Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
1
Módulo 3.OPTIMIZACION MULTIOBJETIVODIFUSA(Fuzzy Multiobjective Optimization)
Patricia Jaramillo A. y Ricardo Smith Q.Instituto de Sistemas y Ciencias de la DecisiónFacultad de MinasUniversidad Nacional de Colombia, Medellín, Colombia
La lógica difusa
Es básicamente una lógica que permite valores intermedios para poder definir evaluaciones convencionales como sí/no, verdadero/falso, negro/blanco, etc
La lógica difusa se inició en 1965 por Lotfi A. Zadeh, profesor de ciencia de computadoras en la Universidad de California en Berkeley.
2
En Japón la investigación sobre lógica difusa es apoyada ampliamente con un presupuesto enorme.
En Europa y USA se están realizando esfuerzos para alcanzar al tremendo éxito japonés. Por ejemplo, la NASA emplea lógica borrosa para el complejo proceso de maniobras de acoplamiento.
Conjuntos BooleanosDefinamos un subconjunto A de X con todos
números reales en el rango entre 5 y 8. A = [5,8], X ∈[0,10]
función característica: asigna un número 1 o 0 al elemento en X, dependiendo de si el elemento está en el subconjunto A o no.
3
Conjuntos difusosB = {conjunto de gente joven}B = [0,20]¿ por qué alguien es en su 20 cumpleaños
joven y al día siguiente no?
Operaciones con conjuntos difusos
Sea A un intervalo difuso entre 5 y 8, y B un número difuso en torno a 4.
Operación AND (Y) (intersección) del A y B
A AND B = Min {A,B}
4
Operación OR (O) (unión) del A y B
A OR B = Max {A,B}
Operación NEGACION (A)
A = 1 - A
Análisis multiobjetivo
Max Z(x)=(Z1(x),Z2(x)......Zq(x))
sujeto a:g1 (x) < b1
S(x) g2 (x) < b2
gk (x) < bk
5
Solución Pareto OptimaSe dice que una solución x* es Pareto
óptima si y solo si no existe otra x ∈ S, tal que Zi(x) ≥ Zi(x*) para todo i y Zj(x) ≠Zj(x*) para al menos un j
S
Z1(x)
A
B
Zmax
a d
c
Zmin
Pro
ducc
ión
eco
nóm
ica
($)
Hectáreas preservadas en estado satisfactorio
I. Problema MO con Metas difusas
Para cada función objetivo existe una función de pertenencia µi(x). Por ejemplo:
>
<<−−
<
=
1
1001
0
0
)(,1
)(,)()(,0
)(
ii
iiiii
ii
ii
i
ZxZ
ZxZZZZZxZ
ZxZ
xµ
1
0Zi1Zi0
µi(x)
La meta difusa se refiere a desear alcanzar una solución sustancialmente mayor o igual a un valor Zi
1 respecto al objetivo Zi
6
Otros Tipos de metas1. Zi(X) debe estar en la vecindad de ri (llamada
“meta difusa de igualdad”)2. Zi(X) debe ser sustancialmente mayor o igual a pi
(llamado “meta difusa máxima”)3. Zi(X) debe ser sustancialmente menor o igual a
pi (llamado “meta difusa mínima”)
0
1
Zijpi
µij
0
1
Zijpi
µij
0
1
Zijri
µij
meta difusa de igualdad meta difusa máxima meta difusa mínima
Solución Pareto Optima difusaSe dice que una solución x* es Pareto
óptima difusa si y solo si no existe otra x ∈ S, tal que µi(x) ≥ µi(x*) para todo i y µj(x) ≠ µj(x*) para al menos un j
A
B
d
c
µ 2
µ1
7
La resolución del problema multiobjetivo será:
Maximizar µD = µD(µ1(x),µ2(x),...,µq(x))
Por ser funciones difusas, esto es equivalente a:
Maximizar Mínimo(µ1(x),µ2(x),...,µq(x)}Sujeto a las restricciones originales
λMax
Sujeto a: qiZi ,...1,))(( =∀≥λµ x
x∈S
Maximizar Mínimo(µ1(x),µ2(x),...,µq(x)}
Sujeto a las restricciones originales
Equivalente a:
8
II. Programación Multiobjetivodifusa
))~,(),...,~,(),~,((Maximizar 2211 qq axZaxZaxZ
difusosparámetrosdevectoresson~,~0)~,(aSujeto
ji
j
ba
bxg ≤
Cada parámetro difuso tiene su propia función de pertenencia.por ejemplo:
0
1
aij
µij
Conjunto α-nivelEl conjunto α-nivel de los números
difusos son definidos como los conjuntos ordinarios para los cuales el grado de sus funciones de pertenencia exceden el nivel α.
0
1
aij
µij
α
α)~,~( ba
ba ~y~
9
=≥
=≥=
mjb
qiababa
jsb
ira
js
ir
,...,1,)~(
;,...,1,)~(/),()~,~(
~
~
αµ
αµα
Conjunto α-nivel
De ese conjunto infinito de posibilidades, el decisor desea encontrar los valores que maximicen la función objetivo. El problema queda ahora como
)),(),...,,(),,((Maximizar 2211 qq axZaxZaxZ
α)~,~(),(
0),(aSujeto
ji
j
baba
bxg
∈
≤
Donde (ai, bj, x) son variables de decisión
Redefinición del concepto de Optimo de Pareto α-nivel
Se dice que una solución x* es Pareto óptima α-nivel si y solo si no existe otra y
tal que:)~(bXx∈
α)~,~( ba
qiaxZaxZ iiii ,...1),~*,()~,( =≥
donde los correspondientes valores de a* y b* son llamados parámetros óptimos α-nivel
10
Cuando el problema es lineal
)~,...,~,~( 21 xcxcxcMaximizar q
difusosparámetrosson~,~,~
~~aSujeto
bAc
bxA ≤
Cada parámetro difuso tiene su propia función de pertenencia.por ejemplo:
0
1
cij
µij
Redefinición del concepto deConjunto α-nivel Para PL
El conjunto α-nivel de los parámetros se define como el conjunto para el
cual el grado de función de pertenencia excede el nivel α
cbA ~y~,~
α)~,~,~( cbA
0
1
aij
µij
α
11
Conjunto α-nivel problemas lineales
De ese conjunto infinito de posibilidades, el decisor desea encontrar los valores que maximicen la función objetivo. El problema queda ahora como
Donde (A, b, c, x) son variables de decisión ⇒
NO LINEAL
)~,...,~,~( 21 xcxcxcMaximizar q
α)~,~,~(),,(
aSujeto
cbAcbA
bAx
∈
≤
α)~,~,~(),,(
aSujeto
cbAcbA
bAx
∈
≤
))~(),...,~(),~((Maximizar 2211 xcxcxc qq ααα µµµ
Si µi(x) es la función de pertenencia de Zi(x)
12
Si consideramos los puntos extremos de cada valor α
[ ]RL AA αα , [ ]RL bb αα , [ ]RiLi cc αα ,
0
1
cij
µij
α
cijL cijR
RL bxA αα ≤aSujeto
))~(),...,~(),~((Maximizar 21 xcxcxc Rq
RRααα µµµ
AplicacionesHa sido aplicado en:
Problemas de regulación de la contaminación del aire (Lotov et al, 1997)Problemas de transporte (Verdegay, 1984) Planificación mediambiental (Sakawa and Yano, 1985)Planificación del sistema de suministro de agua (Slowinski, 1986)Job Shop scheduling (Sakawa and Kubota, 2000)Gestión de aguas residuales (Duckstein et al, 1994)Otros......