Toán chuyên ngành

Chương 6:Tối ưu hoá đa mục

tiêu

Nhóm 18
Sinh viên thực hiện:
Phạm Đức Cường 19CDTCLC3
Trần Thanh Hoàng 19CDTCLC3
1
2

❑ Khác biệt giữa tối ưu đơn mục tiêu và đa mục tiêu

Trong bài toán tối ưu đơn mục tiêu, công việc chỉ là tìm
một phương án tốt nhất cho mục tiêu đó. Do đó, trong
các thuật toán của bài toán tối ưu đơn mục tiêu, một
phương án mới sẽ được chấp nhận nếu nó có giá trị mục
tiêu tốt hơn phương án cũ. Đối với bài toán tối ưu đa mục
tiêu, việc giải bài toán thường hướng đến tìm tập hữu
hiệu.

2
3

Tuy nhiên, chúng ta chỉ cần một phương án cuối cùng cho bài toán nên sẽ
có sự chọn lựa từ những phương án nằm trong tập hữu hiệu và ở đây có
sự thỏa hiệp giữa các mục tiêu. Do đó, quá trình giải bài toán tối ưu đa
mục tiêu có sự phối hợp 2 giữa nhà phân tích ( một người hoặc một
chương trình máy tính chịu trách nhiệm về mặt toán học của bài toán ) và
người ra quyết định ( một người hoặc một nhóm người cung cấp thông tin
cho bài toán và lựa chọn phương án sau cùng ). Đó là sự khác biệt cơ bản
của tối ưu đơn mục tiêu và đa mục tiêu.

3
4

6.1 Môt số khái niệm cơ bản

6.1.1 Phát biểu bài toán tối ưu hóa đa mục tiêu

Như đã trình bày ở các chương trước, một bài toán tối ưu đơn mục
tiêu (tuyến tính hay phi tuyến) đều có thể được mô hình hóa dưới
dạng
𝑚𝑖𝑛𝑓(𝑥) 𝑣. đ. 𝑘. 𝑥 ∈ 𝐷
trong đó: f là một hàm đơn trị (scalar function) và D là tập các ràng

4
5

buộc có thể được định nghĩa bằng

D = 𝑥 ∈ ℝ𝑛 : 𝑔𝑗 (𝑥) ≤ 0, 𝑔𝑗 : ℝ𝑛 → ℝ, 𝑗 = 1,2, … , 𝑚
Tối ưu hóa đa mục tiêu có thể được mô tả bằng mô hình toán sau:

𝑚𝑖𝑛 𝑓1 (𝑥), 𝑓2 (𝑥), … , 𝑓𝑘 (𝑥) 𝑣. đ. 𝑘. 𝑥 ∈ 𝐷 (6.1)

D được gọi là tập khả thi , không gian chứa D được gọi là không gian quyết định,
𝑔𝑗 : ℝ𝑛 → ℝ, 𝑗 = 1,2, … , 𝑚 được gọi là các hàm ràng buộc.

𝑓𝑖 : 𝐷 → ℝ, 𝑖 = 1,2, … , 𝑝 được gọi là các hàm mục tiêu

𝑓 𝑥 = 𝑓1 𝑥 , 𝑓2 𝑥 , … , 𝑓𝑝 𝑥 được gọi là vectơ hàm mục tiêu

5
6

Cũng có thể biểu diễn mục tiêu dưới dạng hàm vector như sau:

𝑓1 (𝑥)
𝑓2 (𝑥)
𝑓(𝑥) =
…
𝑓𝑘 (𝑥)

6
7
Faculty of Mechanical Engineer
Vo Nhu Thanh, Ph.D, Senior lecturer

Ví dụ:
Ta xét bài toán ra quyết định như sau: Một chủ trang trại có 10 hecta đất và
quyết định đầu tư trồng ba loại cây công nghiệp gồm cao su, cà phê và
điều. Các thông số về giá cây giống, mật độ trồng, phân bón, giá bán sản
phẩm, năng suất trung bình và nhân công chăm sóc được cho trong bảng
sau:

7
Người chủ trang trại đặt ra các mục tiêu như sau:

• Vốn đầu tư, số lượng nhân công, khối lượng phân bón là tối thiểu

• Giá bán sản phẩm là cao nhất có thể

Nếu ta gọi số cây phải trồng của cao su, cà phê, điều lần lượt là 𝑥1 , 𝑥2 , và
𝑥3 và thì vấn đề của người chủ trang trại được xem xét dưới dạng mô hình
của bài toán tối ưu như sau:

• Vốn đầu tư: 𝑓1 (𝑥) = 5𝑥1 + 3,5𝑥2 + 2,5𝑥3 → 𝑚𝑖𝑛

8
9

𝑥1 𝑥2 𝑥3
• Số lượng nhân công: 𝑓2 (𝑥) = 10 + 5 + 4 → 𝑚𝑖𝑛
450 2000 200
𝑥1 𝑥2 𝑥3
• Lượng phân bón sử dụng: 𝑓3 (𝑥) = 0,215 + 4 +3 → 𝑚𝑖𝑛
450 2000 200

• Giá bán sản phẩm:

𝑥1 𝑥2 𝑥3
𝑓4 (𝑥) = 8,8 × 2,3 × + 43,1 × 2,526 + 18 × 2 × → 𝑚𝑎𝑥
450 2000 200

• Với các ràng buộc:

𝑥1 𝑥2 𝑥3
+ + ≤ 10
450 2000 200
𝑥1 ≥ 0, 𝑥2 ≥ 0, 𝑥3 ≥ 0

9
10

Bài toán trên là một bài toán tối ưu với nhiều mục tiêu, các mục tiêu có ràng
buộc chặt chẽ với nhau, đôi khi mâu thuẫn nhau. Do đó trong bài toán tối ưu
với nhiều mục tiêu, hầu như không thể đạt được giá trị tốt nhất của tất cả
các mục tiêu cùng một lúc. Điều này có nghĩa là bài toán sẽ không có lời giải
nếu bài toán yêu cầu tìm một phương án để tất cả các mục tiêu đều là tốt
nhất. Tuy nhiên, ta có thể tìm được lời giải nếu hiểu ý nghĩa của chữ tối ưu
theo một cách khác.

10
11

Trong ví dụ nêu trên, có thể số tiền thu được khi bán sản phẩm là mục tiêu
quan trọng nhất đối với chủ trang trại, tiếp đến là vốn đầu tư, kém quan trọng
hơn nữa là nhân công và cuối cùng là mục tiêu phân bón. Như vậy, trong bài
toán trên, có một thứ tự ưu tiên giữa các mục tiêu. Khi đó, trong việc giải bài
toán, mục tiêu kém ưu tiên hơn chỉ được xem xét ở mức tốt nhất có thể khi
mục tiêu ưu tiên trước nó đã đạt được. Tối ưu đa mục tiêu có sự ưu tiên giữa
các mục tiêu như vậy được gọi là tối ưu theo kiểu từ điển.

11
12

6.2 Tối ưu Pareto

Định nghĩa 6.1 (nghiệm lý tưởng).Một nghiệm 𝑥 ∗ ∈ 𝐷 được gọi là nghiệm lý

tưởng nếu:
𝑓𝑖 𝑥 ∗ ≤ 𝑓𝑖 (𝑥)∀𝑥 ∈ 𝐷, 𝑖 = 1, … , 𝑘 (6.2)

Nghiệm lý tưởng như vậy rất ít tồn tại đối với bài toán tối ưu đa mục tiêu,
nên người ta đưa ra một khái niệm khác về nghiệm tối ưu có tính "mềm dẻo"
hơn đó là nghiệm tối ưu Pareto.

12
13

Định nghĩa 6.2. Một nghiệm 𝑥1 ∈ 𝐷 được gọi là không bị trội

(dominate) bởi nghiệm 𝑥2 ∈ 𝐷 nếu :

𝑓𝑖 𝑥1 ≤ 𝑓𝑖 𝑥2 , 𝑖 = 1, … , 𝑘
൝
∃𝑗 ∈ {1, … , 𝑘} sao cho 𝑓𝑗 𝑥1 < 𝑓𝑗 𝑥2

Nếu 𝑥1 không bị trội bởi 𝑥2 và 𝑥2 cũng không bị trội bởi 𝑥1 thì chúng được
gọi là không trội. Ta kí hiệu 𝑥1 ⪯ 𝑥2 để chỉ 𝑥1 không bị trội bởi 𝑥2 .

13
14

Định nghĩa 6.3 (nghiệm tối ưu Pareto [34])). Một nghiệm 𝑥 ∗ ∈ 𝐷 của bài
toán 6.1 được gọi là nghiệm tối ưu Pareto nếu không tồn tại một nghiệm chấp
nhận được 𝑥 ∈ 𝐷, 𝑥 ≠ 𝑥 ∗ sao cho 𝑥 ⪯ 𝑥 ∗ .
Tối ưu Pareto có thể khó để đảm bảo, do đó người ta đưa ra khái niệm
nghiệm tối ưu Pareto yếu. Một cách tổng quát, một phương án 𝑥 ∗ ∈ 𝐷 là tối
ưu Pareto yếu nếu không tồn tại một phương án nào khác 𝑥 ∈ 𝐷 sao cho
𝑓𝑖 (𝑥) < 𝑓𝑖 𝑥 ∗ , ∀𝑖 = 1, … , 𝑘. Nghiệm tối ưu Pareto cũng chính là nghiệm tối ưu
Pareto yếu.

14
15

Định nghĩa 6.4. Một tập S được gọi là một tập trội của tập
các nghiệm P nếu thỏa mãn hai điều kiện sau:
1. 𝑆 ⊆ 𝑃
2. ∀𝑠 ∈ 𝑆, ∄𝑥 ∈ 𝑃𝑥 ⪯ 𝑠
Khi tập P thể hiện toàn bộ miền phương án khả thi (tức P = D), thì
tập các nghiệm S được gọi là tập tối ưu Pareto toàn cục. Nếu P là
một không gian con của D thì S được gọi là tập tối ưu Pareto địa
phương. Dễ thấy, chỉ có một tập tối ưu Pareto toàn cục nhưng có
có thể có nhiều tập tối ưu Pareto địa phương.
15
16

Với tập tối ưu Pareto đã cho, các giá trị hàm mục tiêu tương ứng trong
không gian hàm mục tiêu được gọi là Pareto Front. Xét bài toán tối ưu đa
mục tiêu gồm 2 biến và 2 hàm mục tiêu. Không gian quyết định, không
gian hàm mục tiêu và khái niệm nghiệm Pareto có thể được minh họa
bằng hình 6.1.

16
17

17
18

Lưu ý. Để thuận lợi cho việc trình bày các thuật toán sau đây, ta xem xét một
số khái niệm [21]:
• Người ra quyết định là chuyên gia trong lĩnh vực ứng dụng (ví dụ, kỹ sư
thiết kế, người vận hành hệ thống thiết bị,. . . ), có khả năng đưa ra những ý
kiến ưu tiên liên quan đến các mục tiêu (ví dụ, có khả năng so sánh các
nghiệm tối ưu Pareto với nhau). Người này không nhất thiết là chuyên gia
trong lĩnh vực tối ưu hóa nhưng có vai trò để tìm được nghiệm tối ưu Pareto
mong muốn nhất.

18
19

• Hai loại phương án có liên quan đến bài toán cực tiểu hóa đa mục tiêu
[14]: – Nghiệm lý tưởng: thể hiện cận dưới của mỗi hàm mục tiêu trong tập
tối ưu Pareto. Nó có thể nhận được bằng cách tối ưu hóa mỗi mục tiêu một
cách riêng biệt trong toàn bộ miền phương án khả thi. – Nghiệm Nadir: bao
gồm tất cả các cận trên của mỗi hàm mục tiêu trong tập tối ưu Pareto.
Những khái niệm quan trọng trong tối ưu hóa đa mục tiêu có thể được
minh họa bằng hình 6.2.

19
20

20
THANK YOU
FOR LISTENING

21