Programação por Objetivos Múltiplos
- Proposto por
- Charnes, A. and Cooper, W. W.
- Ano
- 1961
- Tipo
- Mathematical programming / multi-criteria optimization
- Família
- Simulation / optimization
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Programação por Objetivos Múltiplos (MOGP) é uma técnica de programação matemática que busca simultaneamente vários alvos aspiracionais, minimizando desvios ponderados de cada meta.
Fundamentada no framework original de programação por objetivos de Charnes e Cooper (1961), a MOGP o estende para lidar com múltiplos objetivos concorrentes, tornando-a indispensável em pesquisa operacional, projeto de cadeia de suprimentos, alocação de recursos e análise de políticas, onde os tomadores de decisão devem satisfazer — ou chegar perto de — múltiplos requisitos conflitantes simultaneamente.
A intuição por trás do método
Imagine um gerente que deve simultaneamente atingir uma meta de lucro, manter-se dentro de um orçamento de carbono e manter o tempo extra dos funcionários abaixo de um limite. A otimização pura só pode otimizar um objetivo por vez, e tratar os demais como restrições rígidas pode levar à inviabilidade. A programação por objetivos reformula cada meta como um 'objetivo' e minimiza a distância pela qual a solução fica aquém (ou excede) cada meta. A variante multi-objetivo pondera esses desvios entre todos os objetivos e encontra o melhor compromisso viável — muito parecido com encontrar o ponto em uma paisagem que está mais próximo de vários picos de montanha ao mesmo tempo.
História
A programação por objetivos foi introduzida por Charnes e Cooper em 1961 como uma extensão da programação linear para lidar com múltiplos objetivos por meio de níveis de aspiração. Ijiri (1965) formalizou a variante lexicográfica, e Lee (1972) consolidou o método para aplicações em ciência da gestão. A formulação multi-objetivo (vetorial) tornou-se proeminente através do trabalho de Tamiz, Jones e Romero nos anos 1990, e hoje a MOGP é uma ferramenta padrão em currículos de pesquisa operacional e otimização aplicada.
Quando usar
Usar MOGP quando um problema de decisão envolve metas múltiplas, quantificáveis e possivelmente conflitantes, e quando os tomadores de decisão podem expressar níveis de aspiração para cada uma. É especialmente adequada para alocação de recursos, seleção de portfólio, planejamento de produção e política ambiental, onde a viabilidade deve ser mantida enquanto se busca atingir várias metas. Preferir MOGP em vez de otimização multi-objetivo pura quando as partes interessadas pensam em termos de 'metas a serem atingidas' em vez de 'objetivos a serem maximizados'. NÃO usar quando as metas não podem ser expressas como alvos quantitativos, quando o problema é inerentemente não linear e os solvers estão indisponíveis, quando pesos cardinais são impossíveis de justificar, ou quando uma análise estrita da fronteira de Pareto (sem ancoragem de meta) é necessária.
Limitações e considerações
- Os níveis de meta (aspiração) e os pesos devem ser obtidos dos tomadores de decisão, o que pode ser subjetivo e politicamente controverso.
- A solução é sensível aos pesos escolhidos; diferentes esquemas de ponderação podem produzir resultados substancialmente diferentes.
- A GP linear padrão assume convexidade; problemas não convexos ou combinatórios requerem solvers especializados e podem se tornar computacionalmente intensivos.
- Não garante otimalidade de Pareto — uma solução de GP pode ser dominada se as metas e os pesos forem mal especificados.
- Escalas de metas incomensuráveis requerem normalização, o que pode introduzir escolhas subjetivas adicionais.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Lida naturalmente com múltiplos objetivos conflitantes dentro de um único modelo de otimização tratável.
- Funções de realização flexíveis — ponderadas, lexicográficas ou variantes min-max — acomodam diferentes estruturas de preferência das partes interessadas.
- Produz uma única solução recomendada em vez de um grande conjunto de Pareto, simplificando a comunicação com os tomadores de decisão.
- Pode ser estendida para formulações inteiras, binárias ou não lineares, cobrindo uma ampla gama de problemas do mundo real.
- A análise de sensibilidade em pesos e níveis de aspiração é direta, revelando quão robusta é a solução a mudanças de preferência.
Aplicações
- Projeto de rede de cadeia de suprimentos equilibrando metas de custo, nível de serviço e pegada de carbono.
- Alocação de recursos hospitalares atendendo simultaneamente metas de pessoal, ocupação de leitos e orçamento.
- Planejamento agrícola que otimiza o rendimento das colheitas, o uso da água e o retorno econômico sob restrições fixas de terra.
- Seleção de portfólio financeiro satisfazendo níveis de aspiração de retorno, risco e liquidez.
- Modelagem de política energética com trade-offs entre capacidade renovável, confiabilidade da rede e custo de investimento.
- Agendamento de cursos universitários respeitando metas de carga horária dos professores, capacidade das salas e preferências dos alunos.
Como funciona
Como funciona
Identificar todas as K metas e definir níveis de aspiração g_k para cada objetivo f_k(x). As metas podem refletir metas de lucro, tetos de custo, cotas ambientais ou requisitos de nível de serviço. Decidir se o excesso de realização, a sub-realização ou ambos os desvios são indesejáveis para cada meta.
Introduzir variáveis de desvio não negativas d_k^+ (excesso de realização) e d_k^- (sub-realização) para cada meta k, de modo que f_k(x) + d_k^- - d_k^+ = g_k. Essas variáveis quantificam o quão longe a solução está de cada nível de aspiração.
Fórmula
d_k^+ = \max(f_k(x) - g_k, 0), \quad d_k^- = \max(g_k - f_k(x), 0)
Construir a função de realização (objetivo) como uma soma ponderada de variáveis de desvio: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). Os pesos w_k refletem a importância relativa de atingir cada meta. Alternativamente, uma ordenação lexicográfica de prioridade pode substituir os pesos para estruturas de prioridade estritas.
Fórmula
\min \; Z = \sum_{k=1}^{K} (w_k^+ d_k^+ + w_k^- d_k^-)Resolver o programa linear (ou não linear) resultante usando solvers padrão. Ajustar os níveis de meta e os pesos com base na análise de sensibilidade ou feedback das partes interessadas, e resolver novamente para explorar o espaço de decisão e entender os trade-offs entre os objetivos.
Inspecionar os valores finais de desvio para determinar quais metas são totalmente atingidas (d_k^+ = d_k^- = 0) e quais envolvem desvios residuais. Apresentar a fronteira de Pareto eficiente ou o perfil de realização aos tomadores de decisão para seleção e justificativa final.
Erros comuns
- Definir níveis de aspiração irrealistas pode tornar todas as metas inatingíveis simultaneamente, levando a grandes desvios para cada meta e a uma solução não informativa.
- Ignorar a distinção entre excesso de realização indesejado e sub-realização indesejada (por exemplo, tratar lucro excessivo como um problema) leva a penalidades de desvio mal especificadas.
- Combinar metas com unidades ou magnitudes muito diferentes sem normalização faz com que a função de realização seja dominada por metas numericamente grandes.
- Tratar a saída de GP como uma resposta final sem análise de sensibilidade arrisca negligenciar o impacto da incerteza do peso na solução escolhida.
Perguntas frequentes
Como a MOGP difere da otimização multi-objetivo padrão?
A otimização multi-objetivo padrão busca a frente de Pareto completa sem fixar metas, enquanto a MOGP ancora cada objetivo a um nível de aspiração específico e minimiza os desvios desses níveis, gerando uma única solução de compromisso alinhada com as metas declaradas.
Qual é a diferença entre programação por objetivos ponderada e lexicográfica?
A GP ponderada combina todas as variáveis de desvio em uma única soma ponderada, fazendo trade-offs entre os objetivos. A GP lexicográfica organiza os objetivos em níveis de prioridade estritos e otimiza cada nível sequencialmente, nunca sacrificando um objetivo de prioridade mais alta por um de prioridade mais baixa.
A MOGP pode lidar com funções objetivo não lineares?
Sim, mas com custo computacional aumentado. A MOGP não linear requer solvers não lineares e a convexidade não é mais garantida, portanto, a otimalidade global pode não ser assegurada. Linearização ou aproximações por partes são remédios comuns.
Como os pesos das metas devem ser determinados?
Os pesos devem refletir as preferências dos tomadores de decisão e podem ser obtidos por meio de avaliação direta, comparação par a par (AHP) ou análise de sensibilidade por tentativa e erro. A transparência sobre as escolhas de pesos é fundamental para a aceitação das partes interessadas.
Uma solução de programação por objetivos é sempre Pareto ótima?
Não necessariamente. Uma solução de GP ponderada pode ser fracamente Pareto ótima, mas não estritamente, especialmente se alguns pesos forem zero. Recomenda-se a prática de usar pesos positivos para todos os desvios e verificar soluções dominadas.
Métodos relacionados
Fontes
Charnes, A., Cooper, W. W. (1961). Management Models and Industrial Applications of Linear Programming. Wiley, New York.
ISBN: 978-0471148258Copiado.Jones, D., Tamiz, M. (2010). Practical Goal Programming. Springer, New York.
Abrir referência DOICopiado.