约束多目标优化算法（1）——基于罚函数

罚函数方法

罚函数法主要是根据约束违反程度来构造惩罚项。通过在目标函数中加入惩罚项，将约束优化问题转化为无约束优化问题。

如何设置罚函数系数是罚函数方法中最关键的问题，对算法的效率起着决定性的作用。根据设置方法的不同，刑罚法可分为静态法、动态法和自适应法。

静态法

静态方法意味着惩罚系数在演化过程中不会改变，在此过程中进化的早期和后期，目标和约束之间的偏好将保持不变，这不利于目标和约束之间的平衡。

优点：有效地解决简单问题
缺点：解决复杂问题时却无法达到理想的效果。

动态法

动态方法中的惩罚系数随进化代数或其他指标的增加而变化。通过惩罚参数的变化，使目标和约束在不同演化阶段的权重不同，从而达到两者之间的平衡。

难点：在于如何设计合适的变更规则，不同的问题需要设置不同的变更规则。

自适应法

自适应方法保留种群在进化过程中的信息，然后将获得的信息反馈给种群来调整惩罚系数，反馈信息可以提供潜在进化的指导。

优点：可以在更复杂的问题上获得更好的性能。