Universidade Estadual de Campinas~

FACULDADE DE ENGENHARIA ELETRICA E DE COMPUTAC
AO

DT-FEEC-UNICAMP

Metodo de Pontos Interiores em Programa
c~ao Linear

1 Introdu
c~ao
1.1 Pontos Interiores X Simplex
Ambos e cientes
Simplex: muitas iterac~oes "simples" pelas arestas
Pontos Interiores: poucas iterac~oes "caras" pelos pontos inte-
riores.
simplex

otimo

pontos interiores

Figure 1: Simplex X Pontos Interiores

1.2 Notac~ao
A B C::: onde A = faij g - Matrizes
a b c::: onde a = faig - Vetores colunas
1.3 Programac~ao Linear - Formas Padr~oes
8
>> min ct x
><
Primal : >> sa Ax = b
>: x
0
8 8
>> max bty >> max bt y
>< ><
Dual : > sa Aty  c ou Dual : >> sa Aty + z = c
>: y livre >: z
0 y livre
1.4 Denic~oes
Def. 1: Ponto interior: xo tal que xo > 0
e ponto interior
do primal.
Def. 2: Ponto factvel: xo tal que Axo = b xo
0
e um
ponto fact
vel do primal.
Def. 3: Ponto interior factvel (satisfaz 1 e 2): xo tal que
Axo = b xo > 0
e um ponto interior fact
vel do primal.
Def. 4: Gap (ou GAP): diferenca entre o valor do primal e
do dual. Ex.: GAP = ctx ; bty.
1.5 Condic~oes de Otimalidade

i) Primal factibilidade: b ; Ax = 0 x
0
ii) Dual factibilidade: c ; At y ; z = 0 z
0
iii) Condic~ao de Complementaridade: xizi = 0

1.6 Problemas de Mnimos Quadrados

Problema: Minx2R(x) = 12 k b ; Ax k2
Logo:
(x) = 21 (b ; Ax)t(b ; Ax) = 12 (btb ; btAx ; xtAtb + xtAtAx)
r(x) = 0 ) x = (AtA);1Atb
r2(x) = AtA > 0 )
e m
nimo global.
 f(x)

x0 x1 x2 x

Figure 2: Metodo de Newton

1.7 Metodo de Newton

Caso monovari
avel:

(x) 
= (x0) + rt(x0)(x ; x0)

(x) = 0 ) rt(x0)x = rt(x0)x0 ; (x0)

x = x0 ; r((xx00))

Caso Multivari
avel:

M
etodo de Newton:

= (xk ) + r(xk )(x ; xk ) + 21 (x ; xk )tJ (xk )(x ; xk )

(x) 
onde J (xk ) = r(r(xk )) (Jacobiana de (x))

r(x) = 0 ) r(xk ) + J (xk )(x ; xk ) = 0

xk+1 = xk ; J (xk )];1r(xk)

Lema 1: Uma direc~ao d para melhorar a func~ao objetivo

e
fact
vel para restric~oes de igualdade do tipo Ax = b se Ad = 0
(pois A(x + d) = b ) Ad = 0).
Premissa 1: Algoritmos de pontos interiores comecam em
pontos interiores fact
veis e movem de ponto em ponto interior
fact
vel, em direca~o a soluc~ao
otima.
2 Metodo Primal-Am-Escala
2.1 Base Teorica
2 3
66 x1 0 ::: 0 77
66 0
66 x2 ::: 0 77
77
X (nxn) = diag(x) = 666 : : ::: : 77
77
66 :: ::: : 77
64 5
0 0 ::: xn
Miny z 12 k Xz k2 sa z = c ; Aty
Miny z 12 k Xz k2 = Minz 21 k X (c ; Aty) k2
Z = k X (c ; Aty) k2
= ctX tXc ; ctX tXAty ; yt AX tXc + ytAX tXAty
X t = X , ry Z = 0: ;AX 2c + AX 2Aty = 0
z = c ; At(AX 2At);1AX 2c
Teorema (Dikin): Dados x tal que Ax = b x > 0 z =
c ; Aty y = (AX 2At);1AX 2c, ent~ao a direc~ao d = ;X 2z
e uma
direc~ao de descida factvel.
Assim, d = ;X 2z minimiza k Xz k2:
xk+1 = xk + k dk com:
 k
k = min
ik<0(; x
iki ) 0 <  < 1 dk = fik g

2.2 Algoritmo
1. Dados  2 (0 1) e x0 j Ax0 = b x0 > 0 k = 0:
2. Faca at
e convergir:
(a) yk = (A(X k )2At);1A(X k )2c
(b) z k = c ; Atyk
(c) dk = ;(X k )2z k
k
(d) k = min
ik <0f; x
ki g
i
(e) xk+1 = xk + k dk
(f) k  k + 1
3. Fim Faca
a) Crit
erios de converg^encias:
{ Gap relativo: 1+kkbXtykkz+kcktxk k  
{ Primal factibilidade: kb1+;Axkbkk k  
{ Dual factibilidade: kc;A1+tykkc;k zk k  
kct xk+1 ;ct xk k 
{ Variaca~o do valor da func~ao objetivo: 1+kctxk k 
b) Ponto inicial interior fact
vel x0, resolver:
8
>> min ct x + M
><
(PM ) : > sa Ax + p = b
>: (x )
0
onde: p = b ; Ax0. Iniciar com (x0 1).
c) C
alculo de yk :

(A(X k )2At)yk = A(X k )2c

d) am: espaco a m, escala: x~ = X ;1x:
8 8
>> min ctx >> min c~tx~
>< ><
(P ) >> sa Ax  b ! x = X x~ ~
) (P ) > sa A~x~  b
>>
>: x
0 : x~
0
c~ = Xc, A~ = AX .
2.3 Projec~ao Am-Escala
Problema: 8>
>> max ctx
<
>> sa Ax = b
>: x
0
Direc~ao d tal que:
8
>> max ct(x0 + d)
><
>> sa A(x0 + d) = b
>: k d k2 = 1
Lagrangeano:
L(d y ) = ct(x0 + d) + (1 ; dtd) ; yt(A(x0 + d) ; b)
Dual:
Mind y L(d y ).
Otimalidade:
i) @L
@d = c ; 2 d ; Aty = 0
ii) @L
@ = 1 ; dt d = 0
iii) @L
@y = A(x0 + d) ; b = 0
 iii): Ax0 ; b + Ad = 0 ) Ad = 0
= 12 :
i): c ; d ; Aty = 0 ) d = c ; Aty
) y = (AAt);1Ac
d = c ; At(AAt);1Ac = (I ; At(AAt);1A)c = Pc
P = (I ; At(AAt);1A) = matriz de proje
c~ao ortogonal
ao espa
co nulo de A.
Figura 3: d = da + db, da = Atx
Adb = A(d ; da) = 0 (espaco nulo de A).
Assim:
Ad = Ada = AAtx
x = (AAt);1Ad ) da = At(AAt);1Ad
db = d ; At(AAt);1Ad = (I ; At(AAt);1A)d = P (A)d
 da db
N(A)

t
R(A )

Figure 3: Matriz de proje

c~ao ortogonal de A

Problema (P~ ):
d~ = ;P~ c~ = ;(I ; A~t(A~A~t);1A~)~c
A~ = AX c~ = Xc, iterac~ao k:
d~k = ;(I ; X k At(AX k X k At);1AX k )X kc
= ;X k c + X k At(A(X k )2At);1A(X k )2c
Logo:
8 k
>< d = X k d~k = ;(I ; (X k )2At(A(X k )2At);1A):(X k )2c
>: xk+1
= xk + k dk
Primal-a m-escala:
 8
>> dk = ;(X k )2z k
><
>> z = c ; Atyk
k
: yk = (A(X k )2At);1A(X k )2c

8 k
>< d = ;(I ; (X k )2At(A(X k )2At);1A):(X k )2c
) >: xk+1 = xk + k dk
2.4 Exemplo (Frannie's Firewood Problem)
Frannie vende 3 "cordas" de lenha todo nal do ano. Pode vender
meia "corda" a U $90 ou uma "corda" a U $150. Como maximizar
o lucro?
8
>> max 90x + 150x
>< 1 2
Modelo : > sa 2 x1 + x2  3
1
>: x1 x2
0
x3 = vari
avel de folga, (1 21 2) = ponto inicial interior fact
vel
Resultado: tabela 1, gura 4.
 x1 x2 x3 ctx
c1 = 90 c2 = 150 c3 = 0 b = 3
1.00 0.50 2.00 165.00
1.73 0.80 1.34 275.51
2.82 1.13 0.46 423.40
3.92 1.00 0.04 502.84
5.66 0.14 0.03 530.45
5.88 0.05 0.01 537.25
5.98 0.01 0.003 539.22
5.99 0.005 0.000 539.79
6.00 0.001 0.000 539.95
6.00 0.000 0.000 539.99

550

500

450

400

350
c’x

300

250

200

150
1.5

6
1
5
4
0.5 3
2
0 1
x2
x1

Figure 4: Evolu
c~ao dos pontos interiores do problema de Frannie
3 Metodo Dual-Am-Escala
3.1 Introduc~ao
Problema:
8>
< min 12 k Zx k2
>: sa Ax = b Z = diag(zi)
Lagrangeano:
L(x w) = 21 k Zx k2 +wt(b ; Ax) = 12 (xtZZx) + wt(b ; Ax)
Condic~oes de otimalidade:
8> @L
< @x =0 ! Z 2 x ; At w = 0
>: @L
@w =0 ! b ; Ax = 0
Ou seja:
x = Z ;2Atw (AZ ;2At)w = b ) x = Z ;2At(AZ ;2At);1b
Hessiana:
2 3
H = 64 Z ;A 75 = ;AAt
2
<0
;At 0
z = c ; Aty ) dz = ;Atdy
 Direca~o dz = ;Z 2x:
dz = ;Z 2Z ;2At(AZ ;2At);1b]
= ;At(AZ ;2At);1b = ;Atdy
Assim:
dy = (AZ ;2At);1b
Teorema: Dados (y z) tais que z = c ; Aty, z
0, Ax = b,
x = Z ;2At(AZ ;2At);1b, a direc~ao dada por:
(dy dz ) = (AZ ;2At);1b ;Z 2x)

e dual fact
vel e
e de subida.

3.2 Algoritmo
1. Dados (y0 z 0) tal que Aty0 + z 0 = c z 0 > 0 e  2 (0 1) k =
0,
2. Faca at
e converg^encia:
(a) dyk = (A(Z k );2At)b
(b) dz k = ;Atdyk
(c) xk = ;(Z k );2dz k
 k
(d) k = min
zik <0f;
zzik g
i
(e) yk+1 = yk + k dyk
(f) z k+1 = z k + k dz k (ou z k+1 = c ; Atyk+1)
(g) k  k + 1
3. Fim Faca
a) Crit
erio de converg^encia originalmente utilizado:
kbt y k ;bt y k+1k  .
max(1 kbt yk k)
b) Ponto inicial dual fact
vel (y0 z 0), resolver o problema:
8
>> max
bty ; M
><
>> sa
Aty + z ; e = c
>: z
0
aplicando o m
etodo dual-a m-escala at
e  < 0, com valor
inicial y0 qualquer (livre), 0 = ;2minj (cj ; Atj y0).
c) z k+1 = c ; Atyk+1 = c ; At(yk + k dyk ) =

c ; Atyk ; k Atdyk = zk + k dzk

d) O c
alculo de xk
e dispens
avel, a n~ao ser que se utilize no
crit
erio de converg^encia.
e) Como y
e livre, n~ao
e feito teste de barreira.
f) Grande custo computacional no c
alculo de A(Z k );2At.
4 Metodo Primal-Dual-Am-Escala
4.1 Introduc~ao
Condic~oes de otimalidade:
2 3 2 3
66 Fp 77 66 Ax ; b 7
F (x y z) = 6664 Fd 77 = 66 At y + z ; c 777 = 0
75 64 75
Fa XZe
Aproximac~ao linear fornece:
(x y z ) 
= (x0 y0 z 0) ; J ;1(x0 y0 z 0)F (x0 y0 z 0)
pois:
F (x y z) 
= F (x0 y0 z 0) + J (x0 y0 z 0)(x y z );
(x0 y0 z 0))] = 0
2 3 2 3
66 b ; Ax0 77 66 rp 77
;F (x0 y 0 z 0 ) = 666 c ; At y 0 ; z 0 77 = 66 r
75 64 d
77 = r
75
4
;X 0Z 0e ra
e:
2 3 2 3
66 rFp A 0 0 77
t
77 66
J (x0 y0 z0) = 6664 rFdt 77 = 66
75 64 0 At I 7775
rFat Z0 0 X0
 Assim:
2 3;1 2 3
66 A 0 0 77 66 rp 77
(x y z) = (x y z ) + 6664 0
0 0 0 At I 7775 6664 rd 77 = (x0 y 0 z 0) + d
75
Z0 0 X0 ra
onde:
2 3 2 3;1 2 3
66 dx 77 66 A 0 0 77 66 rp 77
d = 6664 dy 7775 = 6664 0 At I 7775 6664 rd 77
75
dz Z0 0 X0 ra
Pode-se resolver o sistema:
2 32 3 2 3
66 A 0 0 77 66 dx 77 66 rp 77
66 0 At I 7775 6664 dy 7775 = 6664 rd 77
64 75
Z 0 0 X 0 dz ra
Considerando:
8
>> Adx = rp
><
>> A dy + dz = rd
t
>: Z 0dx + X 0dz = ra
dz = rd ; Atdy ) :
Z 0dx + X 0dz = Z 0dx + X 0(rd ; Atdy) = ra
Z 0dx ; X 0Atdy = ra ; X 0rd
Ou seja:
;(X 0);1Z 0 dx + Atdy = ;(X 0);1ra + rd
que fornece:
2 32 3 2 3
A 0 75 64 dx 75 = 64 rp
64 75
;D A t dy rd ; (X ) ra
0 ; 1

onde D = X ;1Z . Note que:

8
>><> Adx = rp
>> ;Ddx + A dy = rd ; X ;1ra
t
>:dx = D;1Atdy ; rd + X ;1ra]
e:
D;1Atdy = dx + D;1(rd ; X ;1ra)
(AD;1At)dy = Adx + AD;1rd ; AD;1X ;1ra
) (AD;1At)dy = rp + AD;1rd ; AZ ;1ra
4.2 Algoritmo
1. Dados (x0 y0 z 0) tal que (x0 z 0) > 0 e  2 (0 1) k = 0,
2. Faca at
e converg^encia:
(a) rpk = b ; Axk
(b) rdk = c ; Atyk ; z k
(c) rak = ;X k Z k e
(d) Dk = (X k );1Z k ]
(e) dyk = A(Dk );1At];1rpk + A(Dk );1rdk ; A(Z k );1rak ]
(f) dxk = (Dk );1Atdyk ; rdk + (X k );1rak ]
(g) dz k = (X k );1rak ; Z k dxk ]
xki
(h)
p = min
xki <0f;
xk g
k
i
k
(i)
kd =min
zik <0f;
zziik g
(j) pk = min(
kp 1)
(k) dk = min(
kd 1)
(l) xk+1 = xk + pk dxk
(m) yk+1 = yk + dk dyk
(n) z k+1 = z k + dk dz k
(o) k  k + 1
3. Fim Faca
A converg^encia pode ser testada sobre o valor de k F k2.
O ponto inicial (x0 y0 z 0) n~ao precisa ser fact
vel. Recomenda-
se:
{ Para o primal:
Fazendo x = Aty~, Ax = b ! AAty~ = b
) y~ = (AAt );1b
Aty~ = At(AAt);1b
x = At(AAt);1b
1 = max(;minixi 2 2kkbAk1k1 ), onde 2 
= 100
x0i = max(xi 1)
(k b k1 = Pmi=1 j bi j k A k1 = maxj Pmi=1 j aij j)

{ Para dual:
Aty + z = c y livre e z > 0 ) y0 = 0, e:
8
< zi + 3 se zi
0
>
>
>
z = >> ;zi
0 se zi  ;3
: 3
> se ;3  zi  0
onde 3 = 1 + k c k1. Estes pontos procuram ser bem
posicionados, longe da fronteira (xizi n~ao muito pequenos).
O tamanho do passo para y
e o mesmo de para z (dk ) para
garantir que ocorra c ; Atyk ; z k = 0 na converg^encia:
c ; Atdyk+1 ; zk+1 = c ; At(yk + dk dyk ) ; (zk + dk dzk )
= (c ; Atyk ; z k ) ; dk (Atdyk ; dz k )
Como n~ao precisa de ponto inicial fact
vel, este m
etodo
e mel-
hor que o primal ou dual (n~ao precisa de fase I).
5 Metodo Primal-Dual Classico
5.1 Introduc~ao
Primal-dual a m-escala permite que x e z aproximem rapidamente
das fronteiras ) ine ciente.
Primal-Dual Cl
assico acrescenta uma perturbac~ao na condica~o
de complementariedade:
xi zi = i
Novas condico~es de otimalidade:
8
>> b ; Ax = 0
><
>> c ; A y ; z
t t = 0
>: e ; XZe =0
 tal que limk ! 1k = 0
Estimac~ao de k :
 k = Tr(X k )tZ k ] onde: TrX ] = traco de X
Na maioria das implementac~oes, adota-se:
k = k ( nk ) k 2 (0 1)
Nota: k = 0 ) primal-dual a m-escala, k = 1 )
direca~o de centragem pois:

e ; XZe = 0
 k e ; XZe = 0 X tZ e
) X tZe =
n n
A cada iterac~ao, tem-se o sistema J (xk yk z k )dk = rk , ou seja:
2 32 k 3 2 k 3 2 3
66 A 0 0 77 66 dx 77 66 rp 77 66 b ; Ax k
77
66 0 At I 7775 6664 dyk 77 = 66 rk 77 = 66 c ; At ; z k 77
64 75 64 d 75 64 75
Z k 0 X k dzk rck  e ; (X ) Z e
k k t k

Tem-se assim, duas diferencas em relac~ao ao m

etodo primal-dual
a m-escala:
a) troca de rak por rck
b) c
alculo de k
5.2 Algoritmo
1. Dados (x0 y0 z 0) tal que (x0 z 0) > 0,  2 (0 1)  2 (0 1) e
k = 0,
2. Faca at
e converg^encia:
(a)  k = TrX k Z k ]
k
(b) k = ( n )
(c) rpk = b ; Axk
(d) rdk = c ; Atyk ; z k
(e) rck = k e ; X k Z k e
(f) Dk = (X k );1Z k ]
(g) dyk = A(Dk );1At];1rpk + A(Dk );1rdk ; A(Z k );1rck ]
(h) dxk = (Dk );1Atdyk ; rdk + (X k );1rck ]
(i) dz k = (X k );1rck ; Z k dxk ]
xki
(j)
p = min
xki <0f;
xk g
k
i
k
(k)
kd = min
zik <0f;
zziik g
(l) pk = min(
kp 1)
(m) dk = min(
kd 1)
(n) xk+1 = xk + pk dxk
(o) yk+1 = yk + dk dyk
(p) z k+1 = z k + dk dz k
(q) k  k + 1
3. Fim Faca
O crit
erio de converg^encia e a inicializac~ao deste m
etodo po-
dem ser os mesmos do m
etodo primal-dual a m-escala. E

recomend
avel inicializar com 0 alto.
Dependendo dos valores de  e  , obtemos algoritmos de diver-
sas naturezas (complexidade polinomial, converg^encia super-
linear, etc.).
Os valores t
picos de  est~ao entre (0:995 0:99995).
k2
Quando  k < 1, recomenda-se utilizar k = (n) para procu-
rar acelerar a converg^encia.
6 Metodo Preditor-Corretor
6.1 Introduc~ao
Baseado em 3 componentes:
direc~ao a m-escala d~ (direc~ao de Newton, preditor).
direc~ao de centragem, de nido pelo  do primal-dual cl
assico.
direc~ao de correc~ao d^, que tenta compensar a aproximac~ao
linear de Newton.
Id
eia: calcular a direc~ao a m-escala e estudar o progresso ao
longo desta direc~ao, atuando na perturbac~ao  (centragem) e na
correca~o n~ao-linear.
No ponto (x y z ):
8
< t Adx~ = rp
>>
(1) >> A dy~ + dz~ = rd
>: Zdx~ + Xdz~= ra = ;XZe
Obt
em-se, ent~ao, o ponto (~x y~ z~), onde:
2 3 2 3
66 x~ 77 66 x + dx~ 77
66 y~ 77 = 66 y + dy~ 77
64 75 64 75
z~ z + dz~
A seguir, determinar a direc~ao (dx^ dy^ dz^):
 8
>>
>< Adx^ = 0
(2) > A dy^ + dz^
t = 0
>: Zdx^ + Xdz^ = e ; (Dx~Dz~)e = rc
onde Dx~ = diag(dx~) e Dz~ = diag(dz~). Finalmente, a direc~ao
nal (dx dy dz )
e determinada somando (1) e (2):
8>
>>
< t A(dx~ + dx^) = rp
>> A (dy~ + dy^) + (dz~ + dz^) = rd
>: Z (dx~ + dx^) + X (dz~ + dz^) = ra + rc = rs

onde:
8
>< ra = ;XZe
>: r = e ; (Dx~Dz~)e
c
6.2 Algoritmo
1. Dados (x0 y0 z 0) tal que (x0 z 0) > 0,  2 (0 1) e k = 0,
2. Faca at
e converg^encia:
(a) rpk = b ; Axk
(b) rdk = c ; Atyk ; z k
(c) rak = ;X k Z k e
(d) Dk = (X k );1Z k ]
(e) dy~k = A(Dk );1At];1rpk + A(Dk );1rdk ; A(Z k );1rak ]
(f) dx~k = (Dk );1Atdy~k ; rdk + (X k );1rak ]
(g) dz~k = (X k );1rak ; Z k dx~k ]
k
(h)
~kp = min
x~ki <0f;
xx~ik g
i
k
(i)
~kd =min
z~ik <0f;
zz~iik g
(j) ~ pk = min(
~kp 1)
(k) ~ dk = min(
~kd 1)
(l) ~ k = (xk + ~ pk dx~k )t(z k + ~ dk dz~k ),  k = TrX k Z k ]
8 k
>> ~ 3
< ( k ) se  k>1
(m) k = >> k
: ( pn ) se  k  1
k
(n) k = k ( n )
(o) rsk = rak + k e ; (Dx~k )(Dz~k )e
(p) dyk = A(Dk );1At];1rpk + A(Dk );1rdk ; A(Z k );1rsk ]
(q) dxk = (Dk );1Atdyk ; rdk + (X k );1rsk ]
 (r) dz k = (X k );1rsk ; Z k dxk ]
xki
(s)
p = min
xki <0f;
xk g
k
i
k
(t)
kd = min
zik <0f;
zziik g
(u) pk = min(
kp 1)
(v) dk = min(
kd 1)
(w) xk+1 = xk + pk dxk
(x) yk+1 = yk + dk dyk
(y) z k+1 = z k + dk dz k
(z) k  k + 1
3. Fim Faca
Nota:

O crit
erio de converg^encia e a inicializac~ao deste m
etodo po-
dem ser os mesmos do m
etodo primal-dual a m-escala.
Dois sistemas lineares precisam ser resolvidos, utilizando a
mesma relac~ao: A(Dk );1At = Lk (Lk )t.
Espera-se que o esf^orco para resolver dois sistemas lineares seja
recompensado pela reduc~ao no n
umero de iterac~oes.
Este
e o m
etodo com melhores resultados te
oricos e pr
aticos
(tem converg^encia quadr
atica).
7 Metodo de Barreira Logartimica
7.1 Introduc~ao
Seja o problema:
8
>> max ct x
><
(P 1) : >> sa Ax = b
>: x
0
Substituindo a restric~ao x
0 na forma:
8
>> max ct x + tf (x)
>>
>> sa Ax = b
>> 2 3
>>
>> 66 ln(x1) 77
< 66 ln(x ) 77
(P~ 1) : >> 66
66 : 777
2 7
>> onde : f (x) = ln(x) = 66 7
>> 66 : 777
>> 66 7
>> 66 : 777
>> 4
: ln(xn) 5
 pode ser assumido um escalar ( 2 R).
Exemplo:
8
>> min z = 5x1 + 3x2
>>
< sa x1 + x2
1 (eq:1)
>>
>> 0  x1  2 (eq:2)
: 0  x2  2 (eq:3)
 x2
eq. 2
2 111
00
11
000
0000
1111
00000
11111
00000000
11111111
00
11
000
111
0000
1111
00000
11111
0
1
0
1
00
11
000
111
0000
1111
00000
11111
eq. 1 111 0
1
1 00
11
00000000
1111
00000
111110eq. 3
1
00000
11111
000
111
0000
1111
00000
11111
0000
1 00000
11111
1 1110000
1111
00000
11111
00000
11111
000
111
0000
1111
00000
11111
00000
11111
000
111
0000
1111
00000
11111
00000
11111
000
111
00000
11111
000
111
00000
11111
000
111
000
111
00000
11111
000
111
000
111 x1
1 2
Figure 5: Regi~ao factvel do problema
Regi~ao fact
vel na gura 5. Com as vari
aveis de folga:
8>
>> min z = 5x1 + 3x2
>>
>< sa x1 + x2 ; x3 = 1
> x1 + x4 = 2
>> x2 + x5 = 2
>>
>: xi
0 i = 1 2 3 4 5
Com a adic~ao da func~ao barreira:
8
>
>
> min z~
= 5x1 + 3x2 ; (ln(x1) + ln(x2) + ln(x3)+
>
>
>
< ln(x4) + ln(x5))
> sa x1 + x2 ; x3 = 1
>> x1 + x4 = 2
>>
>: x2 + x5 = 2
Vamos analisar duas situaco~es:
a) x1 = x2 = 54 (aproximadamente no meio da regi~ao fact
vel)
z = 5x1 + 3x2 = 10
 z~ 
= 7:237

b) x1 = 1:999 x2 = 0:001 (quase na fronteira)

z = 9:998
z~ 
= 134:3

(P 1) pode ser colocado como sendo:

8>
(P 2) : >: max f (x) = ctx + lnx
<
sa Ax = b
e o problema de busca de melhor direc~ao fact
vel (em torno do
ponto xk ) pode ser colocado como:
8
>< max f (xk dxk )  = rf t(xk )dxk + 21 (dxk )tJ (xk )dxk
(P 3) : >: sa Adxk = 0
Note que:
8>
>> rf (xk ) = c +  x1k
>><
J (xk ) = f8aij g
>> >< ;  se i = j
>> aij = (xki )2
>: >: 0 se c:c:
Aplicando o m
etodo primal a m-escala ao P (3), obtemos (do
lagrangeano associado):
dxk = 1 X k P k(ck + e)
 onde X k = diag(xk ) ck = cX k e P k
e a matriz de projec~ao
P k = I ; (Ak )tAk (Ak )t];1Ak com Ak = AX k .
Pr
oximo ponto interior:
xk+1 = xk + k dxk , com dxk = X k P k(ck + e)
Melhor tamanho do passo no m
etodo de Newton = 1 , ):
k
k = minf 1  maxg, onde: max = min
xk <0f;
xxik g
i i
 in!uencia fortemente no fator de converg^encia.
Valor t
pico:  2 :9 :999]

7.2 Algoritmo
1. Dados  2 (0 1), x0 > 0, 0 grande, k = 0:
2. Faca at
e convergir:
(a) X k = diagfxk g
(b) ck = X k c
(c) Ak = AX k
(d) P k = I ; (Ak )tAk (Ak )t];1Ak
(e) dxk = X k P k (ck + k e)
xki
(f) max = min
xk <0 f;
k g
k
i xi
 (g) k = minf 1k  kmaxg
(h) xk+1 = xk + k dxk
(i) k+1 = f (k ctxk )
(j) k  k + 1
3. Fim Faca
Nota:
a) Crit
erio de converg^encias: pode ser feito sobre a variac~ao do
valor de ctxk ( ctxk  ) ou sobre o valor de dxk ( dxk  ).
b) O ponto inicial interior x0 pode ser encontrado utilizando o
m
etodo de M grande, como no caso do primal a m-escala.
c) O valor de k pode ser tal que:
8
>< 0
 = >: k
k se k ctxk k grande
ctxk k se k ctxk k pequeno
ou considerando:

k+1 = k 0 < < 1

O valor de 2 R < 1 de ne a velocidade de converg^encia.
8 Comentarios sobre Sistemas Lineares
Nos m
etodos de pontos interiores, s~ao precisos determinar matrizes
do tipo: B = AD;1At, onde A
e uma matriz dada e D > 0
e uma
matriz diagonal que varia a cada iterac~ao e
e tal que:
Primal A m-Escala: D = X ;2 (yk = A(X k )2At];1A(X k )2c)
Dual A m-Escala: D = Z 2 (dyk = A(Z k );2At]b)
Primal-Dual A m-Escala:
D = X ;1Z
(dyk = A(Dk );1At];1rpk + A(Dk );1rdk ; A(Z k );1rck ])

E
uma etapa computacionalmente "cara". A seguir, vamos anal-
isar alguns aspectos que poder~ao melhorar o comportamento com-
putacional.
Como D > 0
e diagonal, Dt > 0 tamb
em
e diagonal e podemos
escrever:
B = AD;1At = A~A~t > 0 com A~ = AD; 12
Assim, o elemento ij de B
e dado por (ver gura 6):
ij = (~ai)t(~aj ) = Pnk=1 a~ik a~jk = Pni=1 aik ajk kk;1
onde fij g = D. Para cada ij , temos (2 produtos + uma
soma)n] = 3n operac~oes. Como aik ajk
e constante para todas as
 i j
~t
a
i a
j

Figure 6: (~a )(~a )

t
i j

iterac~oes, se armazenarmos este produto, o c

alculo de ij vai exigir
(1 produto + 1 soma)n] = 2n operac~oes.
Existem m(m2+1) elementos diferentes em B (sim
etrica, portanto,
m + (m ; 1) + ::: + 1 = m2+1 m). Assim, o n
umero de operac~oes
s~ao:
Sem armazenamento: 3n m(m2+1) operac~oes
Com armazenamento: nm(m + 1) operac~oes
A matriz B
e sim
etrica e de nida positiva. Logo, a resoluc~ao do
sistema:
Bd = b
ca facilitada, se decompormos na forma:
LUd = b
8
>< L = matriz triangular inferior unitario
onde: >: U = matriz triangular superior unitario
Aqui, unit
ario signi ca matriz com 1's na diagonal principal. A
resoluc~ao
e processada, fazendo:
 =

L w b

U d w
=

Figure 7: Decomposi
ca~o LU - Solu
c~ao por substitui
ca~o

8>
< Lw = b
L(Ud) = b >: Ud = w

A decomposica~o LU n~ao
e u
nica mas a decomposic~ao B = L U

e u
nica (onde
e diagonal e L e U s~ao matrizes unit
arios. E

poss
vel mostrar que, para matrizes sim
etricas, U = Lt, ou seja,
B = L1 L1 t. Como B > 0 ) > 0, podemos escrever que
= 2 2 , o que permite escrever:
B=L 1
2
1
L = L~ L~ t
2 t

que
e conhecido como decomposic~ao de Cholesky. Isso permite
escrevermos:
8
~ ~ ~w = b
>< L
Bd = b ) LL d = b ) >: L~ td = w
t
FEEC, 09 de marco de 2000.

Akebo Yamakami - Orientador

DT-FEEC-UNICAMP