Pemrograman Tujuan Multi-Objektif
- Diperkenalkan oleh
- Charnes, A. and Cooper, W. W.
- Tahun
- 1961
- Jenis
- Mathematical programming / multi-criteria optimization
- Keluarga
- Simulation / optimization
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pemrograman Tujuan Multi-Objektif (MOGP) adalah teknik pemrograman matematis yang secara simultan mengejar beberapa target aspirasional dengan meminimalkan deviasi berbobot dari setiap tujuan.
Berakar pada kerangka pemrograman tujuan asli Charnes dan Cooper (1961), MOGP memperluasnya untuk menangani beberapa tujuan yang bersaing, menjadikannya sangat diperlukan dalam riset operasi, desain rantai pasokan, alokasi sumber daya, dan analisis kebijakan di mana pengambil keputusan harus memenuhi — atau mendekati — beberapa persyaratan yang saling bertentangan sekaligus.
Intuisi di balik metode
Bayangkan seorang manajer yang harus secara bersamaan memenuhi target laba, tetap dalam batas anggaran karbon, dan menjaga lembur karyawan di bawah ambang batas. Optimasi murni hanya dapat mengoptimalkan satu tujuan pada satu waktu, dan memperlakukan sisanya sebagai batasan keras dapat menghasilkan ketidaklayakan. Pemrograman tujuan membingkai ulang setiap target sebagai 'tujuan' dan meminimalkan jarak di mana solusi kurang dari (atau melebihi) setiap tujuan. Varian multi-objektif menimbang deviasi ini di semua tujuan dan menemukan kompromi layak terbaik — mirip dengan menemukan titik di lanskap yang paling dekat dengan beberapa puncak bukit sekaligus.
Sejarah
Pemrograman tujuan diperkenalkan oleh Charnes dan Cooper pada tahun 1961 sebagai perluasan dari pemrograman linier untuk menangani beberapa tujuan melalui tingkat aspirasi. Ijiri (1965) memformalkan varian leksikografis, dan Lee (1972) mengkonsolidasikan metode ini untuk aplikasi ilmu manajemen. Formulasi multi-objektif (vektor) menjadi menonjol melalui karya Tamiz, Jones, dan Romero pada tahun 1990-an, dan saat ini MOGP adalah alat standar dalam kurikulum riset operasi dan optimasi terapan.
Kapan digunakan
Gunakan MOGP ketika masalah keputusan melibatkan beberapa tujuan yang dapat dikuantifikasi, mungkin saling bertentangan, dan ketika pengambil keputusan dapat menyatakan tingkat aspirasi untuk masing-masing. Ini sangat cocok untuk alokasi sumber daya, pemilihan portofolio, perencanaan produksi, dan kebijakan lingkungan di mana kelayakan harus dipertahankan sambil mengejar beberapa target. Pilih MOGP daripada optimasi multi-objektif murni ketika pemangku kepentingan berpikir dalam hal 'target yang harus dicapai' daripada 'tujuan yang harus dimaksimalkan.' JANGAN gunakan ketika tujuan tidak dapat dinyatakan sebagai target kuantitatif, ketika masalah secara inheren non-linier dan pemecah tidak tersedia, ketika bobot kardinal tidak mungkin dibenarkan, atau ketika analisis batas Pareto yang ketat (tanpa penjangkaran tujuan) diperlukan.
Batasan dan pertimbangan
- Tingkat tujuan (aspirasi) dan bobot harus diperoleh dari pengambil keputusan, yang bisa bersifat subjektif dan kontroversial secara politis.
- Solusi sensitif terhadap bobot yang dipilih; skema pembobotan yang berbeda dapat menghasilkan hasil yang sangat berbeda.
- GP linier standar mengasumsikan konveksitas; masalah non-konveks atau kombinatorial memerlukan pemecah khusus dan dapat menjadi intensif secara komputasi.
- Tidak menjamin optimalitas Pareto — solusi GP dapat didominasi jika tujuan dan bobot ditentukan secara buruk.
- Skala tujuan yang tidak dapat dibandingkan memerlukan normalisasi, yang dapat menimbulkan pilihan subjektif lebih lanjut.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Secara alami menangani beberapa tujuan yang saling bertentangan dalam satu model optimasi yang dapat dikelola.
- Fungsi pencapaian yang fleksibel — varian berbobot, leksikografis, atau min-max — mengakomodasi struktur preferensi pemangku kepentingan yang berbeda.
- Menghasilkan satu solusi yang direkomendasikan daripada satu set Pareto yang besar, menyederhanakan komunikasi pengambil keputusan.
- Dapat diperluas ke formulasi integer, biner, atau nonlinier, mencakup berbagai masalah dunia nyata.
- Analisis sensitivitas pada bobot dan tingkat aspirasi mudah dilakukan, mengungkapkan seberapa kuat solusi terhadap perubahan preferensi.
Penerapan
- Desain jaringan rantai pasokan yang menyeimbangkan target biaya, tingkat layanan, dan jejak karbon.
- Alokasi sumber daya rumah sakit yang memenuhi target staf, tingkat hunian tempat tidur, dan anggaran secara bersamaan.
- Perencanaan pertanian yang mengoptimalkan hasil panen, penggunaan air, dan pengembalian ekonomi di bawah batasan lahan tetap.
- Pemilihan portofolio keuangan yang memenuhi tingkat aspirasi pengembalian, risiko, dan likuiditas.
- Pemodelan kebijakan energi yang menyeimbangkan kapasitas terbarukan, keandalan jaringan, dan biaya investasi.
- Penjadwalan mata kuliah universitas yang menghormati beban fakultas, kapasitas ruangan, dan tujuan preferensi mahasiswa.
Cara kerjanya
Cara kerjanya
Identifikasi semua K tujuan dan tetapkan tingkat aspirasi g_k untuk setiap objektif f_k(x). Tujuan dapat mencerminkan target laba, batas biaya, kuota lingkungan, atau persyaratan tingkat layanan. Tentukan apakah pencapaian berlebih, pencapaian kurang, atau kedua deviasi tidak diinginkan untuk setiap tujuan.
Perkenalkan variabel deviasi non-negatif d_k^+ (pencapaian berlebih) dan d_k^- (pencapaian kurang) untuk setiap tujuan k, sehingga f_k(x) + d_k^- - d_k^+ = g_k. Variabel-variabel ini mengukur seberapa jauh solusi dari setiap tingkat aspirasi.
Rumus
d_k^+ = \max(f_k(x) - g_k, 0), \quad d_k^- = \max(g_k - f_k(x), 0)
Bangun fungsi pencapaian (objektif) sebagai jumlah berbobot dari variabel deviasi: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). Bobot w_k mencerminkan kepentingan relatif dari pemenuhan setiap tujuan. Alternatifnya, urutan prioritas leksikografis dapat menggantikan bobot untuk struktur prioritas yang ketat.
Rumus
\min \; Z = \sum_{k=1}^{K} (w_k^+ d_k^+ + w_k^- d_k^-)Selesaikan program linier (atau nonlinier) yang dihasilkan menggunakan pemecah standar. Sesuaikan tingkat tujuan dan bobot berdasarkan analisis sensitivitas atau umpan balik pemangku kepentingan, dan selesaikan kembali untuk menjelajahi ruang keputusan dan memahami trade-off antar tujuan.
Periksa nilai deviasi akhir untuk menentukan tujuan mana yang sepenuhnya tercapai (d_k^+ = d_k^- = 0) dan mana yang melibatkan deviasi residual. Sajikan batas Pareto-efisien atau profil pencapaian kepada pengambil keputusan untuk pemilihan dan justifikasi akhir.
Kesalahan umum
- Menetapkan tingkat aspirasi yang tidak realistis dapat membuat semua tujuan tidak dapat dicapai secara bersamaan, yang mengarah pada deviasi besar untuk setiap tujuan dan solusi yang tidak informatif.
- Mengabaikan perbedaan antara pencapaian berlebih yang tidak diinginkan dan pencapaian kurang yang tidak diinginkan (misalnya, memperlakukan laba berlebih sebagai masalah) mengarah pada penalti deviasi yang salah spesifikasi.
- Menggabungkan tujuan dengan unit atau besaran yang sangat berbeda tanpa normalisasi menyebabkan fungsi pencapaian didominasi oleh tujuan yang secara numerik besar.
- Memperlakukan keluaran GP sebagai jawaban akhir tanpa analisis sensitivitas berisiko mengabaikan dampak ketidakpastian bobot pada solusi yang dipilih.
Pertanyaan yang sering diajukan
Bagaimana MOGP berbeda dari optimasi multi-objektif standar?
Optimasi multi-objektif standar mencari seluruh front Pareto tanpa menetapkan target, sedangkan MOGP menambatkan setiap objektif ke tingkat aspirasi tertentu dan meminimalkan deviasi dari tingkat tersebut, menghasilkan satu solusi kompromi yang selaras dengan target yang dinyatakan.
Apa perbedaan antara pemrograman tujuan berbobot dan leksikografis?
GP berbobot menggabungkan semua variabel deviasi ke dalam satu jumlah berbobot, menukar tujuan satu sama lain. GP leksikografis mengatur tujuan dalam tingkatan prioritas yang ketat dan mengoptimalkan setiap tingkatan secara berurutan, tidak pernah mengorbankan tujuan prioritas yang lebih tinggi untuk tujuan yang lebih rendah.
Bisakah MOGP menangani fungsi objektif non-linier?
Ya, tetapi dengan biaya komputasi yang meningkat. MOGP nonlinier memerlukan pemecah nonlinier dan konveksitas tidak lagi terjamin, sehingga optimalitas global mungkin tidak terjamin. Linearitas atau aproksimasi piecewise adalah solusi umum.
Bagaimana bobot tujuan harus ditentukan?
Bobot harus mencerminkan preferensi pengambil keputusan dan dapat diperoleh melalui penilaian langsung, perbandingan berpasangan (AHP), atau analisis sensitivitas coba-coba. Transparansi mengenai pilihan bobot sangat penting untuk penerimaan pemangku kepentingan.
Apakah solusi pemrograman tujuan selalu optimal Pareto?
Belum tentu. Solusi GP berbobot mungkin optimal Pareto lemah tetapi tidak secara ketat, terutama jika beberapa bobot adalah nol. Menggunakan bobot positif untuk semua deviasi dan memeriksa solusi yang didominasi adalah praktik yang direkomendasikan.
Metode terkait
Sumber
Charnes, A., Cooper, W. W. (1961). Management Models and Industrial Applications of Linear Programming. Wiley, New York.
ISBN: 978-0471148258Disalin.Jones, D., Tamiz, M. (2010). Practical Goal Programming. Springer, New York.
Buka referensi DOIDisalin.