Sei sulla pagina 1di 29

Optimizacin

multiobjetivo
Juan Gutirrez
Juliete Hernndez
Giselle Noguera
Franklin Ramrez
Arnold Rodrguez

Los problemas de optimizacin


generalmente tienen un solo
objetivo, pero en ocasiones
esto es insuficiente por lo que
es necesario recurrir a otros
mtodos para la solucin de
dichos problemas, es aqu
cuando entra en juego la
programacin multiobjetivo.

Qu es la
programacin
multiobjetivo?

La programacin multiobjetivo se refiere


a la posibilidad de resolver problemas
de programacin con una complejidad
algo mayor de la normal al introducir
ms de una funcin objetivo que
optimizar.

CARACTERISTICAS
Problemas

que involucra mas de una funcin objetivo


a ser minimizada o maximizada.

Los

objetivos presentan un grado de conflicto. Esto


es, no existe una solucin (x) tal que todos los
objetivos sean minimizados (maximizados)
simultneamente.

diferencia del problema de optimizacin, en el que


slo existe un valor ptimo; en programacin
multiobjetivo se busca un conjunto de soluciones
eficientes llamado tambin ptimo de Pareto o
conjunto de soluciones no dominadas.

Existen tres tipos de situaciones


que pueden presentarse en un
problema multiobjetivo:
Minimizar

todas las funciones

objetivo
Maximizar todas las funciones
objetivo
Minimizar algunas funciones y
maximizar otras

Formulacin general de problemas


de Optimizacin multiobjetivo

M objetivos
N variables de decisin
J restricciones de
desigualdad
K restricciones de
igualdad

Dominio de una solucin


En problemas de optimizacin
multiobjetivo, que tan buena es
una solucin es determinada
mediante
el
concepto
de
dominancia.

Definicin de Dominancia
Dadas 2 soluciones x1 y x2,
decimos que x1 domina a x2, si:
La solucin x1 no es peor que x2 en
todos los objetivos
y La solucin x1 es estrictamente
mejor que x2 en al menos un
objetivo.
Equivalente a decir (caso
minimizar)

Identificar soluciones no
dominadas
Consideremos

el ejemplo del seleccionar la mejor escuela de


matemticas, donde solo el ranking de la universidad y el nivel
de reclutamiento son los criterios de decisin.
Qu alternativas no son dominadas?

MIT vs. Stanford:


MIT domina a
Stanford
Georgia Tech vs.
Cal Tech:
ninguna solucin
domina a la otra
MIT y Georgia
Tech Son las
soluciones no
dominadas

Algoritmo para determinar soluciones


dominadas (comparacin por pares)

Qu busca un problema
multiobjetivo?
no podemos decir que una
solucin es mejor que otra si no la
domina.
Un
problema
de
optimizacin multiobjetivo busca el
frente de Pareto.

Frente de Pareto
Es el conjunto de soluciones no
dominadas y el conjunto de
soluciones X donde una funcin
objetivo no puede ser mejorada sin
empeorar alguno de los otros
objetivos de llaman soluciones de
Pareto
optima
o
soluciones
eficientes.

Presentadas en una grfica, las f.o


del conjunto de soluciones
formaran el frente de Pareto que
representa la frontera del espacio
entre las soluciones factibles y no
factibles.

Conjunto Pareto vs. Frontera


Pareto

En el caso de un problema donde se


quiere maximizar dos objetivos
los cuales se pueden
dibujar en un plano cartesiano, la
frontera de Pareto se puede representar
tal como se ilustra en la Grfica.

Mtodo suma ponderada


ste
transforma el problema de multi-objetivo a mono
objetivo. El problema para M objetivos es como sigue:

s. a

Siendo:
=Ponderacin final obtenida de cada alternativa.
=Peso de cada variable obtenido por uno de los mtodos
de ponderacin
=Valor de cada variable para cada alternativa.

La Suma ponderada permite ponderar una serie de


alternativas en funcin de un grupo de criterios. El
proceso parte de informacin similar a la siguiente tabla
donde se tiene el valor normalizado, xij, de las variables
para cada alternativa y el peso o ponderacin de cada
variable, wj.
Alternativa

Variable A

Variable B

Variable C

1
2
3
4
5
6
Pesos
Fuente: Aznar, B. J., & Guijarro, M. F. (2012). Nuevos mtodos de valoracin:
modelos multicriterio (2a. ed.). Valencia, ES: Editorial de la Universidad
Politcnica de Valencia. Retrieved from http://www.ebrary.com

Ejemplo

Se plantea el problema de decidir entre varios


candidatos a un puesto de trabajo, para determinar
cul de los seleccionados es el idneo se escogen tres
criterios: conocimiento de ingls, aos de experiencia
en puesto similar y conocimientos tcnicos. Dichos
criterios se puntan para cada candidato de cero a
diez y se pondera la importancia de cada criterio de
cero a cinco. La informacin completa aparece en la
siguiente tabla.

Candidato
s
A. Prez

Conocimient Experienc Conocimient Ponderaci


os ingls
ia
os tcnicos
n
candidatos
6
7
5

V. Lora

C.
Martnez

J.
Melndez

Ponderaci
n
criterios

Ponderacin A. Prez = 3*6+4*7+4*5


= 66
Candidato elegido
Ponderacin V. Lora = 3*7+4*5+4*8 =
73
Ponderacin C. Martnez =
3*5+4*8+4*4 = 63

Ejercicio
Suponemos una empresa que desea maximizar dos funciones:

La empresa tiene una serie de limitaciones que vienen dadas


por las siguientes restricciones:

Se desea obtener las soluciones eficientes del problema.

Solucin
Para f1

Para f2

Resultados sobre la suma ponderada

Las soluciones del problema mediante el


mtodo de la suma ponderada son al
menos Pareto dbil. Una solucin es Pareto
dbil si al mejorar en un objetivo no
necesariamente empeoramos los otros
objetivos.

La solucin del problema de la suma


ponderada es estrictamente Pareto si
todos los pesos son positivos.

MODELACION
MATEMTICA
Para problemas de localizacin
multiobjetivo


Sean

el conjunto de lugares donde se pueden


localizar las bodegas.
el costo fijo de operar una bodega en el lugar .
J = {1, ..., n} el conjunto de clientes.
la demanda del cliente
el costo de atender toda la demanda del cliente
desde la bodega
la distancia entre la bodega y el cliente .
, entendida como la distancia a la cual se
considera que un cliente es atendido con un buen
servicio.
el conjunto de bodegas que pueden atender la
demanda del cliente cumpliendo con la distancia
maxima de cobertura, Qj = {i I : hij Dmax}.


Las

La

variables de decisin son:

formulacin del problema de localizacin


multiobjetivo (PLM) es la siguiente:
Min
Max
S.A

Jugador

Precio
(min)

%
Victorias
(50
partidos)
(max)

Omar

20.000.000

45

Javier

15.000.000

60

Antonio

17.000.000

55

Gabriel

16.000.000

40

Luis

18.000.000

70

Juan

19.000.000

65

Manuel

19.000.000

30

*Para hallar las soluciones


eficientes necesitamos
agrupar los datos en una
grafica de Precio vs % de
victorias.
*Hallamos la frontera de
Pareto y con ella las
soluciones eficientes

Valores en tabla
22000000

20000000

18000000

Precio
16000000

14000000

12000000

10000000
20

30

40

50

% victoria

60

70

80

GRACIAS!

Potrebbero piacerti anche