Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Introducción
8.3 Programación
multiobjetivo
Departamento de Estadística e
Investigación Operativa Aplicadas y
Calidad
IO . ETSII . UPV
Optimización multicriterio 2
Objetivos
Al finalizar el tema, deberás ser capaz de:
Conocer y manejar los conceptos básicos relacionados con la optimización multicriterio: atributo, objetivo, nivel de
aspiración, meta, solución eficiente, frontera de Pareto, etc.
Determinar gráficamente el conjunto de soluciones eficientes de problemas biobjetivo (discretos o lineales continuos).
Obtener la matriz de pagos de un problema lineal biobjetivo, y calcular el punto ideal y el punto antiideal.
Plantear un modelo lineal para determinar la frontera de Pareto de un problema multiobjetivo mediante el método de
las ponderaciones.
Plantear un modelo lineal para determinar una solución de compromiso de un problema de optimización multiobjetivo
lexicográfica.
Plantear un modelo lineal para determinar una solución de compromiso de un problema de programación por metas y
por metas ponderadas.
IO . ETSII . UPV
Optimización multicriterio 3
8.1 Introducción
Decisión multicriterio: Proceso de seleccionar una
acción entre un conjunto de alternativas de modo
que ello produzca resultados satisfactorios de
acuerdo a varios criterios de optimización.
Ya no hablamos de solución óptima, sino de
resultados satisfactorios, y consideramos varios
criterios de optimización, no sólo uno.
IO . ETSII . UPV
Optimización multicriterio 4
8.1 Introducción
Aplicaciones
Situaciones en las que interesa contemplar varias
características difíciles de combinar en un único objetivo:
rentabilidad vs riesgo en las inversiones,
beneficio a corto plazo vs crecimiento de la empresa a
largo plazo,
coste vs calidad de los servicios,
déficit vs crecimiento, etc.
IO . ETSII . UPV
Optimización multicriterio 5
8.1 Introducción
Conceptos básicos
Atributo: Valor relacionado con una realidad objetiva, medible de manera
independiente de las aspiraciones del responsable de la decisión. Habitualmente se
expresa como función de las variables de decisión. Ejemplos: Beneficio,
rendimiento, ventas, costes, riesgo financiero, crecimiento, etc.
Objetivo: «Dirección de mejora» de un atributo.
Maximización: Cuanto mayor sea el valor del atributo, mejor.
Ejemplos: Maximizar ventas, maximizar el beneficio, etc.
Minimización: Cuanto menor sea el valor del atributo, mejor.
Ejemplos: Minimizar costes, minimizar el riesgo, etc.
Nivel de aspiración: Nivel o valor aceptable de logro para un atributo.
IO . ETSII . UPV
Optimización multicriterio 6
8.1 Introducción
Conceptos básicos
Meta: Combinación de un atributo y un nivel de
aspiración. Ejemplos: Alcanzar al menos 100.000 euros
en ventas; alcanzar un déficit público autonómico no
superior al 1,5%, etc.
Criterios: Conjunto de atributos, objetivos y metas que
se consideran relevantes en un problema de toma de
decisiones.
IO . ETSII . UPV
Optimización multicriterio 7
8.1 Introducción
Conceptos básicos
Metas vs objetivos: Una meta establece un nivel aceptable para un
atributo; un objetivo persigue maximizar o minimizar un atributo.
Metas vs restricciones: Una meta expresa un nivel al que aspiramos; una
restricción «exige» llegar a ese nivel. La meta es más flexible, en relación a
la restricción.
Una meta puede ser vista como una restricción «blanda» que puede
incumplirse sin que por ello consideremos la solución como no posible. La
cantidad en que se incumple una meta puede medirse introduciendo
variables de desviación.
IO . ETSII . UPV
Optimización multicriterio 8
8.1 Introducción
Optimalidad de Pareto (Wilfredo Pareto, 1896)
Consideremos un problema de optimización (con restricciones y) con
varios objetivos.
Una solución factible A se dice que es dominada por otra B si B es
mejor que A en al menos uno de los objetivos y NO es peor que A en
ninguno de ellos.
Una solución factible se dice que es Pareto-óptima, Pareto-eficiente,
óptima en el sentido de Pareto o no dominada si NO existe en la región
factible ninguna solución que ofrezca una mejora en alguno de los
atributos sin empeorar al menos otro de los atributos.
IO . ETSII . UPV
Optimización multicriterio 9
8.1 Introducción
Optimalidad de Pareto
En otras palabras, una solución es Pareto-eficiente si no es
dominada por ninguna otra solución factible, es decir, si
cualquier otra solución factible que sea mejor con respecto a
uno de los objetivos es peor en cuanto a alguno de los otros.
Frontera de Pareto, conjunto de Pareto o conjunto eficiente:
Conjunto de todas las soluciones Pareto-eficientes o no
dominadas.
Como es obvio, en un problema multiobjetivo la frontera de
Pareto está formada, en general, por más de una solución.
IO . ETSII . UPV
Optimización multicriterio 10
8.1 Introducción
Ejemplo: Valoración multicriterio de candidatos a un puesto de trabajo
Imaginemos que hemos evaluado a 5 candidatos (que serían en este caso las «soluciones
factibles») de acuerdo a tres atributos, puntuados de 0 a 5, siendo 5 la mejor puntuación:
Formación 4 3 5 3 5
Experiencia 1 2 4 1 4
Habilidades sociales 4 2 3 5 2
De acuerdo con esos tres criterios, ¿qué empleados seleccionaríamos para una posterior fase del
proceso de selección, si siguiéramos un enfoque de Pareto? Es decir, ¿cuál sería en este caso la
selección de empleados Pareto-eficiente con respecto a los tres atributos?
IO . ETSII . UPV
Optimización multicriterio 11
8.1 Introducción
Ejemplo: Valoración multicriterio de candidatos a un puesto de trabajo
Formación 4 3 5 3 5
Experiencia 1 2 4 1 4
Habilidades sociales 4 2 3 5 2
OJO: El candidato 5 se queda fuera del proceso de selección (pese a tener una
puntuación media mayor que el 1 y el 4) porque el candidato 3 es igual de bueno
que él en cuanto a formación y experiencia, y mejor en habilidades sociales.
IO . ETSII . UPV
Optimización multicriterio 12
8.1 Introducción
Optimalidad de Pareto
Una de las maneras más habituales de abordar un
problema multicriterio es obtener soluciones eficientes
en el sentido de Pareto.
Tasa de intercambio o «trade-off» entre dos criterios
Se define como la cantidad de logro de un criterio que
debe «sacrificarse» para obtener a cambio una mejora
unitaria en el otro criterio.
IO . ETSII . UPV
Optimización multicriterio 13
IO . ETSII . UPV
Optimización multicriterio 16
E D D’ Punto ideal
1.000 5.000
E’
z2 C’
C
Punto antiideal
B’
A B A’
0 0
0 1.000 2.000 x1 0 25.000 50.000 z1
Optimización multicriterio 17
Proveedor
1 2 3 4 5 6 7 8 9
IO . ETSII . UPV
Optimización multicriterio 19
4
6
5
5
9
0 IO . ETSII . UPV
0 50 100 z1
Optimización multicriterio 20
1
10
Solución que 3
minimiza z1
8 2
Precio medio Tiempo medio
MATRIZ DE PAGOS unitario de servicio
4 (euros) (días)
6 Minimizar z1 (precio
5 50 11
medio unitario)
5 Minimizar z2 (tiempo
105 2
9 medio de servicio)
Punto ideal
Solución que
0 minimiza z2 IO . ETSII . UPV
0 50 100 z1
Optimización multicriterio 21
IO . ETSII . UPV
Optimización multicriterio 22
IO . ETSII . UPV
Optimización multicriterio 23
IO . ETSII . UPV
Optimización multicriterio 24
IO . ETSII . UPV
Optimización multicriterio 25
s.a: Ax≤b
x≥0
donde
f1(x),…, fq(x) son las funciones objetivo consideradas, que supondremos de maximización (si hay alguna de
minimización, la susQtuimos por ella misma mulQplicada por −1), y
«Eff» significa «buscar el conjunto de soluciones eficientes» respecto de las funciones objetivo consideradas.
IO . ETSII . UPV
Optimización multicriterio 27
IO . ETSII . UPV
Optimización multicriterio 28
IO . ETSII . UPV
Optimización multicriterio 29
IO . ETSII . UPV
Optimización multicriterio 30
IO . ETSII . UPV
Optimización multicriterio 31
Una industria papelera de propiedad pública fabrica dos tipos de producto: pulpa de
celulosa obtenida por medios mecánicos y pulpa de celulosa obtenida por medios
químicos. Las capacidades máximas de producción se estiman en 300 y 200
toneladas/día, respectivamente. Un trabajador es capaz de procesar una tonelada
de pasta de celulosa cada día. La empresa dispone de una plantilla de 400
trabajadores, y no desea contratar mano de obra eventual.
IO . ETSII . UPV
Optimización multicriterio 32
IO . ETSII . UPV
Optimización multicriterio 33
s.a:
x1 + x2 ≤ 400 [empleados]
x1 , x2 ≥ 0
IO . ETSII . UPV
Optimización multicriterio 34
x2
500
b) A partir de la representación
S.O. f1
gráfica de la región factible,
400 S.O. f2 calcula las respectivas
300
soluciones óptimas de los
B C
objetivos por separado.
200 Obtén la matriz de pagos y
F
100 D f1 los puntos ideal y antiideal.
A
E
f2
x1 IO . ETSII . UPV
100 200 300 400 500
Optimización multicriterio 35
Soluciones
x1 x2 f1(x1,x2) f2(x1,x2)
óptimas
Margen Demanda
MATRIZ DE PAGOS
bruto de oxígeno
Margen Demanda
MATRIZ DE PAGOS
bruto de oxígeno
x2
c) A partir de la representación
500
S.O. f1 gráfica de la región factible en
400 S.O. f2 el espacio de soluciones,
realiza la representación en el
300 espacio de objetivos y deduce
200
B C gráficamente cuál es la
F frontera de Pareto o conjunto
D f1
100
A de soluciones eficientes.
E
f2
x1 IO . ETSII . UPV
100 200 300 400 500
Optimización multicriterio 39
600 C’
500
S.O. f1
D’
500
400 S.O. f2
400 B’
F’
300
E’ CONJUNTO
300
B C EFICIENTE
200
200 A’
F
D f1
100 100
A
E
f2 f 1(x)
x1 300 600 900 (Maximizar)
100 200 300 400 500
Optimización multicriterio 40
NOTA: También se podría haber calculado al contrario: (400 − 200) / (600.000 − 300.000) = 1/1.500
unidades de oxígeno más por cada u.m. que se quiera incrementar el beneficio.
Puntos
extremos x1 x2 f1(x1,x2) f2(x1,x2)
eficientes
A 0 100 300.000 200
B 0 200 600.000 400
IO . ETSII . UPV
C 200 200 800.000 600
Optimización multicriterio 42
NOTA: También se podría haber calculado al contrario: (600 − 400) / (800.000 − 600.000) = 1/1.000
unidades de oxígeno más por cada u.m. que se quiera incrementar el beneficio.
Puntos
extremos x1 x2 f1(x1,x2) f2(x1,x2)
eficientes
A 0 100 300.000 200
B 0 200 600.000 400
IO . ETSII . UPV
C 200 200 800.000 600
Optimización multicriterio 43
IO . ETSII . UPV
Optimización multicriterio 44
IO . ETSII . UPV
Optimización multicriterio 45
Formación 4 3 5 3 5
Experiencia 1 2 4 1 4
Habilidades sociales 4 2 3 5 2
IO . ETSII . UPV
Optimización multicriterio 46
Formación 4 3 5 3 5
Experiencia 1 2 4 1 4
Habilidades sociales 4 2 3 5 2
IO . ETSII . UPV
Optimización multicriterio 47
Formación 4 3 5 3 5
Experiencia 1 2 4 1 4
Habilidades sociales 4 2 3 5 2
IO . ETSII . UPV
Optimización multicriterio 48
Como se puede deducir del anterior ejemplo, del hecho de que los múltiples
objetivos hayan sido jerarquizados se deriva que en optimización lexicográfica la
relación de orden entre las diferentes soluciones factibles es total; es decir: dado
cualquier par de soluciones, hay una manera inequívoca de establecer cuál de las
dos es mejor (o si son igual de buenas). Esto no siempre era posible en el enfoque
de Pareto.
IO . ETSII . UPV
Optimización multicriterio 49
IO . ETSII . UPV
Optimización multicriterio 50
Retomamos el ejemplo de la industria papelera. Ahora todas las restricciones van a pasar
a ser consideradas como metas, y también las dos funciones objetivo.
NOTA: Podríamos haber decidido mantener las restricciones como tales. NO es obligatorio que todas las
restricciones pasen a ser consideradas como metas.
Fijamos un nivel de aspiración de 400.000 u.m. para el beneficio bruto (antigua función
objetivo 1) y un nivel de aspiración de 300 unidades para la demanda biológica de oxígeno
(antigua función objetivo 2).
Para el resto de metas (antiguas restricciones), tomamos como niveles de aspiración los
lados derechos de las restricciones originales.
IO . ETSII . UPV
Optimización multicriterio 55
RESTRICCIONES
IO . ETSII . UPV
Optimización multicriterio 56
Min N1 + P2 + P3 + P4 + P5 ,
IO . ETSII . UPV
Optimización multicriterio 57
Una manera de salvar parcialmente este problema es otorgar importancias distintas a las
diferentes desviaciones, de una de estas dos formas:
Programación por metas con prioridades: Optimización lexicográfica por metas. Determinar
una jerarquía de importancia a la hora de minimizar las desviaciones.
IO . ETSII . UPV
Optimización multicriterio 58
P2 P2 / 300
…
IO . ETSII . UPV
Optimización multicriterio 59
Min w1 (N1 / 400000) + w2 (P2 / 300) + w3 (P3 / 300) + w4 (P4 / 200) + w5 (P5 / 400) .
IO . ETSII . UPV
Optimización multicriterio 60
IO . ETSII . UPV
Optimización multicriterio 61
+info
Un curso inicial sobre Optimización Multicriterio puede
encontrarse en «Multicriteria Optimization», del profesor
Matthias Ehrgott, publicado por Springer (2005).
IO . ETSII . UPV
Fuentes: Tormos y Lova:
«Investigación Operativa para
Ingenieros» | Maroto, Alcaraz y
Ruiz: «Investigación Operativa :
Modelos y técnicas de
Optimización» | Ehrgott:
«Multicriteria Optimization» |
Material docente de P. Tormos y
Tema 8
A. Lova (DEIOAC) | Material
docente de R. Ruiz (DEIOAC) Optimización
multicriterio
Vicent Giner
Departamento de Estadística e
Investigación Operativa Aplicadas y
Algunos derechos reservados: Calidad
creativecommons.org/
licenses/by-nc-sa/3.0/deed.es IO . ETSII . UPV