Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints

Detalhes bibliográficos
Autor(a) principal: Delfino, Adriano Rodrigo, 1984-
Data de Publicação: 2018
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/56931
Resumo: Orientador: Prof. Dr. Yuan Jin Yun
id UFPR_ddfe5993dcd16233929e3ff180dfc444
oai_identifier_str oai:acervodigital.ufpr.br:1884/56931
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Delfino, Adriano Rodrigo, 1984-Oliveira, Welington Luis deUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em MatemáticaYuan Jin-Yun2019-03-28T23:22:20Z2019-03-28T23:22:20Z2018https://hdl.handle.net/1884/56931Orientador: Prof. Dr. Yuan Jin YunCoorientador: Prof. Dr. Welington Luis de OliveiraTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Matemática. Defesa : Curitiba, 13/04/2018Inclui referências: p.82-88Resumo: As restri?c˜oes de probabilidade desempenham um papel fundamental nos problemas de otimiza?c˜ao envolvendo incertezas. Essas restri?c˜oes exigem que um sistema de desigualdade dependendo de um vetor aleat'orio tenha que ser satisfeito com uma probabilidade suficientemente alta. Neste trabalho, lidamos com problemas de otimiza?c˜ao com restri?c˜oes de probabilidades envolvendo vari'aveis inteiras. Assumimos que as fun?c˜oes envolvidas s˜ao convexas e a restri?c˜ao de probabilidade tenha propriedade generalizada de convexidade. Para lidar com problemas de otimiza?c˜ao desse tipo, combinamos o algoritmo de aproxima ?c˜ao externa (OA) e o algoritmo de feixes. Os algoritmos OA tem sido aplicado para problemas su'aveis e para uma pequena classe limitada de problemas n˜ao-su'aveis. Neste trabalho, estendemos o algoritmo OA para lidar com problemas mais gerais n˜ao-su'aveis. Al'em disso, mostramos que quando os subproblemas n˜ao-lineares resultantes do algoritmo OA s˜ao resolvidos por um m'etodo de feixes, ent˜ao os subgradientes que satisfazem as condi?c˜oes de Karush Kuhn Tucker (KKT) est˜ao prontamente dispon'?veis independentemente da estrutura das fun?c˜oes convexas n˜ao-su'aveis. Esta propriedade 'e crucial para provar a convergˆencia (finita) do algoritmo OA. Problemas com restri?c˜oes probabil'?sticas aparecem, por exemplo, em modelos de energia (estoc'asticos). No contexto de interesse, pelo menos uma das restri?c˜oes n˜ao lineares envolve uma fun?c˜ao de probabilidade P[h(x, y) ? ?], onde h 'e uma fun?c˜ao cˆoncava e ? ? Rm 'e um vetor aleat'orio. Em geral, uma integra?c˜ao num'erica multidimensional 'e empregada para avaliar essa fun?c˜ao de probabilidade. Como uma alternativa para lidar com restri?c˜oes de probabilidades (que 'e muito cara computacionalmente), propomos a aproxima?c˜ao da medida de probabilidade P por uma c'opula apropriada. N'os investigamos uma fam'?lia de c'opulas n˜ao-su'aveis e fornecemos algumas propriedades generalizadas de convexidade novas e 'uteis. Em particular, provamos que a fam'?lia de c'opulas de Zhang 'e ??cˆoncava para todo ? ? 0. Esse resultado nos permite aproximar as restri?c˜oes probabil'?sticas por restri?c˜oes muito mais simples envolvendo c'opulas. Avaliamos numericamente as abordagens dadas em duas classe de problemas provenientes do gerenciamento do sistema de energia el'etrica. Palavras-chave: Otimiza¸c˜ao n˜ao-linear inteira, Otimiza¸c˜ao Estoc'astica, Restri¸c˜oes Probabil '?sticas.Abstract: Probability constraints play a key role in optimization problems involving uncertainties. These constraints (also known as chance constraints) require that an inequality system depending on a random vector has to be satisfied with high enough probability. In this work we deal with chance-constrained optimization problems having mixed-integer variables. We assume that the involved functions are convex and the probability constraint has generalized convexity properties. In order to deal with optimization problems of this type, we combine outer-approximation (OA) and bundle method algorithms. OA algorithms have been applied to smooth problems and to a small class of nonsmooth problems. In this work we extend the OA to handle more general nonsmooth problems. Moreover, we show that when the resulting OA's nonlinear subproblems are solved by a bundle method, then subgradients satisfying the Karush-Kuhn-Tucker (KKT) conditions are readily available regardless the structure of the nonsmooth convex functions. This property is crucial for proving (finite) convergence of the OA algorithm. Chance-constrained problems appear, for instance, in (stochastic) energy models. In the context of interest, at least one nonlinear constraint models the probability function P[h(x, y) ? ?], where h is a concave map and ? ? Rm is a random vector. In general, multidimensional numerical integration is employed to evaluate this probability function. As an alternative to deal with probability constraints (which is very expensive computationally), we propose approximating the probability measure P with a suitable copula. We investigate a family of nonsmooth copulae and provide some new and useful generalized convexity properties. In particular, we prove that Zhang's copulae are ?-concave for all ? ? 0. This result allows us to approximate chance-constrained programs by much simpler copula-constrained ones. We assess numerically the given approaches on two classes of problems coming from power system management. Keywords: Mixed-Integer Nonlinear Optimization, Stochastic Optimization, Chance constraints.88 p. : il. (algumas color.).application/pdfOtimização matemáticaMatemáticaEquações diferenciais estocasticasProbabilidadesOuter-approximation algorithms for nonsmooth convex MINLP problems with chance constraintsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - ADRIANO RODRIGO DELFINO.pdfapplication/pdf1217347https://acervodigital.ufpr.br/bitstream/1884/56931/1/R%20-%20T%20-%20ADRIANO%20RODRIGO%20DELFINO.pdf441cc37ec3c622bb73ca377b8ca6dd7dMD51open access1884/569312019-03-28 20:22:20.213open accessoai:acervodigital.ufpr.br:1884/56931Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082019-03-28T23:22:20Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
title Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
spellingShingle Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
Delfino, Adriano Rodrigo, 1984-
Otimização matemática
Matemática
Equações diferenciais estocasticas
Probabilidades
title_short Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
title_full Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
title_fullStr Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
title_full_unstemmed Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
title_sort Outer-approximation algorithms for nonsmooth convex MINLP problems with chance constraints
author Delfino, Adriano Rodrigo, 1984-
author_facet Delfino, Adriano Rodrigo, 1984-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Oliveira, Welington Luis de
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Matemática
dc.contributor.author.fl_str_mv Delfino, Adriano Rodrigo, 1984-
dc.contributor.advisor1.fl_str_mv Yuan Jin-Yun
contributor_str_mv Yuan Jin-Yun
dc.subject.por.fl_str_mv Otimização matemática
Matemática
Equações diferenciais estocasticas
Probabilidades
topic Otimização matemática
Matemática
Equações diferenciais estocasticas
Probabilidades
description Orientador: Prof. Dr. Yuan Jin Yun
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2019-03-28T23:22:20Z
dc.date.available.fl_str_mv 2019-03-28T23:22:20Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/56931
url https://hdl.handle.net/1884/56931
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 88 p. : il. (algumas color.).
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/56931/1/R%20-%20T%20-%20ADRIANO%20RODRIGO%20DELFINO.pdf
bitstream.checksum.fl_str_mv 441cc37ec3c622bb73ca377b8ca6dd7d
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860664022532096

Registros relacionados