多目标问题求解.pptxVIP

多目标问题求解6.6.1多目标优化模型多目标优化问题的一般表示为：其中Fx[f1x,f2x,…fpx]’ 。设某商店有A1，A2，A3三种糖果，单价分别为4,2.8和2.4元/kg，现在要筹办一次茶话会，要求买糖果的钱不超过20元，糖果总量不得少于6kg，A1和A2两种糖果总量不得少于3kg，应该如何确定最好的买糖方案？6.6.2无约束多目标函数的最小二乘求解假设多目标规划问题目标函数FX[f1x,f2x,…,fkx]’,则可以按照下面的方式将其转为成单目标问题这样，可以用以前学过的无约束函数求解，MATLAB还提供了lsqnonlin（）函数直接求解这类问题，该函数的调用格式为6.6.2无约束多目标函数的最小二乘求解6.6.3多目标问题转换为单目标问题求解线性加权变换及求解其中，且最简单的变换方法是根据对两个指标的侧重情况引入加权，使得目标函数改成标量形式6.6.3多目标问题转换为单目标问题求解线性规划问题的最佳妥协解每个目标函数可以理解成第i方得利益分配，所以这样的最优化问题可以认为是各方利益的最大分配。步骤如下：（1）单独求解每个单目标函数的最优化问题，得出最优解（2）通过归范化构造单独的目标函数（3）最佳妥协解可以变换成下面的单目标线性规划问题直接求解6.6.3多目标问题转换为单目标问题求解Function [x,f,flag,cc]linprog_cC,A,B,Aeq,Beq,xm,xM[p,m]sizeC;C0;For i1:p[x,f]lingprogCi,:,A,B,Aeq,Beq,xm,xM;cc-Ci,:/f;End[x,f,flag,cc]linprog_cc,A,B,Aeq,Beq,xm,xM;例子：C[-4，-2.8，-2.4,；1 1 1]；A[4 2.8 2.4;-1 -1 -1;-1 -1 0];B[20;-6;-3];Aeq[];Beq[];xm[0;0;0];xM[];xlinprog_cC,A,B,Aeq,Beq,xm,xM,C*x;6.6.3多目标问题转换为单目标问题求解线性规划问题的最小二乘解 例子：C[3,1,0,6;0,10,0,7;2,1,8,0;1,1,3,2]; dzeros4,1;A[2,4,0,1;0,0,-5,-3;1 ,1 , 6,5];B[110;-180;250];Aeq[];Beq[];xm[0;0;0;0];Xm[];XlsqlinC,d,A,B,Aeq,Beq,xm,xMC*x6.6.4多目标优化问题的Pareto解集采用离散点分析方法对例3-35中的多目标优化问题进行分析f2[-1,-1,-1];Aeq[4,2.8 2.4];Beq[mi1];xm[0;0;0];A[-1,-1,-1;-1,-1,0];B[-6;-3];mi15:0.1:20;ni[];for mmiBeqm;xlinprogf1,A,B,Aeq,Beq,xm;ni[ni,-f2*x];EndPlotmi,ni?考虑一个双目标函数的问题，可以首先得出可详解的离散点，将这些点先在二维平面上显示出来，如图6-11所示，因为原始问题是求取两个坐标系f1和f2的最小值，所以从得出的可行解离散点提取出区域左下角的一条曲线，这个曲线上的点都是原问题的解，称为Pareto解集（Pareto set或Paret front）。调用函数为Paretofront（）Kparetofront（[f1,f2,…,fp]）,其中f1,f2,…,fp为可行解的离散点构成的列向量，K向量为标志向量，指示可行解离散点是否为Pareto解集中的点。[x1,x2,x3]meshgrid0:0.1:4;iifind4*x1+2.8*x2+2.4*x320x1+x2+x36x1+x23;xx1x1ii;xx2x2ii;xx3x3ii;f14*xx1+2.8*xx2+2.4*xx3;F2-xx1+xx2+xx3;Kparetofront[f1,f2];Plotf1,f2,’x’,hold on;poltf1k,f2k,’0’6.6.5极大极小问题求解假设有某一组P个目标函数fix,i1,2,…,p,他们中的每一个均可以提取出一个最大值 而这样得出的一组最大值仍然是x的函数，现在对这些最大值进行最小化搜索，即这类问题称为极小极大问题。[x,fot,flag,c]fminimaxF,xo,A,B,Aeq,Beq,xm,Xm,CF,OPT,P1,p2,…