Skip to content
Torna ai risultati

Programmazione per Obiettivi Multipli

Introdotto da
Charnes, A. and Cooper, W. W.
Anno
1961
Tipo
Mathematical programming / multi-criteria optimization
Famiglia
Simulation / optimization

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La Programmazione per Obiettivi Multipli (MOGP) è una tecnica di programmazione matematica che persegue simultaneamente diversi traguardi aspirazionali minimizzando le deviazioni ponderate da ciascun obiettivo.

Radicata nel quadro originale di programmazione per obiettivi di Charnes e Cooper (1961), la MOGP lo estende per gestire molteplici obiettivi concorrenti, rendendola indispensabile nella ricerca operativa, nella progettazione della catena di approvvigionamento, nell'allocazione delle risorse e nell'analisi delle politiche, dove i decisori devono soddisfare – o avvicinarsi a – molteplici requisiti conflittuali contemporaneamente.

L’intuizione alla base del metodo

Immaginate un manager che debba contemporaneamente raggiungere un obiettivo di profitto, rimanere entro un budget di carbonio e mantenere gli straordinari dei dipendenti al di sotto di una soglia. La pura ottimizzazione può ottimizzare un solo obiettivo alla volta, e trattare gli altri come vincoli rigidi può portare all'infeasibilità. La programmazione per obiettivi riformula ogni traguardo come un 'obiettivo' e minimizza la distanza con cui la soluzione rimane al di sotto (o al di sopra) di ciascun obiettivo. La variante multi-obiettivo pondera queste deviazioni tra tutti gli obiettivi e trova il miglior compromesso fattibile – molto simile a trovare il punto in un paesaggio che è più vicino a diverse cime contemporaneamente.

Storia

La programmazione per obiettivi è stata introdotta da Charnes e Cooper nel 1961 come estensione della programmazione lineare per gestire obiettivi multipli tramite livelli di aspirazione. Ijiri (1965) ha formalizzato la variante lessicografica, e Lee (1972) ha consolidato il metodo per applicazioni di management science. La formulazione multi-obiettivo (vettoriale) è diventata prominente attraverso il lavoro di Tamiz, Jones e Romero negli anni '90, e oggi la MOGP è uno strumento standard nei curricula di ricerca operativa e nell'ottimizzazione applicata.

Quando usarlo

Utilizzare la MOGP quando un problema decisionale coinvolge obiettivi multipli, quantificabili, possibilmente conflittuali e quando i decisori possono esprimere livelli di aspirazione per ciascuno. È particolarmente adatta per l'allocazione delle risorse, la selezione del portafoglio, la pianificazione della produzione e la politica ambientale, dove la fattibilità deve essere mantenuta perseguendo contemporaneamente diversi traguardi. Preferire la MOGP rispetto all'ottimizzazione multi-obiettivo pura quando gli stakeholder pensano in termini di 'obiettivi da raggiungere' piuttosto che 'obiettivi da massimizzare'. NON utilizzarla quando gli obiettivi non possono essere espressi come target quantitativi, quando il problema è intrinsecamente non lineare e i risolutori non sono disponibili, quando i pesi cardinali sono impossibili da giustificare, o quando è richiesta un'analisi rigorosa della frontiera di Pareto (senza ancoraggio all'obiettivo).

Limiti e considerazioni

  • I livelli di obiettivo (aspirazione) e i pesi devono essere estratti dai decisori, il che può essere soggettivo e politicamente controverso.
  • La soluzione è sensibile ai pesi scelti; schemi di ponderazione diversi possono produrre risultati sostanzialmente differenti.
  • La GP lineare standard assume la convessità; problemi non convessi o combinatori richiedono risolutori specializzati e possono diventare computazionalmente intensivi.
  • Non garantisce l'ottimalità di Pareto – una soluzione GP può essere dominata se obiettivi e pesi sono specificati in modo errato.
  • Scale di obiettivi incommensurabili richiedono la normalizzazione, che può introdurre ulteriori scelte soggettive.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Gestisce naturalmente obiettivi multipli e conflittuali all'interno di un singolo modello di ottimizzazione trattabile.
  • Funzioni di raggiungimento flessibili – varianti ponderate, lessicografiche o min-max – accolgono diverse strutture di preferenza degli stakeholder.
  • Produce una singola soluzione raccomandata anziché un ampio set di Pareto, semplificando la comunicazione con i decisori.
  • Può essere estesa a formulazioni intere, binarie o non lineari, coprendo un'ampia gamma di problemi reali.
  • L'analisi di sensibilità su pesi e livelli di aspirazione è semplice, rivelando quanto la soluzione sia robusta ai cambiamenti di preferenza.

Applicazioni

  • Progettazione di reti della catena di approvvigionamento che bilanciano obiettivi di costo, livello di servizio e impronta di carbonio.
  • Allocazione di risorse ospedaliere per soddisfare contemporaneamente obiettivi di personale, occupazione dei letti e budget.
  • Pianificazione agricola che ottimizza la resa dei raccolti, l'uso dell'acqua e il ritorno economico entro vincoli di terra fissi.
  • Selezione di portafogli finanziari che soddisfano livelli di aspirazione di rendimento, rischio e liquidità.
  • Modellazione di politiche energetiche che bilanciano capacità rinnovabile, affidabilità della rete e costi di investimento.
  • Pianificazione dei corsi universitari che rispetta obiettivi di carico del corpo docente, capacità delle aule e preferenze degli studenti.

Come funziona

Come funziona

1

Identificare tutti i K obiettivi e stabilire livelli di aspirazione g_k per ciascun obiettivo f_k(x). Gli obiettivi possono riflettere target di profitto, soffitti di costo, quote ambientali o requisiti di livello di servizio. Decidere se il superamento, il mancato raggiungimento o entrambe le deviazioni sono indesiderabili per ciascun obiettivo.

2

Introdurre variabili di deviazione non negative d_k^+ (superamento) e d_k^- (mancato raggiungimento) per ciascun obiettivo k, in modo che f_k(x) + d_k^- - d_k^+ = g_k. Queste variabili quantificano quanto la soluzione si discosta da ciascun livello di aspirazione.

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

Costruire la funzione di raggiungimento (obiettivo) come somma ponderata delle variabili di deviazione: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). I pesi w_k riflettono l'importanza relativa del raggiungimento di ciascun obiettivo. In alternativa, un ordinamento lessicografico delle priorità può sostituire i pesi per strutture di priorità rigorose.

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

Risolvere il programma lineare (o non lineare) risultante utilizzando risolutori standard. Regolare i livelli degli obiettivi e i pesi in base all'analisi di sensibilità o al feedback degli stakeholder, e risolvere nuovamente per esplorare lo spazio decisionale e comprendere i trade-off tra gli obiettivi.

5

Ispezionare i valori finali di deviazione per determinare quali obiettivi sono pienamente raggiunti (d_k^+ = d_k^- = 0) e quali comportano deviazioni residue. Presentare la frontiera di Pareto o il profilo di raggiungimento ai decisori per la selezione e la giustificazione finale.

Errori comuni

  • Stabilire livelli di aspirazione irrealistici può rendere tutti gli obiettivi simultaneamente irraggiungibili, portando a grandi deviazioni per ogni obiettivo e a una soluzione poco informativa.
  • Ignorare la distinzione tra superamento indesiderato e mancato raggiungimento indesiderato (ad esempio, trattare il profitto in eccesso come un problema) porta a penalità di deviazione mal specificate.
  • Combinare obiettivi con unità o magnitudini molto diverse senza normalizzazione fa sì che la funzione di raggiungimento sia dominata da obiettivi numericamente grandi.
  • Trattare l'output della GP come risposta finale senza analisi di sensibilità rischia di trascurare l'impatto dell'incertezza dei pesi sulla soluzione scelta.

Domande frequenti

In che modo la MOGP differisce dall'ottimizzazione multi-obiettivo standard?

L'ottimizzazione multi-obiettivo standard cerca l'intera frontiera di Pareto senza fissare obiettivi, mentre la MOGP ancora ciascun obiettivo a un livello di aspirazione specifico e minimizza le deviazioni da tali livelli, producendo una singola soluzione di compromesso allineata con gli obiettivi dichiarati.

Qual è la differenza tra programmazione per obiettivi ponderata e lessicografica?

La GP ponderata combina tutte le variabili di deviazione in una singola somma ponderata, scambiando obiettivi tra loro. La GP lessicografica dispone gli obiettivi in livelli di priorità rigorosi e ottimizza ciascun livello sequenzialmente, senza mai sacrificare un obiettivo di priorità più alta per uno inferiore.

La MOGP può gestire funzioni obiettivo non lineari?

Sì, ma con un costo computazionale aumentato. La MOGP non lineare richiede risolutori non lineari e la convessità non è più garantita, quindi l'ottimalità globale potrebbe non essere assicurata. La linearizzazione o le approssimazioni a tratti sono rimedi comuni.

Come dovrebbero essere determinati i pesi degli obiettivi?

I pesi dovrebbero riflettere le preferenze dei decisori e possono essere estratti tramite valutazione diretta, confronto a coppie (AHP) o analisi di sensibilità per tentativi ed errori. La trasparenza sulle scelte dei pesi è fondamentale per l'accettazione da parte degli stakeholder.

Una soluzione di programmazione per obiettivi è sempre Pareto ottimale?

Non necessariamente. Una soluzione GP ponderata può essere debolmente Pareto ottimale ma non strettamente tale, in particolare se alcuni pesi sono zero. Si raccomanda la pratica di utilizzare pesi positivi per tutte le deviazioni e di verificare le soluzioni dominate.

Metodi correlati

Fonti

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

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

    Apri il riferimento DOI
    Copiato.