Escolar Documentos
Profissional Documentos
Cultura Documentos
Introducción MPC
(1/57)
Índice
Motivación. Conceptos básicos.
Motivación
En multitud de situaciones reales en las que se debe tomar una decisión
aparecen varios criterios de selección y suelen entrar en conflicto.
Con estos criterios el objetivo serı́a elegir el dispositivo con menor precio,
mayores prestaciones y mejor diseño.
Se observa que no existe una solución que sea mejor en todos los aspectos.
A, B y C son óptimas según uno de los criterios. Se podrı́a considerar
que la solución a un problema multiobjetivo es un conjunto de soluciones.
Obviamente A, B y C formarı́an parte de ese conjunto.
Pero quien tiene que tomar la decisión debe elegir una única solución.
¿Qué hacer con ese conjunto de soluciones del problema multiobjetivo?
Motivación
(4/57)
¿A, B, C, o D? ...
Para elegir una única solución del conjunto de soluciones se deben incor-
porar algún tipo de preferencia.
Conceptos básicos
Definición 1
Problema multiobjetivo (MOP):
En general, un MOP minimiza* un vector de funciones objetivo (criterios)
mı́n J(θ).
θ∈D
* Por simplicidad, todas las funciones Ji (θ) son convertidas a la forma de minimización
teniendo en cuenta que máx(Ji(θ)) = − mı́n(−Ji(θ)).
Conceptos básicos
(10/57)
Definición 2
Dominancia (dominancia de Pareto):
Dado dos vectores θ 1, θ 2 en el espacio de soluciones, cuyos vectores en
el espacio de las funciones de objetivo son J(θ 1) y J(θ 2) respectivamente,
se dirá que θ 1 domina a θ 2 (denotado como θ 1 θ 2) si y sólo si J(θ 1) es
parcialmente menor que J(θ 2).
Definición 3
Óptimo de Pareto:
Una solución θ ∗ es óptima de Pareto respecto de D, si y sólo si
@ θ ∈ D : θ θ ∗.
Conceptos básicos
(12/57)
Definición 4
Conjunto de óptimos de Pareto:
Dado un MOP, se define el conjunto de óptimos de Pareto como:
ΘP := {θ ∈ D| @ θ 0 ∈ D : θ 0 θ}.
Definición 5
Frente de Pareto:
Para un MOP, cuyo conjunto de óptimos de Pareto es ΘP , se define el
frente de Pareto J(ΘP ) como:
J(ΘP ) := {J(θ)| θ ∈ ΘP }.
Definición 6
Decision Maker:
Es el elemento (persona, grupo, programa, etc.) que tiene una buena per-
cepción del problema (experiencia) y que puede expresar unas preferencias
para conseguir una solución final del MOP.
2. Método de restricciones
3. Basados en métricas
4. Alcance de objetivos
Técnicas clásicas MOP
(18/57)
2. Método de restricciones
mı́n Jk (θ)
θ∈D
s.a. Ji(θ) ≤ i i ∈ [1, 2, . . . , s], i 6= k.
Técnicas clásicas MOP
(20/57)
3. Basados en métricas
4. Alcance de objetivos
Se establece un objetivo Ju ∈
Rs y un vector de pesos ω que
pondera grado de alcen del ob-
jetivo. Con estos datos se esta-
blece un nuevo problema SOP:
mı́n α
El problema inicial:
mı́n {f
n (x) : x ∈ X} o
n
X = x : x ∈ R , gi(x) = 0, i = 1..m1, hj (x) ≤ 0, j = 1..m2
Se resuelve mediante una fórmula iterativa, la forma más común es:
xk+1 = xk + αk dk
m
' $
Un conjunto de posibles soluciones
cambia en cada iteración para encon-
trar soluciones mejores.
& %
Optimizadores NL básicos
(26/57)
Codificación
Selección
Cruce
Mutación
Ejemplos de evolución
1000
500
−500
−1000 500
−500
0
0
500 −500
Optimizadores NL básicos
(32/57)
Manejo de restricciones en un GA
Funciones de penalización
De manera que:
m
J 0(θ) = J(θ) +
X
ciGi(θ)
i=1
J 0(θ) es la nueva función objetivo y ci los coeficientes (positivos) de pena-
lización de las restricciones. Gi son funciones dependientes de las propias
restricciones, generalmente su relación será la siguiente:
En este enfoque cualquier solución factible siempre será mejor que otra
que no sea factible. Bajo esta premisa, una posibilidad es convertir el
problema con restricciones en:
(
J(θ), θ ∈ soluciones factibles
J 0(θ) = Pm
J(θmax) + i=1 Gi(θ), θ ∈ soluciones NO factibles
Ejercicios
Introducción
Un algoritmo: -MOGA
1. t:=0
2. A(t):=∅
3. P(t):=ini random(D)
4. eval(P(t))
5. A(t):=guardar(P(t),A(t))
6. while t<t max do
7. G(t):=crear(P(t),A(t))
8. eval(G(t))
9. A(t+1):=guardar(G(t),A(t))
10. P(t+1):=actualizar(G(t),P(t))
11. t:=t+1
12. end while
Técnicas multiobjetivo evolutivas
(41/57)
Técnicas multiobjetivo evolutivas
(42/57)
Inclusión de preferencias
objetivo Rango
Deseable (D) Tolerable (T) Indeseable (I)
J1(θ) = ||eT ||1 [0, 1]oC ]1, 3]o C ]3, ∞[oC
J2(θ) = ||eT ||∞ [0, 5]oC ]5, 8]o C ]8, ∞[oC
J3(θ) = ||eHR||1 [0, 5] % ]5, 15] % ]15, ∞[ %
J4(θ) = ||eHR||∞ [0, 12] % ]12, 25] % ]25, ∞] %
Con esta tabla de rangos se puede asignar a cada punto del frente de
Pareto el rango de preferencias al que pertenece.
θ1 → [D, D, D, I]
θ2 → [T, T, T, T ]
θ3 → [D, I, T, T ]
Scatter diagrams
6 6
4 4
J1
2 2
(J1 units)
0 0
0 2 4 0 2 4 6
4 4
3 3
2 J2 2
1 1
(J2 units)
0 0
0 2 4 6 0 2 4 6
5 5
4 4
3 3 J3
2 2
(J3 units)
1 1
0 2 4 6 0 2 4
Sistemas de ayuda a la decisión
(49/57)
Parallel coordinates
5.5
4.5
3.5
2.5
1.5
0.5
J1 J2 J3
Sistemas de ayuda a la decisión
(50/57)
Star diagrams
1
J2
0.8
0.6
0.4
0.2
0 J1
−0.2
−0.4
−0.6
−0.8
J3
−1
−1 −0.5 0 0.5 1 1.5
Sistemas de ayuda a la decisión
(51/57)
Level diagrams
1 1 1
0 0 0
2 3 4 5 1 2 3 2 3 4
J1 (J1 units) J2 (J2 units) J3 (J3 units)
Sistemas de ayuda a la decisión
(52/57)
J1 5 5
(J1 units)
0 0
0 1 2 0 0.2 0.4
2 2
1.5 1.5
1 J2 1
0.5 0.5
(J2 units)
0 0
0 5 10 0 0.2 0.4
0.5 0.5
0.4 0.4
0.3 0.3 J3
0.2 0.2
(J3 units)
0.1 0.1
0 5 10 0 1 2
Sistemas de ayuda a la decisión
(53/57)
Parallel coordinates
0
J1 J2 J3
Sistemas de ayuda a la decisión
(54/57)
Star diagrams
1
J2
0.8
0.6
0.4
0.2
0 J1
−0.2
−0.4
−0.6
−0.8
J3
−1
−1 −0.5 0 0.5 1 1.5
Sistemas de ayuda a la decisión
(55/57)
Level diagrams
1 1 1
0 0 0
2 4 6 8 0.5 1 1.5 0.15 0.2 0.25 0.3 0.35
J1 (J1 units) J2 (J2 units) J3 (J3 units)
Aplicaciones en ingenierı́a de sistemas
(56/57)
Ejemplo de identificación
Bibliografı́a
- Miettinen, Kaisa M. (1998). Nonlinear multiobjective optimization.
Kluwer Academic Publisher
- Coello Cello, Carlos A.; Van Veldhuizen, David A. and Lamont,Gary
B. (2002). Evolutionary algorithms for solving multi-objective pro-
blems. Kluwer Academic Publisher.
- J.M. Herrero Durá (2006). Identificación robusta de sistemas no
lineales mediante algoritmos evolutivos. Tesis Doctoral - Universidad
Politécnica de Valencia.
- Coello Cello, Carlos A. and Lamont, Gary B. (2004) Applications of
multi-objective evolutionary algorithms. Advances in natural compu-
tation - vol. 1. World Scientific Putblishing.