Programación Multiobjetivo

Tema 4.
Programación Lineal Multiobjetivo Investigación Operativa
ÍNDICE
1. Introducción
2. Métodos analíticos para la resolución de
problemas de optimización multiobjetivo
2.1. Método de las ponderaciones
2.2. Método de las ε – restricciones
2.3. Programación por metas
3. Ejemplos
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
1. Introducción
En muchas situaciones reales los problemas de decisión deben

considerar simultáneamente múltiples objetivos, que suelen ser
conflictivos en el sentido de que la mejora en uno o varios conlleva un
deterioro en otros.
Los problemas de optimización multiobjetivo, también denominada optimi-

zación vectorial o multicriterio, surgen de forma natural en muchas áreas
y su resolución de manera eficiente constituye un desafío desde hace tres
décadas.
Determinación de los valores para un vector de variables de decisión x

que satisfaga un conjunto de restricciones y “optimice” una función
vectorial, cuyos elementos representan las funciones objetivo
individuales.
“optimizar“ f(x)
sujeto a
x ∈ F
donde F es el conjunto de soluciones factibles del problema y f es una

función objetivo n-dimensional a maximizar,
f(x) = {f1(x), f2(x),.., fn(x)}.
Generalmente, para este tipo de problemas no existe ninguna solución que

proporcione simultáneamente el mejor valor para todos los objetivos, es
decir, no existe ningún x* tal que
fi (x*) ≤ fi (x), para todo x ∈ F, i=1,...,n.
Nuestro objetivo consistirá en conseguir una solución que proporcione

valores aceptables para el decisor en todas las funciones objetivos. Se
trata de obtener soluciones eficientes, no dominadas o Pareto óptimas
(Edgeworth, 1881; Pareto, 1896).
Una solución x* es un óptimo de Pareto, eficiente o no dominada (bajo

hipótesis de minimización), si no existe otra solución factible que tome un
valor menor en algún objetivo sin causar un incremento simultáneo en al
menos otro.
Formalmente: Un punto x*∈ F es una solución eficiente si no existe otra

solución x ∈ F tal que fi (x) ≤ fi (x*) para todo i=1,...,n y existe al menos un
índice i tal que fi (x) < fi (x*).
Las desigualdades anteriores las expresaremos de manera conjunta

escribiendo x* ≻ x, que significa que x* domina x (existen otros conceptos
modificaciones del anterior, como eficiencia débil, fuerte...).
El conjunto de Pareto, eficiente o no dominado será:
P = { x ∈ F: no existe x′∈ F con x′ ≻ x}
La optimalidad de Pareto no garantiza la unicidad de la solución.

f2
f1
El conjunto eficiente podría ser muy grande.

Alternativas:
•  métodos aproximados o de aproximación (constituyen una

alternativa razonable a los métodos exactos) à encontrar
soluciones eficientes, proporcionando un buen equilibrio entre
una aproximación del conjunto de soluciones eficientes y los
posibles requerimientos de tiempo y memoria para alcanzarlas.
•  Dirigir la búsqueda dentro del conjunto eficiente para alcanzar

una solución de compromiso o satisfaciente (Simon, 1957)
a partir de las preferencias de los decisores.
Ejemplo. Supongamos un fabricante de productos químicos que está

considerando la posibilidad de producir a gran escala dos tipos de
sustancias, denominadas A y B.
El fabricante desea maximizar el beneficio (objetivo 1) pero a la vez desea

hacer mínima la contaminación emitida (objetivo 2) que se produce en el
proceso de fabricación, siendo ambos conflictivos.
Sean las variables de decisión
x1 = producción de A y x2 = producción de B,
y supongamos que el problema se modeliza considerando las funciones

objetivo:
max z1(x) = 2x1 +3x2 (beneficio),
min z2o(x) = 4x1 + 2x2 (contaminación),

Finalmente, las restricciones se deben a la limitación de disponibilidad de

la materia prima y a tiempos de trabajo y de control de calidad, y vienen
dadas por
x1 + 3x2 ≤ 24 (materia prima)

2x1 + x2 ≤ 18 (tiempo de trabajo)
x1 + x2 ≤ 10 (control de calidad)
además de las condiciones de no negatividad, x1, x2 ≥ 0.
Multiplicando la segunda función objetivo por −1, hacemos z2 = −z2o, y el

problema queda de la siguiente forma:
La obtención del conjunto eficiente la hacemos determinando la imagen de

F (región factible del problema) mediante f =(z1(x), z2(x)) y cada punto x
∈F tendrá su transformado z = z(x) ∈ Z = z(F) en el plano z1z2, con Z
región factible en el espacio de objetivos.
Observemos también que el conjunto eficiente se corresponde con el

conjunto eficiente en Z está representado por los segmentos O’A’ y A’B’.
2. Métodos analíticos para la resolución de problemas

de optimización multiobjetivo
2.1. Método de las ponderaciones
Fue propuesto por Zadeh en 1963. Se basa en la idea de ponderar los

objetivos y generar el conjunto eficiente con una adecuada variación
paramétrica de los mismos (el problema pasa a ser uniobjetivo).
El método de las ponderaciones se formula planteando el programa lineal
con λk peso asociado al objetivo zk. Denominamos a este problema P(λ),

con λ = (λ1,..., λn) vector de pesos o ponderaciones.
El peso λk para el objetivo zk se interpreta como la importancia o peso

relativo del k-ésimo objetivo en relación con el resto de los objetivos.
Si los pesos λ1,..., λn expresan las preferencias del decisor sobre cada
objetivo y éste es capaz de asignarlos de una manera razonable, la
solución óptima de P(λ) es la solución de mejor compromiso para él.
Teorema. Si λk > 0 para todo k =1,...,n, entonces cualquier solución óptima

x* de P(λ) es eficiente.
El método de las ponderaciones no resulta muy adecuado para obtener la

representación completa del citado conjunto.
Hay que considerar de forma sistemática una serie de conjuntos de pesos

positivos. Usualmente, se empieza por la optimización individual de cada
objetivo, que equivale a tomar los pesos (1,0,...,0), (0,1,...,0),..., (0,0,...,1),
para después introducir una variación sistemática de éstos con una tasa
de aumento prefijada que hay que estimar como adecuada.
En el caso de las soluciones obtenidas con algún peso nulo, no podemos

asegurar que sean eficientes y, en tal caso, habría que comprobarlo (más
adelante).
En la práctica se pueden tener ciertos inconvenientes:
•  Distintos conjuntos de pesos pueden generar la misma solución

(eficiencia).
•  El tamaño del paso de un conjunto de pesos a otro puede no permitir

generar todos los puntos extremos y, por tanto, se obtendría una
aproximación del conjunto eficiente.
En definitiva, se podría esperar en muchos casos la generación de una

aproximación más que una representación exacta del conjunto eficiente.
Ejemplo. Siguiendo con el problema del fabricante de productos químicos

supongamos que el decisor es capaz de proponer los pesos λ1=4 y λ2=1,
para las respectivas funciones objetivo, quedando el problema
transformado:
que proporcionaría la solución de mejor compromiso.
Método del símplex à x1*=3 y x2*=7, que es un punto eficiente (punto B).
Además, z1*=27 (beneficio) y z2o* = -z2* =26 (contaminación).

El decisor no es capaz de asignar pesos a los objetivos o desea obtener

todo el conjunto eficiente à variación paramétrica de los pesos.
Tomamos entonces diferentes valores de λ que nos conducen a puntos
extremos de F.
Las soluciones (0,0) y (0,8) se han obtenido para pesos estrictamente

positivos à eficientes. Además, puesto que son adyacentes, cualquier
combinación de la forma p(0,0)+(1-p)(0,8), p∈(0,1), será un punto eficien-
te.
Punto extremo (3,7) asociado al vector de pesos (1,0) à no se puede

asegurar que sea eficiente.
Una inspección visual permite confirmar que sí lo es.
Problemas de mayor dimensión à es necesario proponer algún método.

Método para contrastar la eficiencia de las soluciones generadas a partir

de vectores de pesos con componentes nulas.
Supongamos que
λk > 0 para k = 1,...,t y
λk = 0 para k = t+1,...,n,
y que en la solución del problema con esa ponderación se ha obtenido

una solución óptima, para la que zk(x1,...,xn) = zk*, k = 1,...,t.
Resolvemos el siguiente problema de optimización (de ponderaciones en

un subconjunto de S) con λk > 0 para k = t+1,...,n.
La resolución de este problema nos permite determinar si las soluciones

son eficientes.
Ejemplo. En el ejemplo anterior el punto (3,7) de F se obtuvo con los

pesos λ1=1 y λ2=0, pudiendo entonces no ser eficiente. Resolvemos el
problema:
con λ2 = 1 y tenemos como solución x*=(3,7) y, por tanto, sí es eficiente.

2.3. Método de las ε-restricciones
El método de ε-restricciones consiste en optimizar una función objetivo zl(x)

de z, que se supone más importante que las otras, introduciéndose además
números reales εk (k ≠ l) para las restantes funciones objetivo que
corresponden a cotas inferiores propuestas por el decisor.
y que denominaremos Pl(ε).
La elección de la función objetivo zl y las cotas εk, representan preferencias

subjetivas del decisor à si Pl(ε) no tiene solución habría que relajar al
menos una de las cotas.
La siguiente figura ilustra el método para el caso biobjetivo.
Vemos que el espacio Z = z(F) de objetivos ha quedado reducido al

conjunto Zo, al tomarse z1 como función objetivo más importante y conside-
rar una cota inferior para la segunda función objetivo, es decir, z2(x) ≥ ε2.
Teorema (condición suficiente). Si la solución óptima x* de Pl(ε) es única,

entonces x* es eficiente.
Ejemplo. Supongamos que el decisor considera el objetivo beneficio

económico (z1) más importante que el objetivo contaminación (z2o), pero
para este último establece que un nivel de contaminación inferior a 24
unidades sería aceptable.
Mediante el método del símplex se obtiene la solución óptima x*=(2.4,7.2),

con z1* = 26.4 y z2o* = -z2* = 24.
Ésta es la mejor solución de compromiso para el decisor y como además es

única, es eficiente.
En el caso de soluciones óptimas alternativas no es posible garantizar la

eficiencia de las soluciones obtenidas mediante Pl(ε).
Para comprobar la eficiencia de las mismas resolvemos el problema de

optimización
para distintos valores de λk .
Los objetivos zi que pasan a ser restricciones son aquellos que cumplen las
restricciones como igualdades (zk(x*)= εk), incluido el objetivo que se eligió
como más importante en el problema original de maximización (objetivo l).
Teorema. Dada x* solución eficiente, para cualquier l es posible tomar cotas

inferiores εk (k ≠ l) tales que x* sea óptima para el problema Pl(ε).
A continuación, damos un algoritmo basado en el método de las ε-restriccio-

nes que conduce a soluciones eficientes:
Paso 0. Hacer l=1 y tomar (convenientemente) nºs arbitrarios εk (k = 1,...,n).
Paso 1. Resolver el problema Pl(ε) y sea xl* una solución óptima.
Paso 2. Si l = n, parar. Si l < n, entonces si εl < zl(xl*), cambiar el valor de εl a

zl(xl*), hacer l = l+1 e ir al paso 1.
Ejemplo. Siguiendo con el problema del fabricante de productos químicos:
Paso 0. Hacemos l=1 y tomamos ε =(ε1, ε2)=(20,-30) como cotas inferiores

para los objetivos z1 y z2, respectivamente.
Paso 1. Resolvemos el problema P1(ε):
cuya solución óptima es x1*=(3,7) con z1*=27.
Paso 2. Como l=1<2 y ε1 = 20 < 27 = z1(x1*), hacemos ε1=27, l=2 y vamos

al Paso 1.
Paso 1. Resolvemos el problema P2(ε), con ε =(27,-30)
cuya solución óptima es x2*=(3,7) con z2*= -26 = -z2*.
Paso 2. Como l = 2 = n, paramos. La solución es x=(3,7), que es eficiente.
La generación de todo el conjunto eficiente requiere una adecuada

variación paramétrica de los εk, para lo que hay disponibles algunos
algoritmos, Chan-kong y Haimes (1983).
2.3. Programación por metas
Concebida inicialmente por Charnes y Cooper a principios de los años

sesenta.
Una de las áreas con mayor número de aplicaciones en problemas de
programación multiobjetivo. En principio a problemas industriales, sin
embargo, posteriormente se han extendido a muchos otros campos como la
Economía, Agricultura...
Idea: proponer metas o niveles de aspiración para los distintos objetivos

que desea alcanzar y una solución óptima se define como aquélla que
minimiza la desviación a las metas propuestas.
Modelo de programación por metas: Determinar x ∈IRⁿ tal que

donde es la meta establecida por el decisor para el i-ésimo objetivo zi y F

la región factible definida por las restricciones lineales.
El criterio es, por tanto, hacer mínima la suma de los valores absolutos de
las desviaciones o diferencias entre los valores de los objetivos y sus
metas.
La función objetivo no es lineal, no siendo aplicable entonces el método del

símplex.
Redefinir la función objetivo transformando el problema al formato lineal.
Dos nuevas variables di⁺ y di⁻, de desviación por exceso y defecto, respecti-
vamente, del objetivo zi de su meta dadas por :
Observemos que de
di⁺ es igual a y cero en otro caso, y
di⁻ es igual a y cero en otro caso.
Por tanto, di⁺ y di⁻ se interpretan como exceso y defecto del nivel de
aspiración o meta del objetivo i-ésimo. Para cada i se tiene además
obteniendo el siguiente problema lineal equivalente:

A lo denominamos restricción de meta.
Se ha prescindido de las restricciones di⁺×di⁻= 0 que lo convertirían en un

problema no lineal.
La función objetivo conducirá a una o ambas iguales a cero para cada i,

asegurando que no puedan ser simultáneamente variables básicas. No es
posible a la vez un exceso y un defecto, de forma que si di⁺>0 debe ser
di⁻=0 y viceversa.
Observemos que, en general, la solución obtenida no será eficiente.


tomando como metas =28 y =24. El programa por metas se formula
Pasando a la forma equivalente, se tiene el problema

cuya solución, aplicando el método del símplex, es
con D*=1.6, siendo z1*=26.4 y z2o*=24.
Planteemos ahora algunas modificaciones de la formulación lineal equiva-

lente que se propuso anteriormente.
1.  Ponderar las desviaciones di⁺ y di⁻, con el propósito de reflejar la

importancia relativa de los objetivos y la relativa significación de la
desviación por exceso o por defecto.
Si definimos con λi⁺ y λi⁻ los pesos asociados a las desviaciones di⁺ y
di⁻ (no negativos y al menos uno positivo) el problema queda como
La función objetivo es una suma ponderada de variables de

desviación.
Los pesos λi⁺ y λi⁻ deben ser fijados por el decisor, lo que puede ser
una dificultad importante à objeción al método.

se proponen las metas =26 y =20 y como pesos para las variables de
desviación λ1+=4, λ1⁻=1, λ2+=1 y λ2⁻=2, el problema queda
Aplicando el método del símplex, se obtiene la solución
con P*=0.8, siendo

2.  Considerar su función objetivo como una suma ponderada con pesos λi
≥ 0 y potencias de orden q de las diferencias :
Recibe el nombre de programación por metas generalizada.
Programa no lineal à puede ser difícil de resolver.
El programa anterior está íntimamente relacionado con un enfoque

denominado de programación de compromiso introducido por Yu y
Zeleny en 1973, véanse Ríos et al. (1989) y Romero (1996).
3.  Otros casos especiales de interés se han desarrollado para la

formulación
•  Que la posible desviación sea únicamente por exceso o por defecto

à cada objetivo se aproxime lo más posible a la meta pero
manteniéndose siempre o bien por debajo o bien por encima o,
incluso, igual al valor establecido para ella.
•  Factores de prioridad à se intenta que un objetivo satisfaga su meta

(si es factible) antes de considerar el resto de metas à se ordenan
las metas de acuerdo al orden de importancia.
¿Cómo? à para una determinada desviación k-ésima, hacer el peso λk+

mucho mayor que λl+ y, análogamente, para λk- y λl-, para todo l ≠ k.
Conceptualmente diferentes de los pesos introducidos anteriormente, ya

que cada uno se asigna a una o más variables de desviación asociadas
con las metas.
Se debe pensar en ellos no como números, sino como una sucesión

con la propiedad de que Pi es más importante (o tiene prioridad) sobre
Pi+1 (i=1,...,k-1).
La función objetivo de este modelo toma la forma
donde λik+ y λik- representan los pesos asignados a las i-ésimas

variables de desviación en la prioridad Pk.
La formulación explícita de estos modelos con otras variantes y su

resolución se pueden ver en Romero (1993) y Ríos Insua (1996).
Algoritmo lineal secuencial
Inspirado en el método lexicográfico, consiste en resolver sucesivamen-

te los PL uniobjetivo que se obtienen al establecer una partición del
problema de acuerdo con los niveles de prioridad, comenzando por
resolver el problema con la prioridad más.
Teniendo en cuenta el significado de los factores de prioridad como una

ordenación lexicográfica para K factores de prioridad, donde
el problema toma la forma

Ejemplo. Consideremos el problema del fabricante de productos químicos
con z1(x) = 2x1 +3x2 (beneficio) y z2(x) = - 4x1 - 2x2 (contaminación).
Supongamos que en el mismo se proponen las siguientes metas por

orden de importancia:
1.  P1: reservada a las restricciones (rígidas),

2.  P2: alcanzar un beneficio de 21 unidades (z1 ≥ 21),
3.  P3: limitar el nivel de contaminación a 12 unidades (zo2 ≤ 12).
El modelo de planificación de la producción se puede expresar

Aplicando el algoritmo secuencial:
Paso 0. Hacer k = 1.
Paso 1. Consideramos el problema
Paso 2. Aplicando el método del símplex à λ1* = 0.
Paso 3. Hacer k = k+1 = 2, y como k = 2 ≤ 3 = K, vamos al Paso 4.

y vamos al paso 2.
Paso 3. Hacer k = k+1 = 3, y como k = 3 ≤ 3 = K, vamos al Paso 4.

y vamos al paso 2.
Paso 3. Hacer k = k+1 = 4, y como k = 4 > 3 = K, vamos al Paso 5.
Paso 5. La solución óptima del problema original es x1*=0 y x2*=7.

Ejemplo 1
Un fabricante de herramientas produce tres calidades (A, B, C) de pulidoras. El

proceso de fabricación de una pulidora de tipo B ocupa doble tiempo que una de
tipo C, y una del tipo A doble que el de B. Si toda la producción fuera del tipo C,
se podrían hacer a lo sumo 1000 unidades diarias.
Los tres tipos de pulidoras utilizan la misma cantidad de materia prima y la

cantidad disponible limita diariamente a 600 el número total de unidades que se
pueden producir. Los beneficios unitarios de las herramientas A, B y C son 40, 30
y 10 euros, respectivamente.
El fabricante desea maximizar la ganancia total. Para determinar la política de

producción, se sabe que la demanda de los tres tipos es importante, pero, por
razones de imagen, quiere que la producción de los tipos B y C sea lo mayor
posible.
Se pide:
a.  Formular un modelo de programación lineal multiobjetivo que tenga en

cuenta los deseos del fabricante.
b.  Dibujar las regiones factibles en los espacios de decisiones y de

objetivos. Determinar las soluciones eficientes.
c.  Suponiendo que el fabricante estima dos veces mas importante el

objetivo económico que el de nivel de producción, determinar mediante el
método de las ponderaciones cual debe ser la política de producción.
Comentar la solución. Ídem si establece que solo el objetivo nivel de
producción de B y C es importante.
d.  Si el fabricante dice que el objetivo nivel de producción de las pulidoras B

y C es mucho mas importante que el económico, pero para este último
establece un nivel mínimo de 14500 euros, ¿cuál es la política de
producción mas adecuada?
a) Variables de decisión
Restricciones
Funciones objetivo
Modelo de programación lineal multiobjetivo

b)
z2
600
C’ M’
B’
N’
400
Z
200
A’
O’ z1
0 500 1000 1500
3
c) Método de las ponderaciones:
Eficiente
Método de las ponderaciones:
Eficiente?
Sí
d) Método de ε-restricciones :
Ejemplo 2
En el proceso de fabricación de dos tipos de transistores denominados T1 (alta

calidad) y T2 (baja calidad), se utilizan entre otras como materias primas,
aluminio, arsénico y selenio, en las cantidades que se indican en la tabla. En ella
aparecen, además, las disponibilidades de las materias primas, los costes de
mano de obra y del proceso de fabricación (en euros ×102), los consumos de
energía (kW) y contaminación emitida (mg) en el proceso de fabricación. Todas
las cantidades son por unidad producida.
El fabricante desea racionalizar el proceso de producción y, para ello,

establece un conjunto de metas con el siguiente orden de importancia:
1.  No superar las disponibilidades de materias primas.
2.  Respetar las demandas de transistores. A partir de estudios de mercado,

se estima que para el tipo T1 se encuentra entre 50 y 90 unidades y para el
tipo T2 es superior a 110.
3.  Los costes de mano de obra y del proceso no deben superar los fondos
disponibles, que se sitúan en 60000 y 117500 euros, respectivamente.
4.  El consumo de energía debe ser inferior a 3600 kW.
5.  La contaminación emitida debe situarse lo mas próxima posible a 1600 mg.
Se desea:
a.  Construir un modelo de programación por metas con prioridades que
responda a los deseos del fabricante.
b.  Al poco tiempo, aparece legislado un límite superior de contaminación

emitida de 1500 mg, bajo pena de cierre de la fabrica. Comentar como
habrá que modificar el modelo
a) Variables de decisión
Primera prioridad: restricciones rígidas de disponibilidad
Segunda prioridad: demandas
Tercera prioridad: costes

Cuarta prioridad: consumo de energía
Quinta prioridad: contaminación
Condiciones de no negatividad
Función objetivo
b) Situar la restricción de meta de la prioridad P5; que desaparece, en la

prioridad P1 pero solo con ; cambiando el termino independiente 1600
por 1500, quedando
Referencias
Chankong, V. y Haimes, Y.Y. (1983), Multiobjective Decision Making: Theory and

Methodology, North-Holland, Nueva York.
Ríos, S., Ríos Insua, M.J. y Ríos Insua, S. (1989), Procesos de Decisión Multicriterio,
EUDEMA, Madrid.
Ríos Insua, S. (1996), Investigación Operativa. Programación Lineal y Aplicaciones, Editorial

Centro de Estudios Ramón Areces S.A., Madrid.
Romero, C. (1993), Teoría de la Decisión Multicriterio: Conceptos, Técnicas y Aplicaciones,

Alianza Universidad Textos, Madrid.
Romero, C. (1996), Análisis de las Decisiones Multicriterio, Isdefe, Madrid.
Simon, H. (1957), Models of Man, Wiley.
Steuer, R. (1986), Multiple Criteria Optimization: Theory, Computation and Applications,

Wiley, New York.

Programación Multiobjetivo

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Programación Multiobjetivo

Încărcat de

Drepturi de autor:

Formate disponibile

Tema 4.

Programación Lineal Multiobjetivo Investigación Operativa

En muchas situaciones reales los problemas de decisión deben

Los problemas de optimización multiobjetivo, también denominada optimi-

Determinación de los valores para un vector de variables de decisión x

donde F es el conjunto de soluciones factibles del problema y f es una

f(x) = {f1(x), f2(x),.., fn(x)}.

Generalmente, para este tipo de problemas no existe ninguna solución que

fi (x*) ≤ fi (x), para todo x ∈ F, i=1,...,n.

Nuestro objetivo consistirá en conseguir una solución que proporcione

Una solución x* es un óptimo de Pareto, eficiente o no dominada (bajo

Formalmente: Un punto x*∈ F es una solución eficiente si no existe otra

Las desigualdades anteriores las expresaremos de manera conjunta

El conjunto de Pareto, eficiente o no dominado será:

P = { x ∈ F: no existe x′∈ F con x′ ≻ x}

La optimalidad de Pareto no garantiza la unicidad de la solución.

El conjunto eficiente podría ser muy grande.

• métodos aproximados o de aproximación (constituyen una

• Dirigir la búsqueda dentro del conjunto eficiente para alcanzar

Ejemplo. Supongamos un fabricante de productos químicos que está

El fabricante desea maximizar el beneficio (objetivo 1) pero a la vez desea

Sean las variables de decisión

y supongamos que el problema se modeliza considerando las funciones

min z2o(x) = 4x1 + 2x2 (contaminación),

Finalmente, las restricciones se deben a la limitación de disponibilidad de

x1 + 3x2 ≤ 24 (materia prima)

además de las condiciones de no negatividad, x1, x2 ≥ 0.

Multiplicando la segunda función objetivo por −1, hacemos z2 = −z2o, y el

La obtención del conjunto eficiente la hacemos determinando la imagen de

Observemos también que el conjunto eficiente se corresponde con el

2. Métodos analíticos para la resolución de problemas

2.1. Método de las ponderaciones

Fue propuesto por Zadeh en 1963. Se basa en la idea de ponderar los

El método de las ponderaciones se formula planteando el programa lineal

con λk peso asociado al objetivo zk. Denominamos a este problema P(λ),

El peso λk para el objetivo zk se interpreta como la importancia o peso

Teorema. Si λk > 0 para todo k =1,...,n, entonces cualquier solución óptima

El método de las ponderaciones no resulta muy adecuado para obtener la

Hay que considerar de forma sistemática una serie de conjuntos de pesos

En el caso de las soluciones obtenidas con algún peso nulo, no podemos

En la práctica se pueden tener ciertos inconvenientes:

• Distintos conjuntos de pesos pueden generar la misma solución

• El tamaño del paso de un conjunto de pesos a otro puede no permitir

En definitiva, se podría esperar en muchos casos la generación de una

Ejemplo. Siguiendo con el problema del fabricante de productos químicos

que proporcionaría la solución de mejor compromiso.

Además, z1*=27 (beneficio) y z2o* = -z2* =26 (contaminación).

El decisor no es capaz de asignar pesos a los objetivos o desea obtener

Las soluciones (0,0) y (0,8) se han obtenido para pesos estrictamente

Punto extremo (3,7) asociado al vector de pesos (1,0) à no se puede

Una inspección visual permite confirmar que sí lo es.

Problemas de mayor dimensión à es necesario proponer algún método.

Método para contrastar la eficiencia de las soluciones generadas a partir

y que en la solución del problema con esa ponderación se ha obtenido

Resolvemos el siguiente problema de optimización (de ponderaciones en

La resolución de este problema nos permite determinar si las soluciones

Ejemplo. En el ejemplo anterior el punto (3,7) de F se obtuvo con los

con λ2 = 1 y tenemos como solución x*=(3,7) y, por tanto, sí es eficiente.

2.3. Método de las ε-restricciones

El método de ε-restricciones consiste en optimizar una función objetivo zl(x)

y que denominaremos Pl(ε).

La elección de la función objetivo zl y las cotas εk, representan preferencias

La siguiente figura ilustra el método para el caso biobjetivo.

•  métodos aproximados o de aproximación (constituyen una

•  Dirigir la búsqueda dentro del conjunto eficiente para alcanzar

•  Distintos conjuntos de pesos pueden generar la misma solución

•  El tamaño del paso de un conjunto de pesos a otro puede no permitir

Además, z1=27 (beneficio) y z2o = -z2* =26 (contaminación).

cuya solución óptima es x1=(3,7) con z1=27.

cuya solución óptima es x2=(3,7) con z2= -26 = -z2*.

con D=1.6, siendo z1=26.4 y z2o*=24.

1.  Ponderar las desviaciones di⁺ y di⁻, con el propósito de reflejar la

3.  Otros casos especiales de interés se han desarrollado para la

•  Que la posible desviación sea únicamente por exceso o por defecto

•  Factores de prioridad à se intenta que un objetivo satisfaga su meta

1.  P1: reservada a las restricciones (rígidas),