多目标优化—概念与常用模型

南京鼎山电子设备维修张师傅

已于 2022-04-15 12:24:02 修改

阅读量1w

点赞数 11

分类专栏：科研文章标签：线性代数

于 2022-04-13 16:29:39 首次发布

本文链接：https://blog.csdn.net/weixin_44228403/article/details/124149991

版权

科研专栏收录该内容

1 篇文章 0 订阅

订阅专栏

一、多目标优化的概念

单目标优化的情况下，只有一个目标，任何两解都可以依据单一目标比较其好坏，可以得出没有争议的最优解。

多目标化与传统的单目标优化相对。多目标优化的概念是在某个情景中在需要达到多个目标时，由于容易存在目标间的内在冲突，一个目标的优化是以其他目标劣化为代价，因此很难出现唯一最优解，取而代之的是在他们中间做出协调和折衷处理，使总体的目标尽可能的达到最优。

在这个情况下，一般可以把多目标优化问题写成以下数学模型：

$\begin{array}{cc} \min _{x} & F(x)=\left[f_{1}(x), f_{2}(x), \ldots, f_{K}(x)\right] \\ & \text { s.t. } g_{i}(x) \geq 0, i \in[1, M] \\ & h_{j}(x)=0, j \in[1, L] \end{array}$

没有转化为单目标问题的帕累托模型：优化的结果是帕累托前沿上（Pareto Front）取得一个最优解的集合，并选择所需要的解来优化资源配置。由于大部分社会行动都存在一系列不同的目标，多目标优化的思路目前广泛应用在工程设计，基因工程，互联网推送等等领域。

二、常用模型

1、线性加权法

线性加权法是多目标优化中使用比较广泛的方法，根据的重要程度，设定权重进行线性加权，将多个目标表示成：

$\begin{gathered} \min _{x} \sum_{k=1}^{K} \lambda_{k} f_{k}(x) \\ \text { s.t. } g_{i}(x) \geq 0, i \in[1, M] \\ \quad h_{j}(x)=0, j \in[1, L] \end{gathered}$

从而转换为单目标的优化问题。

线性加权模型，其优点在于实现简单，仅用缩放后的值来代表原目标，求解也相对比较容易。其缺陷在于刻画目标和解不够精细，例如响应时间和开销，这两个目标的单位分别是时间和金钱，用先缩放再加权的方法把它们直接相加，对原始目标的信息有一定的丢失和遗漏。另外，缩放过程需要提前知道目标的信息，如最大值、最小值或者平均值，而这些信息往往很难确定。而制定权重过程需要依据的用户、供应商对不同目标的偏好程度也很难提前获知。即使在已了解偏好程度的情况下，如何准确地制定权重仍然是棘手的问题。例如，将响应时间的权重设为0.2还是0.21，对于用户来说可能没有大的区别，但是对最优解有不可忽略的影响。因此，采用线性加权模型虽然简便，但解的优劣程度难以保证。

2、主要目标法

除了上面介绍的线性加权法，主要目标法（也称 $\varepsilon$ -约束方法），是一个应用广泛的算法。

$\begin{gathered} \min _{x} f_{p}(x) \\ \text { s.t. } f_{k}(x) \leq \epsilon_{k}, k=1, \ldots, K, \text { 且 } k \neq p \\ g_{i}(x) \geq 0, i \in[1, M] \\ h_{j}(x)=0, j \in[1, L] \end{gathered}$

$\varepsilon$ -约束方法从K个目标中选择最重要的子目标作为优化目标，其余的子目标作为约束条件。每个子目标，通过上界 $\epsilon_{k}$ 来约束，设上述约束条件得到的可行域为 $\hat{D}$ 。将原多目标优化问题转换成单目标优化问题，之后即可用单目标优化的方法来求解该问题。

一般情况下，界限值可以取子目标函数的上界值：

$\min \left\{f_{k} \mid f_{k}(x), k=1, \ldots, K \text {, and } k \neq p\right\} \leq \epsilon_{k}$

其优点是简单易行，保证在其他子目标取值允许的条件下，求出主要目标尽可能好的目标值。缺点是如果 $\epsilon_{k}$ 给的不合适的话，新的可行域 $\hat{D}$ 可能为空集。

3、逼近目标法

逼近目标法是让决策者提出一个目标值 $f^{0}=\left(f_{1}^{0}, f_{2}^{0}, \ldots, f_{K}^{0}\right)$ ，使得每个目标函数 $f_{k}(x)$ 都尽可能的逼近对应的目标值：

$\begin{array}{rlr} L\left(f(x), f^{0}\right) & =\quad\left\|f(x)-f^{0}\right\|_{2}^{\lambda} \\ & =\sum_{k=1}^{K} \lambda_{k}\left(f_{k}(x)-f_{k}^{0}\right)^{2}, \lambda \in \Lambda^{++} \end{array}$

逼近目标法和机器学习中的损失函数类似，是一个单目标优化问题，可以通过经典的方法进行求解。这里求解的最优解和有效解及弱有效解没有直接的联系，逼近目标法反映了决策者希望的目标值。

4、帕累托最优

帕累托(Pareto)是多目标优化中经典的模型,并且它完全基于原始数据，没有将问题转化成单目标问题分析。帕累托模型由于不需要对目标进行缩放和归一化，也不需要设定或者引入新的参数、变量(如权重、界限值)，直接基于原始目标函数和值进行操作，可以适用于任何目标、任何函数。它不会丢失目标函数和解的信息，解的优劣可以较好保证。但帕累托模型的最优解是一个集合，其中包含不止一个最优解，因此要穷尽并求出所有的帕累托最优解有一定的难度。

南京鼎山电子设备维修张师傅

关注

11
点赞
踩
60

收藏

觉得还不错? 一键收藏
2
评论
多目标优化—概念与常用模型

一、多目标优化的概念单目标优化的情况下，只有一个目标，任何两解都可以依据单一目标比较其好坏，可以得出没有争议的最优解。多目标化与传统的单目标优化相对。多目标优化的概念是在某个情景中在需要达到多个目标时，由于容易存在目标间的内在冲突，一个目标的优化是以其他目标劣化为代价，因此很难出现唯一最优解，取而代之的是在他们中间做出协调和折衷处理，使总体的目标尽可能的达到最优。在这个情况下，一般可以把多目标优化问题写成以下数学模型：没有转化为单目标问题的帕累托模型：优化的结果是...
复制链接

扫一扫