Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
Un esempio di PLMO
Blackstone Mining gestisce due miniere di carbone nel sud-ovest della Virginia.
La. produzione mensile in ciascuna miniera riassunta come segue:
2
Un esempio di PLMO
Variabili Decisionali
X1= numero di mesi in cui programmare un turno di lavoro nella miniera della
contea di Wythe
3
Un esempio di PLMO
Funzioni obiettivo
4
Formalizzazione matematica
dove C Rpxn la matrice dei coefficienti dei p obiettivi del problema, A Rmxn
la matrice dei coefficienti dei vincoli che definiscono la regione ammissibile del
problema e b Rm il vettore dei termini noti associati ai vincoli.
5
Osservazioni
6
Nuovo concetto di soluzione "ottima"
Assunzione
Consideriamo un problema di minimo
7
Nuovo concetto di soluzione "ottima"
8
Esempio Ottimi di Pareto
9
Esempio
10
Esempio (Spazio delle decisioni)
11
Esempio (Spazio degli obiettivi)
Lo spazio degli obiettivi rappresentato in figura:
12
Teorema fondamentale della PLMO:
Teorema di Geoffrion
Sia dato linsieme
13
Programmazione lineare intera multiobiettivo
Un problema di programmazione lineare intera multiobiettivo formalizzato nel modo
seguente:
Ax=b
x 0 x Zn
Nel caso discreto, esistono soluzioni efficienti che non sono ottime per nessuna somma
pesata degli obiettivi e che corrispondono a punti nello spazio degli obiettivi che non si
trovano sulla frontiera di conv(Y) ma al suo interno. Tali soluzioni sono chiamate
soluzioni efficienti non supportate, mentre le rimanenti soluzioni efficienti vengono chiamate
supportate. Linsieme delle soluzioni efficienti supportate indicato con XSE mentre linsieme
delle soluzioni efficienti non supportate indicato con XNE = XE \ XSE.
Le loro immagini nello spazio degli obiettivi sono indicate rispettivamente con YNN e YSN.
Nota: Solitamente ci sono pi soluzioni efficienti non supportate che supportate e queste
contribuiscono notevolmente alla difficolt di risoluzione del problema.
14
Esempio (Punti non dominati supportati e non supportati)
15
Metodi risolutivi per la PLMO
Sulla base del ruolo che il decisore ha nel processo risolutivo possiamo distinguere i metodi
risolutivi in tre categorie:
Metodi a priori: il decisore specifica le sue preferenze prima che abbia inizio il
processo risolutivo. In base alle informazioni avute dal decisore la ricerca si indirizza
verso la soluzione migliore senza dover necessariamente generare tutti gli ottimi di
Pareto.
16
Scalarizzazione
17
Tecniche di scalarizzazione pi comuni
Metodo -constrained
Metodo di ranking
18
Il metodo dei pesi
min TCx
Ax = b
x 0 (integer)
19
Il metodo -constrained
min Cix
Ax = b
Ckx k ki
x 0 (integer)
20
Il metodo del compromesso
Un altro metodo noto mediante il quale possibile generare tutte le soluzioni efficienti,
consiste nel minimizzare la distanza da un punto ideale yI. Tale punto viene calcolato
determinando il minimo (o il massimo) di ciascun obiettivo preso singolarmente:
21
Il metodo di ranking
Si tratta di un approccio utilizzato per problemi biobiettivo. Viene definito il Nadir Point
nel modo seguente:
Il punto ideale yI=(y1I. y2I) ed il Nadir Point yN=(y1N,y2N) definiscono un lower e un upper
bound sui valori degli obiettivi corrispondenti a soluzioni efficienti. Partendo quindi da
una soluzione x tale che y1(x)=y1I, e trovando la seconda soluzione migliore, la terza
migliore e cos via (rispetto al primo obiettivo) fino a quando il valore del primo obiettivo
non coincide con y1N, possibile generare lintero insieme di soluzioni efficienti.
22
Il metodo -Constrained Elastico
Tale metodo una variante del metodo -constrained in cui i vincoli di tipo
knapsack sono resi elastici per poter risolvere pi agevolmente il problema.
Infatti sono ammesse violazioni degli upper bound (o lower bound) sui valori delle
funzioni obiettivo introducendo una penalit associata a tali violazioni.
Il problema scalarizzato ottenuto il seguente:
min Cjx +
Ax = b
Ckx + lk sk = k kj
sk, lk 0 kj
x 0 (integer)
I parametri del modello sono le penalit k ed i termini noti dei vincoli di knapsack k..
Due insiemi di variabili sono introdotti rispetto al problema orginario: le variabili slack
lk e surplus sk per trasformare i vincoli in vincoli di uguaglianza.
23
Il metodo -Constrained Elastico
Osservazioni
24
Esempio Knapsack Bi-obiettivo (1/6)
25
Esempio Knapsack Bi-obiettivo (2/6)
26
Esempio Knapsack Bi-obiettivo (3/6)
27
Esempio Knapsack Bi-obiettivo (4/6)
28
Esempio Knapsack Bi-obiettivo (5/6)
29
Esempio Knapsack Bi-obiettivo (6/6)
30
Esempio Knapsack Bi-obiettivo (1/2)
31
Esempio Knapsack Bi-obiettivo (2/2)
32