an.lisis multiobjetivo considerando · problema del pert-coste: 4. programación de inversiones •...
TRANSCRIPT
1
TUTORIAL:ANÁLISIS MULTIOBJETIVO CONSIDERANDOINCERTIDUMBRE E IMPRECISIÓN
III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES
Patricia Jaramillo A. y Ricardo A. Smith Q.Instituto de Sistemas y Ciencias de la Decisión
Facultad de Minas
Universidad Nacional de Colombia, Medellín, Colombia
OBJETIVO
Presentar los conceptos y metodologías fundamentales para la resolución de problemas de Optimización con Múltiples Objetivos, considerando además Incertidumbre e Imprecisión, tanto en los datos del problema como en la estructura de preferencias del decisor.
Las metodologías presentadas se basan en la Programación Estocástica y en la Lógica Difusa.
2
PROGRAMA
1. La toma de decisiones bajo múltiples objetivos2. Metodologías clásicas: 3. La consideración de la Incertidumbre. Criterios
de Incertidumbre- Método PROTRADE.4. La consideración de la Imprecisión en Análisis
Multiobjetivo. AMO bajo Lógica Difusa5. Casos de Aplicación
MÓDULO 1.
LA PROGRAMACIÓN MULTIOBJETIVO
3
1. Conceptos Generales2. Métodos AMO3. Pesos de Importancia relativa4. Propuesta
Formulación del problema AMO
Max Z(x)=(Z1(x),Z2(x)......Zq(x))
sujeto a:g1 (x) < b1
S(x) g2 (x) < b2
gk (x) < bk
S
Z1(x)
A
B
Zmax
a d
c
Zmin
...
Pro
ducc
ión
eco
nóm
ica
($)
Hectáreas preservadas en estado satisfactorio
4
EJEMPLO: Planificación de la producción de una papelera
Dos posibles productos:x1: pulpa de celulosa obtenida por medios mecánicosx2: pulpa de celulosa obtenida por medios químicos.
30001000Margen Neto ($/ton)
2
1
200
x2
1Demanda Biológica de O (un/ton)
1Jornales requeridos (jor/uni)
300Capacidad máxima de producción (Ton/dia)
X1
Los costos fijos de la papelera se estiman en 300.000 $/día. La empresa desearía, al menos, cubrir los costos fijos.
Las preferencias de la empresa se concretan en:
•Maximización del margen Neto (objetivo económico)
•Minimización del daño generado en el río en el que la papelera vierte sus residuos productivos (objetivo ambiental).
Objetivos
Maximizar Z1= 1000x1 + 3000 x2 Margen bruto
Maximizar Z2 = -1x1 - 2 x2 Demanda de O
Restricciones
x1 ≤ 300 y x2 ≤ 200 (capacidad de producción)
x1 + x2 ≤ 400 (empleo)
1000x1 + 3000x2 ≥ 300000 (margen bruto)
x1, x2 ≥ 0
5
3003000000300E
500600000100300D
600800000200200C
4006000002000B
2003000001000A
Z2Demanda
de O
Z1(u.m)
X2(ton)
X1(ton)
Puntos extremos
X1: pasta por medios mecánicos (ton)
A
B
E
C
D
400
300
200
100
400
X2:
pas
ta p
or m
edio
s quí
mic
os (t
on)
Zona factible
200300X (ópt)2
600800X (ópt) 1
Z 2Z 1
A
B
E
C
D
z1:Margen bruto (miles u.m.dia)
Z 2: D
eman
da b
ioló
gica
de
oxíg
eno
(uni
dade
s dí
a)
400
600
200
300 600 900
Zona factible
Frontera eficiente
Optimo
Matriz de Pagos
6
S
Z1(x)
A
B
a d
c
Zmin
Z2(x)
Zmax
Solución Pareto OptimaSe dice que una solución x* es Pareto
óptima si y solo si no existe otra x ∈ S, tal que Zi(x) ≥ Zi(x*) para todo i y Zj(x) ≠Zj(x*) para al menos un j
S
Z1(x)
A
B
Zmax
a d
c
Zmin
Pro
ducc
ión
eco
nóm
ica
($)
Hectáreas preservadas en estado satisfactorio
7
SOLUCIÓN MCDM
OPTIMAOPTIMASATISFACTORIASATISFACTORIA
EFICIENTEEFICIENTE
xx
Tipos de problemas según el ambiente de certidumbre
• Ambiente de certidumbre
• Ambiente de riesgo
• Ambiente de incertidumbre
• Ambiente de Imprecisión
8
1. Problema del transporte:
• Minimizar Costos
• Maximizar Rapidez de entrega
• Maximizar el trato especial de ciertos clientes en particular
• Minimización de los riesgos de transporte
• Maximizar Cumplimiento de los contratos programados.
2. Problema de asignación de tareas
• Minimizar Costos
• Minimizar tiempo
• Maximizar calidad en la realización de tareas
EJEMPLOS AMO
• Minimizar costos
• Minimizar duración
3. Problema del PERT-COSTE:
4. Programación de inversiones
• Maximizar Atención a la demanda futura
• Minimizar el uso de los recursos financieros disponibles
• Minimizar Contaminación de medio ambiente
• Minimizar Impactos sociales
9
• Maximizar los beneficios por ventas
• Maximizar la producción de todos los artículos
• Minimizar rupturas de stock
• Minimizar horas ociosas
• Minimizar horas extra
• Minimizar sobreproducción
5. Problema de la producción y distribución
6. Problemas de Gestión Ambiental
•Minimizar Impactos Ambientales
• Maximizar población Beneficiada
• Maximizar beneficios económicos
M. de las Restricciones
M. de las Ponderaciones
Factores Ponderantes
Programación de compromiso
Programación por metas
ELECTRE I,II, III y IV
PROMETHEE
AHP
Generan un
conjunto de SND
Generan una
SND
Ordenan un conjunto
de alternativas
Discretas
Métodos de Análisis Multiobjetivo
10
)('...)(')(' 2211 xxx qqZwZwZw +++
Casi todos los métodos se basan en optimizar una nueva función que integra todas las funciones objetivo en una sola, de la forma:
)(' xiZDistancia al ideal
Distancia al peor valor
Utilidad
Etc.
−
−+
−−
+−−
+−−
minmax
min
minmax
min
min2
max2
min22
2min1
max1
min11
1
)(.......)(......)()(
qqq
ii
iii ZZ
ZZw
ZZZZw
ZZZZw
ZZZZw
xxxx
Maximizar
Sujeto a x ∈ S
Dondewi = Peso de importancia relativa del objetivo i
I. Método de los factores ponderantes
11
S
Factores Ponderantes
'''2
22'
1
11 .............
q
i
ii Z
Zw
ZZw
ZZw
ZZw +++Maximizar
w1
w2
Z1(x)
Z2(x)
A
B
C
z1:Margen bruto (miles u.m.dia)
Z 2: D
eman
da b
ioló
gica
de
oxíg
eno
(uni
dade
s día
)
400
600
200
300 600 900
Frontera eficiente
Optimo
12
II. Programación de compromiso
Asume que las preferencias de un decisor pueden expresarse como una distancia métrica entre dos puntos: el ideal y el nivel alcanzado por una solución.
El método obtiene la solución factible más cercana al punto ideal: Minimizar Dp
Zmax
Z1
Z2
Dp
Familia de funciones de distancia
{ }pn
i
pp BABAD
1
1
),(
−= ∑
=
Distancia Manhattan (ciudad) p=1, D1= a + b
Distancia Euclidiana p=2, D2= (a2 + b 2)1/2 = c
Distancia Tchebysheff, p=∞, D∞ = max (a,b)
A
B
a
b
c
13
pq
i
p
ii
iiip ZZ
ZZwDMin
1
1minmax
max )()(
−−
= ∑=
xx
di
Formulación para la Programación de Compromiso:
x∈S
Programación de compromiso p=∞ :
−−
minmax
max )(
ii
iii ZZ
ZZwMaxMin x
λMin
Sujeto a: qiZZZZwii
iii ,...1,)(
minmax
max
=∀≤−− λx
Esto es equivalente a:
x∈S
x∈S
14
Lo cual da una solución “equilibrada“, pues satisface la siguiente relación entre objetivos:
minmax
max
min2
max2
2max2
2min1
max1
1max1
1)(
...)()(
qqq ZZ
ZZw
ZZZZw
ZZZZw
−
−==
−−
=−− xxx
Métrica = 1
Si todos los pesos wi son iguales:
Zmax
Z1
Z2
15
Métrica = 2
Si todos los pesos wi son iguales:
Zmax
Z1
Z2
Métrica = ∞
Si todos los pesos wi son iguales:
Zmax
Z1
Z2
16
Objetivos
Maximizar Z1= 1000x1 + 3000 x2 Margen bruto
Maximizar Z2= -1x1 - 2 x2 demanda de O
Restricciones
x1 ≤ 300 y x2 ≤ 200 (capacidad de producción)
x1 + x2 ≤ 400 (empleo)
1000x1 + 3000x2 ≥ 300000 (margen bruto)
Planificación de la producción de una papelera
−−−
−−−−+
−+−
)600(200)2(200
5.0300000800000
)30001000(8000005.0 2121 xxxxMin
métrica=1,w1=0.5, w2=0.5
Sujeto a:
x1 ≤ 300
x2 ≤ 200
x1 + x2 ≤ 400
1000x1 + 3000x2 ≥ 300000
Solución: x1= 0 Z1= $600000
x2 =200 Z2 = 400 unidades
17
2/1221
221
)600(200)2(2005.0
300000800000)30001000(8000005.0
−−−
−−−−+
−+− xxxxMin
métrica=2,w1=0.5, w2=0.5
Sujeto a:
x1 ≤ 300
x2 ≤ 200
x1 + x2 ≤ 400
1000x1 + 3000x2 ≥ 300000
Solución: x1= 0 Z1= $595082
x2 =198.36 Z2 = 396.7 unidades
λ≤−−−
−−−−)600(200
)2(2005.0 21 xx
métrica= ∞, w1=0.5, w2=0.5
x1 ≤ 300
x2 ≤ 200
x1 + x2 ≤ 400
1000x1 + 3000x2 ≥ 300000
Solución: x1= 0 Z1= $572727
x2 =191 Z2 = 381.8 unidades
λ
Sujeto a:
Minimizar
λ≤−
+−300000800000
)30001000(8000005.0 21 xx
18
50.8259.02396.7595D2
54.5554.55381.8572D∞
5060400600D1
Z’2(%)
Z’1(%)
Z2
(uni.)Z1
(103$)
En resumen:
A
p=1
z1:Margen bruto (miles u.m.dia)
Z 2: D
eman
da b
ioló
gica
de
oxíg
eno
(uni
dade
s día
)
400
600
200
300 600 900
p=2p=∞
Zmax
19
El método obtiene la solución factible más cercana al punto meta.
Punto ideal: Vector de todos los óptimos independientes de los objetivos - No puede ser superado
Punto Meta: Vector de todos los niveles deseados por el decisorpara los objetivos- Puede ser superado
III. Programación por Metas
Meta Z*
Ideal
Z2
Z1
20
Los Pesos de Importancia Relativa Los Pesos de Importancia Relativa WWi
Describen la importancia relativa de cada objetivo.
Si: wk : peso asignado a Zk
wm : peso asignado a Zm
Zk es wk/wm veces más importante que Zm
wmZm+wkZk=U
1
-wm /wk
CompensaciónEl decisor está dispuesto a ganar una unidad de Zmy perder wm / wk unidades de Zk, para que su satisfacción no cambie
Zm
Zk
21
Desventajas de los pesos1. Dificultad práctica en darle un valor numérico
WWii
0.260.26
0.420.42
0.780.78
0.150.15
0.460.46
0.350.35
??
Desventajas de los pesos
2. Asumen tasas constantes de intercambio
3. Se solicitan al principio del proceso
22
4. Para diferentes combinaciones de pesos puede obtenerse la misma solución
Zm
Zk
eben buscarse formas de expresar las preferencias de decisor considerando que:
os intercambios propuestos por el decisor deben considerar en que nivel se encuentran los logros actuales.
La búsqueda debe ser dinámica y no estática =proceso iterativo
e requieren de parámetros de significado más
PropuestaPropuesta::
24
Búsqueda por navegaciónZ1(x)
S
Zmax
Z2(x)
−∆ Z‘j-1
+∆ Z‘j
Búsqueda por navegaciónZ1(x)
S
Zmax
Z2(x)
26
Basado en la teoría del “comportamiento complaciente”
Objetivo j -1 Objetivo j Objetivo j + 1
Optimo
Peor
+∆ Z‘j
a
−∆ Z‘j-1
)(xkZ
jjZ ≥∈)(x
Sx ∈
Dada una solución actual, tal que se desea mejorar el logro
del objetivo k, a expensas del objetivo i en un sacrificio ∆Zi
Donde ∈j representa los valores de Zj correspondientes a los niveles marcados en las barras desplazables de cada uno de los objetivos j.
Maximizar
Sujeto a:
iii ZZ ∆−≥∈)(x
30
•Permite que el decisor, a la luz de la información que se le presenta progresivamente, vaya “atrapando” la solución correspondiente a su verdadera estructura de preferencias,
Ventajas
•Da información sobre las posibles consecuencias de las acciones, ayudándo a entender las relaciones en el espacio de decisión del problema.
•Permite analizar simultáneamente el espacio de todos los objetivos y de todas las variables de decisión
Ventajas
31
•No asume independencia entre objetivos, pero permite percibir dependencia entre objetivos.
•No permite incompatibilidades en los parámetros de preferencia
Ventajas
•Existe una alta posibilidad de hacer análisis de sensibilidad muy completos que puedan llevar a identificar soluciones robustas.
•Las funciones pueden ser no lineales o lineales
•No requiere llevar los objetivos a una misma unidad (Normalización)
Ventajas