DepartamentodeEconomaAplicada

(Matemticas)

GradoenEconoma

5:Tomadedecisionesmulticriterio

1. Introduccin......................................................2
1.1.Planteamientodelproblema.Conceptosbsicos...2

2.Determinacindesolucioneseficientes.....8

2.1.MtododelaPonderacin.8

2.2.MtododelaRestriccin..12

3.ProgramacinporMetas15


1.- Introduccin.
Los problemas de programacin lineal vistos hasta ahora, no implicaban ninguna decisin. Una
vez planteados se determinaba, mediante alguna tcnica matemtica, la solucin ptima, como aquella
solucin factible, en la que la funcin objetivo alcanza el mximo o el mnimo, segn el caso. Se trata
pues de un proceso de determinacin de las soluciones factibles y de ordenacin de stas de acuerdo con
un criterio nico.
Sin embargo, la realidad se presenta de una forma ms compleja y en general en cualquier proceso
o planteamiento de una problemtica intervienen de manera natural ms de un objetivo. Por ejemplo, en
una empresa se pueden plantear como objetivos, minimizar los costes y maximizar la calidad en los
servicios, o maximizar el beneficio y minimizar el impacto medioambiental. Otro ejemplo podra ser la
compra de una casa, en la que se tiene como objetivos, el precio, la situacin, las calidades, etc.
As pues, de una manera bastante natural aparecen los problemas denominados multiobjetivos, en
los que subyace la existencia de mltiples criterios que, en general, estarn en conflicto entre ellos.

1.1.- Planteamiento del problema. Conceptos bsicos.

Vamos a pasar a establecer el planteamiento general de dichos problemas y algunos conceptos
bsicos asociados a ellos.
Un problema de programacin multiobjetivo responde a la siguiente formulacin:

Opt ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
donde
x = (x1, ..., xn) son las variables de decisin,
X es el conjunto de oportunidades,
fi son cada uno de los objetivos,
f = (f1, ..., fp) es la funcin vectorial objetivo,
Y = f(X) es el espacio de objetivos o espacio imagen.
Ejemplo:
Una empresa produce un bien A utilizando dos factores productivos F1 y F2 en cantidades x e y
respectivamente. La funcin de beneficios obtenida tras la correspondiente estimacin es
B(x, y) = 4x + 3y.
Por limitaciones de la capacidad de almacenaje, no se pueden emplear ms de cinco unidades en
total de ambos factores, y por las caractersticas del proceso de produccin hay que emplear al menos una
unidad de F1 y la suma del doble de la cantidad de F1 ms la cantidad utilizada de F2 no puede exceder de
ocho unidades.
Los objetivos de la empresa son maximizar los beneficios y minimizar la contaminacin causada
por el proceso de produccin, la cual se ha estimado tambin dando lugar a la funcin C(x, y) = 3x + 2y.

Este sera un pequeo ejemplo claro de programacin multiobjetivo, el cual se planteara como:
M ax B ( x, y) = 4 x + 3 y
M in C ( x , y ) = 3 x + 2 y
s. a

x+ y 5
2x + y 8
x 1
x, y 0

Una vez planteado el problema, la principal cuestin es cmo resolverlo?

En un principio podemos actuar intentando resolver los dos problemas monoobjetivo que se nos
generan, es decir, por un lado maximizamos los beneficios y por otro minimizamos la funcin de
contaminacin.

( 2 ) C o n ta m in a c io n
M in C ( x , y ) = 3 x + 2 y
s. a x + y 5
2x + y 8
x 1
x, y 0

( 1) B e n e fic io s
M ax B ( x, y) = 4 x + 3 y
s. a x + y 5
2x + y 8
x 1
x, y 0

La solucin a estos dos problemas de programacin lineal es:

Para el problema (1) en el punto (3, 2) se obtiene un beneficio de B(3, 2) = 18 y para el problema
(2) en el punto (1, 0) el ndice de contaminacin es de C(1, 0) = 3. Grficamente, para la funcin de
beneficios:

Y para la contaminacin:

Este procedimiento que se ha llevado a cabo para nuestro ejemplo se puede generalizar para el
problema multiobjetivo general, dando lugar a tener que resolver p problemas monoobjetivo. Vamos a
suponer que en el problema original todos los objetivos son de mximo. Dicha consideracin no plantea
ninguna limitacin, dado que si alguno de ellos fuera de mnimo tomaramos la funcin opuesta del
problema, as:

Max ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
se generan p problemas que seran

( Pi )

Max f i (x)
s. a x X

Tras la resolucin obtendremos p puntos correspondientes a los mximos individuales de cada uno
de ellos, denotndolos por: x*1 , x*2 ,L , x*p .
La evaluacin de los puntos ptimos en sus correspondientes objetivos nos determinar un punto
que se denomina punto ideal:

( f 1 (x*1 ), f 2 (x*2 ),L , f p (x*p ))

Es evidente que si existiera un punto en el cual todas las funciones alcanzaran su mximo, el
problema estara resuelto, pero esto es algo utpico. Por tanto, tendremos que proceder a intentar buscar
una solucin para nuestro problema. Para ello lo primero que vamos a hacer es construir la denominada
Matriz de Pagos, en la cual evaluamos todas las funciones objetivo en los ptimos individuales
obtenidos en cada uno de ellos.
Matriz de pagos.
*
1
*
2

x
x

...

x*p

f1
f1( x*1 )
f1( x*2 )
M

f1( x*p )

f2
f2( x*1 )
f2( x*2 )
f2( x*p )

...
...
...
...
...

fp
fp( x*1 )
fp( x*2 )
M

fp( x*p )

La diagonal principal de esta matriz de tamao p x p, corresponde al punto ideal, y las

correspondientes columnas nos indican el campo de variacin de los objetivos en los puntos obtenidos.
4

Estos intervalos se construyen tomando el valor mximo y mnimo de la correspondiente columna, as el

para cada objetivo determinamos:

[f

min
i

f i max ]

Obtenida la matriz de pagos asociada a nuestro problema, nos planteamos de manera natural, con
qu punto quedarnos; ahora bien cmo comparamos si los resultados que tenemos son vectores. De este
hecho surge la necesidad de establecer un orden, es decir, una relacin que nos establezca cundo un
vector es preferido a otro.
En nuestro ejemplo el punto ideal correspondera a: (18, 3) (18, -3), segn se tome la funcin de
contaminacin en trminos de mnimo o de mximo, respectivamente.
La matriz de pagos sera, siendo x*1 = (3, 2) y x*2 = (1, 0):
*
1
*
2

x = (3,2)
x = (1,0)

f1 = B
18
4

f2 = C
13
3

-f2 = -C
-13
-3

Los correspondientes rangos de variacin son:

Para f1 = B [4, 18] y para f2 = C [3, 13]. Considerado en mnimo si tomamos
-f2 = -C [-13, -3].
Si tenemos que decidir entre (3, 2) y (1, 0) realizamos las comparaciones calculando el valor que
alcanzan sobre los objetivos, es decir, comparar (18, -13) y (4, -3). Si atendemos a la primera coordenada,
que es de mximo, optaramos por el punto (3, 2), pero si atendemos a la contaminacin sera el (1, 0).
As, como antes hemos mencionado, necesitamos el establecimiento de un orden que nos permita
establecer comparaciones entre vectores.
Dentro del espacio vectorial Rp y dado nuestro problema general de programacin multiobjetivo:

Max ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
vamos a definir dos tipos de rdenes (la relacin la vamos a establecer atendiendo al valor que tomen los
objetivos en dichos puntos):
1) Orden de Pareto: Diremos que un punto x es preferido a x si se verifica que:
fi (x) fi (x) i = 1, ..., p con al menos un j tal que fj (x) > fj (x)
2) Orden dbil de Pareto: Diremos que un punto x es preferido a x si se verifica que:
fi (x) > fi (x) i = 1, ..., p.
Grficamente, en el plano, la determinacin de los punto preferidos segn el orden de Pareto y el
dbil de Pareto, correspondera a trazar un eje de coordenadas en el punto concreto, para el orden de
Pareto, y lo mismo pero sin considerar la inclusin de los ejes para el orden dbil.

El orden de Pareto y el orden dbil de Pareto son ordenes parciales y nos establecen que una
combinacin ser preferida a otra siempre que en el primer caso mejore a todos los objetivos, mejorando
a uno de ellos de forma estricta, y en el segundo, denominado dbil, siempre que mejore todos los
objetivos estrictamente.
Como hemos comentado anteriormente, en general, no existir una combinacin que sea a la vez
solucin de todos los objetivos. De esta forma el primer concepto que perdemos es el de ptimo tal y
como se entiende en la programacin monoobjetivo tradicional, y lo que buscaremos para solucionar
nuestro problema sern las denominadas soluciones eficientes. La generalizacin de ptimo da lugar al
concepto de eficiencia, el cual lo podemos definir en base a nuestro problema de mximo y utilizando la
ordenacin de Pareto de las dos formas siguientes:

Definicin de punto eficiente.

Un punto x* es eficiente si no existe x tal que x sea preferido a x*.
Si utilizamos el orden de Pareto x* es eficiente si no existe x tal que:
fi (x) fi (x*) i = 1, ..., p con al menos un j tal que fj (x) > fj (x*).

El concepto de eficiencia que nos proporciona el orden de Pareto nos permite debilitar el concepto
y definir la eficiencia dbil.

Definicin de punto dbilmente eficiente.

Un punto x* es dbilmente eficiente si no existe x tal que:
fi (x) > fi (x*) i = 1, ..., p
En nuestro ejemplo para determinar los posibles puntos eficientes, tendramos que recurrir al
conjunto imagen, puesto que la determinacin de la eficiencia o no de un determinado punto se realiza en
funcin del valor que tome en sus correspondientes objetivos.
As dado nuestro conjunto de oportunidades, el conjunto imagen se calculara mediante la
transformacin de cada uno de los vrtices evaluados en las funciones f1 = B y -f2 = -C.

Los puntos eficientes se corresponderan con la frontera superior, puesto que dichos puntos
verifican que ningn otro mejora sus dos coordenadas.
Una vez definido el concepto de eficiencia, en general, en cualquier problema existir ms de una
solucin eficiente y evidentemente stas no sern comparables. Por tanto, el problema contina, y nos
planteamos dos cuestiones importantes: por un lado, cmo resolver estos problemas? y, por otro, una vez
resueltos cmo realizar la eleccin entre soluciones no comparables?.
En todo proceso de decisin asociado a un problema de programacin multiobjetivo, aparecen dos
agentes claves:
El modelizador o analista, que ser la persona encargada de aplicar la tcnica o tcnicas
adecuadas y posteriormente resolver el problema. No tiene poder para manipular el
problema y slo acta con los datos del problema una vez planteado. Cuando lo resuelve
ser la persona encargada de proporcionar la informacin obtenida al centro decisor.
El decisor o centro decisor, que ser la persona o personas encargadas de tomar la eleccin
final una vez que conozcan la informacin dada por el modelizador de las posibles
combinaciones factibles para el problema. Tambin tendr como misin imponer las
preferencias en el modelo, entendiendose dichas preferencias sobre los objetivos
planteados.
Las tcnicas que se generan para la resolucin de los problemas multiobjetivo estn basadas justo
en cmo se lleve a cabo la transmisin de informacin entre el analista y el decisor. Si primero acta el
analista resolviendo el problema y mostrando posteriormente las soluciones al decisor, se generan las
7

denominadas Tcnicas Generadoras, las cuales slo cuentan con la informacin correspondiente a la
estructura matemtica del problema. Por el contrario, si es el decisor el que acta primero, incorporando
informacin al proceso mediante el establecimiento de preferencias y prioridades, la tcnica de resolucin
se denomina Programacin por Metas. Por ltimo, si se lleva a cabo un flujo continuo de informacin
entre el analista y el decisor se obtienen las denominadas Tcnicas Interactivas.

2.- Determinacin de soluciones eficientes.

Como hemos mencionado anteriormente, las denominadas tcnicas generadoras son aquellas que
no incorporan informacin a priori en el proceso y, por tanto, es el analista el que plantea y resuelve el
problema. Dentro de estas tcnicas esta el Mtodo de la ponderacin.
2.1.- Mtodo de la Ponderacin.
Dado nuestro problema multiobjetivo:

Max ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
el mtodo de las ponderaciones consiste en construir un problema monoobjetivo asociado a l, mediante
una escalarizacin de la funcin vectorial objetivo, de forma que a cada funcin fi se le asocia un valor i,
dicho valor tendr una triple misin dentro del proceso, la primera es simplemente de clculo u operativa,
la segunda sera la informacin sobre la importancia relativa que se le asigna al correspondiente objetivo
fi, y por ltimo, la eliminacin de unidades. Comentada posteriormente. As el problema escalarizado o
problema ponderado es:
p

Max i f i (x)
P
i =1
s. a x X
p

donde las ponderaciones verifican que:

= 1,
i =1

i 0 i = 1,L, p .

El siguiente teorema nos va a caracterizar las soluciones obtenidas por este mtodo, dependiendo
de la asignacin que se le haga a los pesos.

Teorema 1.
Dado un problema de programacin multiobjetivo:

Max ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
y su correspondiente problema escalarizado:
p

Max i f i (x)
P
i =1
s. a x X .

entonces:

i) Si todas las ponderaciones asignadas i son estrictamente mayores que cero, la solucin obtenida es
eficiente.
ii) Si alguna es nula, la solucin es dbilmente eficiente.
iii) Si con alguna ponderacin nula la solucin del problema es nica, entonces sta es eficiente.

Apliquemos ahora propiamente el mtodo de las ponderaciones a nuestro ejemplo.

Ejemplo.
Dado nuestro problema:

M ax B ( x, y) = 4 x + 3 y
M in C ( x , y ) = 3 x + 2 y
s. a x + y 5
2x + y 8
x 1
x, y 0
Como tenemos dos objetivos, al ponderar y considerar la contaminacin con criterio de mximo,
el problema ponderado responde a:

M a x ( 4 x + 3 y ) + ( 1 )( 3 x 2 y )
s. a x + y 5
2x + y 8
x 1
x, y 0

La asignacin del valor de las ponderaciones es la clave de esta tcnica. Dado que los problemas
que tratamos son lineales, sabemos que la solucin est en un vrtice, o a lo ms, en un tramo frontera, as
que la forma de proceder es ir dndole valores al parmetro y ver qu solucin resulta. Asimismo, como
en este ejemplo los dos criterios, aunque estn medidos en distintas unidades, tienen un rango de
variacin parecido, no normalizamos los pesos, realizaremos dicha actuacin, como antes comentamos,
cuando los rangos de variacin sean muy dispares. As, la siguiente tabla nos muestra los valores
obtenidos para los distintos pesos asignados:
Ponderacin
=0
= 0.125
= 0.25
= 0.45
= 0.5
= 0.751
=1

Solucin
(1, 0)
(1, 0)
(1, 0)
(1, 4)
(3, 2)
(3, 2)
(3,2)

f1= B
4
4
4
16
18
18
18

-f2 = -C
-3
-3
-3
-11
-13
-13
-13

Tras la asignacin de diferentes ponderaciones, observamos que hemos obtenido tres vrtices
distintos pero la eleccin presenta la misma dificultad, puesto que donde se mejora el beneficio, la
contaminacin es ms grande. De todas formas, una vez presentada esta informacin al decisor, es l el
que tiene que decidir con qu combinacin quedarse, ya que, el analista terminara una vez que presenta
la tabla de resultados.
El efecto grfico al ponderar las funciones lo podemos ver en las siguientes figuras:
Para = 0.25

Para = 0.45

10

Para = 0.5

En esta ponderacin obtenemos todo el segmento que al vrtice (1, 4) con el vrtice (3, 2).

Y para = 0.75

Por lo tanto, el CONJUNTO EFICIENTE en el Espacio de Decisin est formado por la frontera
que delimitan los vrtices:
(1 , 0 ), ( 1 , 4 ) y ( 3 , 2 )
Otra forma de ver el conjunto eficiente es en el Espacio de Objetivos a travs de las imgenes
de los vrtices eficientes del Espacio de Decisin.

11

Las soluciones eficientes se encuentran en la frontera superior derecha del conjunto imagen,
puesto que dichos puntos verifican que ningn otro mejora sus dos coordenadas.
Problemas computacionales del mtodo de la ponderacin.Una dificultad prctica del mtodo expuesto es que se pase por alto alguno de los puntos
eficientes.
La probabilidad de perder puntos disminuir considerablemente reduciendo la escala de los pesos,
es decir, haciendo un buen barrido (muchos pesos).
Cabe resaltar que en problemas reales, este mtodo se utiliza para aproximar el conjunto eficiente,
ya que por muy detallado que se haga el barrido siempre cabe la posibilidad de omitir puntos eficientes.
2.2.- Mtodo de la restriccin.
El mtodo de la restriccin es el ms antiguo dentro de la programacin multiobjetivo, pero es a su
vez uno de los ms pobres en cuanto a resultados importantes por la propia construccin y naturaleza de
su establecimiento. Asimismo la obtencin de las soluciones es ms complicada y, en general, no
podremos asegurar la eficiencia de las soluciones obtenidas.
El planteamiento sera el siguiente. Dado nuestro problema multiobjetivo:

Max ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
el mtodo de la restriccin, o mtodo de las restricciones, consiste tambin en construir un problema
monoobjetivo asociado, en el cual se fija una de las funciones como objetivo y las restantes se introducen
como restricciones, una vez determinada una cota asociada a cada una de ellas, es decir, el problema
resultante es:

Pi

Max f i (x)
s. a x X
f j (x) K j j = 1,..., i i j

12

donde la cota que le imponemos a cada una de las funciones se tomar dentro de su rango de variacin

Ki [ f i min ,

f i max ] .

En esta tcnica, a diferencia del mtodo de las ponderaciones, no tenemos asegurada que la
solucin sea eficiente, salvo que la solucin obtenida sea nica. Este resultado lo recogemos en el
siguiente teorema.

Teorema 2.
Si x* es la nica solucin ptima de Pk, para algn i = 1, ..., p, siendo K el vector de cotas
asociado, entonces se verifica que x* es solucin ptima de Pareto del problema multiobjetivo original.
La asignacin de cotas, que es la clave del mtodo, nos hace que se modifique el conjunto de
oportunidades, y esto implica un problema adicional, dado que si las imponemos demasiado optimistas o
grandes el conjunto no se modifica y nos resultara un problema consistente en maximizar uno de los
objetivos, y, si por el contrario, las imponemos demasiado pesimistas o pequeas podemos plantear un
problema con un conjunto de oportunidades vaco. La terminologa utilizada, en trminos de grande y
pequeo es relativa a la naturaleza del problema que se est estudiando.
En nuestro ejemplo, supongamos que tomamos como funcin objetivo la contaminacin y que
consideramos que los beneficios son mayores o iguales a nueve unidades. La asignacin de la cota se
realiza en coherencia con el rango de variacin, el cual es para f1 = B [4, 18]. El problema de
restriccin que se nos genera es:

M in C ( x , y ) = 3 x + 2 y
s. a x + y 5
2x + y 8
x 1
4x + 3y 9
x, y 0

La solucin a este problema lineal es (1, 5/3). Grficamente obtenemos:

13

Si tomamos ahora como funcin objetivo los beneficios e imponemos que el nivel de
contaminacin sea menor o igual que siete, tenemos:
M ax B ( x, y) = 4 x + 3 y
s. a x + y 5
2x + y 8
x 1
3x + 2 y 7
x, y 0

La solucin de este nuevo problema es el punto (1, 2) y grficamente la modificacin es:

La siguiente tabla nos refleja las soluciones obtenidas tras asignar otras cotas:
Cota
f1 9
f1 16

Solucin
(1, 5/3)
(1, 4)

f1= B
9
16

f2 = C
19/3
11

f2 7
f2 12

(1, 2)
(2, 3)

10
17

7
12

Las soluciones que obtenemos por este mtodo sern como en todo problema de programacin
lineal, o vrtices o tramos frontera, con respecto al nuevo conjunto de oportunidades generado al
introducir la restriccin o restricciones correspondientes, pero con respecto al conjunto de oportunidades
original son o pueden ser soluciones interiores.
La decisin que se tiene que llevar a cabo, al resolver los distintos problemas al igual que antes es
objetiva y corresponde al decisor, puesto que encontraremos soluciones que no son comparables.
De esta forma, en ambos mtodos el problema es doble, de una parte, cmo tomar las
ponderaciones en el mtodo de las ponderaciones y cmo asignar las cotas a cada una de las funciones en
el de la restriccin, y por otra, una vez resuelto qu solucin tomar. De manera natural se hace necesaria

14

la incorporacin de ms informacin para que el proceso de decisin se pueda llevar a cabo de una
manera ms fiable.
Los mtodos generadores pueden considerarse la 1 etapa de un proceso decisional. As, utilizando
slo una informacin de tipo tcnico, aproximamos el conjunto de soluciones eficientes.
Cubierta la 1 etapa para seguir avanzando en el proceso decisional, tendremos que elegir de entre
las soluciones eficientes aquella solucin que resulte buena o satisfactoria para el decidor.
Para abordar tal tarea tendremos que introducir de una u otra manera las preferencias del decidor.
Uno de los procedimientos ms potentes para abordar tal tipo de tarea es la denominada
Programacin por Metas.

3.- Programacin por metas.

Una vez mencionados algunos de los inconvenientes de las tcnicas generadoras, la incorporacin
de informacin se va a traducir en una accin del decisor o centro decisor, emitiendo deseos al analista
y ste, en base a estos deseos va a actuar.
De esta manera, renunciamos a la optimizacin pero obtenemos una solucin que satisface los
deseos manifestados.
La tcnica que se emplea al incorporar informacin a priori en el proceso se denomina, Goal
Programming, o Programacin por Metas. Veamos en qu consiste.
Dado un problema general de programacin multiobjetivo:

Opt ( f 1 (x), f 2 (x),L , f p (x))

s. a x X
donde algunos de los objetivos sern de mximo y otros de mnimo, el decisor acta de la siguiente
forma:
Primero asignar a cada uno de los objetivos un valor ui que va a representar su nivel de
aspiracin, es decir, lo que desea alcanzar como mnimo o bien no desea superar, e incluso, en algunos
casos, desea alcanzar exactamente la igualdad, para el correspondiente objetivo.
Despus, al conjugar el objetivo y el nivel de aspiracin se obtiene lo que denominamos meta, que
expresamos de la siguiente forma:
Si estamos maximizando fi(x) al imponer un nivel ui, se desear que: fi(x) ui.
Si minimizamos, se desear que fi(x) ui.
El caso de igualdad, fi(x) = ui, se puede contemplar tanto si maximizamos como si minimizamos.
Posteriormente al establecimiento de las metas, se asignan niveles de prioridad entre los objetivos,
es decir, se les ordena atendiendo a las prioridades que manifieste el decisor. Esta asignacin puede ser
uno a uno, es decir, en cada nivel un solo objetivo, o pueden aparecer varios compartiendo un mismo
nivel; este caso implica una ponderacin entre los objetivos que comparten el nivel. El nmero de niveles
de prioridades ser por tanto, s p.

15

As pues, la resolucin se llevar a cabo atendiendo a las metas impuestas y a los niveles de
prioridad establecidos, de forma que se preferir una solucin que mejore al primero, una vez conseguida,
se pasa al segundo y as sucesivamente. En este sentido, la ordenacin que se utiliza, bajo el enfoque de
programacin por metas, es la lexicogrfica llevndose a cabo una resolucin por niveles. Esto nos
conduce a definir un nuevo orden denominado lexicogrfico, el cual pasamos a definir.
Orden Lexicogrfico: Diremos que un punto x es preferido a x si se verifica que:
fi(x) = fi(x) i = 1, ..., j - 1 y

fj(x) > fj(x).

El orden lexicogrfico es un orden total y es el usado en la ordenacin del diccionario. Con l se

establece que para mejorar una combinacin basta con ir mejorando sucesivamente las coordenadas sin
tener en cuenta lo que ocurra con las restantes.
A las soluciones obtenidas por la tcnica de programacin por metas se las denomina
satisfactorias, en el sentido de que verifican evidentemente las restricciones originales del problema y las
metas impuestas por el centro decisor. As pues tenemos.

Definicin de solucin satisfactoria.

Un punto x* es una solucin satisfactoria si es admisible, y verifica las p-metas impuestas, es
decir:

x* X

max f i (x * ) ui

min f i (x * ) ui
max min f (x * ) = u
i
i
En estas condiciones, es decir, una vez que el decisor ha manifestado sus niveles de aspiracin,
construidas las metas y priorizados los objetivos, para la resolucin y aplicacin de la tcnica de
programacin por metas se introducen en las metas del problema unas variables (positivas) denominadas
de desviacin, y denotadas por n, y p. Dichas variables nos van a representar las diferencias que existen
entre los niveles de aspiracin impuestos por el decisor y el resultado que se alcanza en cada objetivo.
La introduccin se realiza de la siguiente forma:
Si estamos maximizando fi(x) al construir las metas tenemos:
fi(x) ui entonces fi(x) + ni - pi = ui y Min ni.
Por qu? Porque, si ni = 0 entonces fi(x) - pi = ui y se verifica la meta fi(x) ui.
Si estamos minimizamos fi(x) al construir la meta tenemos:
fi(x) ui entonces fi(x) + ni - pi = ui y Min pi
razonando de igual forma, si pi = 0 entonces fi(x) + ni = ui y por tanto se cumple la meta fi(x) ui.
En el caso de igualdad, fi(x) = ui, se toma fi(x) + ni - pi = ui y se calcula Min ni + pi, para que se
mantenga la meta se tendr que verificar que ni = pi = 0.
A la funcin que recoge la minimizacin de la variable no deseada, en el sentido de que queremos
que sea nula, se le denomina funcin de realizacin o funcin logro, y las denotaremos por hi(n, p).

16

As pues, dadas las metas, los niveles de prioridad y determinadas las funciones de realizacin, se
procede a calcular:

lexmin (h1 (n, p), L , hs (n, p))

s. a x X
f i (x) + ni pi = ui i = 1,..., p
ni , pi 0
En general, al primer conjunto de restricciones, que son las originales del problema se les
denomina restricciones duras o tcnicas, debido a que sern restricciones que se tienen que verificar
necesariamente. Al segundo conjunto de restricciones, que son las que se generan de la construccin de
las metas, se les denomina restricciones blandas, debido a que no son de obligado cumplimiento.
En cualquier problema, una vez planteado, y antes de proceder a la resolucin lexicogrfica, se
lleva a cabo la comprobacin, de la existencia de puntos factibles, es decir, que nuestro conjunto de
restricciones duras no es vaco, dado que si lo fuera el problema no tendra ningn sentido.
Esta comprobacin se realiza en el que denominaremos Nivel 0, en el cual minimizamos cualquier
funcin constante sujeta a las restricciones duras del problema.
Nivel 0:
M in h ( x ) = cte
s. a

x X

Una vez comprobado que existen soluciones factibles, se pasa a la resolucin del problema. Para
mostrar todo lo comentado vamos a desarrollar un ejemplo terico.
Supongamos que nuestro problema esta definido de la siguiente forma:

( Max f 1 ,
s. a

Min f 2 ,
x X

Max f 3 ,

Min f 4 )

por tanto, tenemos un problema de cuatro objetivos, donde dos de ellos corresponden a mximos y dos a
mnimos.
El siguiente paso es dar los niveles de aspiracin, construir las metas y determinar la variable no
deseada, para la determinacin de la correspondiente funcin de realizacin o logro.
Sea pues:
f1(x) u1 entonces f1(x) + n1 - p1 = u1 y Min n1
f2(x) u2 entonces f2(x) + n2 - p2 = u2 y Min p2
f3(x) u3 entonces f3(x) + n3 - p3 = u3 y Min n3
f4(x) = u4 entonces f4(x) + n4 - p4 = u4 y Min n4 + p4.
Vamos a considerar que los niveles de aspiracin se establecen como:
Nivel 1: Objetivo 1, entonces la funcin de realizacin es: h(n1, p1) = n1
Nivel 2: Objetivo 2, entonces la funcin de realizacin es: h(n2, p2) = p2

17

Nivel 3: Objetivos 3 y 4, entonces la funcin de realizacin es, en general de la forma:

h(n3, n4, p3, p4) = n3 + (n4 + p4)
donde los parmetros y ponderaran a las correspondientes metas.
El problema sera:

lexmin (n1 , p2 , n3 + (n4 + p4 ))

x X
s. a
f i (x) + ni pi = ui i = 1, L , p
ni , pi 0 i = 1, L , p

Tras realizar el nivel cero, como hemos impuesto tres niveles de prioridad tendremos que resolver
a lo sumo tres problemas, correspondientes a:
Nivel 1:

Min n1
x X
s. a
f 1 (x) + n1 p1 = u1
n1 , p1 0
Denominamos (x1* ,n1* ,p1* ) a la solucin, si n1* = 0 significa que hemos logrado verificar la meta
primera y pasamos al segundo nivel.
Nivel 2:

Min p2
s. a
x X
f 1 (x) + n1 p1 = u1
n1 = 0
f 2 (x) + n2 p2 = u2
n1 , p1 , n2 , p2 0
La idea es, que se mantenga la meta anterior y se verifique la del nivel correspondiente, as, si
volvemos a denominar (x *2 , n2* , p2* ) a la solucin, si p2* = 0 significa que hemos logrado verificar la meta
primera y la segunda y pasamos al tercer nivel.
Nivel 3:

Min n3 + (n4 + p4 )
s. a
x X
f 1 (x) + n1 p1 = u1
n1 = 0
f 2 (x) + n2 p2 = u2
p2 = 0
f 3 (x) + n3 p3 = u3
f 4 (x) + n4 p4 = u4
ni , pi 0 i = 1, L ,4

En este nivel como tenemos dos funciones hemos considerado como funcin de realizacin la
suma ponderada de las dos y hemos impuesto que se mantengan las dos anteriores y las dos
18

correspondientes al nivel, de forma que, si la solucin obtenida, (x *3 , n3* , p3* , n4* , p4* ) , verifica que
n3* = p3* = n4* = p4* = 0, x *3 ser una solucin satisfactoria, puesto que verifica las restricciones duras del
problema, y las metas correspondientes.
Con este ejemplo terico se ha pretendido ilustrar cmo aplicar la tcnica de programacin por
metas, no obstante, quedaran algunas consideraciones, por ejemplo, cmo actuamos si en alguno de los
niveles la variable no deseada no es cero?, si esto ocurre la solucin correspondiente no es satisfactoria,
puesto que si la variable de desviacin no deseada toma un valor nos indica el incumplimiento de la
correspondiente meta. En en estos casos no continuamos con el problema sino que la solucin sera la que
nos diera con el valor correspondiente de ni o pi, y la solucin an no siendo satisfactoria sera la ms
adecuada al cumplimiento de nuestra meta, dado que minimizamos las desviaciones.
A partir del incumplimiento de una meta, es decir, la no verificacin del nivel, se puede actuar de
varias formas. Una de ellas sera el redefinir la meta correspondiente y otra el intentar hacer una nueva
distribucin de funciones y niveles. De hecho, el problema no queda cerrado, sino que sera el decisor, a
la vista de los resultados, el encargado de decidir qu hacer con el problema.

Volviendo a nuestro ejemplo: Supongamos que la empresa establece que primero quiere
maximizar los beneficios, de forma que estos alcancen un nivel de al menos 10 unidades, y que
posteriormente, la contaminacin se fija en un mximo de 6 unidades.
Con esta informacin se nos genera un problema de programacin por metas, en el cual los niveles
corresponden a:
Nivel 1: Los beneficios tienen que alcanzar un nivel de al menos 10 unidades, luego la meta es:
4x + 3y 10.
Al incorporar las variables de desviacin tenemos:
4x + 3y +n1 - p1 = 10.
La variable no deseada es n1 y la funcin de realizacin del primer nivel es: h1(n1, p1) = n1.
Nivel 2: El nivel de contaminacin es como mximo de 6 unidades, luego la meta es:
3x + 2y 6.
se incorporan las variables de desviacin y:
3x + 2y +n2 - p2 = 6.
La variable no deseada en este nivel es p2 y la funcin de realizacin del segundo nivel
corresponde a: h2(n2, p2) = p2.
Con esta informacin, el problema de programacin por metas a resolver es:

19

lexmin (n1 , p2 )
s. a
x+ y5
2x + y 8
x 1
4 x + 3y + n1 p1 = 10
3x + 2 y + n2 p2 = 6
x , y , ni , pi 0 i = 1, 2.
Como tenemos asegurada la existencia de soluciones factibles, pasamos a la resolucin por
niveles.
Nivel 1:
Min n1
x+y5

s.a

2x + y 8
x1
4x + 3y + n1 - p1 = 10
x, y, n1, p1 0
Aplicando el programa LINDO para programacin lineal obtenemos:
LP OPTIMUM FOUND AT STEP

OBJECTIVE FUNCTION VALUE

1)

.00000000

VARIABLE
N1
X
Y
P1

VALUE
.000000
2.500000
.000000
.000000

NO. ITERATIONS=

REDUCED COST
1.000000
.000000
.000000
.000000

Como el valor de n1 = 0 obtenemos que se ha verificado la primera de las metas y pasamos al nivel
2.

Nivel 2:
Min p2
s.t
x+y5
2x + y 8
x1
4x + 3y + n1 - p1 = 10
20

n1 = 0
3x + 2y + n2 - p2 = 6
x, y, n1, p1, n2, p2 0
LP OPTIMUM FOUND AT STEP

OBJECTIVE FUNCTION VALUE

1)

1.0000000

VARIABLE
P2
X
Y
P1
N2

VALUE
1.000000
1.000000
2.000000
.000000
.000000

NO. ITERATIONS=

REDUCED COST
.000000
.000000
.000000
.666667
1.000000

La solucin obtenida es (1, 2) pero p2 = 1, lo cual nos indica que no se verifica la segunda meta,
en concreto, segn el resultado, el nivel se contaminacin se superara en una unidad (p2 = 1).
En esta primera grfica vamos a ver el efecto de la incorporacin de la primera meta, y en la
segunda grfica, tras introducir la segunda meta observamos cmo el conjunto de soluciones satisfactorias
es vaco, por tanto nuestro problema no tendra solucin satisfactoria, sin embargo, la solucin
obtenenida, an no siendo satisfactoria verifica la primera meta y es la ms cercana al cumplimiento de la
segunda, puesto que estamos minimizando la variable no deseada.
Grfica nivel 1:

21

Grfica nivel 2:

A la vista del resultado ahora podra actuar de nuevo el decisor, puesto que l ya conoce que la
imposicin de 6 unidades para la contaminacin no es factible. De esta forma, si mantiene la primera
meta con 10 unidades y relaja la contaminacin a 8, el segundo nivel se modifica y obtenemos:
Nivel 2: Reformado
Min p2
s.a
x+y5
2x + y 8
x1
4x + 3y + n1 - p1 = 10
n1 = 0
3x + 2y + n2 - p2 = 8
x, y, n1, p1, n2, p2 0
LP OPTIMUM FOUND AT STEP

OBJECTIVE FUNCTION VALUE

1)

.0000000

VARIABLE
P2
X
Y
P1
N2

VALUE
0.000000
2.500000
0.000000
0.000000
0.500000

NO. ITERATIONS=

REDUCED COST
1.000000
.000000
.000000
.000000
.000000

Al relajar la meta s obtenemos una solucin satisfactoria (2.5, 0), en la cual los beneficios son
exactamente 10 unidades y la contaminacin de 7.5 dado que n2 = 0.5.

22

El conjunto de soluciones satisfactorias asociadas al cumplimiento de las dos metas nos lo muestra
la grfica siguiente:

23