PAVF

c 1999

Metodos com indicac~ao a-priori

 Classicac~ao dos metodos a-priori

 Metodos com informaco~es cardinais
{ Metodos baseados em funco~es utilidades
{ Metodos baseados em limitantes
 Metodos com informaco~es cardinais/ordinais
{ Metodos lexicogracos
{ Programac~ao por metas

105

PAVF c 1999

106

Classicac~ao dos metodos a-priori

Caractersticas

 Informaco~es sobre prefer^encias s~ao passadas ao analis-

ta antes (a-priori) da soluc~ao de problema

 O decisor fornece as informaco~es durante ou apos a
modelagem matematica do problema
 O decisor aceita a soluc~ao encontrada pelo analista

Tipos de informac~oes

 Cardinal :
As prefer^encias do decisor s~ao baseadas em informaco~es
numericas:
 Trade-o implcito :
O decisor indica nveis (valores) desejaveis para os
objetivos
 Trade-o explcito :
O decisor indica relaco~es (trade-os) desejaveis
entre os objetivos

 Ordinal e/ou cardinal :

As prefer^encias do decisor s~ao baseadas em informaco~es
de ordem (prioridade), podendo estarem combinadas
com informaco~es cardinais

PAVF c 1999

107

Metodos baseados em func~oes utilidades

Estruturac~ao de prefer^encias
Sejam y1; y2 2 Rm. Ent~ao y1 e y2 s~ao comparaveis
pelo decisor se e somente se apenas uma das sentencas e
verdadeira:
a) y1  y2: o decisor e indiferente entre y1 e y2
b) y1  y2: o decisor e prefere y1 a y2
c) y1  y2: o decisor e prefere y2 a y1

 pode-se estruturar prefer^encias do decisor atraves de

curvas de indifer^enca ou isoprefer^encia

 a soluc~ao do problema pode ser caracterizada como:
determinar y 2 Y tal que

y  y; 8 y 2 Y
y2
y1

y y y
2

PSfrag replacements

y
y1

y3
y2

y1

curvas de indifer^enca

PAVF c 1999

108

Metodos baseados em func~oes utilidades

Denic~ao - Func~ao utilidade
Uma func~ao u, que associa um real u(y) a cada y 2 Rm,
e chamada de func~ao utilidade se

a) y1  y2 , u(y1) = u(y2)
b) y1  y2 , u(y1)  u(y2)

 as curvas de indifer^enca do decisor podem ser vistas

como curvas de nvel da sua func~ao utilidade

 existem tecnicas apropriadas para levantar u a partir
de informaco~es numericas (cardinais)
 hipotese simplicadoras facilitam a obtenc~ao de u's

Denic~ao - Independ^encia prefer^encial

u e preferencialmente independente se o grau de utilida-

de de um objetivo independe dos valores assumidos pelos

demais

 Viabiliza formas especiais para u

m

{ Aditiva: u(y) = X ui(yi)

i=1

{ Linear: u(y) = X wiyi, wi  0; i = 1; 2; : : :; m

i=1

PAVF c 1999

109

Metodos baseados em func~oes utilidades

Crtica a u's lineares
y2

y22

PSfrag replacements

y21

y12

y11

y1

Suponha que iguais ponderaco~es (w1 = w2) tenham sido

atribudas aos objetivos

 Se o espaco dos objetivos assume a forma Y1, o ponto

y1 = (y11; y21) re ete o julgamento a-priori do decisor

 Se o espaco dos objetivos assume a forma Y2, o ponto

y2 = (y12; y22) n~ao re ete o julgamento a-priori

 Ponderaco~es n~ao re etem import^ancia no sentido proporcional

PAVF c 1999

110

Metodos baseados em func~oes utilidades

Vantagens

 Quando e possvel obter u, o problema se reduz a resolver

minimizarx2
u(f (x))

 Mesmo quando n~ao e possvel obter u explicitamente,

mas o problema e convexo, obter

x = arg min
u(f (x))
x2

e equivalente a determinar w 2 W tal que

 ; f (x) >
x = arg min
<
w
x2

 Muitos metodos exploram esta propriedade, adaptan-

do interativamente os valores dos wi's; no caso da

situac~ao 'Y2', um procedimento seria
'aumentar w2; diminuir w1'

PAVF c 1999

111

Metodos baseados em func~oes utilidades

Propriedades globais de u
Algumas propriedades globais s~ao uteis na determinac~ao
de u:

 N~ao-decrescimento: para quaiquer y1; y2 tais que y1 

y2, obtem-se u(y1)  u(y2);
 Diferenciabilidade: u e diferenciavel; se u e n~ao-decrescente
e diferenciavel, ent~ao du=dy  0
 Convexidade: u e convexa
 Se u e diferenciavel sobre
, ent~ao existe
" df #T du

rxu(f (x)) = dx df

e a unica quantidade desconhecida e du=df

 Se x0 2
n~ao e a soluc~ao do problema (rxu(f (x0)) 6=

0) e u e n~ao-decrescente e diferenciavel, ent~ao para pelo

menos um k

@u > 0
@fk0

PAVF c 1999

112

Metodos baseados em func~oes utilidades

Plano tangente
O plano tangente a uma curva de indifer^enca num ponto
PSfrag replacements
y = y0 e

M(y0) := fz

" du #T

: dy0 z = 0g

y2
y20
y2

du
dy0
y0
y

M(y0)
u cte
y1
y10 y1

 Da equac~ao do plano tangente,

" du #T

dy0

" du #T

@u (y y0) = 0
z = dy0 (y y0) = @y
i
0 i
i=1 i
m
X

 Dividindo pela quantidade de refer^encia @u=@y10 > 0,

01 + 20
02 +


+ m0
0m = 0
@u=@yi0

0i := yi yi0; i0 := @u=@y
0
1

PAVF c 1999

113

Metodos baseados em func~oes utilidades

 Se o decisor e indiferente as variaco~es
01 e
0i nos ob-

jetivos i e 1, mantidos os demais constantes

0
1 ; i = 2; 3; : : : ; m
i0 =


0i

 i0; i = 2; 3; : : :; m s~ao as taxas marginais de substituic~ao

do decisor no ponto y = y0

 A partir de i0; i = 2; 3; : : :; m, a direc~ao do gradiente

de u em y = y0 e aproximada por

du = @u
dy0 @y10

2
66
= 6666
4

3
77
7
... 777
5

1
20

m0

 Obtenc~ao dos i0's: num ponto y = y0, xa-se 10 > 0

como refer^encia; para cada i, o decisor informa i0 > 0 tal

que

(y10; : : :; yi0; : : : ; ym0 )  (y10 10; : : : ; yi0 + i0; : : : ; ym0 )

mantidos os demais objetivos constantes. Calcula-se ent~ao

i0 = 10=i0; i = 2; 3; : : :; m

PAVF c 1999

114

Metodos baseados em func~oes utilidades

 Teoricamente e possvel obter x e   0 satisfazendo

as KTC do problema de minimizac~ao de u sobre

:
" df #T du

dx df

p
X


 + j gj (x ) = 0
i=1

gj (x)  0; j gj (x) = 0; j = 1; 2; : : :; p

 Alguns metodos (interativos, Cap. 5) seguem esta linha

Teorema
Sejam f1; f2; : : : ; fm funco~es convexas sobre
convexo
e u uma func~ao convexa n~ao-decrescente sobre um conjunto convexo C  Y . Ent~ao u e convexa sobre

Prova: Para quaisquer x1; x2 2

e qualquer  2 [0; 1],

u[f (x1 + (1 )x2)]  u[f (x1) + (1 )f (x2)]

 u[f (x1)] + (1 )u[f (x2)]

A primeira desigualdade deriva da convexidade das f 's e
do n~ao-decrescimento de u. A segunda, da convexidade de
u sobre C
2

PAVF c 1999

115

Metodos baseados em func~oes utilidades

Exemplo: Seja u(f (x)) := 1max
ff (x)g
im i
u

f1

f2

PSfrag replacements

e (
)

Teorema
Seja u uma func~ao n~ao-decrescente sobre Y . Ent~ao pelo
menos uma soluc~ao de

Pu : minimizarx2
u(f (x))
e eciente.
Prova: Suponha x uma soluc~ao otima do Pu e x0 uma
soluc~ao otima do problema auxiliar
minimizarx2

m
X

i=1

fi(x)

s.a fj (x)  fj (x); j = 1; 2; : : : ; m

PAVF c 1999

116

Metodos baseados em limitantes

Prova (cont): Ent~ao x0 2 e (
) pois, caso contrario, a
otimalidade de x0 seria falseada. Como f (x0)  f (x), a
soluc~ao factvel x0 tambem resolve Pu pois

u(f (x0))  u(f (x))

dado que u e n~ao-decrescente

Metodos baseados em limitantes

 requerem que o decisor, 1) selecione um objetivo de

refer^encia i, e 2) forneca nveis f j 's e f j 's aceitaveis

para os objetivos restantes. Em seguida resolve-se
minimizarx2
fi(x)
s.a f j  fj (x)  f j ; 8 j 6= i

 desvantagens: especicar a-priori f j 's e f j 's que, 1)

tornem o problema factvel, e 2) tornem uma soluc~ao

do problema satisfatoria para o decisor

 normalmente usados em conjunto com outros metodos

multiobjetivos

PAVF c 1999

117

Metodos lexicogracos

Fomulac~ao classica

 Assumem que o decisor possui uma hierarquia para

os objetivos: os objetivos podem ser priorizados numa

lista ordenada, por exemplo, P := ff1; f2; : : : ; fmg
 Minimiza-se a primeira func~ao da lista P sujeito a

1 :=
:
minimizarx2
1 f1(x)

 Seja
2 := fx : f1(x) = min
f (x)g. Para i =
x2
1
2; 3; : : :; m resolve-se sequencialmente
minimizarx2
fi(x)
i

 Este tipo de minimizac~ao e representada como

minlexx2
P
onde 'minlex' signica 'minimizac~ao lexicograca' da
lista P

 Apenas informac~ao ordinal e utilizada

 A soluc~ao nal e muito sensvel a ordenac~ao

PAVF c 1999

118

Metodos lexicogracos

Exemplo:
f1

f2

PSfrag replacements

x1

x2 x3

 Na situac~ao da gura, se P := ff1; f2g, ent~ao

1 =
fx : x1  x  x2g,
2 = fx2g e x = x2
 Se P := ff2; f1g, ent~ao
1 =
2 = fx3g e x = x3
Variante do metodo lexicograco
A i-esima minimizac~ao na lista P e denida como
minimizarx2
fi(x)
s.a fj (x)  (1 + j )fj; j = 1; 2; : : :; i 1
onde os fj's s~ao os valores otimos ate ordem i 1 e os
j 's (j  0; 8 j ) s~ao toler^ancias em relac~ao aos fj's

PAVF c 1999

119

Metodos lexicogracos

PSfrag replacements

Exemplo:

f1

f2

(1 + )f1
f1

x1

x2 x4 x3

 Se P := ff1; f2g, ent~ao a variante do metodo lexicograco fornece x = x4, que do ponto de vista de f2
e melhor que x2

Observac~oes

 A racionalidade do metodo lexicograco baseia-se no

fato de que os individuos tendem a priorizar decis~oes

 A soluc~ao pelo metodo lexicograco e sensvel a ordenac~ao
 A aplicac~ao do metodo quando dois ou mais objetivos
possuem aproximadamente a mesma prioridade pode
levar a soluco~es insatisfatorias
 A variante do metodo lexicograco busca reduzir sensibilidade a ordenac~ao

PAVF c 1999

120

Programac~ao por metas

Caractersticas

 Utilizac~ao coordenada de informaco~es ordinais e car-

dinais (metas)
 O decisor fornece metas para os objetivos e prioriza
minimizaco~es de desvios em relac~ao as metas
 Soluco~es ecientes para problemas multiobjetivos lineares atraves de metodos do tipo simplex

Formulac~ao classica
0m
11=p
X
minimizarx;d+;d @ (d+i + di )pA ; p  1
i=1

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

ti

: meta (goal, target) para o objetivo i estipulada

pelo decisor
d+i > 0 : indica que o objetivo i cou acima de ti na quantidade d+i
di > 0 : indica que o objetivo i cou abaixo de ti na quantidade di

PAVF c 1999

121

Programac~ao por metas

Interpretac~ao
d+i
ti

fi
+ = d = 0)
f
(
d
i
i
i
PSfrag replacements
di

fi

 Na formulac~ao classica, minimiza-se alguma (p) dist^ancia

de d+ + d a origem
 Assume que os desvios em relac~ao as metas s~ao igualmente importantes
 Se o decisor for capaz de priorizar desvios, obtem-se a
formulac~ao alternativa

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

onde 1; 2; : : :; k s~ao funco~es dos desvios d+; d

PAVF c 1999

122

Programac~ao por metas

Problemas lineares

 Assuma que f1; f2; : : : ; fm s~ao funco~es lineares sobre o

poliedro

:= fx 2 Rn : Ax = b; x  0g

onde A 2 Rpn e b 2 Rp s~ao matrizes dadas. Note que

2
66 f1(x)
f (x)
f (x) = 6666 2 ...
4

fm(x)

3
77
77
77 = Cx; C 2 Rmn
5

e cada linha de C representa um objetivo

 Assuma que 1; 2; : : : ; m s~ao funco~es lineares de d+; d .

O modelo linear de programac~ao por metas seria

minlexx;d+;d f1(d+; d ); 2(d+; d ); : : : ; k (d+; d )g

s.a

n
X
j =1
n
X
j =1

aij xj i+ + i = bi; i = 1; 2; : : :; p

cij xj d+i + di = ti; i = 1; 2; : : :; m

i+  0; i  0; i+
i = 0; i = 1; 2; : : :; p
d+i  0; di  0; d+i
di = 0; i = 1; 2; : : :; m
x0

PAVF c 1999

123

Programac~ao por metas

 Objetivos e restrico~es s~ao tratadas atraves do mesmo

formalismo
 A minimizac~ao dos desvios +;  e sempre prioritaria
em relac~ao aos demais

Exemplo
Considere o problema
maximizarx f (x) = 0:4x1 + 0:3x2
s.a g1(x) = x1 + x2  400

g2(x) = 2x1 + x2  500

x1  0; x2  0

Modelo de programac~ao por metas

minlex f(1+ + 2+); d1 g

1+ = 400
2x1 + x2 + 2 2+ = 500
0:4x1 + 0:3x2 + d1 d+1 = 240
i+  0; i  0; i+
i = 0; i = 1; 2
d+1  0; d1  0; d+1
d1 = 0
x1  0; x2  0

s.a x1 + x2 + 1

PAVF c 1999

124

Programac~ao por metas

PSfrag replacements

x2
800

d1 = 110
d+1

500

d1

400

2
0

2+
1

250

1+
400

600

x1

 A minimizac~ao de 1 := 1+ + 2+ fornece a regi~ao onde

1+ = 2+ = 0 e 1 = 0. Em seguida, resolve-se
minimizar d1
s.a x1 + x2 + 1

1+ = 400
2x1 + x2 + 2 2+ = 500
0:4x1 + 0:3x2 + d1 d+1 = 240
i+  0; i  0; i+
i = 0; i = 1; 2
d+1  0; d1  0; d+1
d1 = 0
x1  0; x2  0
1(1+; 2+) = 1

PAVF c 1999

125

Programac~ao por metas

Exemplo (cont.)
 A soluc~ao e encontrada no ponto P= (100; 300), onde
1+ = 2+ = 0 garante 1 = 1 = 0, e 2 = d1 = 110

 Considere o problema alternativo

minlex f(1+ + 2+); d2 ; d1 g

+
PSfrag
1 = 400replacements
2x1 + x2 + 2 2+ = 500
0:4x1 + 0:3x2 + d1 d+1 = 240
x1 + d+2 d2 = 300

s.a x1 + x2 + 1

x2
800

d1 = 140

500

d+2

d2
d+1

d2 = 50

d1

400

2
0

2+
1

1+

250 300 400

600

x1

 Soluc~ao: x1 = 250; x2 = 0; 1+ = 2+ = 0; d1 =

140; d2 = 50

PAVF c 1999

126

Programac~ao por metas

Propriedades

Factibilidade: restrico~es s~ao tratadas como metas prioritarias, podendo ou n~ao ser atendidas; os modelos de
programac~ao por metas s~ao sempre factveis

Implementabilidade: sempre que um desvio associado

a uma meta prioritaria for positivo, a soluc~ao obtida
n~ao e implementavel

Soluc~oes limitadas: a soluc~ao de um problema de programac~ao por metas e sempre limitada

Implementac~ao atraves do metodo Simplex

 minimiza-se 1 atraves do Simplex; eventualmente ocor-

rem soluco~es multiplas

 as multiplas soluco~es de 1 est~ao expressas no tableau
otimo obtido
 os custos relativos de 2 s~ao representados na base
otima obtida
 minimiza-se 2 de forma a n~ao degradar o valor otimo
de 1
 minimiza-se cada func~ao de forma a n~ao degradar os
valores obtidos nos passos anteriores ate que a lista de
desvios se esgote

PAVF c 1999

127

Programac~ao por metas

 Seja d := (d+; d ); d 2 Rq e
3
2
A
D
1
5 ; S 2 Rrv
S := 4

C D2

onde D1 2 Rpq e D2 2 Rmq s~ao matrizes de 0's, 1's e

-1's relativas aos desvios; r := p + m, v := n + q. O vetor
global de metas e
2 3
g := 4 b 5 ; t 2 Rr

 Assuma que o modelo linear de programac~ao por metas

possui a seguinte forma can^onica:

x1


xp xp+1


xn d1


dq
1


0 s1;p+1


s1;n s1;n+1


s1;v g1
...
0
0
...
0

. . . ...



1



0
. . . ...



0

...

...

...

...

...

...

...

...

...

...

...

...

...

...

sr;p+1


sr;n sr;n+1


sr;v gr

h 1;p+1


h 1;n h 1;n+1


h 1;v z1
h k;p+1


h k;n h k;n+1


h k;v

zk

 Cada variavel possui associada uma coluna de custos relativos (coluna nula se a variavel e basica)

PAVF c 1999

128

Programac~ao por metas

 Relativamente a base correspondente,

sij : representac~ao de sij (S := fsij g)
gi : representac~ao de gi (goal)
h ij : custo relativo de i, variavel j
zi : valor de i

 O seguinte algoritmo e utilizado para obter o mnimo

lexicograco de f1; 2; : : : ; k g:

1: Encontre uma soluc~ao basica factvel inicial; obtenha

2:
3:
4:
5:

os custos relativos de 1; 2; : : : ; k ; faca l = 1

Se os custos de l forem n~ao-negativos, va para o passo
5. Sen~ao, va para o passo 3
Se nas colunas de custos relativos, todos os custos
negativos de l forem precedidos por pelo menos um
custo positivo de i; i = 1; 2; : : :; l 1, va para o
passo 5. Caso contrario, va para o passo 4
Escolha uma variavel com custo negativo para entrar
na base; faca a atualizac~ao da base; repita o processo
enquanto houver custos negativos n~ao precedidos por
custos positivos; va para o passo 5
O valor de l n~ao pode continuar a ser reduzido: faca
l = l + 1. Se l > k pare; sen~ao, volte ao passo 2

PAVF c 1999

129

Programac~ao por metas

Exemplo

minlex f(1+ + 2+); d2 ; d1 g

s.a x1 + x2 + 1 1+ = 400

2x1 + x2 + 2 2+ = 500

0:4x1 + 0:3x2 + d1 d+1 = 240
x1 + d+2 d2 = 300

 1 e minimizada na base inicial

x1 x2 1+ 2+ d+1 d+2 1 2 d1 d2

1 1 -1 0 0 0
2 1 0 -1 0 0
0.4 0.3 0 0 -1 0
1 0 0 0 0 -1
0 0 1 1 0 0
0 0 0 0 0 0
0 0 0 0 0 0

1
0
0
0
0
0
0

0
1
0
0
0
0
0

0
0
1
0
0
0
1

0
0
0
1
0
1
0

400
500
240
300
0
0
0

 representac~ao de 2; 3 na base otima de 1

x1

x2 1+ 2+ d+1 d+2 1 2 d1 d2

1 1 -1 0 0 0
2
1 0 -1 0 0
0.4 0.3 0 0 -1 0
1 0 0 0 0 -1
0 0 1 1 0 0
-1 0 0 0 0 1
-0.4 -0.3 0 0 1 0

1
0
0
0
0
0
0

0
1
0
0
0
0
0

0
0
1
0
0
0
0

0
0
0
1
0
0
0

400
500
240
300
0
-300
-240

PAVF c 1999

130

Programac~ao por metas

Exemplo (cont.)

 Soluc~ao basica inicial, otima para 1:

1 = 400; 2 = 500; d1 = 240; d2 = 300

1+ = 2+ = d+1 = d+2 = 0 (1 = d+1 + d+2 = 0)
x1 = x2 = 0

 Na base corrente, 2 possui um custo relativo negativo;

se x1 entrar na base, melhora o valor de 2; a variavel 2
deve deixar a base

 A mudanca de base n~ao altera o valor otimo de 1

x1

0
1
0
0
0
0
0

x2 1+ 2+ d+1 d+2 1

0.5 -1 0.5 0 0
0.5 0 -0.5 0 0
0.1 0 0.2 -1 0
-0.5 0 0.5 0 -1
0 1 1 0 0
0.5 0 -0.5 0 1
-0.1 0 0 1 0

1
0
0
0
0
0
0

2 d1 d2

-0.5
0.5
-0.2
-0.5
0
0.5
0.2

0
0
1
0
0
0
0

0
0
0
1
0
0
0

150
250
140
50
0
-50
-140

 N~ao e possvel melhorar 2 sem degradar 1; n~ao e

possvel melhorar 3 sem degradar 2; a base corrente e

o mnimo lexicograco:

1 = 150; 2 = 0; d1 = 140; d2 = 50
1+ = 2+ = d+1 = d+2 = 0
x1 = 250; x2 = 0

PAVF c 1999

131

Programac~ao por metas

Exemplo - Zeleny (1982)
minlex fd1 ; (d+2 + d2 ); d3 g

s.a 4x1 + 3:2x2 d+1 + d1 = 12

x1 1:5x2 d+2 + d2 = 0
2x1 + 4x2 + d3 = 12
3x1 + 3x2 + d4 = 12

 Tableau inicial
x1

x2 d+1 d+2 d1 d2 d3 d4

4 3.2 -1 0
1 -1.5 0 -1
2 4 0 0
3 3 0 0
0 0 0 0
0 0 0 1
0 0 0 0

1
0
0
0
1
0
0

0
1
0
0
0
1
0

0
0
1
0
0
0
1

0 12
0 0
0 12
1 12
0 0
0 0
0 0

 Forma can^onica
x1

4
1
2
3
-4
-1
-2

x2 d+1 d+2 d1 d2 d3 d4

3.2 -1 0
-1.5 0 -1
4 0 0
3 0 0
-3.2 1 0
1.5 0 2
-4 0 0

1
0
0
0
0
0
0

0
1
0
0
0
0
0

0
0
1
0
0
0
0

0
0
0
1
0
0
0

12
0
12
12
-12
0
-12

PAVF c 1999

132

Programac~ao por metas

Exemplo (cont.)

 A func~ao 1 n~ao atingiu o valor otimo

 Escolhe-se x1 para entrar na base; d2 deixa a base; apos

pivoteamento, obtem-se o novo tableau

x1

0
1
0
0
0
0
0

x2 d+1 d+2 d1 d2 d3 d4

9.2 -1 4
-1.5 0 -1
7 0 2
7.5 0 3
-9.2 1 -4
0 0 1
-7 0 -2

1 -4
0 1
0 -2
0 -3
0 4
0 1
0 2

0
0
1
0
0
0
0

0
0
0
1
0
0
0

12
0
12
12
-12
0
-12

 1 ainda pode ser melhorada; x2 entra e d1 sai da base

x1 x2
0
1
0
0
0
0
0

1
0
0
0
0
0
0

d+1

d+2

d1

d2 d3 d4

-0.11 0.43 0.11 -0.42

-0.16 -0.35 0.16 0.35
0.77
-1 -0.77
1
0.82 0.22 -0.82 0.22
0
0
1
0
0
1
0
1
-0.77
1 0.77
-1

0
0
1
0
0
0
0

0
0
0
1
0
0
0

1.3
1.9
2.9
2.2
0
0
-2.9

 1 e 2 atingem seus valores otimos; 3 pode ser melhorada com d+1 na base (sai d4 )

PAVF c 1999

133

Programac~ao por metas

Exemplo (cont.)

 Tableau nal
x1 x2 d+1 d+2 d1
0
1
0
0
0
0
0

1
0
0
0
0
0
0

0
0
0
1
0
0
0

d2 d3

0.4 0 -0.4
-0.4 0 0.4
-0.8 0 0.8
-0.3 -1 0.3
0 1 0
1 0 1
0.8 0 -0.8

0
0
1
0
0
0
0

d4

0.1
0.2
-0.9
1.2
0
0
0.9

1.6
2.4
0.8
2.7
0
0
-0.8

 N~ao e possvel melhorar 3 sem degradar 2; a base

corrente e o mnimo lexicograco do problema

x1 = 2:4; x2 = 1:6; d+1 = 2:7; d3 = 0:8

d+2 = d1 = d2 = d4 = 0
1 = d1 = 0; 2 = d+2 + d2 = 0; 2 = d3 = 0:8

Eci^encia

 Soluco~es de problemas de programac~ao por metas n~ao

s~ao necessariamente ecientes
 Soluco~es ecientes s~ao geralmente obtidas quando as
metas n~ao s~ao atingidas

PAVF c 1999

134

Programac~ao por metas

Variante
Um metodo popular baseado nos mesmos princpios e
conhecido como metodo da realizac~ao das metas

Formulac~ao do problema

minimizar 
s.a fi(x) wi  ti; i = 1; 2; : : :; m

x 2
;  2 R

ti
: meta para o objetivo i
wi  0 : ponderac~ao para o desvio do objetivo i; assumese w 2 W

 Interpretac~ao

PSfrag replacements

y2

t + w
f2

Y
w

t2
0

t
t1

f1

y1

PAVF c 1999

135

Programac~ao por metas

Propriedades

 A variac~ao de w sobre W pode dar origem a e (

),
mesmo que o problema n~ao seja convexo

 Quanto menor wi, maior a import^ancia atribuda a

meta ti

 O problema pode ser reformulado como (w > 0)

minimizar 
s.a   (1=wi)(fi(x) ti); i = 1; 2; ::; m

x 2
;  2 R

ou ainda
minimizarx2
max
fi(fi(x) ti)g
i
onde i := 1=wi

 Minimiza-se a norma innito ponderada entre o ponto

t = (t1; t2; : : : ; tm) e o conjunto de soluco~es factveis

 O resultado e uma soluc~ao eciente (em geral) que

re ete os valores relativos entre w1; w2; : : : ; wm