Saltar al contenido
Volver a los resultados

Programación por Metas Estocástica — Optimización de Múltiples Metas Bajo Incertidumbre

Propuesto por
Contini, B. (building on Charnes & Cooper's chance-constrained programming)
Año
1968
Tipo
Stochastic multi-goal 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 Estocástica (SGP, por sus siglas en inglés) extiende la programación por metas clásica para manejar la incertidumbre en los objetivos de las metas, los coeficientes de las restricciones o los parámetros del lado derecho.

Al incorporar restricciones probabilísticas y componentes estocásticos en el objetivo, encuentra soluciones que satisfacen múltiples metas a niveles de probabilidad aceptables, lo que la hace adecuada para problemas de decisión donde los datos son inherentemente inciertos o variables.

La intuición detrás del método

La programación por metas clásica pregunta: ¿podemos acercarnos a cada meta simultáneamente? La Programación por Metas Estocástica hace la misma pregunta pero reconoce que el mundo es incierto — las metas pueden cambiar, los recursos pueden variar y los datos pueden ser ruidosos. En lugar de optimizar para un único escenario fijo, la SGP busca soluciones que funcionen bien en promedio o que cumplan cada meta con una probabilidad especificada. Piénselo como hacer el mejor plan posible teniendo en cuenta honestamente lo que no se sabe.

Historia

La programación por metas fue introducida por Charnes y Cooper a finales de la década de 1950. Contini (1968) la extendió formalmente a entornos estocásticos utilizando ideas de programación por restricciones de probabilidad. Las décadas siguientes vieron crecientes aplicaciones en finanzas, agricultura y políticas públicas. El método obtuvo una mayor base teórica a través de conexiones con la optimización robusta desarrolladas en las décadas de 1990 y 2000.

Cuándo usarlo

Utilizar Programación por Metas Estocástica cuando un problema de decisión tiene múltiples metas conflictivas, al menos algunos parámetros (demandas, costos, rendimientos) son inciertos y pueden caracterizarse por distribuciones de probabilidad, y los responsables de la formulación de políticas necesitan garantías expresadas como niveles de confianza en lugar de límites del peor caso. Es muy adecuada para la planificación de la cadena de suministro, la asignación de recursos en atención médica, la gestión de carteras financieras con múltiples objetivos y la planificación agrícola bajo incertidumbre climática. NO la utilice cuando las metas son verdaderamente inconmensurables y no pueden ponderarse, cuando no hay información de distribución disponible (utilice optimización robusta en su lugar), cuando el problema tiene un solo objetivo (utilice programación estocástica), o cuando el número de escenarios es tan grande que las reformulaciones deterministas equivalentes se vuelven intratables.

Limitaciones y consideraciones

  • Requiere conocimiento de parámetros de distribución (medias, varianzas) que pueden ser difíciles de estimar con precisión.
  • Las distribuciones no normales o las restricciones de probabilidad conjuntas pueden hacer que la reformulación determinista sea intratable, requiriendo enfoques basados en escenarios o simulación.
  • La elección de los niveles de confianza alpha_i y los pesos de las metas w_i es inherentemente subjetiva y puede influir fuertemente en los resultados.
  • Computacionalmente más exigente que la programación por metas determinista, especialmente para problemas a gran escala o no lineales.
  • Interpretar las compensaciones entre metas probabilísticas puede ser difícil para partes interesadas no técnicas.

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

Fortalezas

  • Maneja múltiples metas conflictivas simultáneamente dentro de un único marco de optimización.
  • Permite la especificación explícita de niveles de riesgo aceptables (confianza) para cada meta o restricción.
  • Bajo suposiciones de normalidad, las restricciones de probabilidad se reducen a restricciones de cono de segundo orden deterministas tratables, resolubles con solucionadores estándar.
  • Proporciona a los responsables de la toma de decisiones la probabilidad de logro de las metas, ofreciendo información más rica que una solución de escenario único.
  • Engloba la programación por metas determinista como un caso especial (nivel de confianza = 1 con parámetros fijos).
  • Teóricamente bien fundamentada, conectando con las literaturas de programación por restricciones de probabilidad y optimización robusta.

Aplicaciones

  • Planificación agrícola: asignación de tierras y recursos entre cultivos bajo condiciones inciertas de lluvia y precios.
  • Asignación de recursos en atención médica: programación de personal y camas mientras se cumplen metas de nivel de servicio bajo demanda incierta de pacientes.
  • Gestión de la cadena de suministro: planificación de producción e inventario con rendimientos, plazos de entrega y demanda inciertos.
  • Optimización de carteras financieras con múltiples objetivos (retorno, riesgo, liquidez) bajo incertidumbre de mercado.
  • Planificación de sistemas energéticos: equilibrio de metas de costo, confiabilidad y emisiones dada la generación renovable incierta.
  • Presupuestación municipal: asignación de fondos públicos entre departamentos con ingresos y gastos inciertos.

Cómo funciona

Cómo funciona

1

Definir variables de decisión, múltiples metas aspiracionales (objetivos) y cualquier restricción dura. Cada meta i se expresa como: f_i(x) + d_i^- - d_i^+ = g_i, donde d_i^- y d_i^+ son variables de desviación negativa y positiva del objetivo g_i. Asignar pesos de prioridad que reflejen la importancia relativa de alcanzar cada meta.

2

Identificar qué parámetros son inciertos: los objetivos de las metas g_i, los coeficientes de las restricciones o los coeficientes de la función objetivo pueden modelarse como variables aleatorias con distribuciones conocidas o estimadas (p. ej., normal, uniforme, empírica). Especificar las suposiciones de distribución basadas en datos históricos o juicio experto.

3

Convertir restricciones inciertas en restricciones de probabilidad (chance constraints). Para una restricción estocástica que involucra el parámetro aleatorio b_i con distribución F, se requiere P(g_i(x) <= b_i) >= alpha_i, donde alpha_i es un nivel de confianza especificado por el usuario (p. ej., 0.90 o 0.95). Bajo suposiciones de normalidad, estas pueden reformularse como restricciones deterministas de cono de segundo orden.

Fórmula
P(g_i(x) \leq b_i) \geq \alpha_i
4

Resolver el problema de optimización resultante (posiblemente reformulado): minimizar la suma ponderada de desviaciones min sum_i (w_i^+ d_i^+ + w_i^- d_i^-) sujeta a los equivalentes deterministas de las restricciones de probabilidad y cualquier restricción dura restante. Utilizar solucionadores LP, MILP o no lineales según la estructura del problema.

Fórmula
\min \sum_{i} (w_i^+ d_i^+ + w_i^- d_i^-)
5

Evaluar la solución verificando los niveles de logro de las metas, la probabilidad de satisfacción de las restricciones y la sensibilidad a las suposiciones de distribución. Realizar validación post-hoc de Monte Carlo muestreando realizaciones de parámetros y verificando que la solución cumple las metas a los niveles de confianza declarados en escenarios simulados.

Errores comunes

  • Asumir normalidad de parámetros inciertos sin validación empírica puede producir garantías de confianza engañosas.
  • Establecer niveles de confianza excesivamente altos (p. ej., 0.999) colapsa efectivamente el modelo a una formulación determinista conservadora, frustrando el propósito de la modelización estocástica.
  • Confundir la programación por metas con restricciones de probabilidad con la programación por metas robusta — las dos manejan la incertidumbre de manera diferente y no son intercambiables.
  • No validar la solución estocástica mediante simulación de Monte Carlo deja desconocido el riesgo real de violaciones de metas.
  • Ignorar la correlación entre parámetros inciertos puede producir soluciones infactibles o excesivamente optimistas.

Preguntas frecuentes

¿Cómo se diferencia la Programación por Metas Estocástica de la Programación por Metas Clásica?

La programación por metas clásica asume que todos los parámetros (metas, restricciones, costos) se conocen con certeza. La Programación por Metas Estocástica permite que algunos parámetros sean variables aleatorias, incorporando restricciones de probabilidad que requieren que las metas se cumplan con un nivel de confianza especificado en lugar de exactamente.

¿Qué suposición de distribución es la más comúnmente utilizada?

La normalidad es la suposición más común porque permite que las restricciones de probabilidad se reformulen exactamente como restricciones deterministas de cono de segundo orden. Cuando los datos sugieren distribuciones no normales, se utilizan enfoques basados en escenarios o simulación en su lugar.

¿Cómo elijo los niveles de confianza alpha_i para cada restricción de probabilidad?

Los niveles de confianza reflejan la tolerancia al riesgo del responsable de la toma de decisiones para cada meta. Valores de 0.90–0.95 son comunes en la práctica. Valores más altos hacen el problema más conservador y pueden requerir relajar otras metas; valores más bajos permiten más riesgo pero pueden llevar a resultados inaceptables.

¿Puede la Programación por Metas Estocástica manejar variables de decisión enteras?

Sí. Cuando se combina con variables enteras, el problema se convierte en Programación por Metas Entera Estocástica, que es más difícil de resolver pero aún tratable para instancias de tamaño moderado utilizando ramificación y acotación con reformulaciones de restricciones de probabilidad.

¿Debería usar Programación por Metas Estocástica u Optimización Robusta cuando tengo parámetros inciertos?

Si tiene información de distribución confiable y desea garantías probabilísticas, la SGP es apropiada. Si solo conoce conjuntos de incertidumbre (límites) y desea garantías del peor caso sin suposiciones de distribución, la optimización robusta es mejor. Cuando ambas son factibles, comparar soluciones de ambos enfoques es una buena práctica.

Métodos relacionados

Fuentes

  1. Contini, B. (1968). A stochastic approach to goal programming. Operations Research, 16(3), 576–586.

    Abrir referencia DOI
    Copiado.
  2. Charnes, A., Cooper, W. W. (1959). Chance-constrained programming. Management Science, 6(1), 73–79.

    Abrir referencia DOI
    Copiado.