การตั้งโปรแกรมเป้าหมายแบบหลายวัตถุประสงค์
- ผู้เสนอ
- Charnes, A. and Cooper, W. W.
- ปี
- 1961
- ประเภท
- Mathematical programming / multi-criteria optimization
- กลุ่มวิธี
- Simulation / optimization
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การตั้งโปรแกรมเป้าหมายแบบหลายวัตถุประสงค์ (Multi-Objective Goal Programming - MOGP) เป็นเทคนิคการตั้งโปรแกรมเชิงคณิตศาสตร์ที่มุ่งบรรลุเป้าหมายที่ปรารถนาหลายประการพร้อมกัน โดยการลดทอนผลต่างที่ถ่วงน้ำหนักจากแต่ละเป้าหมายให้เหลือน้อยที่สุด MOGP มีรากฐานมาจากกรอบการตั้งโปรแกรมเป้าหมายดั้งเดิมของ Charnes และ Cooper (1961) โดยต่อยอดเพื่อจัดการกับวัตถุประสงค์ที่แข่งขันกันหลายประการ ทำให้เป็นเครื่องมือที่ขาดไม่ได้ในสาขาการวิจัยดำเนินงาน การออกแบบห่วงโซ่อุปทาน การจัดสรรทรัพยากร และการวิเคราะห์นโยบาย ซึ่งผู้นำการตัดสินใจต้องปฏิบัติตาม - หรือเข้าใกล้ - ข้อกำหนดที่ขัดแย้งกันหลายประการพร้อมกัน
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพผู้จัดการที่ต้องบรรลุเป้าหมายกำไร รักษาปริมาณคาร์บอนให้อยู่ในงบประมาณ และจำกัดชั่วโมงการทำงานล่วงเวลาของพนักงานให้อยู่ต่ำกว่าเกณฑ์พร้อมกัน การหาค่าเหมาะที่สุดแบบบริสุทธิ์สามารถหาค่าเหมาะที่สุดได้เพียงวัตถุประสงค์เดียวในแต่ละครั้ง และการกำหนดวัตถุประสงค์อื่น ๆ ให้เป็นข้อจำกัดที่เข้มงวดอาจทำให้เกิดความไม่สามารถหาคำตอบได้ การตั้งโปรแกรมเป้าหมายปรับเปลี่ยนเป้าหมายแต่ละรายการให้เป็น 'เป้าหมาย' และลดทอนระยะทางที่คำตอบขาด (หรือเกิน) แต่ละเป้าหมายให้เหลือน้อยที่สุด รูปแบบหลายวัตถุประสงค์จะถ่วงน้ำหนักผลต่างเหล่านี้ในทุกเป้าหมาย และหาจุดประนีประนอมที่เหมาะสมที่สุดที่เป็นไปได้ - คล้ายกับการหาจุดในภูมิประเทศที่ใกล้กับยอดเขาหลายแห่งพร้อมกัน
ประวัติศาสตร์
การตั้งโปรแกรมเป้าหมายถูกนำเสนอโดย Charnes และ Cooper ในปี 1961 โดยเป็นการขยายการตั้งโปรแกรมเชิงเส้นเพื่อจัดการกับวัตถุประสงค์หลายประการผ่านระดับความปรารถนา Ijiri (1965) ได้ทำให้รูปแบบลำดับชั้นเป็นทางการ และ Lee (1972) ได้รวบรวมวิธีการนี้สำหรับการประยุกต์ใช้ในวิทยาการจัดการ รูปแบบหลายวัตถุประสงค์ (เวกเตอร์) กลายเป็นที่โดดเด่นผ่านผลงานของ Tamiz, Jones และ Romero ในช่วงทศวรรษ 1990 และปัจจุบัน MOGP เป็นเครื่องมือมาตรฐานในหลักสูตรการวิจัยดำเนินงานและการหาค่าเหมาะที่สุดเชิงประยุกต์
ควรใช้เมื่อใด
ใช้ MOGP เมื่อปัญหาการตัดสินใจเกี่ยวข้องกับเป้าหมายหลายประการที่สามารถวัดปริมาณได้และอาจขัดแย้งกัน และเมื่อผู้นำการตัดสินใจสามารถแสดงระดับความปรารถนาสำหรับแต่ละเป้าหมายได้ เหมาะอย่างยิ่งสำหรับการจัดสรรทรัพยากร การเลือกพอร์ตการลงทุน การวางแผนการผลิต และนโยบายสิ่งแวดล้อมที่ต้องรักษาความเป็นไปได้ในการหาคำตอบในขณะที่มุ่งบรรลุเป้าหมายหลายประการ ควรเลือก MOGP เหนือกว่าการหาค่าเหมาะที่สุดแบบหลายวัตถุประสงค์ (multi-objective optimization) เมื่อผู้มีส่วนได้ส่วนเสียคิดในแง่ของ 'เป้าหมายที่จะบรรลุ' มากกว่า 'วัตถุประสงค์ที่จะทำให้สูงสุด' ไม่ควรใช้เมื่อเป้าหมายไม่สามารถแสดงเป็นเป้าหมายเชิงปริมาณได้ เมื่อปัญหามีลักษณะไม่เชิงเส้นโดยธรรมชาติและไม่มีตัวแก้ปัญหา เมื่อไม่สามารถให้เหตุผลแก่น้ำหนักเชิงปริมาณได้ หรือเมื่อต้องการการวิเคราะห์เส้นขอบฟ้าพาเรโตที่เข้มงวด (โดยไม่มีการยึดเป้าหมายเป็นหลัก) จำเป็นต้องใช้
ข้อจำกัดและข้อควรพิจารณา
- ต้องมีการสอบถามระดับเป้าหมายและน้ำหนักจากผู้นำการตัดสินใจ ซึ่งอาจเป็นอัตวิสัยและเป็นที่ถกเถียงทางการเมือง
- คำตอบมีความไวต่อน้ำหนักที่เลือก รูปแบบน้ำหนักที่แตกต่างกันสามารถให้ผลลัพธ์ที่แตกต่างกันอย่างมาก
- การตั้งโปรแกรมเป้าหมายเชิงเส้นแบบมาตรฐาน (Standard linear GP) สมมติฐานความเป็นนูน (convexity) ปัญหาที่ไม่เป็นนูน (non-convex) หรือปัญหาการจัดหมู่ (combinatorial) ต้องใช้ตัวแก้ปัญหาเฉพาะทางและอาจใช้ทรัพยากรในการคำนวณสูง
- ไม่รับประกันความเหมาะที่สุดแบบพาเรโต (Pareto optimality) คำตอบจากโปรแกรมมิ่งเป้าหมาย (GP) อาจถูกคำตอบอื่นข่มได้ หากกำหนดเป้าหมายและน้ำหนักไม่ดี
- มาตราส่วนของเป้าหมายที่เปรียบเทียบกันไม่ได้ต้องทำให้เป็นมาตรฐานก่อน ซึ่งอาจนำการเลือกเชิงอัตวิสัยเพิ่มเข้ามาอีก
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จัดการกับวัตถุประสงค์ที่ขัดแย้งกันหลายประการได้อย่างเป็นธรรมชาติภายในแบบจำลองการหาค่าเหมาะที่สุดเดียวที่สามารถจัดการได้
- ฟังก์ชันความสำเร็จที่ยืดหยุ่น - แบบถ่วงน้ำหนัก แบบลำดับชั้น หรือแบบ min-max - สามารถรองรับโครงสร้างความพึงพอใจของผู้มีส่วนได้ส่วนเสียที่แตกต่างกัน
- ให้ผลลัพธ์เป็นคำตอบเดียวที่ประนีประนอม แทนที่จะเป็นชุดพาเรโตขนาดใหญ่ ช่วยให้การสื่อสารกับผู้นำการตัดสินใจง่ายขึ้น
- สามารถขยายไปยังรูปแบบจำนวนเต็ม จำนวนฐานสอง หรือไม่เชิงเส้น ครอบคลุมปัญหาในโลกแห่งความเป็นจริงที่หลากหลาย
- การวิเคราะห์ความไวต่อค่าถ่วงน้ำหนักและระดับความปรารถนาทำได้ง่าย เปิดเผยว่าคำตอบมีความทนทานต่อการเปลี่ยนแปลงความพึงพอใจเพียงใด
การประยุกต์ใช้
- การออกแบบเครือข่ายห่วงโซ่อุปทานที่สมดุลระหว่างเป้าหมายต้นทุน ระดับการบริการ และปริมาณคาร์บอน
- การจัดสรรทรัพยากรโรงพยาบาลให้บรรลุเป้าหมายด้านบุคลากร การครองเตียง และงบประมาณพร้อมกัน
- การวางแผนการเกษตรที่หาค่าเหมาะที่สุดสำหรับผลผลิตพืช การใช้น้ำ และผลตอบแทนทางเศรษฐกิจภายใต้ข้อจำกัดด้านที่ดินคงที่
- การเลือกพอร์ตการลงทุนทางการเงินที่ตอบสนองระดับความปรารถนาด้านผลตอบแทน ความเสี่ยง และสภาพคล่อง
- การสร้างแบบจำลองนโยบายพลังงานเพื่อประเมินการแลกเปลี่ยนระหว่างกำลังการผลิตพลังงานหมุนเวียน ความน่าเชื่อถือของกริด และต้นทุนการลงทุน
- การจัดตารางหลักสูตรมหาวิทยาลัยที่คำนึงถึงภาระงานคณาจารย์ ความจุห้องเรียน และเป้าหมายความพึงพอใจของนักศึกษา
วิธีการทำงาน
วิธีการทำงาน
ระบุเป้าหมาย K ทั้งหมด และกำหนดระดับความปรารถนา g_k สำหรับแต่ละวัตถุประสงค์ f_k(x) เป้าหมายอาจสะท้อนถึงเป้าหมายกำไร เพดานต้นทุน โควตาด้านสิ่งแวดล้อม หรือข้อกำหนดระดับการให้บริการ ตัดสินใจว่าการบรรลุเกิน (over-achievement) การบรรลุน้อยกว่า (under-achievement) หรือผลต่างทั้งสองประเภทไม่เป็นที่ต้องการสำหรับแต่ละเป้าหมาย
แนะนำตัวแปรผลต่างที่ไม่เป็นลบ d_k^+ (การบรรลุเกิน) และ d_k^- (การบรรลุน้อยกว่า) สำหรับแต่ละเป้าหมาย k โดยที่ f_k(x) + d_k^- - d_k^+ = g_k ตัวแปรเหล่านี้วัดว่าคำตอบห่างจากระดับความปรารถนาแต่ละระดับเพียงใด
สูตร
d_k^+ = \max(f_k(x) - g_k, 0), \quad d_k^- = \max(g_k - f_k(x), 0)
สร้างฟังก์ชันความสำเร็จ (วัตถุประสงค์) เป็นผลรวมถ่วงน้ำหนักของตัวแปรผลต่าง: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-) น้ำหนัก w_k สะท้อนถึงความสำคัญสัมพัทธ์ของการบรรลุแต่ละเป้าหมาย หรืออาจใช้การจัดลำดับความสำคัญแบบลำดับชั้น (lexicographic priority ordering) แทนน้ำหนักสำหรับโครงสร้างลำดับความสำคัญที่เข้มงวด
สูตร
\min \; Z = \sum_{k=1}^{K} (w_k^+ d_k^+ + w_k^- d_k^-)แก้ปัญหาโปรแกรมเชิงเส้น (หรือไม่เชิงเส้น) ที่ได้โดยใช้ตัวแก้ปัญหามาตรฐาน ปรับระดับเป้าหมายและน้ำหนักตามการวิเคราะห์ความไว (sensitivity analysis) หรือข้อเสนอแนะจากผู้มีส่วนได้ส่วนเสีย และแก้ปัญหาซ้ำเพื่อสำรวจปริภูมิการตัดสินใจและทำความเข้าใจการแลกเปลี่ยนระหว่างเป้าหมาย
ตรวจสอบค่าผลต่างสุดท้ายเพื่อระบุว่าเป้าหมายใดบรรลุผลสำเร็จอย่างสมบูรณ์ (d_k^+ = d_k^- = 0) และเป้าหมายใดมีผลต่างที่เหลืออยู่ นำเสนอเส้นขอบฟ้าพาเรโต (Pareto-efficient frontier) หรือโปรไฟล์ความสำเร็จ (achievement profile) แก่ผู้นำการตัดสินใจเพื่อการคัดเลือกและให้เหตุผลขั้นสุดท้าย
ข้อผิดพลาดที่พบบ่อย
- การกำหนดระดับความปรารถนาที่ไม่สมจริงอาจทำให้เป้าหมายทั้งหมดบรรลุพร้อมกันไม่ได้ นำไปสู่ส่วนเบี่ยงเบนขนาดใหญ่ในทุกเป้าหมายและคำตอบที่ไม่ให้ข้อมูล
- การละเลยความแตกต่างระหว่างการบรรลุเกินที่ไม่ต้องการและการบรรลุน้อยกว่าที่ไม่ต้องการ (เช่น การถือว่ากำไรส่วนเกินเป็นปัญหา) นำไปสู่การลงโทษผลต่างที่ระบุผิดพลาด
- การรวมเป้าหมายที่มีหน่วยหรือขนาดแตกต่างกันมากโดยไม่มีการปรับมาตราส่วน (normalization) ทำให้ฟังก์ชันความสำเร็จถูกครอบงำโดยเป้าหมายที่มีตัวเลขขนาดใหญ่
- การถือว่าผลลัพธ์ GP เป็นคำตอบสุดท้ายโดยไม่มีการวิเคราะห์ความไว เสี่ยงที่จะมองข้ามผลกระทบของความไม่แน่นอนของน้ำหนักต่อคำตอบที่เลือก
คำถามที่พบบ่อย
MOGP แตกต่างจากการหาค่าเหมาะที่สุดแบบหลายวัตถุประสงค์มาตรฐานอย่างไร
การหาค่าเหมาะที่สุดแบบหลายวัตถุประสงค์มาตรฐานมุ่งหาเส้นขอบฟ้าพาเรโตเต็มรูปแบบโดยไม่มีการกำหนดเป้าหมาย ในขณะที่ MOGP ยึดวัตถุประสงค์แต่ละรายการกับระดับความปรารถนาที่เฉพาะเจาะจง และลดทอนผลต่างจากระดับเหล่านั้นให้เหลือน้อยที่สุด โดยให้ผลลัพธ์ประนีประนอมเดียวที่สอดคล้องกับเป้าหมายที่ระบุ
อะไรคือความแตกต่างระหว่างการตั้งโปรแกรมเป้าหมายแบบถ่วงน้ำหนักและแบบลำดับชั้น
การตั้งโปรแกรมเป้าหมายแบบถ่วงน้ำหนัก (Weighted GP) รวมตัวแปรผลต่างทั้งหมดไว้ในผลรวมถ่วงน้ำหนักเดียว โดยทำการแลกเปลี่ยนระหว่างเป้าหมายต่างๆ การตั้งโปรแกรมเป้าหมายแบบลำดับชั้น (Lexicographic GP) จัดเรียงเป้าหมายเป็นระดับลำดับความสำคัญที่เข้มงวด และหาค่าเหมาะที่สุดของแต่ละระดับตามลำดับ โดยไม่เคยเสียสละเป้าหมายที่มีลำดับความสำคัญสูงกว่าเพื่อเป้าหมายที่ต่ำกว่า
MOGP สามารถจัดการกับฟังก์ชันวัตถุประสงค์ที่ไม่เชิงเส้นได้หรือไม่
ได้ แต่ต้องแลกมาด้วยต้นทุนการคำนวณที่สูงขึ้น MOGP แบบไม่เชิงเส้นต้องใช้ตัวแก้ปัญหาแบบไม่เชิงเส้น และไม่สามารถรับประกันความเป็นนูนได้อีกต่อไป ดังนั้นจึงอาจไม่สามารถรับประกันความเป็นค่าเหมาะที่สุดทั่วโลก (global optimality) การทำให้เป็นเชิงเส้นหรือการประมาณค่าแบบเป็นช่วง (piecewise approximations) เป็นวิธีแก้ไขที่พบบ่อย
ควรกำหนดน้ำหนักเป้าหมายอย่างไร
น้ำหนักควรสะท้อนความพึงพอใจของผู้นำการตัดสินใจ และสามารถสอบถามได้ผ่านการให้คะแนนโดยตรง การเปรียบเทียบเป็นคู่ (AHP) หรือการวิเคราะห์ความไวแบบลองผิดลองถูก ความโปร่งใสเกี่ยวกับทางเลือกของน้ำหนักมีความสำคัญอย่างยิ่งต่อการยอมรับของผู้มีส่วนได้ส่วนเสีย
คำตอบของการตั้งโปรแกรมเป้าหมายเป็นพาเรโตที่เหมาะสมที่สุดเสมอหรือไม่
ไม่จำเป็นเสมอไป คำตอบแบบถ่วงน้ำหนักของ GP อาจเป็นพาเรโตที่เหมาะสมที่สุดแบบอ่อน (weakly Pareto optimal) แต่ไม่ถึงกับเข้มงวด (strictly so) โดยเฉพาะอย่างยิ่งหากน้ำหนักบางตัวเป็นศูนย์ การใช้น้ำหนักที่เป็นบวกสำหรับผลต่างทั้งหมดและการตรวจสอบคำตอบที่ถูกครอบงำเป็นแนวทางปฏิบัติที่แนะนำ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Charnes, A., Cooper, W. W. (1961). Management Models and Industrial Applications of Linear Programming. Wiley, New York.
ISBN: 978-0471148258คัดลอกแล้วJones, D., Tamiz, M. (2010). Practical Goal Programming. Springer, New York.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว