多目标优化

        多目标优化问题是指存在多个优化目标，且这些目标通常是冲突的，无法同时取到最优值。否则与单目标就没有区别了。

        多目标优化问题通常有两类求解思路：一是转化为单目标优化，二是智能优化。

1. 转为单目标优化

        多目标优化中会涉及对不同目标的取舍。以金融投资为例，投资者想要获得较高的投资收益，但又希望投资风险尽可能地低，而这两个目标事实上是彼此冲突的。

        转化为单目标优化可以有两种处理方法——控制部分目标，以及对目标加权。

1.1 控制部分目标

       第一种处理方法是将大部分优化目标转变成约束条件。

       还是以金融投资为例，优化目标包括投资收益与投资风险两部分。

        如果投资者希望在风险小于p的前提下获得最大收益，则可以把风险作为一个约束条件，此时优化目标只剩下投资收益。

        类似的，如果投资者希望在收益大于r的前提下最小化风险，则可以把收益作为约束条件，优化目标只剩下投资风险。

        通过这种方法，就可以实现多目标优化向单目标优化的转化。其中的p与r等边界可以通过灵敏度分析得到它的最佳取值。

1.2 加权

        第二种方法是对不同的目标加权，这样优化目标就变成了多个目标的加权得分。但首先需要将优化目标都转化为效益型或都转化为成本型。

        如在之前的例子中，设收益为x，风险为y，则问题转化为求解 max (1 - α) * x - α * y。根据不同的情景可以改变α的取值，如投资者更加注重收益，则可以适当提高α。

2. 智能优化

        常用的的智能优化如遗传算法、粒子群算法和模拟退火算法，具体算法内容在此略去。

        智能优化中会涉及几个概念：

        支配：如果个体p的所有指标都不比q差，且至少有一项优于q，则称p支配q。

        序值：若p支配q，则p的序值低于q。互不支配的个体具有相同的序值。

        帕累托前沿：由最低序值点形成的曲线。

https://zhuanlan.zhihu.com/p/352461938