Em otimização não linear, detectar que um algoritmo iterativo se
encontra próximo da solução ótima não é uma tarefa simples. Sendo assim, é
importante que se defina condições de otimalidade satisfeitas pelas
soluções do problema, que possam ser verificadas por um algoritmo numérico.
É importante também que estas condições sejam válidas para uma classe
grande de problemas. Nesta palestra apresentamos condições clássicas de
otimalidade, bem como condições recentemente definidas que englobam classes
maiores de problemas definidos por funções suaves. Estas novas condições
podem ser utilizadas como critério de parada para uma classe grande de
algoritmos: Lagrangiano aumentado, Programação Quadrática Sequencial,
Pontos Interiores e Restauração Inexata. Apresentamos alguns detalhes do
algoritmo de restauração inexata desenvolvido, bem como sua aplicação para
a resolução de problemas com várias funções a serem minimizadas
simultaneamente.