多目标优化——自学笔记
非公开,仅仅为了加深自身对多目标优化的理解和记忆。同时,在日后回顾时更加方便
基础知识理解
前言
这里主要记录了帕累托、支配、最优解集等相关基础理论知识
一、多目标优化问题(multi-objective optimization problem, MOP)
数学描述定义:
F
(
x
)
=
[
f
1
(
x
)
,
f
2
(
x
)
,
.
.
.
,
f
m
(
x
)
]
F(x)=[f_1(x),f_2(x),...,f_m(x)]
F(x)=[f1(x),f2(x),...,fm(x)]
s
.
t
.
x
∈
Ω
s.t. x \in \Omega
s.t.x∈Ω
其中,
F
(
x
)
F(x)
F(x)为需要优化的目标集合,
f
i
(
x
)
f_i(x)
fi(x)为集合中的一个目标分量,
m
m
m为集合中需要优化的目标的个数,同时附带一些不等式或等式约束条件。
二、帕累托支配关系(Pareto Dominance)
在最小化问题中,
∀
i
∈
{
1
,
2
,
⋯
,
m
}
,
f
i
(
x
1
)
≤
f
i
(
x
2
)
,
a
n
d
,
∃
j
∈
{
1
,
2
,
⋯
,
m
}
,
f
j
(
x
1
)
<
f
j
(
x
2
)
\forall i \in \left\{ {1,2, \cdots ,m} \right\},{f_i}({x_1}) \le {f_i}\left( {{x_2}} \right),and,\exists j \in \left\{ {1,2, \cdots ,m} \right\},{f_j}({x_1}) < {f_j}({x_2})
∀i∈{1,2,⋯,m},fi(x1)≤fi(x2),and,∃j∈{1,2,⋯,m},fj(x1)<fj(x2)理解起来就是,任意一个目标分量,
x
1
x_1
x1的值都不大于
x
2
x_2
x2,并且在这些目标分量中至少存在一个目标分量
x
1
x_1
x1的值严格比
x
2
x_2
x2的值小,记作
x
1
≺
x
2
{x_1} \prec {x_2}
x1≺x2
如上图所示,第一、二、三蓝色节点支配与第一个红色节点,第四、五、六则不支配第一个红色节点
三、帕累托最优解(Pareto optimal solution)
当且仅当没有任何一个 x x x支配 x ∗ x^* x∗,称 x ∗ x^* x∗为帕累托最优解。在一个多目标优化问题中帕累托最优解的个数不止一个。如上图所示,所有的蓝色节点都是帕累托最优解,因为没有其他的节点支配于蓝色的节点
四、帕累托最优解集
帕累托最优解集中的解彼此之间互不支配,解集中的每一个解都是帕累托最优解。如上图所示,所有蓝色的节点构成了一个多目标优化问题的帕累托最优解集。
总结
到此为止,关于多目标优化中的相关基础理论就总结完毕,接下来针对支配排序算法进行笔记