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
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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).
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
f2
f1
El conjunto eficiente podría ser muy grande.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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),
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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:
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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’.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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).
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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).
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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).
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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 :
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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:
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
Ejemplo. Siguiendo con el problema del fabricante de productos químicos
tomando como metas =28 y =24. El programa por metas se formula
Pasando a la forma equivalente, se tiene el problema
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
Ejemplo. Siguiendo con el problema del fabricante de productos químicos
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
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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).
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
¿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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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).
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
El modelo de planificación de la producción se puede expresar
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
Paso 4. Consideramos el problema
y vamos al paso 2.
Paso 2. Aplicando el método del símplex à λ2* = 0.
Paso 3. Hacer k = k+1 = 3, y como k = 3 ≤ 3 = K, vamos al Paso 4.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
Paso 4. Consideramos el problema
y vamos al paso 2.
Paso 2. Aplicando el método del símplex à λ3* = 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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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:
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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?
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
a) Variables de decisión
Restricciones
Funciones objetivo
Modelo de programación lineal multiobjetivo
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
b)
z2
600
C’ M’
B’
N’
400
Z
200
A’
O’ z1
0 500 1000 1500
3
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
c) Método de las ponderaciones:
Eficiente
Método de las ponderaciones:
Eficiente?
Sí
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
d) Método de ε-restricciones :
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
a) Variables de decisión
Primera prioridad: restricciones rígidas de disponibilidad
Segunda prioridad: demandas
Tercera prioridad: costes
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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
Tema 4. Programación Lineal Multiobjetivo Investigación Operativa
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.
