Autor

Juan G. Villegas
Profesor Facultad de Ingeniería

“Un trabajo barato y rápido no queda bien,

un trabajo bueno y barato, no es rápido,
un trabajo bueno y rápido, no es barato.”
Anónimo (tomado de un meme)

1. Introducción
2. Métodos clásicos de optimización multiobjetivo
2.1. Método de suma ponderada
2.2. Método de restricciones extra
2.2.1. Método de épsilon ε-restricciones
2.2.2. Optimización lexicográfica
3. Ejercicio de aplicación de conocimientos
4. Ejercicio propuesto: planeación de radioterapia
5. Ejercicio de implementación

1. Introducción

La optimización multiobjetivo es particularmente útil en el ámbito de la planeación pública. Tal como lo señala
uno de los autores clásicos en esta rama de la optimización “todos los problemas de toma de decisiones públicas
son multiobjetivo, y si no los pensamos y analizamos con eso en mente podemos dañar seriamente la calidad
de las decisiones que podemos tomar” (Cohon, 2004). Por lo tanto, para ilustrar los métodos de optimización
multiobjetivo que se presentarán en este documento usaremos como ejemplo una decisión de localización de
hospitales públicos. Para ejemplos de modelos de localización multiobjetivo aplicados en el ámbito colombiano
que fueron resueltos con algunos de los métodos descritos en este documento, puede revisar Villegas et al.
(2006), Medaglia et al. (2009) y Castañeda y Villegas (2017).

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

Ejemplo: Localización de hospitales públicos
La Dirección de Salud del departamento está interesada en seleccionar algunos hospitales regionales que
atenderán la población del departamento. Dichos hospitales se mejorarán (con una inversión importante) para
que puedan atender servicios de complejidad intermedia que no son prestados por los hospitales de los
municipios, pero que tampoco requieren el traslado de los pacientes a la ciudad. Con el fin de brindar una buena
atención a los pacientes, se determinó que se quiere minimizar la distancia promedio entre un municipio y el
hospital que le atiende. Igualmente, para ser “equitativos” se busca que la distancia máxima entre un municipio
y el hospital que atenderá a sus ciudadanos sea mínima. Finalmente, con el fin de racionalizar la inversión,
también se quiere explorar qué tanto cambian estas medidas conforme se operan más o menos hospitales.
Explore el trade-off entre estos tres criterios usando un modelo de optimización.

A continuación, en la Tabla 1 se muestra la población de cada municipio.

Tabla 1. Población de cada municipio

Municipio El Contento La Hermosa Lejanías Cercanías El Eco El Filo Lirio Planadas Cardal Maguey
Población 931 4390 4379 3357 4227 1926 459 2453 3346 4300

Las distancias entre los hospitales y los municipios se muestran en la Tabla 2:

Tabla 2. Distancia entre hospitales y municipios

Distancia (km) Hospital

Municipio SJD LM SA SR SG SF EC SFA
El Contento 8.3 62.9 62.9 61.4 62.8 31.3 54.2 10.5
La Hermosa 8.3 47.0 62.9 53.8 79.4 72.7 79.5 64.0
Lejanías 25.3 5.9 67.1 63.3 2.8 70.9 58.3 72.0
Cercanías 74.4 63.9 69.8 51.3 62.9 7 17.2 13.8
El Eco 63.6 69.9 20.4 56.0 50.6 76.2 27.2 63.5
El Filo 69.5 67.5 35.0 70.7 32.3 74.8 57.1 69.8
Lirio 56.8 64.6 25.2 29.2 74.3 32.8 59.2 51.2
Planadas 54.9 76.9 60.0 61.5 49.7 61.3 66.3 26.3
Cardal 57.9 24.0 59.7 36.1 62.3 36.9 43.3 50.6
Maguey 54.5 52.9 76.5 46.6 52.6 56.9 50.6 51.2

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

A continuación, la formulación de un problema de optimización entero que permite apoyar esta decisión.
NOTACIÓN

Conjuntos:
Municipios:
𝑀
= {𝐸𝑙 𝐶𝑜𝑛𝑡𝑒𝑛𝑡𝑜, 𝐿𝑎 𝐻𝑒𝑟𝑚𝑜𝑠𝑎, 𝐿𝑒𝑗𝑎𝑛í𝑎𝑠, 𝐶𝑒𝑟𝑐𝑎𝑛í𝑎𝑠, 𝐸𝑙 𝐸𝑐𝑜, 𝐸𝑙 𝐹𝑖𝑙𝑜, 𝐿𝑖𝑟𝑖𝑜, 𝑃𝑙𝑎𝑛𝑎𝑑𝑎𝑠, 𝐶𝑎𝑟𝑑𝑎𝑙, 𝑀𝑎𝑔𝑢𝑒𝑦}
Hospitales:
H={SJD,LM,SA,SR, SG, SF, EC,SFA}
Parámetros:
𝑑>? : distancia entre un municipio 𝑖 ∈ 𝑀 y un hospital 𝑗 ∈ 𝐽

𝑝> : población del municipio 𝑖 ∈ 𝑀

Variables de decisión:
1 𝑠𝑖 𝑠𝑒 𝑚𝑒𝑗𝑜𝑟𝑎 𝑒𝑙 ℎ𝑜𝑠𝑝𝑖𝑡𝑎𝑙 𝑗 ∈ 𝐻
𝑦? = D
𝑠𝑖 𝑛𝑜 𝑠𝑒 𝑚𝑒𝑗𝑜𝑟𝑎

1 𝑠𝑖 𝑠𝑒 𝑎𝑠𝑖𝑔𝑛𝑎 𝑒𝑙 𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜 𝑖 ∈ 𝐼 𝑎𝑙 ℎ𝑜𝑠𝑝𝑖𝑡𝑎𝑙 𝑗 ∈ 𝐽

𝑥>? = D
𝑠𝑖 𝑛𝑜 𝑠𝑒 𝑎𝑠𝑖𝑔𝑛𝑎

VERBALIZACIÓN

Se quiere decidir cuáles hospitales mejorar y a cuál hospital asignar cada municipio cumpliendo que cada
municipio es asignado a un solo hospital y que el hospital asignado a un municipio tiene que haber sido mejorado
para minimizar (en el sentido multiobjetivo) (𝑓J ) la distancia promedio entre municipios y hospitales asignados,
(𝑓K ) la distancia máxima entre un municipio y el hospital asignado y (𝑓L ) el número de hospitales mejorados.
FORMULACIÓN

Este problema se puede modelar de la siguiente forma:

T T
1
min 𝑧J = 𝐷𝑖𝑠𝑡𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = S S 𝑑>? 𝑥>?
10
>∈V ?∈U

min 𝑧K = 𝐷𝑖𝑠𝑡𝑀𝑎𝑥

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 T

min 𝑧L = 𝑁𝑢𝑚𝐻𝑜𝑠𝑝𝑖𝑡𝑎𝑙𝑒𝑠 = S 𝑦?
?∈U

Sujeto a:
T

S 𝑥>? = 1, ∀𝑖 ∈ 𝑀
?∈U

𝑥>? ≤ 𝑦? , ∀𝑖 ∈ 𝑀, 𝑗 ∈ 𝐻

𝑑>? 𝑥>? ≤ 𝐷𝑖𝑠𝑡𝑀𝑎𝑥, ∀𝑖 ∈ 𝑀, 𝑗 ∈ 𝐻

𝑥>? ∈ {0,1}, ∀𝑖 ∈ 𝑀, 𝑗 ∈ 𝐻

𝑦? ∈ {0,1} , 𝑗 ∈ 𝐻

𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≥ 0
Lo primero para abordar un problema de optimización desde la perspectiva multiobjetivo es ver si existe un trade-
off entre las funciones objetivo, es decir, para mejorar una función objetivo es necesario empeorar en otra
(para nuestro ejemplo, véase la Figura 1). Utilizando la implementación en Xpress disponible en el material del
curso (modelo: Hospitales - Tradeoff.mos, datos: hospitales.dat) se obtuvieron las siguientes figuras que
describen dicho trade-off. En este caso, aumentamos progresivamente el número de hospitales disponibles y
para cada valor optimizamos independientemente la distancia máxima o la distancia promedio. Tal como puede
verse en ambas gráficas, al minimizar la distancia máxima se empeora la distancia promedio, y viceversa: al
minimizar la distancia promedio se empeora la distancia máxima (la única excepción fue la configuración de 2
hospitales en la cual al minimizar la distancia máxima no se desmejoró la distancia promedio). Así mismo, resulta
claro que para poder minimizar cualquiera de las dos primeras funciones objetivo (𝑧J distancia promedio o 𝑧K
distancia máxima), es necesario aumentar el número de hospitales, lo cual va en contra de la minimización de la
tercera función objetivo (𝑧L número de hospitales).
Figura 1. Trade-off entre distancia máxima y distancia promedio al optimizar una u otra función objetivo

Nota: A la izquierda se representa la distancia máxima y a la derecha la distancia promedio.

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual
Aquí es importante destacar un resultado adicional: en optimización multiobjetivo es común encontrar este
comportamiento de estancamiento de los beneficios marginales que se obtienen al desmejorar una función
objetivo en favor de la otra. Por ejemplo, aumentar el número de hospitales más allá de 4 no genera en nuestro
ejemplo un beneficio sustancial en la distancia promedio óptima y, de hecho, la distancia máxima óptima se
queda estancada en el valor mínimo que se alcanza con 4 hospitales. La Tabla 3 resume bien este
comportamiento:

Tabla 3. Funciones objetivo óptimas para el ejemplo de mejoramiento de hospitales de la seccional de salud

Número de hospitales 1 2 3 4 5 6 7 8
Distancia promedio
óptima 70.7 57.1 51.2 46.6 46.6 46.6 46.6 46.6
Distancia máxima optima 47.29 34.9 25.93 21.84 21.16 20.58 20.12 20.12

2. Métodos clásicos de optimización multiobjetivo

Existe un conjunto amplio de métodos de optimización multiobjetivo clásicos cuyo principio fundamental es
transformar el problema de optimización multiobjetivo (POM) en un problema de optimización que tenga una
sola función objetivo

min(𝑓J (𝒙), 𝑓K (𝒙), … , 𝑓_ (𝒙))

Sujeto a:
POM
𝒙∈𝛀

Como en optimización multiobjetivo nos interesa el conjunto de soluciones eficientes, casi siempre se requiere
la solución iterativa de los problemas de optimización transformados. Dependiendo del camino elegido, algunas
veces se requerirán restricciones adicionales y en algunos otros casos requeriremos de pesos que indiquen la
importancia de cada uno de los objetivos. La discusión de la optimización multiobjetivo de este documento es
similar a la del capítulo 8 de Rardin (2017). Dos textos clásicos de optimización multiobjetivo que puede ser
interesante revisar si quiere profundizar en el tema son Cohon (2004) y Goicoechea et al. (1982). Así mismo,
puede recurrir a Collette y Siarry (2004), un texto reciente dedicado al tema y sus aplicaciones en la toma de
decisiones. Veamos a continuación los métodos clásicos de optimización multiobjetivo más importantes.

2.1. Método de suma ponderada

Un camino natural, que a muchos se nos ocurre cuando estamos resolviendo problemas de optimización
multiobjetivo, es agregarlos en una suma ponderada con la ayuda de pesos 𝑤J , 𝑤K , … 𝑤_ que representen, de

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

cierta manera, la importancia de cada uno de los objetivos. De esta manera, el POM se convertirá en un problema
de optimización monoobjetivo sin restricciones adicionales, pero con pesos que tendremos que fijar para cada
uno de los objetivos.
Es común que se exija que los pesos sumen 1, pero esta condición es opcional, tal como se indica en la derecha
de la Tabla 4 al definir el POSP. Que los pesos sumen 1 facilita que los decisores comprendan la importancia
relativa de cada función objetivo; sin embargo, no garantiza que se tenga pleno control sobre los puntos que se
van a obtener. En nuestro ejemplo veremos que podemos usar pesos que no sumen 1 para realizar la suma
ponderada.

Tabla 4. Reformulación de un problema de optimización multiobjetivo con suma ponderada de las funciones
objetivo

Problema de optimización multiobjetivo (POM) Problema de optimización con suma ponderada (POSP)
min(𝑓J (𝒙), 𝑓K (𝒙), … , 𝑓_ (𝒙)) min 𝑤𝑓J (𝒙) + 𝑤 𝑓K (𝒙) + … + 𝑤_ 𝑓_ (𝒙))

Sujeto a: Sujeto a:
𝒙∈𝛀 𝒙∈𝛀

Opcional: ∑_>dJ 𝑤> = 1

Adicionalmente, cumplir esta condición siempre es posible dividiendo los pesos por la norma del valor absoluto,
es decir, transformando los pesos 𝑤 e = ∑_>dJ |𝑤> | . Por ejemplo, si tuviéramos pesos: wJ = 1.0, wK = 1.0,
J.T J.T
wL = 2.0, es posible hallar pesos que sumen 1 con la simple transformación wJe = = 0.25, wKe = =
j j
K.T
0.25, wL = = 0.50 al dividir por la suma de los pesos, que en este caso es 4. Estos nuevos pesos
j
permitirán obtener la misma solución óptima.

Utilizar una suma ponderada de los objetivos tiene ventajas y desventajas. La ventaja principal es que no se
afecta la complejidad del conjunto de restricciones originales, ya que toda la transformación se concentra en la
función objetivo. La desventaja principal radica en que ahora es necesario definir los pesos de cada una de las
funciones objetivo. Además, es posible que se requiera reescalarlas, dado que pueden estar medidas en
unidades diferentes.
Los métodos de suma ponderada tienen dos propiedades muy importantes:

• Las soluciones que se encuentran con un método de suma ponderada son no dominadas y sus
evaluaciones en el espacio de la función objetivo pertenecen a la frontera eficiente del problema1.

1
Para las definiciones de optimización multiobjetivo, remítase al siguiente recurso disponible en el material del curso

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 Aunque una prueba formal está por fuera del alcance de este curso, la intuición para este resultado es
la siguiente: si las soluciones encontradas con suma ponderada no fueran eficientes, podría mejorarse
una de las funciones objetivo sin empeorar otra y la suma ponderada también mejoraría, con lo cual
dichas soluciones no podrían ser óptimas del POSP.

• No todas las soluciones eficientes se pueden encontrar con un método de suma ponderada: si la frontera
eficiente tiene tramos en los que no es convexa, no es posible encontrar las soluciones que se
encuentran en dichos tramos. En la Figura 2, si fuese un problema de minimización biobjetivo para 𝑓J y
𝑓K , la frontera eficiente estaría dada por las soluciones azules (note que todas las soluciones rojas están
dominadas por al menos una de las soluciones azules). Sin embargo, un método de suma ponderada
nunca encontraría las soluciones B o D. Esto se debe a que las rectas que se pueden obtener con
sumas ponderadas de 𝑤J 𝑓J + 𝑤K 𝑓K (sin importar los valores pesos) siempre llegarán a los puntos A,
C o E cuando se resuelva para la función objetivo de la forma min 𝑤J 𝑓J + 𝑤K 𝑓K ; por ejemplo, rectas
como la naranjada, que se puede obtener con pesos 𝑤J ≈ 𝑤K , siempre producirán como solución
óptima el punto C, sin importar qué tanto las movamos. Cuando le demos mucha importancia a 𝑓J con
pesos 𝑤J ≫ 𝑤K (como la recta de color morado) nos toparemos siempre con el punto E. Por el
contrario, cuando le demos mucha importancia a 𝑓K 𝑤K ≫ 𝑤J (con rectas como la verde) nos
toparemos con el punto A.

Esta segunda propiedad de los métodos de ponderación nos lleva a tener una precaución cuando los usemos:
el control que nos dan los pesos al darle más importancia a una función objetivo sobre otra no es tan grande
como creíamos. Eso sí, las soluciones que encontraremos son eficientes (óptimas de Pareto), lo cual es
una propiedad muy deseable en la optimización multiobjetivo.
Figura 2. Frontera eficiente no convexa

Veamos qué pasa si usamos distintos valores de pesos (nótese que aquí no usamos ningún escalamiento de la
función objetivo) para experimentar sobre nuestro ejemplo de los hospitales usando el método de suma
ponderada:
Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual
min z = wJ 𝐷𝑖𝑠𝑡𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 + 𝑤K 𝐷𝑖𝑠𝑡𝑀𝑎𝑥 + 𝑤L 𝑁𝑢𝑚𝐻𝑜𝑠𝑝𝑖𝑡𝑎𝑙𝑒𝑠
Sujeto a:
T

S 𝑥>? = 1, ∀𝑖 ∈ 𝑀
?∈U

𝑥>? ≤ 𝑦? , ∀𝑖 ∈ 𝑀, 𝑗 ∈ 𝐻

𝑑>? 𝑥>? ≤ 𝐷𝑖𝑠𝑡𝑀𝑎𝑥, ∀𝑖 ∈ 𝑀, 𝑗 ∈ 𝐻

T T
1
𝐷𝑖𝑠𝑡𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = S S 𝑑>? 𝑥>?
10
>∈V ?∈U

𝑁𝑢𝑚𝐻𝑜𝑠𝑝𝑖𝑡𝑎𝑙𝑒𝑠 = S 𝑦?
?∈U

𝑥>? ∈ {0,1}, ∀𝑖 ∈ 𝑀, 𝑗 ∈ 𝐻

𝑦? ∈ {0,1} , 𝑗 ∈ 𝐻

𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≥ 0

En la Tabla 5, note que varias combinaciones de pesos conducen a la misma solución; por ejemplo, las
soluciones 1, 2 y 4 son la misma, a pesar de que los pesos que se le dieron a las funciones objetivo son diferentes.
Por otro lado, cuando se le dio más importancia a la segunda función objetivo (con los pesos de la solución 3),
que tiene pesos wJ = 1.0, wK = 2.0, no se obtuvo mejora en la segunda función objetivo, sino en la primera
función objetivo, en detrimento de la tercera que llegó a 7 hospitales abiertos. Esto ilustra el poco control que
tenemos con los pesos sobre la dirección que tomará una función objetivo. Un mejor control se puede obtener
con el método que se expone en la siguiente sección.

Tabla 5. Soluciones eficientes del ejemplo de localización de hospitales para distintas ponderaciones de los
objetivos
Solución Pesos Distancia Distancia Número de
promedio máxima Hospitales
1 wJ = 1.0,wK = 1.0, wL = 1.0 21.38 46.6 5

2 wJ = 1.0, wK = 1.0, wL = 2.0 21.38 46.6 5

3 wJ = 1.0, wK = 2.0, wL = 1.0 20.12 46.6 7

4 wJ = 2.0, wK = 1.0, wL = 1.0 21.38 46.6 5

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual
 5 wJ = 1.0, wK = 1.0, wL = 4.0 24.53 46.6 4

6 wJ = 1.0, wK = 1.0, wL = 8.0 25.93 51.2 3

Ejercicio: Repita la solución 1 con pesos que cumplan
∑_>dJ 𝑤> = 1. ¿Qué pasa?

Finalmente, las soluciones en las que hay menos hospitales abiertos se obtienen cuando el peso wL es mucho
mayor que wJ y wK (en las soluciones 5 y 6). Lo invitamos a experimentar con otras combinaciones de pesos
en el archivo HospitalesSumaPonderada.mos para ver qué otras soluciones eficientes usted puede encontrar
con menos hospitales.
Escalamiento de las funciones objetivo en suma ponderada
Ahora enfoquémonos en la segunda parte, a la que tendremos que prestarle atención si vamos a usar una suma
ponderada: ¿Cómo vamos a escalar las funciones objetivo? y ¿cómo fijaremos los pesos para ponderar cada
una de las funciones objetivo? Para escalar la función objetivo podemos usar muchas opciones:

• Podemos usar cotas de sus valores máximos, de manera que si las dividimos por dichas cotas el valor
escalado esté siempre entre [0,1].
• Podemos usar la norma euclidiana u otra norma de los coeficientes de la función objetivo y dividirlos por
la magnitud de la función objetivo en dicha norma, de manera que sume 1.

En uno de nuestros ejercicios propuestos, lo invitamos a que resuelva de nuevo el ejemplo de los hospitales
escalando las funciones objetivo, para que compare el resultado.

2.2. Método de restricciones extra

Un camino alternativo en la reformulación del problema de optimización multiobjetivo es escoger una función
objetivo “principal” y convertir las demás funciones objetivo en restricciones adicionales del problema.
Dependiendo de cómo se traten las restricciones adicionales se pueden tener dos de los métodos clásicos de
optimización multiobjetivo que usan restricciones extra.

2.2.1. Método de (épsilon) 𝜺-restricciones

El primer método clásico de optimización multiobjetivo con restricciones extra le hace honor al concepto
subyacente y se conoce como método de 𝜀-restricciones (Haimes et al., 1971). En este método se transforma
el POM de la siguiente manera:

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 Tabla 6. Reformulación de un problema de optimización multiobjetivo como problema de ε-restricciones

Problema de optimización multiobjetivo (POM) Problema de optimización con 𝜺 −restricciones (POER)

min(𝑓J (𝒙), 𝑓K (𝒙), … , 𝑓_ (𝒙)) 𝑚𝑖𝑛 𝑓J (𝒙)
Sujeto a: Sujeto a:
𝒙∈𝛀 𝒙∈𝛀

𝑓K (𝒙) ≤ 𝜀K
⋮

𝑓_ (𝒙) ≤ 𝜀_

𝜀K , …, 𝜀_ ∈ ℝ

En este caso, las restricciones de la forma 𝑓> (𝒙) ≤ 𝜀> garantizan que cada función objetivo tendrá a lo sumo
el valor de su correspondiente valor 𝜀> , permitiendo así un mayor control sobre los valores que tomará cada
función objetivo en la solución óptima del POER. Sin embargo, aún no está claro cómo escoger los valores que
le daremos a cada 𝜀> . Una forma de asignar estos valores es encontrar las cotas mínima (𝑓>v>w ) y máxima
(𝑓>vxy ) para cada función objetivo, y luego dividir el rango 𝑓>vxy − 𝑓>v>w en el número de intervalos de
discretización que queramos explorar (𝑡 en nuestra notación), de tal forma que el método de 𝜀-restricciones
puede resumirse de la siguiente manera:
Tabla 7. Esquema del método de 𝜺-restricciones
Inicialización (Rango de los objetivos y discretización)

• Resuelva min 𝑓> (𝒙), sujeto a: 𝒙 ∈ Ω para 𝑖 = 1, … , 𝑘 (encuente la solución óptima para cada función
objetivo)

• Para cada objetivo, encuentre los valores máximo y mínimo entre las soluciones encontradas para cada 𝑖,
𝑓>vxy y 𝑓>v>w

• Sea ∆> el paso para el i-ésimo objetivo:

∆> = (𝑓>vxy − 𝑓>v>w )/𝑡

Solución (Utilizando todos los posibles valores de 𝜀>} para cada objetivo)
Para 𝑖 = 2, … , 𝑘, sean 𝜀>} = 𝑓>v>w + 𝑡∆>
Resuelva
min 𝑓J (𝒙)
Sujeto a: 𝒙 ∈ 𝛀
𝑓K (𝒙) ≤ 𝜀K
⋮
𝑓_ (𝒙) ≤ 𝜀_

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

Sin embargo, este segundo método de solución nos permite encontrar un conjunto de soluciones que son
débilmente eficientes, si en alguna 𝜀> -restricción hay holgura es posible que haya mejores soluciones en ese
objetivo, pero no lo podremos saber. Para mejorar este defecto del método, Ehrgott y Ruzika (2008) propusieron
una variante que referenciamos en el material complementario.
Para mayor precisión de la diferencia entre una solución fuertemente eficiente y una solución débilmente
eficiente, veamos sus definiciones para el POM:
• 𝒙 ∈ 𝑋 se dice fuertemente eficiente si: ∄𝒙 ∈ 𝑿: 𝑓(𝒙) ≤ 𝑓 (~
Una solución ~ 𝒙)

• ~ ∈ 𝑋 se dice débilmente eficiente si: ∄𝒙 ∈ 𝑿: 𝑓(𝒙) < 𝑓 (𝒙

Una solución 𝒙 ~)
La segunda definición implica que en la solución débilmente eficiente puede haber “empates” en algunas de las
funciones objetivo; veámoslo en la Figura 3. Aquí, las soluciones A y D no tienen ninguna solución estrictamente
mejor (<) que ellas, pero las soluciones B y C demuestran que se puede mejorar todavía un poco más alguna de
las funciones objetivo sin deteriorar la otra. Por ejemplo, el punto B muestra que es posible disminuir (mejorar)
el valor de la segunda función objetivo (𝑓K ) del punto A sin empeorar la primera función objetivo (𝑓J ) en la cual
tienen un “empate”. Por lo tanto, A es débilmente eficiente, mientras que B es fuertemente eficiente.

Figura 3. Soluciones débilmente eficientes

Veamos en nuestro ejemplo de los hospitales cómo se aplicaría el método de 𝜀-restricciones. En la Figura 1 es
claro que operar más de 4 hospitales no mejora ostensiblemente (o nada) la distancia promedio o máxima. Así
que por facilidad en la graficación de la frontera eficiente fijaremos el número de hospitales en 4 y analizaremos
el trade-off entre las otras dos funciones objetivo usando el método de 𝜀-restricciones.
Inicialización
Al resolver el problema de optimización original (con 4 hospitales) para minimizar la distancia promedio o la
distancia máxima por separado, se obtienen las siguientes soluciones:

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 Tabla 8. Soluciones del ejemplo de localización de hospitales para la inicialización del método de 𝜺-
restricciones

Minimizando distancia promedio Minimizando distancia máxima

Distancia máxima 79.5 Distancia máxima 46.6
Distancia promedio 21.84 Distancia promedio 24.75

Hospitales que operan

SJD, LM, SA, SFA SJD, SA, SR, SFA
Asignación de municipios a hospitales
SJD: El Contento, La Hermosa SJD: La Hermosa, Lejanías
LM: Lejanías, Cardal SA: El Eco, El Filo, Lirio, El Contento
SA: El Eco, El Filo, Lirio SR: Cardal, Maguey
SFA: Cercanías, Planadas, Maguey SFA: Cercanías, Planadas

Aquí es claro que hay un trade-off entre la distancia promedio y máxima, y que para mejorar una es necesario
desmejorar en la otra. Ahora, aprovechando que el rango de la distancia máxima es mayor, escojamos esta
función objetivo para la 𝜀-restricción y definamos 𝑡 = 5 intervalos, así:

79.5 − 46.6
∆K = = 6.58
5

De esta manera, los valores de 𝜀K que debemos explorar y las correspondientes soluciones serán:

Tabla 9. Soluciones obtenidas con el método de 𝜺-restricciones para el ejemplo de localización de hospitales

𝜺𝟐 Funciones objetivo Hospitales que operan y asignación

Distancia máxima: 46.6 SJD: El Contento, La Hermosa, Lejanías
Distancia promedio: 24.53 SA: El Eco, El Filo, Lirio
𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 46.6
SR: Cardal, Maguey
SFA: Cercanías, Planadas
Distancia máxima: 53.18 SJD: El Contento, La Hermosa
Distancia promedio: 21.84 LM: Lejanías, Cardal
𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 53.18
SA: El Eco, El Filo, Lirio
SFA: Cercanías, Planadas, Maguey
Distancia máxima: 59.76 SJD: El Contento, La Hermosa
𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 59.76
Distancia promedio: 21.84 LM: Lejanías, Cardal

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 SA: El Eco, El Filo, Lirio
SFA: Cercanías, Planadas, Maguey
Distancia máxima: 66.34 SJD: El Contento, La Hermosa
Distancia promedio: 21.84 LM: Lejanías, Cardal
𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 66.34
SA: El Eco, El Filo, Lirio
SFA: Cercanías, Planadas, Maguey
Distancia máxima: 72.92 SJD: El Contento, La Hermosa
Distancia promedio: 21.84 LM: Lejanías, Cardal
𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 72.92
SA: El Eco, El Filo, Lirio
SFA: Cercanías, Planadas, Maguey
Distancia máxima: 79.5 SJD: El Contento, La Hermosa
Distancia promedio: 21.84 LM: Lejanías, Cardal
𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 79.5
SA: El Eco, El Filo, Lirio
SFA: Cercanías, Planadas, Maguey

Al analizar los resultados de la Tabla 9 podemos notar que la 𝜀-restricción tuvo holgura en todos los casos y no
cambió de solución sino hasta que le exigimos tener la menor distancia máxima posible, en ese caso sí cambió
el conjunto de hospitales que operan y la asignación de municipios a hospitales. Nótese, sin embargo, que al
optimizar para la distancia promedio con la restricción de que la distancia máxima no empeore (la primera
solución de la tabla 𝐷𝑖𝑠𝑡𝑀𝑎𝑥 ≤ 46.6), decubrimos que la solución original que teníamos para la minimización
de la distancia máxima es débilmente eficiente, ¿por qué?

Para más detalles de la implementación computacional del método de 𝜀 -restricciones, puede recurrir al archivo
Hospitales - e-restricciones.mos, disponible en el material de clase. Además, en los ejercicios propuestos
invitamos a experimentar con este archivo para otras cantidades de hospitales a operar.

2.2.2. Optimización lexicográfica

Una segunda forma en la que podemos usar restricciones extra es a través de lo que se conoce como
optimización lexicográfica. Bajo este enfoque se establece una jerarquía de los objetivos en las que el primero
es mucho más importante que el segundo, el segundo que el tercero y así sucesivamente, hasta llegar al último.
En este caso, una mejora en un objetivo posterior no sopesa la desmejora en el otro. En nuestro ejemplo de los
hospitales, para un número de hospitales fijo, si dijéramos que el orden es primero la distancia máxima y luego
la distancia promedio, significaría que no estamos dispuestos a desmejorar nada en la distancia máxima a
cambio de disminuir la distancia promedio. Entonces optimizaríamos primero para encontrar la menor distancia
máxima posible y luego, entre todos los posibles óptimos alternos, escogeríamos aquel que tenga la menor
distancia promedio, luego de fijar una restricción que obligue a que la distancia máxima no se desmejore.
Si tenemos las funciones objetivo ordenadas jerárquicamente, de tal manera que

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 • 𝑓J (𝒙) es más importante que 𝑓K (𝒙), 𝑓K (𝒙) es más importante que 𝑓L (𝒙), …, 𝑓_ˆJ (𝒙) es más
importante que 𝑓_ (𝒙)
el algoritmo de optimización lexicográfica sería el siguiente:

I𝐧𝐢𝐜𝐢𝐨. 𝑿J = 𝛀 , 𝑝 ←1
Mientras 𝑝 ≤ 𝑘
Paso 1. Resuelva el problema monoobjetivo:
𝑧 ∗ = min 𝑓• (𝒙),
Sujeto a: 𝒙 ∈ 𝛀𝒑
Paso 2. Si la solución óptima es única, entonces PARAR, la solución es óptima lexicográficamente. Si el
problema no tiene óptimo finito, PARAR
Si no, hacer: 𝛀𝒑‘𝟏 = 𝛀𝒑 ∩ 𝒙: 𝑓• (𝒙) = 𝑧 ∗ (óptimos alternos-nueva restricción).
Paso 3. 𝑝 ← 𝑝 + 1
Salida. Conjunto de soluciones óptimas lexicográficamente

El paso más importante en este método es el que indica 𝛀𝒑‘𝟏 = 𝛀𝒑 ∩ 𝒙: 𝑓• (𝒙) = 𝑧 ∗ , de esta manera se
garantiza que las funciones objetivo anteriores no se empeorarán al optimizar las funciones siguientes en la
secuencia (es decir, estamos optimizándolas lexicográficamente).
Con esto termina la exposición de los métodos clásicos de optimización multiobjetivo. Para seguir profundizando
en el tema, puede recurrir al material complementario, en el que encontrará algunos métodos y referencias
adicionales

3. Ejercicio de aplicación de conocimientos

Museo Abierto

En el siguiente cuaderno de colab encontrará un reto de optimización en el marco

del Museo Abierto de la Universidad de Antioquia. Dicho reto puede verse como
una variante del problema de optimización que es conocido como orienteering
problem (OP), en el que se busca visitar un conjunto de lugares para recolectar la
máxima recompensa posible mientras se cumple un límite máximo de distancia o
tiempo del recorrido para visitar dichos lugares (Gunawan et al., 2016).
Lo invitamos a extender este problema al caso biobjetivo, en el cual se quiere
maximizar el puntaje obtenido y a la vez minimizar la distancia máxima.
Aprovechando la implementación base en Pyomo, explore la aplicación de los tres
métodos expuestos en este documento para resolverlo:

• Suma ponderada: https://colab.research.google.com/drive/1mWkeM7PEVjtXVqPISa3-

eT3sEmRfJD13?usp=sharing
Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual
 • 𝜀-restricciones:
https://colab.research.google.com/drive/1FFQODXUrE4nVYw1tPiBCKMMGdVVHJ0TQ?usp=shar
ing
• Optimización
lexicográfica:https://colab.research.google.com/drive/1GLEKb4_ID3Dtw0o0Lx8ES9P0iIgMVejp?u
sp=sharing

4. Ejercicio propuesto: planeación de radioterapia

Ahora, a manera de ejercicio le proponemos usar sus conocimientos de

optimización multiobjetivo en un ámbito completamente diferente: la
optimización de procedimientos médicos, un área en la cual
seguramente no se imaginaba que podría usarse esta herramienta. Si la
utilización de modelos matemáticos en salud le llaman la atención,
puede revisar el trabajo de Sainfort et al. (2004), allí encontrará muy
buenos ejemplos.
El Instituto de Cancerología de una prestigiosa clínica colombiana le ha contratado como consultor para que
desarrolle un sistema de apoyo a las decisiones, con el cual los médicos puedan diseñar los tratamientos de
radioterapia de sus pacientes.
La radioterapia es un tipo de tratamiento oncológico que utiliza las radiaciones para eliminar las células
tumorales, (generalmente cancerosas) en la parte del organismo donde se apliquen. La radiación utilizada puede
ser de rayos gamma, rayos X o electrones. La radioterapia actúa sobre el tumor, destruyendo las células malignas
para impedir que crezcan y se reproduzcan. En este tipo de tratamiento los pacientes acuden diariamente de
forma ambulatoria por un período de tiempo variable, dependiendo de la enfermedad que se esté tratando
(Radioterapia, 2022).
Para eliminar un tumor es necesario irradiar todas sus partes procurando no afectar tejido sano (en color blanco
en la Figura 5); sin embargo, algunas veces es inevitable. El tratamiento con radioterapia es costoso, tiene una
alta demanda y es incómodo para los pacientes, lo cual hace atractivos los tratamientos que toman poco tiempo.

En este caso, el equipo utilizado permite hacer dos tipos diferentes de irradiaciones, la primera (Figura 4-T1)
tiene un rayo concentrado de cubrimiento pequeño, mientras que la segunda (Figura 4-T2) es capaz de irradiar
áreas mayores. La precisión de una irradiación T1 hace que su preparación y ejecución tome el doble del tiempo
que para una irradiación T2. Cuando se planea el tratamiento, es necesario que los médicos tengan varias
alternativas para escoger, analizando la cantidad de tejido sano irradiado y la duración del tratamiento.

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

 Figura 4. Tipos de irradiación

Para probar los prototipos del sistema, los doctores le han entregado la imagen de un tumor bastante raro y difícil
de tratar (Figura 5), para el cual usted debe diseñar tratamientos optimizando ambos criterios (tiempo de
tratamiento y tejido sano irradiado). Usted ha decidido abordar esta situación utilizando sus conocimientos de
optimización multiobjetivo, para lo cual deberá: formular un modelo de optimización general que describa la
situación, escoger e implementar un método de solución para dicho modelo usando un software de optimización
apropiado y probar su método utilizando el tumor de la Figura 5.

Figura 5. Tumor de prueba

5. Ejercicio de implementación

• Adapte el código Hospitales - e-restricciones.mos para resolver el ejemplo de los hospitales, suponiendo
que se abren 2 o 3 hospitales y no 4, y analice las soluciones que se generan.
• Utilice el archivo HospitalesSumaPonderada.mos y los valores óptimos de cada una de las funciones
objetivo de nuestro ejemplo de los hospitales para resolver nuevamente el problema de optimización de
suma ponderada con las funciones objetivo reescaladas y la condición de que los pesos de las funciones
objetivo sumen 1 (∑_>dJ 𝑤> = 1J ).
• Resuelva el ejemplo de los hospitales suponiendo que se tienen 2 hospitales para operar y se optimizará
lexicográficamente primero la distancia máxima y luego la distancia promedio.

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual

Referencias bibliográficas
Castañeda C. & Villegas, J. G. (2017). Analyzing the response to traffic accidents in Medellín, Colombia, with
facility location models. IATSS Research, 41(1), 47-56. https://doi.org/10.1016/j.iatssr.2016.09.002
Cohon, J. L. (2004). Multiobjective programming and planning (2 ed.). New York: Dover Books.
Collette Y. & Siarry, P. (2004). Multiobjective optimization: principles and case studies. Springer.
Ehrgott, M. & Ruzika, S. (2008). Improved ε-constraint method for multiobjective programming. Journal of
Optimization Theory and Applications, 138(3), 375-396.
Goicoechea, A., Hansen, D. R. & Duckstein, L. (1982). Multiobjective decision analysis with engineering and
business applications. John Wiley & Sons Incorporated.
Gunawan, A., Lau, H. & Vansteenwegen, P. (2016) Orienteering problem: a survey of recent variants, solution
approaches and applications. European Journal of Operational Research, 255, 315-332.
Haimes, Y., Lasdon, L. & Wismer, D. A. (1971). On a bicriterion formulation of the problems of integrated
system identification and system optimization. IEEE Transactions on Systems, Man, and
Cybernetics, 1(3), 296-297.
Medaglia, A. L., Villegas, J. G. & Rodríguez-Coca, D. M. (2009). Hybrid biobjective evolutionary algorithms for
the design of a hospital waste management network. Journal of Heuristics, 15(2), 153-176.
https://bibliotecadigital.udea.edu.co/handle/10495/7979
Rardin, R. L., (2017). Optimization in operations research. Upper Saddle River, NJ: Prentice Hall.
Radioterapia. (12 de octubre de 2022). En Wikipedia.
https://es.wikipedia.org/w/index.php?title=Radioterapia&oldid=146571836
Sainfort, F., Brandeau, M. L. & Pierskalla, W. P. (2004). Handbook of Operations Research and Health Care.
Springer.
Villegas, J. G., Palacios, F. & Medaglia, A. L. (2006). Solution methods for the bi-objective (cost-coverage)
unconstrained facility location problem with an illustrative example. Annals of Operations Research,
147(1), 109-141. https://doi.org/10.1007/s10479-006-0061-4

Universidad de Antioquia · Facultad de Ingeniería· Ude@ Educación Virtual