算法中的最优化方法与实现（第11课 多目标优化问题）

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。

七、本章小结