Zum Inhalt springen
Zurück zu den Suchergebnissen

Mehrziel-Zielprogrammierung

Eingeführt von
Charnes, A. and Cooper, W. W.
Jahr
1961
Typ
Mathematical programming / multi-criteria optimization
Familie
Simulation / optimization

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Die Mehrziel-Zielprogrammierung (MOGP) ist eine mathematische Programmiertechnik, die mehrere angestrebte Ziele gleichzeitig verfolgt, indem sie gewichtete Abweichungen von jedem Ziel minimiert.

Basierend auf dem ursprünglichen Zielprogrammierungsrahmen von Charnes und Cooper (1961) erweitert MOGP diesen, um mehrere konkurrierende Ziele zu behandeln. Dies macht sie unverzichtbar in der Unternehmensforschung, im Lieferkettenmanagement, bei der Ressourcenallokation und in der Politikgestaltung, wo Entscheidungsträger mehrere widersprüchliche Anforderungen gleichzeitig erfüllen – oder diesen nahekommen – müssen.

Die Intuition hinter der Methode

Stellen Sie sich einen Manager vor, der gleichzeitig ein Gewinnziel erreichen, ein CO2-Budget einhalten und die Überstunden der Mitarbeiter unter einem Schwellenwert halten muss. Reine Optimierung kann immer nur ein Ziel gleichzeitig optimieren, und die Behandlung der übrigen als harte Nebenbedingungen kann zu Infeasibilität führen. Die Zielprogrammierung fasst jedes Ziel als „Goal“ neu und minimiert den Abstand, um den die Lösung jedes Ziel verfehlt (oder überschreitet). Die Mehrziel-Variante gewichtet diese Abweichungen über alle Ziele hinweg und findet den besten realisierbaren Kompromiss – ähnlich dem Finden des Punktes in einer Landschaft, der mehreren Bergkuppen gleichzeitig am nächsten liegt.

Geschichte

Die Zielprogrammierung wurde 1961 von Charnes und Cooper als Erweiterung der linearen Programmierung eingeführt, um mehrere Ziele über Aspirationsebenen zu behandeln. Ijiri (1965) formalisierte die lexikographische Variante, und Lee (1972) konsolidierte die Methode für Anwendungen in den Managementwissenschaften. Die Mehrziel- (Vektor-)Formulierung wurde durch die Arbeiten von Tamiz, Jones und Romero in den 1990er Jahren bekannt, und heute ist MOGP ein Standardwerkzeug in den Lehrplänen der Unternehmensforschung und der angewandten Optimierung.

Wann wird sie eingesetzt?

Verwenden Sie MOGP, wenn ein Entscheidungsproblem mehrere, quantifizierbare, möglicherweise widersprüchliche Ziele beinhaltet und wenn Entscheidungsträger Aspirationsebenen für jedes Ziel ausdrücken können. Es eignet sich besonders für Ressourcenallokation, Portfolioauswahl, Produktionsplanung und Umweltpolitik, wo die Machbarkeit gewahrt werden muss, während mehrere Ziele verfolgt werden. Bevorzugen Sie MOGP gegenüber reiner Mehrzieloptimierung, wenn Stakeholder in Bezug auf „zu erreichende Ziele“ statt „zu maximierende Ziele“ denken. Verwenden Sie es NICHT, wenn Ziele nicht als quantitative Vorgaben ausgedrückt werden können, wenn das Problem von Natur aus nichtlinear ist und keine Solver verfügbar sind, wenn kardinale Gewichte nicht zu rechtfertigen sind oder wenn eine strikte Pareto-Front-Analyse (ohne Zielverankerung) erforderlich ist.

Grenzen und Hinweise

  • Ziel- (Aspirations-)Niveaus und Gewichte müssen von Entscheidungsträgern ermittelt werden, was subjektiv und politisch umstritten sein kann.
  • Die Lösung ist empfindlich gegenüber den gewählten Gewichten; unterschiedliche Gewichtungsschemata können zu wesentlich unterschiedlichen Ergebnissen führen.
  • Standard-lineare GP setzt Konvexität voraus; nicht-konvexe oder kombinatorische Probleme erfordern spezialisierte Solver und können rechenintensiv werden.
  • Garantiert keine Pareto-Optimalität – eine GP-Lösung kann dominiert werden, wenn Ziele und Gewichte schlecht spezifiziert sind.
  • Inkommensurable Zielskalen erfordern eine Normalisierung, die weitere subjektive Entscheidungen einführen kann.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Behandelt auf natürliche Weise mehrere widersprüchliche Ziele innerhalb eines einzigen, handhabbaren Optimierungsmodells.
  • Flexible Zielfunktionen – gewichtete, lexikographische oder Min-Max-Varianten – berücksichtigen unterschiedliche Präferenzstrukturen der Stakeholder.
  • Erzeugt eine einzige empfohlene Lösung anstelle einer großen Pareto-Menge, was die Kommunikation mit Entscheidungsträgern vereinfacht.
  • Kann auf ganzzahlige, binäre oder nichtlineare Formulierungen erweitert werden und deckt eine breite Palette realer Probleme ab.
  • Die Sensitivitätsanalyse von Gewichten und Aspirationsebenen ist unkompliziert und zeigt, wie robust die Lösung gegenüber Präferenzänderungen ist.

Anwendungen

  • Entwurf von Lieferkettennetzwerken, der Kosten-, Service-Level- und CO2-Fußabdruck-Ziele ausgleicht.
  • Ressourcenallokation im Krankenhaus, die gleichzeitig Personal-, Bettenbelegungs- und Budgetziele erfüllt.
  • Landwirtschaftliche Planung, die Ernteertrag, Wasserverbrauch und wirtschaftlichen Ertrag unter festen Landbeschränkungen optimiert.
  • Finanzielle Portfolioauswahl, die Rendite-, Risiko- und Liquiditäts-Aspirationsebenen erfüllt.
  • Modellierung der Energiepolitik von Kompromissen zwischen erneuerbarer Kapazität, Netzzuverlässigkeit und Investitionskosten.
  • Universitäre Stundenplanung unter Berücksichtigung von Lehrbelastung, Raumkapazität und Präferenzzielen der Studierenden.

So funktioniert es

So funktioniert es

1

Identifizieren Sie alle K Ziele und legen Sie Aspirationsebenen g_k für jedes Ziel f_k(x) fest. Ziele können Gewinnvorgaben, Kostengrenzen, Umweltquoten oder Service-Level-Anforderungen widerspiegeln. Entscheiden Sie, ob Übererfüllung, Untererfüllung oder beide Abweichungen für jedes Ziel unerwünscht sind.

2

Führen Sie nicht-negative Abweichungsvariablen d_k^+ (Übererfüllung) und d_k^- (Untererfüllung) für jedes Ziel k ein, sodass f_k(x) + d_k^- - d_k^+ = g_k. Diese Variablen quantifizieren, wie weit die Lösung von jeder Aspirationsebene entfernt ist.

Formel
d_k^+ = \max(f_k(x) - g_k, 0), \quad d_k^- = \max(g_k - f_k(x), 0)
3

Bilden Sie die Erreichungs- (Zielfunktion) als gewichtete Summe der Abweichungsvariablen: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). Die Gewichte w_k spiegeln die relative Bedeutung der Erreichung jedes Ziels wider. Alternativ kann eine lexikographische Prioritätsordnung die Gewichte für strikte Prioritätsstrukturen ersetzen.

Formel
\min \; Z = \sum_{k=1}^{K} (w_k^+ d_k^+ + w_k^- d_k^-)
4

Lösen Sie das resultierende lineare (oder nichtlineare) Programm mit Standard-Solvern. Passen Sie Zielniveaus und Gewichte basierend auf Sensitivitätsanalyse oder Stakeholder-Feedback an und lösen Sie erneut, um den Entscheidungsraum zu erkunden und Kompromisse zwischen den Zielen zu verstehen.

5

Überprüfen Sie die endgültigen Abweichungswerte, um festzustellen, welche Ziele vollständig erreicht werden (d_k^+ = d_k^- = 0) und welche Restabweichungen aufweisen. Präsentieren Sie die Pareto-effiziente Grenze oder das Zielerreichungsprofil den Entscheidungsträgern zur endgültigen Auswahl und Begründung.

Häufige Fallstricke

  • Das Setzen unrealistischer Aspirationsebenen kann dazu führen, dass alle Ziele gleichzeitig unerreichbar werden, was zu großen Abweichungen für jedes Ziel und einer wenig informativen Lösung führt.
  • Das Ignorieren der Unterscheidung zwischen unerwünschter Übererfüllung und unerwünschter Untererfüllung (z. B. die Behandlung von Überschussgewinn als Problem) führt zu falsch spezifizierten Abweichungsstrafen.
  • Die Kombination von Zielen mit sehr unterschiedlichen Einheiten oder Größenordnungen ohne Normalisierung führt dazu, dass die Zielfunktion von numerisch großen Zielen dominiert wird.
  • Die Behandlung der GP-Ausgabe als endgültige Antwort ohne Sensitivitätsanalyse birgt das Risiko, die Auswirkungen der Gewichtsunsicherheit auf die gewählte Lösung zu übersehen.

Häufig gestellte Fragen

Wie unterscheidet sich MOGP von der Standard-Mehrzieloptimierung?

Die Standard-Mehrzieloptimierung sucht die vollständige Pareto-Front, ohne Ziele festzulegen, während MOGP jedes Ziel an eine spezifische Aspirationsebene bindet und Abweichungen von diesen Niveaus minimiert, wodurch eine einzige Kompromisslösung erzielt wird, die mit den angegebenen Zielen übereinstimmt.

Was ist der Unterschied zwischen gewichteter und lexikographischer Zielprogrammierung?

Die gewichtete GP kombiniert alle Abweichungsvariablen zu einer einzigen gewichteten Summe und handelt Ziele gegeneinander ab. Die lexikographische GP ordnet Ziele in strikte Prioritätsebenen und optimiert jede Ebene sequenziell, wobei niemals ein Ziel höherer Priorität für ein Ziel niedrigerer Priorität geopfert wird.

Kann MOGP nichtlineare Zielfunktionen verarbeiten?

Ja, aber mit erhöhten Rechenkosten. Nichtlineare MOGP erfordert nichtlineare Solver, und Konvexität ist nicht mehr garantiert, sodass globale Optimalität möglicherweise nicht gewährleistet ist. Linearisierung oder stückweise Approximationen sind gängige Abhilfemaßnahmen.

Wie sollten Zielgewichte bestimmt werden?

Gewichte sollten die Präferenzen der Entscheidungsträger widerspiegeln und können durch direkte Bewertung, paarweisen Vergleich (AHP) oder Trial-and-Error-Sensitivitätsanalyse ermittelt werden. Transparenz bei der Gewichtswahl ist entscheidend für die Akzeptanz durch die Stakeholder.

Ist eine Zielprogrammierungslösung immer Pareto-optimal?

Nicht unbedingt. Eine gewichtete GP-Lösung kann schwach Pareto-optimal sein, aber nicht strikt, insbesondere wenn einige Gewichte Null sind. Die Verwendung positiver Gewichte für alle Abweichungen und die Überprüfung auf dominierte Lösungen ist eine empfohlene Praxis.

Verwandte Methoden

Quellen

  1. Charnes, A., Cooper, W. W. (1961). Management Models and Industrial Applications of Linear Programming. Wiley, New York.

    ISBN: 978-0471148258
    Kopiert.
  2. Jones, D., Tamiz, M. (2010). Practical Goal Programming. Springer, New York.

    DOI-Referenz öffnen
    Kopiert.