Skip to content
กลับไปยังผลการค้นหา

การตั้งเป้าหมายแบบปรับตัวได้ — การบรรลุเป้าหมายหลายประการภายใต้ความไม่แน่นอน

ผู้เสนอ
Charnes, A. & Cooper, W. W. (goal programming); Mulvey, J. M. et al. (robust optimization framework)
ปี
1961 (GP); 1990s (robust extension)
ประเภท
Mathematical programming under uncertainty
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การตั้งเป้าหมายแบบปรับตัวได้ (Robust Goal Programming - RGP) เป็นการขยายการตั้งเป้าหมายแบบดั้งเดิม (classical goal programming) เพื่อจัดการกับพารามิเตอร์ของแบบจำลองที่ไม่แน่นอนหรือคลุมเครือ แทนที่จะลดค่าความเบี่ยงเบนจากเป้าหมายที่แน่นอน RGP จะแสวงหาคำตอบที่ยังคงเป็นไปได้และใกล้เคียงค่าที่เหมาะสมที่สุดในหลากหลายสถานการณ์ที่เป็นไปได้หรือการรับรู้ข้อมูลที่ไม่แน่นอน RGP มีคุณค่าอย่างยิ่งในปัญหาการวางแผนที่เป้าหมายเป็นสิ่งที่ปรารถนาและข้อมูลนำเข้ามีความแปรปรวนโดยธรรมชาติหรือข้อผิดพลาดในการประมาณค่า

แนวคิดเบื้องหลังวิธีการ

การตั้งเป้าหมายแบบดั้งเดิมถามว่า: เราจะเข้าใกล้เป้าหมายหลายประการพร้อมกันได้อย่างไร? การตั้งเป้าหมายแบบปรับตัวได้จะเพิ่มคำถามที่สองที่สำคัญ: คำตอบนั้นยังคงทำงานได้ดีหรือไม่เมื่อข้อมูลของเราผิดพลาดหรือเงื่อนไขเปลี่ยนแปลงไป? โดยการสร้างแบบจำลองความไม่แน่นอนในต้นทุน ความพร้อมของทรัพยากร หรือระดับเป้าหมายอย่างชัดเจน RGP จะค้นหาแผนที่ยอมเสียสละความเป็นเลิศเพียงเล็กน้อยภายใต้เงื่อนไขที่เหมาะสมที่สุด เพื่อแลกกับเสถียรภาพในสถานการณ์ที่สมจริง RGP ถือว่าค่าเบี่ยงเบนในกรณีที่เลวร้ายที่สุดหรือค่าเฉลี่ยเป็นวัตถุประสงค์ที่แท้จริง ไม่ใช่เพียงค่าเบี่ยงเบนจากข้อมูลปกติ

ประวัติศาสตร์

การตั้งเป้าหมาย (Goal programming) ถูกนำเสนอโดย Charnes และ Cooper ในปี 1961 เพื่อจัดการกับวัตถุประสงค์หลายประการโดยการลดค่าเบี่ยงเบนที่มีน้ำหนักจากเป้าหมาย กรอบการหาค่าที่เหมาะสมที่สุดแบบปรับตัวได้ (robust optimization) ซึ่งกำหนดอย่างเป็นทางการโดย Mulvey, Vanderbei และ Zenios ในปี 1995 ได้ให้แนวทางที่มีหลักการในการฝังความไม่แน่นอนตามสถานการณ์ลงในโปรแกรมทางคณิตศาสตร์ การบูรณาการเข้ากับการตั้งเป้าหมายแบบปรับตัวได้เกิดขึ้นตามธรรมชาติในช่วงทศวรรษที่ 1990 และ 2000 เมื่อนักวิจัยนำแนวคิดการหาค่าที่เหมาะสมที่สุดแบบปรับตัวได้ไปใช้กับปัญหาการวางแผนหลายเป้าหมายในวิจัยดำเนินงาน

ควรใช้เมื่อใด

ใช้การตั้งเป้าหมายแบบปรับตัวได้เมื่อคุณเผชิญกับการวางแผนหลายเป้าหมายด้วยพารามิเตอร์ที่ไม่แน่นอนและต้องการคำตอบที่เชื่อถือได้ในทุกสถานการณ์ ไม่ใช่แค่คำตอบที่เหมาะสมที่สุดภายใต้เงื่อนไขที่สมมติ เหมาะสำหรับการวางแผนห่วงโซ่อุปทาน การจัดการพอร์ตการลงทุน นโยบายสาธารณะ และการจัดสรรทรัพยากรที่มีงบประมาณหรือความต้องการที่ไม่แน่นอน อย่าใช้เมื่อพารามิเตอร์ทั้งหมดทราบแน่นอน (การตั้งเป้าหมายแบบดั้งเดิมเพียงพอ) เมื่อจำนวนสถานการณ์มีมากจนไม่สามารถจัดการได้โดยไม่มีการปรับรูปแบบที่สามารถแก้ปัญหาได้ หรือเมื่อวัตถุประสงค์ไม่สามารถเปรียบเทียบกันได้อย่างแท้จริงและไม่มีการรวมค่าเบี่ยงเบนใดที่มีความหมาย

ข้อจำกัดและข้อควรพิจารณา

  • การสร้างแบบจำลองความไม่แน่นอน (ชุดสถานการณ์หรือโพลีโทปความไม่แน่นอน) ต้องใช้ความรู้เฉพาะทางและมักเป็นส่วนที่ยากที่สุด
  • รูปแบบแบบปรับตัวได้สามารถเพิ่มขนาดของปัญหาและต้นทุนการคำนวณได้อย่างมากเมื่อเทียบกับการตั้งเป้าหมายแบบกำหนด
  • การเลือกเกณฑ์ความปรับตัวได้ (minimax, ค่าคาดหวัง, การลงโทษความแปรปรวน) ยังไม่มีมาตรฐานและส่งผลกระทบต่อผลลัพธ์อย่างมาก
  • โครงสร้างลำดับความสำคัญแบบลำดับชั้นในบริบทแบบปรับตัวได้อาจมีความซับซ้อนในการนำไปใช้อย่างถูกต้องในทุกสถานการณ์

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จัดการกับเป้าหมายที่ขัดแย้งกันหลายประการพร้อมกัน โดยคำนึงถึงความไม่แน่นอนของพารามิเตอร์อย่างชัดเจน
  • สร้างคำตอบที่สามารถนำไปปฏิบัติได้จริงมากขึ้น เนื่องจากคำตอบจะเสื่อมสภาพอย่างค่อยเป็นค่อยไปภายใต้การเปลี่ยนแปลงของข้อมูล
  • มีความยืดหยุ่น: รองรับทั้งรูปแบบเชิงสุ่มตามสถานการณ์ (scenario-based stochastic formulations) และเซตความไม่แน่นอนแบบช่วง/แบบหลายเหลี่ยม
  • โครงสร้างลำดับความสำคัญ (แบบลำดับชั้นหรือแบบถ่วงน้ำหนัก) ให้การควบคุมความสำคัญของเป้าหมายที่เข้าใจง่าย
  • การแลกเปลี่ยนระหว่างความปรับตัวได้และความเป็นเลิศ (robustness-optimality trade-off) มีความชัดเจนและสามารถควบคุมได้ผ่านพารามิเตอร์การลงโทษ lambda

การประยุกต์ใช้

  • การออกแบบเครือข่ายห่วงโซ่อุปทานด้วยความต้องการและต้นทุนที่ไม่แน่นอน
  • การจัดสรรทรัพยากรด้านการดูแลสุขภาพเพื่อให้บรรลุเป้าหมายการบริการหลายประการภายใต้ความผันผวนของงบประมาณ
  • การหาค่าที่เหมาะสมที่สุดของพอร์ตการลงทุน โดยสร้างสมดุลระหว่างเป้าหมายผลตอบแทน ความเสี่ยง และสภาพคล่อง ภายใต้ความไม่แน่นอนของตลาด
  • การวางแผนนโยบายสาธารณะด้วยรายได้ในอนาคตที่ไม่แน่นอนและเป้าหมายการใช้จ่ายหลายภาคส่วน
  • การวางแผนระบบพลังงานด้วยผลผลิตพลังงานหมุนเวียนที่ไม่แน่นอน และเป้าหมายด้านสิ่งแวดล้อมและต้นทุนหลายประการ

วิธีการทำงาน

วิธีการทำงาน

1

ระบุตัวแปรตัดสินใจ ระดับเป้าหมายที่ปรารถนาสำหรับแต่ละเป้าหมาย (เช่น กำไร >= T1, ของเสีย <= T2) และโครงสร้างลำดับความสำคัญ (แบบลำดับชั้นหรือแบบถ่วงน้ำหนัก) กำหนดตัวแปรค่าเบี่ยงเบนบวกและลบ d+ และ d- ที่วัดการบรรลุเป้าหมายเกินหรือต่ำกว่าเป้าหมายแต่ละรายการ

2

ระบุแหล่งที่มาของความไม่แน่นอน: เป้าหมายด้านขวาของสมการ (right-hand side targets) สัมประสิทธิ์ข้อจำกัด หรือน้ำหนักวัตถุประสงค์ที่ไม่แน่นอน แสดงความไม่แน่นอนเป็นชุดสถานการณ์ที่จำกัด S = {s1, ..., sK} พร้อมความน่าจะเป็น ps หรือเป็นเซตความไม่แน่นอนแบบช่วง (interval) หรือแบบหลายเหลี่ยม (polyhedral) สำหรับการกำหนดรูปแบบการหาค่าที่เหมาะสมที่สุดแบบปรับตัวได้ (robust optimization)

3

สร้างแบบจำลองแบบปรับตัวได้โดยการรวมตัวแปรค่าเบี่ยงเบนที่จัดทำดัชนีตามสถานการณ์และเพิ่มพจน์การลงโทษความปรับตัวได้ (robustness penalty terms) รูปแบบทั่วไปจะลดค่าเบี่ยงเบนที่คาดหวังให้เหลือน้อยที่สุด บวกกับค่าลงโทษ lambda คูณกับความแปรปรวน (หรือค่าเบี่ยงเบนในกรณีที่เลวร้ายที่สุด) ในทุกสถานการณ์ โดยสร้างสมดุลระหว่างคุณภาพของคำตอบและความเสถียร

4

แก้แบบจำลองสมมูลเชิงกำหนด (deterministic equivalent model) ที่ได้ ซึ่งโดยทั่วไปจะเป็นปัญหาโปรแกรมกำลังสอง (quadratic program) หรือโปรแกรมเชิงเส้น (linear program) ขึ้นอยู่กับเกณฑ์ความปรับตัวได้ที่เลือก โครงสร้างลำดับความสำคัญแบบลำดับชั้นสามารถจัดการได้โดยการหาค่าที่เหมาะสมที่สุดตามลำดับตามระดับเป้าหมาย

5

ประเมินคำตอบในทุกสถานการณ์: รายงานค่าเฉลี่ย ค่าในกรณีที่เลวร้ายที่สุด และค่าในกรณีที่ดีที่สุดของการบรรลุเป้าหมาย ดำเนินการวิเคราะห์ความไว (sensitivity analysis) กับพารามิเตอร์การแลกเปลี่ยนความปรับตัวได้ lambda เพื่อเปิดเผยเส้นโค้งประสิทธิภาพ (efficiency frontier) ระหว่างความเป็นเลิศและความเสถียร

ข้อผิดพลาดที่พบบ่อย

  • ความสับสนระหว่าง Robust GP กับ Stochastic GP: Robust GP มักมุ่งเป้าไปที่ประสิทธิภาพในกรณีที่เลวร้ายที่สุดหรือค่าเบี่ยงเบนที่ถูกลงโทษด้วยความแปรปรวน ในขณะที่ Stochastic GP ลดค่าเบี่ยงเบนที่คาดหวังให้เหลือน้อยที่สุด การเลือกนี้จะเปลี่ยนแปลงทั้งแบบจำลองและการตีความ
  • ความระมัดระวังเกินไป: การใช้ความปรับตัวได้ในกรณีที่เลวร้ายที่สุดโดยไม่ได้ปรับเทียบเซตความไม่แน่นอน อาจให้คำตอบที่ระมัดระวังเกินไปซึ่งห่างไกลจากค่าที่เหมาะสมที่สุดในสถานการณ์ทั่วไป
  • การละเลยการตรวจสอบความน่าจะเป็นของสถานการณ์หรือขอบเขตความไม่แน่นอนกับข้อมูลจริง ทำให้การวิเคราะห์ความปรับตัวได้คลาดเคลื่อน
  • การปฏิบัติต่อค่าลงโทษ lambda เป็นค่าคงที่ แทนที่จะสำรวจเส้นโค้งการแลกเปลี่ยน ทำให้ซ่อนต้นทุนที่แท้จริงของความปรับตัวได้

คำถามที่พบบ่อย

การตั้งเป้าหมายแบบปรับตัวได้แตกต่างจากการตั้งเป้าหมายเชิงสุ่ม (stochastic goal programming) อย่างไร?

Stochastic GP ลดค่าเบี่ยงเบนเฉลี่ย (average) ที่คาดหวังในทุกสถานการณ์ โดยถ่วงน้ำหนักด้วยความน่าจะเป็น Robust GP โดยทั่วไปจะลงโทษความแปรปรวนหรือผลลัพธ์ในกรณีที่เลวร้ายที่สุดด้วยเช่นกัน — มีความระมัดระวังมากกว่า แต่ให้คำตอบที่ทำงานได้อย่างสม่ำเสมอมากขึ้นในทุกสถานการณ์ แม้แต่สถานการณ์ที่มีความน่าจะเป็นต่ำ

ฉันสามารถใช้ความไม่แน่นอนแบบช่วง (interval uncertainty) แทนสถานการณ์ได้หรือไม่?

ได้ เมื่อพารามิเตอร์อยู่ในช่วงหรือโพลีโทป สามารถสร้างรูปแบบคู่ปรับตัวได้ (robust counterpart formulation) (ตามแนวทางของ Ben-Tal และ Nemirovski) ซึ่งแปลง GP ที่ไม่แน่นอนให้เป็นโปรแกรมเชิงกำหนดที่สามารถแก้ได้ด้วยตัวแก้ปัญหา LP หรือ SOCP มาตรฐาน

พารามิเตอร์ lambda ควบคุมอะไร?

Lambda ควบคุมการแลกเปลี่ยนระหว่างประสิทธิภาพตามปกติ (nominal performance) และความปรับตัวได้ ค่า lambda เป็นศูนย์จะให้ผลลัพธ์เหมือน GP แบบค่าคาดหวัง การเพิ่มค่า lambda จะลงโทษความแปรปรวนหรือค่าเบี่ยงเบนในกรณีที่เลวร้ายที่สุดอย่างเข้มข้นขึ้น ทำให้ได้คำตอบที่ปรับตัวได้มากขึ้น แต่อาจมีค่าน้อยกว่าในเชิงคาดหวัง

มีซอฟต์แวร์สำหรับการตั้งเป้าหมายแบบปรับตัวได้หรือไม่?

รูปแบบมาตรฐานสามารถแก้ได้ด้วยตัวแก้ปัญหา LP/QP ใดๆ (CPLEX, Gurobi, GLPK) ส่วนขยายเชิงสุ่มสามารถใช้ GAMS, SPInE หรือไลบรารี Python เช่น PuLP และ Pyomo พร้อมการแจงนับสถานการณ์

เมื่อใดที่ฉันควรเลือก Robust GP แทนการวิเคราะห์ความไวแบบง่ายๆ บน Regular GP?

ควรเลือก Robust GP เมื่อคุณต้องการแผนเดียวที่สามารถนำไปปฏิบัติได้จริง ซึ่งปรับให้เหมาะสมกับเสถียรภาพอย่างชัดเจน ไม่ใช่เมื่อคุณเพียงต้องการทำความเข้าใจว่าคำตอบ GP ที่เลือกไว้แล้วมีความไวต่อการเปลี่ยนแปลงพารามิเตอร์อย่างไร

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    ISBN: 9780471155041
    คัดลอกแล้ว
  2. Mulvey, J. M., Vanderbei, R. J., Zenios, S. A. (1995). Robust optimization of large-scale systems. Operations Research, 43(2), 264-281.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว