数学建模——多目标模型matlab

一、应用

线性规划只能解决一组线性约束条件下一个目标的max和min问题，但实际决策中通常要考虑多个目标，这些目标有主有次，有定性有定量，有对立有补充，此时就要用到多目标规划。

二、思路

一句话概括就是将多目标模型->单目标模型

在目标规划中不提最优解的概念, 只提满意解的概念, 即寻求能够照顾到各个目标, 并使决策者感到满意的解, 由决策者来确定选取哪一个解。缺点是满意解的数目太多而难以将其一一求出。

1、加权系数法

给每个目标赋权

2、优先等级法

给每个目标不同的优先等级

3、主要目标法（常用）

将一个目标选为主要目标，将其他目标转换为约束条件。即主要目标作为优化目标函数，将次要目标的约束条件添加到优化模型中。

三、相关概念

1、正负偏差变量

①正偏差变量：决策值超过目标值的部分

②负偏差变量：决策值未达到目标值的部分

2、绝对约束（硬、刚性）

必须严格满足的等式和不等式的约束

3、目标约束（软、柔性）

目标规划特有的，约束右端是要追求的目标值，允许发生正负偏差

>>>注意

可将绝对约束通过添加正负偏差变量的方式转换为柔性约束

四、具体实现matlab

1、fgoalattain

>>>核心宗旨

将正负偏差引入目标函数，在用户给定goal的前提下尽量减少偏差（即使得严格的不等式约束尽可能小的被突破），用人话说就是给定约束条件下尽量接近或达到指定的目标值。

（1）基本用法

[x, fval, exitflag] = fgoalattain(fun, x0, goals, weights, A, b, lb, ub)

①参数

fun：目标函数

x0：变量的初始猜测值

goals：目标值向量（每个目标函数应该达到的值）

weights：目标函数的权重

A，b：线性约束条件

lb，ub：变量的下、上界

②返回值

x：使目标函数达到或接近目标值时的变量向量

fval：目标函数值

exitflag：求解器的推出标志

（2）示例

fun = @(x) [x(1)^2 + x(2)^2, (x(1) - 1)^2 + x(2)^2];
x0 = [0, 0];
goals = [0, 0]; % 目标值向量
weights = [1, 1]; % 权重向量，均衡重要性
A = [];
b = [];
lb = [-5, -5];
ub = [5, 5];
[x_goal, fval_goal, exitflag_goal] = fgoalattain(fun, x0, goals, weights, A, b, lb, ub);

2、paretosearch

>>>核心宗旨

在优化问题具有多个独立的、相互竞争的目标的情况下找到一组非支配解集合（Pareto最优解）

（1）基本用法

[x, fval, exitflag, output, solutions] = paretosearch(problem)

①参数

problem：结构体，包含

->objective：目标函数

->nvars：变量个数

->lb,ub：变量的下、上界

②返回值

->x：矩阵，每一行是一个非支配解

->fval：矩阵，每一行对应x中的目标函数值

->exitflag：求解状态信息

->output：搜索过程的详细信息

->solutions：求解过程的详细信息

（2）示例

仍然求解1、中的问题

% 定义目标函数
objective = @(x) [x(:,1).^2 + x(:,2).^2, (x(:,1) - 1).^2 + x(:,2).^2];

% 定义变量个数和范围
nvars = 2;
lb = [-5, -5];
ub = [5, 5];

% 构造问题结构体
problem.objective = objective;
problem.nvars = nvars;
problem.lb = lb;
problem.ub = ub;

% 求解多目标优化问题
[x, fval, exitflag, output, solutions] = paretosearch(problem);

% 显示结果
disp('Pareto optimal solutions:');
disp(x);
disp('Corresponding objective function values:');
disp(fval);

3、比较选择

• 需要找到多个相互竞争的最优解=>paretosearch
• 更关注目标达成和接近指定目标值=>fgoalattain

五、解决实际问题

>>>代码实现

% 参数定义
w1 = 1;  % 目标一级的权重
w2 = 1;  % 目标二级的权重
w3 = 1;  % 目标三级的权重

% 定义目标函数
% fun 返回一个包含三个目标值的向量
fun = @(x)[w1*x(3), ...              % 第一个目标：w1*x3
           w2*(x(4) + x(5)), ...     % 第二个目标：w2*(x4 + x5)
           w3*(3*x(6) + 3*x(7) + x(8))];  % 第三个目标：w3*(3*x6 + 3*x7 + x8)

% 包含目标到达问题的目标和权重
goal = [0, 0, 0];    % 目标向量，表示希望目标函数的目标值为 [0, 0, 0]
weight = [1, 1, 1];  % 权重向量，表示每个目标的相对重要性，均设为 1

% 定义不等式约束条件
A = [2 2 0 0 0 0 0 0 0;  % 2*x1 + 2*x2 <= 12
     -2 -1 0 0 0 0 0 0 0];  % -2*x1 - x2 <= 0
b = [12; 0];  % 不等式约束向量

% 定义等式约束条件
Aeq = [200 300 1 -1 0 0 0 0 0;  % 200*x1 + 300*x2 + d1^- - d1^+ = 1500
       2 -1 0 0 1 1 0 0 0;  % 2*x1 - x2 + d2^- + d2^+ = 0
       4 0 0 0 0 0 1 -1 0;  %
       0 0 0 0 0 0 0 0 1];  % 5*x2 + d4^- + d4^+ = 15
beq = [1500; 0; 16; 15];  % 等式约束向量

lb = zeros(1, 9);  % 变量下界，所有变量均为非负

% 初始点
x0 = ones(1, 9);  % 初始化点，全 '1' 向量

% 使用 fgoalattain 求解问题
options = optimoptions('fgoalattain', 'Display', 'iter');
[x, fval] = fgoalattain(fun, x0, goal, weight, A, b, Aeq, beq, lb, [], [], options);

% 显示结果
disp('优化结果：')
disp(x)
disp('目标函数值：')
disp(fval)