双目标帕累托优化_多目标优化问题MOOP (2) - 基础概念

MOOP定义(多目标优化问题)

多目标优化问题(MOOP: Multi-Objective Optimization Problems):

• 涉及多个最大化/最小化的目标函数
• 最优解是多个竞争目标的权衡

MOOP的形式化定义如下:

通俗理解:

• 变量
  是一个 n 维的向量
  , 它的每一维
  的取值范围是
• 使得 J 个不等式约束函数
  同时成立
• 使得 K 个等式约束函数
  同时成立
• 让 M 个目标函数
  达到最优化(最小化或最大化)

Dominance(支配)

在单目标优化问题中, 单个解跟其它解的优劣对比可以简单的通过比较各自的目标函数值得到, 但是在多目标优化问题中, 单个解跟其它解的优劣对比需要被支配(Dominance)决定.

Dominance 形式化定义:

通俗理解:

• 如果解
  dominates(支配) 解
  , 那么:
  • 对任意的一个目标函数值
    ,
    都不比
    差
  • 至少存在一个目标函数值
    ,
    比
    好

支配的演示示例:

支配

在上图中, 是一个双目标优化函数, 其中

,

的优化目标都是最小化, 有:

• 解1 支配 解3
• 解2 支配 解5
• 解1 与 解2 相互不支配彼此

Pareto Optimal(帕累托最优)

Pareto Optimal(帕累托最优), 也称为 Pareto efficiency(帕累托效率), 起源于经济学博弈论中的概念, 帕累托优化是资源分配时, 在没有任何一方受损的前提下, 使得至少有一个方面变得更好.

帕累托最优解

假设所有可行解的集合为

, 可行解

是帕累托最优解的条件是:

通俗理解:

• 如果某个解
  不被任意的其它的解支配, 那么这个解
  是一个帕累托最优解.

最优解的演示示例:

解1, 2, 4 是帕累托最优解

帕累托最优解集

所有帕累托最优解组成的集合是帕累托最优解集 P, 可表示为:

帕累托前沿

帕累托最优解对应的目标函数值就是帕累托前沿

• 对于两个目标的优化问题，其 Pareto 前沿通常是条曲线
• 对于多目标优化问题, 其帕累托前沿是一个超曲面

帕累托前沿

参考资料

• https://link.springer.com/article/10.1007%2Fs00158-003-0368-6
• https://engineering.purdue.edu/~sudhoff/ee630/Lecture09.pdf
• http://cs.jhu.edu/~kevinduh/notes/duh11multiobj-handout.pdf