Introducción a la Optimización

Multiobjetivo
 Optimización Multiobjetivo (MOP)
¾ Prácticamente en cualquier área y en una variedad de
contextos se presentan problemas con múltiples objetivos
que se contraponen entre sí
¾ A este tema se le conoce también como Optimización
Vectorial y se clasifica en términos del tipo de variables y
restricciones ( MOLP,
MOLP MONLP,
MONLP etc.)

Maximizar Z = (Z1 , Z 2 , Z 3 ,K Z k )

Sujeto a:
h( x) = 0

g( x) ≤ 0
 Un Ejemplo
Un estudiante desea seleccionar la mejor escuela de ingeniería con base a
varios criterios:

Escuelas consideradas
Criterios de Selección

Rangos proporcionados por US News

 Selección de Universidad
Valores normalizados

Análisis de Resultados
 Conjunto Pareto
¾ MIT es mejor que Georgia Tech y que la Universidad de Michigan
en todos los criterios considerados. Sin embargo, Stanford, Cal
Tech, Cornell y Carnegie Mellon son mejores o no que MIT
dependiendo del criterio.
¾ La solución a una problema MOP no es un solo valor, sino un
conjunto de alternativas denominado Conjunto Pareto,
Pareto Conjunto
Preferido o Conjunto No Dominado
¾ Un grupo de 5 escuelas conforman el Conjunto Pareto en el
ejemplo
¾ Conjunto Pareto: Conjunto de alternativas que proporcionan
soluciones potenciales y representan un compromiso entre los
diferentes objetivos
 Otro Ejemplo: Fabricación
de Químicos
Minimize Z1 = 4 x1 − x2 Costo
Minimize Z 2 = −05 x1 + x2 Emisiones

Sujeto a:
Región Factible en
Durabilidad x1 ≥ 1
espacio de Decisión
Almacenamiento 2 x1 + x2 ≤ 8
Disponibilidad x2 ≤ 5
Seguridad x1 − x2 ≤ 4
x1 , x2 ≥ 0
 Otro Ejemplo: Fabricación
de Químicos
Región Factible en
espacio de Objetivos

Valores en Puntos
Frontera BAD constituye el Extremos
Conjunto Pareto
 Métodos de Solución para
MOP
¾ “Métodos Basados en la Preferencia”
Preferencia :
Determinan la solución que mejor satisface la
preferencia de quien toma las decisiones.
Reduce el tiempo y el número de alternativas
pero sufren de subjetividad y falta de información
¾ “Métodos Generadores”
Generadores Determinan el conjunto
Pareto de manera formal

La mejor estrategia es utilizar un método generador

para determinar el Conjunto Pareto y entonces usar
un método basado en la preferencia para seleccionar
la solución óptima final.
 Método Generador: Método de los
Coeficientes de Peso
¾ La idea es asociar cada función objetivo con un
coeficiente de peso y minimizar la suma “pesada” de los
objetivos
¾ El problema se convierte en una serie de problemas de
optimización de una sola función objetivo

k
Optimizar Z mult = ∑wZ
i =1
i i

Sujeto a:
h( x) = 0

g( x) ≤ 0
 Método de los Coeficientes de
Peso: Procedimiento
¾ Encuentre los óptimos individuales para cada objetivo.
Tales puntos representan los extremos del Conjunto No
Dominado. Optimizar Z1
Optimizar Z2
M
Optimizar Zk

¾ Escoja valores no negativos de los pesos y resuelva el

problema: k
Optimizar Z = wZ
mult ∑ i =1
i i

Sujeto a:
h( x) = 0
g( x) ≤ 0

¾ Analice el espacio de la función objetivo y repita

con nuevos pesos de form a que se mueva hacia
la región del conjunto Pareto que se desea
explorar
 Ejemplo Ilustrativo
w1 1
Z2 = − Z1 + Z mult
w2 w2
Minimize Z mult = w1Z1 + w2 Z 2
Sujeto a: Función objetivo “pesada”

x1 ≥ 1
2 x1 + x2 ≤ 8
x2 ≤ 5
x1 − x2 ≤ 4
x1 , x2 ≥ 0
 Método Generador: Método de
Restricciones (Constraint Method)
¾ La idea otra vez es transformar el problema multiobjetivo
a una serie de problemas de un solo objetivo
¾ Se selecciona una función objetivo que se conserva
como tal y el resto se incluye como restricciones de
desigualdad
Minimize Z mult = Z i
Minimize Z = ( Z1 , Z 2 , Z 3 ,K Z k )
Sujeto a:

Z j ≤∈ j ∀j ≠ i

h( x) = 0

g( x) ≤ 0
 Método de Restricciones
Minimize Z1 = 4 x1 − x2
Minimize Z 2 = −05 x1 + x2 Minimize Z1 = 4 x1 − x2

Sujeto a: Sujeto a:

x1 ≥ 1 Z 2 = −0.5 x1 − x2 ≤∈2
2 x1 + x2 ≤ 8 x1 ≥ 1
x2 ≤ 5 2 x1 + x2 ≤ 8
x1 − x2 ≤ 4 x2 ≤ 5
x1 , x2 ≥ 0 x1 − x2 ≤ 4
x1 , x2 ≥ 0
 Método de Restricciones

∈2 = 1
 Método Basado en la Preferencia:
Optimización Mediante Metas (Goal
Programming)
¾ Se define un valor como meta para cada función
objetivo
¾ Se crea una sola función objetivo que minimiza las
desviaciones respecto de las metas definidas

Minimize Z = ( Z1 , Z 2 , Z 3 ,K Z k ) Minimize Z goal = ∑ (δ

i
i
+
+ δ i− )
Z i − G i = δ i+ − δ i− ∀i

Sujeto a:
Se establece una meta Gi h( x) = 0
para cada objetivo Zi
g( x) ≤ 0

δi+ , δi− ≥ 0
 Goal Programming
Minimize Z1 = 4 x1 − x2 G1 = G2 = −5
Minimize Z 2 = −05 x1 + x2
∑ (δ )
2
+
Minimize Z goal = i + δ i−
i =1

Sujeto a:
Sujeto a:
4 x1 − x2 + 5 = δ1+ − δ1−
x1 ≥ 1
− 05 x1 + x2 + 5 = δ 2+ − δ 2−
2 x1 + x2 ≤ 8
x2 ≤ 5 x1 ≥ 1
x1 − x2 ≤ 4 2 x1 + x2 ≤ 8
x1 , x2 ≥ 0 x2 ≤ 5
x1 − x2 ≤ 4
Solución: x1 , x2 ≥ 0

δi+ , δi− ≥ 0
Z 1 = −1 Z 2 = 4