凸优化学习-（十七）多目标优化问题

凸优化学习

多目标优化问题和之后的拉格朗日乘子有异曲同工之妙，需要深入理解里面的概念。

学习笔记

一、定义

形如：
$$\begin{gathered} \begin{array}{rlrl}\min & & f_0(x)& \\ \text{s.t.}& & f_i(x)& \le 0\\ & & h_i(x)& =0\end{array} \\ 其中,f_0:R^n\to R^q,f_i:R^n\to R,h_i:R^n\to R \end{gathered}$$
表示有$q$个变量需要优化。

例1：又好又快发展（帕累托最优面）

形如：
$$\begin{array}{rlrl}\min & & -\text{Speed}& \\ \min & & -\text{Quality}& \\ \text{s.t.}& & \text{Resources}& \end{array}$$
关于这个问题的帕累托最优面：

定义：
$\text{Pareto optional front}：$任意在该面上的点，若找到另一解是其在某个指标上变好，必在别的指标上变得更差。
$\text{Pareto optional value}：$在该面上的点对应的函数值。
$\text{Pareto optional point}：$在该面上的点对应的自变量。

解多目标问题就是求帕累托最优面。

例2：非连续的帕累托最优面（求解难度极大）

例3：将多目标优化转换为单目标优化求解

当$f_0(x),f_i(x)$为凸，$h_i(x)$为仿射时，可以进行如下转换。
形如：
$$\begin{array}{rlrl}\min & & \sum _{i=1}^q{\lambda }_i{f}_{0_i}(x)& \\ \text{s.t.}& & f_i(x)& \le 0\\ & & h_i(x)& =0\end{array}$$
其中${\lambda }_i$为权重，通过将多个函数加权，转换为单目标优化问题。本质上一个${\lambda }_i$可以求出帕累托最优面上一个点，通过遍历${\lambda }_i$可以求出帕累托最优面。

例4：遍历${\lambda }_i$也求不出帕累托最优面的例子

可以这么理解，${\lambda }_i$本质是找切线，通过切点构造出帕累托最优面。在上图中，帕累托最优面为折线部分。当我们寻找左半边的部分帕累托最优面时，有一部分切点的切线，是会交这个集合的，这部分帕累托最优面我们是找不到的。所以为什么前提条件要求可行解集是凸集。

例5：另一种优化方法

多目标优化问题还可以通过将其中某些目标变为约束，只优化一个目标的方式来进行优化。
原问题：

$$\begin{array}{rlrl}\min & & f_{0_1}(x)& \\ \min & & f_{0_2}(x)& \\ \text{s.t.}& & f_i(x)& \le 0\\ & & h_i(x)& =0\end{array}$$
方法1：
$$\begin{array}{rlrl}\min & & f_{0_1}(x)+\lambda f_{0_2}(x)& \\ \text{s.t.}& & f_i(x)& \le 0\\ & & h_i(x)& =0\end{array}$$
方法2：
$$\begin{array}{rlrl}\min & & f_{0_1}(x)& \\ \text{s.t.}& & f_i(x)& \le 0\\ & & h_i(x)& =0\\ & & f_{0_2}(x)& \le ϵ\end{array}$$

个人思考

解多目标问题一般是将其转换为单目标问题，直接求难度太高而且往往没必要。因为除非两个优化变量是有权（这样可以将其变为加权的单目标优化问题）的，不然帕累托最优面上的点一定是同等优的，这样我们去求出帕累托最优面上的一个点就可以了。

纸质笔记