Saltar al contenido
Volver a los resultados

Programación por Metas Multiobjetivo

Propuesto por
Charnes, A. and Cooper, W. W.
Año
1961
Tipo
Mathematical programming / multi-criteria optimization
Familia
Simulation / optimization

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La Programación por Metas Multiobjetivo (MOGP, por sus siglas en inglés) es una técnica de programación matemática que persigue simultáneamente varios objetivos aspiracionales minimizando las desviaciones ponderadas de cada meta.

Enraizada en el marco original de programación por metas de Charnes y Cooper (1961), la MOGP lo extiende para manejar múltiples objetivos en competencia, haciéndola indispensable en investigación de operaciones, diseño de cadenas de suministro, asignación de recursos y análisis de políticas, donde los tomadores de decisiones deben satisfacer —o acercarse a— múltiples requisitos conflictivos a la vez.

La intuición detrás del método

Imagine un gerente que debe cumplir simultáneamente una meta de ganancias, mantenerse dentro de un presupuesto de carbono y mantener las horas extras de los empleados por debajo de un umbral. La optimización pura solo puede optimizar un objetivo a la vez, y tratar el resto como restricciones estrictas puede generar inviabilidad. La programación por metas reformula cada objetivo como una 'meta' y minimiza la distancia por la cual la solución no alcanza (o excede) cada meta. La variante multiobjetivo pondera estas desviaciones en todas las metas y encuentra el mejor compromiso factible, de manera similar a encontrar el punto en un paisaje que está más cerca de varias cimas de colinas a la vez.

Historia

La programación por metas fue introducida por Charnes y Cooper en 1961 como una extensión de la programación lineal para manejar múltiples objetivos a través de niveles de aspiración. Ijiri (1965) formalizó la variante lexicográfica, y Lee (1972) consolidó el método para aplicaciones de ciencias de la administración. La formulación multiobjetivo (vectorial) cobró prominencia a través del trabajo de Tamiz, Jones y Romero en la década de 1990, y hoy en día la MOGP es una herramienta estándar en los currículos de investigación de operaciones y la optimización aplicada.

Cuándo usarlo

Utilice MOGP cuando un problema de decisión involucre múltiples metas cuantificables, posiblemente conflictivas, y cuando los tomadores de decisiones puedan expresar niveles de aspiración para cada una. Es especialmente adecuada para la asignación de recursos, la selección de carteras, la planificación de la producción y la política ambiental, donde la viabilidad debe mantenerse mientras se persiguen varios objetivos. Prefiera MOGP sobre la optimización multiobjetivo pura cuando los interesados piensen en términos de 'objetivos a alcanzar' en lugar de 'objetivos a maximizar'. NO la utilice cuando las metas no puedan expresarse como objetivos cuantitativos, cuando el problema sea inherentemente no lineal y no se disponga de solucionadores, cuando los pesos cardinales sean imposibles de justificar, o cuando se requiera un análisis estricto de la frontera de Pareto (sin anclaje de metas).

Limitaciones y consideraciones

  • Los niveles de meta (aspiración) y los pesos deben ser obtenidos de los tomadores de decisiones, lo que puede ser subjetivo y políticamente contencioso.
  • La solución es sensible a los pesos elegidos; diferentes esquemas de ponderación pueden producir resultados sustancialmente diferentes.
  • La programación por metas lineal estándar asume convexidad; los problemas no convexos o combinatorios requieren solucionadores especializados y pueden volverse computacionalmente intensivos.
  • No garantiza la optimalidad de Pareto; una solución de programación por metas puede ser dominada si las metas y los pesos están mal especificados.
  • Las escalas de metas inconmensurables requieren normalización, lo que puede introducir elecciones subjetivas adicionales.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Maneja naturalmente múltiples objetivos conflictivos dentro de un modelo de optimización único y manejable.
  • Las funciones de logro flexibles —variantes ponderadas, lexicográficas o min-max— se adaptan a diferentes estructuras de preferencia de los interesados.
  • Produce una única solución recomendada en lugar de un gran conjunto de Pareto, lo que simplifica la comunicación con los tomadores de decisiones.
  • Puede extenderse a formulaciones enteras, binarias o no lineales, cubriendo una amplia gama de problemas del mundo real.
  • El análisis de sensibilidad sobre los pesos y los niveles de aspiración es sencillo, revelando cuán robusta es la solución a los cambios de preferencia.

Aplicaciones

  • Diseño de redes de cadena de suministro que equilibra objetivos de costo, nivel de servicio y huella de carbono.
  • Asignación de recursos hospitalarios que cumple simultáneamente metas de personal, ocupación de camas y presupuesto.
  • Planificación agrícola que optimiza el rendimiento de los cultivos, el uso del agua y el retorno económico bajo restricciones de tierra fijas.
  • Selección de cartera financiera que satisface niveles de aspiración de rendimiento, riesgo y liquidez.
  • Modelado de políticas energéticas que considera las compensaciones entre la capacidad renovable, la fiabilidad de la red y el costo de inversión.
  • Programación de cursos universitarios que respeta las metas de carga docente, capacidad de aulas y preferencias estudiantiles.

Cómo funciona

Cómo funciona

1

Identifique todas las K metas y establezca los niveles de aspiración g_k para cada objetivo f_k(x). Las metas pueden reflejar objetivos de ganancias, límites de costos, cuotas ambientales o requisitos de nivel de servicio. Decida si el sobrecumplimiento, el incumplimiento o ambas desviaciones son indeseables para cada meta.

2

Introduzca variables de desviación no negativas d_k^+ (sobrecumplimiento) y d_k^- (incumplimiento) para cada meta k, de modo que f_k(x) + d_k^- - d_k^+ = g_k. Estas variables cuantifican qué tan lejos está la solución de cada nivel de aspiración.

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

Construya la función de logro (objetivo) como una suma ponderada de variables de desviación: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). Los pesos w_k reflejan la importancia relativa de cumplir cada meta. Alternativamente, un ordenamiento de prioridad lexicográfico puede reemplazar los pesos para estructuras de prioridad estrictas.

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

Resuelva el programa lineal (o no lineal) resultante utilizando solucionadores estándar. Ajuste los niveles de meta y los pesos basándose en el análisis de sensibilidad o la retroalimentación de los interesados, y vuelva a resolver para explorar el espacio de decisión y comprender las compensaciones entre las metas.

5

Inspeccione los valores de desviación finales para determinar qué metas se logran completamente (d_k^+ = d_k^- = 0) y cuáles implican desviaciones residuales. Presente la frontera eficiente de Pareto o el perfil de logro a los tomadores de decisiones para la selección y justificación final.

Errores comunes

  • Establecer niveles de aspiración poco realistas puede hacer que todas las metas sean inalcanzables simultáneamente, lo que lleva a grandes desviaciones para cada meta y a una solución poco informativa.
  • Ignorar la distinción entre el sobrecumplimiento no deseado y el incumplimiento no deseado (por ejemplo, tratar el exceso de ganancias como un problema) conduce a penalizaciones por desviación mal especificadas.
  • Combinar metas con unidades o magnitudes muy diferentes sin normalización hace que la función de logro sea dominada por metas numéricamente grandes.
  • Tratar la salida de la programación por metas como una respuesta final sin análisis de sensibilidad corre el riesgo de pasar por alto el impacto de la incertidumbre de los pesos en la solución elegida.

Preguntas frecuentes

¿En qué se diferencia la MOGP de la optimización multiobjetivo estándar?

La optimización multiobjetivo estándar busca la frontera de Pareto completa sin fijar objetivos, mientras que la MOGP ancla cada objetivo a un nivel de aspiración específico y minimiza las desviaciones de esos niveles, produciendo una única solución de compromiso alineada con los objetivos establecidos.

¿Cuál es la diferencia entre la programación por metas ponderada y la lexicográfica?

La programación por metas ponderada combina todas las variables de desviación en una única suma ponderada, intercambiando metas entre sí. La programación por metas lexicográfica organiza las metas en niveles de prioridad estrictos y optimiza cada nivel secuencialmente, sin sacrificar nunca una meta de mayor prioridad por una de menor prioridad.

¿Puede la MOGP manejar funciones objetivo no lineales?

Sí, pero con un costo computacional mayor. La MOGP no lineal requiere solucionadores no lineales y la convexidad ya no está garantizada, por lo que la optimalidad global puede no estar asegurada. La linealización o las aproximaciones por partes son remedios comunes.

¿Cómo deben determinarse los pesos de las metas?

Los pesos deben reflejar las preferencias de los tomadores de decisiones y pueden obtenerse mediante calificación directa, comparación por pares (AHP) o análisis de sensibilidad por prueba y error. La transparencia sobre la elección de los pesos es fundamental para la aceptación de los interesados.

¿Una solución de programación por metas es siempre óptima de Pareto?

No necesariamente. Una solución de programación por metas ponderada puede ser débilmente óptima de Pareto, pero no estrictamente, particularmente si algunos pesos son cero. Se recomienda el uso de pesos positivos para todas las desviaciones y la verificación de soluciones dominadas.

Métodos relacionados

Fuentes

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

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

    Abrir referencia DOI
    Copiado.