一、学习目标
1.了解多目标优化问题的描述
2.学习帕里托最优的定义
3.掌握加权求和法、ε-约束法、目标维度法
二、多目标优化
多目标优化问题如其名所说,其难点在于无法满足多个目标同时最优的情况下,如何追求较高的普遍性的整体最优解。
在多目标优化问题中,我们的展示性的图案也要进行一下变换:
在单目标中(左图),我们的坐标轴是输入x,图案是约束函数范围,其中的等高线展示目标函数值(图中没画出)。在多目标中(右图),我们的坐标轴是多个目标函数,圈出的图案是约束函数目标函数的值空间,没有等高线。图案的每个点都是一组目标值。
而上面的“较高的普遍性的全局最优解”被定义为“帕里托最优”(Pareto optimality)
三、帕里托最优
帕里托最优解描述为多目标的整体最优的解,其不要求所有目标都最优,但总要保证某一些目标要达到最优。数学公式表述如下:
我们以一个例子讲明帕里托最优解:(红色曲线都是帕里托最优解,在P和Q点向外移动,是会导致两个F值上升,所以不是。由于整体最优的公式是人工定义的,这里就忽略这一点,于是当在红色曲线内移动时,总能保证一个F值在下降,就认为是帕里托最优解了)
测试一下:下面哪个是帕里托最优解
正确答案是中间地那个。
四、加权求和法(Weighted-sum strategy)
加权求和法主要是用一些权重w来衡量哪些目标函数重要,哪些不重要,从而让重要的目标函数达到最优,不重要的目标就不追求。算法定义如下:
这个算法有两个问题:(1)如何分配合适的权重;(2)并不能找到所有的帕里托解。
关于(1)问题,展示如图所示:
关于(2)问题,则是会出现这种情况:
五、ε约束法(ε-constraint method)
ε约束法的思想也很简单,就是对其他的目标函数加以约束,让其不小于ε,使这些目标函数变成约束函数,留下最后一个目标函数来作为真正的目标函数来求解它的最优解。整体问题定义如下:
以图例展示:
ε约束法的优点:可以找到加权求和法无法找到的帕里托最优解。
ε约束法的问题:(1)如何选择合适的ε(太小没有解,太大可能离原问题的最优解远)
(2)使用了硬约束的办法,与多目标任务的最初的目标相违背。
六、目标维度法(Goal attainment method)
整体思想如图所写:
改写原问题,当前问题就被定义为了:
显然,相比于ε约束法,目标维度法使用了软约束,能有比较好的调整空间。能够更好地找到帕里托最优解。