Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

Caballero Fernndez, Rafael rafael.caballero@uma.es Hernndez Huelin, Mnica m_huelin@uma.es Gmez Nez, Trinidad trinidad@uma.es Departamentode Economa Aplicada (Matemticas) Universidad de Mlaga

RESUMEN
En este trabajo se resuelve el problema de Programacin por Metas cuando las metas adoptan una forma fraccional lineal. La principal dificultad de este problema viene dada porque en el modelo de programacin matemtica que se ha de resolver para buscar soluciones que satisfagan los niveles de aspiracin, surgen restricciones no lineales. Cuando existen soluciones que satisfacen todos los niveles de aspiracin, el problema resulta fcil de resolver a travs de la resolucin de un problema lineal asociado. En este trabajo proponemos algoritmos para resolver este problema cuando no tenemos asegurada la existencia de dichas soluciones. Este estudio ser llevado a cabo teniendo en cuenta todos los distintos enfoques de resolucin de un problema de Programacin por Metas, estableciendo algoritmos de bsqueda de las soluciones bajo todos estos enfoques, as como un anlisis de sensibilidad de los niveles de aspiracin.

ABSTRACT
This work deals with the resolution of the goal programming problem with linear fractional criteria. The main difficulty of these problems is the non-linear constraints of the mathematical programming models that have to be solved. When there exist solutions satisfying all target values, the problem is easy to solve by solving a linear problem. So, in this paper we deal with those instances where there is no guarantee such solutions exist, and therefore we look for those points in the opportunity set closest to the target values. This study has been done taking into account all the different approaches available for solving a goal programming
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Caballero Fernndez y otros

problem, creating solution-search algorithms based on these approaches, and performing a sensitivity analysis of the target values.

Palabras claves: Programacin por Metas; Programacin Multiobjetivo; Programacin Fraccional. Keywords: Goal programming; Multiobjective Programming; Fractional Programming. Clasificacin JEL (Journal Economic Literature): C60; C61 rea temtica: 7. Programacin Matemtica.

1. INTRODUCCIN
En la Programacin por Metas a veces notaremos, por comodidad, PM se toma como supuesto lgico una renuncia a la optimizacin por parte del decisor que a cambio establece unos niveles de aspiracin para cada objetivo, de forma que si dichos niveles se verifican, las expectativas o deseos del decisor se vern satisfechos. Tambin se suelen fijar una serie de preferencias determinadas por el decisor sobre los objetivos a optimizar, ordenando stos segn su importancia relativa. Cuando los objetivos tienen forma fraccional lineal, la formulacin del correspondiente problema de metas que se ha de resolver se complica bastante, debido a la existencia de restricciones no lineales en el mismo. Tal y como ya demostraron Awerbuch et al. (1976) la resolucin de este tipo de problemas a travs de una linealizacin directa no resulta adecuada. Hannan (1977) intenta establecer una caracterizacin de las condiciones para las que el problema linealizado resulte equivalente al original. Pero el resultado de Hannan no es cierto, tal y como demostraron con un contraejemplo Soyster y Lev en 1978. En su trabajo, Soyster y Lev adems establecen un problema test que, una vez resuelto, puede asegurar si estamos ante problemas equivalentes o no. Tras estos trabajos, exceptuando un trabajo de Kornbluth y Steuer del ao 1981, muy escasas han sido las aportaciones encontradas en la literatura que traten el tema de Programacin por Metas con metas fraccionales. Recientemente, Audet et al. (2004) utilizan tcnicas de optimizacin global para resolver este problema.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

En el presente trabajo, vamos a resolver el problema fraccional lineal multiobjetivo bajo el punto de vista de la Programacin por Metas. Gracias a un trabajo de Caballero y Hernndez (2006), sabemos que es posible determinar de antemano, mediante un sencillo test lineal, la existencia o no de soluciones satisfaciendo todas las metas del problema que aqu nos planteamos. Ahora vamos a suponer que estamos ante el caso en el que no todas se puedan satisfacer y resolveremos el problema de metas fraccional lineal de forma directa, tras lo cual se llevar a cabo un anlisis de sensibilidad de los niveles de aspiracin impuestos por el decisor para este caso, en el que han resultado ser demasiado restrictivos. Los principales enfoques de la Programacin por Metas son la PM Ponderadas, la PM Minimax y la PM Lexicogrficas. Tanto el enfoque de PM Ponderadas como el de PM Minimax se pueden entender como un problema de PM Lexicogrficas con un nico nivel de prioridad. Por ello, vamos a considerar sin prdida de generalidad que estamos ante este enfoque. En un problema de PM Lexicogrficas, dentro de cada nivel pueden ocurrir dos casos: Que haya una nica meta o bien que haya ms de una. Pues bien, en este trabajo vamos a considerar ambas posibilidades, teniendo en cuenta, adems, en el caso de ms de una meta en un mismo nivel de prioridad, si se ha utilizado la filosofa ponderada o la minimax como modo de agregar las metas en dicho nivel. As pues, en la seccin 2 del trabajo se tratar el caso en el que estemos en un nivel de prioridad con una nica meta. Las secciones 3 y 4 estarn dedicadas al caso de ms de una meta en un determinado nivel de prioridad. En la seccin 3, supondremos que la forma de agregar las metas responde al enfoque ponderado y en la seccin 4 haremos el estudio del problema en el caso en el que se haya considerado el enfoque minimax como mtodo de agregacin de las metas en cada nivel. Por ltimo se vern las conclusiones derivadas del trabajo as como las referencias bibliogrficas.

2. UNA META POR NIVEL DE PRIORIDAD

Partimos del problema cuyos objetivos adoptan forma fraccional lineal teniendo un conjunto de oportunidades que es un poliedro convexo. Es decir, tenemos el problema
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Caballero Fernndez y otros

1( x ) =
s.a

c1 t x + 1 d 1t x + 1

,K , p ( x ) =

c pt x + p d pt x + p

Ax b x0

donde c,d Rn , i, i R; A Mmxn(R) y b Rm. Llamaremos X al conjunto de oportunidades y notaremos por fi(x) = citx + i a los numeradores de los objetivos y por gi(x) = ditx + i a los denominadores. Adems se supone que los denominadores gi(x), i = 1, ..., p son estrictamente positivos para todo x X. Vamos a suponer, sin prdida de generalidad, que el decisor impone unos niveles mnimos de aspiracin para cada uno de los objetivos, ui, i = 1,..., p. As, en el problema de metas se tratar de determinar si existe algn punto x* X que verifique:
Ax* b

i(x*) ui, i = 1,..., p

(1)

Como es sabido, el procedimiento seguido en la Programacin por Metas es el de plantear la transformacin del sistema de inecuaciones (1) en un problema de optimizacin, donde adems se tratarn de incorporar preferencias del decisor. Cuando se quiere conseguir satisfacer todas las metas a la vez, se habr de resolver un problema que conjugue de alguna forma todas las funciones de realizacin de cada una de las metas. Existen distintas versiones a la hora de considerar dicha conjugacin y el hacerlo nos lleva a los diferentes enfoques dentro de la Programacin por Metas, ya mencionados en la Introduccin. En la presente seccin resolveremos el problema de metas bajo el enfoque lexicogrfico y estamos en un problema con una nica meta en cada nivel de prioridad. Tras ello ser realizado un anlisis de sensibilidad del nivel de aspiracin asociado a dicha meta. Si es la meta correspondiente al i-simo objetivo la que se encuentra en el actual nivel de prioridad, al que notaremos Ns, llamando hi(ni, pi) a la funcin de realizacin de la meta situada en este nivel, el problema que hemos de resolver es el siguiente: min hi(ni, pi) = ni s.a xX
4

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

j(x) uj
ni pi = 0 ni, pi 0

j N1, , Ns-1 (2)

i(x) + ni pi = ui

Debido a que la funcin hi(ni, pi) es una funcin montona decreciente en ni y pi, sindolo estrictamente para al menos una componente de dichos vectores, se puede demostrar que estas variables de desviacin verifican en el ptimo que ni* pi* = 0 para todo i = 1, ..., p. Por ello, vamos a obviar desde este momento, en la formulacin de los problemas, a la restriccin ni pi = 0. Tal y como se observa claramente, el problema (2) no es de fcil resolucin debido a las restricciones no lineales correspondientes a las metas que se intentan satisfacer. En Caballero y Hernndez (2006) se establece que, considerando el siguiente problema lineal asociado,
min ni ' s .a x X f j( x ) g j( x )u j 0 ni ' , p i ' 0 j N 1 ,..., N s 1

(3)

f i ( x ) g i ( x ) u i + ni ' p i ' = 0

la relacin entre los problemas (2) y (3) es la siguiente: i) Si al resolver (3) la solucin es (x*, ni*, pi*)i=1,...,k tal que ni* = 0, entonces existe al menos una solucin que, satisfaciendo los niveles anteriores, satisface tambin la nica meta de este nivel del problema fraccional lineal y coincide con x*. ii) Si al resolver (3) la solucin, (x*, ni*, pi*)i=1,...,k , es tal que ni* > 0, entonces no existe ninguna solucin que, satisfaciendo los niveles anteriores, satisfaga la meta de este nivel del problema fraccional lineal.

Ahora bien, tal y como observaron Awerbuch et al. (1976), suponiendo que hemos resuelto el problema lineal (3) y que se ha obtenido un valor x* con n* > 0, este
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Caballero Fernndez y otros

punto x* no tiene por qu ser tambin solucin de (2). En este caso, el siguiente teorema establece el punto solucin de (2).

Teorema 2.1. Sea Xs = {x X / j(x) uj, j N1, ..., Ns-1}. Supongamos que no existe punto en Xs que satisfaga la meta i(x) ui. Sea x** la solucin del problema fraccional lineal monobjetivo max i ( x ) s .a x Xs

entonces (x**, ni**, 0) es solucin de (2) donde ni** = ui i(x**). Demostracin. Comprobemos que el punto (x**, ui i(x**), 0 ) es la solucin de (2). Por un lado verifica las restricciones , puesto que: x** X y f j ( x * *) g j ( x * *) u j 0

j N 1 ,..., N s 1

i(x**) + (ui i(x**)) 0 = ui.

Puesto que partimos de la hiptesis de que la meta no se verifica en ningn punto de X y por tanto, tampoco en x**, entonces i(x**) < ui , es decir, ni** = ui

i(x**) > 0.
pi** = 0 0 obviamente. Adems, es el punto que minimiza el valor de ni de entre aquellos que verifican las restricciones. Vemoslo por reduccin al absurdo: Si (x*, ni*, pi*) es la solucin de (2), por hiptesis y por el Teorema 1 de Caballero y Hernndez (2006), puesto que al resolver el problema (3) ha resultado un ni* > 0, entonces es seguro que tambin ni* > 0, es decir, ui > i(x*). Puesto que este punto debe verificar las restricciones del problema, entonces necesariamente

i(x*) + ni* pi* = ui,

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

siendo ni* > 0 y pi* 0, con lo cual necesariamente, pi* = 0. Es decir, que la solucin de (2) necesariamente toma la forma (x*, ni*, 0). Pero entonces, de nuevo por verificar las restricciones, debe ocurrir que i(x*) + ni* = ui, lo cual implica que ni* = ui i(x*). As, si suponemos que (x**, ni**, 0) no es solucin de (2) y lo es (x*, ni*, 0) necesariamente es porque ni* < ni**, es decir, que ui i(x*) < ui i(x**). Lo cual implicara que i(x*) > i(x**), pero x** es el mximo de la funcin i en Xs. Por tanto, hemos llegado a contradiccin y queda demostrado que el punto (x**, ni**, 0) es la solucin de (2). Despus de varios intentos de establecer la equivalencia entre los problemas (2) y (3) en la literatura (Awerbuch et al. (1976), Hannan (1977, 1981), Soyster y Lev (1978)), dicha cuestin haba sido solucionada en el trabajo de Soyster y Lev (1978) en el cual se planteaba un problema test. Si la solucin de dicho problema test es nula, se asegura la equivalencia en las soluciones de (2) y (3). Bajo nuestra notacin dicho problema test es el siguiente: Sea (x*, n*, p*) la solucin de (3) con n* > 0. Si el ptimo del problema auxiliar max fi(x) i(x*) gi(x) s.a x Xs

es cero, entonces x* tambin resuelve (2). Realmente, este problema test utiliza el mtodo de Dinkelbach de 1967 de resolucin del problema fraccional lineal para verificar si x* es la solucin de max i ( x ) s .a x Xs

Por tanto, la conclusin a la que hemos llegado en el Teorema 2.1 no hace sino generalizar a esta otra de Soyster y Lev (1978).

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Caballero Fernndez y otros

Una vez resuelto para este caso el problema de Programacin por Metas tal y como hemos establecido, es lgico plantearse un estudio acerca de la sensibilidad del nivel de aspiracin impuesto. As pues, el punto solucin del problema (2), nos est ofreciendo en s mismo el anlisis de sensibilidad que buscamos, dndonos un intervalo dentro del cual aseguramos la existencia de puntos que satisfacen la meta i-sima. En efecto, supongamos entonces que x** es la solucin del problema (2), verificando que ni** > 0. As pues, x** es el punto de Xs que queda ms cerca de verificar la meta i-sima, es decir, que minimiza el incumplimiento de la meta al conjunto Xs y que dicho incumplimiento mnimo es, precisamente, ni**. Por tanto, para valores superiores a la magnitud ui ni**, no se va a tener existencia de puntos satisfaciendo la meta. Sin embargo, para niveles de aspiracin u ui ni** entonces s existirn estos puntos. En particular, al menos x** es uno de ellos. Es decir, el intervalo de sensibilidad es (, ui ni**]. Y as, tomando un nivel de aspiracin de la meta i comprendido en dicho intervalo, podemos asegurar la existencia de al menos un punto que satisfaga dicha meta (dado que satisfacen las de los anteriores niveles).

3. MS DE UNA META POR NIVEL DE PRIORIDAD. ENFOQUE PONDERADO.

En la presente seccin, vamos a resolver el problema de metas fraccional lineal que se plantea en el nivel Ns cuando tenemos ms de una meta en dicho nivel y se han agregado stas atendiendo a un enfoque ponderado. Tras ello realizaremos el anlisis de sensibilidad de los niveles de aspiracin asociados a dicho nivel de prioridad. En este caso el problema que hemos de resolver es el siguiente:

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

min s .a

i =1

ni
j N 1 ,..., N s 1 i = 1,..., k

x X

j( x ) u j

(4)

fi ( x ) + ni pi = ui gi ( x ) ni , pi 0

i = 1,..., k

De nuevo, tal y como se observa claramente, este problema en un principio no es de fcil resolucin debido a las restricciones no lineales correspondientes a las metas que se intentan satisfacer. Consideramos el problema lineal asociado

min s.a

ni '
i =1

x X f j( x ) g j( x )u j 0 ni ' , p i ' 0 i = 1,..., k

j N 1 ,..., N s 1

(5)

f i ( x ) g i ( x ) u i + ni ' pi ' = 0 i = 1,..., k

Este problema se resuelve en un primer lugar para comprobar si existen soluciones satisfaciendo las metas y tratar de evitar la dificultad que entraa el problema (4). Supongamos que al resolver (5) se ha obtenido una solucin x* tal que

i =1

n'i * > 0 . Sabemos por Caballero y Hernndez (2006) que entonces no existe

ninguna solucin que satisfaga todas las metas de dicho nivel. Si esto ocurre, el valor

i =1

n'i * no tiene por qu ser el que nos de el incumplimiento mnimo de forma

conjunta (en los puntos de Xs) de las metas situadas en el nivel de prioridad s, al igual que ocurra en el caso de la seccin anterior. Vamos entonces a resolver directamente el problema (4). Debido a la dificultad del problema que se plantea, vamos a llevar a cabo un estudio ms profundo de este caso que concluir en la obtencin de un algoritmo capaz de localizar a su solucin. Tras ello, verificaremos que en el caso particular de una meta

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

Caballero Fernndez y otros

por nivel de prioridad, el mismo es equivalente al resultado que expusimos en la seccin anterior. En primer lugar vamos a encontrar una expresin de las variables ni en funcin de las variables x. Para ello, primero vamos a establecer la expresin de las variables ni en funcin de x dado que se verifican las restricciones del problema planteado. Dado un x X tal que j(x) uj, j N1, ..., Ns1, para todo i {1, ..., k}, se debe verificar la restriccin fi(x) gi(x) ui + ni pi = 0, siendo fi (x) = citx + i y
gi(x) = ditx + i, es decir, se debe verificar que (citx + i) ui(ditx + i ) + ni pi = 0 y por tanto se tiene que

Si (ci + ui di)tx + (i + uii) > 0, entonces ni(x) = (ci + ui di)tx + (i + uii) Si (ci + ui di)tx + (i + uii) 0, entonces ni(x) = 0. Puesto que la relacin que hay entre las variables ni y las ni es ni = ni / gi(x), entonces, dado que hemos encontrado las expresiones de las variables ni respecto a
x, tambin tenemos las de las variables ni. Esta expresin, para un i dado entre 1 y k,

es la siguiente: Si (ci + ui di)tx + (i + uii) > 0, ni(x) =

( ci + u i d i )x + ( i + u i i ) di x + i

Si (ci + ui di)tx + (i + uii) 0, ni(x) = 0. As pues, dado que se han de verificar las restricciones del problema (4), hemos llegado a una expresin de las variables ni como funciones de x, para todo x de Xs. El inconveniente de esta expresin es que viene definida a trozos. Pues bien, para encontrar el punto solucin de (4), bastar minimizar en Xs la suma ponderada de las expresiones que acabamos de establecer. Pero ello habr que hacerlo distinguiendo todos lo posibles casos. Veamos cules son estos casos. De las k metas impuestas en este nivel, sea m el nmero de ellas que es posible satisfacer, dado que ya se han satisfecho las metas de niveles anteriores. Es decir, estas m metas que tienen la posibilidad de satisfacerse en este nivel son
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

10

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

aquellas que verifican que {i(x) = ui} Xs . Puesto que puede que no todas las metas cumplan este requisito, se tiene que m k. Supongamos sin prdida de generalidad que son las m primeras de las k que hay en este nivel. Entonces consideramos una particin de X de forma que se tengan todas las posibles combinaciones de restricciones i(x) ui por un lado, y i(x) ui por otro, para i = 1, ..., m, como restricciones a aadir a las de Xs para constituir los subconjuntos que forman la particin. En total, haciendo esto, se habr formado una particin de Xs con 2m subconjuntos. Estos seran los siguientes
Subconjunto X1 X2 X3 ... Xm Xm+1 ...
X 2m

Restricciones a aadir a las de X

1(x) u1, 2 (x) u2, 3 (x) u3, ..., m (x) um 1(x) u1, 2 (x) u2, 3 (x) u3, ..., m (x) um 1(x) u1, 2 (x) u2, 3 (x) u3, ..., m (x) um
...

1(x) u1, 2 (x) u2, 3 (x) u3, ..., m (x) um 1(x) u1, 2 (x) u2, 3 (x) u3, ..., m (x) um
...

1(x) u1, 2 (x) u2, 3 (x) u3, ..., m (x) um

Esta particin de Xs est formada por subconjuntos polidricos puesto que las nuevas restricciones introducidas son lineales ya que, siendo fi(x) y gi(x) funciones lineales, i(x) = ui adopta forma de restriccin lineal, pudindose darse el caso de que alguno de estos subconjuntos sea el conjunto vaco. Pues bien, para cada uno de estos conjuntos se deber minimizar una suma de funciones fraccionales lineales. La

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

11

Caballero Fernndez y otros

suma que se deber minimizar variar dependiendo en qu subconjunto Xr nos encontremos. Dado un r desde 1 hasta 2m, si en Xr se tiene que para un determinado i entre
1 y k, i(x) ui, entonces en este subconjunto la meta i-sima no se satisface, y por

tanto para este i, (ci + ui di)tx + (i + uii) > 0, luego

( ci + u i d i )t x + ( i + u i i ) d it x + i

ni(x) =

Ahora bien, si i(x) ui para la meta i-sima en el subconjunto Xr, entonces en ese caso, ni(x) = 0. Por tanto, se deben resolver los siguientes 2m problemas, para cada r variando desde 1 hasta 2m

min
x X r

iI r

(c i + u i d i )t x + ( i + u i i ) d it x + i

donde Ir = {i = 1, ..., k tales que i(x) ui en Xr} y donde i es el peso correspondiente a la meta i-sima suponindolo ya normalizado. Una vez resueltos estos 2m problemas, supongamos que sus ptimos han resultado ser Or*, para r = 1, ..., 2m. Bastar entonces considerar el mnimo de todos ellos,
min Or* = O*.

r =1,...,2 m

Y, si x** es el punto de X solucin del problema que dio como resultado al valor
O*, entonces x** es el punto solucin del problema original de metas (4), puesto que ha

resultado ser el punto que minimiza la suma ponderada de las desviaciones a las metas, considerando estas desviaciones en su forma original. De esta forma, para localizar la solucin de (4), proponemos realizar el siguiente algoritmo:
Algoritmo 3.1.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

12

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

Paso 1. De las k metas que hay en el nivel en el que nos encontramos, localizar

aquellas metas tales que

{i(x) = ui} Xs .

Supongamos sin prdida de generalidad que son las m primeras de las k que hay en este nivel.
Paso 2. Establecer una particin del conjunto Xs en 2m subconjuntos tal y como

se ha visto en el desarrollo anterior. Sea r = 1.

Paso 3. Dado r, resolver1 el problema

min
x X r

iI r

(c i + u i d i )t x + ( i + u i i ) d it x + i

donde Ir = {i = 1, ..., k tales que i(x) ui en Xr}. Sea xr* su solucin con un valor de la funcin objetivo Or*.
Paso 4. Si r = 2m, ir al paso 5.

Si r 2m, sea r = r + 1 y volver al paso 3.

Paso 5. Calcular minm Or* = O*.
r =1,...,2

Si Oi* = minm Or* = O*, FIN. x** = xi* es la solucin de (4).

r =1,...,2

Antes de pasar al estudio de la sensibilidad, hemos de observar que en el supuesto en el que slo hubiera una meta en este nivel, realizar el proceso anterior resultara anlogo a lo que se obtuvo para este caso concreto en el desarrollo expuesto en la seccin 2.

Proponemos para ello el algoritmo de Falk y Palocsay (1992) de resolucin del problema de suma de funciones fraccionales lineales. XVII Jornadas ASEPUMA V Encuentro Internacional 13 Rect@ Vol Actas_17 Issue 1: 703

Caballero Fernndez y otros

Efectivamente, en el caso de una nica meta por nivel, puesto que la meta no se ha satisfecho, el nmero m de metas posibles de satisfacer es m = 0. Esto quiere decir que la particin que consideramos para Xs est formada por un nico subconjunto que es el propio conjunto Xs en donde no se aade ninguna nueva restriccin. Y, puesto que en todo el conjunto Xs se tiene que i(x) ui (la meta no es posible satisfacerla), entonces la expresin que adopta ni(x) es la siguiente
( ci + u i d i )t x + ( i + u i i ) d it x + i

ni(x) =

o, lo que es lo mismo,
f i ( x ) + ui g i ( x ) = i ( x ) + u i . gi ( x )

ni(x) =

Y, puesto que ui es constante, claramente el punto que minimiza en Xs esta expresin de ni(x) coincide con el punto que maximiza en Xs a la funcin i(x). Por tanto, efectivamente, el resultado al que hemos llegado en el caso de ms de una meta por nivel de prioridad generaliza al que obtuvimos en el caso de una sola meta por nivel. Pasamos entonces ahora a realizar en este caso concreto el estudio de la sensibilidad de los niveles de aspiracin de las metas correspondientes a este nivel de prioridad. Supongamos que la solucin del problema (4), encontrada utilizando el algoritmo propuesto, ha resultado ser (x**, n1**, ..., nk**, p1**, ..., pk**). A partir de este punto, utilizando un razonamiento anlogo al efectuado en el anterior epgrafe, llegamos a la conclusin de que bastar bajar los niveles de aspiracin hasta el correspondiente valor i(x**) para cada i = 1, ..., k. La razn de esta afirmacin se basa en el hecho de que el punto x**, obtenido como solucin del problema (4), es el punto que minimiza el incumplimiento de forma agregada de las metas impuestas en este nivel de prioridad al conjunto Xs, dado que se verifican las metas de niveles anteriores. Para terminar, vamos a ver con un ejemplo concreto todo el desarrollo anterior.
Ejemplo 3.1.
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

14

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

Supongamos un problema cuyo conjunto de oportunidades viene definido de la siguiente forma:

x1 4 x2 4 x1 + x 2 5

Y supongamos que en un determinado nivel de prioridad se tienen las siguientes metas, todas con la misma ponderacin:

1 ( x ) = 2( x ) = 3 ( x ) = 4( x ) =

x2 1 1 x1 + x 2 1 x1 x 2 + 5 1 x1 + 5 x1 + x 2 8 1 x1 + 5 x1 1 x2 + 7

El resultado tras aplicar el problema lineal asociado al problema de metas fraccional lineal bajo el enfoque ponderado es que no existen puntos que satisfagan todas las metas. Tal y como podemos observar en la Figura 1, hay metas que no se pueden satisfacer con los niveles de aspiracin impuestos y otras, como 3(x) -1 y

4(x) 1, que s pueden alcanzar el nivel de aspiracin dentro del conjunto X.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

15

Caballero Fernndez y otros

Figura 3.1. Esquema del Ejemplo 1.

Para resolver el correspondiente problema de metas, el primer paso consiste en identificar qu metas, de las cuatro que hay en este nivel, podran ser satisfechas. Es decir, qu metas verifican que la interseccin de i(x) = ui con X es distinta del vaco. Tal y como se ve claramente en la figura, en este caso, las meta 3(x) -1 y 4(x) 1 cumplen este requisito, y por tanto, m = 2. De esta forma, hemos de establecer una particin del conjunto X en 4 subconjuntos, como observamos en la Figura 3.1.
X1 = {x X / 3(x) -1, 4(x) 1 }, X2 = {x X / 3(x) -1, 4(x) 1 } = X3 = {x X / 3(x) -1, 4(x) 1 }, X4 = {x X / 3(x) -1, 4(x) 1 }.

En el siguiente paso, debemos resolver tres problemas de optimizacin, uno por cada subconjunto de X no vaco, donde, como las dos primeras metas no pueden ser satisfechas en ninguno de estos tres subconjuntos, en todos 1(x) 1 y 2(x) 1.
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

16

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

Por tanto, el primer problema a resolver es el siguiente

min s .a x1 x2 + x1 + x 2 1 x1 + 5 x X1

cuya solucin, tras aplicar el algoritmo de Falk y Palocsay (1992), resulta ser x1* = (3,
4) tal que el valor de la funcin objetivo en dicho punto es O1* = 2.5.

El segundo problema a resolver es

min s .a x1 x 2 + 7 x1 x2 + + x1 + x 2 1 x1 + 5 x2 + 7 x X3

cuya solucin es x3* = (1, 4) con valor de la funcin objetivo O3* = 1.91667.

El tercer problema a resolver es

min s .a x1 x2 x1 x 2 + 7 x 2 + 3 + + + x2 + 7 x1 + x 2 1 x1 + 5 x1 + 5 x X4

cuya solucin es x4* = (2, 3) con valor de la funcin objetivo O4* = 2. Por tanto, tomando O* = min {O1*, O3*, O4* } = O3* = 1.91667, podemos llegar a la conclusin de que el punto que resuelve el problema de metas fraccionales ponderadas es el punto x3* = (1, 4) ya que es en ste punto donde se minimizan de forma ponderada la suma de las distancias angulares de los puntos del conjunto X a las metas impuestas. El valor de las metas en este punto solucin es el siguiente:

1(x*) = 0.75, 2(x*) = 0, 3(x*) = - 0.75, 4(x*) =1/3

Por tanto, como anlisis de sensibilidad, tras lo expuesto anteriormente, podemos asegurar que al menos hay que bajar los niveles de aspiracin de las dos primeras metas hasta los valores u1 = 0.75 y u2 = 0 y el de la cuarta meta hasta el valor u4 = 1/3 para alcanzar puntos satisfaciendo las metas en este nivel. Tambin se observa que podemos aumentar el nivel de aspiracin de la tercera meta hasta el valor
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

17

Caballero Fernndez y otros

u3 = -0.75 y seguir manteniendo la existencia de puntos satisfaciendo todas las metas de este nivel.

4. MAS DE UNA META POR NIVEL DE PRIORIDAD. ENFOQUE MINIMAX.

En esta seccin se estudia el caso en el que hayamos utilizado el enfoque minimax para resolver el problema de un determinado nivel de prioridad s con k funciones objetivo asociadas al mismo. En este caso, el problema que debemos resolver en dicho nivel es el siguiente:
min d s .a x Xs fi ( x ) + ni p i = u i gi ( x ) i = 1,..., k

(6)

i ni d i = 1,..., k
ni , pi 0 i = 1,..., k

Al igual que en los casos estudiados anteriormente, a este problema, en principio le asociamos un problema lineal que proponemos sea resuelto en un primer momento para la comprobacin de la existencia o no de soluciones satisfaciendo todas las metas de este nivel. Dicho problema lineal toma la forma expuesta a continuacin:
min d' s .a x Xs f i ( x ) g i ( x ) u i + n' i p' i = 0 i = 1,..., k

(7)

i n' i d' i = 1,..., k

x , n' i , p' i 0 i = 1,..., k

Segn el Teorema 2 de Caballero y Hernndez (2006), si (x*, d*, ni*, pi*)i=1,...,k es solucin de (7), entonces: i) Si d* = 0, x* es un punto que verifica todas las metas del nivel en el que nos encontramos.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

18

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

ii)

Si d* > 0, podemos asegurar que no existe ningn punto de Xs que verifique todas las metas del nivel s. Resolvamos entonces (6) en este segundo supuesto, es decir, cuando no

existan puntos satisfaciendo las metas para este nivel. De la misma forma que ocurre en los casos anteriores, el punto que hayamos obtenido como solucin del problema (7), x*, no tiene porqu ser la solucin de (6). Ahora bien, para resolver (6) directamente proponemos tener en cuenta que este problema es equivalente a
min max (i ( u i i ( x )) xX s i =1,...,k

(8)

Puesto que las funciones i(x) son fraccionales lineales, y puesto que los valores ui vienen fijados de antemano, las funciones de este problema minimax son tambin fraccionales lineales y por tanto estamos ante lo que se conoce en la literatura como un problema de Programacin Fraccional Generalizada. Este problema ha sido ampliamente estudiado en la literatura existiendo diferentes algoritmos de resolucin del mismo. Entre ellos, proponemos aqu el algoritmo Newmodm de Ferland y Potvin (1985). As pues, proponemos resolver (6) usando Newmodm para encontrar la solucin de (8) dado que ambos problemas son equivalentes. Para terminar la seccin, vamos a realizar el correspondiente estudio de sensibilidad. Una vez resuelto (6), siendo x* su solucin, si x* es solucin nica entonces los niveles de aspiracin de las metas que no se han satisfecho debern bajar al menos hasta el valor que las metas toman en este determinado punto. Pero si x* no es la nica solucin de (6), debemos continuar con el anlisis puesto que es posible que existan algunos objetivos para los cuales se puedan establecer niveles de aspiracin mayores al valor que alcanzan stos en x* manteniendo la existencia de puntos satisfaciendo todas las metas. En este caso, proponemos realizar un algoritmo iterativo que nos lleve al punto que minimiza el incumplimiento de las metas de este nivel y que nos da el anlisis de sensibilidad buscado. En este algoritmo, en cada iteracin tomaremos aquellas metas, de entre las que no se satisfacen, en las que la
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

19

Caballero Fernndez y otros

variable de desviacin d haya alcanzado su mnimo valor d*. Para estas metas, supongamos que son las metas isimas con i = 1, ..., m, consideraremos las restricciones

i(x) = ui d* = i(x*) i = 1, ,m
y las aadiremos al problema (6) como restricciones duras, eliminando, en su lugar, las restricciones blandas correspondientes a dichas metas. Resolvemos este nuevo problema obteniendo un nuevo punto tal que, en 1, ..., m iguala el valor alcanzado por el punto obtenido en la iteracin anterior, y en el resto, en general, lo mejora o lo iguala. As continuamos el proceso hasta que, o bien nos topemos con unicidad de solucin de alguno de estos problemas, o bien hayamos terminado de mejorar todos los posibles valores topes para los niveles de aspiracin de las metas que no se hayan satisfecho. De esta forma, el algoritmo que proponemos es el siguiente:
Algoritmo 4.1. Paso 1. Sea r = 1, sea X1 = Xs y sea I1 = {1, ..., k}. Paso 2. Resolver, utilizando el algoritmo Newmodm el problema minimax

fraccional lineal

min max(i (u i i ( x) ) xX r iI r
Sea xr* el punto solucin y r* el valor de la solucin en dicho ptimo.
Paso 3. Establecer el siguiente conjunto de ndices Jr, dentro de Ir:

Para cada i Ir, si r* = ui i(xr*), entonces i Jr. Sea Ir+1 = Ir \ Jr.

Paso 4. Si Ir+1 = , FIN, xr* = x* es el punto que establece el anlisis de

sensibilidad buscado. Si Ir+1 , entonces sea Xr+1 = Xr {i(x) = ui r* / i Jr}.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

20

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

Sea r = r + 1, y volver al paso 2.

Hemos de hacer constar que este algoritmo es claramente convergente puesto que en cada iteracin el conjunto Ir va reducindose ya que, por propia construccin del valor r*, el conjunto de ndices Jr nunca ser vaco. Y as, tras la aplicacin del algoritmo que hemos presentado, siendo x* el punto obtenido, se habr de bajar los niveles de aspiracin de las metas impuestas en el nivel de prioridad s de la siguiente forma: Si ui > i(x*), entonces el nuevo nivel u i ser u i = i (x*) < ui. Si ui i(x*), no es necesario modificar dicho nivel de aspiracin puesto que, al menos el punto x* lo verifica y es un punto de X que verifica las metas impuestas en los niveles de prioridad menores al s. Por tanto, podemos decir que en este caso, ui = ui. Con estos nuevos niveles de aspiracin, aseguramos que el problema de Programacin por Metas Minimax correspondiente al nivel de prioridad actual s tiene solucin satisfaciendo todas las metas, puesto que al menos el punto x* es una de ellas. Sin embargo, con niveles superiores a los ui aseguramos la no existencia de puntos que satisfagan todas las metas del problema, por ser x* el punto que minimiza el mximo incumplimiento de las metas impuestas al conjunto. Ahora bien, para niveles tales que ui

i(x*), podemos afirmar que estos niveles aun podran aumentarse y seguir existiendo
puntos satisfaciendo todas las metas. Ms concretamente, los mismos pueden ser aumentados como mucho hasta el valor i(x*).

5. CONCLUSIONES
En el presente trabajo nos hemos planteado de una forma directa y contemplando todos los casos posibles, el estudio del problema de Programacin por
XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

21

Caballero Fernndez y otros

Metas cuando los objetivos asociados a dichas metas tienen forma de funcin fraccional lineal. Se ha llevado a cabo un profundo estudio, estableciendo como consecuencia del mismo algoritmos capaces de encontrar aquellos puntos que resuelven el problema que encontramos en un determinado nivel de prioridad. Este estudio ha sido llevado a cabo para el caso de una sola meta por nivel de prioridad y tambin para el caso en el que existen varias metas en ese determinado nivel. Se ha visto y tratado de forma diferente el caso en el que las metas hayan sido agrupadas de forma ponderada o bajo un enfoque minimax. Adems, y para cada uno de los casos estudiados que se corresponden con las distintas secciones del trabajo, una vez que se ha resuelto el problema de la obtencin de soluciones, nos hemos planteado el anlisis de sensibilidad de los niveles de aspiracin impuestos por el decisor. De esta forma, en todas las secciones se ha concluido con la obtencin de unos valores de relajacin de los niveles de aspiracin, a partir de los cuales se asegura la existencia de soluciones satisfaciendo todas las metas del actual nivel de prioridad.

6. REFERENCIAS BIBLIOGRFICAS
AUDET, C., CARRIZOSA, E., y HANSEN, P., (2004). An exact method for fractional goal programming. Journal of Global Optimization, 29, pp. 113-120. AWERBUCH, S., ECKER, J.G. y WALLACE, W.A. (1976). A note: Hidden nonlinearities in the application of goal programming. Management Science, 22, pp. 918-920. CABALLERO, R. y HERNNDEZ, M. (2006). Restoration of efficiency in a goal programming problem with linear fractional criteria. European Journal of Operational Research, 172, pp.31-39. DINKELBACH, W. (1967). On nonlinear fractional programming.

Management Science, 13, 7, pp. 492-498.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

22

Algoritmos para la determinacin de soluciones en problemas de programacin por metas fraccionales.

FALK , J.E. y PALOCSAY, S.W. (1992). Optimizing the sum of linear fractional functions. In Recent Advances in Global Optimization, eds. Floudas, Ch. A. y Pardalos, P.M., Princeton Ser. Comput. Sci., Princeton Univ. Press, Princeton, NJ, pp. 221-258.

FERLAND, J.A. y POTVIN, J.Y. (1985). Generalized fractional programming: algorithms and numerical experimentation. European Journal of Operational Research, 20, 1, pp. 92-101.

HANNAN, E.L. (1977). Effects of substituting a linear goal for a gractional goal in the goal programming problem. Management Science, 24, 1, pp. 105107.

HANNAN, E.L. (1981). Note-On An interpretation of fractional objectives in goal programming as related to papers by Awerbuch et al. and Hannan. Management Science, 27, 7, pp. 847-848.

KORNBLUTH, J.S.H. y STEUER, R.E. (1981). Goal programming with linear fractional criteria, European Journal of Operational Research, 8, pp. 58-65.

SOYSTER, A.L. y LEV, B. (1978). An interpretation of fractional objectives in goal programming as related to papers by Awerbuch et al. and Hannan. Management Science, 24, pp. 1546-1549.

XVII Jornadas ASEPUMA V Encuentro Internacional Rect@ Vol Actas_17 Issue 1: 703

23