Çok Amaçlı Hedef Programlama
- Ortaya koyan
- Charnes, A. and Cooper, W. W.
- Yıl
- 1961
- Tür
- Mathematical programming / multi-criteria optimization
- Aile
- Simulation / optimization
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Çok Amaçlı Hedef Programlama (MOGP), her bir hedef için ağırlıklı sapmaları en aza indirerek birden çok aspirasyonel hedefi eş zamanlı olarak takip eden matematiksel bir programlama tekniğidir.
Charnes ve Cooper'ın orijinal hedef programlama çerçevesine (1961) dayanan MOGP, onu birden çok rakip hedefi ele almak üzere genişleterek, karar vericilerin birden çok çelişkili gereksinimi aynı anda karşılaması veya bunlara yaklaşması gereken operasyon araştırması, tedarik zinciri tasarımı, kaynak tahsisi ve politika analizinde vazgeçilmez kılmaktadır.
Yöntemin mantığı
Bir yöneticinin aynı anda bir kâr hedefine ulaşması, bir karbon bütçesi dahilinde kalması ve çalışan fazla mesaisini bir eşiğin altında tutması gerektiğini hayal edin. Saf optimizasyon, tek seferde yalnızca bir hedefi optimize edebilir ve diğerlerini katı kısıtlar olarak ele almak tutarsızlığa yol açabilir. Hedef programlama, her hedefi bir 'hedef' olarak yeniden çerçeveler ve çözümün her hedeften ne kadar kısa kaldığını (veya aştığını) ölçen mesafeyi en aza indirir. Çok amaçlı varyant, bu sapmaları tüm hedefler arasında ağırlıklandırır ve en iyi uygun uzlaşmayı bulur — tıpkı bir manzara üzerinde aynı anda birkaç tepe noktasına en yakın noktayı bulmak gibi.
Tarih
Hedef programlama, 1961'de Charnes ve Cooper tarafından, aspirasyon seviyeleri aracılığıyla birden çok hedefi ele almak üzere doğrusal programlamanın bir uzantısı olarak tanıtıldı. Ijiri (1965) leksikografik varyantı biçimlendirdi ve Lee (1972) yöntemi yönetim bilimi uygulamaları için birleştirdi. Çok amaçlı (vektör) formülasyon, 1990'larda Tamiz, Jones ve Romero'nun çalışmalarıyla öne çıktı ve bugün MOGP, operasyon araştırması müfredatlarında ve uygulamalı optimizasyonda standart bir araçtır.
Ne zaman kullanılır?
Karar problemi birden çok, ölçülebilir, muhtemelen çelişkili hedef içerdiğinde ve karar vericiler her biri için aspirasyon seviyeleri ifade edebildiğinde MOGP'yi kullanın. Özellikle kaynak tahsisi, portföy seçimi, üretim planlaması ve çevresel politika alanlarında, birden çok hedefi takip ederken tutarlılığın korunması gereken durumlar için uygundur. Paydaşların 'maksimuma çıkarılacak hedefler' yerine 'ulaşılacak hedefler' şeklinde düşündüğü durumlarda saf çok amaçlı optimizasyona tercih edin. Hedeflerin nicel hedefler olarak ifade edilemediği, problemin doğası gereği doğrusal olmadığı ve çözücülerin mevcut olmadığı, kardinal ağırlıkların gerekçelendirilemediği veya katı bir Pareto sınırı analizinin (hedef sabitleme olmadan) gerekli olduğu durumlarda KULLANMAYIN.
Sınırlar ve dikkat edilmesi gerekenler
- Hedef (aspirasyon) seviyeleri ve ağırlıklar karar vericilerden elde edilmelidir, bu da öznel ve siyasi olarak tartışmalı olabilir.
- Çözüm, seçilen ağırlıklara duyarlıdır; farklı ağırlıklandırma şemaları önemli ölçüde farklı sonuçlar verebilir.
- Standart doğrusal GP dışbükeyliği varsayar; dışbükey olmayan veya kombinatoryal problemler özel çözücüler gerektirir ve hesaplama açısından yoğun hale gelebilir.
- Pareto optimalliğini garanti etmez — GP çözümü, hedefler ve ağırlıklar kötü belirtilmişse baskın olabilir.
- Ölçülemez hedef ölçekleri normalleştirme gerektirir, bu da daha fazla öznel seçimler getirebilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Birden çok çelişkili hedefi tek, yönetilebilir bir optimizasyon modeli içinde doğal olarak ele alır.
- Esnek başarı fonksiyonları — ağırlıklı, leksikografik veya min-max varyantları — farklı paydaş tercih yapılarına uyum sağlar.
- Büyük bir Pareto kümesi yerine tek bir önerilen çözüm üretir, bu da karar verici iletişimini basitleştirir.
- Doğrusal olmayan formülasyonlara genişletilebilir, bu da çok çeşitli gerçek dünya problemlerini kapsar.
- Ağırlıklar ve aspirasyon seviyeleri üzerindeki duyarlılık analizi basittir ve çözümün tercih değişikliklerine ne kadar dayanıklı olduğunu ortaya koyar.
Uygulama alanları
- Maliyet, hizmet seviyesi ve karbon ayak izi hedeflerini dengeleyen tedarik zinciri ağ tasarımı.
- Personel, yatak doluluğu ve bütçe hedeflerini aynı anda karşılayan hastane kaynak tahsisi.
- Sabit arazi kısıtlamaları altında ürün verimi, su kullanımı ve ekonomik getiriyi optimize eden tarımsal planlama.
- Getiri, risk ve likidite aspirasyon seviyelerini karşılayan finansal portföy seçimi.
- Yenilenebilir kapasite, şebeke güvenilirliği ve yatırım maliyeti arasındaki ödünleşimleri modelleyen enerji politikası.
- Fakülte yükünü, oda kapasitesini ve öğrenci tercihi hedeflerini gözeten üniversite ders programı.
Nasıl çalışır?
Nasıl çalışır?
Tüm K hedefi belirleyin ve her bir f_k(x) hedefi için aspirasyon seviyelerini g_k olarak ayarlayın. Hedefler kâr hedeflerini, maliyet tavanlarını, çevresel kotaları veya hizmet seviyesi gereksinimlerini yansıtabilir. Her hedef için aşırı başarı, eksik başarı veya her iki sapmanın da istenmeyen olup olmadığına karar verin.
Her hedef k için negatif olmayan sapma değişkenleri d_k^+ (aşırı başarı) ve d_k^- (eksik başarı) tanıtın, böylece f_k(x) + d_k^- - d_k^+ = g_k olur. Bu değişkenler, çözümün her aspirasyon seviyesinden ne kadar uzakta olduğunu ölçer.
Formül
d_k^+ = \max(f_k(x) - g_k, 0), \quad d_k^- = \max(g_k - f_k(x), 0)
Sapma değişkenlerinin ağırlıklı bir toplamı olarak başarı (amaç) fonksiyonunu oluşturun: min Z = sum_k (w_k^+ * d_k^+ + w_k^- * d_k^-). Ağırlıklar w_k, her hedefe ulaşmanın göreceli önemini yansıtır. Alternatif olarak, katı öncelik yapıları için ağırlıkların yerini bir leksikografik öncelik sıralaması alabilir.
Formül
\min \; Z = \sum_{k=1}^{K} (w_k^+ d_k^+ + w_k^- d_k^-)Ortaya çıkan doğrusal (veya doğrusal olmayan) programı standart çözücüler kullanarak çözün. Karar alanını keşfetmek ve hedefler arasındaki ödünleşimleri anlamak için duyarlılık analizi veya paydaş geri bildirimine dayanarak hedef seviyeleri ve ağırlıkları ayarlayın ve yeniden çözün.
Hangi hedeflerin tam olarak başarıldığını (d_k^+ = d_k^- = 0) ve hangilerinin artık sapmalar içerdiğini belirlemek için nihai sapma değerlerini inceleyin. Nihai seçim ve gerekçelendirme için karar vericilere Pareto-etkin sınırı veya başarı profilini sunun.
Sık yapılan hatalar
- Gerçekçi olmayan aspirasyon seviyeleri belirlemek, tüm hedeflerin aynı anda ulaşılamaz hale gelmesine neden olabilir, bu da her hedef için büyük sapmalara ve bilgilendirici olmayan bir çözüme yol açar.
- İstenmeyen aşırı başarı ve istenmeyen eksik başarı arasındaki ayrımı göz ardı etmek (örneğin, fazla kârı bir sorun olarak ele almak), yanlış belirtilmiş sapma cezalarına yol açar.
- Normalleştirme olmaksızın çok farklı birimlere veya büyüklüklere sahip hedefleri birleştirmek, başarı fonksiyonunun sayısal olarak büyük hedefler tarafından domine edilmesine neden olur.
- GP çıktısını duyarlılık analizi olmaksızın nihai bir cevap olarak ele almak, ağırlık belirsizliğinin seçilen çözüm üzerindeki etkisini gözden kaçırma riskini taşır.
Sık sorulan sorular
MOGP, standart çok amaçlı optimizasyondan nasıl farklıdır?
Standart çok amaçlı optimizasyon, hedefleri sabitlemeden tam Pareto cephesini ararken, MOGP her hedefi belirli bir aspirasyon seviyesine sabitler ve bu seviyelerden sapmaları en aza indirerek, belirtilen hedeflerle uyumlu tek bir uzlaşma çözümü üretir.
Ağırlıklı ve leksikografik hedef programlama arasındaki fark nedir?
Ağırlıklı GP, tüm sapma değişkenlerini tek bir ağırlıklı toplama birleştirerek hedefleri birbirine karşı ödünleştirir. Leksikografik GP, hedefleri katı öncelik katmanlarına göre sıralar ve her katmanı sırayla optimize eder, daha yüksek öncelikli bir hedefi asla daha düşük bir hedef için feda etmez.
MOGP doğrusal olmayan amaç fonksiyonlarını ele alabilir mi?
Evet, ancak artan hesaplama maliyetiyle. Doğrusal olmayan MOGP, doğrusal olmayan çözücüler gerektirir ve dışbükeylik artık garanti edilmez, bu nedenle küresel optimallik sağlanamayabilir. Doğrusallaştırma veya parçalı yaklaşımlar yaygın çözümlerdir.
Hedef ağırlıkları nasıl belirlenmelidir?
Ağırlıklar, karar verici tercihlerini yansıtmalı ve doğrudan derecelendirme, ikili karşılaştırma (AHP) veya deneme yanılma duyarlılık analizi yoluyla elde edilebilir. Ağırlık seçimleri hakkında şeffaflık, paydaş kabulü için kritiktir.
Bir hedef programlama çözümü her zaman Pareto optimal midir?
Zorunlu değil. Ağırlıklı bir GP çözümü, özellikle bazı ağırlıklar sıfırsa, zayıf Pareto optimal olabilir ancak katı bir şekilde değil. Tüm sapmalar için pozitif ağırlıklar kullanmak ve baskın çözümleri kontrol etmek önerilen bir uygulamadır.
İlgili yöntemler
Kaynaklar
Charnes, A., Cooper, W. W. (1961). Management Models and Industrial Applications of Linear Programming. Wiley, New York.
ISBN: 978-0471148258Kopyalandı.Jones, D., Tamiz, M. (2010). Practical Goal Programming. Springer, New York.
DOI kaynağını açKopyalandı.