PAVF

c 1999

Metodos com indicac~ao interativa

 Caractersticas dos metodos interativos

 Metodo de Georion, Dyer e Feinberg
 Programac~ao por metas interativa
 Metodo STEM

136

PAVF c 1999

137

Caractersticas dos metodos interativos

 Informaco~es sobre prefer^encias s~ao passadas ao analista durante a soluc~ao de problema

 Prefer^encias (trade-os implcitos e/ou explcitos) fazem papel de coecientes de certos problemas escalares a serem resolvidos pelo analista

Estrutura hierarquica
Decis~ao
S

u(x0)  u(x)
8x 2
?
N

Fim

PSfrag replacements

Analise local
Trade-os

Problema escalar
Obtem-se x0 2

Analise

PAVF c 1999

138

Metodo de Georion, Dyer e Feinberg

Caractersticas

 Metodo de direco~es factveis baseado no algoritmo de

Frank-Wolfe
 Requer informaco~es locais na forma de trade-os implcitos e explcitos (taxas marginais de substituic~ao)
 Destinado a problemas convexos

Formulac~ao do problema
minimizarx2
u(f (x))

 Rn : conjunto convexo
f = (f1; f2; : : : ; fm) : funco~es convexas sobre

u : Y ! R : func~ao convexa crescente sobre Y

 u n~ao precisa ser explicitamente conhecida; apenas

informaco~es locais s~ao necessarias

 Assume-se que u e diferenciavel, de forma a ser possvel
obter taxas marginais de substituic~ao
 As exig^encias de convexidade est~ao ligadas a utilizac~ao
do algoritmo de Frank-Wolfe

PAVF c 1999

139

Metodo de Georion, Dyer e Feinberg

Algoritmo de Frank-Wolfe
1: Determine uma soluc~ao inicial x0 2
; faca k = 0
2: Obtenha a direc~ao de busca dk resolvendo

minimizar2
rxu(f (xk ))T 
Seja  k uma solucao do problema; faca dk :=  k xk
3: Determine o passo otimo tk resolvendo o problema de

busca unidimensional

minimizar01 u(f (xk + dk ))

4: Calcule xk+1 = xk + k dk ; se kxk+1

xk k < ,  > 0

sucientemente pequeno, pare. Caso contrario, faca

k := k + 1 e volte ao passo 2

 Usa informaco~es de gradiente; busca unidimensional restrita a [0; 1]; exelentes propriedades de converg^encia

 No metodo GDF, os passos 2,3 e 4 s~ao executados com

o auxlio do decisor

PAVF c 1999

140

Metodo de Georion, Dyer e Feinberg

Interpretac~ao
x2

1
PSfrag replacements

0

x2

x1
g1

d1

d0

x0

g0

x1

Passo 2 - Calculo do gradiente

Pela regra da cadeia,

" df #T du

m @u
X

rxu(f (x)) = dx df = @f rfi(x)

i=1 i

" df #T

dx = rf1(x) j rf2(x) j


j rfm(x)

PAVF c 1999

141

Metodo de Georion, Dyer e Feinberg

 Suponha que xk n~ao e soluc~ao do problema multiobjetivo

e que @u=@f1k > 0 (s.p.g.). Ent~ao o calculo da direc~ao dk
pode ser feito atraves do problema equivalente
minimizar2

m
X
ik rfi(xk )T 

i=1

k
@u=@f
i
onde :=
@u=@f1k ; i = 1; 2; : : :; m s~ao as taxas marginais de substituic~ao do decisor no ponto x = xk

ik

Passo 3 - Calculo do passo otimo

O passo otimo e indicado pelo decisor ao comparar o
comportamento de f (xk + dk ) como func~ao de  2 [0; 1]
atraves de tabelas ou gracos
PSfrag replacements
f1

f2
f3
0

PAVF c 1999

142

Metodo de Georion, Dyer e Feinberg

Passo 4 - Criterio de parada
Como u e convexa e diferenciavel, para quaisquer f =
f (x) e f k = f (xk ), onde x; xk 2
,

u(f )
Portanto,

u(f k) 

" du #T

k)
(
f
f
df

" du #T

u(f k 1) u(f k)  df k (f k 1 f k )
@u [1  k


 k ](f k
 @f
2
m
k
1

f k)

 A variac~ao
k := u(f k) u(f k 1) em utilidade e limitada

superiormente por (@u=@f1k)[1 2k


mk ](f k f k 1). A
raz~ao

k = [1 2k


mk ](f k f k 1)

k 1 [1 2k 1


mk 1](f k 1 f k 2)
mede a variac~ao relativa em utilidade entre iteraco~es sucessivas. Um criterio de parada razoavel seria

k = [1 2k


mk ](f k f k 1) < ;  > 0

1 [1 21


m1 ](f 1 f 0)

PAVF c 1999

143

Metodo de Georion, Dyer e Feinberg

Exemplo - Dieta multiobjetivo (Hwang & Masud, 1979)
minimizarx (f1(x); f2(x); f3(x))
s.a g1(x)  5000

g2(x)  12:5
g3(x) = 2500
g4(x) = 63
xxx

 Custo

f1(x) = 0:225x1 +2:2x2 +0:8x3 +0:1x4 +0:05x5 +0:26x6

 Colesterol

f2(x) = 10x1 + 20x2 + 120x3

 Carboidrato

f3(x) = 24x1 + 27x2 + 15x4 + 1:1x5 + 52x6

 Vitamina A

g1(x) = 720x1 + 107x2 + 7080x3 + 134x5 + 1000x6

 Ferro

g2(x) = 0:2x1 +10:1x2 +13:2x3 +0:75x4 +0:15x5 +1:2x6

 Calorias

g3(x) = 344x1 + 460x2 + 1040x3 + 75x4 + 17:4x5 + 240x6

 Proteinas

g4(x) = 18x1 + 151x2 + 78x3 + 2:5x4 + 0:2x5 + 4x6

 x1 = leite (pints); x2 = carne (libras); x3 = ovos (duzias); x4 =

p~ao (oncas); x5 = legumes (oncas); x6 = suco de laranja (pints)

 x = 0; x = (6; 1; 0:25; 10; 10; 4)

PAVF c 1999

144

Metodo de Georion, Dyer e Feinberg

Soluc~ao pelo metodo GDF
1: Ponto inicial factvel

x0 = (3; 0:5; 0:15; 5; 5; 3); f (x0) = (3:43; 58; 322)

2: Calculo da direc~ao de busca

minimizar2

3
X
i0rfi(x0)T 

i=1

Denindo f1 como refer^encia, pede-se ao decisor que

indique 1; 2; 3 tais que

(3:43; 58; 322)  (3:43 + 1; 58 2; 322)

(3:43; 58; 322)  (3:43 + 1; 58; 322 3)
Assumindo 1 = 0:5; 2 = 20;  = 30,

10 = 1; 20 = 1 = 0:025; 30 = 1 = 0:017

2

A soluc~ao do problema linear fornece

d0 = (2:12; 0:16; 0:1; 5:0; 5:0; 3:0)

PAVF c 1999

145

Metodo de Georion, Dyer e Feinberg

3: Determinac~ao do passo otimo

Pede-se ao decisor que analise a tabela abaixo e escolha

o melhor passo


f1(x0 + d0)
f2(x0 + d0)
f3(x0 + d0)

0.0
3.43
58.0
322.0

0.2
3.40
65.3
287.9

0.4
3.34
72.6
253.9

0.6
3.35
79.8
219.8

0.8
3.33
87.1
185.8

1.0
3.31
94.4
151.8

Assuma que 0 = 0:6

4: Atualizac~ao

Obtem-se

x1 = x0 + 0d0 = (4:27; 0:60; 0:21; 2:0; 8:0; 1:2)

f (x1) = (3:35; 79:8; 219:8)

 O algoritmo GDF evolui de maneira similar ate que algum

criterio de converg^encia seja satisfeito

 Diculdades: estimativas de taxas de substituic~ao, tama-

nhos de passo, ...

 Vantagens: simplicidade e fortes propriedades de con-

verg^encia derivadas do metodo de Frank-Wolfe

PAVF c 1999

146

Programac~ao por metas interativa

Formulac~ao n~ao-interativa
minlexx;d+;d f1(d+; d ); 2(d+; d ); : : : ; k (d+; d )g
s.a fi(x) d+i + di = ti; i = 1; 2; : : :; m

d+i  0; di  0; d+i
di = 0; i = 1; 2; : : :; m
x2

Vers~ao interativa

 Prefer^encias n~ao-decrescentes em relac~ao a cada ob-

jetivo
 Minimizac~ao de di n~ao faz sentido se se deseja minimizar fi
 A minimizac~ao lexicograca e substituda por
minimizarx;d+ ;d

m
X
i=1

wid+i

s.a fi(x) d+i + di = ti; i = 1; 2; : : :; m

d+i  0; di  0; d+i
di = 0; i = 1; 2; : : : ; m
x2

onde wi  0 e a ponderac~ao de cada desvio i

PAVF c 1999

147

Programac~ao por metas interativa

Observac~oes

 Formulac~ao unilateral (one-sided) de programac~ao por

metas (apenas um tipo de desvio e considerado)

 Note que

d+i = fi(x) + di

ti

e o objetivo assume a forma equivalente

minimizar

m
X
i=1

wi(fi(x) + di )

que e equivalente a
minimizar u(f (x))
no sentido de que u e aditiva e linear, e que @u=@fi =
0 se fi  ti

 Metodo GDF, com o calculo da direc~ao representado

pelo problema de programac~ao por metas com ponderaco~es

PAVF c 1999

148

Programac~ao por metas interativa

Exemplo - Dieta multiobjetivo
1: Ponto inicial factvel

x0 = (3; 0:5; 0:15; 5; 5; 3); f (x0) = (3:43; 58; 322)

2: Calculo das ponderaco~es

As ponderaco~es representam as taxas de substituic~ao do

decisor. Assumindo 1 = 0:5; 2 = 20;  = 30,

w10 = 1; w20 = 1 = 0:025; w30 = 1 = 0:017

2

2: Problema de programac~ao por metas

minimizarx;d+ ;d 1d+1 + 0:025d+2 + 0:017d+3

s.a f1(x) d+1 + d1 = 2:2

f2(x) d+2 + d2 = 17
f3(x) d+3 + d3 = 150
d+i  0; di  0; d+i
di = 0; i = 1; 2; : : : ; m
x2

 Soluc~ao:

d+ = (1:11; 77:44; 1:77) e x = (5:12; 0:66; 0:25; 0; 10; 0),

igual a  0 obtida pelo metodo GDF

PAVF c 1999

149

Programac~ao por metas interativa

Justicativa
No caso de objetivos lineares,
m
X
i=1

wi(fi(x) + di ) =

m
X
i=1

wi(rfi(x0)T x + di )

com x fazendo o papel de  . Como sempre d+i > 0; 8 i

(metas menores que valores utopicos), tem-se di = 0; 8 i
e o objetivo e o mesmo do metodo GDF
2

 A direc~ao de busca e portanto

d0 =  0 x0 = (2:12; 0:16; 0:1; 5; 5; 3)
e todos os demais passos s~ao iguais aos do metodo GDF

PAVF c 1999

150

Metodo STEM
Caractersticas

 Dirigido para problemas multiobjetivos lineares

 Requer informaco~es locais na forma de trade-os im-

plcitos
 Trabalha no sentido de obter soluco~es satisfatorias

Formulac~ao
minimizarx2
f (x)

f (x) = (f1n(x); f2(x); : : :; fm(x))

X
fi(x) = cij xj ; i = 1; 2; : : : ; m; f (x) = Cx
j =1

:= fx 2 Rn : Ax = b; x  0g; A 2 Rpn; b 2 Rp

Valores utopicos e pessimistas

Para i = 1; 2; : : :; m, calcula-se

yi = fi(xi); xi = arg min

f (x)
x2
i
yi = 1max
ff (xj )g
j m i

PAVF c 1999

151

Metodo STEM
Ponderac~oes
O metodo baseia-se na ponderac~ao de desvios em relac~ao aos valores utopicos. Para i = 1; 2; : : :; m, calcula-se
0
i := @ yi

10

1 1=2
cij A ; se yi < 0
yi
j =1
0
10 n
1 1=2
X
y
y
i
i A @ cij A
i := @
; se yi  0

yi A @ Xn

yi

j =1

m
i ; w  0; X
wi := X
wi = 1
i
m
i
=1
i
j =1

 Se o valor de fi sobre
n~ao difere muito de yi, ent~ao

fi e pouco sensvel a ponderaco~es; uma pequena ponderac~ao wi para fi e suciente

 Quanto maior a variac~ao de fi sobre
, maior sera o
valor de wi
 O segundo termo de i normaliza os valores assumidos
pelas funco~es objetivos

 Diferentes soluco~es obtidas a partir de diferentes ponderaco~es podem ser comparadas

PAVF c 1999

152

Metodo STEM
Algoritmo STEM (STEp Method)
1: Determine y i; yi; i;
0

i = 1; 2; : : :; m; determine uma
soluc~ao inicial x 2
; faca k = 0
2: Para i = 1; 2; : : :; m, o decisor compara fi(xk ) com yi

e dene

S (xk ) := conjunto dos objetivos satisfatorios

I (xk ) := conjunto dos objetivos insatisfatorios
S (xk ) [ I (xk ) := f1; 2; : : :; mg
3: Se I (xk ) = ;, o problema foi resolvido. Caso contrario,

o decisor fornece quantidades
fik ; i 2 S (xk ) de maneira

a denir
8
>

k
>
>
>
>
<

k+1 := > fi(x)  fi(xk ) +
fik ; i 2 S (xk )

>
>
>
>
: fi(x)  fi(xk ); 8 i 2 I (xk )

= 0; i 2 S (xk ), calcule wi; i = 1; 2; : : : ; m,

resolva o problema abaixo, faca k := k + 1 e volte para 2

4: Faca i

minimizarx; 
s.a   wi(fi(x) yi); i = 1; 2; : : : ; m

x 2
k+1;  2 R

PAVF c 1999

153

Metodo STEM
Observac~oes

 O passo 2 involve apenas comparaco~es ordinais entre

fi(xk ) e yi; i = 1; 2; : : :; m

 No passo 3, o decisor deve relaxar um ou mais ob-

jetivos satisfatorios para tentar melhorar um ou mais

objetivos insatisfatorios
 A informac~ao cardinal
fik e a quantidade maxima de
relaxac~ao para i 2 S (xk )
 No passo 4 minimiza-se o maximo desvio ponderado
entre fi(x) e yi sobre
k+1
 Note que wi = 0 (pois i = 0) para todos os objetivos satisfatorios relaxados, permitindo a melhoria dos
insatisfatorios

Exemplo

minimizarx2
f (x)

f (x) = (f1(x); f2(x))

f1(x) = 0:4x1 0:3x2; f2(x) = x1

:= fx : x1 + x2  400; 2x1 + x2  500; x1; x2  0g

 Soluco~es utopicas e pessimistas

y1 = 130; y2 = 250
y1 = 100; y2 = 100

PAVF c 1999

154

Metodo STEM
Exemplo (cont.)

 Ponderaco~es
( 100) ( 0:4)2 + ( 0:3)2 
1 = 130 130
= 0:46
( 100) (1)2 + (0)2 
2 = 250 250
= 0:60

1=2

 Obtem-se inicialmente w1 = 0:43; w2 = 0:56

 Em seguida, resolve-se o problema (
0 =
)
minimizarx; 
s.a   0:43(f1(x) + 130)

  0:56(f2(x) + 250)
x 2
0;  2 R

1=2

PAVF c 1999

155

Metodo STEM
Exemplo (cont.)

 Obtem-se x0 = (230; 40); f (x0) = ( 104; 230)

 Suponha que ao comparar ( 104; 230) com ( 130; 250)
o decisor dena S (x0) = f2g; I (x0) = f1g e
f20 = 30
 A nova regi~ao factvel e
8
>

0
>
>
>
>
<

1 := > f2(x)  200

>
>
>
: f1(x)  104

 Faz-se w1 = 1; w2 = 0 e resolve-se
minimizarx; 
s.a   (f1(x) + 130)

x 2
1;  2 R

 Obtem-se x1 = (200; 100); f (x1) = ( 110; 200);

repete-se o processo ate que I (xk ) = ; para algum k