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?

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 f(x) (avaliações de f), 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 f 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 f seja unimodal no intervalo inicial (ou seja, tem um único mínimo no intervalo).
Por que isso funciona? Porque ao comparar valores de f 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 \rho=\frac{\sqrt{5}-1}{2}\approx0{,}618.

Passo 3

Vantagens e desvantagens dos métodos diretos (explicação didática):
  • Vantagens:
    • Não precisam de derivadas nem da suavidade forte da função — servem quando f é ruidosa, não diferenciável ou quando as derivadas são impossíveis de calcular.
    • Simples de entender e implementar: você só avalia f e compara números.
    • Em muitos casos têm garantia de manter o mínimo no intervalo (com hipótese de unimodalidade).
  • 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 f 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 L_0, após n iterações de seção áurea o comprimento será aproximadamente L_n\approx \rho^n L_0. Para reduzir L_0 por 10^{-6} pode ser preciso muitas iterações.

Passo 4

O que são métodos indiretos? Explico passo a passo. Métodos indiretos usam informação das derivadas de f para encontrar o ponto crítico \bar{x} tal que f'(\bar{x})=0 (e geralmente verificam f''(\bar{x})>0 para mínimo). Exemplos: método da bisseção aplicado em f'(x), método da secante e método de Newton (ou Newton–Raphson) aplicado a f'(x). No caso unidimensional típico, o método de Newton para otimização usa a iteração
x_{k+1} = x_k - \frac{f'(x_k)}{f''(x_k)},
que é derivada da ideia de aproximar f' por sua linearização (ou f 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 f' (e muitas vezes f'') ou a aproximação numérica dessas derivadas. Aproximações por diferenças finitas aumentam o número de avaliações de f e introduzem erros.
    • Sensíveis ao chute inicial: se x_0 estiver longe do mínimo, Newton pode divergir (por exemplo, se f'' 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).
Explicando custos: aproximar f' por diferença finita requer tipicamente uma avaliação extra de f por derivada aproximada; para f'' 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:
  1. Posso calcular f' e f'' analiticamente e a função é suave? —> prefira métodos indiretos (Newton/secante) pela velocidade.
  2. A função é ruidosa, discontínua, não diferenciável ou só tenho uma “caixa preta” que dá f(x)? —> use métodos diretos (seção áurea, Fibonacci, bracketing).
  3. As avaliações de f são muito caras? —> considere métodos que minimizem avaliações (às vezes um indireto com derivadas analíticas é melhor).
  4. 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 f unimodal no intervalo” para diretos; "assumo f\in C^2" para indiretos) e explique custo em número de avaliações de f 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 x_k\in\mathbb{R}^n e uma direção de busca p_k\in\mathbb{R}^n, define-se a função unidimensional
\varphi(\alpha) = f(x_k + \alpha p_k),
onde \alpha\in\mathbb{R} é o parâmetro (tamanho do passo) a ser escolhido. A minimização em uma variável é então: encontrar \alpha_k=\arg\min_\alpha \varphi(\alpha). Após achar \alpha_k, atualiza-se x_{k+1}=x_k+\alpha_k p_k. Essa construção — definir \varphi(\alpha) — é exatamente a etapa de mapeamento: pegar a função original f e restringi-la a uma reta no espaço dada por x_k+\alpha p_k, 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 \varphi) ou indiretos (encontrar \alpha tal que \varphi'(\alpha)=0, por Newton na variável \alpha).

Passo 8

Resumo prático para a prova (passos que você pode escrever rapidamente):
  • Defina claramente se você tem derivadas: escreva “se f' 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 \varphi(\alpha) e a atualização x_{k+1}=x_k+\alpha_k p_k.
  • Se pedirem um exemplo numérico indique qual método usaria e por quê (ex.: Newton para f(x)=x^4-3x^2 perto de um mínimo conhecido; seção áurea se só puder avaliar f).

Resposta

Métodos diretos: usam apenas avaliações de f(x) (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 f e geralmente pressupõem unimodalidade no intervalo.
Métodos indiretos: usam derivadas (ex.: Newton, secante, bisseção em f'); vantagens — convergência muito rápida (superlinear/quadrática) quando f é suave e derivadas são exatas, poucas iterações necessárias; desvantagens — exigem f' (e às vezes f'') 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 n variáveis numa busca unidimensional definindo \varphi(\alpha)=f(x_k+\alpha p_k) e minimizando \varphi(\alpha) em \alpha, depois atualizando x_{k+1}=x_k+\alpha_k p_k.

Exercícios relacionados