Baixe o app para aproveitar ainda mais
Prévia do material em texto
UTFPR Introdução à Otimização Multiobjetivo - Métodos de Escalarizações V ERMAC - Encontro Regional de Matemática Aplicada e Computacional Angelo Aliano Filho e Helenice Florentino Universidade Tecnológica Federal do Paraná 06/07 de Junho de 2018 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 1 / 89 UTFPR Sumário 1 Método da Soma Ponderada 2 Método das Métricas Ponderadas 3 Método das Métricas Ponderadas Rotacionadas 4 Método da Métrica de Tchebycheff 5 Método do ε−Restrito 6 Método de Benson Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 2 / 89 UTFPR Problema de Otimização Multiobjetivo Formulação geral Um Problema de Otimização Multiobjetivo (POM) tem um número p > 1 de funções objetivos que devem ser minimizadas, sujeito a um conjunto viável X ∈ Rn. A forma geral de um POM é Minimize z = (f1(x), · · · , fp(x)) sujeito a x ∈ X = {x ∈ Rn : gj(x) ≤ 0, j = 1, · · · ,m}. Suponhamos que os objetivos são conflituantes entre si, isto é, a melhora do objetivo i acarreta a piora de pelo menos um outro objetivo j 6= i Focaremos nosso estudo em r = 2 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 3 / 89 UTFPR Principais métodos de escalarizações São métodos que têm em comum o fato de transformarem um POM num problema escalar. Sob certas condições, a solução ótima do problema escalar resulta em uma solução eficiente para o POM. Métodos apresentados: 1 Soma Ponderada 2 Métricas Ponderadas 3 Métricas Ponderadas e Rotacionadas 4 Métrica de Tchebycheff com Ponderações 5 Métrica de Tchebycheff sem Ponderações 6 ε−Restrito 7 Benson 8 Non Inferior Set Estitation (NISE) 9 Simplex Bi-objetivo Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 4 / 89 UTFPR Método da Soma Ponderada Procedimento básico Vários métodos foram apresentados em [1]. Para computar soluções eficientes para um POM, resolvemos o problema escalar cuja função objetivo é uma soma-ponderada dos p objetivos com pesos λk ≥ 0: Minimize z = p∑ k=1 λkfk(x) sujeito a x ∈ X (1) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 5 / 89 UTFPR Método da Soma Ponderada Teorema Se λk > 0 para todo k = 1, · · · , p, então a solução do Problema (1) é eficiente para o POM original. Demonstração Seja x∗ ∈ X uma solução ótima para o Problema (1). Suponha que x∗ não seja eficiente, logo existe uma solução x̄ ∈ X de modo que fk(x̄) ≤ fk(x∗), k = 1, · · · , p e fi(x̄) < fi(x∗) para ao menos um i ∈ {1, · · · , r}. Então, p∑ k=1 λk · fk(x̄) < p∑ k=1 λk · fk(x∗), mas isto contradiz o fato de x∗ ser solução ótima de (1), logo x∗ é uma solução eficiente para o POM. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 6 / 89 UTFPR Método da Soma Ponderada Teorema Se λk > 0 para todo k = 1, · · · , p, então a solução do Problema (1) é eficiente para o POM original. Demonstração Seja x∗ ∈ X uma solução ótima para o Problema (1). Suponha que x∗ não seja eficiente, logo existe uma solução x̄ ∈ X de modo que fk(x̄) ≤ fk(x∗), k = 1, · · · , p e fi(x̄) < fi(x∗) para ao menos um i ∈ {1, · · · , r}. Então, p∑ k=1 λk · fk(x̄) < p∑ k=1 λk · fk(x∗), mas isto contradiz o fato de x∗ ser solução ótima de (1), logo x∗ é uma solução eficiente para o POM. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 6 / 89 UTFPR Método da Soma Ponderada Teorema Se o Problema (1) tem solução uma única x∗, então x∗ é eficiente para λk ≥ 0. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 7 / 89 UTFPR Método da Soma Ponderada Demonstração Seja x∗ a única solução do Problema (1). Suponha que ela não seja eficiente, logo, existe uma outra solução fact́ıvel x̄ 6= x∗ de modo que fk(x̄) ≤ fk(x∗), k = 1, · · · , r e fi(x̄) < fi(x∗) para ao menos um i ∈ {1, · · · , r}. Como λk ≥ 0, temos que p∑ k=1 λk · fk(x̄) ≤ p∑ k=1 λk · fk(x∗). Como x∗ é solução única, podemos afirmar que p∑ k=1 λk · fk(x∗) < p∑ k=1 λk · fk(x̄), mas isto contradiz a desigualdade imediatamente anterior, logo x∗ é eficiente. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 8 / 89 UTFPR Método da Soma Ponderada z1 z2 Figura: Diferentes pontos não-dominados obtidos com o método da Soma Ponderada em um POM não-convexo Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 9 / 89 UTFPR Método da Soma Ponderada z1 z2 Figura: Diferentes pontos não-dominados obtidos com o método da Soma Ponderada em um POM não-convexo Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 10 / 89 UTFPR Método da Soma Ponderada Observações Os teoremas anteriores afirmam que, a solução do problema (1) é sempre eficiente se os pesos são todos positivos ou se a solução do problema (1) é única, sem qualquer hipótese adicional Se λk ≥ 0 para algum k, podemos ter soluções fracamente eficientes caso não haja unicidade Para problemas convexos, temos um importante resultado, dado a seguir Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 11 / 89 UTFPR Método da Soma Ponderada Teorema Se x∗ é uma solução eficiente para o problema multiobjetivo convexo, então existe um vetor λ = (λ1, · · · , λp)T ≥ 0 tal que x∗ é solução do Problema (1). Demonstração Ver: [3] De acordo com este teorema, todas as soluções eficientes de um POM convexo, podem ser calculadas pela Soma Ponderada Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 12 / 89 UTFPR Método da Soma Ponderada z1 z2 Figura: Todos pontos não-dominados obtidos com o método da Soma Ponderada em um POM convexo Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 13 / 89 UTFPR Método da Soma Ponderada Normalização Sendo f+k (x) e f − k (x) os valores de máximo e mı́nimo da função fk(x), esta pode ser normalizada do seguinte modo: f̄k(x) = fk(x)− f−k (x) f+k (x)− f − k (x) . Assim, o problema ponderado pode ser redefinido como: Problema Ponderado Normalizado Minimize z = p∑ k=1 λkf̄k(x) sujeito a x ∈ X (2) com ∑p k=1 λk = 1 e λk ≥ 0. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 14 / 89 UTFPR Método da Soma Ponderada Exemplo Minimize f1(x) = x1 Minimize f2(x) = 1 + x 2 2 − x1 − a sin(bπx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, onde a e b são parâmetros que controlam a convexidade do problema Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 15 / 89 UTFPR Método da Soma Ponderada Forme então o seguinte problema: Problema Ponderado Minimize z = λ · x1 + (1− λ) · [1 + x22 − x1 − a sin(bπx1)] sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Então resolva este problema para vários valores de λ ∈]0, 1[. A cada problema resolvido, temos uma solução eficiente. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 16 / 89 UTFPR Método da soma Ponderada Exemplo Usando as condições de primeira ordem, temos que: ∂z ∂x1 = 0 ∂z ∂x0 = 0 =⇒ { λ+ (1− λ)[−1− abπ cos(bπx1)] = 0 2(1− λ)x2 = 0 que fornece como ponto estacionário x∗ = (x∗1, x ∗ 2) onde x∗1 = 1 bπ cos−1 [ 1 abπ ( λ 1− λ − 1 )] e x∗2 = 0 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 17 / 89 UTFPR Método da Soma Ponderada Exemplo Para que x∗1 = 0 então λ = 0.620 Para que x∗1 = 1 então λ = 0.271 Para qualquer λ ∈ [0.271, 0.620], podemos achar a soluçãomı́nima x∗1 usando o cálculo anterior Para λ ∈ [0, 0.271] ou [0.620, 1], teremos uma das soluções extremas: x∗1 = 0 ou 1. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 18 / 89 UTFPR Método da Soma Ponderada Exemplo Para que x∗1 = 0 então λ = 0.620 Para que x∗1 = 1 então λ = 0.271 Para qualquer λ ∈ [0.271, 0.620], podemos achar a solução mı́nima x∗1 usando o cálculo anterior Para λ ∈ [0, 0.271] ou [0.620, 1], teremos uma das soluções extremas: x∗1 = 0 ou 1. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 18 / 89 UTFPR Método da Soma Ponderada Exemplo Calculando a matriz Hessiana e determinando a condição para que x∗ seja mı́nimo, temos que sin(bπx∗1) ≥ 0, isto é, 2ib ≤ x ∗ 1 ≤ (2i+1) b , i = 1, 2, · · · . Mas 0 ≤ x∗1 ≤ 1. Então a equação anterior fornece o valor de mı́nimo da função ponderada. Sendo b = 1 e a = 0.2, temos que x∗1 = 1 π cos−1 [ 5 π ( λ 1− λ − 1 )] e x∗2 = 0, e será válida apenas para i = 0. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 19 / 89 UTFPR Método da Soma Ponderada Espaço objetivo deste problema é apresentado a seguir, com a = 0.2 e b = 1, e 20 ponderações: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: 10 pontos não-dominados determinados pelo método da Soma ponderada Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 20 / 89 UTFPR Método da Soma Ponderada Espaço objetivo deste problema é apresentado a seguir, com a = 0.2 e b = 1, e 40 ponderações: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: 19 pontos não-dominados determinados pelo método da Soma ponderada Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 21 / 89 UTFPR Método da Soma Ponderada Espaço objetivo deste problema é apresentado a seguir, com a = 0.2 e b = 1, e 80 ponderações: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: 35 pontos não-dominados determinados pelo método da Soma ponderada Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 22 / 89 UTFPR Método da Soma Ponderada Vantagens Simplicidade Fácil de entender e implementar POM convexo: garante gerar todas as soluções eficientes Desvantagens Uma distribuição uniforme dos pesos não geram pontos não-dominados uniformemente distribúıdos Diferentes pesos não necessariamente determinam diferentes soluções eficientes Não determina soluções eficientes cuja imagem estejam na parte não-convexa da fronteira de Pareto Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 23 / 89 UTFPR Método da Soma Ponderada Vantagens Simplicidade Fácil de entender e implementar POM convexo: garante gerar todas as soluções eficientes Desvantagens Uma distribuição uniforme dos pesos não geram pontos não-dominados uniformemente distribúıdos Diferentes pesos não necessariamente determinam diferentes soluções eficientes Não determina soluções eficientes cuja imagem estejam na parte não-convexa da fronteira de Pareto Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 23 / 89 UTFPR Método da Soma Ponderada Para a = 0.1 e b = 3, como visto anteriormente, temos que x∗1 = 1 3π cos−1 [ 1 0.3π ( λ 1− λ − 1 )] e x∗2 = 0, e x∗1 = 2 3 + 1 3π cos−1 [ 1 0.3π ( λ 1− λ − 1 )] e x∗2 = 0. pois 2i 3 ≤ x∗1 ≤ 2i+ 1 3 . Se i = 0, então 0 ≤ x∗1 ≤ 1/3 Se i = 1, então 2/3 ≤ x∗1 ≤ 1 então duas regiões na fronteira de Pareto são determinadas. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 24 / 89 UTFPR Método da Soma Ponderada Para qualquer λ, o menor x∗1 dentre estes dois é mı́nimo da função ponderada z = λ · x∗1 + (1− λ) · [1− x∗1 − 0.1 sin(3πx∗1)] Para λ ∈ [0.054, 0.660], x∗1 pode ser determinado. Se λ = 0.5, então x∗1 = 1/6 ou 5/6, z ∗ = 0.455, isto é, temos duas soluções ótimas. Assim, se λ ∈ [0.500, 0.660], temos x∗1 ∈ [5/6, 1] Assim, se λ ∈ [0.054, 0.500], temos x∗1 ∈ [0, 1/6] Note que para nenhum peso λ, uma solução eficiente x∗1 ∈]1/6, 5/6[ poderá ser determinada Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 25 / 89 UTFPR Método da Soma Ponderada −0.2 0.2 0.4 0.6 0.8 1. f1(x) −0.2 0.2 0.4 0.6 0.8 1. f2(x) 0 Fronteira de Pareto Figura: Método da Soma Ponderada determinando apenas os pontos não-dominados da parte convexa da fronteira de Pareto Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 26 / 89 UTFPR Método da Soma Ponderada Exemplo Considere o seguinte POM linear: Maximize f1(x) = 5x1 + 3x2 Maximize f2(x) = 2x1 + 8x2 sujeito a x1 + 4x2 ≤ 100 3x1 + 2x2 ≤ 150 5x1 + 3x2 ≥ 200 x1, x2 ≥ 0 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 27 / 89 UTFPR Método da Soma Ponderada O espaço de decisão e de critério são exibidos a seguir Figura: Espaço de decisão e de critério para o exemplo proposto Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 28 / 89 UTFPR Método da Soma Ponderada Veremos que neste exemplo, vários pesos produzem uma mesma solução eficiente. Normalize os objetivos, otimizando cada uma das funções. Isso dá f−1 (x) = 200, f + 1 (x) = 250, f − 2 (x) = 80 e f + 2 (x) = 200 Assim, as funções normalizadas são dadas por: f̄1(x) = 1 10 x1 + 3 50 x2 e f̄2(x) = 1 60 x1 + 1 15 x2. Forme o problema ponderado: Maximize z = λ ( 1 10 x1 + 3 50 x2 ) + (1− λ) ( 1 60 x1 + 1 15 x2 ) sujeito a x1 + 4x2 ≤ 100 3x1 + 2x2 ≤ 150 5x1 + 3x2 ≥ 200 x1, x2 ≥ 0 para λ ∈]0, 1[. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 29 / 89 UTFPR Método da Soma Ponderada Veremos que neste exemplo, vários pesos produzem uma mesma solução eficiente. Normalize os objetivos, otimizando cada uma das funções. Isso dá f−1 (x) = 200, f + 1 (x) = 250, f − 2 (x) = 80 e f + 2 (x) = 200 Assim, as funções normalizadas são dadas por: f̄1(x) = 1 10 x1 + 3 50 x2 e f̄2(x) = 1 60 x1 + 1 15 x2. Forme o problema ponderado: Maximize z = λ ( 1 10 x1 + 3 50 x2 ) + (1− λ) ( 1 60 x1 + 1 15 x2 ) sujeito a x1 + 4x2 ≤ 100 3x1 + 2x2 ≤ 150 5x1 + 3x2 ≥ 200 x1, x2 ≥ 0 para λ ∈]0, 1[. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 29 / 89 UTFPR Método da Soma Ponderada Vetor gradiente da função objetivo ponderada normalizada: ∇z = ( λ 12 + 1 60 ,− λ 150 + 1 15 ) Sua inclinação é − λ 150 + 1 15 λ 12 + 1 60 , de modo que a inclinação do normal à ele é −λ 12 − 1 60 − λ 150 + 1 15 Este normal tem inclinação −3/2 se λ = 25/28 ≈ 0.8929 Assim, se λ ∈ [0.8929, 1], solução eficiente x1 = (50, 0); se λ ∈ [0, 0.8929], teremos outra solução eficiente, x2 = (40, 15); e se λ = 0.8929, teremos o segmento unindo x1 e x2 como soluções. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 30 / 89 UTFPR Método das Métricas Ponderadas Em vez de usar uma soma ponderada dos objetivos, minimizamos na norma lq a distância entre a solução fact́ıvel x ao ponto ideal z ∗. Problema ponderado na norma lq O problema Minimize z = ( q∑ k=1 λk · (fk(x)− z∗k)q )1/q sujeito a x ∈ X (3) onde 1 ≤ q <∞, com λk ≥ 0, minimiza a distância na métrica lq de x a z∗ Observações: se q = 1, temos o Método da soma Ponderada se q = 2, temos a distância Euclidiana sendo minimizada, em relação ao ponto de referência Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 31 / 89 UTFPR Método das Métricas Ponderadas Interpretação geométricaFigura: Contornos das normas ponderadas Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 32 / 89 UTFPR Método das Métricas Ponderadas Problema ponderado normalizado na norma lq É conveniente utilizar o problema normalizado Minimize z = ( q∑ k=1 λk · (f̄(x)− z∗k)q )1/q sujeito a x ∈ X onde 1 ≤ q <∞, λk ≥ 0 e ∑q k=1 λk = 1 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 33 / 89 UTFPR Método das Métricas Ponderadas Resultado teórico: Teorema A solução do Problema (3) é de Pareto se a solução for única ou todos os pesos λk > 0 Demonstração Ver [5] Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 34 / 89 UTFPR Método das Métricas Ponderadas Exemplo Considere o problema Minimize f1(x) = x1 Minimize f2(x) = 1 + x 2 2 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 35 / 89 UTFPR Método das Métricas Ponderadas Problema ponderado na métrica l2 O problema na norma-2 é dado por: Minimize z = λ · x21 + (1− λ) · [1 + x22 − x1 − 0.1 sin(3πx1)]2 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 36 / 89 UTFPR Método das Métricas Ponderadas O mı́nimo desta função corresponde a x∗2 = 0 e x ∗ 1 satisfazendo a seguinte equação: λx∗1 − (1− λ)[1− x∗1 − 0.1 sin(3πx∗1)](1 + 0.3π cos(3πx∗1)) = 0. Atribuindo 20 valores para λ uniformemente distribúıdos em [0, 1], obtemos os seguintes pontos não-dominados Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 37 / 89 UTFPR Método das Métricas Ponderadas 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 20 ponderações para o exemplo com a métrica l2 (20 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 38 / 89 UTFPR Método das Métricas Ponderadas 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 20 ponderações para o exemplo com a métrica l1 (8 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 39 / 89 UTFPR Método das Métricas Ponderadas 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 200 ponderações para o exemplo com a métrica l1 (65 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 40 / 89 UTFPR Método das Métricas Ponderadas 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 200 ponderações para o exemplo com a métrica l2 (200 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 41 / 89 UTFPR Método das Métricas Ponderadas Rotacionadas (caso q = 2) E, vez de usar diretamente as normas lq, podemos aplicar a norma lq com uma arbitrária rotação do ponto z ∗ Digamos que o vetor objetivo rotacionado ponderado seja dado por f̃(x), onde f̃(x) = [ cos θ − sin θ sin θ cos θ ] [ f̄1(x) f̄2(x) ] , onde θ é o ângulo da rotação Então resolvemos o seguinte problema Minimize z = [ λ · (f̃1(x)− z∗1)q + (1− λ) · (f̃2(x)− z∗2)q ]1/q sujeito a x ∈ X onde 1 ≤ q <∞ e λ ≥ 0 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 42 / 89 UTFPR Método das Métricas Ponderadas Exemplo Considere o problema novamente: Minimize f1(x) = x1 Minimize f2(x) = 1 + x 2 2 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 43 / 89 UTFPR Método das Métricas Ponderadas Problema ponderado na métrica l2 O problema na norma-2 rotacionado em um ângulo θ é dado por: Minimize z = λ · [cos θf1(x) + sin θf2(x)]2+ +(1− λ) · [− sin θf1(x) + cos θf2(x)]2 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 44 / 89 UTFPR Método das Métricas Ponderadas Rotacionadas Fixamos θ = π/4 e damos 100 valores para λ: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 100 ponderações para o exemplo com a métrica l2 rotacionada em θ = π/4 (100 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 45 / 89 UTFPR Método das Métricas Ponderadas Rotacionadas Fixamos θ = π/6 e damos 100 valores para λ: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 100 ponderações para o exemplo com a métrica l2 rotacionada em θ = π/6 (100 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 46 / 89 UTFPR Método das Métricas Ponderadas Rotacionadas Fixamos λ = 0.1 e damos 100 valores para θ ∈ [0, π/2]: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 100 ângulos para o exemplo com a métrica l2 rotacionada (100 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 47 / 89 UTFPR Método da Métrica de Tchebycheff Quando q é grande, o problema de minimizar a soma (fk(x)− z∗k) se reduz em minimizar o maior desvio. Esta métrica é denominada de Tchebycheff (ou l∞) e o problema associado é definido como: Problema de Tchebycheff Ponderado Minimize z = p max k=1 { λk · (f̄(x)− z∗k) } sujeito a x ∈ X (4) onde λk ≥ 0 e ∑p k=1 λk = 1 (supondo f normalizada) Esta formulação é não linear, e pode ser linearizada da seguinte maneira Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 48 / 89 UTFPR Método da Métrica de Tchebycheff Problema de Tchebycheff Ponderado - linearizado Minimize z = α sujeito a x ∈ X λk · (f̄(x)− z∗k) ≤ α, k = 1, · · · , p α ≥ 0, (5) onde λk ≥ 0 e ∑p k=1 λk = 1 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 49 / 89 UTFPR Método da Métrica de Tchebycheff Contornos das métricas ponderadas: l1, l2 e l∞ Figura: Contornos da métrica l1 (a), l2 (b) e l∞ (c) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 50 / 89 UTFPR Método da Métrica de Tchebycheff Em geral, a métrica l∞ pode obter soluções fracamente eficientes; veja a ilustração a seguir: Figura: Ponto fracamente não-dominado (à esq.) e contornos da métrica l∞ aumentada Porém, podemos construir a métrica de Tchebycheff aumentada, cujos contornos são ilustrados na imagem à direita, e que impede a geração de soluções fracamente dominadas Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 51 / 89 UTFPR Método da Métrica de Tchebycheff Figura: Contornos da métrica l∞ aumentada Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 52 / 89 UTFPR Método da Métrica de Tchebycheff Problema de Tchebycheff Ponderado Aumentado Sua formulação é dada por: Minimize z = p max k=1 { λk · (f̄(x)− z∗k) } + p∑ k=1 ρk · f̄k(x) sujeito a x ∈ X (6) onde λk ≥ 0, ρk ≥ 0, ∑p k=1 λk = 1 e evita soluções eficientes fracamente dominadas Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 53 / 89 UTFPR Método da Métrica de Tchebycheff Problema de Tchebycheff Ponderado Aumentado Linearizado Sua formulação linear equivalente é dada por: Minimize z = α+ p∑ k=1 ρk · f̄k(x) sujeito a x ∈ X λk · (f̄(x)− z∗k) ≤ α, k = 1, · · · , p α ≥ 0, (7) onde λk ≥ 0, ρk ≥ 0, ∑p k=1 λk = 1. Conforme λk varia, diferentes soluções eficientes são determinadas Angelo e Helenice (UTFPR/UNESP)Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 54 / 89 UTFPR Método da Métrica de Tchebycheff Resultados teóricos importantes para o Problema de Tchebycheff (4) Teorema A solução do Problema de Tchebycheff (4) é fracamente ótima de Pareto se λk > 0 Teorema Se o Problema de Tchebycheff (4) tem única solução, então esta é ótima de Pareto. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 55 / 89 UTFPR Método da Métrica de Tchebycheff Resultados teóricos importantes para o Problema de Tchebycheff (4) Teorema A solução do Problema de Tchebycheff (4) é fracamente ótima de Pareto se λk > 0 Teorema Se o Problema de Tchebycheff (4) tem única solução, então esta é ótima de Pareto. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 55 / 89 UTFPR Método da Métrica de Tchebycheff A convexidade era uma hipótese exigida para as normas lp para gerarmos todas as soluções eficientes; esta exigência não é necessária para a métrica de Tchebycheff, como veremos a seguir: Teorema Seja x∗ ∈ X eficiente. Então existem λk > 0 tais que x∗ é solução do Problema (4). Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 56 / 89 UTFPR Método da Métrica de Tchebycheff A convexidade era uma hipótese exigida para as normas lp para gerarmos todas as soluções eficientes; esta exigência não é necessária para a métrica de Tchebycheff, como veremos a seguir: Teorema Seja x∗ ∈ X eficiente. Então existem λk > 0 tais que x∗ é solução do Problema (4). Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 56 / 89 UTFPR Método da Métrica de Tchebycheff Comentários O Teorema anterior mostra uma vantagem imensa deste método: pode determinar todas as soluções eficientes para um POM, sejam elas na parte convexa e não-convexa da fronteira Infelizmente, algumas soluções fracamente eficientes podem ser determinadas por este método Porém, a métrica de Tchebycheff Aumentada resolve esta inconveniência Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 57 / 89 UTFPR Método da Métrica de Tchebycheff Resultado teórico para o Problema de Tchebycheff Aumentado (6) é apresentado a seguir: Teorema Um vetor x∗ ∈ X é eficiente se, e somente se, existem λk > 0 e números ρk > 0 tal que x ∗ é solução do Problema de Tchebycheff Aumentado (6). Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 58 / 89 UTFPR Método da Métrica de Tchebycheff Resultado teórico para o Problema de Tchebycheff Aumentado (6) é apresentado a seguir: Teorema Um vetor x∗ ∈ X é eficiente se, e somente se, existem λk > 0 e números ρk > 0 tal que x ∗ é solução do Problema de Tchebycheff Aumentado (6). Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 58 / 89 UTFPR Método da Métrica de Tchebycheff Vantagens Garante encontrar todas soluções eficientes para um POM Simples de ser implementado Gera apenas uma variável decisória adicional Desvantagens Necessário normalizar os objetivos, i.e., conhecer o vetor utópico Senśıvel com ρk e λk Pode não determinar pontos não-dominados igualmente espaçados Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 59 / 89 UTFPR Método da Métrica de Tchebycheff Vantagens Garante encontrar todas soluções eficientes para um POM Simples de ser implementado Gera apenas uma variável decisória adicional Desvantagens Necessário normalizar os objetivos, i.e., conhecer o vetor utópico Senśıvel com ρk e λk Pode não determinar pontos não-dominados igualmente espaçados Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 59 / 89 UTFPR Método das Métricas Ponderadas Exemplo Considere o problema Minimize f1(x) = x1 Minimize f2(x) = 1 + x 2 2 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 60 / 89 UTFPR Método das Métricas Ponderadas Problema de Tchebycheff Aumentado e Linearizado Resolvemos o seguinte problema: Minimize z = α+ 10−3[x1 + 1 + x 2 2 − x1 − 0.1 sin(3πx1)] sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, λ · x1 ≤ α (1− λ) · [1 + x22 − x1 − 0.1 sin(3πx1)] ≤ α α ≥ 0, pois o vetor de referência é z∗ = (0, 0). Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 61 / 89 UTFPR Método da Métrica de Tchebycheff 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 20 ponderações para o exemplo com a métrica de Tchebycheff (20 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 62 / 89 UTFPR Método da Métrica de Tchebycheff 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 40 ponderações para o exemplo com a métrica de Tchebycheff (40 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 63 / 89 UTFPR Método da Métrica de Tchebycheff 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 80 ponderações para o exemplo com a métrica de Tchebycheff (80 pontos) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 64 / 89 UTFPR Método do ε−Restrito Introduzido por [4], em 1971. Uma das funções objetivo é selecionada para ser otimizada As demais funções objetivo são convertidas em restrições, usando limitantes superiores adequados O problema restrito a ser resolvido é dado por: Minimize z = fi(x) sujeito a x ∈ X , fk(x) ≤ εk, k = 1, · · · , p, k 6= i, (8) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 65 / 89 UTFPR Método do ε−Restrito Resultados teóricos: Teorema A solução ótima do Problema (9) é fracamente de Pareto. Demonstração Seja x∗ uma solução do Problema (9). Assuma que x∗ não seja fracamente de Pareto. Então existe uma outra solução x̄ tal que fj(x̄) < fj(x ∗) para todo j = 1, · · · , p. Isso significa que fk(x̄) < fk(x ∗), k 6= i e que x̄ é fact́ıvel. Também, fi(x̄) < fi(x∗). Isso é um absurdo, pois x∗ é ótima. Logo, x∗ é fracamente de Pareto. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 66 / 89 UTFPR Método do ε−Restrito Resultados teóricos: Teorema A solução ótima do Problema (9) é fracamente de Pareto. Demonstração Seja x∗ uma solução do Problema (9). Assuma que x∗ não seja fracamente de Pareto. Então existe uma outra solução x̄ tal que fj(x̄) < fj(x ∗) para todo j = 1, · · · , p. Isso significa que fk(x̄) < fk(x ∗), k 6= i e que x̄ é fact́ıvel. Também, fi(x̄) < fi(x∗). Isso é um absurdo, pois x∗ é ótima. Logo, x∗ é fracamente de Pareto. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 66 / 89 UTFPR Método do ε−Restrito Teorema Um vetor x∗ é eficiente se, e somente se, é solução do Problema (9) para todo i = 1, · · · , p e εk = fk(x∗), k 6= i. Teorema Se o Problema (9) tiver única solução, para uma dada solução x∗ ∈ X fact́ıvel, εk = fk(x ∗) e para algum i = 1, · · · , p, i 6= k, então x∗ é eficiente. Demonstrações: ver [5]. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 67 / 89 UTFPR Método do ε−Restrito Teorema Um vetor x∗ é eficiente se, e somente se, é solução do Problema (9) para todo i = 1, · · · , p e εk = fk(x∗), k 6= i. Teorema Se o Problema (9) tiver única solução, para uma dada solução x∗ ∈ X fact́ıvel, εk = fk(x ∗) e para algum i = 1, · · ·, p, i 6= k, então x∗ é eficiente. Demonstrações: ver [5]. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 67 / 89 UTFPR Método do ε−Restrito −0.2 0.2 0.4 0.6 0.8 1. 1.2 −0.2 0.2 0.4 0.6 0.8 1. f1(x) f2(x) 0 Figura: Pontos não-dominados determinados pelo ε−Restrito com i = 1 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 68 / 89 UTFPR Método do ε−Restrito −0.2 0.2 0.4 0.6 0.8 1. 1.2 f1(x) −0.2 0.2 0.4 0.6 0.8 1. f2(x) 0 Figura: Pontos não-dominados determinados pelo ε−Restrito com i = 1 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 69 / 89 UTFPR Método do ε−Restrito −0.2 0.2 0.4 0.6 0.8 1. 1.2 f1(x) −0.2 0.2 0.4 0.6 0.8 1. f2(x) 0 Figura: Pontos não-dominados determinados pelo ε−Restrito com i = 1 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 70 / 89 UTFPR Método das Métricas Ponderadas Exemplo Considere o problema novamente: Minimize f1(x) = x1 Minimize f2(x) = 1 + x 2 2 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 71 / 89 UTFPR Método das Métricas Ponderadas Problema restrito com i = 1 O problema restrito será dado por: Minimize z = x1 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, 1 + x22 − x1 − 0.1 sin(3πx1) ≤ ε Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 72 / 89 UTFPR Método do ε−Restrito Quais valores para ε atribuir? Exemplo Achamos os valores de máximo e mı́nimo da função f2(x) resolvendo os seguintes problemas: Minimize z = 1 + x22 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, cujo valor mı́nimo para f2 é ε − = 0 e Minimize z = x1 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, cuja solução, avaliada em f2, é 1. Isso dá ε + = 1 Atribúımos então, valores para ε ∈= [ε−, ε+] = [0, 1] Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 73 / 89 UTFPR Método do ε−Restrito Quais valores para ε atribuir? Exemplo Achamos os valores de máximo e mı́nimo da função f2(x) resolvendo os seguintes problemas: Minimize z = 1 + x22 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, cujo valor mı́nimo para f2 é ε − = 0 e Minimize z = x1 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, cuja solução, avaliada em f2, é 1. Isso dá ε + = 1 Atribúımos então, valores para ε ∈= [ε−, ε+] = [0, 1] Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 73 / 89 UTFPR Método do ε−Restrito 50 atribuições para ε: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 50 atribuições para ε para o exemplo (50 soluções) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 74 / 89 UTFPR Método do ε−Restrito 100 atribuições para ε: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 50 atribuições para ε para o exemplo (100 soluções) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 75 / 89 UTFPR Método do ε−Restrito Observação: Para evitar que o problema restrito gere soluções fracamente eficientes, convém utilizar o seguinte problema restrito modificado: Minimize z = fi(x) + ρ · p∑ k=1 k 6=i fk(x) sujeito a x ∈ X , fk(x) ≤ εk, k = 1, · · · , p, k 6= i, (9) com ρ > 0, evita soluções fracamente eficientes. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 76 / 89 UTFPR Método do ε−Restrito Vantagens Simplicidade Fácil de entender e implementar Determina todas as soluções eficientes para um POM Desvantagens Conhecimento dos intervalos de mı́nimo e máximo de cada função objetivo Pode gerar muitos problemas ociosos, i.e., como a mesma solução em iterações anteriores Dificuldade em estimar o tamanho de passo para se conseguir sempre uma nova solução eficiente Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 77 / 89 UTFPR Método do ε−Restrito Vantagens Simplicidade Fácil de entender e implementar Determina todas as soluções eficientes para um POM Desvantagens Conhecimento dos intervalos de mı́nimo e máximo de cada função objetivo Pode gerar muitos problemas ociosos, i.e., como a mesma solução em iterações anteriores Dificuldade em estimar o tamanho de passo para se conseguir sempre uma nova solução eficiente Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 77 / 89 UTFPR Método de Benson Introduzido por [2], em 1978. A ideia é escolher alguma solução fact́ıvel x0 Consideramos as variáveis desvios lk ≥ 0: lk = fk(x 0)− fk(x). O problema de Benson consiste em maximizar estes desvios Este problema produz um x dominando x0, “puxando” x o mais longe posśıvel de x0 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 78 / 89 UTFPR Método de Benson Problema de Benson Maximize z = p∑ k=1 lk sujeito a x ∈ X , lk = fk(x 0)− fk(x), k = 1, · · · , p (10) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 79 / 89 UTFPR Método de Benson Resultados teóricos: Teorema A solução fact́ıvel x0 fact́ıvel é eficiente, se e somente se, o valor ótimo do Problema (10) é 0. Proposição Se o Problema (10) tem uma solução ótima (x∗, l∗) (e o valor ótimo é finito), então x∗ é eficiente. Teorema Suponha que fk sejam convexas, e que X seja convexo. Se o Problema (10) tem valor ótimo ilimitado então X ∗ = ∅. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 80 / 89 UTFPR Método de Benson Resultados teóricos: Teorema A solução fact́ıvel x0 fact́ıvel é eficiente, se e somente se, o valor ótimo do Problema (10) é 0. Proposição Se o Problema (10) tem uma solução ótima (x∗, l∗) (e o valor ótimo é finito), então x∗ é eficiente. Teorema Suponha que fk sejam convexas, e que X seja convexo. Se o Problema (10) tem valor ótimo ilimitado então X ∗ = ∅. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 80 / 89 UTFPR Método de Benson Resultados teóricos: Teorema A solução fact́ıvel x0 fact́ıvel é eficiente, se e somente se, o valor ótimo do Problema (10) é 0. Proposição Se o Problema (10) tem uma solução ótima (x∗, l∗) (e o valor ótimo é finito), então x∗ é eficiente. Teorema Suponha que fk sejam convexas, e que X seja convexo. Se o Problema (10) tem valor ótimo ilimitado então X ∗ = ∅. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 80 / 89 UTFPR Método de Benson −0.2 0.2 0.4 0.6 0.8 1. f1(x) −0.2 0.2 0.4 0.6 0.8 1. f2(x) 0 f(x0) f(x∗) Figura: Interpretação geométrica do Problema (10) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 81 / 89 UTFPR Método de Benson Exemplo Considere o problema: Minimize f1(x) = x1 Minimize f2(x) = 1 + x 2 2 − x1 − 0.1 sin(3πx1) sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 82 / 89 UTFPR Método de Benson Forme então o seguinte problema de Benson: Problema de Benson Maximize z = l1 + l2 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2, l1 = f1(x 0)− x1 l2 = f2(x 0)− [1 + x22 − x1 − 0.1 sin(3πx1)] Então resolva este problema para vetores x0 admisśıveis (aleatórios). A cada problema resolvido, temos uma solução eficiente. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 83 / 89 UTFPR Método de Benson Se x0 é talque z0 = f(x0) = (0.7, 0.8)T , o Problema (10) determina o seguinte problema de Benson a ser resolvido: Maximizez = l1 + l2 sujeito a 0 ≤ x1 ≤ 1, −2 ≤ x2 ≤ 2 l1 = 0.7− x1 l2 = 0.8− [1 + x22 − x1 − 0.1 sin(3πx1)] cuja solução é dada por (x∗, l∗) = (0.16, 0.00, 0.53, 0.06) e f(x∗) = (0.16, 0.73). Pelo Teorema anterior, x∗ = (0.16, 0) é uma solução eficiente para este problema Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 84 / 89 UTFPR Método de Benson 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z0 = (0.7, 0.8) z∗ = (0.16, 0.73) z1 z2 Figura: Ponto não-dominado obtido com a maximização do desvio em relação a z0 Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 85 / 89 UTFPR Método de Benson 20 atribuições para x0: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 20 atribuições para x0 (20 soluções) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 86 / 89 UTFPR Método de Benson 40 atribuições para x0: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 40 atribuições para x0 (40 soluções) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 87 / 89 UTFPR Método de Benson 400 atribuições para x0: 0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1 z1 z2 Figura: Pontos não-dominados obtidos com 400 atribuições para x0 (400 soluções) Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 88 / 89 UTFPR Método de Benson Vantagens Simplicidade Fácil de entender e implementar Determina soluções suportadas e não-suportadas Desvantagens Pode não gerar todas as soluções eficientes Solução eficiente determinada depende fortemente de x0 Dificuldade em controlar um espaçamento uniforme para os pontos obtidos Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 89 / 89 UTFPR Método de Benson Vantagens Simplicidade Fácil de entender e implementar Determina soluções suportadas e não-suportadas Desvantagens Pode não gerar todas as soluções eficientes Solução eficiente determinada depende fortemente de x0 Dificuldade em controlar um espaçamento uniforme para os pontos obtidos Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 89 / 89 UTFPR Aliano Filho, A., et al. Novas extensões de técnicas de escalarizações no problema de corte unidimensional inteiro multiobjetivo. Benson, H. P. Existence of efficient solutions for vector maximization problems. Journal of Optimization Theory and Applications 26, 4 (1978), 569–580. Benson, H. P. Matthias ehrgott, multicriteria optimization , springer (2005) isbn 3-540-21398-8 323 pages. European Journal of Operational Research 176, 3 (2007), 1961–1964. Haimes, Y. Y., and Hall, W. A. Multiobjectives in water resource systems analysis: The surrogate worth trade off method. Water Resources Research 10, 4 (1974), 615–624. Hillermeier, C. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 89 / 89 UTFPR Nonlinear multiobjective optimization: a generalized homotopy approach, vol. 135. Springer Science & Business Media, 2001. Angelo e Helenice (UTFPR/UNESP) Introd. à Otimização Multiobjetivo 06/07 de Junho de 2018 89 / 89 Método da Soma Ponderada Método das Métricas Ponderadas Método das Métricas Ponderadas Rotacionadas Método da Métrica de Tchebycheff Método do -Restrito Método de Benson
Compartilhar