进行多目标优化时,通常面临多个目标函数无法同时达到最优的情况,为了解决这一矛盾,引入Pareto-Optimality的概念
Pareto-Optimality
通常,多目标优化的一般形式为:
经过处理,可以化为以下形式:
其中
f1(x),f2(x),...,fn(x)
为目标函数,其全部都是求最小值的形式
以下针对两个目标函数进行讨论:
有几个目标函数便为几维空间,有两个目标函数Time(f1(x)),Cost(f2(x)),
可以画出图像:
随后引入几个概念:
非支配解:假设任何二解S1 及S2 对所有目标而言,S1均优于S2,则我们称S1 支配S2,若S1 的解没有被其他解所支配,则S1 称为非支配解(不受支配解),也称Pareto解
支配解:若解S2的所有目标均劣于S1,则称S1优于S2,也称S1支配S2
,S2为受支配解。
因此现在的首要任务是寻找解空间里面所有的Pareto解,找到所有Pareto解之后,这些解组成的平面叫做Pareto前沿面(Non-dominated front)。在目标函数较多时,前沿面通常为超曲面。