Programmation par objectifs multi-objectifs
- Introduite par
- Charnes, A. and Cooper, W. W.
- Année
- 1961
- Type
- Mathematical programming / multi-criteria optimization
- Famille
- Simulation / optimization
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
La programmation par objectifs multi-objectifs (MOGP) est une technique de programmation mathématique qui poursuit simultanément plusieurs cibles d'aspiration en minimisant les écarts pondérés par rapport à chaque objectif.
Enracinée dans le cadre original de programmation par objectifs de Charnes et Cooper (1961), la MOGP l'étend pour gérer de multiples objectifs concurrents, la rendant indispensable en recherche opérationnelle, conception de chaînes d'approvisionnement, allocation de ressources et analyse de politiques où les décideurs doivent satisfaire – ou s'approcher – de multiples exigences conflictuelles à la fois.
L’intuition derrière la méthode
Imaginez un gestionnaire qui doit simultanément atteindre une cible de profit, rester dans les limites d'un budget carbone et maintenir les heures supplémentaires des employés en dessous d'un seuil. L'optimisation pure ne peut optimiser qu'un seul objectif à la fois, et traiter les autres comme des contraintes strictes peut entraîner une impossibilité de réalisation. La programmation par objectifs reformule chaque cible comme un 'objectif' et minimise la distance à laquelle la solution est en deçà (ou au-delà) de chaque objectif. La variante multi-objectifs pondère ces écarts sur tous les objectifs et trouve le meilleur compromis réalisable – un peu comme trouver le point dans un paysage qui est le plus proche de plusieurs sommets à la fois.
Histoire
La programmation par objectifs a été introduite par Charnes et Cooper en 1961 comme une extension de la programmation linéaire pour gérer de multiples objectifs via des niveaux d'aspiration. Ijiri (1965) a formalisé la variante lexicographique, et Lee (1972) a consolidé la méthode pour les applications en sciences de gestion. La formulation multi-objective (vectorielle) est devenue prédominante grâce aux travaux de Tamiz, Jones et Romero dans les années 1990, et aujourd'hui la MOGP est un outil standard dans les cursus de recherche opérationnelle et d'optimisation appliquée.
Quand l’utiliser
Utiliser la MOGP lorsqu'un problème de décision implique des objectifs multiples, quantifiables, potentiellement conflictuels et lorsque les décideurs peuvent exprimer des niveaux d'aspiration pour chacun. Elle est particulièrement adaptée à l'allocation de ressources, la sélection de portefeuille, la planification de production et la politique environnementale où la faisabilité doit être maintenue tout en poursuivant plusieurs cibles. Préférer la MOGP à l'optimisation multi-objectifs pure lorsque les parties prenantes pensent en termes d''objectifs à atteindre' plutôt qu'en 'objectifs à maximiser'. NE PAS l'utiliser lorsque les objectifs ne peuvent pas être exprimés comme des cibles quantitatives, lorsque le problème est intrinsèquement non linéaire et que les solveurs sont indisponibles, lorsque des poids cardinaux sont impossibles à justifier, ou lorsqu'une analyse stricte du front de Pareto (sans ancrage d'objectif) est requise.
Limites et points d’attention
- Les niveaux d'objectifs (d'aspiration) et les poids doivent être obtenus auprès des décideurs, ce qui peut être subjectif et politiquement controversé.
- La solution est sensible aux poids choisis ; différents schémas de pondération peuvent produire des résultats substantiellement différents.
- La programmation par objectifs linéaire standard suppose la convexité ; les problèmes non convexes ou combinatoires nécessitent des solveurs spécialisés et peuvent devenir coûteux en calcul.
- Ne garantit pas l'optimalité de Pareto – une solution de programmation par objectifs peut être dominée si les objectifs et les poids sont mal spécifiés.
- Les échelles d'objectifs incommensurables nécessitent une normalisation, ce qui peut introduire des choix subjectifs supplémentaires.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Gère naturellement de multiples objectifs conflictuels au sein d'un modèle d'optimisation unique et traitable.
- Fonctions d'atteinte flexibles – pondérées, lexicographiques ou variantes min-max – qui s'adaptent aux différentes structures de préférences des parties prenantes.
- Produit une solution unique recommandée plutôt qu'un grand ensemble de Pareto, simplifiant la communication avec les décideurs.
- Peut être étendue aux formulations entières, binaires ou non linéaires, couvrant un large éventail de problèmes du monde réel.
- L'analyse de sensibilité sur les poids et les niveaux d'aspiration est simple, révélant la robustesse de la solution aux changements de préférences.
Applications
- Conception de réseaux de chaînes d'approvisionnement équilibrant les objectifs de coût, de niveau de service et d'empreinte carbone.
- Allocation des ressources hospitalières répondant simultanément aux objectifs de dotation en personnel, d'occupation des lits et de budget.
- Planification agricole qui optimise le rendement des cultures, l'utilisation de l'eau et le retour économique sous des contraintes foncières fixes.
- Sélection de portefeuille financier satisfaisant les niveaux d'aspiration de rendement, de risque et de liquidité.
- Modélisation de politiques énergétiques des compromis entre capacité renouvelable, fiabilité du réseau et coût d'investissement.
- Planification des cours universitaires respectant les objectifs de charge du corps professoral, de capacité des salles et de préférences des étudiants.
Comment ça marche
Comment ça marche
Identifier tous les K objectifs et définir des niveaux d'aspiration g_k pour chaque objectif f_k(x). Les objectifs peuvent refléter des cibles de profit, des plafonds de coûts, des quotas environnementaux ou des exigences de niveau de service. Décider si le dépassement, la sous-réalisation, ou les deux types d'écarts sont indésirables pour chaque objectif.
Introduire des variables d'écart non négatives d_k^+ (dépassement) et d_k^- (sous-réalisation) pour chaque objectif k, de sorte que f_k(x) + d_k^- - d_k^+ = g_k. Ces variables quantifient à quel point la solution est éloignée de chaque niveau d'aspiration.
Formule
d_k^+ = \max(f_k(x) - g_k, 0), \quad d_k^- = \max(g_k - f_k(x), 0)
Construire la fonction d'atteinte (objectif) comme une somme pondérée des variables d'écart : min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). Les poids w_k reflètent l'importance relative de l'atteinte de chaque objectif. Alternativement, un ordre de priorité lexicographique peut remplacer les poids pour des structures de priorité strictes.
Formule
\min \; Z = \sum_{k=1}^{K} (w_k^+ d_k^+ + w_k^- d_k^-)Résoudre le programme linéaire (ou non linéaire) résultant à l'aide de solveurs standards. Ajuster les niveaux d'objectifs et les poids en fonction de l'analyse de sensibilité ou des retours des parties prenantes, et résoudre à nouveau pour explorer l'espace de décision et comprendre les compromis entre les objectifs.
Inspecter les valeurs d'écart finales pour déterminer quels objectifs sont pleinement atteints (d_k^+ = d_k^- = 0) et lesquels impliquent des écarts résiduels. Présenter le front de Pareto ou le profil d'atteinte aux décideurs pour la sélection et la justification finales.
Pièges courants
- Définir des niveaux d'aspiration irréalistes peut rendre tous les objectifs simultanément inatteignables, conduisant à de grands écarts pour chaque objectif et à une solution non informative.
- Ignorer la distinction entre le dépassement indésirable et la sous-réalisation indésirable (par exemple, traiter le profit excédentaire comme un problème) conduit à des pénalités d'écart mal spécifiées.
- Combiner des objectifs avec des unités ou des magnitudes très différentes sans normalisation fait que la fonction d'atteinte est dominée par les objectifs numériquement importants.
- Traiter la sortie de la programmation par objectifs comme une réponse finale sans analyse de sensibilité risque de négliger l'impact de l'incertitude des poids sur la solution choisie.
Questions fréquentes
En quoi la MOGP diffère-t-elle de l'optimisation multi-objectifs standard ?
L'optimisation multi-objectifs standard recherche le front de Pareto complet sans fixer de cibles, tandis que la MOGP ancre chaque objectif à un niveau d'aspiration spécifique et minimise les écarts par rapport à ces niveaux, produisant une solution de compromis unique alignée sur les cibles énoncées.
Quelle est la différence entre la programmation par objectifs pondérée et lexicographique ?
La programmation par objectifs pondérée combine toutes les variables d'écart en une seule somme pondérée, établissant des compromis entre les objectifs. La programmation par objectifs lexicographique organise les objectifs en niveaux de priorité stricts et optimise chaque niveau séquentiellement, sans jamais sacrifier un objectif de priorité supérieure pour un inférieur.
La MOGP peut-elle gérer des fonctions objectifs non linéaires ?
Oui, mais avec un coût de calcul accru. La MOGP non linéaire nécessite des solveurs non linéaires et la convexité n'est plus garantie, donc l'optimalité globale peut ne pas être assurée. La linéarisation ou les approximations par morceaux sont des remèdes courants.
Comment les poids des objectifs doivent-ils être déterminés ?
Les poids doivent refléter les préférences des décideurs et peuvent être obtenus par évaluation directe, comparaison par paires (AHP) ou analyse de sensibilité par essais et erreurs. La transparence sur les choix de poids est essentielle pour l'acceptation par les parties prenantes.
Une solution de programmation par objectifs est-elle toujours Pareto optimale ?
Pas nécessairement. Une solution de programmation par objectifs pondérée peut être faiblement Pareto optimale mais pas strictement, en particulier si certains poids sont nuls. L'utilisation de poids positifs pour tous les écarts et la vérification des solutions dominées est une pratique recommandée.
Méthodes associées
Sources
Charnes, A., Cooper, W. W. (1961). Management Models and Industrial Applications of Linear Programming. Wiley, New York.
ISBN : 978-0471148258Copié.Jones, D., Tamiz, M. (2010). Practical Goal Programming. Springer, New York.
Ouvrir la référence DOICopié.