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!