主题
多目标优化
方法速览
- 主要用途 找出相互冲突的目标之间有哪些可行取舍。
- 必要输入 可行域、各目标函数、优化方向和硬约束。
- 适用条件 多个目标确实冲突,尚无固定的交换比,或需要展示不同权衡。
- 典型不适用情况 已有明确且统一的取舍比例,或把必须达标的指标误作可牺牲的目标。
- 最低限度的验证方式 逐项复核候选解的可行性和原单位目标值,并逐对检查支配关系。
何时保留多个目标
若决策者既要降低投入又要缩短等待,两个目标可能在同一可行域里相冲突。可以先给出多个取舍方案,让决策者看到每降低一单位等待需要多少额外投入。有明确且统一的交换比时,可直接构造一个综合目标。如果某项必须达标,例如等待时间不得超过上限,则应把要求写成硬约束。
帕累托支配如何定义
把各目标的方向统一为最小化,记目标向量为
则说
常见求法侧重什么
加权和最小化
成本和等待的假设算例
假设四方案的目标值依次为 A
与已有候选方案评分的区别
只有一份已知候选清单时,可以先筛出被支配的项,再用 TOPSIS 或得到认可的规则排序。若可行域里还有许多未生成的方案,需要靠优化算法探索可行域。列出前沿以后,可以依政策门槛、表达过的偏好或边际代价选择推荐解。前沿上每个点都有取舍,先把“交付哪一个”所需的附加偏好说明。
初次验证与常见错误
把候选代回约束,并在原目标单位上重算向量。对少量解可以逐对检查支配关系,画二维前沿确认方向。若相邻方案存在明显空档,要区分是可行域本身不连续,还是采样太稀。仅挑一个点展示,读者很难判断折中幅度。可列一对极端方案和一个中间方案,并用合理阈值扰动检查推荐解是否稳定。
若多个解在主目标上并列,约束法返回的解可能仍被支配。先固定主目标所取得的最佳值,再比较并列解的其他目标,可以剔除这类候选。
双语言实验
找到加权和漏掉的方案
用前面的四个模拟方案,分别最小化成本与等待。先逐对比较。例如 B
用
如果决策者关心等待上限,可直接写成
独立运行
Python 在终端安装依赖 python -m pip install numpy matplotlib,下载文件后运行 python mmf_multiobjective.py。MATLAB 将 mmf_multiobjective.m 放入当前文件夹,在命令窗口运行 result = mmf_multiobjective(),基础实验无需额外工具箱。两种脚本均输出数值并绘制图形。
每个方案有两个需要最小化的目标。逐对检查所有指标都不差且至少一项更好,保留第 1、2、4 项。重复目标向量彼此不严格支配。
最简版依赖 Python:无第三方依赖。MATLAB:基础功能,无需额外工具箱。
在源码所在目录运行 python mmf_min_multiobjective.py
py
下载当前源码import json
values = [(1, 5), (2, 3), (3, 4), (4, 1), (4, 6)]
front = []
for index, target in enumerate(values, start=1):
# 更小更好;至少一列严格更小,才能称为支配。
dominated = any(
all(a <= b for a, b in zip(other, target))
and any(a < b for a, b in zip(other, target))
for other in values
)
if not dominated:
front.append(index)
assert front == [1, 2, 4]
result = {"front_rows": front}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))两种实现用矩阵乘法计算全部权重下的综合目标。Python 的 np.lexsort((delay,cost)) 将最后一个键设为主键,MATLAB 的 sortrows(values,[1 2]) 则从第一个指定的列开始排序。对照从 1 开始的编号,pareto_ids 应为 [1,2,3],weighted_ids 仅为 [1,3]。等待上限 epsilon_choices=[3,2,1]。
参数练习与参考结论
将中间的等待上限从 6 收紧到 5,此时 B 被排除,只能选 C。再恢复上限并把 B 的第二项从 6 改成 4,取