PAVF

c 1999

37

Pareto-otimalidade

 Formulac~ao geral do problema

 Soluco~es ecientes
 Tecnicas de escalarizac~ao
 Condico~es de Kuhn-Tucker para eci^encia
 Analise no espaco dos objetivos
 Metodo do criterio global

PAVF c 1999

38

Formulac~ao geral do problema

Formulac~ao
Seja f = (f1; f2; : : : ; fm) (m  2) um vetor de objetivos
e
 Rn um subconjunto de decis~oes factveis sobre o
qual f esta denida

Problema multiobjetivo
'minimizar' f (x) s.a x 2

 O sentido da minimizac~ao n~ao e o usual

 Em geral, mnimos locais ou globais n~ao podem ser

obtidos
 Note que f :
! Y  Rm e Y e parcialmente
ordenado: em geral, qualquer que seja  > 0,

6 9 x 2
: f (x)  f (x); 8x 2
\ B(x; )
Denic~ao - Soluc~ao utopica
A soluc~ao utopica y := (y1; y2; : : : ; ym) do problema e
denida como y i = fi(xi); i = 1; 2; : : :; m, onde

xi := arg min
f (x)
x2
i

PAVF c 1999

39

Formulac~ao geral do problema

Domin^ancia
Para um ponto qualquer x0 2 Rn, dena

<(x0) := fx : f (x)  f (x0) e f (x) 6= f (x0)g

(x0) := fx : f (x)  f (x0)g

(x0) := fx : f (x) 6 f (x0) e f (x) 6 f (x0)g

 Rn =
<(x0) [
(x0) [
(x0); 8 x0 2 Rn

<(x0) e
(x0) cont^em pontos de
que dominam
e s~ao dominados por x0 de acordo com ''

(x0) contem todos os pontos n~ao-comparaveis a x0
 Como se busca a minimizac~ao simult^anea dos objetivos
e x0 62
<(x0), uma soluc~ao candidata x 2
devera
ser tal que
\
<(x) = ;
Denic~ao - Soluc~ao eciente
x 2
e uma soluc~ao eciente se n~ao existe qualquer
outro ponto x 2
tal que f (x)  f (x) e f (x) 6= f (x)

PAVF c 1999

40

Formulac~ao geral do problema

Observac~oes

 Na literatura, eciente=n~ao-dominada=n~ao-inferior=

Pareto-otima
 Soluco~es ecientes n~ao s~ao dominadas por quaisquer
outros pontos de

 Qualquer ponto x 2
que proporcione um decrescimo
em algum objetivo, deve ao mesmo tempo levar ao
acrescimo de pelo menos algum outro, relativamente
aos valores produzidos por uma soluc~ao eciente
 Interpretac~ao:

f1 f2
PSfrag replacements

e (
)

x
xn

 Em geral, existem innitas soluco~es ecientes em

,
representadas pelo conjunto e (
)

 Adota-se um sentido global para eci^encia, mas caracterizaco~es locais s~ao possveis

PAVF c 1999

41

Tecnicas de escalarizac~ao
Caractersticas

 Utilizac~ao de problemas escalares (mono-objetivos) para descrever e gerar soluco~es ecientes

 As condico~es para eci^encia cam associadas as condico~es de otimalidade destes problemas

Teorema 1
x 2 e (
) se e somente se x resolve os m problemas

escalares

Pk : minimizarx2
fk (x)
s.a fj (x)  fj (x); 8j 6= k
Prova: ()) Suponha que x 2 e (
). Ent~ao n~ao existe
x 2
tal que f (x)  f (x) e f (x) 6= f (x) e neste caso
x resolve Pk ; k = 1; 2; ::; m. (() Suponha que x resolve
Pk ; k = 1; 2; ::; m, mas x 62 e (
). Ent~ao existe x 2

tal que f (x)  f (x) e que para algum k, fk (x) < fk (x)
e x n~ao resolveria o problema Pk .
2

 A vericac~ao de eci^encia exige a resoluc~ao de m pro-

blemas

PAVF c 1999

42

Tecnicas de escalarizac~ao
Teorema 2
Se x 2
e soluc~ao unica de Pk para algum k, ent~ao

x 2 e (
)

Prova: Por absurdo, suponha que x 2

e a soluc~ao
unica de Pk , mas x 62 e (
). Ent~ao existe x 2
tal que
f (x)  f (x) e f (x) 6= f (x) e, em particular, fk (x) 
fk (x), o que contradiz a unicidade de x. Portanto x 2
e (
).
2

 Os problemas Pk ; k = 1; 2; : : :; m induzem condico~es

analticas para eci^encia, mas t^em pouca utilidade pratica

Teorema 3
Se x 2 e (
), ent~ao existem um inteiro k 2 I :=
f1; 2; : : :; mg e reais j ; j = 1; 2; : : : ; m (j 6= k) tais que
x resolve

Pk () : minimizarx2
fk (x)
s.a fj (x)  j ; 8j 6= k
onde  esta denido em

Ek := f = (1; ::; k 1; k+1; ::; m) :

k () 6= ;g

k () := fx 2
: fj (x)  j ; 8j 6= kg

PAVF c 1999

43

Tecnicas de escalarizac~ao
Prova: Dena fi = fi(x); i = 1; 2; ::; m e suponha que
x 2 e (
) n~ao resolve o problema para nenhum k 2 I
e reais j ; j = 1; 2; : : :; m (j 6= k). Neste caso, para
algum k e j = fj; 8 j 6= k, deve existir x 2
tal que
fk (x) < fk (x) e fj (x)  fj; 8 j 6= k, o que contradiz
x 2 e (
).
2

 Pk () e chamado de problema -restrito

 Variando-se convenientemente  em Ek , e possvel gerar e (
)

 Nem toda soluc~ao de Pk () sera eciente

 Condico~es sucientes asseguram a eci^encia da soluc~ao

Teorema 4
Dado  2 Ek , uma soluc~ao x de Pk () e eciente se
a)

x e a soluc~ao unica de Pk () para algum k, ou

b)

x resolve Pk () para todo k 2 I .

PAVF c 1999

44

Tecnicas de escalarizac~ao
Prova: a) Se x e a soluc~ao unica de Pk () para algum k,
ent~ao x e tambem a soluc~ao unica do problema Pk
minimizarx2
fk (x)
s.a: fj (x)  fj (x); 8j 6= k
pois fj (x)  j ; 8j 6= k. Logo, pelo Teorema anterior,
x e eciente; b) Suponha que x e eciente, mas n~ao
resolve Pk () para todo k 2 I . Ent~ao existe um k tal que
x n~ao resolve
minimizarx2
fk (x)
s.a fj (x)  fj (x); 8j 6= k

e portanto x n~ao e eciente.

Exemplo (k = 1)
e (
)
f2

f1

PSfrag replacements
02
002
x00

1 (00 )

1 ( 0 )

x0

PAVF c 1999

45

Tecnicas de escalarizac~ao
Observac~oes

 No Exemplo anterior, x0 e x00 s~ao as soluco~es unicas dos

problemas P1(0) e P1(00). Portanto, x0; x00 2 e (
)
 Considere k = 2 na situac~ao abaixo
e (
)
f2

f1

PSfrag replacements
01
x0

2 (0 )

 Existem soluco~es para P2(0) que n~ao s~ao ecientes

 Dentre as soluco~es de P2(0), x0 2 e (
)
Limitac~oes da abordagem

 Vericar a otimalidade de x com respeito a m pro-

blemas de otimizac~ao; agregac~ao de m 1 objetivos

as restrico~es originais
 As -restrico~es podem modicar a natureza do problema de otimizac~ao

PAVF c 1999

46

Tecnicas de escalarizac~ao
Teorema 5
Seja x 2
uma soluc~ao de
Pw : minimizarx2
< w; f (x) >
para w 2 Rm; w  0 dado. Ent~ao x 2 e (
) se

x e a soluc~ao unica de Pw , ou
b) wi > 0; i = 1; 2; ::; m
a)

Prova: a) Se x e a soluc~ao unica de Pw , ent~ao

< w; f (x) f (x) > < 0; 8x 2

; x 6= x
Suponha que x 62 e (
), isto e, que existe x 2
tal
que f (x) f (x)  0 e f (x) f (x) 6= 0. Como w  0,
isto implica que < w; f (x) f (x) >  0, contradizendo
a unicidade de x. Portanto, x 2 e (
). O caso b) e
demonstrado por argumentos similares.
2

Formulac~ao equivalente
Pw : minimizarx2
< w; f (x) >
onde w 2 W := fw : w  0;

m
X
i=1

wi = 1g

PAVF c 1999

47

Tecnicas de escalarizac~ao
Observac~oes

 Pw e chamado de problema ponderado

 Variando-se w sobre W , e possvel gerar

e (
) se

f1; f2; : : : ; fm forem convexas sobre

convexo

Exemplo - Considere o problema do tipo 0 1

minimizarx2
wf1(x) + (1 w)f2(x); w 2 [0; 1]
f1(x) = x1 + 3x2 + 4x3;
f2(x) = 4x1 + 3x2 + x3;

= fx : x1 + x2 + x3 = 1; x1; x2; x3 2 f0; 1gg

= f(1; 0; 0); (0; 1; 0); (0; 0; 1)g
Os valores dos objetivos s~ao f(1; 4); (3; 3); (4; 1)g e portanto e (
) =
. Pw :
minimizarx2
(4 3w)x1 + 3x2 + (1 + 3w)x3
Soluc~ao:

8

>
>
< [0; 0:5); x = (0; 0; 1)
w2>
>
: [0:5; 1]; x = (1; 0; 0)

Conclus~ao: x = (0; 1; 0) n~ao pode ser gerado atraves de

Pw . Atraves de Pk (), pode-se gerar e (
) com k = 1 e
2 = 4, 2 = 3 e 2 = 1, respectivamente
2

PAVF c 1999

48

Condic~oes de Kuhn-Tucker para eci^encia

Denic~ao
Sejam fi; i = 1; 2; : : :; m e gj ; j = 1; 2; : : :; p funco~es
diferenciaveis e

:= fx : g(x)  0g 6= ;
Diz-se que x satisfaz as condico~es de Kuhn-Tucker para
eci^encia - KTCe - se existem reais wi  0; i = 1; 2; : : :; m
n~ao todos nulos e j  0; j = 1; 2; : : :; p tais que
m
X
i=1

p
X

w r f (x ) + 
i

j =1

j r gj (x

) = 0

gj (x)  0; j gj (x) = 0; j = 1; 2; : : :; p

 Condico~es de Kuhn-Tucker para problemas escalares -

KTC - s~ao obtidas sob qualicac~ao de restrico~es: x e

um ponto regular das restrico~es
 Relaco~es entre KTCe e as KTC de Pk () - KTCk minimizarx2
fk (x) s.a fj (x)  fj (x); 8 j 6= i
com j = fj (x); 8 j 6= k, podem ser investigadas

PAVF c 1999

49

Condic~oes de Kuhn-Tucker para eci^encia

Teorema 6
Assuma que fi; i = 1; 2; : : :; m e gj ; j = 1; 2; : : :; p
s~ao diferenciaveis e que x e um ponto regular de Pk ()
para no mnimo um k. Ent~ao x 2 e (
) implica que x
satisfaz KTCe
Prova: Se x 2 e (
) ent~ao x resolve Pk (); 8 k. Por
hipotese, existe um k tal que x e um pto. regular de
Pk (). Ent~ao x satisfaz KTCk : existem reais wi 
0; i = 1; 2; : : :; m; i 6= k e j  0; j = 1; 2; : : :; p tais
que

fi(x) i  0; wi(fi(x) i) = 0; 8 i 6= k

gj (x)  0; j gj (x) = 0; j = 1; 2; : : :; p
fk (x) +

i6=k

wir fi(x) +

p
X

j =1

j r gj (x) = 0

Portanto, x satisfaz KTCe (w  0; w 6= 0)

Teorema 7 (Suci^encia)

Assuma que fi; i = 1; 2; : : :; m e gj ; j = 1; 2; : : :; p
s~ao diferenciaveis e que fi; i = 1; 2; : : :; m s~ao estritamente convexas sobre
convexo. Ent~ao x 2 e (
) se x
satisfaz KTCe

PAVF c 1999

50

Condic~oes de Kuhn-Tucker para eci^encia

Prova: Se x satisfaz KTCe, ent~ao existe k tal que wk > 0
e consequentemente x satisfaz KTCk . Por hipotese, fk e
estritamente convexa sobre
: x e a unica soluc~ao (global)
de Pk () e portanto x 2 e (
)
2

Exemplo (Carater necessario das KTCe)

f1

PSfrag replacements

f2

b c

 f1; f2 convexas sobre

:= fx : g(x) = x  0g

convexo
 Com w1 > 0 e w2 =  = 0, KTCe s~ao satisfeitas no
intervalo (1; 2):

w  0; w 6= 0;   0
g(x)  0 ; g(x) = 0
1(x)
2 (x)
w1 dfdx
+ w2 dfdx
=0

 As soluco~es no intervalo (1; 2) n~ao s~ao ecientes

 KTCe s~ao condico~es necessarias, mesmo que o problema seja convexo

PAVF c 1999

51

Condic~oes de Kuhn-Tucker para eci^encia

Relac~oes entre KTCw , KTCk e KTCe
U : problema apresenta soluc~ao unica;
C : fi; 8 i s~ao convexas sobre
convexo;
E : fi; 8 i s~ao estrit. convexas sobre
convexo;
T : implicac~ao valida 8 k;
P : wi > 0; 8 i;
R : x e um pt. regular das restrico~es
PSfrag replacements

x

2 e (
)

U ou P
x

= arg min
x2

m
X
i=1

w2W

U ou T

x

= arg min
f (x)
x2
k

fj (x)  fj (x );

2
C

wi fi (x)

x

R
x

8j 6= k

satis. KTCe

R
satis. KTCk

PAVF c 1999

52

Condic~oes de Kuhn-Tucker para eci^encia

Implicac~oes
1 ! 2 (T); 2 ! 1 (U ou T) : Teorema 1, Teorema 2
2 ! 3 (R) : Sempre verdadeira, sem hipoteses adicionais
3 ! 4; 4 ! 3 : Sempre verdadeira, sem hipoteses adicionais: se x satisfaz KTCe, existe ao menos um k tal
que wk > 0 e portanto
X
fk (x) +
i=
6 k

wi ! rf (x) + Xp j ! rg (x) = 0
i
j
wk
j =1 wk

o que demonstra 4 ! 3. Com o raciocnio inverso,

3!4

5 ! 4 (R) : As KTC do problema Pw , KTCw , s~ao equivalentes as KTCe. Note que se w 2 W , ent~ao w  0 e

w 6= 0

4 ! 5 (C) : Se x satisfaz KTCe e o problema e convexo,

ent~ao x resolve Pw , para w  0; w 6= 0 (eventualmente normalizado)
5 ! 1 (U ou T) : Teorema 5
Teorema 6: 1 ! 2 ! 3 ! 4
Teorema 7: 4 ! 3 e com (E) 3 ! 2 ! 1

PAVF c 1999

53

Condic~oes de Kuhn-Tucker para eci^encia

Objetivos lineares
Considere fi(x) = < ci; x >; i = 1; 2; : : :; m (note que
rfi(x) = ci) e as denico~es

<(x0) := fx : f (x)  f (x0) e f (x) 6= f (x0)g

(x0) := fx : f (x)  f (x0)g

(x0) := fx : f (x) 6 f (x0) e f (x) 6 f (x0)g

para um dado x0 2 Rn

Proposic~ao
Seja C o cone gerado pelos vetores f c1; c2; : : : ; cmg
e C  o cone polar associado. Ent~ao
<(x0) = C 
Prova: Por denic~ao, C  = fy : yT z  0; z 2 Cg. Em
particular, para z = ci 2 C ; i = 1; 2; : : : ; m,

yT ( ci)  0; i = 1; 2; : : : ; m
Considere C e C  com vertices em x0. Como (ci)T y 
0; i = 1; 2; : : :; m; 8 y 2 C , os pontos de C  fornecem
valores iguais ou menores para objetivos, relativamente a
f (x0), isto e,
<(x0) = C 
2

PAVF c 1999

54

Condic~oes de Kuhn-Tucker para eci^encia

Exemplo (Goicoechea et al. (1982), pg. 42)
x2
g1 (x) = 0

PSfrag replacements

c2
x0

C
C

c1

g2

c2

x

C
g1
c1

g2 (x) = 0

x1

 Como
\
<(x0) 6= ;, x0 n~ao e eciente
 Como
\
<(x) = ;, x e eciente (assim como todos

os pontos nos trechos destacados)

 Como x 2 @
e
\ C  = ;, existe um hiperplano H
que separa
de
<(x). Se e o vetor normal de H,
existem w1; w2  0 e 1; 2  0 tais que
isto e,

= w1( c1) + w2( c2) = 1g1 + 2g2

w1c1 + w2c2 + 1g1 + 2g2 = 0 (KTCe)

PAVF c 1999

55

Analise no espaco dos objetivos

Espaco dos objetivos
Seja Y = f (
) a representac~ao do mapeamento de

no espaco dos objetivos:

Y := fy 2 Rm : y = f (x); x 2
g
Formulac~ao no espaco dos objetivos
Py : minimizary2Y y
Conjunto de soluco~es ecientes: e (Y ) := f (e (
))

Proposic~ao
Se y 2 e (Y ), ent~ao y 2 @ Y
Prova: Se y 2 int (Y ) pode-se denir B(y; ) no entorno
de y, e qualquer ponto y 2 B(y; ) da reta que une
y a origem do Rm seria tal que y < y, contradizendo

y 2 e (Y )

PAVF c 1999

56

Analise no espaco dos objetivos

Interpretac~ao atraves de Pw

PSfrag
replacements
0

y1

< w1; y > = 1

< w0; y > = 0
Dado w0 2 W , seja y0 2 Y uma soluc~ao otima do
problema
Pw0 : minimizary2Y < w0; y >
e 0 o valor mnimo associado. Ent~ao

H := fy : < w0; y > = 0g

e um hiperplano suporte a Y no ponto y0, pois

< w 0 ; y 0 > = 0 e < w 0 ; y >  0 ; 8 y 2 Y

 Em outras palavras, Y  H. Se y0 e a unica soluc~ao

de Pw e/ou w0 > 0, ent~ao y0 2 e (Y )
0

PAVF c 1999

57

Analise no espaco dos objetivos

Observac~oes

 Em geral, nem todos os pontos de e (Y ) admitem

hiperplanos suportes e portanto podem ser gerados
atraves de Pw :

y1

2 Y
y
PSfrag replacements

y3

 e (Y ) poderia ser gerado atraves de Pw se Y fosse

um conjunto convexo

 N~ao se pode garantir Y convexo, mesmo que o problema seja convexo, isto e, mesmo que f1; f2; : : : ; fm
sejam convexas sobre
convexo

 Entretanto pode-se garantir que se o problema for convexo, ent~ao qualquer ponto de e (Y ) admite um hiperplano suporte

PAVF c 1999

58

Analise no espaco dos objetivos

Lema
Seja Y  Rm um conjunto arbitrario e conv (Y ) a casca
convexa de Y . Se y 2 conv (Y ), ent~ao y pode ser expresso
como

y=

mX
+1
i=1

iyi;

i  0;

mX
+1
i=1

i = 1

com yi 2 Y ; i = 1; 2; : : : ; m + 1

Teorema 8
Sejam f1; f2; : : : ; fm funco~es convexas sobre um conjunto convexo
. Ent~ao Y admite um hiperplano suporte em
qualquer ponto de e (Y )
Prova: Seja conv (Y ) a casca convexa de Y e e (conv (Y ))
o conjunto das soluco~es ecientes de conv (Y ). Se y0 2
e (conv (Y )), ent~ao y 0 2 conv (Y ) e atraves do Lema

y0 =

mX
+1
i=1

i y i ;

i  0;

mX
+1
i=1

i = 1

onde yi = f (xi) 2 Y com xi 2

; i = 1; 2; : : :; m + 1

PAVF c 1999

59

Analise no espaco dos objetivos

(Cont. da prova)
Usando a hipotese de convexidade, obtem-se
0m+1
1 m+1
X
X
y = f @ i x i A 
i y i = y 0
i=1

i=1

 Observe que y 2 Y , e que portanto y 2 conv (Y ).

Como y0 2 e (conv (Y )), conclui-se que y = y0 2 Y
 Como y0 2 e (conv (Y )), ent~ao n~ao existe qualquer
outro y 2 conv (Y ) tal que y  y0 e y =
6 y0
 Dado que y0 2 Y e eciente sobre conv (Y ) e Y 
conv (Y ), conclui-se que y 0 2 Y tambem e eciente
sobre Y , isto e, y0 2 e (Y )
 Como, por denic~ao, e (conv (Y )) admite hiperplanos suportes, Y admite um hiperplano suporte em
y0 2 e (Y )
2
Observe que o Teorema 8 n~ao arma que Y e um conjunto convexo, e que portanto

Py : minimizary2Y y
e um problema convexo

PAVF c 1999

60

Analise no espaco dos objetivos

Formulac~ao convexa equivalente
Redena a regi~ao de factibilidade de Py como

Y + D := f 2 Rm :  = y + d; y 2 Y ; d 2 Dg
onde D e o cone convexo

D := fd 2 Rm : d  0g
Teorema 9
e (Y ) = e (Y + D)

Prova:
 Suponha y 2 e (Y ), mas y 62 e (Y + D). Ent~ao
existem y 2 Y e d 2 D tais que y + d  y e y + d 6=
y, o que implica em y  y e y 6= y, isto e, que
y 62 e (Y ). Portanto, e (Y )  e (Y + D)
 Suponha y 2 e (Y + D), mas y 62 e (Y ), ou seja,
existe y 2 Y tal que y  y e y 6= y. Por continuidade, existe d 2 D; d 6= 0, tal que y + d  y, isto e,
y 62 e (Y + D). Logo e (Y + D)  e (Y ) e assim
e (Y + D) = e (Y )

PAVF c 1999

61

Analise no espaco dos objetivos

Consequ^encias

 Y + D preserva a estrutura eciente de Y

 O problema multiobjetivo e equivalente (no sentido da
eci^encia da soluc~ao) a

Py : minimizary2Y +D y

 Demonstra-se que a nova formulac~ao e convexa

Teorema 10
Sejam f1; f2; : : : ; fm funco~es convexas sobre um conjunto convexo
. Ent~ao Y + D e um conjunto convexo
Prova: Sejam y1; y2 2 Y + D, isto e, yk = f (xk )+ dk ; k =
1; 2, com xk 2
e dk 2 D. Para  2 [0; 1] e denindo
 := 1 ,

y1 + y2 = f (x1) + f (x2) + d1 + d2

 f (x1 + x2) + d1 + d2
y1 + y2 = f (x1 + x2) + d1 + d2 + d
2
= |f (x1{z+ x2)} + | (d + d1) +
{z (d + d )}
2Y

2D

para d  0. Portanto, y1 + y2 2 Y + D; 8  2 [0; 1],

isto e, Y + D e convexo
2

PAVF c 1999

62

Analise no espaco dos objetivos

Observac~oes

 Seja F := Y + D. O problema multiobjetivo equivalente

Py : minimizary2F y
e convexo
 Py apresenta objetivos lineares (componentes de y) e
regi~ao factvel convexa
 O numero de variaveis (objetivos) e m e, em geral,
m  n; ocorre um drastica reduc~ao de dimensionalidade

Teorema 11 (Representac~ao de F )

F := fy : f (x)  y; x 2
g
 Note que cada y 2 F se escreve como y = f (x) +
d; x 2
; d 2 D
 Qualquer metodo de resoluc~ao de Py deve estar preparado para, dado y0 2 Rm, vericar se y0 2 F

PAVF c 1999

63

Analise no espaco dos objetivos

Teorema 12
Sejam f1; f2; : : : ; fm funco~es convexas denidas sobre
um conjunto convexo compacto
. Ent~ao y0 2 F se e
somente se y0 satisfaz o sistema de innitas desigualdades
lineares

inf < w; f (x) y0 >  0; 8 w 2 W

x2

Prova: ()) Suponha que y0 2 Y . Ent~ao existe x0 2

tal
que f (x0) y  0. Mas ent~ao

inf < w; f (x) y0 >  < w; f (x0) y0 >  0

x2

8 w 2 W , e a necessidade ca provada. (() Se y0 satisfaz

o sistema de inequaco~es, ent~ao

sup xinf
< w; f (x) y0 >  0
2

w 2W

Neste caso,

0>=0
sup xinf
<
w;
f
(
x
)
y
2

w0

pois, sem a normalizac~ao, w = 0 e factvel. Logo, o valor

otimo dual associado ao problema primal (
compacto)
minimizarx2
0T x s.a f (x)  y0
e nito (zero) e portanto o primal e factvel, isto e, existe
x0 2
tal que f (x0)  y0
2

PAVF c 1999

64

Analise no espaco dos objetivos

Interpretac~ao
Dena x(w) = arg min
< f (x) y >; w 2 W
x2

y1

y2
y3

PSfrag replacements
y4

< w2 ; y >

y5

 < w2 ; f (x(w2 )) >

 O sistema de inequaco~es
0 >  0; 8 w 2 W
inf
<
w;
f
(
x
)
y
x2

restringe y a pertencer a F

 Para cada w 2 W obtem-se uma restric~ao do tipo

< w; y >  < w; f (x(w)) >

PAVF c 1999

65

Analise no espaco dos objetivos

Exemplo (Goicoechea et al. (1982), pg. 46)
minimizarx2
(f1(x); f2(x))

f1(x) = x1 3x2
f2(x) = 4x1 + 2x2
g1(x) = x1 + x2 7=2
g2(x) = x1 + x2 11=2
g3(x) = 2x1 + x2 9
g4(x) = x1 4
g5(x) = x1
g6(x) = x2

= fx : gi(x)  0; i = 1; 2; : : :; 6g
PSfrag replacements
c2
x2

C

A
c1

F
3
B

e (
)

2
1

E
1

4D

x1

PAVF c 1999

66

Analise no espaco dos objetivos

Espaco dos objetivos
y2

PSfrag replacements

E0
0

y1

A0

Y
A0 = ( 12:5; 5)
B0 = ( 2:5; 10)
C0 = (1; 14)
D0 = (4; 16)
E0 = (0; 0)
F0 = ( 10:5; 7)

e (Y )

B0
C0
D0

= 0:67
 = 1:14


= 1:50

Relac~oes com Pw :
minimizarx2
wf1(x) + (1 w)f2(x); w 2 [0; 1]

 No espaco dos objetivos,

minimizary2Y y1 + y2
onde  := w=(1 w); w 2 [0; 1)

PAVF c 1999

67

Analise no espaco dos objetivos

Exemplo (cont.)

 A equac~ao do hiperplano seria

y1 + y2 =  ) y2 = y1 + 

 No trecho A0B0,

 = 1 w w = 1:50 ) w = 0:60

 Interpretac~ao: com w = 0:60, o objetivo de Pw

minimizarx2
0:6(x1 3x2) + 0:4( 4x1 + 2x2)
equivale a x1 x2, cujas curvas de nvel s~ao paralelas
ao hiperplano

x1 + x2 11=2 = 0
correspondente a restric~ao g2(x) (soluco~es multiplas)

 Demais soluco~es ecientes podem ser geradas de forma similar

PAVF c 1999

68

Metodo do criterio global

Normas

lp

Se y 2 Rm, a norma lp de y e
0m
11=p
X
kykp := @ j yi jpA ; p  1
i=1

As normas l1 (soma absoluta), l2 (Euclideana) e l1 (innito) s~ao particularmente uteis. Curvas de nveis (kykp =
cte):

y2

y2
y1

l1

y2

PSfrag replacements

y1
l2

y1
l1

Metodo do criterio global

Resolve-se, por exemplo, para p = 1; 2 ou 1
0m
11=p
X
p
minimizarx2
@ (fi(x) yi) A ; p  1
i=1

PAVF c 1999

69

Metodo do criterio global

Exemplo
y2

F0

PSfrag replacements

A0

E0
0

e (Y )

By10

p == 2
p =1
p

C0
D0
y=(

12:5; 16)

 Minimiza-se a dist^ancia de y ao conjunto Y

 A soluc~ao otima depende da medida de dist^ancia (p)
 Diferentes normas re etem diferentes ponderaco~es sobre os objetivos

PAVF c 1999

70

Metodo do criterio global

Seja

0m
11=p
X
lp (x) := @ (fi(x) y i)p A ; 1  p < 1
i=1

Como lp(x) e estritamente crescente (p < 1) em relac~ao

a
l~p (x) :=

m
X

(fi(x) yi)p; 1  p < 1

i=1

minimizar lp(x) e equivalente a minimizar l~p(x) sobre

.
Mas
l~p (x) =

m
X

(fi(x) yi)p 1(fi(x) yi)

i=1

e fazendo wi(x) := fi(x) yi,

m
~lp(x) = X
wi(x)p 1(fi(x) yi); 1  p < 1
i=1

 Se p = 1, os desvios em relac~ao a y s~ao ponderados

igualmente
 Se p = 2, as ponderaco~es s~ao proporcionais aos desvios

PAVF c 1999

71

Metodo do criterio global

Quando p ! 1,
l~p (x) = maxf(fi(x)

yi)gp

l1 (x) = maxf(fi(x)

yi)g

 Se p = 1, minimiza-se o maior desvio em relac~ao a y

Proposic~ao
Se xp minimiza l~p(x); 1  p < 1 sobre
, ent~ao xp 2

e (
)

Prova: Se xp minimiza l~p(x) sobre

, ent~ao
m
X

(fi(xp)
i=1

m
X

yi  (fi(x) yi)p; 8 x 2

)p

i=1

Suponha x 2
tal que f (x)  f (xp) e f (x) 6= f (xp).
Ent~ao existe i tal que fi(x) < fi(xp), o que contraria a
desigualdade acima. Portanto xp 2 e (
)
2

 Eventualmente, xp 62 e (
) se p = 1