Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
-1,2 6,5
Para evitar las dificultades a la hora de agregar los criterios, muchos de los
esfuerzos en la literatura se han dirigido hacia enfoques basados en rankings. As
Schaffer (1985) desarroll el mtodo VEGA (Vector Evaluated Genetic Algorithm),
cuya nica diferencia con un algoritmo gentico usual es la forma en que se realiza la
seleccin para la reproduccin. En este caso, en cada generacin la poblacin se agrupa
en un cierto nmero de subpoblaciones (tantas como criterios) atendiendo en cada una
de ellas al valor de una de las funciones objetivo. Dentro de cada una de estas
poblaciones se realiza la seleccin atendiendo al valor de este criterio y luego las
poblaciones se mezclan de nuevo para aplicar el operador de cruce y el operador de
mutacin, dando lugar a la siguiente generacin. Este es un mtodo muy utilizado en la
literatura, a pesar de que da lugar en muchos casos a soluciones poco equilibradas,
debido a que fomenta la especiacin, es decir, la aparicin de soluciones que son muy
buenas en un nico criterio, pero presentan valores malos en los dems. Para resolver
este problema Shaffer propus una serie de heursticos que protegen a las soluciones
ms equilibradas, aunque no excelentes en ningn criterio, as como realizar cruces
entre soluciones pertenencientes a distintas subpoblaciones.
Por otra parte, Fourman (1985) utiliz un orden lexicogrfico para realizar la
seleccin de los individuos a reproducirse, obteniendo muy buenos resultados puesto
que el orden lexicogrfico es un orden total y por tanto siempre se puede determinar
cuando un individuo est mejor adaptado que otro, lo cual permite realizar una seleccin
por ranking. Este enfoque tiene adems la ventaja de no necesitar normalizar los
objetivos puesto que las comparaciones son binarias objetivo a objetivo. Sin embargo,
requiere que las preferencias del decisor se correspondan a una ordenacin lexicogrfica
de los criterios.
3.3 Enfoques basados en el orden de Pareto.
Con este tipo de enfoques, el valor de adaptacin de cada individuo depende no
del valor de cada uno de los criterios, sino de su eficiencia o dominacin dentro de cada
poblacin. As, Goldberg (1989) propuso establecer un ranking de no-dominacin para
resolver los problemas del enfoque VEGA. La idea es encontrar los individuos en cada
generacin que no estn dominados por ningn otro individuo, asignarles el ranking
ms alto y extraerlos de la poblacin. Con el resto de individuos se repite este proceso
hasta que todos ellos tienen asignado una posicin en el ranking segn este proceso,
realizndose entonces una seleccin por ranking. Este enfoque se ha mostrado superior
al enfoque VEGA en algunos casos, como se puede ver en Hilliard y otros(1989).
Fonseca y Fleming (1993) desarrollaron esta idea con el mtodo MOGA (Multi
Objective Genetic Algorithm), donde el ranking de cada individuo depende del nmero
de individuos en la poblacin que lo dominan, teniendo los individuos eficientes
ranking uno. Por ltimo, Srinivas y Deb (1994) evolucionaron la idea del ranking de nodominacin para dar lugar al mtodo NSGA (Non-Dominated Sorting Genetic
Algorithm) que se ha mostrado tambin eficiente a la hora de resolver problemas con
multiples criterios.
Por su parte, la resolucin de problemas de Programacin por Metas mediante
algoritmos genticos se beneficia tambin de cada uno de estos distintos enfoques,
aunque especialemente interesante es el caso de la Programacin por Metas
Lexicogrficas. Estos problemas se adaptan perfectamente a la utilizacin de una
funcin de evaluacin basada en un orden lexicogrfico, que en este caso es el orden
lexicogrfico correspondiente a los niveles de prioridad del decisor para cada una de las
metas. De esta forma se pueden aprovechar de una forma sencilla todas las virtudes de
este enfoque para la programacin multiobjetivo mediante este tipo de algoritmos, tal y
como se muestra en Fourman (1985).
4. Aplicacin.
Como ejemplo para mostrar el rendimiento de este tipo de algoritmos
resolveremos en esta seccin un modelo de Programacin por Metas Entera sobre datos
reales. Hemos elegido este problema porque es un hecho bien conocido que dentro de la
Programacin Matemtica, los problemas de la Programacin Entera son los que
ofrecen una mayor complejidad computacional a la hora de resolverse. As, los
problemas de la Programacin Entera se distinguen por requerir, en general, un tiempo
computacional desmesurado, en comparacin con el resto de problemas de la
Programacin Matemtica, coste que en muchos casos hace la resolucin inviable. Sin
embargo, la Programacin Entera es una rama muy importante de la Programacin
Matemtica debido a que existe hoy en da una enorme variedad de problemas reales de
este tipo, relacionados con reas tan diversas como el anlisis combinatorio,
planificacin y produccin, diseo de redes de comunicacin y transporte, asignacin de
plantillas y turnos, problemas de flujo, de localizacin, de distribucin, de
secuenciacin de maquinaria, y un largo etctera. Es este el motivo de la aparicin de
una gran variedad de mtodos de resolucin, algoritmos especifcos y heursticos para la
resolucin de este tipo de problemas, entre los cuales los que se muestran ms eficientes
son los mtodos de Ramificacin y Acotacin y Ramificacin y Corte, cuyos detalles se
pueden ver por ejemplo en Nemhauser y Wolsey (1989).
Por otra parte, la Programacin por Metas Entera es el campo de la Programacin
Multiobjetivo Entera que ms trabajos recoge en la literatura, debido a que con este tipo
de problemas la obtencin de la totalidad o una buena aproximacin del conjunto
eficiente es una dficil tarea, imponindose por tanto la filosofa de la satisfaccin frente
a la filosofa de la eficiencia. As encontramos numerosos trabajos en la literatura
relativos a la Programacin por Metas Entera, como son los de Arthur y Ravindran
(1980), Markland y Vickery (1986), Ignizio (1985) o Tamiz y otros (1999). En todos
ellos se pone de manifiesto la complejidad computacional que puede ofrecer un
problema real de Programacin por Metas Entera, y una buena muestra de ello es el
problema que se resuelve en este trabajo.
Este problema, que est basado en el modelo desarrollado en Caballero y otros
(2002), se corresponde con un modelo de Programacin por Metas Entera para la
asignacin eficiente de los recursos financieros de una universidad espaola, y en este
trabajo, su aplicacin al caso particular de la Universidad de Mlaga. El problema en
cuestin consta de 3124 variables enteras (agrupadas en 22 variables por departamento,
teniendo la Universidad de Mlaga 142 departamentos), 1420 variables de desviacin
(continuas), 712 restricciones duras y 1420 restricciones blandas asociadas a las metas
del problema. Este problema responde a un enfoque de Programacin por Metas Entera
Lexicogrfica Minimax con cinco niveles de prioridad cuya formulacin es la siguiente:
n
n
n
n
n
Lex min max i1 , max i2 , max i3 , max i4 , max i5
i =1,...,n u i1 i =1,...,n u i2 i =1,...,n u i3 i =1,...,n u i4 i =1,...,n u i5
s.a: 0 x1i + x 2i + x5i 2 i = 1, ..., n.
x1i + x 2i 1 + x 5i i = 1, ..., n.
0 x3i + x4 i 3 i = 1, ..., n.
x 5i x 3i x 4i 0 i = 1, ..., n.
7
j= 2
j 3, 4
7
T
j= 5
j= 5
j= 4
S1 j + T2 ji S 2 j + T3 ji S 3 j +
1 ji
i = 1, ..., n.
S 4 j + T5 ji S 5 j + T67 i S 67 MaxMejora
4 ji
j= 6
(x
i =1
3i
S 3 + x 4i S 4 ) MaxAyud Pr e sup
i =1
j=1
j= 2
j 3, 4
j= 5
j= 4
( x ji S j + T1 ji S1 j + T2 ji S 2 j + T3 ji S 3 j +
7
j= 5
x ji C j +
4 ji S 4 j + T5 ji S 5 j + T67 i S 67
) Pr e sup
j= 6
j= 2
j 3, 4
j= 5
j= 5
j= 5
T1 ji C1 j + T2 ji C 2 j + T3 ji C 3 j + T4 ji C 4 j +
j=1
x ji C j +
j=1
j= 2
j 3, 4
j= 5
j= 5
j= 5
T1ji C1j + T2 ji C 2 j + T3 ji C 3 j + T4 ji C 4 j +
7
7
7
5
x ji C j + T1 ji C1 j + T2 ji C 2 j
6
j= 2
j= 5
j=1
j 3, 4
T j7 i 24 C arg aDoct
7
7
j=1
7
+ T3 ji C 3 j + T4 ji C 4 j + T5 ji C 5 j
j= 5
j= 6
j= 5
x ji C j +
j=1
j= 2
j 3, 4
j= 5
j= 5
j= 5
T1ji C1 j + T2 ji C 2 j + T3 ji C 3 j + T4 ji C 4 j +
7
CDT
+ T5 ji C 5 j + ni4 p i4 = CREDAD i
i
Alum
Pr
of
j= 6
5
x ji S j +
j=1
j= 2
j 3, 4
j= 5
j= 4
T1 ji S1 j + T2 ji S 2 j + T3 ji S3 j +
j= 5
j= 6
5. Referencias.
Arthur, J.L., Ravindran, A. (1978). A Branch and Bound Algorithm with
Constraint Partitining for Integer Goal Programming. European Journal of the
Operational Research. vol.4, pp. 421-425.
Baker, D. (1985). Adaptative selection methods for genetic algorithm. In
J.J. Grefenstette (ed.), Proceedings of an International Conference on Genetic
Algorithms and Their Applications. Lawrence Erlbaum, pp. 100-111.
Caballero, R., Gmez, T., Lpez Del Amo, M.P., Luque, M., Martn, J.,
Molina, J., Ruiz, F. (2002). Using Interactive Multiple Objective Methods To
Determine The Budget Assignment To The Hospitals Of A Sanitary System.
Trzaskalik, T. (ed.) In Multiobjective And Goal Programming. Advances in
Soft Computing. Springer-Verlag. pp. 209-221.
Caballero, R., Ruiz, F., Luque, M., Molina, J.(2000). PROMO
(Programacin Multiobjetivo). Programa de Ordenador. R.P.I. Ma-6739.
Darwin, C. (1859). Teh Origin of Species by Means of Natural Selection
or the Preservation of Favored Races in the Struggle for Life. The Book
League of America.
Fonseca, C.M., Fleming, P.J. (1993). Genetic Algorithm for
Multiobjective Optimization: Formulation, Discussion and Generalization. In
S. Forest (ed.), Proceedings of th Third International Conference on Genetic
Algorithms. Morgan Kaufmann Publishers, pp. 416-423.
Fourman, M.P. (1985). Compactation of symbolyc layout using genetic
algorithms. In Genetic Algorithms and their Applications: Proceedings of the
First International Conference on Genetic Algorithms and Their Applications.
Lawrence Erlbaum, pp. 141-153.
Gandibleux, X., Ehrgott, M. (2000). A survey and annotated bibliography
of multiobjective combinatorial optimization. OR Spektrum, 22, pp. 425-460.
Goldberg, D.E. (1989). Genetic Algorithms in Search, Optimization and
Machine Learning. Addison-Wesley Publishing Co.
Goldberg, D.E. (1991). A comparison of selection schemes used in
genetic algorithm. In G.E. Rawlins (ed.), Foundations of Genetic Algorithms.
Morgan Kaufmann Publishers, pp. 69-93.
Hilliard, M.R., Liepins, M. Palmer, M., Rangarajen, G. (1989). The
computer as a partner in algorithmic design: Automated discovery of
parameters for a multiobjective scheduling heuristic. In R. Sharda, B.L.
Golden, E. Wasil, O. Balci and W. Stewart (eds.), Impact of Recent Computer
Advances on Operations Research. North-Holland Publishing Company.
Ignizio, J.P. (1985). Integer Goal Programming via Goal Aggregation.
Large Scale Systems. vol 8, pp. 81-86.
Jakon, W., Gorges-Schleuter, M., Blume, C., (1992). Application of
genetic algorithm to task planning and learning. In R. Mnner and B.
Manderick (eds.), Parallel Problem Solving from Nature, 2nd Workshop. NorthHolland Publishing Company, pp. 291-300.
Koza, J.R. (1992). Genetic Programming. On the Programming of
Computers by Means of natural Selection. The MIT Press.