阅读Book：MultiObjective using Evolutionary Algorithms（7）---Weighted Sum Methods & ε-Constraint Methods

（1） Classical multi-objective optimization methods have been around for at least four decades.

（2）  Weighted Sum Methods（加权和法）

（1） 因为各个目标的数据什么都不一致，为了方便比较，使用归一化或者是标准化。 目的是同一个量级

我有100给你花50，同 我有十块给你花5块的量级都是 花了 50%

（2）根据结果分配不同的权重， 权重之和为1

标准公式：

（3） 定理： 

通过反证法证明：假设所有的ｗ为正数，但获解并不是Ｐａｒｅｔｏ－ｐｔｉｍａｌ然后证明矛盾。

该定理并没有说明：只有获得 正数w就可以得到pareto最优，但是Theorem 3.1.2则证明在凸函数中通过获得正数权重 向量w就可以得到Pareto最优

证明：以两个目标的为例　ｗ１确定则ｗ２　＝　１－ｗ１

以下：　自己对书本的理解，有误还请指正

（４）举例子计算：

题目：

第一步： 构造表达式：

 

第二步： 根据各目标函数绘制目标空间

 第三步（1）： 找 最小值解，从而确定满足的w1

then----

（2） 满足黑塞矩阵

另外：

加权法并不适用与非凸函数：因为按照之前的寻找切点的方法，跟没没有办法获得凸型的切点，导致其 访问不了中间凹进去的部分（我是这么理解的）

（3） ε-Constraint Methods

目的：　克服加权法不能应用在非凸函数的 缺陷

(1) 定义

好像是将非凸函数，通过以上的条件划分，然后转化为凸函数

（2）该方法处理非凸以及凸函数的定理

（3）举例子证明：

题目：

 计算各种条件---然得到各参数的值

then-------

当a=0.2，b=3