多目标优化问题（MOP）

背景

        优化问题可以分为单目标优化（Single-objective Optimization Problem，SOP）和多目标优化（Multi-objective Optimization Problem，MOP）。在解决实际工程问题时，存在的更多是非线性、高复杂的问题，如路径优化、配电网规划、发电调度等等，这些问题大多都是MOP问题。

        MOP问题具有以下特征：（1）总目标函数包含多个子目标（≥2个）（2）必须同时优化多个目标

       值得注意的是，大部分的MOP问题，子目标之间往往相互冲突，存在制约关系，即NP-hard问题，一般不存在绝对最优解，我们通常只是去寻找一个可以较好平衡子目标之间的解或者解集合。

MOP数学模型

式中，为解向量；F为目标函数向量，为任意子目标函数，im为目标函数个数，i=1,2,...,m；分别为系统不等式约束和等式约束。

       设E为问题的解空间，当E中不存在另一个解a满足,则称x为该MOP问题的一个帕累托最优解。

三种多目标优化方法

1）基于聚集函数

      对不同的目标函数进行线性或非线性加权，将MOP转化为SOP，本质仍然属于SOP问题。

式中，，，为权重系数。这种处理方式比较简单，主要考虑的是权重大小的选择，一般只能求取一个最优解。

2）基于群体的方法

       采用不同机制，将种群分解为不同的子种群，针对每个子种群独立进行优化和遗传操作，最后将种群合并，并不断迭代分解与合并的过程。

3）基于帕累托最优（Pareto Optimality）

       帕累托最优，也称为帕累托效率，是经济学中的重要概念，是指资源分配的一种理想状态。帕累托改进是指一种变化，即在没有使任何人福祉减小的情况下，使得至少一个人福祉增加。帕累托最优是指没有进行帕累托改进余地的状态；帕累托改进是达到帕累托最优的路径和方法。

       优势：在多目标进化算法中，Pareto方法通过分类，将很多非支配个体排除，从而得到更好收敛性的解集。同时，将分布性保持机制应用到算法当中，可以在不影响算法收敛性的同时保持算法的分布性能。

         如图所示，为双目标优化问题下的pereto支配示意图，弧线为帕累托最优边界，弧线上的点（A，B，C）均为Pareto最优解，所有帕累托最优解构成Pareto最优解集。这些解经目标函数映射构成了该问题的Pareto最优边界，即帕累托最优解对应的目标函数值就是Pareto最优边界。

关于更多帕累托最优的问题，可以看这篇博客，超详细！

帕累托最优(Pareto Optimality)-CSDN博客