多目标优化问题概述（基本模型和概念）

最新推荐文章于 2022-12-08 20:47:51 发布

下雨不撑伞丶

最新推荐文章于 2022-12-08 20:47:51 发布

阅读量1.7w

点赞数 23

分类专栏：多目标优化笔记

本文链接：https://blog.csdn.net/weixin_47261774/article/details/105877329

版权

本文介绍了多目标优化问题（MOP）的基本数学模型，强调了其与单目标优化的区别。MOP的目标是找到一组非支配解，形成Pareto最优解集。文章讲解了Pareto最优解、Pareto集和pareto排序等概念，并探讨了多目标优化的求解思想，旨在找到接近Pareto最优域且分布广泛的解。接着，文章概述了几种多目标优化算法，如遗传算法（GA）、NSGAⅡ、DMI、MOEA/D等，以及评价算法性能的指标，如超体积（Hypervolume）和IGD。最后，文中指出动态多目标优化和决策者偏好在多目标优化领域的应用与挑战。

摘要由CSDN通过智能技术生成

多目标优化问题（MOP）概述

1.数学模型

求解 MOP 的主要目的是：在给定的决策空间内，尽可能找到一系列满足问题约束条件的最优解集，为解决 MOP 的决策者提供相关数据。以最小化的 MOP 为例，其数学模型为：
$minF(x)=\left( f_1(x),f_2(x),\cdots f_m(x)\right)^T \\ s.t \,\,\,\,\,\,\,\,\,\,\,\,\,\,x\inΩ \subseteq ℛ^n$

其中 ${x=\left(x\mathop{ {}}\nolimits_{ {1}},x\mathop{ {}}\nolimits_{ {2}},...x\mathop{ {}}\nolimits_{ {n}} \left) \mathop{ {}}\nolimits^{ {T}}\right. \right. }$