Mtodos de Anlisis Multiobjetivo

Universidad Nacional de Colombia

Sede Medell
Medelln

I. Para Problemas continuos

A. Generan un conjunto de soluciones eficientes o no
dominadas
M. de las Restricciones

Mdulo 4

M. de las Ponderaciones
B. Generan una sola Solucin eficiente o no dominada

Mtodos de Anlisis
Multiobjetivo para problemas
continuos
Profesora: Patricia Jaramillo A.

Promedios ponderados
Programacin de compromiso
Programacin por metas
Utilidad Multiatributo

4-2

Mtodos de Anlisis Multiobjetivo

I. Mtodo de los Promedios Ponderados

Mt

II. Para Problemas Discretos

El mtodo obtiene la solucin factible que maximice la suma

ponderada de todos los objetivos

ELECTRE I,II, III y IV

PROMETHEE

Maximizar

AHP*

wi Z i ( x)
i =1

Sujeto a las restricciones originales

Para problemas discretos tambin son tiles:

Promedios ponderantes

Donde: Zi(x) funcin objetivo i normalizada.

Programacin de compromiso

wi: Peso de importancia relativa del objetivo i

Programacin por metas

Tal que:

Utilidad Multiatributo

w
i =1

=1

4-3

Normalizacin de la Funcin Objetivo Zi(x)

Z i ( x) =

4-4

Maximizacin independientemente de
cada objetivo i

Z i ( x) Z i min
Z i max Z i min
Zimax =

Donde:

{Maximizar Zi(x)
Sujeto a las restricciones originales }

Zimax = Valor ptimo del objetivo i, optimizado

independientemente Valor ideal de i
Zimin = Peor valor de la funcin objetivo i al
evaluar las soluciones ptimas
independientes de los otros objetivos

Y si xiopt es la solucin de la optimizacin del objetivo i

4-5

4-6

Se organiza una matriz de Pagos, as:

Z1(x)

Z2 (x)

...

Zq (x)

Con x1opt

Z1(x1)

Z2(x1)

...

Zq(x1)

Con x2opt

Z1(x2)

Z2(x2)

...

Zq(x2)

...

...

...

...

...

Con xqopt

Z1(xq)

Z2(xq)

...

Zq(xq)

Donde xiopt es la solucin de la optimizacin del objetivo i

En la diagonal estn los valores obtenidos en el paso anterior
(zimax) y en las otras posiciones el resultado de implementar la
solucin ptima del objetivo de la fila en las otras funciones
objetivo

Se determina para cada objetivo (cada columna

de la anterior matriz de pagos) su mayor valor y
su menor valor.
Zimax = Trmino de la diagonal en la posicin (i,i)
Zimin = Peor valor de la columna i

OJO: Si un objetivo es para minimizar, inicialmente se

convierte a maximizar multiplicando su funcin por 1 y
se aplica el mismo algoritmo
4-7

4-8

Optimizacin independiente de cada objetivo

En el ejemplo de la papelera:

Beneficios netos

Objetivos
Maximizar Z1= 1000x1 + 3000 x2
Minimizar Z2= 1x1 + 2 x2

(beneficio neto)

(demanda de O )

= Maximizar -1x1 - 2 x2
Restricciones
x1 300 y x2 200 (capacidad de produccin)
x1 + x2 400 (empleo)
1000x1 + 3000x2 300000 (margen bruto)
x 1 , x2 0

Demanda de O

Maximizar Z1= 1000x1 + 3000 x2

Maximizar Z2= -1x1 - 2 x2

Sujeto a:

Sujeto a:

x1 300

x1 300

x2 200

x2 200

x1 + x2 400

x1 + x2 400

1000x1 + 3000x2 300000

1000x1 + 3000x2 300000

x 1 , x2 0

x 1 , x2 0

Sl/

Sl/

x1=200 , x2=200 (ton)

Z1max=$800000

x1=0 , x2=100 (ton)

Z2max=-200

4-9

La formulacin del mtodo de los promedios ponderados

suponiendo iguales pesos para los objetivos, w1=w2=0.5, es:

En el ejemplo, la Matriz de pagos es:

x1opt
x2opt

Z 1= 1000x1 + 3000 x2

Z2= -1x1 - 2 x2

800000

-600

300000

4-10

1000x1 + 3000x 2 300000

( x1 2x 2 ) (600)
+ 0.5
Maximizar 0.5
800000 300000
200 (600)

S.a:

x1 300
x2 200

-200

x1 + x2 400
1000x1 + 3000x2 300000

Z1max= $800.000,
Z2max= -200,

x 1 , x2 0

Z1min=$300.000

Solucin: x1= 0 ton.

Z2min=-600 Demanda de O.

x2 =200 ton.
4-11

Z1= $600.000
Z2 = -400 DdeO
4-12

Pero la distancia no tiene una nica funcin. Existe una

Familia de funciones de distancia, por ejemplo la distancia
entre A y B corresponde a la siguiente funcin:

II. Programacin de compromiso

Asume que las preferencias de un decisor pueden
expresarse como una distancia Dp entre dos puntos: el
ideal y el nivel alcanzado por una solucin.

(A,B ) =

El mtodo obtiene la solucin factible ms cercana al

punto ideal Minimizando Dp

{A
i =1

p
B}

A
c

Z1

Zmax

Donde p se denomina mtrica. Las distancias ms aplicadas:

Dp

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)
Z2

4-13

4-14

La formulacin de la Programacin de Compromiso

usa las diferentes funciones distancia, as:

Minimizar

En el caso de p= :

q Z max Z ( x) p
D p ( x) = wi i max i min
i =1 Z i Z i

Sujeto a las restricciones originales

Z max Z (x)
Min Max wi i max i min

Z i Z i
Sujeto a las restricciones originales

Di

Donde wi = pesos de importancia relativa

Lo anterior no es fcilmente resuelto por ningn

software de optimizacin.
Se requiere una transformacin.

Generalmente se usa p=1,2 e infinito.

4-15

Si llamamos:

4-16

Z imax Z i ( x )

max
min

Zi Zi

Lo cual da una solucin equilibrada, pues satisface la

siguiente relacin entre objetivos:

= Mximo
i =1 ,q

Lo anterior es equivalente a:
Minimizar
Sujeto a:

wi

Zimax Zi (x)
,
max
min
Zi Zi

w1
i =1,...q

Zqmax Zq (x)
Z1max Z1(x)
Z2max Z2 (x)
=
=
=
w
...
w
2
q
Z1max Z1min
Z2max Z2min
Zqmax Zqmin

Y las restricciones originales

4-17

4-18

Si todos los pesos wi son iguales:

Si todos los pesos wi son iguales:

Curvas de isoutilidad

Mtrica = 1

Mtrica = 2

Curvas de isoutilidad

Z1

max

max

Z2
Z

4-19

4-20

En el ejemplo de la papelera:

Si todos los pesos wi son iguales:

Mtrica =

mtrica=1,w1=0.5, w2=0.5

Curvas de isoutilidad

Z1

800000 (1000 x1 + 3000 x2 )

200 ( x1 2 x2 )
Min 0.5
+ 0.5
800000 300000
200 (600)

max

Sujeto a:
x1 300
x2 200
x1 + x2 400
1000x1 + 3000x2 300000
x 1 , x2 0

Z2

Solucin: x1= 0 ton

Z1= $600.000

x2 =200 ton

Z2 = -400 DdeO

4-21

4-22

mtrica= , w1=0.5, w2=0.5

mtrica=2,w1=0.5, w2=0.5
800000 (1000 x + 3000 x )
200 ( x1 2 x 2 )
1
2

Min 0.5
+ 0.5
800000 300000
200 (600)

Sujeto a:
2

Minimizar

2 1/ 2

Sujeto a:

x1 300

800000 (1000 x1 + 3000 x 2 )

800000 300000
200 ( x1 2 x 2 )

0.5
200 (600)

0.5

x2 200

x1 300

x1 + x2 400

x2 200

1000x1 + 3000x2 300000

x1 + x2 400
1000x1 + 3000x2 300000

x 1 , x2 0

Solucin: x1= 0 ton

x2 =198.36 ton

x 1 , x2 , 0

Z1= $595.082

Solucin: x1= 0 ton

Z2 =-396.7 DdeO
4-23

x2 =191 ton

Z1= $572.727
Z2 = -381.8 DdeO

4-24

En resumen:

D1
D2
D

donde

Z1

Z2

(103$)

(DdeO)

Z1
(%)

Z2
(%)

600

400

60

50

595

396.7

59.02

50.82

572

381.8

54.55

54.55

Z ( x) Z i min
Z i ( x ) = 100 i max
Z i Z i min

Absolutamente
equilibrado
4-25

VENTAJAS DEL MTODO

4-26

DESVENTAJAS DEL MTODO

Exige pocos parmetros

Es de fcil entendimiento para el decisor

Los resultados con mtricas pequeas son muy

desequilibrados respecto a los objetivos, aunque
los pesos sean iguales. Esto puede ser
contraintuitivo para el decisor.

Para problemas lineales, con una variacin

paramtrica adecuada, puede obtenerse todo el
conjunto de soluciones no dominadas
Los resultados con mtricas grandes son muy
equilibrados respecto a los objetivos

4-27

4-28