23/02/14 Otimização Multiobjetivo Carlos Henggeler Antunes Maria João Alves b,c a a,c Deptº de Engª Electrotécnica e de Computadores, Universidade de Coimbra b Faculdade de Economia, Universidade de Coimbra c INESC Coimbra ([email protected]; [email protected] ) 5ª Escola Luso-Brasileira de Computação Evolutiva, LNCC, Petrópolis, 18-21 Fevereiro 2014 Introdução Problemas reais são multidimensionais … n … não existe uma única medida do que é melhor. n A complexidade dos problemas reais que surgem nas sociedades tecnológicas modernas é caracterizada pela existência de múltiplas perspectivas de análise, reflectindo aspectos económicos, sociais, políticos, físicos, de engenharia, administrativos, psicológicos, éticos, estéticos, etc., num dado contexto. n 2 1 23/02/14 n n Não existe uma solução admissível que garanta o melhor valor em todos os aspectos de avaliação Ao considerar explicitamente os diferentes aspectos da realidade • os modelos matemáticos, • a percepção dos problemas por parte dos decisores tornam-se mais realistas. Alargam a gama de soluções em análise: descobrir um leque de soluções com diferentes características (não apenas uma solução óptima), estabelecendo distintos compromissos entre os aspectos de avaliação 3 n Problemas multicritério multiatributo (definição enumerativa): as acções potenciais, em número finito, são explicitamente conhecidas a-priori, bem como os respectivos índices de mérito avaliados segundo os vários critérios n multiobjectivo (definição analítica): as acções potenciais formam um contínuo, definidas implicitamente por um conjunto de restrições; n n O espaço de decisão é mapeado no espaço dos objectivos, no qual cada alternativa tem como representação um vector, cujos componentes são os correspondentes valores de cada função 4 objectivo (optimização vectorial) 2 23/02/14 A tomada de decisões neste tipo de problemas complexos não pode ser reduzida à procura da solução ótima de uma única função objectivo (por exº, a eficiência do ponto de vista económico medida por um qualquer indicador). n Solução ótima (melhor valor admissível para uma única função objectivo) ⇐ solução não dominada (não existe outra solução admissível que melhore simultaneamente todas as FO - a melhoria numa FO é alcançada à custa da degradação do valor de pelo menos uma das outras FO) n 5 n n Não existindo um ponto que otimize simultaneamente todas as funções objectivo a simples comparação entre soluções não dominadas não fornece qualquer informação na procura de uma solução não dominada que constitua uma solução final do problema multiobjectivo. Duas soluções não dominadas são incomparáveis através da ordem natural ≥. A ordenação completa do conjunto de soluções não dominadas pressupõe a intervenção de uma relação de preferências que reflete a estrutura de preferências do decisor n 6 3 23/02/14 n n Num problema mono-objectivo a pesquisa da solução ótima é puramente técnica: • a melhor solução está implícita no modelo, • cabe ao algoritmo de otimização a sua descoberta, • não há lugar à tomada de decisões. Num problema MO é necessário fazer intervir no processo de pesquisa • meios técnicos de calcular soluções não dominadas • informação sobre as preferências do decisor. 7 n n A estrutura de preferências do decisor representa um conjunto de opiniões, valores, convicções e perspectivas da realidade, que configuram um modelo pessoal da realidade sobre o qual se apoia para avaliar diferentes possibilidades de acções potenciais Não é possível classificar uma solução como boa ou má apenas com referência ao modelo matemático e às técnicas de resolução: • a qualidade de uma decisão é influenciada pelos aspectos organizacionais, políticos, culturais, etc., subjacentes ao processo de decisão. 8 4 23/02/14 n n n n Problema multiobjetivo: escolha de entre os elementos do conjunto de soluções não dominadas (geralmente infinito), de uma que constitua a uma solução de compromisso aceitável pelo decisor tendo em atenção suas preferências, que podem evoluir ao longo do processo de tomada de decisões. O processo de decisão é uma entidade dinâmica, constituída por ciclos iterativos de • geração de ações potenciais, • avaliação, • interpretação de informação, • alterações de valores, • aprendizagem, e • adaptação de preferências 9 A consideração de modelos multiobjectivo - reflecte melhor uma realidade complexa e mal estruturada, - possibilita a exploração de uma gama mais lata de soluções alternativas. A heterogeneidade de objectivos faz surgir problemas específicos resultantes da: - conflitualidade entre as FO, dado não haver uma solução que optimize simultaneamente todas as FO; - incomensurabilidade entre as FO, que não podem ser reduzidas a uma unidade de medida comum (por ex. monetária); - incerteza, devido ao carácter insuficiente e/ou impreciso do conhecimento e da informação de preferências do decisor numa realidade multidimensional. 10 5 23/02/14 n n n As técnicas de modelação e otimização matemática são adequadas para o cálculo de soluções não dominadas . É necessário incorporar no processo de decisão aspectos qualitativos relacionados com as preferências e julgamentos subjetivos do decisor. Uma boa decisão deve ser tal que n n n n não exista outra ação potencial que seja melhor em alguns aspectos e não pior em todos os aspectos em consideração uma proposta final deve ser escolhida no universo das soluções não dominadas necessidade de estabelecer equilíbrios ou compromissos entre os critérios solução de compromisso. n alcance de metas satisfatórias para o decisor n maximize uma função valor, n n solução de compromisso satisfatória. a melhor decisão é a que oferece o maior valor 11 Solução satisfatória: limitações das capacidades cognitivas do ser humano ⇒ racionalidade limitada ("bounded rationality"), • racionalidade de satisfação ("satisficing rationality") em detrimento de uma • racionalidade de optimização ("optimizing rationality"). n n n Não é necessariamente uma falha humana em situações de escolha que deva ser corrigida, n é muitas vezes uma forma de inteligência que deve ser refinada, e não ignorada, pelas metodologias de apoio à decisão. Papel activo n a informação não é dada ao decisor sem lhe requerer qualquer intervenção, n obriga-o a obtê-la por meio de um processo iterativo de exploração, observação e reconhecimento de padrões. 12 6 23/02/14 Métodos de apoio à decisão MO n n Não há articulação de preferências do decisor (métodos geradores). A articulação de preferências do decisor é feita: * a-priori (métodos de função valor, ou utilidade) * progressivamente (métodos interativos) n Métodos interativos • etapas de cálculo, • etapas de diálogo: em que o decisor é chamado a expressar as suas preferências perante soluções que lhe são propostas, até se atingir uma condição de paragem (variável de método para método); n n A intervenção do decisor é usada para guiar o processo interativo de decisão, reduzindo o âmbito da pesquisa 13 Métodos interativos n Face aos métodos geradores - reduzem o esforço computacional, - limitam o esforço cognitivo imposto ao decisor. n Face aos métodos baseados em funções valor - evitam a extração prévia de informação de preferências para formular a função valor - permitem a aprendizagem e a evolução de preferências à medida que vai sendo reunida informação. n Interatividade n n n n oferecer ao decisor um ambiente operacional que suscite a exploração, a reflexão, a emergência de novas intuições, permitir ao decisor compreender com mais profundidade o problema de decisão em causa, contribuir para moldar e fazer evoluir as preferências ao decisor no sentido de guiar o processo de pesquisa, centrar o processo de pesquisa nas regiões onde se localizam as soluções que o decisor julga mais interessantes. 7 23/02/14 n n n Aprendizagem n aumento do conhecimento disponível, n sobretudo aperfeiçoamento das capacidades do decisor de modo a fazer um uso adequado desse conhecimento. Tendência de deslocação da importância de n produção de decisões (MCDM - "Multiple Criteria Decision Making") n para o apoio à decisão (MCDA - "Multiple Criteria Decision Aid"). Métodos - apoiar o decisor fornecendo-lhe informações de melhor qualidade, - dar a possibilidade de fazer evoluir a sua estrutura de preferências confrontando-a com as propostas geradas pelos métodos de modo a aumentar a sua compreensão do problema 15 n n Solução de compromisso satisfatória • solução não dominada, • associado um dado compromisso entre as FO, • FO assumem valores satisfatórios para o decisor de tal modo que a solução é aceitável como solução final do processo de decisão. Qual o significado de uma solução final ? resultado da análise deve ser usado não como prescrição definitiva, mas como referência ou como suporte material para tomar decisões no sentido de encontrar melhores planos de acção. 16 8 23/02/14 Formulação e Definições Problema de programação linear com objetivos múltiplos max f1(x) = c1 x max f2(x) = c2 x ... max fp(x) = cp x s. a x ∈ X≡{x ∈ ℜn : x ≥ 0, Ax=b, b ∈ ℜm} Ou: n "Max" f (x) = C x s. a x ∈ X C = matriz dos objetivos , cujas linhas são os vectores ck (coeficientes da função objectivo fk). A = matriz dos coeficientes tecnológicos (mxn) b = vector dos termos independentes (recursos disponíveis ou requerimentos) 17 n n Em programação mono-objetivo o espaço de decisão x ∈ X é mapeado em ℜ Em PMO o espaço de decisão é mapeado num espaço dos objetivos p-dimensional F={f (x) ∈ ℜp : x ∈ X} n n n Cada alternativa potencial x ∈ X tem como representação um vector f(x)=(f1(x),f2(x),...,fp(x)) cujos componentes são os valores de cada FO para esse ponto da região admissível. Em geral, não existe uma solução admissível x ∈ X que optimize simultaneamente todas as funções objetivo. De um ponto de vista operacional, "Max" representa a operação de determinar soluções eficientes. 18 9 23/02/14 n n n n Solução ótima ⇐ solução eficiente. Uma solução admissível para um problema MO diz-se eficiente sse não existir outra solução admissível que melhore o valor de uma FO, sem piorar o valor de, pelo menos, outra FO. Uma solução x' ∈ X é eficiente sse não existe uma outra solução x ∈ X tal que fk(x) ≥ fk(x’) para todo o k=1,...,p, sendo a desigualdade estrita para pelo menos um k, fk(x) > fk(x’). XE representa o conjunto das soluções eficientes. 19 n O ponto z = f(x) no espaço das funções objectivo é não dominado (não inferior) sse x ∈ XE, ou seja FE = {z = f(x) ∈ F : x ∈ XE } n Espaço das funções objetivo: não dominância n Espaço das variáveis de decisão: eficiência n A imagem de uma solução eficiente é uma solução não dominada 20 10 23/02/14 xn fp z'=(f 1 (x' ),..., fk (x' ),..., fp (x' )) x' x1 xj f1 fk 21 n n n n Uma solução admissível para um problema multiobjectivo diz-se fracamente eficiente sse não existir outra solução admissível que melhore estritamente o valor de todas as funções objetivo. Uma solução x' ∈ X é fracamente eficiente sse não existe uma outra solução x ∈ X tal que fk(x) > fk(x’) para todo o k (k=1,...,p). XFE representa o conjunto das soluções fracamente eficientes. O ponto z = f(x) no espaço das funções objetivo é fracamente não dominado sse x ∈ XFE, ou seja FFE = {z = f(x) ∈ F : x ∈ XFE } 22 11 23/02/14 max f1(x) = x1 + x2 max f2(x) = - 4 x1 + 3 x2 s. a x∈X x2 D(7,6) C(4,5) E(11,5) F(12,4) B(2,3) X G(13,2) A(1,1) H(10,1) x1 23 n Solução ideal (ou ponto utopia) z*= (z1*, z2*, ...zp*) otimizaria simultaneamente todas as funções objectivo ⇒ componentes são o ótimo de cada FO na região admissível, quando otimizadas separadamente. n n n Em geral, a solução ideal não pertence à região admissível embora cada (z1*, z2*, ...zp*) seja individualmente alcançável. A solução ideal é por vezes usada como o ponto de referência (inatingível) do decisor em funções escalarizantes que representam uma distância a minimizar para determinar uma solução eficiente de compromisso. Embora se possa definir sempre a solução ideal z* no espaço dos objetivos, nem sempre existe a respectiva imagem no espaço de decisão ⇒ pode não existir x* tal que z*=f(x*) 24 12 23/02/14 n Tabela de óptimos individuais ("pay-off") organiza os valores dos objectivos para cada solução não dominada resultante da otimização separada de cada função objectivo na região admissível X. n n As componentes da solução ideal são obtidas na diagonal da tabela de ótimos individuais. Pode definir-se a partir da tabela de óptimos individuais a solução anti-ideal (ponto nadir), selecionando em cada linha o pior valor que a correspondente função objetivo assume n n n pretende representar o mínimo da função objetivo fk(x) na região eficiente. É apenas um mínimo "conveniente" (pela facilidade da sua determinação) que pode ser diferente (superior) do mínimo real na região eficiente. A tabela de óptimos individuais pode não ser definida unicamente se existirem óptimos alternativos eficientes para alguma função objetivo. n A solução anti-ideal não será também unicamente definida. n A solução ideal continua a sê-lo. 25 PROCESSOS DE ESCALARIZAÇÃO n n n Transformação do problema multiobjetivo num problema de otimização de uma função escalar substituta n cuja otimização conduz a uma solução eficiente do problema multiobjetivo, n incluindo parâmetros de informação das preferências do decisor. Propriedades objetivas: n devem gerar apenas soluções eficientes; n devem poder gerar todas as soluções eficientes; n devem ser independentes de soluções não eficientes. Propriedades subjetivas: n o esforço computacional envolvido não deve ser muito grande; n os parâmetros de preferência devem ter uma interpretação simples. 26 13 23/02/14 n Significado das funções escalarizantes: mero artifício técnico para agregar temporariamente os diversos objectivos e gerar soluções não dominadas a propor ao decisor (sem qualquer preocupação em reflectirem uma expressão das suas preferências); n representação analítica das preferências do decisor. n 27 n Optimização de uma função objetivo restringindo as outras Função substituta: uma das funções objetivo (a que se atribui mais importância) Limitações inferiores nos outros p-1 objetivos: restrições (níveis mínimos que está disposto a aceitar) max fi (x) = ci x s. a fk (x) = ck x ≥ ek k=1,...,p , k≠i x∈X 28 14 23/02/14 f1 x2 A B f1 1 E C f2 D x1 29 n n n Teorema: Se x* ∈ X for solução única para o problema escalar para algum i, então x* é uma solução eficiente para o PLMO. Optimização da função substituta n solução eficiente do PLMO original desde que: n a região admissível reduzida seja não vazia (o que pode não acontecer se os níveis mínimos ek forem demasiado severos) n não existam ótimos alternativos da função objectivo selecionada n Se existirem ótimos alternativos, apenas garantia de pontos fracamente eficientes. Variável dual associada à restrição correspondente a fk(x): taxa de compromisso local entre fi e fk na solução ótima do problema escalar 30 15 23/02/14 n n n n n n o o Simples de compreender pelos decisores: atitude de dar mais importância a uma função objetivo e aceitando limitações inferiores para as outras. Escolha da função pode revelar-se difícil em muitos problemas Fixação da função a otimizar durante todo o processo torna o método pouco flexível. Resultados demasiado dependentes da função selecionada. Possível obter todos os pontos da fronteira não dominada, quer sejam ou não pontos extremos da região admissível. Informação de preferências associada: • informação intercritérios escolher função objetivo a optimizar; • informação intracritérios imposição de níveis mínimos para as outras funções objetivo. 31 n Soma ponderada das funções objetivo max { λ1f1(x) + λ2f2(x) +...+ λpfp(x) } s. a x ∈ X λ ∈ Λ0 Conjunto de pesos admissível Λ 0 ≡{λ : λ ∈ ℜp, Σ λk=1, λk ≥ 0, k=1,2,...,p} Λ ≡ {λ : λ ∈ ℜp, Σ λk=1, λk > 0, k=1,2,...,p} (interior de Λ) n Função bilinear definida em XxΛ. n Fixando um conjunto de pesos ⇒ função linear escalar ponderada das p funções objetivo, a otimizar em X. 32 16 23/02/14 n n Teorema: x* ∈ X é uma solução básica eficiente para o PLMO sse for uma solução ótima para o problema escalar soma ponderada, para um vector de pesos λ*∈ Λ. Se λ* tiver alguma componente igual a zero apenas há a garantia de pontos fracamente eficientes. 33 n n Quadro simplex multiobjetivo inicial: A | I | b -C | 0 | 0 Em relação à base B é transformado em: B-1 N | B-1 | B-1 b -CB B-1 N | - CN CB B-1 | CB B-1 b A = [ B , N] ; C = [ CB , CN ]. n n Matriz dos custos reduzidos associada à base B Wa= CB B-1 N -CN. Ba é uma base eficiente sse o sistema {λT Wa ≥ 0, λ ∈ Λ} for coerente. 34 17 23/02/14 A representação gráfica do conjunto de pesos λ que conduz a uma solução básica eficiente pode ser obtida através da decomposição do diagrama paramétrico / espaço dos pesos Λ. n Quadro simplex multiobjetivo - solução básica eficiente para o PLMO - λ correspondente definido por λTW≥0 n wkj da matriz dos custos reduzidos W: - taxa de variação marginal da função objetivo fk(x) devido à introdução de uma unidade da variável não básica xj na base. n Coluna de W correspondente a uma variável não básica eficiente ⇒ tendência de variação unitária das funções objetivo ao longo da respectiva aresta eficiente. n 35 n n Região de indiferença: conjunto de pesos correspondente a uma solução básica eficiente (onde {λTW≥0, λ ∈ Λ} é coerente). Todas as combinações de pesos nessa região conduzem à mesma solução eficiente. 36 18 23/02/14 Fronteira comum a 2 regiões de indiferença ⇒ as respectivas soluções básicas eficientes estão ligadas por uma aresta eficiente, correspondente à introdução na base de uma variável não básica eficiente. n n n Um ponto λ ∈ Λ pertence a várias regiões de indiferença ⇒ estas correspondem a soluções localizadas na mesma face eficiente. Regiões de indiferença dependem n das ordens de grandeza relativas dos valores das FO (comprimento relativo dos gradientes), n geometria da região admissível. Área da região de indiferença n medida da robustez da solução face à variação dos pesos. 38 19 23/02/14 n n n n n o Fácil de ser explicada aos decisores, captando a atitude de expressar o grau de importância que atribui a cada função objectivo. Informação de grande dificuldade para o decisor (embora aparentemente simples). Não há garantia de que as soluções encontradas estejam de acordo com as preferências subjacentes à especificação dos pesos. Só é possível obter pontos extremos da fronteira não dominada. Informação de preferências associada: • informação intercritérios coeficientes de importância relativa (pesos) para as funções objetivo. 39 n Minimização de uma distância a um ponto de referência Solução eficiente admissível que esteja tão perto quanto possível (segundo uma dada métrica) das aspirações do decisor. n Usando uma métrica Lp e tomando a solução ideal como ponto de referência: min || z* - f(x) ||p s. a x ∈ X ou, com uma métrica Lp ponderada min λ || z* - f(x) ||p s. a x ∈ X λ∈Λ 40 20 23/02/14 n n n p=1: todos os desvios do ponto de referência são tomados em consideração na proporção directa da sua grandeza. 2<p<∞: maiores desvios vão tendo cada vez mais importância, p=∞: apenas o maior desvio é tido em conta. 41 n Seja x0 solução deste problema. Considerando o "pior caso“, i.e., maior diferença entre as componentes dos vectores z* e f(x0) através da métrica L∞ (Tchebycheff) min x∈X max k=1,...,p [ zk* - fk(x) ] tem como solução x0 sse x0 e v0 forem solução do problema linear: min v s. a v ≥ zk* - fk(x) k=1,...,p x∈X v≥0 (se o ponto de referência usado zr não verificar zr≥fk(x) em X, então v ∈ ℜ). 42 21 23/02/14 n n Em PLMO apenas resultam problemas escalares lineares usando as métricas L1 ou L∞. Métrica L∞ ponderada min x∈X n n max λk [ zk* - fk(x) ] k=1,...,p zk* = ponto de referência (arbitrário, que pode não ser a solução ideal) λ ∈ Λ0 é um vector de ponderação. 43 n Para garantir que as soluções obtidas são eficientes (e não apenas fracamente eficientes) pode usar-se a métrica L∞ (ponderada) aumentada: min x∈X n { max k=1,...,p λk [zk* - fk(x) ] } + ε [ zk* - fk(x) ] O 2º termo é uma perturbação, com ε >0 suficientemente pequeno, de modo a assegurar a eficiência da solução. min s. a v + ε [ zk* - fk(x) ] v ≥ zk* - fk(x) k=1,...,p x∈X 44 22 23/02/14 f2 z* z2 * 4 5º ∞ z2 z1 z1 * f1 45 z2 L1 Minimização da distância a z* segundo a métrica L1: z* z2* Z • A z1* (Ponto A) z1 L2 z2 Minimização da distância a z* segundo a métrica L2: (Ponto B) z* z2* Z 90° B z1* z1 23 23/02/14 z2 Minimização da distância a z* segundo a métrica L∞: L∞ z* z2* 45° Z C • (Ponto C) z1* z1 z2 1 z −z 2 λ ∞ = max λi z1i − zi2 dv λ1 = dh λ2 € € n n n n o o λ L∞ z* z 2* i dh Z dv D z1* z1 Teorema: Se x* ∈ X é uma solução para o problema de Tchebycheff (ponderado) aumentado para algum ponto de referência, então x* é uma solução eficiente para o PLMO. Minimização do "desconforto" de obter uma solução não dominada de compromisso z0 em vez do ponto ideal (ou outro ponto de referência) z*. Possível obter todos os pontos da fronteira não dominada (quer sejam ou não pontos extremos da região admissível). Informação de preferências associada: • informação intracritérios: estabelecimento de pontos de referência; • informação intercritérios: coeficientes de ponderação da métrica L∞. 48 24 23/02/14 MÉTODOS INTERATIVOS n Etapas básicas: a) inicialização - estabelecimento automático de informação de preferências inicial, calibração de parâmetros de terminação, etc.; b) preparação - incorporação da informação de preferências nos parâmetros de preferência da função escalar substituta, que agrega as várias FO numa única dimensão, a usar na nova fase de cálculo; c) cálculo - determinação de uma ou mais soluções eficientes, através da optimização de uma função escalar substituta, que serão propostas à avaliação do decisor; d) diálogo - apresentação da proposta e recolha da informação de preferências fornecida pelo decisor face à proposta; e) paragem - de acordo com uma dada regra de terminação, que pode ser apenas o decisor declarar-se satisfeito com a informação obtida 49 Inicialização Preparação Cálculo Diálogo Paragem 50 25 23/02/14 n o o o o Interatividade n dar ao decisor o papel central e condutor do processo interativo de decisão n o método deve desempenhar um papel ativo nesta convergência mútua diálogo dinâmico (ajustado às diversas fases do processo de decisão), simples (não exigindo demasiada informação ou desnecessariamente complicada) positivo (requerendo informação sobretudo sobre o que pretende melhorar e não sobre o que aceita piorar) incluir mecanismos de divergência (possibilitando a exploração de soluções numa dada vizinhança). 51 Concepções básicas para o papel da interatividade: n Orientada para a procura n estrutura de preferências pré-existente e estável (representada por uma função valor implícita) n coerência com esta função ao longo da utilização da metodologia, respondendo de forma determinística às questões colocadas n razoável impor a convergência matemática do método interativo n a convergência é garantida e controlada pelo método n o objetivo da interação é a procura de uma proposta ótima (que não depende da evolução do processo interativo) face à estrutura de preferências. A estrutura de preferências é assim "descoberta" durante o processo. 52 26 23/02/14 Orientada para a aprendizagem n recusada a assumpção de que existe uma estrutura de preferências pré-existente e estável com a qual o decisor é coerente n as preferências do decisor podem ser parcialmente instáveis e conflituosas n o objectivo da interação é a aprendizagem das preferências (clarificação do que, na perspectiva do decisor, possa ser uma solução satisfatória) n a convergência não é garantida e é controlada pelo decisor fazendo então sentido falar em "convergência psicológica" (significando a identificação de uma solução eficiente como satisfatória graças à informação entretanto recolhida). n o processo termina com uma solução de compromisso satisfatória de acordo com a informação disponível e a vontade do decisor quando não parecer possível a emergência de novas intuições sobre o problema. A convergência deve ser o resultado da interação entre o 53 decisor e o método. n n n Divisão do trabalho entre o decisor e o computador Potenciam essa diferenciação de tarefas pela capacidade de n n n orientar o esforço computacional para as regiões onde se localizam as soluções que melhor correspondem à estrutura de preferências do decisor, acomodar correcções de percurso devidas à evolução da própria estrutura de preferências à medida que a informação reunida faz emergir novas pistas e intuições. O futuro da programação multiobjectivo está na sua aplicação interactiva ! (Steuer) 54 27 23/02/14 n Críticas n n n n n a estrutura de preferências do decisor não está fundada em investigações empíricas (French), assumpção demasiado forte: as escolhas do decisor estão sempre de acordo com uma função valor implícita, ancoragem: o decisor fica preso às primeiras soluções que lhe são propostas, manifestando dificuldade ou receio em preferir outras, incapacidade de reconhecer uma resposta como sendo um erro em relação às assumpções prévias sobre as preferências ou uma resposta aleatória face ao método usado. carácter local da informação de preferências requerida. 55 n Categorização dos métodos interativos n Estratégia de redução do âmbito da pesquisa (explícita ou implicitamente): - n redução da região admissível; redução do espaço dos pesos ; contração do cone dos gradientes das FO; pesquisa direcional. Tipo de função escalar substituta: - otimização de uma FO - soma ponderada das FO; - minimização de uma distância a um ponto de referência. n Possibilidade de o decisor intervir para solicitar a realização de uma dada função em qualquer momento do processo de decisão ou ser obrigado a uma sequência pré-determinada de fases de cálculo e de diálogo: - não estruturados; - estruturados. 56 28 23/02/14 Estas classificações n não são mutuamente exclusivas n n por exº, há métodos que combinam diferentes estratégias de redução do âmbito da pesquisa e técnicas de cálculo de soluções eficientes; não são exaustivas: há métodos que é difícil englobar n por exº, adaptações de algoritmos de direcção admissível ou de planos de corte em programação não linear. 57 f2 A F B N I C D f1 58 29 23/02/14 MÉTODO STEM n n n n n n Redução da região admissível. Fase de decisão: quantidades que está disposto a sacrificar nas funções objetivo cujos valores considera satisfatórios de modo a melhorar as restantes. Fase de cálculo: minimização de uma distância ponderada de Tchebycheff à solução ideal. É apresentada ao decisor a solução de compromisso calculada em cada iteração minimizando a distância de Tchebycheff à solução ideal. Se os valores das funções objetivo são considerados satisfatórios, o processo termina. Caso contrário, o decisor deve especificar quais pretende relaxar, e de que quantidade, por forma a melhorar os outros objetivos. 59 n Passo 1 Otimização de cada função objectivo Construção da tabela de óptimos individuais. n Passo 2 “Calibração” dos pesos a usar na fase de cálculo da iteração h maior peso aos objetivos com maiores variações relativas. n factor de normalização (usando a norma L2) dos gradientes das funções objetivo. n 60 30 23/02/14 n Conjunto S: índices das funções objetivo que serão relaxadas na próxima iteração (de acordo com as indicações do decisor, ao considerar os respectivos valores satisfatórios). n No início S=ø e X(1)≡X. n n n Passo 3 Pesos que definem a métrica ponderada L∞ Os pesos das funções objetivo cujos valores são considerados satisfatórios (que são permitidos ser relaxados) são nulos. 61 n Passo 4 n n Fase de cálculo - resolução do PL de minimização da distância ponderada da Tchebycheff à solução ideal: min v s. a v ≥ λk(h) (zk* - fk(x) ) 1≤k≤p (h) x∈X v≥0 Fase de diálogo - é apresentada ao decisor a solução z(h) = f(x(h)) resultante da resolução do problema da iteração h: x(h) é o ponto da região admissível reduzida X(h) mais próximo de z* de acordo com a métrica ponderada de Tchebycheff. 62 31 23/02/14 n Passo 5 n n Se o decisor considerar esta solução satisfatória o processo termina com x(h) como solução final. Caso contrário, deve indicar o quais as funções objetivo fk (x) que está disposto a sacrificar (S:=S ∪ {k}), o qual a quantidade máxima Δk a sacrificar em cada uma. 63 n Passo 6 Preparação da nova fase de cálculo: construção da nova região admissível reduzida através da introdução de restrições nos valores dos objetivos. A região admissível reduzida para a iteração (h+1) integrará as restrições ck x ≥ fk (x(h)) - Δk k∈S (h) ck x ≥ fk (x ) k∉S Regressa ao passo 3. n Na versão original - cada função pode apenas ser relaxada uma vez, - em cada iteração só pode ser relaxada uma função Estas limitações podem não ser respeitadas no sentido de tornar o método mais flexível. 64 32 23/02/14 MÉTODO TRIMAP n n n Pesquisa livre: aprendizagem progressiva e selectiva do conjunto das soluções não dominadas Informação de preferências: n limitações inferiores para os valores da funções objetivo, n restrições no espaço dos pesos. Fase de cálculo otimização de uma soma ponderada das funções objetivo. 65 n n n n n Espaço dos pesos: meio para recolher e apresentar a informação ao decisor. Problemas com três funções objetivo n limitação, n permite o uso de meios gráficos adequados ao diálogo com o decisor. Possibilitar um preenchimento progressivo e seletivo do espaço dos pesos: n informação sobre a forma da superfície não dominada, n evitar um estudo exaustivo de regiões onde os valores dos objetivos são semelhantes. Redução do âmbito da pesquisa n impor limitações nos valores das funções objetivo (tipo de informação que não exige grande esforço da parte do decisor), n traduzidas para o espaço dos pesos. Através da análise comparativa do espaço dos pesos e do espaço dos objetivos, o decisor pode fazer uma cobertura progressiva e seletiva do espaço dos pesos, avaliando o interesse de pesquisar soluções em áreas do triângulo ainda não exploradas. 66 33 23/02/14 n n n n Combina três procedimentos fundamentais: n decomposição do espaço dos pesos, n introdução de restrições no espaço dos objetivos, n introdução de restrições no espaço dos pesos. As limitações introduzidas nos valores das funções objetivo são traduzidas para o espaço dos pesos. Cálculo das soluções eficientes que optimizam cada um dos objetivos (fornece uma primeira informação sobre a gama de valores de cada função objetivo). Informação auxiliar: cálculo da solução eficiente que minimiza uma distância ponderada de Tchebycheff à solução ideal (como no STEM). 67 n n Selecção dos pesos para o cálculo de soluções não dominadas: n escolher um conjunto de pesos de uma zona do triângulo não preenchida, que parece importante para continuar a pesquisa; n construir uma função ponderada cujo gradiente é normal ao plano que passa por três soluções não dominadas já calculadas escolhidas pelo decisor. Introdução de limitações adicionais nos valores das funções objetivo: fk (x) ≥ Lk (Lk ∈ ℜ, k ∈ {1,2,3}) n permite que o diálogo com o decisor seja feito em termos dos valores das funções objetivo acumulando a informação resultante no espaço dos pesos 68 34 23/02/14 n tradução para o espaço dos pesos: ⇒ construção do problema auxiliar max fk(x) s. a x ∈ Xa Xa≡ { x ∈ X : fk (x) ≤ Lk } o Maximizando fk (x) em Xa são obtidas soluções (básicas) óptimas alternativas. o Os pontos extremos eficientes do poliedro admissível Xa que otimizam o problema auxiliar são selecionados. As sub-regiões do espaço dos pesos que correspondem a cada um destes pontos são calculadas e representadas graficamente. o Estas são as regiões de indiferença definidas por λT W≥0, relativas a cada base eficiente alternativa. o A união de todas estas regiões de indiferença determina a sub-região do espaço dos pesos onde a limitação adicional no valor da função objetivo é satisfeita. 69 n n n Se o decisor estiver apenas interessado em soluções que satisfaçam fk (x) ≥ Lk, então é suficiente restringir a pesquisa a esta sub-região. Se o decisor pretender impor mais do que uma limitação então o problema auxiliar é resolvido para cada uma delas e as sub-regiões correspondentes no espaço dos pesos são preenchidas com diferentes padrões permitindo visualizar as zonas onde existem intersecções. Impor limitações directamente na variação dos pesos λi /λj ≥ uij, i,j ∈ {1,2,3}, i≠j, uij ∈ ℜ+ 0 < uL ≤ λk ≤ uH < 1, com k ∈ {1,2,3} 70 35 23/02/14 n Dois gráficos principais n n n espaço dos pesos mostrando as regiões de indiferença correspondentes às soluções extremas não dominadas já conhecidas, projecção do espaço dos objetivos mostrando as soluções não dominadas já calculadas. Indicadores complementares sobre cada solução: n n distâncias L1, L2 e L∞ à solução ideal, área da região de indiferença (% ocupada da área total do triângulo). 71 INICIO Cálculo das soluções eficientes que optimizam cada função objectivo individualmente Cálculo da solução eficiente que minimiza uma distância ponderada de Tchebycheff à solução ideal Cálculo de soluções eficientes por selecção directa (gráfica) de pesos Cálculo de soluções eficientes por selecção indirecta de pesos Informação actualizada em cada interacção λ2 f2 B B A C C A f1 λ1 λ3 Informação complementar: f k , x i , L 1 , L 2 , L , Area (%) Fase de decisão "Cortes" do poliedro admissível Cálculo da solução eficiente que minimiza uma distância ponderada de Tchebycheff a um ponto de referência Eliminação de sub-regiões do triângulo por limitações: - nos valores dos objectivos - directamente nos pesos "Varrimento" contínuo de faces O AD reuniu informação considerada suficiente para basear uma decisão FIM 72 36 23/02/14 n Outros métodos interactivos ICW – contração do cone dos critérios n Pareto Race – pesquisa linear n Zionts-Wallenius – redução do espaço paramétrico n Nimbus – para funções não diferenciáveis n Métodos para MILP n GDF n SPOT n .... n 73 n Tratamento da incerteza Análise de sensibilidade n Programação estocástica n Programação intervalar n Programação difusa n Análise de robustez (min-max, min-max regret) n 74 37 23/02/14 Programação inteira, inteira-mista e não linear multiobjectivo Questões adicionais: n Soluções eficientes próprias e não próprias n Soluções eficientes suportadas e não suportadas n Que tipos de soluções podem ser obtidos com os processos de escalarização referidos atrás? 75 n Soluções eficientes próprias e não próprias Solução eficiente própria: noção mais restrita de solução eficiente de modo a eliminar soluções eficientes que apresentem compromissos ilimitados entre objctivos, ou seja soluções em que a relação melhoria/ degradação entre os valores das FO possa ser feita arbitrariamente grande. n n n Em PLMO, todas as soluções eficientes são eficientes próprias, i.e, XPE ≡ XE. Também em programação linear inteira e inteira-mista todas as soluções eficientes são eficientes próprias. Em problemas não lineares podem existir soluções eficientes não próprias. 76 38 23/02/14 (f1 e f2 a maximizar) • soluções eficientes: arcos AB e CD, excluindo D que é fracamente eficiente • A, B e C são soluções eficientes não próprias. • soluções eficientes: toda a fronteira de A a C • B é uma solução eficiente não própria. 77 n Soluções eficientes suportadas e não suportadas Solução eficiente não suportada: Um ponto não dominado z’ ∈ FE é não suportado se for dominado por uma combinação convexa (não admissível) de pontos pertencentes a FE. A um ponto z’=f(x’) não dominado não suportado corresponde uma solução x’ eficiente não suportada. Em PLMO, todas as soluções eficientes são suportadas. n Em programação inteira, inteira-mista ou não linear podem existir soluções eficientes suportadas e não suportadas. n 78 39 23/02/14 Soluções eficientes não suportadas num problema de programação inteira Espaço de decisão Espaço dos objetivos max z1= x1 - x2 max z2= -x1 +2x2 s.a: x1 + 6x2 ≤ 21 14x1 + 6x2 ≤ 63 x1 , x2 ≥ 0 x1 , x2 inteiras n n Soluções eficientes suportadas: A, B, E, H (extremas), F, G (não extremas) Soluções eficientes não suportadas: C, D 79 Soluções não suportadas num problema de programação inteira mista • suportadas: [AB] ∪ {E} • não suportadas: ]CD] ∪ [DE[ Soluções não suportadas num problema de programação não linear • suportadas: ponto B e arco CD • não suportadas: de B (exclusive) a C (exclusive) 80 40 23/02/14 Processos de escalarização n Soma ponderada das funções objetivo p max s.a : ∑λ f k k k =1 x∈X (x) } Apenas podem ser obtidas soluções eficientes suportadas. } Em programação não linear, soluções eficientes não próprias (suportadas) podem ser obtidas desde que se admita que os pesos podem ser nulos (λ∈ Λ0) 81 f2 A B f1 82 41 23/02/14 n Soma ponderada das funções objetivo com restrições nas funções objetivo p max s.a : ∑ } λ k f k (x) k =1 f k (x) ≥ e k x∈X k = 1,..., p Permite obter qualquer solução eficiente do problema (suportada ou não suportada) Pode incluir-se neste tipo de escalarização a otimização de uma função objetivo restringindo as outras 83 n Optimização de uma função objetivo restringindo as outras max f i ( x ) s.a : f k (x) ≥ e k x∈X } k = 1,..., p; k ≠ i Permite obter qualquer solução eficiente do problema 84 42 23/02/14 85 n n Minimização da distância de Tchebycheff a um ponto de referência distância não pesada (L∞) } min v s.a v ≥ z +k − f k ( x ) , k = 1,..., p x∈X n distância pesada (Lλ∞) min v s.a v ≥ λ k z +k − f k ( x ) , k = 1,..., p x∈X ( ) Permite obter qualquer solução eficiente do problema } Por variação de z+∈ℜp ou } Por variação de λ ∈ Λ0, considerando z+ fixo a z* (ou outro ponto de referência do espaço dos objetivos ≥ z*) 86 43 23/02/14 Com variação de λ n n Com variação de z+ Em problemas multiobjetivo com variáveis inteiras, não lineares ou combinatórios, a geração de soluções eficientes pode ser computacionalmente custosa. Os algoritmos evolutivos, ou outras meta-heurísticas baseadas em populações, são técnicas capazes de gerar um conjunto de soluções potencialmente eficientes numa única execução do algoritmo. n n n Em geral, não são usados processos de escalarização São geralmente usados como métodos geradores, cujo papel é gerarem um conjunto representativo de soluções “eficientes” Crescente integração com abordagens interativas 88 44 23/02/14 Exemplo: soluções “não dominadas” ao fim de … (iter.) 89 n Bibliografia n n “Programação Linear Multiobjectivo – do modelo de programação linear clássico à consideração explícita de várias funções objectivo”, João Clímaco, Carlos Henggeler Antunes, Maria João Alves. Imprensa da Universidade de Coimbra, 2003. Capítulo 16 - “Tomada de decisão em ambiente multiobjectivo”, Carlos Henggeler Antunes, Maria João Alves, João Clímaco. In: Manual de Computação Evolutiva e Metaheurística, Imprensa da Universidade de Coimbra, pp. 323-356, 2012. 90 45