Optimización Multiobjetivo
Dr. Marco A. Sandoval Chileño
Instituto Politécnico Nacional
Unidad Profesional Interdisciplinaria de Energı́a y
Movilidad
Abril 2025
El problema general de optimización multiobjetivo POM
Un problema de optimización muliobjetivo puede ser definido de la siguiente manera:
Encontrar el vector x∗ ∈ R, tal que:
f (x∗ ) = opt [f1 (x), f2 (x), ..., fk (x)]T
y que satisfaga las restricciones:
gj (x) ≤ 0 j = 1, 2, ..., m
hj (x) = 0 j = 1, 2, ..., p < n
donde las restricciones definen la región factible del problema de optimización multiobjetivo.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 2 / 14
Función objetivo
Uno de los mayores problemas al que se enfrenta el ingeniero de diseño es proponer al menos
una relación matemática que permita cuantificar el desempeño del sistema u objeto de interés.
En general, definir una relación matemática para ”medir” el rendimiento o caracterı́stica de
interés del sistema es producto de un profundo ”análisis del problema”. Dicha relación
matemática se denomina entonces función objetivo y es aquella que se máximiza o mı́nimiza
-según sea el caso- cuando es evaluada con el conjunto de valores del vector óptimo de
variables de diseño.
Debido a lo complejo que son los sistemas en la actualidad, su descripción matemática para el
proceso de diseño necesita más de una función objetivo, es decir; la descripción adecuada de
un sistema necesita al menos dos funciones objetivo, las cuales en forma general tienen
conflicto entre ellas, por lo que es común establecer un problema de optimización
multiobjetivo para un sistema.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 3 / 14
Variables de diseño
Cualquier sistema en ingenierı́a es definido por un conjunto de cantidades, las cuales (algunas
de ellas) pueden verse como variables en el proceso de diseño. Un aspecto importante es
determinar el conjunto de variables de diseño (con el número mı́nimo de elementos) para
obtener la información necesaria en el proceso de diseño.
En la mayorı́a de los problemas de ingenierı́a, las variables de diseño no pueden elegirse de
manera arbitaria. El conjunto de dichas variables deben producir la información mı́nima
necesaria para describir el sistema u objeto de interés.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 4 / 14
Restricciones de diseño
Al conjunto de condiciones que se deben satisfacer para producir un diseño aceptable son
llamadas genéricamente: restricciones de diseño. Las restricciones que representan limitaciones
en el comportamiento o el desempeño del sistema son denominadas: restricciones funcionales o
de comportamiento. Las restricciones que representan limitaciones fı́sicas tales como
disponibilidad, facilidad de fabricación y transportabilidad son denominadas: restricciones
geométricas.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 5 / 14
Espacios de las variables de diseño y de las funciones objetivo
Cuando se formula un problema de optimización multiobjetivo, se definen de forma intrı́nseca
dos espacios Euclideanos. El primero de ellos definido por el conjunto de n-tuplas ordenadas de
números reales del vector de variables de diseño, el cual se denota por En y el segundo
definido por las k-tuplas ordenadas de los valores de las funciones objetivo, denotado por Ek .
Cada punto en el espacio de las variables de diseño representa una solución y mapea un cierto
punto en el espacio de las funciones objetivo. Este segundo punto es el que determina la
”calidad de la solución” en términos de los valores de las funciones objetivo.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 6 / 14
Óptimo de Pareto
En optimización mutliobjetivo el término ”optimizar” no significa simplemente encontrar el
mı́nimo o el máximo de una función, como en la optimización mono objetivo. En este caso
significa encontrar una ”buena” solución considerando todas las funciones objetivo, es decir;
estableciendo un compromiso entre ellas.
En 1896, V. Pareto propuso una definición formal de óptimo en problemas donde se tuviera
más de una función en conflicto, a este tipo de óptimo se le denomina ”Óptimo de Pareto”.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 7 / 14
Óptimo de Pareto
Definición 1
Un vector de variables de decisión x∗ ∈ X, donde X es la zona factible, es un óptimo de Pareto
si para toda x ∈ X, se cumple ya sea:
∀i ∈ 1, ..., k(fi (x) = fi (x∗ ))
o, existe al menos una i ∈ 1, ..., k tal que:
fi (x) > fi (x∗ )
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 8 / 14
Óptimo de Pareto
Definición 2
Un vector de variables de decisión x∗ ∈ X es un óptimo de Pareto, si no existe otro vector de
variables de decisión x ∈ X tal que fi (x) > fi (x∗ ) para toda i ∈ 1, ..., k y fj (x) < fj (x∗ ) para
al menos un ı́ndice j.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 9 / 14
Frente de Pareto
Debido a que la definición del problema de optimización multiobjetivo define un vector de k
funciones objetivo y por consecuencia un espacio Euclidiano Rk , al conjunto de k-tuplas
generado por las soluciones que pertenecen al conjunto de óptimos de Pareto (P ∗ ) se
denomina ”Frente de Pareto”.
Formalmente se tiene que el Frente de Pareto es el conjunto:
n o
F P = f (x) ∈ Rk | x ∈ P ∗
La forma más general de obtener el Frente de Pareto de un problema es por enumeración de
cada una de las soluciones factibles del mismo, lo que puede en algunos casos resultar en un
alto costo computacional.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 10 / 14
Frente de Pareto
El frente de la figura se obtiene cuando se maximiza f1 y se minimiza f2 . Como se observa
dicho frente es convexo. Sin embargo, un Frente de Pareto puede ser cóncavo, parcialmente
convexo/cóncavo o discontinuo. El ”compromiso” entre las funciones objetivo definen la forma
del Frente de Pareto.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 11 / 14
Dominancia de Pareto
De acuedo a lo anterior, si tenemos dos soluciones x1 y x2 , existirá sólo uno de los tres
siguientes casos:
x1 domina a x2
x1 es dominada por x2 .
x1 y x2 no se dominan, por lo que se dice que son no dominadas entre sı́.
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 12 / 14
Función 1
min f1 (x) = x2
min f2 (x) = (x − 2)2
Donde
x ∈ [−105 , 105 ]
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 13 / 14
Función 2
min f1 (x1 , x2 ) = 4x21 + 4x22
min f2 (x1 , x2 ) = (x1 − 5)2 + (x2 − 5)2
s.a.
(x1 − 5)2 + x22 ≤ 25
(x1 − 8)3 + (x2 + 3)2 ≥ 7,7
Donde
x1 ∈ [0, 5] x2 ∈ [0, 3]
Dr. Marco Sandoval (UPIEM-IPN) Optimización Abril 2025 14 / 14
