Skip to content
بازگشت به نتایج جست‌وجو

برنامه‌ریزی آرمانی چندهدفه

معرفی‌شده توسط
Charnes, A. and Cooper, W. W.
سال
1961
نوع
Mathematical programming / multi-criteria optimization
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

برنامه‌ریزی آرمانی چندهدفه (MOGP) یک تکنیک برنامه‌ریزی ریاضی است که با حداقل کردن انحرافات وزن‌دار از هر هدف، به طور همزمان چندین هدف آرمانی را دنبال می‌کند.

MOGP که ریشه در چارچوب برنامه‌ریزی آرمانی اصلی چارنز و کوپر (1961) دارد، آن را برای مدیریت اهداف رقابتی متعدد گسترش می‌دهد و از این رو در تحقیق در عملیات، طراحی زنجیره تأمین، تخصیص منابع و تحلیل سیاست‌گذاری، جایی که تصمیم‌گیرندگان باید چندین نیاز متضاد را به طور همزمان برآورده کنند یا به آن نزدیک شوند، ضروری است.

شهود پشت روش

مدیری را تصور کنید که باید به طور همزمان به یک هدف سود دست یابد، در بودجه کربن باقی بماند و اضافه کاری کارکنان را زیر یک آستانه نگه دارد. بهینه‌سازی محض تنها می‌تواند یک هدف را در هر زمان بهینه‌سازی کند، و در نظر گرفتن بقیه به عنوان محدودیت‌های سخت ممکن است منجر به عدم امکان‌پذیری شود. برنامه‌ریزی آرمانی هر هدف را به عنوان یک «آرمان» بازتعریف می‌کند و فاصله‌ای را که راه‌حل از هر هدف کمتر (یا بیشتر) می‌شود، حداقل می‌کند. نوع چندهدفه این انحرافات را در تمام اهداف وزن‌دهی می‌کند و بهترین مصالحه ممکن را پیدا می‌کند — بسیار شبیه به یافتن نقطه‌ای در یک چشم‌انداز که به طور همزمان به چندین قله نزدیک‌تر است.

تاریخ

برنامه‌ریزی آرمانی توسط چارنز و کوپر در سال 1961 به عنوان گسترشی از برنامه‌ریزی خطی برای مدیریت اهداف متعدد از طریق سطوح آرمانی معرفی شد. ایجیری (1965) نوع واژه‌نامه‌ای را رسمی کرد و لی (1972) این روش را برای کاربردهای علوم مدیریت تثبیت کرد. فرمول‌بندی چندهدفه (برداری) از طریق کار تامیز، جونز و رومرو در دهه 1990 برجسته شد و امروزه MOGP یک ابزار استاندارد در برنامه‌های درسی تحقیق در عملیات و بهینه‌سازی کاربردی است.

چه زمانی استفاده شود

از MOGP زمانی استفاده کنید که یک مسئله تصمیم‌گیری شامل اهداف متعدد، کمی، و احتمالاً متضاد باشد و زمانی که تصمیم‌گیرندگان بتوانند سطوح آرمانی را برای هر یک بیان کنند. این روش به ویژه برای تخصیص منابع، انتخاب سبد سهام، برنامه‌ریزی تولید و سیاست‌گذاری زیست‌محیطی که در آن حفظ امکان‌پذیری در حین دنبال کردن چندین هدف ضروری است، مناسب است. MOGP را به بهینه‌سازی چندهدفه محض ترجیح دهید زمانی که ذینفعان به جای «اهداف برای حداکثر کردن»، به «اهداف برای رسیدن» فکر می‌کنند. زمانی از آن استفاده نکنید که اهداف نمی‌توانند به عنوان اهداف کمی بیان شوند، زمانی که مسئله ذاتاً غیرخطی است و حل‌کننده‌ها در دسترس نیستند، زمانی که توجیه وزن‌های کاردینال غیرممکن است، یا زمانی که تحلیل دقیق مرز پرتو (بدون لنگر انداختن هدف) مورد نیاز است.

محدودیت‌ها و ملاحظات

  • سطوح هدف (آرمانی) و وزن‌ها باید از تصمیم‌گیرندگان استخراج شوند که می‌تواند ذهنی و از نظر سیاسی بحث‌برانگیز باشد.
  • راه‌حل به وزن‌های انتخاب شده حساس است؛ طرح‌های وزن‌دهی مختلف می‌توانند نتایج بسیار متفاوتی را به همراه داشته باشند.
  • برنامه‌ریزی آرمانی خطی استاندارد فرض محدب بودن را دارد؛ مسائل غیرمحدب یا ترکیبی نیاز به حل‌کننده‌های تخصصی دارند و ممکن است از نظر محاسباتی فشرده شوند.
  • بهینگی پرتو را تضمین نمی‌کند — یک راه‌حل برنامه‌ریزی آرمانی ممکن است تحت سلطه قرار گیرد اگر اهداف و وزن‌ها به درستی مشخص نشده باشند.
  • مقیاس‌های هدف غیرقابل مقایسه نیاز به نرمال‌سازی دارند که می‌تواند انتخاب‌های ذهنی بیشتری را معرفی کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • به طور طبیعی چندین هدف متضاد را در یک مدل بهینه‌سازی واحد و قابل حل مدیریت می‌کند.
  • توابع دستیابی انعطاف‌پذیر — وزن‌دار، واژه‌نامه‌ای، یا انواع حداقل-حداکثر — ساختارهای ترجیحی ذینفعان مختلف را در خود جای می‌دهند.
  • به جای یک مجموعه بزرگ پرتو، یک راه‌حل پیشنهادی واحد ارائه می‌دهد که ارتباط با تصمیم‌گیرنده را ساده می‌کند.
  • می‌تواند به فرمول‌بندی‌های صحیح، دودویی یا غیرخطی گسترش یابد و طیف وسیعی از مسائل دنیای واقعی را پوشش دهد.
  • تحلیل حساسیت بر روی وزن‌ها و سطوح آرمانی ساده است و نشان می‌دهد که راه‌حل چقدر در برابر تغییرات ترجیحی مقاوم است.

کاربردها

  • طراحی شبکه زنجیره تأمین که هزینه‌ها، سطح خدمات و اهداف ردپای کربن را متعادل می‌کند.
  • تخصیص منابع بیمارستانی که به طور همزمان اهداف مربوط به کارکنان، اشغال تخت و بودجه را برآورده می‌کند.
  • برنامه‌ریزی کشاورزی که عملکرد محصول، مصرف آب و بازده اقتصادی را تحت محدودیت‌های ثابت زمین بهینه می‌کند.
  • انتخاب سبد مالی که سطوح آرمانی بازده، ریسک و نقدینگی را برآورده می‌کند.
  • مدل‌سازی سیاست انرژی که مبادلات بین ظرفیت تجدیدپذیر، قابلیت اطمینان شبکه و هزینه سرمایه‌گذاری را نشان می‌دهد.
  • برنامه‌ریزی درسی دانشگاهی که به بار کاری اساتید، ظرفیت اتاق و اهداف ترجیحات دانشجویان احترام می‌گذارد.

چگونه کار می‌کند

چگونه کار می‌کند

1

تمام K هدف را شناسایی کرده و سطوح آرمانی g_k را برای هر هدف f_k(x) تعیین کنید. اهداف ممکن است منعکس‌کننده اهداف سود، سقف هزینه‌ها، سهمیه‌های زیست‌محیطی یا الزامات سطح خدمات باشند. تصمیم بگیرید که آیا دستیابی بیش از حد، دستیابی کمتر، یا هر دو انحراف برای هر هدف نامطلوب هستند.

2

متغیرهای انحراف غیرمنفی d_k^+ (دستیابی بیش از حد) و d_k^- (دستیابی کمتر) را برای هر هدف k معرفی کنید، به طوری که f_k(x) + d_k^- - d_k^+ = g_k. این متغیرها میزان فاصله راه‌حل از هر سطح آرمانی را کمی‌سازی می‌کنند.

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

تابع دستیابی (هدف) را به عنوان مجموع وزن‌دار متغیرهای انحراف بسازید: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). وزن‌های w_k اهمیت نسبی دستیابی به هر هدف را منعکس می‌کنند. به طور جایگزین، یک ترتیب اولویت واژه‌نامه‌ای می‌تواند جایگزین وزن‌ها برای ساختارهای اولویت سخت‌گیرانه شود.

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

برنامه خطی (یا غیرخطی) حاصل را با استفاده از حل‌کننده‌های استاندارد حل کنید. سطوح هدف و وزن‌ها را بر اساس تحلیل حساسیت یا بازخورد ذینفعان تنظیم کرده و مجدداً حل کنید تا فضای تصمیم را بررسی کرده و مبادلات بین اهداف را درک کنید.

5

مقادیر انحراف نهایی را بررسی کنید تا مشخص شود کدام اهداف به طور کامل محقق شده‌اند (d_k^+ = d_k^- = 0) و کدام اهداف شامل انحرافات باقیمانده هستند. مرز کارا (پرتو) یا پروفایل دستیابی را برای انتخاب نهایی و توجیه به تصمیم‌گیرندگان ارائه دهید.

دام‌های رایج

  • تعیین سطوح آرمانی غیرواقعی می‌تواند همه اهداف را به طور همزمان غیرقابل دستیابی کند و منجر به انحرافات بزرگ برای هر هدف و یک راه‌حل بی‌اطلاع شود.
  • نادیده گرفتن تمایز بین دستیابی بیش از حد ناخواسته و دستیابی کمتر ناخواسته (مثلاً در نظر گرفتن سود اضافی به عنوان یک مشکل) منجر به جریمه‌های انحراف نادرست می‌شود.
  • ترکیب اهداف با واحدهای یا مقادیر بسیار متفاوت بدون نرمال‌سازی باعث می‌شود که تابع دستیابی تحت سلطه اهداف با مقادیر عددی بزرگ قرار گیرد.
  • در نظر گرفتن خروجی برنامه‌ریزی آرمانی به عنوان یک پاسخ نهایی بدون تحلیل حساسیت، خطر نادیده گرفتن تأثیر عدم قطعیت وزن بر راه‌حل انتخاب شده را به همراه دارد.

پرسش‌های متداول

MOGP چه تفاوتی با بهینه‌سازی چندهدفه استاندارد دارد؟

بهینه‌سازی چندهدفه استاندارد به دنبال یافتن کامل مرز پرتو بدون تعیین اهداف است، در حالی که MOGP هر هدف را به یک سطح آرمانی خاص متصل می‌کند و انحرافات از آن سطوح را حداقل می‌کند و یک راه‌حل مصالحه‌ای واحد را ارائه می‌دهد که با اهداف اعلام شده همسو است.

تفاوت بین برنامه‌ریزی آرمانی وزن‌دار و واژه‌نامه‌ای چیست؟

برنامه‌ریزی آرمانی وزن‌دار تمام متغیرهای انحراف را در یک مجموع وزن‌دار واحد ترکیب می‌کند و اهداف را در برابر یکدیگر مبادله می‌کند. برنامه‌ریزی آرمانی واژه‌نامه‌ای اهداف را در رده‌های اولویت سخت‌گیرانه مرتب می‌کند و هر رده را به صورت متوالی بهینه می‌کند، هرگز یک هدف با اولویت بالاتر را فدای یک هدف با اولویت پایین‌تر نمی‌کند.

آیا MOGP می‌تواند توابع هدف غیرخطی را مدیریت کند؟

بله، اما با هزینه محاسباتی بیشتر. MOGP غیرخطی نیاز به حل‌کننده‌های غیرخطی دارد و محدب بودن دیگر تضمین نمی‌شود، بنابراین بهینگی سراسری ممکن است تضمین نشود. خطی‌سازی یا تقریب‌های قطعه‌ای راه‌حل‌های رایج هستند.

وزن‌های هدف چگونه باید تعیین شوند؟

وزن‌ها باید ترجیحات تصمیم‌گیرنده را منعکس کنند و می‌توانند از طریق رتبه‌بندی مستقیم، مقایسه زوجی (AHP) یا تحلیل حساسیت آزمون و خطا استخراج شوند. شفافیت در مورد انتخاب وزن‌ها برای پذیرش ذینفعان حیاتی است.

آیا راه‌حل برنامه‌ریزی آرمانی همیشه بهینه پرتو است؟

نه لزوماً. یک راه‌حل برنامه‌ریزی آرمانی وزن‌دار ممکن است بهینه پرتو ضعیف باشد اما نه به طور دقیق، به ویژه اگر برخی وزن‌ها صفر باشند. استفاده از وزن‌های مثبت برای همه انحرافات و بررسی راه‌حل‌های تحت سلطه، یک روش توصیه شده است.

روش‌های مرتبط

منابع

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

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

    باز کردن مرجع DOI
    کپی شد.