「达摩院MindOpt」用于多目标规划（目标规划法）

前篇我们讲述了使用加权和法对多目标规划问题的优化，本篇将讲述使用目标规划法。

1. 原理

目标规划法，首先是为每个目标函数设定一个期望值（目标值）$g_i$。

方案1： 然后构建一个新的目标函数$F(x)$，其形式如下：
$\text{minimize}F(x)=\sum [w_i\ast |f_i(x)-g_i|]$。
其中，$w_i$表示第$i$个目标函数的权重。通过最小化$F(x)$，可以在满足各种约束的同时实现多目标的调和。这个距离也可以通过 $L_2$ 范数来表达。此方法有些类似加权和法。

方案2：我们还可以把目标设定进约束里（类似层次分析法），将优先级高的目标设置为约束条件，从而降低目标函数的个数。即在约束里面增加 $f_1(x)=g_1$。

2.举例子

同样用之前的农场主问题：

假设一个农场主希望优化其土地上的作物种植布局，需要在以下两个目标之间取得平衡：

• 目标1：最大化农场产值（单位：元）；
• 目标2：最小化化肥使用量（单位：千克）。

农场主有两种作物可以种植：作物A、作物B、作物C。设$x_1$、$x_2$、$x_3$分别为种植作物A、B、C的面积。

• 已知A、B、C每亩作物的产值分别为1000元、1200元、1300元。则,目标1的函数：$\text{maximize}{F}_1(x)=1000\cdot x_1+1200\cdot x_2+1300\cdot x_3$。
• 每亩A、B、C作物分别需要化肥：20千克、30千克、33千克。则,目标2的函数：$\text{minimize}{F}_2(x)=20\cdot x_1+30\cdot x_2+33\cdot x_3$。
• 总种植面积不超过100亩。即，$x_1+x_2+x_3\le 100$。
• 3种作物至少每个需要种10亩。

2.1. 设定目标值

在不清楚设什么目标值时候，我们还可以通过求解各个单目标的最优解，观察值，然后设目标值。

如我们使用 MindOpt APL建模语言对这个问题进行建模，并调用 MindOpt Solver 来求解。代码如下：

# ==================目标1=======================


clear model;

# ------建模-------Start-----
# model_2_1.mapl

# 变量
var x1 >= 10;
var x2 >= 10;
var x3 >= 10;

# 目标
maximize obj: (1000 * x1 + 1200 * x2 + 1300 * x3);

# 定义约束条件
subject to constraint1: x1 + x2 + x3 <= 100;
# ------建模-------End-----

#求解
option solver mindopt;     # （可选）指定求解用的求解器，默认是MindOpt
option mindopt_options 'print=0'; #设置求解器输出级别，减少过程打印
solve;         # 求解

# 结果打印和检查结果
print "-----------------Display---------------";
display; 
print "其中，种", x1,"亩作物A，种",x2,"亩作物B，种",x3,"亩作物C。";
print "对应农场产值：", (1000 * x1 + 1200 * x2 + 1300 * x3),"千克。";

# ==================目标2=======================

clear model;

# ------建模-------Start-----
# model_2_2.mapl

# 变量
var x1 >= 10;
var x2 >= 10;
var x3 >= 10;

# 目标
minimize obj: (20 * x1 + 30 * x2 + 33 * x3);

# 定义约束条件
subject to constraint1: x1 + x2 + x3 <= 100;
# ------建模-------End-----

#求解
option solver mindopt;     # （可选）指定求解用的求解器，默认是MindOpt
option mindopt_options 'print=0'; #设置求解器输出级别，减少过程打印
solve;         # 求解

# 结果打印和检查结果
print "-----------------Display---------------";
display; 
print "其中，种", x1,"亩作物A，种",x2,"亩作物B，种",x3,"亩作物C。";
print "对应化肥使用量：", (20 * x1 + 30 * x2 + 33 * x3),"千克。";

运行以上代码结果如下：

Running mindoptampl
wantsol=1
print=0
MindOpt Version 0.25.1 (Build date: 20230816)
Copyright (c) 2020-2023 Alibaba Cloud.

Start license validation (current time : 13-OCT-2023 15:54:20).
License validation terminated. Time : 0.004s


OPTIMAL; objective 126000.00
0 simplex iterations

Completed.
-----------------Display---------------
Primal Solution:
      x1 = 10.0000000
      x2 = 10.0000000
      x3 = 80.0000000
其中，种10亩作物A，种10亩作物B，种80亩作物C。
对应农场产值：126000千克。
Running mindoptampl
wantsol=1
print=0
MindOpt Version 0.25.1 (Build date: 20230816)
Copyright (c) 2020-2023 Alibaba Cloud.

Start license validation (current time : 13-OCT-2023 15:54:20).
License validation terminated. Time : 0.004s


OPTIMAL; objective 830.00
0 simplex iterations

Completed.
-----------------Display---------------
Primal Solution:
      x1 = 10.0000000
      x2 = 10.0000000
      x3 = 10.0000000
其中，种10亩作物A，种10亩作物B，种10亩作物C。
对应化肥使用量：830千克。

从上面可以看出，目标1的最优值是126000千克，目标2的最优值是不种植多余的，只消耗830千克。接下来我们把这两个数值作为目标。

2.2. 方法1：设定优化目标距离

考虑到变量的取值域，这里我们直接采用（大数-小数）的方式来表示距离。

然后类似加权和法，我们引入两个权重参数$w_1$和$w_2$，分别表示农场产值和化肥使用量的重要程度，且满足$w_1+w_2=1$，然后考虑两个目标的单位和数据量级不一样，我们引入参数$c$来给目标2调整数量级。

MAPL代码如下：

# ==================设定目标转换后=======================

clear model;

# ------建模-------Start-----
# model_2_3.mapl

# 变量
var x1 >= 10;
var x2 >= 10;
var x3 >= 10;

# 权重参数
param w1 = 0.7; # 假设农场主更关心农场产值
param w2 = 1 - w1;
param c = 50; # 根据数量级差异 1000/20 = 50来简单预估


# 目标
minimize obj:   w1 *(126000 - (1000 * x1 + 1200 * x2 + 1300 * x3)) + c*w2*((20 * x1 + 30 * x2 + 33 * x3) - 830);

# 定义约束条件
subject to constraint1: x1 + x2 + x3 <= 100;
# ------建模-------End-----

#求解
option solver mindopt;     # （可选）指定求解用的求解器，默认是MindOpt
option mindopt_options 'print=0'; #设置求解器输出级别，减少过程打印
solve;         # 求解

# 结果打印和检查结果
print "-----------------Display---------------";
display;

print "改造的单目标最优是：",w1 *(126000 - (1000 * x1 + 1200 * x2 + 1300 * x3)) + c*w2*((20 * x1 + 30 * x2 + 33 * x3) - 830);
print "其中，种", x1,"亩作物A，种",x2,"亩作物B，种",x3,"亩作物C。";
print "对应农场产值：", (1000 * x1 + 1200 * x2 + 1300 * x3),"元。";
print "对应化肥使用量：", (20 * x1 + 30 * x2 + 33 * x3),"千克。";

运行代码结果如下：

Running mindoptampl
wantsol=1
print=0
MindOpt Version 0.25.1 (Build date: 20230816)
Copyright (c) 2020-2023 Alibaba Cloud.

Start license validation (current time : 13-OCT-2023 15:55:49).
License validation terminated. Time : 0.006s


OPTIMAL; objective 34650.00
0 simplex iterations

Completed.
-----------------Display---------------
Primal Solution:
      x1 = 10.0000000
      x2 = 10.0000000
      x3 = 80.0000000
改造的单目标最优是：34650.00000000001
其中，种10亩作物A，种10亩作物B，种80亩作物C。
对应农场产值：126000元。
对应化肥使用量：3140千克。

从上面可以看出，在本案例里面，目标改造与前面的加权和方法类似。

2.3. 方案2：将目标作为约束来求解最优

除了改造进目标，我们还可以改进约束里。观察上面的目标函数的最优值们：

• $F_1(x)$最优是：种10亩作物A，种10亩作物B，种80亩作物C。对应农场产值：126000千克。
• $F_2(x)$最优是：种10亩作物A，种10亩作物B，种10亩作物C。对应化肥使用量：830千克。

这里我们将$F_1(x)$的最优值作为约束，改造后如下：

# ==================设定目标转换后=======================

clear model;

# ------建模-------Start-----
# model_2_3.mapl

# 变量
var x1 >= 10;
var x2 >= 10;
var x3 >= 10;

# 目标
minimize obj: 20 * x1 + 30 * x2 + 33 * x3; # 仅有F2(x)

# 定义约束条件
subject to constraint1: x1 + x2 + x3 <= 100;

subject to constraint_new: (1000 * x1 + 1200 * x2 + 1300 * x3) == 126000 ;

# ------建模-------End-----

#求解
option solver mindopt;     # （可选）指定求解用的求解器，默认是MindOpt
option mindopt_options 'print=0'; #设置求解器输出级别，减少过程打印
solve;         # 求解

# 结果打印和检查结果
print "-----------------Display---------------";
display;

print "其中，种{:.9g}亩作物A，种{:.9g}亩作物B，种{:.9g}亩作物C。" % x1,x2,x3;
print "对应农场产值：", (1000 * x1 + 1200 * x2 + 1300 * x3),"元。";
print "对应化肥使用量：", (20 * x1 + 30 * x2 + 33 * x3),"千克。";

运行代码结果如下：

Running mindoptampl
wantsol=1
print=0
MindOpt Version 0.25.1 (Build date: 20230816)
Copyright (c) 2020-2023 Alibaba Cloud.

Start license validation (current time : 13-OCT-2023 15:56:49).
License validation terminated. Time : 0.006s


OPTIMAL; objective 3140.00
3 simplex iterations

Completed.
-----------------Display---------------
Primal Solution:
      x1 = 10.0000000
      x2 = 10.0000000
      x3 = 80.0000000
其中，种10亩作物A，种10亩作物B，种80亩作物C。
对应农场产值：126000元。
对应化肥使用量：3140千克。

---

如果是把第二个目标的最优值设置进约束，结果就有些不合适了。如下：

# ==================设定目标转换后=======================

clear model;

# ------建模-------Start-----
# model_2_3.mapl

# 变量
var x1 >= 10;
var x2 >= 10;
var x3 >= 10;

# 目标
minimize obj:  (1000 * x1 + 1200 * x2 + 1300 * x3); # 仅有F1(x)

# 定义约束条件
subject to constraint1: x1 + x2 + x3 <= 100;

subject to constraint_new: (20 * x1 + 30 * x2 + 33 * x3) == 830 ;

# ------建模-------End-----

#求解
option solver mindopt;     # （可选）指定求解用的求解器，默认是MindOpt
option mindopt_options 'print=0'; #设置求解器输出级别，减少过程打印
solve;         # 求解

# 结果打印和检查结果
print "-----------------Display---------------";
display;

print "其中，种{:.9g}亩作物A，种{:.9g}亩作物B，种{:.9g}亩作物C。" % x1,x2,x3;
print "对应农场产值：", (1000 * x1 + 1200 * x2 + 1300 * x3),"元。";
print "对应化肥使用量：", (20 * x1 + 30 * x2 + 33 * x3),"千克。";

运行结果如下：

Running mindoptampl
wantsol=1
print=0
MindOpt Version 0.25.1 (Build date: 20230816)
Copyright (c) 2020-2023 Alibaba Cloud.

Start license validation (current time : 29-AUG-2023 11:35:49).
License validation terminated. Time : 0.007s


OPTIMAL; objective 35000.00
0 simplex iterations

Completed.
-----------------Display---------------
Primal Solution:
      x1 = 10.0000000
      x2 = 10.0000000
      x3 = 10.0000000
其中，种10亩作物A，种10亩作物B，种10亩作物C。
对应农场产值：35000元。
对应化肥使用量：830千克。

3.分析和改进

从上面可以看到：

• 直接设置进目标里面，效果会和加权和法类似。
• 如果设置进约束，是个不一样的思路，也可以得到解。其原理类似设置不同目标的优先级。但是选用不同的目标进约束会导致效果并不合适。

因此多目标转换时候，建议多尝试。可以考虑下述改进思路：

• 结合其他方法：例如与加权法结合，可以在考虑目标优先级的同时，更好地平衡各个目标之间的权重。
• 求解多个解决方案：尝试使用不同的目标优先级或权重组合，以生成多个解决方案。这些解决方案可以提供多个选择方向，有助于在实际应用中找到满意的平衡点。
• 使用交互式方法：在实际应用中，可以使用交互式方法，让决策者参与到优化过程中。在每一轮迭代中，决策者可以根据当前解决方案提供反馈。根据决策者的反馈，可以调整目标优先级或权重，从而在多轮迭代中逐渐找到满意的解决方案。