UNIVERSIDADE FEDERAL DO PARÁ

PRODERNA – ITEC/UFPA
PPGEP – ITEC/UFPA

MODELAGEM E OTIMIZAÇÃO
DE PROCESSOS

Setembro de 2017
 MODELAGEM E OTIMIZAÇÃO DE
PROCESSOS
• Informações básicas

– Profº Emanuel Negrão Macêdo

– Email: [email protected] ou [email protected]

– http://ppgep.propesp.ufpa.br/index.php/br/

– www.ufpa.br
 Referências
Livros Textos:

1. HIMMELBLAU, D. M. Basic principles and calculations in chemical

engineering, 6ª ed. Pretice / Hall Internacional, 1996.
2. KWONG, W. H., Programação linear. Uma abordagem prática. 1ª
Ed. São Carlos: EdUFSCAR, 2013. v. 1. 209p.
3. EDGAR, T. F.; HIMMELBLAU, D. M., Optimization of Chemical
Processes. 2ª Ed. McGraw Hill. 2001.
4. PERLINGEIRO, C. A. Engenharia de Processos: Análise, Simulação,
Otimização e Síntese de Processos Químicos. Edgard Blucher.
2005.
5. Numerical Optimization – J. Nocedal & S. J. Wright – Springer,
1999.
6. Nonlinear Programming: Concepts, Algorithms, an Application to
Chemical Processs – L. T. Biegler – SIAM, 2010.

3
 Referências
Journals:

1. Engineering Optimization
2. ASME Journal of Mechnical Design
3. AIAA Journal
4. ASCE Journal of Structural Engineering
5. Computers and Structures
6. International Journal for Numerical Methods in Engineering
7. Structural Optimization
8. Journal of Optimization Theory and Applications
9. Computers and Operations Research
10. Operations Research and Management Science 4
 MODELAGEM E OTIMIZAÇÃO DE PROCESSOS
Programa do Curso:
1. Introdução a otimização
2. Técnicas de derivação
3. Máximos e Mínimos de uma função
4. Técnicas de otimização sem restrições - Programação não-
linear
5. Técnicas de otimização com restrições - Programação não-
linear
6. Otimização com duas variáveis
1. Máximos e Mínimos pelo Método de multiplicadores de
Lagrange
2. Máximos e Mínimos, e Pontos de Sela através de Hessiano
7. Programação linear e o método Simplex
8. Otimização dinâmica
5
 MODELAGEM E OTIMIZAÇÃO DE PROCESSOS

Pré-requisitos:

• Familiaridade com o MATHEMATICA

6
 Introdução
 Modelagem Matemática de Processos
A necessidade de redução de custos tem introduzido na indústria
uma tendência para os processos sejam integrados. Para estes
processos, a validação da integridade do projeto e a sua operabilidade
prática requerem a simulação de toda planta com o uso de modelos
rigorosos.

 Otimização de Processos
Otimizar é proceder a otimização, ou seja, empregar técnicas para
selecionar as melhores alternativas para se atingir os objetivos
determinados.

Otimizar custos, otimizar produtividade, otimizar processos,

otimizar o tempo etc., significa estabelecer prioridades para uma maior
eficiência e eficácia em busca de obter os melhores rendimentos.
 1. Introdução
• Otimização é o ato de obter o melhor resultado em determinadas
circunstâncias.

• Otimização pode ser definida como o processo de encontrar as condições

que dão o máximo ou mínimo de uma função.

• Os métodos ótimos de busca são também conhecidos como técnicas de

programação matemática e são geralmente estudados como parte da
pesquisa operacional.

• A pesquisa operacional é um ramo da matemática preocupado com a

aplicação de métodos científicos e técnicas para problemas de tomada
de decisão e com o estabelecimento das melhores ou ótimas soluções.

8
 1. Introdução

• A pesquisa operacional é um ramo interdisciplinar da matemática que

usa métodos como:

– Modelagem matemática
– Estatísticas, e
– Algoritmos para chegar a decisões ótimas ou boas em problemas
complexos que se preocupam com otimizar os máximos (lucro, linha
de montagem mais rápida, maior rendimento de colheita, maior
largura de banda, etc.) ou mínimos (perda de custo, redução de risco,
etc.).

• A intenção final por trás da utilização da pesquisa operacional é obter

uma melhor solução possível para um problema matematicamente, o que
melhora ou otimiza o desempenho do sistema.

9
 1. Introdução
• Pesquisa operacional: otimização de sistemas técnico-econômicos,
controle de estoques, planejamento de produção, etc.;

• Engenharia de processos: dimensionamento e otimização de processos,

integração mássica e energética de processos, estimação de parâmetros,
reconciliação de dados, análise de flexibilidade, etc.;

• Controle de processos: identificação de sistemas, controle ótimo, controle

preditivo, estimadores de estados, etc.;

• Análise numérica: aproximações, regressão, solução de sistemas

lineares e não lineares, etc.

10
1. Introdução

11
 MODELAGEM MATEMÁTICA
Conceitos básicos

Processo: arranjo de unidades de operação (reatores, trocadores de calor,

colunas de destilação, etc.) integradas entre si em uma maneira racional e
sistemática;

Modelo: descrição matemática de processos;

Bases para os modelos matemáticos: leis fundamentais da física e química,

como conservação de massa, energia e quantidade de movimento, e os
conceitos de equilíbrio.

Áreas de conhecimento básico: Escoamento de fluidos, Transferência de

calor, Transferência de massa, Cinética, Termodinâmica, Controle...

Definições:
 Variável: símbolo matemático.
 Variável de estado: descreve o comportamento do sistema.
 Variável a determinar: variável cujo valor é desconhecido.
 Equação: expressão matemática relacionando as variáveis.
 Parâmetro: uma propriedade do processo ou de seu ambiente, que pode
assumir um valor conhecido ou ser estimado.
 MODELAGEM MATEMÁTICA
Conceitos básicos

Especificação: variável cujo valor é atribuído a cada simulação.

Força motriz: variável gerada por uma função conhecida imposta ao

processo (existe somente em simulação dinâmica).

Condição inicial: estado inicial do processo.

Condição de contorno: delimitação do processo (restrições nas variáveis

espaciais).

Graus de liberdade: G = V - N - E
V-número de variáveis; N-número de equações
E - número de variáveis especificadas (E = C + M)
C = condições conhecidas; M = metas de projeto

Elementos básicos na modelagem:

1-Descrição do processo e definição do problema; 2-Teoria e aplicação das
leis fundamentais; 3-Equacionamento; 4-Considerações; 5-Consistência; 6-
Solução desejada; 7-Métodos matemáticos e numéricos; 8-Computação; 9-
Solução, verificação e validação
 1. Introdução
Palavra com dois significados:

Ação de buscar a solução ótima de um problema

Campo da Matemática dedicado ao desenvolvimento de

métodos de busca da solução ótima de um problema

Todo problema de Otimização encerra um conflito

A solução ótima é o ponto de equilíbrio entre os fatores conflitantes.

CONCEITO DE OTIMIZAÇÃO
Na resolução de qualquer problema:
Graus de Liberdade G = V - N - E
V : número de variáveis
N : número de equações
E: número de variáveis especificadas (E = C + M)
C = condições conhecidas
M = metas de projeto

Em problemas de dimensionamento, ocorre uma das três situações:

- metas inconsistentes - metas estritamente - metas insuficientes  G > 0

ou em excesso  G  0 suficientes  G = 0 infinidade de soluções viáveis
solução impossível solução única

y y y

paralelas coincidentes

x x x
 1. Introdução

De maneira geral, um problema de tomada de decisão requer solução que

responda a três perguntas:

1. Qual e a meta a ser atingida? (objetivo)

2. Quais são as alternativas para a decisão? (variáveis de decisão)

3. Sob quais condições a decisão deve ser tomada? (restrições)

19
 1. Introdução

• Em uma análise qualitativa os problemas de otimização

apresentam três categorias de informações:

Modelo
1. Pelo menos uma função objetivo a ser otimizada;
econômico

2. Restrições de igualdade (equações);

Modelo do processo
ou do equipamento
3. Restrições de desigualdade (inequações).

20
 1. Introdução
Modelos de Otimização

onde as variáveis do problema estão representadas por xj com j = 1;...; n e

bi, para i = 1; : : : ;m, representa a quantidade disponível de determinado
recurso.
 1. Introdução
Restrições
• Restrições de comportamento: As restrições que representam
limitações no comportamento ou no desempenho do sistema/processos
são chamadas de restrições de comportamento ou funcionais.
• Restrições laterais: restrições que representam limitações físicas em variáveis
de projeto, tais como limitações de manufatura/fabricação.

• APLICAÇÕES
– Na engenharia civil, o objetivo é geralmente tomado como a minimização do custo.

– Na engenharia mecânica, a maximização da eficiência mecânica é a escolha óbvia de uma

função objetiva.

– Em problemas de projeto estrutural aeroespacial, a função objetivo para minimização é

geralmente tomada como peso.

– Em algumas situações, pode haver mais de um critério a ser satisfeito simultaneamente.

Um problema de otimização envolvendo múltiplas funções objetivas é conhecido como um
problema de programação multiobjetiva. 22
 Exemplos

Projeto de estruturas de engenharia civil

• Variáveis: largura e altura das seções transversais de vigas
• Restrições: limites de tensão, dimensões máxima e mínima
• Objetivo: custo mínimo ou peso mínimo

Análise de dados estatísticos e construção de modelos empíricos

a partir de medições
• Variáveis: parâmetros do modelo
• Restrições: limites físicos superior e inferior para os parâmetros do modelo
• Objetivo: previsão de erro

23
 Classificação dos problemas de otimização
Classificação baseada em:

• Restrições
– Problemas de otimização com restrições
– Problemas de otimização sem restrições

• Natureza das variáveis de projeto

– Problemas de otimização estática
– Problemas de otimização dinâmica

24
 Classificação dos problemas de otimização
Classificação baseada em:

• Estrutura física do problema

– Problemas de controle ótimos
– Problemas de controle não ótimos

• Natureza das equações envolvidas

– Problema de programação não-linear
– Problema de programação geométrica
– Problema de programação quadrática
– Problema de programação linear

25
 Classificação dos problemas de otimização
Classificação baseada em:
• Valores admissíveis das variáveis de projeto
– Problemas de programação valores inteiros
– Problemas de programação com valores reais
• Natureza determinística das variáveis
– Problema de programação estocástica
– Problema de programação determinística

Classificação baseada em:

• Separabilidade das funções
– Problemas de programação separáveis
– Problemas de programação não separáveis
• Número de funções objetivas
– Problema de programação com objetivo único
– Problema de programação multiobjetiva 26
 Revisão de Cálculo
A derivada:

Os mínimos e máximos de uma função podem ser encontrados a partir da derivada da

função.
Inclinação como uma Derivada ■ A inclinação da reta tangente à curva y = f(x) no ponto
(c,f(c)) é dada por mtan= f'(c).

Dada uma função P(x) = - 400x2 + 6.800x-12.000 que representa o lucro de um

empresário quando x de um certo produto são fabricadas . A taxa de variação do
lucro em relação ao nível de produção x quando estão sendo produzidas 9.000
unidades é mostrada no gráfico a seguir.

P'(9) = -400, o que significa que a

inclinação da reta tangente à
curva de lucro y = P(x) está para baixo
no ponto Q, onde x = 9. Isto significa que
para um nível de produção de 9.000
unidades o lucro diminui quando a
produção aumenta.
Revisão de Cálculo
 Exemplo
1. Um biólogo modela o efeito da introdução de uma toxina em uma colônia de bactérias
através da função.
𝒕+𝟏
𝑷 𝒕 = 𝟐
𝒕 +𝒕+𝟒

onde P é a população da colónia (em milhões) t horas após a toxina ser introduzida.
a. Com que taxa a população está variando no momento em que a toxina é
introduzida? A população está aumentando ou diminuindo nesta ocasião?
b. Em que instante a população começa a diminuir? De quanto a população
aumenta antes de começar a diminuir?

2. A taxa de crescimento de uma cultura que produz

1
um antibiótico é função da concentração do g d
alimento (C). 0.4

2𝐶 0.3
𝑔 𝐶 = 0.2
4 + 0.8𝐶 + 𝐶 2
Como mostrado na figura ao lado, o crescimento 0.1
tende a zero em concentrações baixas (limitação de C
mg
alimento) e em concentrações altas (efeito de 0 5 10 15 20 L
toxinas). Encontre o valor de C no qual o
crescimento é máximo.
 Máximos e Mínimos de uma Função
• Teste da primeira derivada para extremos relativos
 Três funções com pontos críticos nos quais a derivada existe

Três funções com pontos críticos nos quais a derivada não existe
 Máximos e Mínimos de uma Função
• Procedimento para cálculo de mínimos e máximos de uma
função:
1. Achar a derivada f’(x);
2. f’(x) = 0 para encontrar os ptos estacionários ou pontos
críticos (Xc);
3. Colocar Xc numa reta, pegar um valor antes e um depois;
4. f’(x) > 0  crescente e f’(x) < 0 descrescente;
5. f(Xc) = ? (Cálculo de f(Xc)
6. Fazer gráfico da f(x)
 Máximos e Mínimos de uma Função
8. Determine máx e mín da : f(x) = x³ - 3x² - 9x + 7

1. f’(x) = 3x² -6x – 9

2. 3x² -6x – 9 = 0 (par achar pontos críticos)  x1 = 3 e
x2 = -1
3. --(-2)----(-1 máx)----(0)------(3 mín)-----(4)--->
4. f’(-2) = 15 > 0 Crescente; f’(0) = -9 < 0 Decrescente;
f’(4) = 15 > 0 Crescente
5. Gráfico
6. Cálculo máximo f(-1) = 12 e mínimo f(3)=-20
9. Determine máx e mín da f(x) = x4 + 8x³ + 18x² - 8
1. f’(x) = 4x³ + 24x²+36x = 4x(x²+6x+9)=4x(x+3)²
2. 3x² -6x – 9 = 0 (par achar pontos críticos)  x1 = 0 e x2 = -3
3. ----(-5)—(-3)--(-1)----(0)------( 1 )------->
4. f’(-5) = -80 < 0 decrescente; f’(-1) = -16 < 0 decrescente; f’(1)
= 64 > 0 Crescente
5. Gráfico
6. Cálculo f(-3) = ? (Nem máx nem mín) e f(0) = -8 (mín)
 Máximos e Mínimos de uma Função
A segunda derivada também pode ser usada para classificar os pontos críticos de
função como máximo ou mínimo.

Teste: Suponha que f’(x) exista em um intervalo aberto e que f’(xc) = 0.

- Se f’’(xc) > 0, f possui um mínimo relativo em x = xc

- Se f’’(xc) < 0, f possui um máximo relativo em x = xc

Caso f’’(Xc) ou f’’(c) não exista, o teste não pode ser aplicado; x = xc pode ser um
máximo relativo de f, um mínimo relativo ou nem uma coisa nem outra.
 Máximos e Mínimos de uma Função
10. Determine os ptos críticos de f(x) = 2x³+3x²-12x-7, usando o teste
da segunda derivada para classificar cada ponto crítico como
máximo ou mínimo relativo.
• SOLUÇÃO:
– Primeira derivada: f’(x) = 6x² + 6x – 12 = 6(x+2)(x-1) = 0, em x1 = -2 e x2
= 1, pontos correspondentes (-2, 13) e (1,-14), são pontos críticos de f.
– Segunda derivada: f’’(x) = 12x + 6
– f’’(-2) = -18 < 0, logo (-2, 13) corresponde a um máximo relativo
– f’’(1) = 18 > 0, logo (1, 14) corresponde a um mínimo relativo
 Ponto de inflexão e concavidade da função
• Ponto de inflexão – é um ponto (c, f(c) ) da curva de uma função
f no qual a concavidade muda. Neste ponto f’(c) = 0 ou f’(c) não
existe.
 Ponto de inflexão e concavidade da função

• Dada a f(x):
1. Achar f’’(x)

2. f’’(x) = 0, encontrar xi

3. Passo escolher um ponto antes (xi-n) e um depois (xi+n)

4. Se f’’((xi-n) ou (xi-n))>0 concavidade para cima e se f’’((xi-n) ou

(xi-n)) < 0 concavidade para baixo.
 Ponto de inflexão e concavidade da função
11. f(x) = x³ - 3x² - 9x + 7
1. f’(x) = 3x² -6x – 9 e f’’(x) = 6x – 6
2. f’’(x) = 0  x = 1
3. ----(0)----(x=1)----(2)------>
4. f’’(0) = -6 < 0 concavidade para baixo (- -) e f’’(2) =
12 > 0 concavidade para cima (+ +)
5. Cálculo f(1) = -4, logo o P.I. é (1,-4)
6. Gráfico
 EXEMPLOS
1 - Um Poster deve ser manufaturado com 300 cm2 de área de material
impresso com margens de 6 cm na parte superior e inferior e 4 cm de cada
lado. Encontre as dimensões globais que minimizem a área total do poster.

Minimize; f(x,y) = xy
Sujeito a : (x-8) (y-12) = 300
Nº total de variáveis = 2
Nº de igualdades restritivas = 1
G=V-N-E=2–1–0=1
Variável independente: y
204  8 y
xy  12 x  8 y  96  300 x
y  12
8 y 2  204 y f (16 y  204)( y  12)  (8 y 2  204 y)
f ( x, y)   0
y  12 y ( y  12) 2

8 y  192 y  2448  0
2 x*  22.14 cm

y  33.21 cm, 9.21 cm

2 - Encontre o maior volume de um cilíndro circular reto que pode ser inscrito
dentro de uma esfera de raio R.
Maximize: V  r 2 h Eliminate r and h using the equality constraints.
V  2R 3 cos 2  sin 
Subject to:
r = R cos  dv / dB  2R 3  2 cos  sin  (  sin  )  cos3    0
h = 2R sin  2 cos  sin 2   cos3   0
0 <  < /2
2 cos  (1  cos 2  )  cos3   0
Total no. of variables = 3 cos  (2  3cos 2  )  0
No. of equality constraints = 2
No. of degrees of freedom = 1 cos  0 and sin   1, or
Independent variable =  cos = 2/3 and sin   1/ 3

Eliminate r and h using the equality constraints. d 2V / d 2  2R3 (2sin 3   7 cos2  sin  )
V  2R 3 cos 2  sin  At cos  0,sin   1,
d 2V / d 2  4 R 3  0  minimum
dv / dB  2R 3  2 cos  sin  (  sin  )  cos3    0 At cos  2 / 3,sin   1/ 3,
2 cos  sin 2   cos3   0 d 2V / d 2  8R3 / 3  0  maximum
2 cos  (1  cos 2  )  cos3   0
 2  1 
cos  (2  3cos 2  )  0 V *  2R 3    
 3   3 
cos  0 and sin   1, or
cos = 2/3 and sin   1/ 3

d 2V / d 2  2R3 (2sin 3   7 cos2  sin  )

3 - Em um rustico projeto preliminar para uma planta de tratamento de
resíduos, o custo dos componentes são os seguintes (em ordem de operação)

1 - Clarificador primário: $ 19.4 X1^(-1.47)

2 - Filtro biológico: $ 16.8 X2^(-1.66)
3 - Unidade de lamas ativadas: $ 91.5 X3^(-0.30)

onde os X são as frações de demanda bioquímica de oxigénio de 5 dias (BOD)

que sai cada unidade respectivamente no processo. Isto é, as concentrações
de saída do material a ser removido. A remoção necessária em cada unidade
deve ser ajustada de modo a que a concentração final de saída X, deve ser
inferior a 0,05. Formular o problema de otimização (função objetiva e as
restrições).

Minimize Restrições
f(x) = 19.4X1-1.47 + 16.8X2-1.66 + 91.5X3-0.30 0 < X3 < 0.05
X0 > X1 > X2 > X3
X2 > 0
X1 > 0
 Exemplo de Decisão
4 - A tabela seguinte apresenta os retornos (ganhos ou perdas medias) para um valor
fixo de investimento associados as decisões de investir em conta poupança, em dólar ou
fundos de investimentos. Qual o melhor investimento?

Se a decisão for baseada nos valores médios ou esperados dos ganhos, teremos:

GA1 = 0,40 x 300 + 0,4 x 300 + 0,2 x 300 = 300

GA2 = 0,40 x 400 + 0,4 x 300 + 0,2 x 200 = 320
GA3 = 0,40 x (-100) + 0,4 x 200 + 0,2 x 700 = 180

A melhor decisão a ser tomada e a alternativa A2, investir em dólar.

Variáveis de decisão: Investir em A1, A2 ou A3

Objetivo: Maximizar o retorno
Restrições: Estados possíveis da economia, probabilidades e retornos
ATIVIDADE 01
ATIVIDADE 01
 Otimização
Máximos e Mínimos Absolutos de uma Função

Seja f uma função definida em um intervalo I que contém o número c. Nesse caso,

f(c) é o máximo absoluto de f em I se f(c) ≥f(x) para todo x pertencente a I

f(c) é o mínimo absoluto de f em I se f(c) ≤ f(x) para todo x pertencente a I.

Os máximos e mínimos absolutos são conhecidos pelo nome global de extremos absolutos.
 Otimização

Propriedade dos Valores Extremos ■

Cada um dos extremos absolutos de uma função f(x) que seja contínua no intervalo
fechado a≤ x≤ b pode ocorrer em um dos pontos extremos do
intervalo (a ou b) ou em um ponto crítico c tal que a < c < b.

Como Localizar os Extremos Absolutos de uma Função Contínua f em um

Intervalo Fechado a ≤ x ≤ b

1º passo: Encontre todos os números críticos de f no intervalo aberto a <x<b.

2º passo: Calcule f(x) nos números críticos encontrados no 1º passo e nos pontos
extremos do intervalo, x=a e x=b.

3º passo (interpretação): O maior e o menor dos valores encontrados no 2° passo são,

respectivamente, o máximo e o mínimo absoluto de f(x) no intervalo fechado a ≤ x ≤ b.
Otimização
 Otimização
12. Determine o máximo absoluto e o mínimo absoluto da função.

f(x) = 2x3 + 3x2- 12x- 7 no intervalo -3 <= x>=0

 Otimização
13. Durante várias semanas, o departamento de trânsito vem registrando a velocidade
dos veículos que passam em um certo quarteirão. Os resultados mostram que entre as 13
e as 18 h de um dia de semana a velocidade neste quarteirão é dada aproximadamente
por v(t) = t3 - 10,5t2 + 30t + 20 quilômetros por hora, onde t é o número de horas após o
meio-dia. Qual o instante entre as 13 e as 18 h em que o trânsito é mais rápido? Qual o
instante em que o trânsito é mais lento?
 Otimização
Casos mais gerais de otimização
Quando o intervalo no qual desejamos maximizar ou minimizar uma função contínua
não é da forma a ≤ x ≤ b, o método ilustrado nos exemplos anteriores, não pode ser
usado, já que não há nenhuma garantia de que a função possua um máximo ou mínimo
absoluto no intervalo em questão.

Entretanto, se um extremo absoluto existe e a função é contínua no intervalo, o extremo

absoluto deve ocorrer em um extremo relativo ou em um dos pontos extremos do
intervalo.
 Otimização
Para determinar os extremos absolutos de uma função contínua em um intervalo que
não é da forma a ≤ x ≤ b, também calculamos o valor da função para os números
críticos e para os extremos do intervalo. Antes de tirar qualquer conclusão, porém,
devemos verificar se a função realmente possui extremos absolutos no intervalo. Uma
forma de fazer isto é usar a derivada primeira para determinar em que intervalos a
função é crescente e em que intervalos é decrescente e plotar a função.

15. Determine o máximo absoluto e o mínimo absoluto (se existirem) da função f(x)= x2
+ 16/x no intervalo x > 0.
 Otimização
O método ilustrado não pode ser usado sempre que estamos interessados em encontrar
o valor máximo ou mínimo de uma função f que é contínua em um intervalo I e possui
um e apenas um número crítico c neste intervalo. Em particular, se f(x) possui apenas
um máximo (mínimo) relativo no ponto x = c, isto significa que a função possui um
máximo (mínimo) absoluto no mesmo ponto.

Assim, o máximo relativo também é um máximo absoluto. Esta observação mostra que,
neste caso especial, qualquer teste para extremos relativos é também um teste para
extremos absolutos.

Teste da Derivada Segunda para Extremos Absolutos

Se uma função f(x) é contínua no intervalo I e x = c é o único número crítico neste
intervalo.
Se f''(c) > 0, f(c) é o mínimo absoluto de f(x) no intervalo I.
Se f''(c) < 0, f(c) é o máximo absoluto de f(x) no intervalo I.
 O Problema de Programação Matemática (PPM)

 Em um Problema de Otimização pretende-se maximizar ou minimizar

uma quantidade específica, designada função objetivo (FO);

 A FO depende de um número finito de variáveis independentes ou

interrelacionadas por limitações ou restrições técnicas do sistema;

 Resolver o problema significa aplicar uma sequencia de operações

matemáticas para distribuir recursos limitados sobre operações que
exigem a sua utilização simultânea, de forma ótima para o objetivo
específico.

 Um Problema de Programação Matemática (PPM) e um problema de

otimização satisfazendo dois fatos principais:

1 - A existência de um objetivo que pode ser explicitado em termos das

variáveis de decisão do problema;

2 - A existência de restrições a aplicação dos recursos, tanto com relação

as quantidades disponíveis quanto com relação a forma de emprego.
 Modelos de Otimização

onde as variáveis do problema estão representadas por xj

com j = 1;...; n e bi, para i = 1; : : : ;m, representa a
quantidade disponível de determinado recurso.
 Técnicas de Solução

SOFTWARE DE MANIPULAÇÃO SIMBÓLICA -

MATHEMATICA

Para melhor estudar as técnicas disponíveis para resolução de

PPM, a área pode ser subdividida em duas subáreas determinadas pelas
propriedades das funções envolvidas no problema:

Programação Linear: Todas as funções do modelo são lineares em relação as

variáveis.

Programação Não-Linear: Pelo menos uma das funções envolvidas não é linear.
Metodologia básica de construção de um Modelo
 Programação Geométrica
• Um problema de programação geométrica (GMP) é aquele em que as funções
objetivas e as restrições são expressas como polinômios em X.

62
 Problema de Programação Quadrática

• Um problema de programação quadrática é um problema de

programação não-linear com uma função objetivo quadrática e
restrições lineares. Geralmente é formulado da seguinte forma:
n n n
F (X)  c   qi xi   Q x x ij i j
i 1 i 1 j 1

sujeito a n

a
i 1
ij xi  b j , j  1,2,  , m

xi  0, i  1,2,  , n

Onde c, qi, Qij, aij e bj são constantes.

63
 Função Objetivo

É a expressão matemática do critério de otimização descrita em

termos das variáveis físicas do problema.

Pode assumir formas das mais simples às mais complexas.

A sua caracterização é fundamental para a resolução do problema de
otimização.

Pode ser classificada quanto à:

(a) Continuidade: contínua, contínua com descontinuidade na

derivada, descontínua ou discreta.

(b) Modalidade: unimodal, multimodal.

(c) Convexidade: côncava ou convexa.

 Função Objetivo
(a) Continuidade
0,6
0,5
0,5

0,4 0,4

0,3 y 0,3
y
0,2 0,2

0,1
0,1

0,0
0,0 0,0 0,2 0,4 0,6 0,8 1,0
0,0 0,2 0,4 0,6 0,8 1,0 x
x
Função Contínua com
Função Contínua
descontinuidade na derivada
1,0 10

0,8 8

0,6 6
y y
0,4 4

0,2 2

0,0 0
0,0 0,2 0,4 0,6 0,8 1,0 0 2 4 6 8 10
x x
Função Descontínua Função Discreta
 Função Objetivo

(b) Modalidade

2,0
1,8
1,6
1,4
0,5
1,2
1,0
0,4 0,8
0,6
f 0,4
0,3 0,2
0,0
y -0,2
0,2 -0,4
-0,6
1,0
0,8
-0,8 0,6
0,4
0,1 -1,0
-1,0 -0,8 -0,6
0,2
0,0
-0,4 -0,2 -0,2
-0,4
0,0 0,2
0,4 0,6 -0,6
-0,8 X2
0,8 1,0 -1,0
0,0 X1
0,0 0,2 0,4 0,6 0,8 1,0
x

Função Unimodal em 1 Dimensão Função Unimodal em 2 Dimensões

Unimodal - Apenas um ponto ótimo

 Função Objetivo

(b) Modalidade

220
A

215 4

E 3
C C
y 210 2 B A 0

1 1

f
B D 0 3,0 2
205 -1
2,5
2,0 3
1,5

2
x
1,0 4
0,5
F 0,0
200 -0,5
5

x -1,0
6
1 -1,5
1 2 3 4 5 6 -2,0
x

Função Bimodal em 1 Dimensão Função Bimodal em 2 Dimensões

Bimodal - Dois pontos ótimos

 Função Objetivo
(c) Convexidade (funções univariáveis)
y
y[(1-a) x1 + a x2]0,5

0,4

(1-a) y(x1) + a y(x2)

0,3

0,2

0,1

0,0
0,0 0,2 0,4 0,6 0,8 1,0
0a1 x1 (1-a)x1+ ax2x2 x

Função côncava: o valor dado pela função é superior ao dado pela

reta.
y[(1-a) x1 + a x2] > (1-a) y(x1) + a y(x2)
 Função Objetivo

(c) Convexidade (funções univariáveis)

y
0,5

0,4

0,3
(1-a) y(x1) + a y(x2)
0,2

0,1

y[(1-a) x1 + a x2]
0,0
0,0 0,2 0,4 0,6 x2 0,8 1,0
x1 x
0a1 (1-a)x1+ ax2

Função convexa: o valor dado pela função é inferior ao dado pela reta.
y[(1-a) x1 + a x2] < (1-a) y(x1) + a y(x2)
 Função Objetivo
(c) Convexidade (funções multivariáveis)
Para funções multivariáveis, a convexidade encontra-se relacionada aos seus
Valores Característicos, que são as raízes da sua Equação Característica.

Exemplo: para uma função qualquer de duas variáveis, existem:

f f
11 12 2f
Matriz Hessiana: H(x) = f ij 
f f xix j
21 22
Equação Característica:

f -  f 2 – (f11 + f22)  + (f11f22 – f12f22) = 0

11 12
det =0
f f -  Os Valores Característicos são
21 22 as raízes desta equação.
 Função Objetivo

(c) Convexidade (funções multivariáveis)

Ilustração: Funções Quadráticas

f(x) = bo + b1 x1 + b2 x2 + b11 x12 + b22 x22 + b12 x1 x2

 ,  H ( x) f ( x)
1 2
 >0,  >0 positiva definida estritamente convexa
1 2
 >0,  =0 positiva semi-definida convexa
1 2
 < 0,  < 0 negativa definida estritamente côncava
1 2
 < 0,  = 0 negativa semi-definida côncava
1 2
 >0,  <0 indefinida ponto de sela
1 2
 ,   H ( x) f ( x)
1 2
 >0,  >0 positiva definida estritamente convexa
1 2
 >0,  =0 positiva semi-definida convexa
1 2
 < 0,  < 0 negativa definida estritamente côncava
1 2
 < 0,  = 0 negativa semi-definida côncava
1 2
 >0,  <0 indefinida ponto de sela
1 2

2,0
1,8
1,6
2,0 1,4
1,2
1,8
1,0
1,6 0,8
0,6
1,4 0
f 0,4
1,2 0,2
1,0 1,0 0,0
f 0,8 -0,2
0,8 0,6 -1,0
-0,8
0,4 -0,4 -0,6
1,0 0,8 -0,4
0,6 0,2 0,6 0,4 -0,2
-0,6 0,2
0,0
0,0 0,0 0,2
0,4 1,0
0,8 -0,2 0,4
-0,8
X2

-0,2 0,6 -0,4 0,6

0,4 -0,6 0,8
0,2 -0,4 -1,0 0,2 -0,8
-1,0 -0,8 -0,6 0,0 -1,0 1,0
-0,6 -0,4 -0,2 -0,2
0,0 -0,4
-1,0 -0,8
-0,6 -0,4
-0,2
-0,8 0,0 0,2
0,4 0,6 -0,6
-0,8 X2
0,0 0,2 -1,0 0,8 -1,0
0,4 0,6 1,0
0,8 1,0 X1
X1

1,0
-1,4 -1,1 -0,80
1,0
0,8
1,0 -0,50
0,6
0,8 0,40 -0,20
0,8 0,4
0,70
0,6 0,2
0,6
0,10
0,0
f

x2
f 0,4
0,10
0,4 -0,2 0,70

-0,4 0,40
0,2 -0,20
0,2 1,0
1,0 0,8
0,8 0,6 -0,6
0,6 0,4
0,4 0,0 0,2 -0,50 -0,80
0,0 0,2 -1,0 0,0 -0,8
-1,0 0,0 -0,8
-0,8
-0,6
-0,6 -0,2
-0,4 -0,2 -0,4
-0,2 -0,4
X2

-0,2 -0,4 0,0 -1,1 -1,4 -1,7

X2

0,0 -0,6 0,2 -0,6 -1,0

0,2 0,4
0,4 -0,8 0,6 -0,8 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
X1 0,6
0,8
X1 0,8 -1,0
-1,0 1,0
1,0 X1
 Restrições
(a) Restrições de Igualdade (solução sobre a curva)
2,0

0,4
0,6
1,5 0,8

x 1,0 1.0
2 A

0,5
B

h(x) = 0
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
h ( x )  x 12  x 22  0 , 25  0
g2(x) = x1  0 Solução Irrestrita: A
g3(x) = x2  0 Solução Restrita : B
 Restrições

2,0 0,4
h(x) = 0
0,6

1,5 0,8

C
A
x2 1,0 1,0

B
0,5

0,0
0,0 0,5 1,0 1,5 2,0
x
1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
h ( x )  x 2  2 , 1( x 1  1) 2  0 , 1  0
Solução Irrestrita: A
g2(x) = x1  0 Solução Restrita : B
g3(x) = x2  0 Máximo Local: C
 Restrições

2,0

0,4
0,6
1,5 0,8

x 1,0 1.0
2 A
h2(x) = 0
0,5

B
h1(x)=0
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
h 1 ( x )  x 12  x 22  0 , 25  0
Solução Irrestrita: A
h 2 ( x )  x 12  x 22  0 , 25  0
Solução Restrita : B
(restrições compatíveis)
g2(x) = x1  0
g3(x) = x2  0
 Restrições

2,0

0,4
0,6
1,5 0,8

x2 1,0 1.0
A

0,5

B h2(x) = 0
h1(x)=0
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2

h 1 ( x )  x 12  x 22  0 , 25  0
h 2 ( x )  x1  x 2  1  0 Solução irrestrita: A
g2(x) = x1  0 Solução restrita: impossível
g3(x) = x2  0 ( restrições incompatíveis)
 Restrições
(b) Restrições de Desigualdade (fronteira e interior de regiões)
2,0

0,4
0,6
1,5 0,8

x2 1,0 1.0
A

0,5
B

0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2

g ( x ) = x 2 + x 2 - 0 , 25  0
1 1 2
g2(x) = x1  0 Solução irrestrita: A
g3(x) = x2  0 Solução restrita : B
 Restrições

2,0

0,4
0,6
1,5 0,8

x2 1,0 1.0
A

0,5
B

0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1) 2  ( x 1  1)( x 2  1)  ( x 2  1) 2
g ( x ) = x 2 + x 2 - 0 , 25  0
1 1 2
Solução irrestrita: A
g2(x) = x1  0
Solução restrita : A
g3(x) = x2  0
 Restrições

2,0
0,4
0,6
1,5 B
0,8

x2 1,0 A
1,0 g2(x)

0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g1 ( x)  x12  x 22  1  0
g 2 ( x )  x12  x 22  4  0 Solução irrestrita: A
g3(x) = x1  0 Solução restrita : B
g4(x) = x2  0
 Restrições

2,0
0,4
0,6
1,5 0,8

A
x2 1,0 1,0
g2(x)
C
0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1

f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g 1 ( x )  x 12  x 22  1  0
g 2 ( x )  x 12  x 22  4  0
Solução irrestrita: A
g3(x) = x1  0
Solução restrita : C
g4(x) = x2  0
 Restrições

2,0
0,4
0,6
1,5 0,8

x2 1,0 A
1,0
g2(x)

0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1
f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g1 ( x)  x12  x 22  1  0
g 2 ( x )  x 12  x 22  4  0
Solução irrestrita: A
g3(x) = x1  0 Solução restrita : A
g4(x) = x2  0
 Restrições

2,0
0,4
0,6
1,5 0,8

x2 1,0 A
1,0 g2(x)

0,5
g1(x)
0,0
0,0 0,5 1,0 1,5 2,0
x1
f ( x )  1  ( x 1  1 ) 2  ( x 1  1) ( x 2  1)  ( x 2  1) 2
g 1 ( x )  x 12  x 22  1  0
g 2 ( x )  x12  x 22  4  0
Solução impossível
g3(x) = x1  0 Restrições incompatíveis
g4(x) = x2  0
 Máximo e mínimos
Solução pelo multiplicador de Lagrange

Problemas com duas variáveis e uma restrição:

Minimize f (x,y)

Sujeita a g(x,y)=0

Para este problema, a condição necessária é:

f f / y g
(  ) 0
x g / y x ( x* , y * )

Pela definição de uma quantidade , chamada de multiplicador de Lagrange

temos:
 f / y 
   
 g / y  ( x*, y*)

83
 Máximo e mínimos
Solução pelo multiplicador de Lagrange

Problemas com duas variáveis e uma restrição:

Condições necessárias para que o ponto (x *, y *) seja um ponto extremo

O problema pode ser reescrito como:
f g
(  ) 0
y y ( x* , y * )

f g
(  ) 0
x x ( x* , y * )

Além disso, a equação de restrição tem de ser satisfeita no ponto extremo:

g ( x, y ) * *
0
(x ,y )
84
 Máximo e mínimos
Solução pelo multiplicador de Lagrange

Problemas com duas variáveis e uma restrição:

• A derivação das condições necessárias pelo método dos

multiplicadores de Lagrange requer que pelo menos uma das
derivadas parciais de g (x, y) seja não nula em um ponto extremo.

• As condições necessárias são mais comumente geradas pela

construção de uma função L, conhecida como função Lagrange,
como
L ( x, y ,  )  f ( x, y )   g ( x, y )  0
L f g
( x, y ,  )  ( x, y )   ( x, y )  0
x x x
L f g
( x, y ,  )  ( x, y )   ( x, y )  0
y y y
L
( x, y ,  )  g ( x, y )  0
 85
 Exemplo 5
Exemplo: Encontrar a solução usando método do multiplicador de Lagrande.
Minimize f ( x, y )  kx 1 y 2
sujeito a
g ( x, y )  x 2  y 2  a 2  0
Solução
A função de Lagrange fica
L( x, y,  )  f ( x, y )  g ( x, y )  kx 1 y 2   ( x 2  y 2  a 2 )
A condição necessária para o mínimo de f ( x, y )
L
 kx  2 y  2  2 x  0
x
L
 2kx 1 y 3  2 y  0
y
L
 x2  y2  a2  0


86
 Trabalho 02
1. Ache o ponto de máximo ou mínimo da função f(x,y) = x² + y²,
sujeita a restrição g(x,y) = x + y = 4.

2. Seja a função lucro de uma indústria que produz e comercializa

dois produtos em quantidades x e y, L(x,y) = -2X² - Y² + 32X +
20Y. Calcule o lucro máximo, sabendo que a produção da industria
é limitada em 24 unidades, ou seja, g(x,y) = x + y = 24.

3. Ache o valor máximo ou mínimo da função dada abaixo e que está

sujeita a restrição.
Função Objetivo: F(X, Y) = 9 - X² - Y²
Restrição: G(x,y) = X + Y -2

87
 Solução pelo multiplicador de Lagrange

Condição necessária para problemas gerais:

Minimize f(X)

Sujeita a

gj (X)= 0, j=1, 2,….,m

A função de Lagrange, L, neste caso é definida pela introdução de um

multiplicador de Lagrange j para cada restrição gj(X) como

L( x1 , x2 ,, xn , 1 , 2 ,, m )  f (X)  1 g1 (X)  2 g 2 (X)    m g m (X)

88
 Solução pelo multiplicador de Lagrange
Tratando L com uma função das n+m incógnitas, x1, x2,…,xn,1,
2,…, m, as condição necessárias para o extremo de L, que também
corresponde à solução do problema original, são dadas por:
:
L f m g j
  j  0, i  1,2,, n
xi xi j 1 xi
L
 g j ( X)  0, j  1,2,, m
 j

As equações acima representam as n+m equações em termos das

n+m incógnitas, xi e j

89
 Exemplo 6
Encontre as dimensões de uma lata cilíndrica (com parte superior e inferior)
composta de chapa metálica para maximizar o seu volume de modo que a área
total seja igual a A0=24.

Solução

Se x1 e x2 indicam o raio da base e comprimento da lata, respectivamente, o

problema pode ser declarado como:

Maximize f (x1,x2) = x12x2

Sujeito a
2x12  2x1 x2  A0  24

90
 Máximos, mínimos e sela através da matriz Hessiana
Para determinar pontos de máximos, mínimos e sela de função f(x,y)
através da matriz Hessiana, deve-se seguir os seguintes passos:

1- Obter as derivadas parciais fx e fy;

2- Igualar as derivadas parciais (fx = 0 e fy = 0) a zero e determinar os pontos
(X*, Y*), canditados a mínimo, máximo e sela;
3- Montar a matriz Hessiana e achar o determinante;
4- Se H < 0  Ponto de Sela ; se H > 0 encontrar fxx, se fxx < 0 será ponto de
máximo e se fxx > 0 será ponto de mínimo. Caso H = 0 não pode-se
afirmar.

91
 Máximos, mínimos e sela através da matriz Hessiana

• Determine e classifique os pontos críticos:

Exercício:
1. f (x,y) = 3x4 + 8x³ - 18x² + 6y² + 12y – 4

2. f (x,y) = x³ + 3xy + y² -2
92
 Gestão de Estoque
Um posto de combustíveis tem uma demanda de gasolina e álcool ao longo dos últimos três
anos, conforme a tabela dada em milhões de litros. Seus custos estimados de colocação de um
pedido são cerca de R$ 325,00 e os custos de manutenção dos estoques são de 23% do custo de
aquisição, por ano. A empresa adquire os combustíveis a R$ 30,00 o galão de 50 litros de álcool
e R$ 78,00 o galão de gasolina. Atualmente o suprimento de combustível e feito em quantidades
constantes a intervalos regulares quinzenalmente, qual a quantidade ideal de cada combustível
que o posto deve pedir por vez?

O objetivo do problema e determinar o lote de compra que deve ser encomendado por vez, de
modo a minimizar o custo total de operação do estoque dos dois tipos de combustíveis.

CT = CMA + CMG + CP, n – nº de pedidos

Cunit A=R$ 30/50 = R$ 3/5; Cunit G = R$ 78/50 = R$ 7,8/5
Média de Álcool demandada = MA= (2+2.05+3)/3 = 2.35 Mlit
Média de Gasolina demandada = MG =(5+5.8+6.2)/3 = 5.67 Mlit
QA = MA/n; QG = MG/n
CMA = 0.23 x (QA/2) x Cunit A = 0.069 QA n = 60.24 pedidos
CMG = 0.23 x (QG/2) x Cunit G = 0.1794 QG QA = 39.010,6 lit
CP = 325 x n QG = 94.123,5 lit
 Exemplo
Uma empresa deseja planejar a produção de incensos A, B, C. Para isso são
requeridos dois tipos de recursos: mão-de-obra e materiais. Cada incenso
conta com diferentes necessidades de mão-de-obra e materiais, conforme
tabela abaixo. A disponibilidade de materiais é de 200 g/dia. A mão-de-
obra disponível por dia é de 150 horas. Formule um problema de
programação linear para determinar quanto deve ser produzido de cada
tipo de incenso, tal que o lucro total seja maximizado.
 PPM - 01
Considere que uma doceira deseja abrir um pequeno negócio para produção de
balas. A princípio ela esta considerando produzir dois tipos de balas: caramelo e
nozes. Na produção são utilizados três ingredientes: leite, açúcar e nozes. A
doceira tem em estoque 10kg de açúcar, 1kg de nozes e 6 lit de leite. A
composição da bala de caramelo e: 40% de leite e 60% de açúcar, e para as balas
de nozes os ingredientes devem ser misturados na seguinte proporção: 40% de leite,
50% de açúcar e 10% de nozes. Cada quilo de bala de caramelo pode ser vendido a
R$10,00 enquanto um quilo de bala de nozes pode ser vendido por R$13,00. Qual deve
ser a produção de cada tipo de bala para obter a maior receita?

ETAPA I:
x1: a quantidade (em kg) a ser produzida de bala de caramelo;
x2: a quantidade (em kg) a ser produzida de bala de nozes

ETAPA II: Maximizar Receita

max R = f(x1, x2) = 10 x1 + 13 x2

ETAPA III: Restrições

0.6 x1 + 0.5 x2 <= 10 (quantidade utilizada de acucar)
0.4 x1 + 0.4 x2 <= 6 (quantidade utilizada de leite)
0.1 x2 <= 1 (quantidade utilizada de nozes)

X1 e x2 > 0  Condição de não negatividade

 PPM 02
O Gerente de Projetos da LCL Telecom deve localizar uma antena de retransmissão para
atender a três localidades na Baixada Maranhense: Viana, Penalva e Cajari. Por problemas
técnicos a antena não pode estar a mais de 10 km do centro de cada cidade. Considerando as
localizações relativas indicadas no mapa, determine o melhor posicionamento
para a torre. Sejam (xi; yi) as coordenadas no plano cartesiano da localização das cidades.

Etapa 2

Etapa 1 Etapa 3
x: abscissa no plano cartesiano da localização
da torre de transmissão

y: ordenada no plano cartesiano da

localização da torre de transmissão
 PPM 03
Um individuo deve seguir uma dieta balanceada por recomendação medica baseada
no consumo de diversos tipos de alimentos de forma a suprir suas necessidades diárias de
energia, que pode variar de 3100 a 3300 kcal, e nutrientes essenciais para a boa saúde.
Uma porção de cada alimento fornece uma porcentagem da Quantidade Diária
Recomentada (QDR) de diferentes nutrientes de acordo com a tabela. Preço e
quantidade calórica de cada porção também são informados na tabela. Deseja-se saber
qual a combinação ideal de alimentos com custo mínimo e que satisfaça as
necessidades nutricionais. Mostre que o PPM é dado por:
 PPM 04
Uma empresa montadora de eletrônicos produz radio, toca-CD e aparelhos de DVD em
três fabricas localizadas em Diadema, Ribeirão Preto e Campinas. As quantidades
despendidas na produção de cada produto, em pecas por hora, em cada uma das
fabricas são dadas na tabela a seguir. Os custos de operação por hora das fabricas são
R$ 10.000,00, R$ 8.000,00 e R$ 11.000,00 para Diadema, Ribeirão Preto e Campinas,
respectivamente. A empresa recebeu um pedido de 300 unidades de radio, 500
unidades de toca-CD e 600 unidades de aparelho de DVD, como deve distribuir a
produção entre suas três fabricas para cumprir o pedido ao menor custo possível?
TESTE – Fazer em sala
 Trabalho Final de Curso
Para os Problemas 19 até 28
1-Resolver analiticamente (caneta no papel) – Entregar escrito a mão (não aceitaremos digitado);
2-Resolver fazendo uso das ferramentas do Mathematica (apresentadas em sala de aula)
3-Comparar os resultados e fazer discussão;
20. Find the optimun value of the functions:

a)

b)

c)

d)
21)
22)

23)

24) Encontrar o número positivo que somado com o inverso do seu quadrado, dê o menor valor
possível.
25) Se numa indústria forem produzidas de 200 a 230 unidades de uma peça, haverá um rendimento
semanal de $540,00 por cada unidade. Entretanto se forem produzidas mais de 230 peças, o rendimento
semanal em cada peça será reduzido em $2,00 por cada peça a mais. Determinar o maior rendimento
semanal da Indústria

26) Se numa indústria forem produzidas de 200 a 230 unidades de uma peça, haverá um rendimento
semanal de $540,00 por cada unidade. Entretanto se forem produzidas mais de 230 peças, o rendimento
semanal em cada peça será reduzido em $2,00 por cada peça a mais. Determinar o maior rendimento
semanal da Indústria

27) 28)
Para os Problemas 16.1 a 16.33
2-Resolver fazendo uso das ferramentas do Mathematica (apresentadas em sala de aula)
 Exemplo 3
Se X1 é vendido por $6,00 e X2, X3,e X4 é vendido por $4, $7 e $5,
respectivamente. Então o faturamento total para tomada de decisão
(X1, X2, X3 e X4) é dada por

FunObj: f(x1, x2, x3, x4) = 6*x1 + 4*x2 + 7*x3 + 5*x4

Portanto, o problema é de maximização, sujeita a restrição dadas.

Restrições
 Exemplo 4
Um engenheiro responsável pela área de otimização e melhoria do
processo dispõe de 5 linhas de produção para produzir os produtos A
e B. Ele deve decidir quanto produzir de cada produto de modo que o
faturamento total seja máximo. Cada linha dedicada ao produto A
gera um faturamento líquido de 800.000,00 reais; cada linha dedicada
ao produto B, 1.000.000,00. Para produzir o produto A a linha
consume 10 KW de energia; para o produto B, 20 KW. Quando "roda"
o produto A são necessários 150 m³/s de ar-comprimido, o que não é
necessário para produzir o produto B. Dispõe-se de um total de 80
kW de energia e de 600 m³/s de ar-comprimido para produção, caso
seja necessário. Quantas linhas devem ser dedicadas ao produto A e
ao produto B, para maximizar o faturamento líquido?
Linhas Energia Ar-Compr. Fat mil/ prd
A X 10 150 800
B Y 20 0 1000
Total 5 80 600 F
 Exemplo 5
Uma fábrica dispõe dois tipos de reatores (R1 & R2) para produzir
dois tipos de produtos (A e B). Para cada batelada de A são
necessárias 2h de funcionamento de R1 e 3h de R2; para cada
batela de B, utiliza-se 2h da R1 e 1h de R2. Cada um dos reatores
pode operar no máximo 12h por dia. O lucro unitário na produção
de A é de 20 mil reais; na de B, é de 10 mil reais. Planeje a produção
diária de modo que o lucro total seja máximo, supondo que toda a
produção seja vendida.

A, h B, h Dispon., h
R1 2 2 12
R2 3 1 12
Lucro 20 10 600
 OTIMIZAÇÃO – Problemas Inversos
 Nm 1
 1 
exp   Y  T(P) W  Y  T(P) 

(Y P)  (2 ) 1
T
2
W 2
 2 
A função de verossimilhança representa a densidade de probabilidade
condicional das medidas (Y) dados os parâmetros (P). Uma solução
bastante comum de problemas inversos de estimativa de parâmetros é
maximizar a função de verossimilhança. Esta maximização pode ser
obtida por meio da minimização do expoente de função verossimilhança
S (P) Min   Y  T(P)  W 1  Y  T(P) 
T

Yim  T ( P)
2
Nt Nsens
S (P) Min   
i 1 m 1  im2

W é a matriz de covariância das medidas. A minimização da função objetiva (S)

resulta em estimativas de máxima verossimilhança.
Supondo que os erros são não-correlacionados, a matriz W-1 torna-se uma
matriz diagonal com elementos dados pelo inverso das covariâncias dos erros.
Supondo ainda desvio-padrão constante, a eq. reduz-se à norma de mínimos-
quadrados.
 Nt Nsens
S (P) Min   Y  T(P)   Y  T(P)     Y
2
 Tim ( P) 
T
im
i 1 m 1
 MATRIZ DE SENSITIVIDADE
T T T T
 T1 T1 T1 T1 
  
 P1 P2
T
P3
T
PN 
T
T T  T T T2 T2 T2 
 T (P)  2 
J(P) 
  P1 P2 P3 PN 
 P      
  T T T
 TIT TI TI TI 
  
 P1 P2 P3 PN 

COEFICIENTE DE SENSITIVIDADE
 Tk
Jkj  ; K  (i - 1)M  m
Pj

• Os JkJ devem ser L.I. e possuir grandes magnitudes.

 O MÉTODO DE LEVENBERG MARQUARDT

P k 1 P k  ( J T WJ k  k ) 1 J T W ( Y  T(P k ))

Onde k é um escalar positivo

 k é uma matriz diagonal
W é igual a matriz identidade se os desvios
padrões das medidas são iguais.
O det. de JTWJ deve ser máximo

ÖZISIK, M.N., ORLANDE, H.R.B., "Inverse Heat Transfer",

New York : Taylor & Francis, 2000.

BECK, J.V., ARNOLD, K.J., "Parameter Estimation in

Engineering and Science", Wiley-Interscience, New York,
1977. 119
 Otimização de Dinâmica
• Todosistema que apresenta certo grau de liberdade pode ser
manipulado

• Manipulação  possibita ter um controle

• As variáveis de controle são usualmente os graus de liberdade do

sistema

• Qual é a melhor estratégia de controle que força o sistema a exibir

as características necessárias, saída, seguir uma trajetória, etc?

Controle Ótimo Métodos de Otimização Numérica

 Otimização de Dinâmica
Indústria Aeronáutica e Espacial
Processos Dinâmicos:
• Lançamento
• Aterrissagem
• Controle de Trajetória
 Otimização de Dinâmica
Indústria Química
Processos Dinâmicos
• Start-up
• Reações químicas
• Mudanças de Produtos
• Variações na Alimentação
• Paradas
 Otimização de Dinâmica
Indústria de Robótica Processos Dinâmicos:
• Posicionamento
• Movimentação
•Transporte
 Otimização de Dinâmica
x1 (t) : Posição
x 2 (t) : Velovidade
u(t) : Força Propulsora
0 1 2 m : Massa (m  1 kg)

Cond. Iniciais:
A nave tem um motor de acionamento
para lançamento e pouso. x1 (0)  2 m, x2 (0)  1 m/s

Estado Final: Posição, x1S  0 Velocidade x2S  0

Qual é a estratégia ideal para levar o ônibus espacial ao estado

desejado com um consumo mínimo de energia?
 Otimização de Dinâmica
x1 (t) : Posição
x 2 (t) : Velovidade
u(t) : Força Propulsora
0 1 2 m : Massa (m  1 kg)

Modelo:

x1 (t )  x2 (t )
Então:  x1  0 1  x1  0 u (t )  m a(t )  m x2 (t )
 x   0 0  x   1 u
 2    2  
x1 (t )  x2 (t )
Logo x  Ax  Bu 1
x2 (t )  u (t )
m
Objetivo do controle ótimo?
• Minimizar o erro: x1S  x1 (t ); x2S  x2 (t )
•Minimizar energia: u (t )
 Otimização de Dinâmica
Formulação do Problema:
  

Função Objetivo: min
1
u (t ) 2
x1S  x1 (t )  2

 2 x2S  x2 (t )  2
 u (t ) dt
2

 x1  0 1  x1  0
Equações do Modelo:  x   0 0  x   1 u
 2    2  
Condições iniciais: x1 (0)  2; x2 (0)  1
Estado final desejado: x1S  0; x2S  0

Como resolver o problema acima para alcançar o objetivo

* *
x
desejado? Como determinar as trajetórias ótimas 1 (t ), x2 (t )

que proporcionam um consumo de energia mínimo u * (t )

para que a nave possa parar na posição desejada?
Otimização de Dinâmica
 Otimização de Dinâmica

Operação ótima de reator batelada

Algumas operações básicas de um Tsoll
reator batelada
TC
• Alimentação
• Adição de catalisadores químicos
• Aumento da temperatura
• Início da reação
• Desligamento do Reator
2nd order 1st order
Reação química:
A  B  C
Cond. Iniiciais: C A (0)  1 mol/l, CB (0)  0, CC (0)  0

Objetivo: Qual é a temperatura ótima, durante a operação do

reator, a fim de maximizar a concentração do componente B no
produto final?
Limites de temperatura: 298K  T  398K
Formulação do Problema:
Função Objetivo: max C B (t f )
T (t )

dC A
 k1 (T )C A2
dt
dC B
 k1 (T )C A2  k 2 (T )C B
dt
dCC
Equações do Modelo:  k 2 (T )C B
dt
 E 
k1 (T )  k10 exp   1 
 RT 
 E 
k 2 (T )  k 20 exp   2 
 RT 
Restrições do Process: 298K  T  398K
Cond. Iniciais: C A (0)  1 mol/l, CB (0)  0, CC (0)  0
Intervalo de tempo: 0  t  tf
Este é um problema de otimização dinâmica não-linear.
 Otimização de Dinâmica
Forma geral de um problema de otimização dinâmica

min J ( x, u, p)
with

x  f ( x, u, p), x(t0 )  x0
g1 ( x, u, p)  0
g 2 ( x, u , p )  0
umin  u  umax
t0  t  t f .
 Otimização de Dinâmica

Formulação de um problema não-linear Otimização Dinâmica

• Após manuseio apropriado das variáveis obtemos um problema de
programação não-linear (PNL)

min E ( X , U , p )
U

with
F ( X ,U , p)  0
G ( X ,U , p)  0
u min  U  u max .
 Exemplo - Simples
Considere a situação em que temos duas lagoas de sedimentação
idênticas numa estação de tratamento de águas residuais:

Estes são normalmente operados com alimentação constante de F, com

uma concentração de entrada de contaminantes Ci. O sistema é
projetado de modo que em condições operacionais nominais a
concentração de saída Co esteja bem abaixo dos níveis requeridos.
No entanto, sabemos que duas vezes por dia (7:00 e 19:00) a
concentração de contaminantes aumenta dramaticamente acima desses
níveis nominais. O que gostaríamos de determinar é se os níveis
máximos de saída permanecem dentro dos limites aceitáveis.
Exemplo - Simples
Exemplo - Simples
Exemplo - Simples
Exemplo - Simples
 Referências
Livros Textos:

1. HIMMELBLAU, D. M. Basic principles and calculations in chemical

engineering, 6ª ed. Pretice / Hall Internacional, 1996.
2. KWONG, W. H., Programação linear. Uma abordagem prática. 1ª
Ed. São Carlos: EdUFSCAR, 2013. v. 1. 209p.
3. EDGAR, T. F.; HIMMELBLAU, D. M., Optimization of Chemical
Processes. 2ª Ed. McGraw Hill. 2001.
4. PERLINGEIRO, C. A. Engenharia de Processos: Análise, Simulação,
Otimização e Síntese de Processos Químicos. Edgard Blucher.
2005.
5. Numerical Optimization – J. Nocedal & S. J. Wright – Springer,
1999.
6. Nonlinear Programming: Concepts, Algorithms, an Application to
Chemical Processs – L. T. Biegler – SIAM, 2010.

137