IO ETSII T8 Es

8.
1 Introducción
8.2 Principales enfoques

multicriterio
8.3 Programación
multiobjetivo
8.4 Programación por Tema 8

metas Optimización
8.5 Otras técnicas. multicriterio
Conclusiones
Vicent Giner
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 el conjunto de soluciones eficientes de problemas de decisión discretos.
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.
Calcular e interpretar la tasa de intercambio a lo largo de la frontera de Pareto de un problema lineal.
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
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
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
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
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
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
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
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
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:
Candidato 1 Candidato 2 Candidato 3 Candidato 4 Candidato 5
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
8.1 Introducción
Ejemplo: Valoración multicriterio de candidatos a un puesto de trabajo
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
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

multicriterio
Tres grandes maneras diferenciadas de abordar/
definir/modelizar… un problema multiobjetivo:
Programación multiobjetivo: El problema presenta
varias funciones objetivo. El planteamiento más
habitual es determinar el conjunto de soluciones no
dominadas o eficientes, y posteriormente elegir una
solución de compromiso.
Alternativamente, podemos definir una jerarquía entre
los diferentes objetivos para, a partir de ahí, identificar
la mejor solución de acuerdo con dicha jerarquía.
IO . ETSII . UPV

multicriterio
Programación por metas: El problema presenta varias
metas. Se busca la solución que minimice las
desviaciones entre los logros realmente alcanzados y
los niveles de aspiración fijados previamente.
Programación multiatributo: Propio de problemas de
decisión multicriterio discretos (un conjunto discreto
de soluciones factibles). El problema presenta
diferentes atributos. El planteamiento es definir una
función de los atributos, llamada función de utilidad,
que servirá para evaluar las diferentes soluciones.
IO . ETSII . UPV
8.3 Programación multiobjetivo

Problemas en los que se definen/se detectan/se
consideran… múltiples funciones objetivo.
Habitualmente, es imposible encontrar una única
solución factible que optimice simultáneamente todos
los objetivos considerados.
Por ello, la idea es elegir una solución de compromiso
perteneciente al conjunto de soluciones eficientes, en
función de criterios más o menos subjetivos.
IO . ETSII . UPV

Ejemplo: Determinación gráfica de la frontera de Pareto de un problema lineal biobjetivo
Max ሾ‫ݖ‬1 = 30‫ݔ‬1 + 5‫ݔ‬2 ; ‫ݖ‬2 = ‫ݔ‬1 + 4‫ݔ‬2 ሿ

s.a: ‫ݔ‬1 + ‫ݔ‬2 ≤ 2000 ۗ
ۖ
‫ݔ‬1 ≤ 1500
‫ݔ‬2 ≤ 1000 ۘ
ۖ
‫ݔ‬1 , ‫ݔ‬2 ≥ 0 ۙ
Frontera de Pareto
x2 z1 z2 o conjunto eficiente
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

Ejercicio: Determinación gráfica de la frontera de Pareto en un problema
biobjetivo discreto
Se desea evaluar un conjunto de posibles proveedores de una determinada

materia prima en función del precio medio por unidad (cuanto menor sea,
mejor) y del tiempo medio de servicio (cuanto menor sea, mejor). Los datos
son los siguientes:
Proveedor
1 2 3 4 5 6 7 8 9
Precio medio por

100 80 75 85 90 110 50 65 105
unidad (euros)
Tiempo medio de
10 8 9 6 3 5 11 8 2
servicio (días)
IO . ETSII . UPV

Representa gráficamente el conjunto de posibles proveedores en el espacio de
objetivos (diagrama bidimensional en el que los ejes representan el precio
medio por unidad y el tiempo medio de servicio), y a partir de éste identifica
las soluciones no dominadas o frontera de Pareto.
Indica cuáles serían las soluciones ideal y antiideal, e identifícalas en el gráfico.
IO . ETSII . UPV

z2
7
1
10
3
8 2
4
6
5
5
9
0 IO . ETSII . UPV
0 50 100 z1

z2
7 Punto antiideal
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

Matriz de pagos. Puntos ideal y antiideal
1. Determinamos las respectivas soluciones óptimas de
los múltiples objetivos por separado.
2. La matriz de pagos es una matriz cuadrada cuyo
orden coincide con el número de objetivos. Cada fila
de la matriz se obtiene optimizando cada objetivo
separadamente y calculando los valores alcanzados
por los demás objetivos en cada solución óptima.
IO . ETSII . UPV

3. El punto ideal se construye a partir de los
elementos de la diagonal de la matriz de pagos.
4. El punto antiideal o punto nadir se construye
tomando los peores valores de cada columna.
IO . ETSII . UPV

La matriz de pagos es el primer paso en la aplicación de
la programación multiobjetivo. Permite cuantificar el
nivel de conflicto existente entre los objetivos
considerados.
El punto ideal representa la solución en la que todos los
objetivos alcanzan simultáneamente sus mejores valores.
Dicho punto es, en general, inalcanzable.
IO . ETSII . UPV

El punto antiideal representa una solución «muy mala» con respecto a
todos los objetivos. De alguna forma, da una idea de «lo peor» que podría
suceder.
NOTA: NO es del todo equivalente a buscar el «antióptimo» de cada
objetivo.
El punto antiideal puede ser útil para normalizar objetivos con diferentes
órdenes de magnitud.
Las diferencias entre el punto ideal y el antiideal definen un rango de
valores para cada objetivo que puede ser usado en algunas técnicas
multiobjetivo, como el método de las restricciones.
IO . ETSII . UPV

Métodos de resolución
Gráficamente: Sólo para problemas pequeños con dos
objetivos.
Método de las restricciones: Se optimiza uno de los
objetivos; el resto de objetivos se añade al problema
en forma de restricciones paramétricas.
Método de las ponderaciones: Se agregan todas las
funciones objetivo en una única, asignándole a cada
una de ellas un peso no negativo.
IO . ETSII . UPV

Método de las ponderaciones
Consideremos un problema lineal multiobjetivo con q objetivos:
Eff [ f1(x),…, fq(x) ]
s.a: Ax≤b
x≥0
donde
x es el vector de variables de decisión n-dimensional,
A x ≤ b es la forma matricial de las m restricciones lineales del problema,
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

El método de las ponderaciones consiste en agregar
todos los objetivos en una única función objetivo, donde
a cada uno se le asigna un peso wk no negativo,
resultando el siguiente problema:
Max w1 f1(x)+ … + wq fq(x)
s.a: Ax≤b
x≥0
IO . ETSII . UPV

Variando los valores de los pesos wk se pueden llegar a obtener todos puntos
extremos que forman parte del conjunto eficiente o frontera de Pareto.
NOTA: En principio, los pesos wk NO tienen por qué representar preferencias o
prioridades, sino que simplemente son un instrumento para poder determinar el
conjunto de soluciones eficientes.
Si las q funciones objetivo son comparables y están expresadas en el mismo orden
de magnitud, entonces puede tener sentido asignarles diferentes prioridades o
importancias fijando el valor de los pesos w1,…,wq de tal manera que 0 ≤ wk ≤ 1
para todo k, y w1 + … + wq = 1 (combinación lineal convexa). Con ello estaríamos
decantándonos por (y obtendríamos) una sola solución «óptima» (una solución de
compromiso, realmente; véase más sobre esto a continuación) de todo el conjunto
de soluciones eficientes.
IO . ETSII . UPV

Ejemplo: Planteamiento del problema para determinar la frontera de Pareto mediante
el método de las ponderaciones
Max ‫ݓ‬1 ሺ30‫ݔ‬1 + 5‫ݔ‬2 ሻ + ‫ݓ‬2 ሺ‫ݔ‬1 + 4‫ݔ‬2 ሻ

ۗ
s.a: ‫ݔ‬1 + ‫ݔ‬2 ≤ 2000 ۖ
‫ݔ‬1 ≤ 1500
‫ݔ‬2 ≤ 1000 ۘ
ۖ
‫ݔ‬1 , ‫ݔ‬2 ≥ 0 ۙ
IO . ETSII . UPV

Una vez determinada la frontera de Pareto, se examinan las soluciones que la
componen y, en función de diversos criterios más o menos subjetivos, se elige una
solución de compromiso.
Uno de los factores más importantes a tener en cuenta a la hora de analizar la
frontera de Pareto y determinar la solución de compromiso es la llamada tasa de
intercambio o «trade-off» (un coste de oportunidad) entre dos objetivos dados zk1
y zk2 a lo largo del segmento entre dos puntos extremos A y B pertenecientes a
dicha frontera.
Es decir: cuando me muevo en el segmento de soluciones eficientes entre A y B,
¿cuánto empeora el valor de zk2 por cada unidad que se incrementa el valor de zk1?
IO . ETSII . UPV

Ejercicio: Planificación de la producción multicriterio (I). Enfoque multiobjetivo
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.
El margen bruto (ingresos − costes variables) por tonelada de pasta de celulosa

obtenida por medios mecánicos se estima en 1.000 u.m. y en 3.000 u.m. la obtenida
por medios químicos. Los costes fijos de la papelera se estiman en 300.000 u.m./día.
La empresa desearía, al menos, cubrir los costes fijos.
IO . ETSII . UPV

Las preferencias de la empresa se concretan en la maximización del
margen bruto (objetivo económico) y en la minimización del daño
generado en el río en el que la papelera vierte sus residuos productivos
(objetivo ambiental). Se estima que los residuos producidos por cada
tonelada de pasta de celulosa obtenida por medios mecánicos y por
medios químicos generan unas demandas biológicas de oxígeno en las
aguas del río de 1 y 2 unidades, respectivamente.
a) Plantea como modelo multiobjetivo la búsqueda de soluciones
eficientes al problema de maximizar el margen bruto y minimizar el
daño medioambiental simultáneamente, respetando todas las
condiciones enunciadas.
IO . ETSII . UPV

El modelo correspondiente al problema enunciado es el siguiente:
Eff [ f1(x1,x2) , − f2(x1,x2) ],
siendo f1(x1,x2) = 1000 x1 + 3000 x2 u.m. [margen bruto (a maximizar)]
f2(x1,x2) = x1 + 2 x2 unidades [demanda oxígeno (a minimizar)]
s.a:
x1 ≤ 300 [capacidad producción mecánica]
x2 ≤ 200 [capacidad producción química]
x1 + x2 ≤ 400 [empleados]
1000 x1 + 3000 x2 ≥ 300000 [recuperar costes fijos]
x1 , x2 ≥ 0
IO . ETSII . UPV

Región factible del modelo del ejercicio, representada en el espacio
de soluciones:
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

A partir de la representación gráfica de la región factible es fácil
determinar las respectivas soluciones óptimas de los objetivos 1 y 2
por separado (evaluando f1 y f2 en cada vértice, por ejemplo).
La matriz de pagos se construye calculando el valor de las dos

funciones objetivo en las dos soluciones encontradas:
Soluciones
x1 x2 f1(x1,x2) f2(x1,x2)
óptimas
C (SO de f1) 200 200 800.000 600

A (SO de f2) 0 100 300.000 200
IO . ETSII . UPV

A partir de la representación gráfica de la región factible es fácil
determinar las respectivas soluciones óptimas de los objetivos 1 y 2
por separado (evaluando f1 y f2 en cada vértice, por ejemplo).
La matriz de pagos se construye calculando el valor de las dos

funciones objetivo en las dos soluciones encontradas:
Margen Demanda
MATRIZ DE PAGOS
bruto de oxígeno
Maximizar el margen bruto 800.000 600

Minimizar la demanda biológica de oxígeno 300.000 200
IO . ETSII . UPV

El punto ideal se construye a partir de los elementos de la diagonal de la matriz
de pagos: (800.000 , 200).
El punto antiideal se construye tomando los elementos fuera de la diagonal:

(300.000 , 600).
NOTA: Recuérdese que en la transparencia 22 se dio una explicación más general para el caso de más de
dos objetivos.
Margen Demanda
MATRIZ DE PAGOS
bruto de oxígeno
Maximizar el margen bruto 800.000 600

Minimizar la demanda biológica de oxígeno 300.000 200
IO . ETSII . UPV

Región factible del modelo del ejercicio, representada en el espacio de
soluciones:
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

Región factible del modelo del ejercicio, representada en el espacio
de soluciones (izq) y en el espacio de objetivos (der):
f 2(x)
x2 (Minimizar)
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

Al representar la región factible en el espacio de objetivos, deducimos que el
conjunto de soluciones eficientes de este problema es la unión de los
segmentos AB y BC (todos esos puntos, vistos en el espacio de objetivos,
cumplen que ningún punto de la región factible está más a la derecha y más
hacia abajo que ellos al mismo tiempo).
d) Calcula e interpreta la tasa de intercambio o «trade-off» entre el margen

bruto y el impacto medioambiental a lo largo de la frontera de Pareto.
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

La tasa de intercambio a lo largo del segmento AB es la pendiente del segmento A’B’, es decir:
TA-B = (600.000 − 300.000) / (400 − 200) = 1.500 u.m./unidad.
La interpretación es la siguiente: a lo largo del conjunto de soluciones eficientes formadas por el

segmento AB, una reducción (mejora) de la demanda biológica de oxígeno de una unidad produce un
descenso (empeoramiento) del margen bruto de 1.500 u.m.
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
eficientes
A 0 100 300.000 200
B 0 200 600.000 400
IO . ETSII . UPV
C 200 200 800.000 600

La tasa de intercambio a lo largo del segmento BC es la pendiente del segmento B’C’, es decir:
TB-C = (800.000 − 600.000) / (600 − 400) = 1.000 u.m./unidad.
La interpretación es la siguiente: a lo largo del conjunto de soluciones eficientes formadas por el

segmento BC, una reducción (mejora) de la demanda biológica de oxígeno de una unidad produce un
descenso (empeoramiento) del margen bruto de 1.000 u.m.
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
eficientes
A 0 100 300.000 200
B 0 200 600.000 400
IO . ETSII . UPV
C 200 200 800.000 600

Tasa de intercambio o «trade-off»
Constituye un buen índice para medir el coste de oportunidad de un

criterio en términos de los otros que estemos considerando.
Juega un papel crucial en el desarrollo de los métodos interactivos

multicriterio: la interacción se traduce en una especie de diálogo en el
que el decisor transmite al analista sus preferencias medidas por las
tasas de intercambio.
IO . ETSII . UPV

Optimización multiobjetivo lexicográfica
Enfoque alternativo a la búsqueda de soluciones Pareto-eficientes.
Problemas en los que los diversos objetivos considerados presentan
una jerarquía (de mayor a menor importancia) que debe ser tenida en
cuenta.
De este modo, en optimización lexicográfica una solución A es
considerada mejor que otra B si A es mejor que B con respecto a
alguno de los objetivos y no es peor que B con respecto a otros
objetivos más importantes que éste, independientemente de cómo
sean en relación a los objetivos menos importantes.
IO . ETSII . UPV

Ejemplo: Selección de candidatos mediante optimización lexicográfica
Retomamos el ejemplo de valoración multicriterio de candidatos a un puesto

de trabajo.
Supongamos que en las bases de la convocatoria se especifica que la formación

será lo más tenido en cuenta; tras ella, si es necesario, la experiencia, y en
última instancia las habilidades sociales.
IO . ETSII . UPV

OJO: Por tanto, NO es que estemos otorgando un mayor o menor peso a cada atributo; es
que, en jerarquía, la formación es la más tenida en cuenta. Si hay «empate» en cuanto a
formación, entonces se tendrá en cuenta la experiencia. Y dados dos candidatos iguales
en cuanto a formación y experiencia, entonces se «desempatará» en función de las
habilidades sociales.
Por ejemplo, el candidato 2 es mejor que el 4, porque tienen igual puntuación en

formación pero el 2 tiene mejor puntuación en experiencia. En este caso, por tanto, da
igual que el 4 obtenga una puntuación mucho mejor que el 2 en habilidades sociales.
IO . ETSII . UPV

De esta manera, en este caso el mejor candidato es el 3, ya que no hay nadie
que le supere en cuanto a formación y experiencia, y es mejor en habilidades
sociales que el único que le iguala en los dos atributos anteriores, que es el
candidato 5.
IO . ETSII . UPV

Optimización multiobjetivo lexicográfica
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.
En otras palabras, en optimización multiobjetivo lexicográfica es posible llegar a

determinar/obtener una solución óptima, en el sentido de que no haya otra
solución factible que sea (lexicográficamente) mejor que ella.
Enlazando con lo visto anteriormente, se puede demostrar que toda solución

óptima desde el punto de vista lexicográfico es una solución Pareto-eficiente.
IO . ETSII . UPV
8.4 Programación por metas

Problemas en los que el planteamiento implica la
existencia de múltiples metas (atributos + niveles de
aspiración).
No se considera inicialmente ningún objetivo (o, lo
que es lo mismo, los posibles objetivos se han
transformado en metas).
IO . ETSII . UPV

La idea es buscar la minimización de las desviaciones respecto de
cada meta. Se obtendrá una solución de compromiso, no un
conjunto de soluciones eficientes.
Pasos:
1. Fijar los atributos que se consideran relevantes.
2. Determinar el nivel de aspiración que corresponde a cada
atributo, es decir, el nivel de logro que el centro decisor desea
alcanzar.
3. Introducir las variables desviación que relacionan el atributo
con el nivel de aspiración.
IO . ETSII . UPV

Así, expresaríamos la meta i-ésima de la siguiente forma:
fi(x) + Ni − Pi = ti,
donde
fi(x) es la expresión matemática del atributo i-ésimo,
ti es el nivel de aspiración del atributo, y
Ni y Pi son variables auxiliares que representan,
respectivamente, la falta y exceso de logro de una meta
respecto al nivel de aspiración. Suelen ser denominadas
desviaciones.
IO . ETSII . UPV

Para cada meta, según si ésta es de tipo «≤», «≥» o
«=», es deseable que al menos una de las
desviaciones Ni y Pi sea lo más pequeña posible. En
concreto:
Meta Formulación como Desviación a

(NO es una restricción) restricción minimizar
fi(x) ≤ ti Pi
fi(x) ≥ ti fi(x) + Ni − Pi = ti Ni
fi(x) = ti Ni + Pi
IO . ETSII . UPV

Tras expresar cada meta como restricción (incluyendo
variables de desviación) y detectar las desviaciones a
minimizar en cada caso, tomaremos como función
objetivo a minimizar la suma de todas las desviaciones a
minimizar.
De esa forma, habremos construido un modelo lineal
(uniobjetivo) que representa el problema de metas que
se quería resolver. La solución óptima de ese modelo
supone una solución de compromiso al problema de
metas.
IO . ETSII . UPV

Ejercicio: Planificación de la producción multicriterio (II). Programación por metas
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

De esa forma, el modelo de programación lineal correspondiente al problema de
optimización por metas planteado sería el siguiente:
RESTRICCIONES
1000 x1 + 3000 x2 + N1 − P1 = 400000 [meta margen bruto (≥)]
x1 + 2 x2 + N2 − P2 = 300 [meta demanda oxígeno (≤)]
x1 + N3 − P3 = 300 [meta capacidad mecánica (≤)]
x2 + N4 − P4 = 200 [meta capacidad química (≤)]
x1 + x2 + N5 − P5 = 400 [meta empleados (≤)]
IO . ETSII . UPV

De esa forma, el modelo de programación lineal correspondiente al problema de
optimización por metas planteado sería el siguiente:
FUNCIÓN OBJETIVO: Minimizar la suma de todas las desviaciones desfavorables
Min N1 + P2 + P3 + P4 + P5 ,
siendo todas las variables xi, Nk y Pk no negativas.
IO . ETSII . UPV

El principal inconveniente de la programación por metas es la posible disparidad de orden de
magnitud de los diferentes atributos que intervienen en las metas, y el riesgo de fijar metas
desproporcionadas (demasiado elevadas o demasiado «fáciles») para algunos atributos. Todo
ello combinado puede provocar que la solución óptima se decante siempre hacia las metas que
sean más fáciles de satisfacer y que más rápido minimicen la suma de las desviaciones, sin dar
opción al resto.
Una manera de salvar parcialmente este problema es otorgar importancias distintas a las
diferentes desviaciones, de una de estas dos formas:
Programación por metas ponderadas: Asignar un peso diferente a cada desviación en la

función objetivo con el fin de homogeneizar o compensar los posibles desequilibrios de
magnitud. Además, se trabaja con las desviaciones medidas en porcentaje.
Programación por metas con prioridades: Optimización lexicográfica por metas. Determinar
una jerarquía de importancia a la hora de minimizar las desviaciones.
IO . ETSII . UPV

Ejercicio: Planificación de la producción multicriterio (III). Programación por metas
ponderadas
Para salvar el inconveniente de que los diferentes atributos considerados presentan

órdenes de magnitud distintos, podemos transformar el modelo de programación por
metas anterior en un problema de metas ponderadas; esto es:
Asignamos un peso wk a cada meta, en función de la importancia que tenga.
Cada desviación a minimizar la dividimos por su nivel de aspiración, para convertirla

en una desviación relativa:
N1 N1 / 400000
P2 P2 / 300
…
IO . ETSII . UPV

De esta manera, la función objetivo a minimizar quedará ahora así:
FUNCIÓN OBJETIVO: Minimizar la suma ponderada de todas las desviaciones relativas

desfavorables
Min w1 (N1 / 400000) + w2 (P2 / 300) + w3 (P3 / 300) + w4 (P4 / 200) + w5 (P5 / 400) .
IO . ETSII . UPV
8.5 Otras técnicas. Conclusiones

Otras técnicas: Analytic Hierarchy Process (AHP),
enfoques cualitativos, etc.
No hay un método que sea más adecuado que otro en
general; depende del contexto y de las características de
problema en particular. La programación multiobjetivo es
sobre todo útil para un número pequeño de objetivos.
Para problemas con muchos objetivos, la programación
por metas es quizás preferible.
IO . ETSII . UPV
+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

IO ETSII T8 Es

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IO ETSII T8 Es

Cargado por

Copyright:

Formatos disponibles

8.

8.2 Principales enfoques

8.4 Programación por Tema 8

Determinar el conjunto de soluciones eficientes de problemas de decisión discretos.

Calcular e interpretar la tasa de intercambio a lo largo de la frontera de Pareto de un problema lineal.

Candidato 1 Candidato 2 Candidato 3 Candidato 4 Candidato 5

Candidato 1 Candidato 2 Candidato 3 Candidato 4 Candidato 5

8.2 Principales enfoques

8.2 Principales enfoques

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

Max ሾ‫ݖ‬1 = 30‫ݔ‬1 + 5‫ݔ‬2 ; ‫ݖ‬2 = ‫ݔ‬1 + 4‫ݔ‬2 ሿ

8.3 Programación multiobjetivo

Se desea evaluar un conjunto de posibles proveedores de una determinada

Precio medio por

8.3 Programación multiobjetivo

Indica cuáles serían las soluciones ideal y antiideal, e identifícalas en el gráfico.

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

Consideremos un problema lineal multiobjetivo con q objetivos:

Eff [ f1(x),…, fq(x) ]

x es el vector de variables de decisión n-dimensional,

A x ≤ b es la forma matricial de las m restricciones lineales del problema,

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

Max ‫ݓ‬1 ሺ30‫ݔ‬1 + 5‫ݔ‬2 ሻ + ‫ݓ‬2 ሺ‫ݔ‬1 + 4‫ݔ‬2 ሻ

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

El margen bruto (ingresos − costes variables) por tonelada de pasta de celulosa

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

Eff [ f1(x1,x2) , − f2(x1,x2) ],

siendo f1(x1,x2) = 1000 x1 + 3000 x2 u.m. [margen bruto (a maximizar)]

f2(x1,x2) = x1 + 2 x2 unidades [demanda oxígeno (a minimizar)]

x1 ≤ 300 [capacidad producción mecánica]

x2 ≤ 200 [capacidad producción química]

1000 x1 + 3000 x2 ≥ 300000 [recuperar costes fijos]

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

La matriz de pagos se construye calculando el valor de las dos

C (SO de f1) 200 200 800.000 600

8.3 Programación multiobjetivo

La matriz de pagos se construye calculando el valor de las dos

Maximizar el margen bruto 800.000 600

8.3 Programación multiobjetivo

El punto antiideal se construye tomando los elementos fuera de la diagonal:

Maximizar el margen bruto 800.000 600

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

8.3 Programación multiobjetivo

d) Calcula e interpreta la tasa de intercambio o «trade-off» entre el margen

8.3 Programación multiobjetivo

TA-B = (600.000 − 300.000) / (400 − 200) = 1.500 u.m./unidad.

La interpretación es la siguiente: a lo largo del conjunto de soluciones eficientes formadas por el

8.3 Programación multiobjetivo