Pymoo学习 (2)：带约束的双目标优化问题

最新推荐文章于 2025-04-14 20:56:12 发布

因吉

最新推荐文章于 2025-04-14 20:56:12 发布

阅读量2.6k

点赞数 2

分类专栏：编程实战之Python 文章标签： pymoo

本文链接：https://blog.csdn.net/weixin_44575152/article/details/125911672

版权

编程实战之Python 专栏收录该内容

69 篇文章

订阅专栏

文章目录

1 优化目标
2 Pareto最优解
3 Pareto前沿

1 优化目标

多目标优化的标准形式如下：
$\begin{array}{lll} \min & f_{m}(x) & m=1, \ldots, M \\ \text { s.t. } & g_{j}(x) \leq 0 & j=1, \ldots, J \\ & h_{k}(x)=0 & k=1, \ldots, K \\ & x_{i}^{L} \leq x_{i} \leq x_{i}^{U} & i=1, \ldots, N \\ & x \in \Omega & \end{array}$
一个示意如下：
$\begin{aligned} \min & f_{1}(x)=100\left(x_{1}^{2}+x_{2}^{2}\right) \\ \max & f_{2}(x)=-\left(x_{1}-1\right)^{2}-x_{2}^{2} \\ \text { s.t. } & g_{1}(x)=2\left(x_{1}-0.1\right)\left(x_{1}-0.9\right) \leq 0 \\ & g_{2}(x)=20\left(x_{1}-0.4\right)\left(x_{1}-0.6\right) \geq 0 \\ &-2 \leq x_{1} \leq 2 \\ &-2 \leq x_{2} \leq 2 \\ & x \in \mathbb{R} \end{aligned}$ 该优化问题包含两个目标，其中 $f_1(x)$ 为最小化， $f_2(x)$ 反之；两个不等式约束，以及两个变量。

注：该优化并不满足pymoo的输入要求，因为它不满足优化问题的标准形式。当然，该示意仅仅出于验证目的，并用于理解优化问题的设计过程与优化空间的映射。

2 Pareto最优解

$f_1$ 的最小值取于 $(0, 0)$ ， $f_2$ 取于 $(1, 0)$ 。由于这两个函数均为二次，最优解则由两个最优值之间的直线确定。在意味着忽略约束时，所有的Pareto最优解满足：
$x_1\in(1,0), x_2=0$ 进一步，需要满足 $g_1$ 时，有 $x_1\in(0.1,0.9)$ ；满足 $g_2$ 时，有 $x_1\in(0.4,0.6)$ 。这表明Pareto最优集合被给定为：
$PS=\{(x_1,x_2)|(0.1\leq x_1\leq0.4)\vee(0.6\leq x_1\leq0.9)\wedge x^2=0\}$
$T_n = \bigcup B_i \in \mathcal{T}\setminus\mathcal{T}^+$

接下来可视化 $PS$ ，即图中橙色线条：

代码如下：

import numpy as np
import matplotlib.pyplot as plt

# 变量的搜索空间
X1, X2 = np.meshgrid(np.linspace(-2, 2, 500),
                     np.linspace(-2, 2, 500))
# 目标函数
F1 = X1 ** 2 + X2 ** 2
F2 = (X1 - 1) ** 2 + X2 ** 2

# 约束条件所在直线
G1 = 2 * (X1[0] - 0.1) * (X1[0] - 0.9)
G2 = 20 * (X1[0] - 0.4) * (X1[0] - 0.6)

# 图像大小
plt.figure(figsize=(7, 5))
# 确定等高线的数量和位置
levels = [0.02, 0.1, 0.25, 0.5, 0.8]
# 绘制
CS = plt.contour(X1, X2, F1, levels, colors='black', alpha=0.5)
# 添加当前等高线的标签
CS.collections[0].set_label("$f_1(x)$")

CS = plt.contour(X1, X2, F2, levels, linestyles="dashed", colors='black', alpha=0.5)
CS.collections[0].set_label("$f_2(x)$")

# 约束条件G1
plt.plot(X1[0], G1, linewidth=2.0, color="green", linestyle='dotted')
plt.plot(X1[0][G1 < 0], G1[G1 < 0], label="$g_1(x)$", linewidth=2.0, color="green")

# 约束条件G2
plt.plot(X1[0], G2, linewidth=2.0, color="blue", linestyle='dotted')
plt.plot(X1[0][X1[0] > 0.6], G2[X1[0] > 0.6], label="$g_2(x)$", linewidth=2.0, color="blue")
plt.plot(X1[0][X1[0] < 0.4], G2[X1[0] < 0.4], linewidth=2.0, color="blue")

# 绘制解
plt.plot(np.linspace(0.1, 0.4, 100), np.zeros(100), linewidth=3.0, color="orange")
plt.plot(np.linspace(0.6, 0.9, 100), np.zeros(100), linewidth=3.0, color="orange")

plt.xlim(-0.5, 1.5)
plt.ylim(-0.5, 1)
plt.xlabel("$x_1$")
plt.ylabel("$x_2$")

# 添加标签
plt.legend(loc='upper center', bbox_to_anchor=(0.5, 1.12), ncol=4, fancybox=True, shadow=False)

# 减少图片边缘空白
plt.tight_layout()
plt.show()

3 Pareto前沿

Pareto前沿反应了多个最优解 (Pareto最优) 下优化目标的变化情况。由于 $x_2=0$ ，则 $f_1(x)=100x_1^2$ 且 $f_2(x)=-(x_1-1)^2$ ，最终 $f_1$ 与 $f_2$ 的关系为：
$f_2 = \left(\sqrt{\frac{f_1}{100}}-1\right)^2$ 通过计算，有 $f_1\in[1..16]$ 、 $f_2\in[36..81]$ ，则该公式的可视化如下：

代码如下：

import numpy as np
import matplotlib.pyplot as plt

plt.figure(figsize=(7, 5))

# 两个目标函数的关系函数
f2 = lambda f1: - ((f1 / 100) ** 0.5 - 1) ** 2
F1_a, F1_b = np.linspace(1, 16, 300), np.linspace(36, 81, 300)
F2_a, F2_b = f2(F1_a), f2(F1_b)


plt.plot(F1_a, F2_a, linewidth=2.0, color="green", label="Pareto-front")
plt.plot(F1_b, F2_b, linewidth=2.0, color="green")

plt.xlabel("$f_1$")
plt.ylabel("$f_2$")


plt.legend(loc='upper center', bbox_to_anchor=(0.5, 1.10), ncol=4, fancybox=True, shadow=False)
plt.tight_layout()
plt.show()