Otimização Convexa: Aproximando Desigualdades: Das Funções Indicadoras para Barras Suaves

Imagine que você está operando um algoritmo de negociação de alta frequência. Seu portfólio possui um limite rigoroso de risco. Uma restrição "rígida" atua como um freio de emergência — ela interrompe tudo abruptamente no momento em que o limite é atingido, potencialmente causando falhas na lógica do sistema. Na otimização convexa, preferimos um sistema de aviso "suave". Substituímos o precipício desigual e binário da função indicadora por uma "barreira" suave e logarítmica que penaliza cada vez mais o objetivo à medida que nos aproximamos da fronteira. Isso permite que o otimizador "sinta" a aproximação da restrição e ajuste sua trajetória suavemente, sem jamais sair do domínio viável.

O Problema da Não Diferenciabilidade

O problema padrão de otimização com restrições é definido como:

$$\text{minimize } f_0(x) \\ \text{sujeito a } f_i(x) \leq 0, \quad i = 1, \ldots, m \\ Ax = b$$

Teoricamente, poderíamos reescrever isso usando a função indicadora $I_-(u)$ para incorporar as restrições na função objetivo. No entanto, $I_-(u)$ é um monstro para o cálculo:

$$I_-(u) = \begin{cases} 0 & u \leq 0 \\ \infty & u > 0 \end{cases}$$

Por ser descontínua e ter um gradiente infinito na fronteira, não podemos calcular a matriz hessiana necessária para Método de Newton. Precisamos de um substituto diferenciável.

Suavização Logarítmica

O Substituto

Aproximamos $I_-(u)$ usando a função:

$$\hat{I}_-(u) = -(1/t) \log(-u), \quad \text{dom } \hat{I}_- = -\mathbf{R}_{++}$$

Aqui, $t > 0$ é um parâmetro que determina a precisão da nossa aproximação. Quanto maior o valor de $t$, mais a barreira se assemelha à função indicadora verdadeira.

Restrição de Interioridade

Ao contrário dos métodos de conjunto ativo, esta abordagem exige que cada iterado $x$ permaneça estrategicamente viável ($f_i(x) < 0$). Como o logaritmo é indefinido para valores não negativos, ele cria uma "barreira impenetrável" que mantém a busca dentro do interior do conjunto viável.

🎯 Definição: Métodos de Ponto Interior

Métodos de Ponto Interior: métodos para resolver problemas de otimização convexa que incluem restrições de desigualdade aplicando o Método de Newton a uma sequência de problemas com restrições de igualdade.

PERGUNTA 1

Por que não podemos usar diretamente a função indicadora ideal $I_-(u)$ com o Método de Newton?

É não diferenciável na fronteira u=0.

Torna a função objetivo não convexa.

Exige que o domínio seja restrito a valores positivos.

O método de Newton só funciona para problemas sem restrições.

PERGUNTA 2

Qual é o efeito do aumento do parâmetro $t$ na aproximação da barreira logarítmica?

Torna a aproximação mais suave e plana.

Aumenta a transição na fronteira, tornando-a mais parecida com a indicadora ideal.

Permite que a otimização atravesse para a região inviável.

Reduz o problema a um caso de programação linear.

PERGUNTA 3

Qual das seguintes é uma exigência obrigatória para os pontos $x$ em um método de ponto interior usando barras logarítmicas?

$f_i(x) \ge 0$

$f_i(x) < 0$ para todos os i

$f_i(x) = 0$ para pelo menos uma restrição ativa

O gradiente $\nabla f_0(x)$ deve ser zero

PERGUNTA 4

Na analogia com o algoritmo de negociação, como se comporta a barreira logarítmica quando o risco se aproxima do limite?

Aplica uma penalidade crescente exponencialmente à função objetivo.

Ignora o risco até que o limite seja realmente ultrapassado.

Diminui a penalidade para incentivar a busca pela fronteira.

Desliga o sistema imediatamente.

PERGUNTA 5

Qual é a lacuna de subotimalidade para um ponto na trajetória central com $m$ restrições e parâmetro $t$?

$t/m$

$m/t$

$\log(m/t)$

$1/t^2$