数学建模part(3):目标规划

📌目标规划

目标规划（Goal Programming）：考虑多个目标

求解思路：

• 加权系数法：为每一目标赋予一个权系数（体现目标之间的重要程度），将多目标转化为单目标问题
• 优先等级法：将各目标按其重要程度不同的有先等级，转化为单目标模型

目标规划无最优解的概念，只有满意解

数学概念:

1. 正负偏差变量（$f_i(i=1,\dots ,l)$为第i个目标函数,$d_i^0$为$f_i$的目标值）

   • 正偏差变量： d i + = m a x { f i − d i 0 , 0 } d_i^+=max\{f_i-d_i^0,0\} di+​=max{fi​−di0​,0}
     • 表示超过目标值的部分（未超过则$d_i^{+}=0$）
   • 负偏差变量： d i − = − m i n { f i − d i 0 , 0 } d_i^-=-min\{f_i-d_i^0,0\} di−​=−min{fi​−di0​,0}
     • 表示未达到目标值的部分（超过则$d_i^{-}=0$）
   • $d_i^{+}\times d_i^{-}=0$ (不可能已超过又未达到)

2. 绝对约束和目标约束

   • 绝对约束：必须严格满足的不等式和等式约束（不满足则无可行解（线性规划））硬约束
   • 目标约束：可以在约束中加入正负偏移差，在达到目标时允许偏移软约束
     • 这里的正负偏移就相当于松弛变量：将不等式化为等式

3. 优先因子（优先等级）权系数

   • 优先因子：$P_1,P_2\dots ,P_k\gg P_{k+1},k=1,2\dots ,q-1$ 表示$P_k比P_{k+1}$ 有更大的优先权
     • 当两个目标有相同的优先因子时：可以用$w_j$ 权系数来区别

4. 目标规划的目标函数：

   • 目标函数（准则函数）：按目标约束的正负偏差变量和赋予的优先因子构造，要尽可能缩小偏离目标值，即偏差变量的加权和最小
     • 第$i$个目标要求恰好达到目标值：$min{w}_i^{-}{d}_i^{-}+w_i^{+}{d}_i^{+}$
     • 第$i$个目标不超过目标值：$min{w}_i^{+}{d}_i^{+}$ 正偏差变量尽可能小
     • 第$i$个目标超过目标值：$min{w}_i^{-}{d}_i^{-}$ 负偏差变量尽可能小

5. 目标规划的数学模型：

   $x_j,j=1,2,\dots n$ 为目标规划的决策变量

   设有$m$个刚性约束，$l$个柔性约束（目标约束，偏差为$d_i^{+},d_i^{-}(i=1,2\dots ,l)$）

   $q$个优先级别$P_1,P_2,\dots ,P_q$ ,同一优先级$P_k$有不同的权重$w_{ki}^{+},w_{ki}^{-},i=1,2,\dots ,l$
   $$\begin{gathered} minz=\sum _{k=1}^q{P}_k\left(\sum _{i=1}^l{w}_{ki}^{-}{d}_i^{-}+w_{ki}^{+}{d}_i^{+}\right) \\ s.t.\{\begin{array}{rl}& \sum _{j=1}^n{a}_{tj}{x}_j\le (=,\ge )b_t,t=1,2\dots ,m\\ & \sum _{j=1}^n{c}_{ij}{x}_j+d_i^{-}-d_i^{+}=d_i^0,i=1,2,\dots ,l\\ & x_j\ge 0,j=1,2,\dots ,n\\ & d_i^{-},d_i^{+}\ge 0,i=1,2,\dots ,l\end{array} \end{gathered}$$
   建立目标规划模型时，要确定目标值，优先等级，权系数（层次分析法，专家评定法，…）

求解目标规划的序贯算法

$$\begin{gathered} minz=\sum _{k=1}^l\left(w_{ki}^{-}{d}_i^{-}+w_{ki}^{+}{d}_i^{+}\right) \\ s.t.\{\begin{array}{rl}& \sum _{j=1}^n{a}_{tj}{x}_j\le (=,\ge )b_t,t=1,2\dots ,m\\ & \sum _{j=1}^n{c}_{ij}{x}_j+d_i^{-}-d_i^{+}=d_i^0,i=1,2,\dots ,l\\ & \sum _{i=1}^l(w_{si}^{-}{d}_i^{-}+w_{si}^{+}{d}_i^{+})\le z_s^{\ast },s=1,2,\dots ,k-1\\ & x_j\ge 0,j=1,2,\dots ,n\\ & d_i^{-},d_i^{+}\ge 0,i=1,2,\dots ,l\end{array} \end{gathered}$$
${\sum }_{i=1}^l(w_{si}^{-}{d}_i^{-}+w_{si}^{+}{d}_i^{+})$ 代表第s个目标（求和为同一优先因子的不同目标的正负偏差加权系数和）$\le goal(s)$

依据优先因子$P_q$，逐步求解将$z_i^{\ast }，i=1,2\dots l$ 作为约束条件，直到$i=q$ 时,$z_q^{\ast }$ 对应的解即为满意解

i=1时，只是空约束（目标函数和约束等价）无需再确定优先因子

LNGO求解时：

• 每次求解出一个$goal$ 就将当前目标的正负偏差值作为下一目标求解的等式约束（刚性）
• 直到最后一个目标求解出来的$x^{\ast }$ 才是满意解

model:
sets:
level/1..q/:p,z,goal;#q为优先因子的个数：即目标的个数
variable/1..j/:x;#决策变量个数j
h_con_num/1..m/b;#m刚性约束 ,b为刚性约束不等式右边向量
s_con_num/1..l/:g,dplus,dminus;#l为柔性约束个数，g为等式右边的向量，d+,d-为相应正负偏移量
h_matrix(h_con_num,variable):A#刚性约束矩阵m*j
s_matrix(s_con_num,variable):C#柔性约束矩阵l*j
obj(level,s_con_num)/k i,..,..,../:wplus,wmins#每一目标下的正负权重向量，...为Pk(..d(i1)-,..d(i2)+)即由k和括号内d的下标配对，相当于构造稀疏矩阵，只在其中的个别元素赋值
endsets
data:
ctr=?;#待键入
goal=??0#问号的个数=目标数-1
b=...;
g=...;
a=...;#a,c只是关于决策变量的系数矩阵
c=...;wplus=..;wminus=...;
enddata    
min=@sum(level:p*z);
@for(level(i)|i#ne#ctr:p(i)=0);
@for(level(i)|z(i)=@sum(obj(i,j):wplus(i,j)*dplus(j)+wminus(i,j)*dminus(j)));#构造目标
@for(h_con_num(i):@sum(variable(j):A(i,j)*x(j))<b(j))#刚性约束
@for(s_con_num(i):@sum(variable(j):C(i,j)*x(j))+dminus(i)-dplus(i))=g(i)); #目标约束   
@for(level(i)|i#lt#@size(level):@bnd(0,z(i),goal(i)));
end     

• 上述为大致的通用程序：可根据约束条件的不同修改
• 也可以直接设置P避免序贯算法（$P_k$ 可以按数量级递减）

matlab 求解多目标规划

• 先求解各目标下的最优值
• 根据最优值求解多目标的满意解

多目标规划模型（matlab）：
$$\begin{gathered} \underset{x,y}{\min }\gamma \\ s.t.\{\begin{array}{rl}& F(x)-weight\cdot \gamma \le goal\\ & A\cdot x\le b\\ & Aeq\cdot x=beq\\ & c(x)\le 0\\ & ceq(x)\le 0\\ & lb\le x\le ub\end{array} \end{gathered}$$
$x,weight,goal$ 为向量，$F(x)$为向量函数，其中$goal$为各个目标组成的向量（其余符号与前述的一致）

matlab函数fgoalattain：

[x,fval]=fgoalattain('fun',x0,goal,weight)
[x,fval]=fgoalattain('fun',x0,goal,weight,A,b)
[x,fval]=fgoalattain('fun',x0,goal,weight,A,b,Aeq,beq)
[x,fval]=fgoalattain('fun',x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon)

• ‘fun’ 为目标向量函数$F(x)$
• nonlcon 为非线性约束函数
• x0 为初始点
• weight ：权重（可以设置为各个目标值的绝对值）