python 遗传算法多目标优化_NSGA2 遗传算法解决多目标优化

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。