Métodos de escalarización en optimización multiobjetivo

Autores
Fonseca, Rocío Guadalupe
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Pilotta, Elvio Angel
Descripción
Tesis (Lic. en Matemática)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2020.
Fil: Fonseca, Rocío Guadalupe. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
La vida inevitablemente involucra la toma de decisiones y elecciones y es natural querer que estas sean las mejores posibles, en otras palabras, sean óptimas. La dificultad aquí radica en el conflicto (al menos parcial) entre nuestros diversos objetivos y metas. Los problemas con múltiples objetivos y criterios son generalmente conocidos como problemas de optimización multiobjetivo. A lo largo de este trabajo, se presentaron los conceptos necesarios y algunos métodos para resolver problemas de optimización multiobjetivo. Resolver un problema de optimización multiobjetivo significa encontrar el conjunto de soluciones Pareto optimal o frente de Pareto. Los métodos fueron divididos en cuatro categorías según la articulación de preferencias de un tomador de decisiones. De cada método se estudiaron las ventajas y desventajas y se seleccionaron tres métodos para estudiar con mayor profundidad. Los métodos seleccionados fueron métodos de escalarización; el método de sumas ponderadas, restricción ε y métricas ponderadas, que además fueron implementados para generar una aproximación del frente de Pareto. Se seleccionaron problemas test para generar aproximaciones de sus frentes de Pareto y analizar los resultados obtenidos. Se encontró que ningún método es superior que otro. La selección de un método específico depende del tipo de información que proporciona el problema, las preferencias del usuario, los requisitos de la solución y la capacidad de cómputo.
Life inevitably involves decision making and choices and it is natural to want them to be the best possible, in other words, to be optimal. The difficulty here lies in the (at least partial) conflict between our various goals and objectives. Problems with multiple objectives and criteria are generally known as multiobjective optimization problems. Throughout this work, the necessary concepts and some methods to solve multiobjective optimization problems were presented. Solving a multiobjective optimization problem means finding the optimal Pareto solution set or Pareto front. The methods were divided into four categories according to the articulation of preferences of a decision maker. The advantages and disadvantages of each method were studied, and three methods were selected for further study. The selected methods were scalarization methods; the method of weighted sums, ε -constraint, and weighted metrics, which were also implemented to generate an approximation of the Pareto front. Test problems were selected to generate approximations of their Pareto fronts and to analyze the results obtained. It was found that no one method is superior to another. Selecting a specific method depends on the type of information the problem provides, the user preferences, the solution requirements, and the computational capacity.
Fil: Fonseca, Rocío Guadalupe. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Materia
Optimización multiobjetivo
Frente de Pareto
Métodos de escalarización
Método de sumas ponderadas
Método de restricción ε
Método de métricas ponderadas
Multi-objective and goal programming
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/16432

id RDUUNC_8bf412f8da6d630b623377175478bdd9
oai_identifier_str oai:rdu.unc.edu.ar:11086/16432
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Métodos de escalarización en optimización multiobjetivoFonseca, Rocío GuadalupeOptimización multiobjetivoFrente de ParetoMétodos de escalarizaciónMétodo de sumas ponderadasMétodo de restricción εMétodo de métricas ponderadasMulti-objective and goal programmingTesis (Lic. en Matemática)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2020.Fil: Fonseca, Rocío Guadalupe. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.La vida inevitablemente involucra la toma de decisiones y elecciones y es natural querer que estas sean las mejores posibles, en otras palabras, sean óptimas. La dificultad aquí radica en el conflicto (al menos parcial) entre nuestros diversos objetivos y metas. Los problemas con múltiples objetivos y criterios son generalmente conocidos como problemas de optimización multiobjetivo. A lo largo de este trabajo, se presentaron los conceptos necesarios y algunos métodos para resolver problemas de optimización multiobjetivo. Resolver un problema de optimización multiobjetivo significa encontrar el conjunto de soluciones Pareto optimal o frente de Pareto. Los métodos fueron divididos en cuatro categorías según la articulación de preferencias de un tomador de decisiones. De cada método se estudiaron las ventajas y desventajas y se seleccionaron tres métodos para estudiar con mayor profundidad. Los métodos seleccionados fueron métodos de escalarización; el método de sumas ponderadas, restricción ε y métricas ponderadas, que además fueron implementados para generar una aproximación del frente de Pareto. Se seleccionaron problemas test para generar aproximaciones de sus frentes de Pareto y analizar los resultados obtenidos. Se encontró que ningún método es superior que otro. La selección de un método específico depende del tipo de información que proporciona el problema, las preferencias del usuario, los requisitos de la solución y la capacidad de cómputo.Life inevitably involves decision making and choices and it is natural to want them to be the best possible, in other words, to be optimal. The difficulty here lies in the (at least partial) conflict between our various goals and objectives. Problems with multiple objectives and criteria are generally known as multiobjective optimization problems. Throughout this work, the necessary concepts and some methods to solve multiobjective optimization problems were presented. Solving a multiobjective optimization problem means finding the optimal Pareto solution set or Pareto front. The methods were divided into four categories according to the articulation of preferences of a decision maker. The advantages and disadvantages of each method were studied, and three methods were selected for further study. The selected methods were scalarization methods; the method of weighted sums, ε -constraint, and weighted metrics, which were also implemented to generate an approximation of the Pareto front. Test problems were selected to generate approximations of their Pareto fronts and to analyze the results obtained. It was found that no one method is superior to another. Selecting a specific method depends on the type of information the problem provides, the user preferences, the solution requirements, and the computational capacity.Fil: Fonseca, Rocío Guadalupe. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Pilotta, Elvio Angel2020info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/16432spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-29T13:42:44Zoai:rdu.unc.edu.ar:11086/16432Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-29 13:42:44.531Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Métodos de escalarización en optimización multiobjetivo
title Métodos de escalarización en optimización multiobjetivo
spellingShingle Métodos de escalarización en optimización multiobjetivo
Fonseca, Rocío Guadalupe
Optimización multiobjetivo
Frente de Pareto
Métodos de escalarización
Método de sumas ponderadas
Método de restricción ε
Método de métricas ponderadas
Multi-objective and goal programming
title_short Métodos de escalarización en optimización multiobjetivo
title_full Métodos de escalarización en optimización multiobjetivo
title_fullStr Métodos de escalarización en optimización multiobjetivo
title_full_unstemmed Métodos de escalarización en optimización multiobjetivo
title_sort Métodos de escalarización en optimización multiobjetivo
dc.creator.none.fl_str_mv Fonseca, Rocío Guadalupe
author Fonseca, Rocío Guadalupe
author_facet Fonseca, Rocío Guadalupe
author_role author
dc.contributor.none.fl_str_mv Pilotta, Elvio Angel
dc.subject.none.fl_str_mv Optimización multiobjetivo
Frente de Pareto
Métodos de escalarización
Método de sumas ponderadas
Método de restricción ε
Método de métricas ponderadas
Multi-objective and goal programming
topic Optimización multiobjetivo
Frente de Pareto
Métodos de escalarización
Método de sumas ponderadas
Método de restricción ε
Método de métricas ponderadas
Multi-objective and goal programming
dc.description.none.fl_txt_mv Tesis (Lic. en Matemática)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2020.
Fil: Fonseca, Rocío Guadalupe. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
La vida inevitablemente involucra la toma de decisiones y elecciones y es natural querer que estas sean las mejores posibles, en otras palabras, sean óptimas. La dificultad aquí radica en el conflicto (al menos parcial) entre nuestros diversos objetivos y metas. Los problemas con múltiples objetivos y criterios son generalmente conocidos como problemas de optimización multiobjetivo. A lo largo de este trabajo, se presentaron los conceptos necesarios y algunos métodos para resolver problemas de optimización multiobjetivo. Resolver un problema de optimización multiobjetivo significa encontrar el conjunto de soluciones Pareto optimal o frente de Pareto. Los métodos fueron divididos en cuatro categorías según la articulación de preferencias de un tomador de decisiones. De cada método se estudiaron las ventajas y desventajas y se seleccionaron tres métodos para estudiar con mayor profundidad. Los métodos seleccionados fueron métodos de escalarización; el método de sumas ponderadas, restricción ε y métricas ponderadas, que además fueron implementados para generar una aproximación del frente de Pareto. Se seleccionaron problemas test para generar aproximaciones de sus frentes de Pareto y analizar los resultados obtenidos. Se encontró que ningún método es superior que otro. La selección de un método específico depende del tipo de información que proporciona el problema, las preferencias del usuario, los requisitos de la solución y la capacidad de cómputo.
Life inevitably involves decision making and choices and it is natural to want them to be the best possible, in other words, to be optimal. The difficulty here lies in the (at least partial) conflict between our various goals and objectives. Problems with multiple objectives and criteria are generally known as multiobjective optimization problems. Throughout this work, the necessary concepts and some methods to solve multiobjective optimization problems were presented. Solving a multiobjective optimization problem means finding the optimal Pareto solution set or Pareto front. The methods were divided into four categories according to the articulation of preferences of a decision maker. The advantages and disadvantages of each method were studied, and three methods were selected for further study. The selected methods were scalarization methods; the method of weighted sums, ε -constraint, and weighted metrics, which were also implemented to generate an approximation of the Pareto front. Test problems were selected to generate approximations of their Pareto fronts and to analyze the results obtained. It was found that no one method is superior to another. Selecting a specific method depends on the type of information the problem provides, the user preferences, the solution requirements, and the computational capacity.
Fil: Fonseca, Rocío Guadalupe. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
description Tesis (Lic. en Matemática)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/16432
url http://hdl.handle.net/11086/16432
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1844618935167614976
score 13.070432