzando os pontos p1 e p2

Exemplos
1. Cone:

2. Cone convexo?

c Reinaldo M. Palhares

pag.9

Fund. Controle Robusto via Otimizac


ao Bloco 2

Cones

3. Conjunto das matrizes simetricas semidefinidas positivas


n
= {A Rnn | A = AT , A  0}
S

n
n
e um cone convexo: se 1 , 2 0 e B, C S
, ent
ao 1 B + 2 C S

Veja que isto e um consequ


ao de uma forma quadr
atica
encia direta da caracterizac
ao
semidefinida positiva. Por exemplo, para qualquer x Rn , ent
xT (1 B + 2 C) x = xT 1 Bx + xT 2 Cx 0
se B  0, C  0, 1 , 2 0

c Reinaldo M. Palhares

pag.10

Fund. Controle Robusto via Otimizac


ao Bloco 2

Hiperplanos ou Func
oes Afins
Definic
ao

Denomina-se um hiperplano em X um conjunto


n
o
T
H = x X | p x = b, 0 6= p X , b R

e p H . Naturalmente a func
ao afim pT x b e nula em X
2

Para X = R e b = 1, se p
a reta na figura abaixo

i
2
1 e H e o conjunto dos x R tal que gera-se

= 1

hp, xi = 1

x
x
x
1

c Reinaldo M. Palhares

pag.11

Fund. Controle Robusto via Otimizac


ao Bloco 2

Hiperplanos

Um hiperplano e um subespaco linear onde dim(H ) =dim(X ) 1. Exemplo: a


reta e um subespaco linear do R2 ...
Para x1 , x2 H e 0

x3 = x1 + (1 )x2 H ?

pT x3 = pT x1 + (1 )pT x2 = b + (1 )b = b

Um hiperplano divide o espaco em dois semi-espacos fechados:


H =

xX |p xb

e H

n
o
T
= xX |p xb

H e o semi-espaco na direc
ao de p e H na direc
ao de p. Estes semi-espacos s
ao
convexos, porem n
ao-afins

c Reinaldo M. Palhares

pag.12

Fund. Controle Robusto via Otimizac


ao Bloco 2

Hiperplanos Suporte
Definic
ao Um hiperplano H e denominado hiperplano suporte de um conjunto
convexo C, se C H (ou C H ) e H tem pontos em comum com B{C}
Em outras palavras, H e um hiperplano suporte de C se
1.

inf {pT x | x C} = b

2.

ou sup{pT x | x C} = b

(ent
ao C H )
(ent
ao C H )

x B{C}
x

c Reinaldo M. Palhares

pag.13

Fund. Controle Robusto via Otimizac


ao Bloco 2

Hiperplanos Suporte

Teorema

Considere um conjunto convexo C X . Se x 6 int{C} e int{C} =


6

H : x H e C H ou C H

xi
C
x

1.

pT (xi x) 0,

xi C

C H

2.

pT (xi x) 0,

xi C

C H

c Reinaldo M. Palhares

pag.14

Fund. Controle Robusto via Otimizac


ao Bloco 2

Cone Dual
Definic
ao

Considere um cone C. O conjunto


C , {y | xT y 0, x C}

e chamado cone dual de C


Interpretac
ao

y C sse y e normal a um hiperplano que suporta C na origem

C
y

Note que o semi-espaco com o y normal e interno contem o cone C, ent


ao y C
c Reinaldo M. Palhares

pag.15

Fund. Controle Robusto via Otimizac


ao Bloco 2

Hiperplanos Separadores

Definic
ao Um hiperplano H e denominado hiperplano separador se para dois
conjuntos convexos C1 e C2
H : C1 H e C2 H
Os conjuntos s
ao estritamente separ
aveis se C1 H< e/ou C2 H>

H
H

C2
H

+ Exemplo

C1

C1

C1

C2

C2

Se C1 = C2 = {0} R, ent
ao o hiperplano x = 0 separa C1 e C2

c Reinaldo M. Palhares

pag.16

Fund. Controle Robusto via Otimizac


ao Bloco 2

Func
oes Convexas
Definic
ao Considere um conjunto convexo C. f : C 7 R e denominada uma func
ao
convexa se x1 , x2 C e [0, 1]
f (x1 + (1 )x2 ) f (x1 ) + (1 )f (x2 )
Considerando desigualdade estrita, ent
ao f e estritamente convexa
f e c
oncava se f e convexa
f (x1 ) + (1 )f (x2 )
f (x1 )
f (x2 )

x1

c Reinaldo M. Palhares

pag.17

x2

Fund. Controle Robusto via Otimizac


ao Bloco 2

Func
oes Convexas

ao
Definic
ao Considere um conjunto convexo C. f : C 7 R e denominada uma func
quasi-convexa se x1 , x2 C e (0, 1)
f (x1 + (1 )x2 ) max{f (x1 ), f (x2 )}
Teorema Se f : C1 7 R e g : C2 7 R s
ao convexas sobre os conjuntos convexos C1
e C2 ent
ao
1. f e convexa em C1 , 0
T
2. f + g e convexa em C1 C2

Teorema

C e f : C 7 R convexos.
!
X
X
X
f
k xk
k f (xk ), xk C, k 0,
k = 1
k

c Reinaldo M. Palhares

pag.18

Fund. Controle Robusto via Otimizac


ao Bloco 2

Mnimo de Func
ao Convexa

Teorema Considere um conjunto convexo n


ao-vazio C X e f : C 7 R uma func
ao
convexa. Ent
ao
1. f e contnua no int{C}
2. O conjunto C C no qual f atinge seu mnimo e convexo
e tamb
em mnimo global de f
3. Qualquer mnimo local
Dem.
3) Suponha que x C e um mnimo local de f e que x C tal que
f (x) < f (x ). Sobre o seguimento x + (1 )x , 0 < < 1, obtem-se

f (x + (1 )x ) = f (x + (x x )) f (x )+ (f (x) f (x )) < f (x )
{z
}
|
<0

o que contradiz, para 0+ , que x e um mnimo local


c Reinaldo M. Palhares

pag.19

Fund. Controle Robusto via Otimizac


ao Bloco 2

Teoremas de Func
oes Convexas

Teorema

Considere f C 1 . Ent
ao f e convexa sobre um conjunto convexo C sse
f (x) f (y) + f (y)T (x y), x, y C

onde f (y) = {f /yi }, i = 1, . . . , n


e o vetor gradiente
f
f (y)

f (y) + f (y)T (x y)
y

Considere f C 2 . Ent
ao fe convexaffsobre um conjunto convexo C sse
2f
2
2
f (x) < 0, em C. Onde f (x) =
, i, j = 1, . . . , n
e a matriz
xi xj
Hessiana
Teorema

c Reinaldo M. Palhares

pag.20

Fund. Controle Robusto via Otimizac


ao Bloco 2

Teoremas de Func
oes Convexas

ao convexa sobre o conjunto convexo


Teorema Considere f C 1 , uma func
n
ao-vazio C. Se existe um ponto x C tal que
f (x )T (x x ) 0,

x C

ent
ao x e um mnimo global de f em C

Se f for estritamente convexa, ie


f (x) > f (y) + f (y)T (x y),

x, y C, x 6= y

ent
ao x C, tal que f (x )T (x x ) > 0 e um mnimo global estrito de f em C

c Reinaldo M. Palhares

pag.21

Fund. Controle Robusto via Otimizac


ao Bloco 2

Conjunto Poliedral
Definic
ao A intersecc
ao de um n
umero finito de subespacos fechados e denominado
conjunto poliedral
Exemplo
Nota

n
m
mn
C , x | Ax y, x R , y R , A R

Conjuntos poliedrais s
ao convexos e fechados, mas podem n
ao ser limitados

Definic
ao

Um conjunto poliedral limitado e denominado politopo

Em outras palavras, um politopo e a casca convexa de um conjunto finito de vertices


Portanto todo elemento no politopo pode ser gerado pela combinac
ao convexa dos seus
vertices

c Reinaldo M. Palhares

pag.22

Fund. Controle Robusto via Otimizac


ao Bloco 2

Desigualdades Matriciais Lineares LMIs


Denomina-se uma desigualdade matricial linear (LMI) em x a descric
ao:
A(x) = x1 A1 + x2 A2 + + xn An  B
onde B, Ai S

nn
T
= X R
| X = X , i = 1, . . . , n

Note a grande similaridade com uma desigualdade linear,

aT x = x1 a1 + x2 a2 + + xp ap b,
Nota

b, ai R

O conjunto soluc
ao de uma LMI, ie {x Rn | A(x)  B} e convexo

Por que? Definindo-se uma func


ao afim f : Rn 7 S n , da forma
n
n
} e
} = {x Rn | B A(x) S
f (x) = B A(x), ent
ao {x | f (x) C S
a imagem inversa do cone das matrizes semi-definidas positivas, que e convexo...
Nota

A imagem e {f (x) | x C Rn }...

c Reinaldo M. Palhares

pag.23

Fund. Controle Robusto via Otimizac


ao Bloco 2

Politopo
Exemplo

Politopo: P = co{v1 , v2 , . . . , v5 }
v1
p1
v5

v2

p2
v4
v3

Todo p P e escrito da forma: p =


Da figura,

c Reinaldo M. Palhares

p1

p2

p2

P5

i=1 i vi , i 0,

P5

i=1

i = 1

1
1
v1 + v2 + 0v3 + 0v4 + 0v5
2
2
1
1
1
v1 + v2 + 0v3 + v4 + 0v5
3
3
3
1
2
v4 + p1
3
3
pag.24

Fund. Controle Robusto via Otimizac


ao Bloco 2

Um problema de otimizac
ao padr
ao
min
x

x2

s.a

i x1
T
1 4 5=c x
x2

8
1
>

x + x2
>
2 1
<
x1 + 0x2
>
>
:
0x1 + x2

8
< x1 + 0x2 8
4,
: 0x1 + x2 5
1

x2

6
5

x1

c Reinaldo M. Palhares

pag.25

12

Fund. Controle Robusto via Otimizac


ao Bloco 2

Estendendo os conceitos

Suponha que a matriz A P onde P e um politopo, ie P = co{A1 , A2 , . . . , A }

P
P
em outras palavras P , A | A = i=1 i Ai , i 0,
i=1 i = 1
Ent
ao para o problema de otimizac
ao:
min
X

s.a
sendo R i ,

Traco{X }

X Ri ,
T

i = 1, . . . ,

X | Ai X BC + (Ai X BC) + Q 4 0, Q = QT , C 1

Geram-se restric
oes sendo que os v
ertices do politopo s
ao elementos matricias !!

c Reinaldo M. Palhares

pag.26

Fund. Controle Robusto via Otimizac


ao Bloco 2

Exercitando a f
e ...

Exerccio 1.

Mostre que qualquer norma e uma func


ao convexa.

Exerccio 2.

Considere um escalar n
ao-negativo, , e define-se o seguinte conjunto:
K = {A = AT Rnn | A < I}

Suponha que A B{K} onde B{} denota a fronteira de um conjunto {}.


1. Caracterize o espectro de A

c Reinaldo M. Palhares

pag.27

Fund. Controle Robusto via Otimizac


ao Bloco 2

... e concretizando-a

Considere uma matrix positiva semi-definida Y Cnn . Mostre que o


Exerccio 3.

nn
conjunto X C
| X < Y e um cone convexo em Cnn . (Dica: mostre que o
conjunto e convexo para ent
ao mostrar que e um cone)
Exerccio 4.

Mostre que o problema de otimizac


ao a seguir e convexo:
min
P

s.a

Traco{P }
P L

T
T
nn
nn
onde L , P | A P + P A 0, P = P , P R
,A R

c Reinaldo M. Palhares

pag.28

Fund. Controle Robusto via Otimizac


ao Bloco 2