Skip to content
Torna ai risultati

Programmazione a Obiettivi Stocastica — Ottimizzazione di Obiettivi Multipli in Condizioni di Incertezza

Introdotto da
Contini, B. (building on Charnes & Cooper's chance-constrained programming)
Anno
1968
Tipo
Stochastic multi-goal 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 a Obiettivi Stocastica (Stochastic Goal Programming, SGP) estende la programmazione a obiettivi classica per gestire l'incertezza nei target degli obiettivi, nei coefficienti dei vincoli o nei parametri del lato destro.

Incorporando vincoli probabilistici e componenti stocastiche nell'obiettivo, trova soluzioni che soddisfano obiettivi multipli a livelli di probabilità accettabili, rendendola adatta a problemi decisionali in cui i dati sono intrinsecamente incerti o variabili.

L’intuizione alla base del metodo

La programmazione a obiettivi classica chiede: possiamo avvicinarci a ciascun obiettivo simultaneamente? La Programmazione a Obiettivi Stocastica pone la stessa domanda ma riconosce che il mondo è incerto: gli obiettivi possono cambiare, le risorse possono variare e i dati possono essere rumorosi. Invece di ottimizzare per un singolo scenario fisso, la SGP cerca soluzioni che si comportino bene in media o che soddisfino ciascun obiettivo con una probabilità specificata. Pensala come la creazione del miglior piano possibile tenendo conto onestamente di ciò che non si conosce.

Storia

La programmazione a obiettivi è stata introdotta da Charnes e Cooper alla fine degli anni '50. Contini (1968) l'ha estesa formalmente a contesti stocastici utilizzando idee di programmazione a vincoli di probabilità. I decenni successivi hanno visto crescenti applicazioni in finanza, agricoltura e politiche pubbliche. Il metodo ha acquisito ulteriore fondamento teorico attraverso connessioni con l'ottimizzazione robusta sviluppata negli anni '90 e 2000.

Quando usarlo

Utilizzare la Programmazione a Obiettivi Stocastica quando un problema decisionale ha obiettivi multipli e conflittuali, almeno alcuni parametri (domande, costi, rese) sono incerti e possono essere caratterizzati da distribuzioni di probabilità, e i decisori necessitano di garanzie espresse come livelli di confidenza piuttosto che come limiti del caso peggiore. È ben adatta a problemi di pianificazione della catena di approvvigionamento, allocazione di risorse sanitarie, gestione di portafogli finanziari con obiettivi multipli e pianificazione agricola in condizioni di incertezza meteorologica. NON utilizzarla quando gli obiettivi sono veramente incommensurabili e non possono essere pesati, quando non sono disponibili informazioni distribuzionali (utilizzare invece l'ottimizzazione robusta), quando il problema ha un solo obiettivo (utilizzare la programmazione stocastica), o quando il numero di scenari è così elevato che le riformulazioni deterministiche diventano intrattabili.

Limiti e considerazioni

  • Richiede la conoscenza dei parametri distribuzionali (medie, varianze) che potrebbero essere difficili da stimare accuratamente.
  • Distribuzioni non normali o vincoli di probabilità congiunti possono rendere la riformulazione deterministica intrattabile, richiedendo approcci basati su scenari o simulazioni.
  • La scelta dei livelli di confidenza alpha_i e dei pesi degli obiettivi w_i è intrinsecamente soggettiva e può influenzare fortemente i risultati.
  • Computazionalmente più impegnativa della programmazione a obiettivi deterministica, specialmente per problemi su larga scala o non lineari.
  • Interpretare i trade-off tra obiettivi probabilistici può essere difficile per gli stakeholder non tecnici.

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

Punti di forza

  • Gestisce obiettivi multipli e conflittuali simultaneamente all'interno di un unico framework di ottimizzazione.
  • Consente la specificazione esplicita di livelli di rischio accettabili (confidenza) per ciascun obiettivo o vincolo.
  • Sotto assunzioni di normalità, i vincoli di probabilità si riducono a vincoli deterministici di cono del secondo ordine trattabili, risolvibili con risolutori standard.
  • Fornisce ai decisori la probabilità di raggiungimento degli obiettivi, offrendo informazioni più ricche rispetto a una soluzione a scenario singolo.
  • Include la programmazione a obiettivi deterministica come caso speciale (livello di confidenza = 1 con parametri fissi).
  • Teoricamente ben fondata, si collega alle letterature sulla programmazione a vincoli di probabilità e sull'ottimizzazione robusta.

Applicazioni

  • Pianificazione agricola: allocazione di terreni e risorse tra colture in condizioni di pioggia e prezzi incerti.
  • Allocazione di risorse sanitarie: pianificazione del personale e dei posti letto rispettando gli obiettivi di livello di servizio in condizioni di domanda incerta dei pazienti.
  • Gestione della catena di approvvigionamento: pianificazione della produzione e delle scorte con rese, tempi di consegna e domanda incerti.
  • Ottimizzazione di portafogli finanziari con obiettivi multipli (rendimento, rischio, liquidità) in condizioni di incertezza di mercato.
  • Pianificazione di sistemi energetici: bilanciamento degli obiettivi di costo, affidabilità ed emissioni data la generazione rinnovabile incerta.
  • Bilancio comunale: allocazione di fondi pubblici tra dipartimenti con entrate e spese incerte.

Come funziona

Come funziona

1

Definire le variabili decisionali, gli obiettivi aspirazionali multipli (target) e gli eventuali vincoli rigidi. Ciascun obiettivo i è espresso come: f_i(x) + d_i^- - d_i^+ = g_i, dove d_i^- e d_i^+ sono le variabili di deviazione negativa e positiva dal target g_i. Assegnare pesi di priorità che riflettano l'importanza relativa del raggiungimento di ciascun obiettivo.

2

Identificare quali parametri sono incerti: i target degli obiettivi g_i, i coefficienti dei vincoli o i coefficienti della funzione obiettivo possono essere modellati come variabili casuali con distribuzioni note o stimate (ad es., normale, uniforme, empirica). Specificare le assunzioni distribuzionali basate su dati storici o giudizio di esperti.

3

Convertire i vincoli incerti in vincoli di probabilità (chance constraints). Per un vincolo stocastico che coinvolge il parametro casuale b_i con distribuzione F, richiedere P(g_i(x) <= b_i) >= alpha_i, dove alpha_i è un livello di confidenza specificato dall'utente (ad es., 0.90 o 0.95). Sotto assunzioni di normalità, questi possono essere riformulati come vincoli deterministici di cono del secondo ordine.

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

Risolvere il problema di ottimizzazione risultante (possibilmente riformulato): minimizzare la somma pesata delle deviazioni min sum_i (w_i^+ d_i^+ + w_i^- d_i^-) soggetta agli equivalenti deterministici dei vincoli di probabilità e agli eventuali vincoli rigidi rimanenti. Utilizzare risolutori LP, MILP o non lineari a seconda della struttura del problema.

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

Valutare la soluzione verificando i livelli di raggiungimento degli obiettivi, la probabilità di soddisfazione dei vincoli e la sensibilità alle assunzioni distribuzionali. Eseguire una validazione post-hoc Monte Carlo campionando realizzazioni dei parametri e verificando che la soluzione soddisfi gli obiettivi ai livelli di confidenza dichiarati in scenari simulati.

Errori comuni

  • Assumere la normalità dei parametri incerti senza validazione empirica può produrre garanzie di confidenza fuorvianti.
  • Impostare livelli di confidenza eccessivamente alti (ad es., 0.999) riduce efficacemente il modello a una formulazione deterministica conservativa, vanificando lo scopo della modellazione stocastica.
  • Confondere la programmazione a obiettivi con vincoli di probabilità con la programmazione a obiettivi robusta: i due approcci gestiscono l'incertezza in modo diverso e non sono intercambiabili.
  • Non validare la soluzione stocastica tramite simulazione Monte Carlo lascia sconosciuto il rischio effettivo di violazioni degli obiettivi.
  • Ignorare la correlazione tra parametri incerti può produrre soluzioni infattibili o eccessivamente ottimistiche.

Domande frequenti

In che modo la Programmazione a Obiettivi Stocastica differisce dalla Programmazione a Obiettivi classica?

La programmazione a obiettivi classica assume che tutti i parametri (obiettivi, vincoli, costi) siano noti con certezza. La Programmazione a Obiettivi Stocastica consente che alcuni parametri siano variabili casuali, incorporando vincoli di probabilità che richiedono che gli obiettivi siano soddisfatti con un livello di confidenza specificato piuttosto che esattamente.

Quale assunzione distribuzionale è più comunemente utilizzata?

La normalità è l'assunzione più comune perché consente di riformulare i vincoli di probabilità esattamente come vincoli deterministici di cono del secondo ordine. Quando i dati suggeriscono distribuzioni non normali, vengono utilizzati approcci basati su scenari o simulazioni.

Come scelgo i livelli di confidenza alpha_i per ciascun vincolo di probabilità?

I livelli di confidenza riflettono la tolleranza al rischio del decisore per ciascun obiettivo. Valori di 0.90–0.95 sono comuni nella pratica. Valori più alti rendono il problema più conservativo e potrebbero richiedere il rilassamento di altri obiettivi; valori più bassi consentono più rischio ma potrebbero portare a risultati inaccettabili.

La Programmazione a Obiettivi Stocastica può gestire variabili decisionali intere?

Sì. Se combinata con variabili intere, il problema diventa Programmazione a Obiettivi Stocastica Intera, che è più difficile da risolvere ma comunque trattabile per istanze di dimensioni moderate utilizzando branch-and-bound con riformulazioni di vincoli di probabilità.

Dovrei usare la Programmazione a Obiettivi Stocastica o l'Ottimizzazione Robusta quando ho parametri incerti?

Se si dispone di informazioni distribuzionali affidabili e si desiderano garanzie probabilistiche, la SGP è appropriata. Se si conoscono solo insiemi di incertezza (intervalli) e si desiderano garanzie del caso peggiore senza assunzioni distribuzionali, l'ottimizzazione robusta è migliore. Quando entrambi sono fattibili, è buona pratica confrontare le soluzioni di entrambi gli approcci.

Metodi correlati

Fonti

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

    Apri il riferimento DOI
    Copiato.
  2. Charnes, A., Cooper, W. W. (1959). Chance-constrained programming. Management Science, 6(1), 73–79.

    Apri il riferimento DOI
    Copiato.