Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
INFLUÊNCIA DO TIPO DE
NORMALIZAÇÃO NA OTIMIZAÇÃO DE
MODELOS WEIGHTED GOAL
PROGRAMMING: O CASO DO BAHREIN
hanser jimenez
CRISTIANO ALEXANDRE CAVALCANTE
Na programação por metas (GP), os pesos atribuídos aos critérios
precisam passar por um processo de normalização, com a finalidade
de alinhar a solução com as metas propostas, através da minimização
de uma função única (aglutinada) global de desvios. A literatura
confirma que alguns autores não aplicam normalização de pesos em
modelos weighted goal programming (WPG), e por tanto
desconsideram o efeito de fatores como inconsistência dimensional,
magnitude do nível de aspiração e dos coeficientes tecnológicos. Isto
traz como consequência soluções subótimas de problemas
multiobjetivo. Neste artigo é feita uma comparação de três tipos de
normalização a traves de um estudo de caso, para determinar o efeito
da normalização sobre o processo de otimização de modelos WPG. Os
resultados confirmam que o tipo de normalização aplicada tem efeito
sobre a solução encontrada no processo de otimização, mostrando que
a normalização percentual e combinada representam de uma forma
mais adequada as preferências e a atitude do decisor, ao considerar o
efeito do nível de aspiração na busca do melhor compromisso entre as
metas. Por outra parte, a normalização euclidiana e não normalização
mostraram ser inadequados, ao estabelecer ponderações ingênuas
(naive setting) aos desvios em relação ao seu nível de aspiração.
Palavras-chave: weighted goal programming, níveis de aspiração,
Normalização, desvios das metas, naive setting
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
2
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
3
1. Introdução
A programação multiobjetivo (MOP) é uma área da Pesquisa Operacional que envolve a
otimização simultânea de funções objetivo normalmente conflitantes. Uma subárea da MOP
agrupa as técnicas baseadas em distância métrica, onde a distância entre a solução ideal ou
desejada e soluções que são factíveis é minimizada (JONES, 2011). Dentro deste grupo
encontra-se a programação de objetivos (GP), originalmente proposta por Charnes & Cooper
(1961), e desenvolvido por Lee (1972), Ignizio (1985), Tamiz; Jones; Romero (1998) e
Romero (2001), entre outros (FLAVELL, 1976; VITORIANO, 1999; CHANG, 2002).
Destaca-se que GP é uma técnica importante para os decisores (DMs) por considerar
simultaneamente vários objetivos na busca de um conjunto de soluções aceitáveis. Por várias
razões, como robustez, flexibilidade matemática e a possibilidade de introduzir muitas
restrições do sistema, pode-se dizer que GP tem sido, e ainda é, a técnica mais utilizada para
resolver problemas de decisão MOP (DHAHRI; CHABCHOUB, 2007; CHANG, 2007;
JOLAI et al., 2011). Em virtude disso, tal técnica é largamente aplicada a muitos problemas
de contabilidade, agricultura, economia, engenharia, transporte, finanças, gestão, no contexto
internacional e marketing (SCHNIEDERJANS, 1995; LAI; HWANG, 1994)
Dentro do campo de Decisão Multicritério; geralmente, atribui-se pesos a cada critério, que
representam algum tipo de informação ordinal ou cardinal sobre a importância dos critérios.
Tais pesos são geralmente estabelecidos subjetivamente com base nas experiências ou
opiniões dos especialistas (PAVLAČKA, 2014).
A esse respeito, evidencia-se a importância dos pesos passarem por um processo de
normalização, com a finalidade de se evitar alguns inconvenientes no processo de otimização,
tais como inconsistência dimensional na soma de desvios e a atribuição de pesos extra a
alguns critérios, e alinhar melhor o objetivo atingido (solução) com a meta proposta (JADIDI;
ZOLFAGHARI; CAVALIERI, 2014; ROMERO, 1991; SILVAA; MARINSB, 2015).
No contexto de goal programming, Romero (1991); Kluyver (1979); Widhelm, (1981); Jones
& Tamiz (2010); e Nakayama (1984) propuseram várias estratégias de normalização. Quais
sejam: normalização percentual, euclidiana, de soma zero-um, entre outras. Destaca-se que
cada estratégia de normalização apresenta vantagens e desvantagens em relação ao processo
de aglutinação na minimização de desvios.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
4
De forma mais particular, vários autores identificam um comportamento peculiar em modelos
WGP (Weighted Goal Programming) sem normalização dos pesos. Ustun & Demirtas (2008),
por exemplo, definiram uma função de realização aditiva combinando meta goal
programming (MGP) e WGP para resolver problemas multiobjetivo (MO). Jolai et al., (2011)
propuseram um modelo de programação linear inteira mista integrado para SSP (supplier
selection problem) e alocação de pedidos. Esses autores usaram WGP para resolver tal
modelo, minimizando de forma simultânea, os desvios ponderados em relação aos objetivos.
Em cada um desses estudos, identificou-se objetivos cujos desvios ponderados eram
dominados por outros desvios. Assim, evidencia-se que os modelos foram tendenciosos para
alguns objetivos, enquanto negligenciavam outros. Esse fenômeno evidencia uma das
principais críticas à eficiência de Goal programming.
De forma mais detalhada, Romero (1991) aponta que a qualidade da solução depende não só
da eficiência do método, mas também da habilidade do modelador. Desta forma, um mal
entendimento do problema ou uma modelagem incorreta em relação a atitude do decisor
(variáveis de desvio), metas redundantes, níveis de aspiração surreais ou normalização
aplicada aos pesos, podem resultar em soluções subótimas.
Nesse cenário, a revisão da literatura confirma que a otimização de modelos WGP, em muitos
casos, é feita sem considerar o efeito da não normalização dos pesos dos desvios sobre o
processo de otimização (CHOUDHARY & SHANKAR, 2014; DEMIRCI & BETTINGER,
2015; HISJAM et al., 2015; JAYARAMAN et al., 2017), e em outros casos, aplicando-se o
tipo de normalização percentual (FOOKS & MESSER, 2012; ZOGRAFIDOU et al., 2017) de
forma predefinida na formulação WGP.
Assim, para aplicar-se qualquer tipo de normalização na modelagem goal programming, é
necessário considerar em detalhe as limitações da abordagem adotada, assim como a natureza
do modelo em relação a magnitude dos níveis de aspiração, dimensões das metas e magnitude
de coeficientes tecnológicos, fatores que, segundo Romero (1991), tem influência sobre o
processo de otimização.
Na próxima secção, será apresentada a forma geral de um modelo WGP e os principais tipos
de normalização. Mais tarde, elas serão comparados através de um estudo de caso com a
finalidade de determinar seu efeito sobre o processo de otimização.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
5
2. Modelo
2.1. Modelo geral
O modelo explorado nesse artigo, conforme anteriormente anunciado, é o WGP. A variante de
programação de metas ponderadas (por vezes denominada programação de objetivos não-
preferenciais) permite compensações diretas entre todas as variáveis desviacionais
indesejadas, colocando-as em uma função ponderada e normalizada de realização única
(JONES & TAMIZ, 2010). Uma vez assumida linearidade da função de realização, pode-se
representar a programação de metas lineares ponderadas pela seguinte formulação:
𝑀𝑖𝑛 ∑(𝛼𝑖𝑛𝑖
𝑘𝑖+
𝛽𝑖𝑝𝑖
𝑘𝑖)
𝑚
𝑖=1
(1)
Sujeito a:
𝑓𝑖(𝑥) + 𝑛𝑖 − 𝑝𝑖 = 𝑏𝑖 𝑖 = 1, . . . . , 𝑚
𝑥 𝜖 𝐶𝑠
𝑥 ≥ 0, 𝑛𝑖 ≥ 0, 𝑝𝑖 ≥ 0 i = 1, . . . . , m
onde ni é a i-ésima variável de desvio negativa, αi é o fator de ponderação para a variável
desviacional negativa i, pi é a i-ésima variável desviacional positiva, βi é o fator de
ponderação para a variável desviacional positiva i, ki é o fator de normalização para a variável
desviacional i, x é o vetor das variáveis de decisão, fi(x) é a i-ésima função objetivo, bi é o i-
ésimo nivel de aspiracão, Cs é um conjunto de restrições rígidas que podem existir no modelo.
2.2. Tipos de normalização
O propósito de qualquer formulação GP é, em certo sentido, minimizar e/ou equiparar os
desvios das metas insatisfeitas. Para que isto ocorra, é necessário que cada desvio seja
geometricamente a distância ortogonal da distância correspondente ao objetivo hiperplano.
Eis aqui a finalidade da normalização: estabelecer uma escala associada às variáveis, para
garantir que o valor numérico da distância ortogonal seja analiticamente o valor da variável de
desvio positiva ou negativa na meta, conforme apropriado (WIDHELM, 1981). Com este
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
6
procedimento, também se evita a influência de certos fatores no processo de otimização, como
colocado na seção introdutória.
A seguir são apresentados os tipos de normalização que serão comparados neste artigo. Para
um maior aprofundamento do leitor, recomenda-se consultar Romero (1991).
Normalização percentual: esta é a forma mais intuitiva e simples de normalizar os pesos,
expressando os desvios de forma relativa. Na função de minimização (equação 1), o
parâmetro ki, estaria definido por:
𝑘𝑖 = 𝑏𝑖 (2)
Onde, ki é o fator de normalização para a variável desviacional i, e bi é o i-ésimo nível de
aspiração.
Normalização euclidiana: esta abordagem procura associar a mesma mensuração de distância
euclidiana a cada variável de desvio, ajustando cada meta a normas euclidianas.
𝑘𝑖 = (∑ 𝑎𝑗𝑖2
𝑛
𝑖=1
)
1/2
(3)
Onde, ki é o fator de normalização para a variável desviacional i, e 𝑎𝑗𝑖2 é o coeficiente da
meta i, da função f(x), na equação 1.
Normalização combinada: esta abordagem é uma combinação da normalização percentual e
euclidiana, que procura solucionar suas desvantagens, ponderando o efeito conjunto dos
níveis de aspiração e os coeficientes dos objetivos.
𝑘𝑖 = 𝑏𝑖 (∑ 𝑎𝑗𝑖2
𝑛
𝑖=1
)
1/2
(4)
Onde bi é o i-ésimo nível de aspiração, e 𝑎𝑗𝑖2 é o coeficiente da meta i, da função f(x), na
equação 1.
3. Estudo de caso
Para determinar a influência do tipo de normalização sobre o processo de otimização de
modelos WGP, foi analisado um estudo de caso existente na literatura, a partir do qual se
estabeleceu um modelo de otimização, comparando-se, para tanto, a aplicação da
normalização percentual, euclidiana e combinada, e o modelo sem normalização, através das
variáveis de desvio. A pesar do autor ter estabelecido um modelo goal programming para o
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
7
problema de sustentabilidade do Bahrain, neste artigo foi proposto um modelo WGP a partir
dos dados do autor a fim de ilustrar a comparação dos tipos de normalização.
3.1. O caso do Bahrain
Este estudo de caso está baseado em dados e previsões apresentados por Jayaraman (2017),
referente aos membros do Conselho de Cooperação do Golfo. A seguir, apresentam-se dados
históricos per capita de desenvolvimento econômico (tabela 1), consumo de eletricidade
(tabela 2), emissões de gases de efeito estufa (tabela 3), e número total de funcionários (tabela
4) do Bahrein, em termos da contribuição de oito setores econômicos.
Tabela 1-Produto interno bruto per capita
(referência de 2012)
Setor Produto
interno bruto
Agricultura 0.06285
Petróleo cru, gás natural e
mineração
0.23323
Fabricação e eletricidade 0.05118
Construção e imobiliária 0.01739
Comercio e transporte 0.02089
Restaurantes e hotéis 0.04577
Serviços bancários e financeiros 0.30844
Serviços governamentais, sociais
e personalizados
0.02656
Fonte: Adaptado de Jayaraman (2017)
Tabela 2-Consumo de eletricidade per capita
(referência de 2014)
Setor Consumo de
eletricidade (Gwh)
Agricultura 0.03688
Petróleo cru, gás natural e
mineração
0.00505
Fabricação e eletricidade 0.05018
Construção e imobiliária 0.03949
Comercio e transporte 0.02047
Restaurantes e hotéis 0.04483
Serviços bancários e
financeiros
0.30233
Serviços governamentais,
sociais e personalizados
0.02721
Fonte: Adaptado de Jayaraman (2017)
Tabela 3-Emissões de gás de efeito estufa per capita
(referência de 2012)
Setor Emissões GEE (Ggr
CO2 equivalente)
Agricultura 0.02138
Petróleo cru, gás natural e
mineração
0.42291
Fabricação e eletricidade 0.09047
Construção e imobiliária 0.02858
Comercio e transporte 0.01375
Restaurantes e hotéis 0.02213
Serviços bancários e
financeiros
0.15673
Serviços governamentais,
sociais e personalizados
0.01349
Fonte: Adaptado de Jayaraman (2017)
Tabela 4-Número de empregados
(referência de 2014)
Setor Número de
empregados
Agricultura 1,418
Petróleo cru, gás natural e
mineração
26,948
Fabricação e eletricidade 89,156
Construção e imobiliária 185,668
Comercio e transporte 163,034
Restaurantes e hotéis 36,995
Serviços bancários e
financeiros
16,371
Serviços governamentais,
sociais e personalizados
194,364
Fonte: Adaptado de Jayaraman (2017)
Tabela 5-Metas estimadas para o ano 2030
Critério Número de
empregados
PIB 64347(5%)
Número de empregados 1337222(3.5%)
Consumo de eletricidade 90552(7.8%)
Emissões GEE 59237(3.3%)
Fonte: Adaptado de Jayaraman (2017)
A tabela 5 apresenta a previsão feita por Jayaraman (2017) de metas que o Bahrein deve
atingir ao final do ano 2030. De posse das taxas de crescimento correspondentes aos quatro
critérios, baseados em dados históricos, consultados no WORLD BANK, International Energy
Agency (IEA) e United Nations Framework Convention on Climate Change (UNFCCC),
pode-se estabelecer um modelo de goal programming para determinar a alocação ótima de
mão-de-obra em vários setores econômicos, com a finalidade de satisfazer simultaneamente o
consumo de energia, o crescimento econômico, o desenvolvimento trabalhista e a redução das
emissões de gases de efeito estufa no Bahrein.
Para isso, considerou-se que todas as metas têm a mesma importância para o decisor, e que
tanto os desvios negativos quanto os positivos são indesejáveis; a partir dessas considerações
o seguinte modelo WGP com a forma Mixed Integer Linear Programming foi estabelecido:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 (𝐷11 + 𝐷12) + (𝐷21 + 𝐷22) + (𝐷31 + 𝐷32) + (𝐷41 + 𝐷42) (5)
Sujeito a:
Restrição GDP:
0.06285𝑋1 + 0.23323𝑋2 + 0.05118𝑋3 + 0.01739𝑋4 + 0.02089𝑋5 + 0.04577𝑋6
+ 0.30844𝑋7 + 0.02656𝑋8 + 𝐷11 + 𝐷12 = 64347
(6)
Restrição consumo de eletricidade:
0.03688𝑋1 + 0.00505𝑋2 + 0.05018𝑋3 + 0.03949𝑋4 + 0.02047𝑋5 + 0.04483𝑋6
+ 0.30233𝑋7 + 0.02721𝑋8 + 𝐷21 + 𝐷22 = 90552
(7)
Restrição emissão GEE:
0.02138𝑋1 + 0.42291𝑋2 + 0.09047𝑋3 + 0.02858𝑋4 + 0.01375𝑋5 + 0.02213𝑋6
+ 0.15673𝑋7 + 0.01349𝑋8 + 𝐷31 + 𝐷32 = 59237
(8)
Restrição número de empregados:
0.02138𝑋1 + 0.42291𝑋2 + 0.09047𝑋3 + 0.02858𝑋4 + 0.01375𝑋5 + 0.02213𝑋6
+ 0.15673𝑋7 + 0.01349𝑋8 + 𝐷41 + 𝐷42 = 1337222
(9)
𝑋1 ≥ 1418; 𝑋2 ≥ 26948; 𝑋3 ≥ 89156; 𝑋4 ≥ 185668; 𝑋5 ≥ 163034; 𝑋6 ≥ 36995; 𝑋7
≥ 16371; 𝑋8 ≥ 194364;
𝑋1, 𝑋2, 𝑋3, 𝑋4, 𝑋5, 𝑋6, 𝑋7, 𝑋8 = 𝑖𝑛𝑡𝑒𝑖𝑟𝑜
𝐷11 ≥ 0; 𝐷12 ≥ 0; 𝐷21 ≥ 0; 𝐷22 ≥ 0; 𝐷31 ≥ 0; 𝐷32 ≥ 0; 𝐷41 ≥ 0; 𝐷42 ≥ 0
Onde Xi representa o número de empregados em cada setor econômico. Sendo X1 =
agricultura X2 = Petróleo cru, gás natural e mineração X3 = fabricação e eletricidade, X4 =
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
11
Construção e imobiliária, X5 = Comercio e transporte, X6 = Restaurantes e Hotéis, X7 =
Serviços bancários e financeiros e X8 = serviços governamentais, sociais e personalizados.
D11, D12, D21, D22, D31, D32, D41 e D42, por sua vez, representam os desvios positivos e
negativos em relação a cada meta de sustentabilidade.
O modelo foi solucionado considerando a não normalização dos pesos, a normalização
percentual, normalização euclidiana e normalização combinada, previamente descritas.
4. Resultados e interpretação
O modelo WPG foi solucionado usando o software de otimização WinQsb 2.0©. Os resultados
sumarizados são apresentados na tabela 6.
Para analisar de forma objetiva os resultados da tabela 6, os desvios foram expressos de forma
percentual (tabela 7).
Tabela 6-Resultados do modelo WGP
Variável
Sem normalização Percentual Euclidiano Combinado
Valor Custo
reduzido Valor
Custo
reduzido Valor
Custo
reduzido Valor
Custo
reduzido
X1 1.418,00 0 1.418,00 0 1.418,00 0 1.418,00 0
X2 26.948,00 0 26.948,00 0 26.948,00 0 26.948,00 0
X3 89.156,00 0 89.156,00 0 89.156,00 0 89.156,00 0
X4 725.548,00 0 609.738,00 0 725.553,00 0 609.737,00 0
X5 163.034,00 0 163.034,00 0 163.034,00 0 163.038,00 -0,01
X6 37.001,01 0 165.590,00 0 36.995,00 0 165.591,00 0
X7 99.752,99 0 86.937,01 0 99.754,00 0,17 86.937,00 0,16
X8 194.364,00 0 194.401,00 0 194.364,00 0 194.397,00 0
D11 0 1,47 0 0 0 5,01 0 4,24
D12 0 0,53 0 0 0,12 0 0 3,53
D21 17.311,67 0 19.911,18 0 17.311,44 0 19.911,21 0
D22 0 2 0 0 0 6,32 0 0,7
D31 0 2 0 0 0 4,33 0 4,82
D32 2.541,16 0 0 0 2.541,34 0 0 2,48
D41 0 1 0 0 0 0,37 0,01 0
D42 0 1 0,01 0 0 0,34 0 0,05
Fonte: Esta pesquisa (2018)
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
12
Na tabela 7, observa-se que a meta de consumo de energia apresenta um desvio negativo
(D21). Este valor é menor no modelo sem normalização e com normalização euclidiana
(19,1179 % e 19,1176 %, respectivamente) em relação aos modelos percentual e combinado
(21,9886% e 21,9887%, respectivamente).
Tabela 7-Desvios em forma percentual
Variável
Sem normalização Percentual Euclidiano Combinado
Valor (%) Valor (%) Valor (%) Valor (%)
D11 0 0 0 0
D12 0 0 0 0
D21 19,1179 21,9886 19,1176 21,9887
D22 0 0 0 0
D31 0 0 0 0
D32 4,2898 0 4,29012 0
D41 0 0 0 7,478E-07
D42 0 7,478E-07 0 0
Fonte: Esta pesquisa (2018)
Tal resultado é, aparentemente, bom dado que implica uma melhor satisfação da meta de
consumo de energia; contudo, nota-se que a meta de emissão de GEE apresenta um desvio
positivo (D32) maior no modelo sem normalizar e no modelo com normalização euclidiana
(4,2898% e 4,2901%, respectivamente) em relação ao modelo percentual e combinado (0% e
0%, respectivamente). Segundo Romero (1991), isso pode acontecer porque as duas primeiras
abordagens, não consideram a magnitude do nível de aspiração das metas na mensuração dos
desvios, tendendo a satisfazer de uma forma ingênua (naive Setting) as metas com níveis de
aspiração mais altos (metas 2 e 4), castigando as metas com níveis de aspiração mais baixos
(metas 1 e 3), em outras palavras, quando as metas tem valores numéricos de níveis de
aspiração muito diferentes, as metas com valores mais altos, recebem um peso extra artificial,
que não reflete as preferências do decisor. Ainda segundo Romero (1991), quando é aplicada
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
13
normalização euclidiana, ou não é aplicado nenhum tipo de normalização aos pesos, a função
de minimização agrega desvios em diferentes unidades, trazendo como consequência falta de
significado da função objetivo.
Este fenômeno também foi demostrado por Jolai et al. (2011) e Ustun & Demirtas (2008),
quês concluíram que um modelo WGP sem normalização, não garante que os objetivos
atingidos sejam consistentes com os pesos. Já os modelos com ponderação percentual e
combinado parecem representar de forma mais adequada a atitude do decisor, uma vez que
consideram o efeito do nível de aspiração na normalização dos desvios (ROMERO, 1991). O
efeito disso pode ser observado com a determinação do desvio D21, maior, permitindo, assim,
um melhor compromisso das metas 1 e 3, com desvios D32 e D12 menores, demonstrando
também a prioridade extra que foi dada a este desvio nas normalizações já discutidas.
A limitação da normalização percentual e combinada, por sua vez, repousa no fato de que os
valores numéricos dos desvios do modelo não têm uma correspondência de um para um com a
distância geométrica da solução. Portanto, a função de minimização de desvios é uma
aproximação para encontrar a solução (ROMERO, 1991).
Além disso, a normalização combinada além de considerar o efeito do nível de aspiração,
também considera o efeito dos coeficientes tecnológicos de cada objetivo. Contudo, no caso
do Bahrein parece que o efeito na solução não é significativo, pois a solução é próxima a
encontrada com a normalização percentual. Isso pode ser confirmado ao observar a escala e as
magnitudes dos coeficientes tecnológicos das equações 6-9.
Assim, o compromisso estabelecido pelos modelos percentual e combinado poderiam ser mais
adequados para o problema de sustentabilidade do Bahrein, pois representam melhor a atitude
do decisor. Algumas dessas duas soluções cumprem as metas de emissão de GEE, bem como
o atendimento do aumento do PIB e do nível de emprego. A meta de consumo de energia
apresenta um desvio negativo D21=19.911,18 Gwh, o que significa que a energia consumida
será 22% a menos em relação à atual previsão de consumo para 2030. Este consumo de
energia é o melhor compromisso em relação ao nível de aspiração desejado, e garante não só
que o Bahrain diminua seu consumo de energia, mas que também se beneficie do consumo
interno da energia que o próprio país produz.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
14
5. Conclusões e recomendações
Conforme se viu, o tipo de normalização aplicada sobre os pesos dos desvios tem influência
no processo de otimização e, portanto, é necessário considerar o tipo de normalização usada,
de acordo com as limitações e características do problema.
Apesar das limitações de cada tipo de normalização, a normalização percentual e a combinada
demostraram representar de uma forma mais adequada as preferencias e a atitude do decisor,
ao considerar o efeito do nível de aspiração na busca do melhor compromisso entre as metas.
Por outro lado, a normalização euclidiana e a não normalização, demostraram ser inadequadas
para modelos goal programming, ao estabelecer ponderações ingênuas (Naive Setting) aos
desvios em relação ao seu nível de aspiração.
Além disso, para casos em que os coeficientes tecnológicos apresentam diferenças
significativas entre objetivos, é recomendada a utilização da normalização combinada, pois
segundo alguns autores, a magnitude destes coeficientes tem um efeito sobre a solução
encontrada.
Ademais, considerando as limitações dos modelos com normalização percentual e combinada,
recomenda-se estabelecer uma normalização que além de incluir o efeito da magnitude do
nível de aspiração e dos coeficientes tecnológicos dos objetivos, permita estabelecer que os
desvios das metas correspondam exatamente à distância geométrica do objetivo com a
solução, de tal forma que melhores soluções possam ser encontradas.
Faz-se um agradecimento à CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível
Superior) por possibilitar o desenvolvimento desta pesquisa.
Referências
CHANG, C.-T. A modified goal programming model for piecewise linear functions. European Journal of
Operational Research, v. 139, n. 1, p. 62–67, 2002.
CHANG, C.-T. Binary fuzzy goal programming. European Journal of Operational Research, v. 180, n. 1, p. 29–
37, 2007.
CHARNES, A.; COOPER, W. W. Management models and industrial applications of linear programming (Vol.
1, p. 2). New York: Wiley, 1961
CHOUDHARY, D.; SHANKAR, R. A goal programming model for joint decision making of inventory lot-size,
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
15
supplier selection and carrier selection. Computers & Industrial Engineering, v. 71, p. 1–9, 2014.
DEMIRCI, M.; BETTINGER, P. Using mixed integer multi-objective goal programming for stand tending block
designation: A case study from Turkey. Forest Policy and Economics, v. 55, p. 28–36, 2015.
DHAHRI, I.; CHABCHOUB, H. Nonlinear goal programming models quantifying the bullwhip effect in supply
chain based on ARIMA parameters. European Journal of Operational Research, v. 177, n. 3, p. 1800–1810,
2007.
FLAVELL, R. A new goal programming formulation. Omega, v. 4, n. 6, p. 731–732, jan. 1976.
FOOKS, J. R.; MESSER, K. D. Maximizing conservation and in-kind cost share: Applying Goal Programming
to forest protection. Journal of Forest Economics, v. 18, n. 3, p. 207–217, 2012.
HISJAM, M. et al. A Sustainable Partnership Model among Supply Chain Players in Wooden Furniture Industry
Using Goal Programming. Agriculture and Agricultural Science Procedia, v. 3, p. 154–158, 2015.
IGNIZIO, J. P. An algorithm for solving the linear goal programming problem by solving its dual. Journal of the
Operational Research Society, 36(6), 507-515, 1985.
JADIDI, O.; ZOLFAGHARI, S.; CAVALIERI, S. A new normalized goal programming model for multi-
objective problems: A case of supplier selection and order allocation. International Journal of Production
Economics, v. 148, p. 158–165, 2014.
JAYARAMAN, R. et al. A Weighted Goal Programming model for planning sustainable development applied to
Gulf Cooperation Council Countries. Applied Energy, v. 185, p. 1931–1939, 2017.
JOLAI, F. et al. Integrating fuzzy TOPSIS and multi-period goal programming for purchasing multiple products
from multiple suppliers. Journal of Purchasing and Supply Management, v. 17, n. 1, p. 42–53, 2011.
JONES, D. A practical weight sensitivity algorithm for goal and multiple objective programming. European
Journal of Operational Research, v. 213, n. 1, p. 238–245, 2011.
JONES, D, AND TAMIZ, M. Practical goal programming. Vol. 141. New York: Springer, 2010.
KLUYVER, C. A. DE. An Exploration of Various Goal Programming Formulations --- with Application to
Advertising Media Scheduling. Journal of the Operational Research Society, v. 30, n. 2, p. 167–171, 1979.
LAI,Y.J.; HWANG, C. Fuzzy Multiple Objective Decision Making, methods and applications. Springer-Verlag,
1994.
LEE, S. M. Goal programming for decision analysis (p. 387). Philadelphia: Auerbach, 1972.
NAKAYAMA, H.; SAWARAGI, Y. Satisficing trade-off method for multiobjective programming. In Interactive
decision analysis (pp. 113-122). Springer Berlin Heidelberg, 1984.
PAVLAČKA, O. On various approaches to normalization of interval and fuzzy weights. Fuzzy Sets and Systems,
v. 243, p. 110–130, 2014.
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
.
16
ROMERO, C. Extended lexicographic goal programming: a unifying approach. Omega, v. 29, n. 1, p. 63–71,
2001.
ROMERO, C. Handbook of critical issues in goal programming. [S.l.]: Pergamon Press, 1991.
SCHNIEDERJANS, M. J. Goal Programming Solution Methodology. In Goal Programming: Methodology and
Applications (pp. 45-72). Springer US, 1995.
SILVAA, A. F. DA; MARINSB, F. A. S. Revisão da literatura sobre modelos de Programação por Metas determinística e sob incerteza. Production, v. 25, n. 1, p. 92–112, mar. 2015.
TAMIZ, M.; JONES, D.; ROMERO, C. Goal programming for decision making: An overview of the current
state-of-the-art. European Journal of Operational Research, v. 111, n. 3, p. 569–581, 1998.
USTUN, O.; DEMIRTAS, E. A. Multi-period lot-sizing with supplier selection using achievement scalarizing
functions. Computers & Industrial Engineering, v. 54, n. 4, p. 918–931, 2008.
VITORIANO, B., AND C. ROMERO. Extended interval goal programming. Journal of the operational
Research Society50.12 (1999): 1280-1283.
WIDHELM, W. B. Extensions of goal programming models. Omega, v. 9, n. 2, p. 212–214, jan. 1981.
ZOGRAFIDOU, E. et al. A financial approach to renewable energy production in Greece using goal
programming. Renewable Energy, v. 108, p. 37–51, 2017.