Questão 2 (2.0 pontos) - Responda as seguintes questões:
Na Otimização Unidimensional Sem Restrições existe duas classes de métodos: os diretos e os indiretos. Faça uma comparação entre estas duas metodologias, mostrando as vantagens e desvantagens. Qual a etapa de mapeamento?
Na Otimização Unidimensional Sem Restrições existe duas classes de métodos: os diretos e os indiretos. Faça uma comparação entre estas duas metodologias, mostrando as vantagens e desvantagens. Qual a etapa de mapeamento?
Passo 1
O enunciado pede duas coisas: (1) comparar as duas classes de métodos de otimização unidimensional sem restrições — os métodos diretos e os métodos indiretos — mostrando vantagens e desvantagens de cada um; (2) explicar qual é a etapa de mapeamento. Informações relevantes que tenho do enunciado: trata-se de otimização unidimensional sem restrições (ou seja, minimizar uma função de uma variável definida em um intervalo) e quer-se comparação e definição da etapa de mapeamento. Não há dados numéricos nem uma função específica — a questão é conceitual.
Passo 2
O que são métodos diretos? Vou explicar devagar e com exemplo simples. Métodos diretos são aqueles que só usam valores da função
(avaliações de
), sem usar derivadas. Exemplos clássicos: busca por seção áurea, método de Fibonacci, busca por intervalo (bracketing), interpolação parabólica pura (quando usa só valores para ajustar uma parábola). Ideia prática: você avalia
em alguns pontos do intervalo, compara e vai reduzindo o intervalo que contém o mínimo até ficar pequeno o suficiente. Uma suposição comum para eles funcionarem bem é que
seja unimodal no intervalo inicial (ou seja, tem um único mínimo no intervalo).
Por que isso funciona? Porque ao comparar valores de
em pontos você consegue eliminar subintervalos que não contêm o mínimo, garantindo que o mínimo permaneça no intervalo restante. Por exemplo, na seção áurea cada iteração reduz o comprimento do intervalo por um fator aproximado de
.
Passo 3
Vantagens e desvantagens dos métodos diretos (explicação didática):
- Vantagens:
- Não precisam de derivadas nem da suavidade forte da função — servem quando
é ruidosa, não diferenciável ou quando as derivadas são impossíveis de calcular. - Simples de entender e implementar: você só avalia
e compara números. - Em muitos casos têm garantia de manter o mínimo no intervalo (com hipótese de unimodalidade).
- Não precisam de derivadas nem da suavidade forte da função — servem quando
- Desvantagens:
- Geralmente convergem mais devagar (convergência linear). Por exemplo, seção áurea reduz o intervalo de busca por um fator fixo por iteração.
- Podem exigir muitas avaliações de
para atingir alta precisão — isso pesa se cada avaliação é cara. - Precisam da hipótese de unimodalidade no intervalo inicial (ou de um bracket que contenha o mínimo).
Exemplo numérico simples para ilustrar a ideia (sem cálculos pesados): se você começa com um intervalo de comprimento
, após
iterações de seção áurea o comprimento será aproximadamente
. Para reduzir
por
pode ser preciso muitas iterações.
Passo 4
O que são métodos indiretos? Explico passo a passo. Métodos indiretos usam informação das derivadas de
para encontrar o ponto crítico
tal que
(e geralmente verificam
para mínimo). Exemplos: método da bisseção aplicado em
, método da secante e método de Newton (ou Newton–Raphson) aplicado a
. No caso unidimensional típico, o método de Newton para otimização usa a iteração
que é derivada da ideia de aproximar
por sua linearização (ou
por uma quadrática).
Passo 5
Vantagens e desvantagens dos métodos indiretos (explicação didática):
- Vantagens:
- Podem convergir muito rapidamente quando a função é suave e as derivadas são exatas: por exemplo, o método de Newton tem convergência quadrática perto da solução (erro tende a zero muito rápido).
- Precisão alta com poucas iterações se as aproximações locais são boas.
- Desvantagens:
- Requerem
(e muitas vezes ) ou a aproximação numérica dessas derivadas. Aproximações por diferenças finitas aumentam o número de avaliações de e introduzem erros. - Sensíveis ao chute inicial: se
estiver longe do mínimo, Newton pode divergir (por exemplo, se for zero ou mudar de sinal). - Fracassam ou perdem eficiência com funções não diferenciáveis, ruidosas ou com muitos pontos de inflexão.
- Implementação mais complexa (cálculo de derivadas e cuidados com divisão por zero).
- Requerem
Explicando custos: aproximar
por diferença finita requer tipicamente uma avaliação extra de
por derivada aproximada; para
são necessárias ainda mais avaliações. Assim, a vantagem da rapidez por iteração pode ser compensada pelo custo por iteração.
Passo 6
Comparação prática e regra de bolso (como decidir na prova): siga este roteiro mental quando tiver que escolher um método numa questão ou na prática:
- Posso calcular
e analiticamente e a função é suave? —> prefira métodos indiretos (Newton/secante) pela velocidade. - A função é ruidosa, discontínua, não diferenciável ou só tenho uma “caixa preta” que dá
? —> use métodos diretos (seção áurea, Fibonacci, bracketing). - As avaliações de
são muito caras? —> considere métodos que minimizem avaliações (às vezes um indireto com derivadas analíticas é melhor). - E se não souber o formato do intervalo? —> primeiro faça uma etapa de localização (bracketing) para garantir unimodalidade/contener o mínimo, depois aplique método escolhido.
Dica para a prova: descreva a hipótese que justifica o uso (ex.: “assumo
unimodal no intervalo” para diretos; "assumo
" para indiretos) e explique custo em número de avaliações de
e taxa de convergência (linear vs. superlinear/quadrática).
Passo 7
O que é a etapa de mapeamento? Vou explicar claramente e com a notação padrão usada em otimização multivariada que reduz para unidimensional. A etapa de mapeamento é o processo que transforma (mapeia) uma busca em várias dimensões numa busca unidimensional ao longo de uma direção escolhida. Formalmente, dado um ponto atual
e uma direção de busca
, define-se a função unidimensional
onde
é o parâmetro (tamanho do passo) a ser escolhido. A minimização em uma variável é então: encontrar
. Após achar
, atualiza-se
. Essa construção — definir
— é exatamente a etapa de mapeamento: pegar a função original
e restringi-la a uma reta no espaço dada por
, transformando o problema em um problema unidimensional que pode ser resolvido por um método direto ou indireto.
Observação didática: em métodos de otimização multivariada (ex.: gradiente, quasi-Newton), a etapa de mapeamento (linha de busca) é crucial e pode ser feita por métodos diretos (seção áurea sobre
) ou indiretos (encontrar
tal que
, por Newton na variável
).
Passo 8
Resumo prático para a prova (passos que você pode escrever rapidamente):
- Defina claramente se você tem derivadas: escreva “se
disponível, uso indireto; se não, uso direto”. - Explique as vantagens/desvantagens em duas ou três frases (robustez vs. velocidade).
- Para a etapa de mapeamento escreva a definição de
e a atualização . - Se pedirem um exemplo numérico indique qual método usaria e por quê (ex.: Newton para
perto de um mínimo conhecido; seção áurea se só puder avaliar ).
Resposta
Métodos diretos: usam apenas avaliações de
(ex.: seção áurea, Fibonacci, bracketing); vantagens — não exigem derivadas, robustos a ruído e funções não diferenciáveis, fáceis de implementar; desvantagens — convergência tipicamente linear e mais lenta, exigem mais avaliações de
e geralmente pressupõem unimodalidade no intervalo.
Métodos indiretos: usam derivadas (ex.: Newton, secante, bisseção em ); vantagens — convergência muito rápida (superlinear/quadrática) quando
é suave e derivadas são exatas, poucas iterações necessárias; desvantagens — exigem
(e às vezes
) ou aproximações numéricas, sensíveis ao chute inicial e podem falhar com funções não diferenciáveis ou ruidosas.
Etapa de mapeamento: consiste em transformar a busca em variáveis numa busca unidimensional definindo
e minimizando
em
, depois atualizando
.
Métodos indiretos: usam derivadas (ex.: Newton, secante, bisseção em
Etapa de mapeamento: consiste em transformar a busca em