优化理论方法报告剖析.docx

前言目标优化问题一般地就是指通过一定的优化算法获得目标函数的最优化解。当优化的目标函数为一个时称之为单目标优化(Single-objective Optimization Problem, SOP)。当优化的目标函数有两个或两个以上时称为多目标优化(Multi-objective Optimization Problem, MOP)。不同于单目标优化的解为有限解，多目标优化的解通常是一组均衡解。多目标优化算法归结起来有传统优化算法和智能优化算法两大类。?1. 传统优化算法包括加权法、约束法和线性规划法等，实质上就是将多目标函数转化为单目标函数，通过采用单目标优化的方法达到对多目标函数的求解。?2. 智能优化算法包括进化算法（Evolutionary Algorithm, 简称EA）、粒子群算法（Particle Swarm Optimization, PSO）等。本文基于金炜东老师的课程笔记， 主要分为四章。第一章主要介绍了多目标优化问题。分别叙述了多目标规划的背景、多目标规划的类型、多目标规划的求解步骤等等。第二章主要介绍了满意优化算法。分别叙述了满意优化算法的意义、历史、求解步骤等等。第三章主要介绍了启发式算法。包括遗传算法、粒子群算法等等。第四章是一个用粒子群算法求解多目标规划问题的一个算例。通过这学期的学习，我基本掌握了优化问题的求解方法。多目标优化以及遗传算法和粒子群算法在我本科数学建模的时候已经有所接触，通过这门课的学习，我对这些方法有了更进一步的认识。遗传算法和粒子群算法均属于启发式算法，可以跳出局部最优解，找到全局最优解。我认为遗传算法的核心思想是强强结合，这里的强指的是解的质量比较好，只有好的解和好的解结合才有可能产生更好的解。所以在初始化种群的时候可以通过杀死不符合约束条件的初始解，降低死亡率，这样可以加速收敛速度，提高解的精度。满意优化这种算法我在以前并没有接触，满意优化方法是相对于最优化方法提出的，它是在人类智能准则的基础上形成的，以满意解输出为原则，在一个可以接受的计算费用内寻找满意解的一类优化算法。满意优化问题与满意解和通常的优化问题及最优解有很大的区别，尽管实际应用中常用满意解来代替最优解，但此时的满意解是在传统优化原理的基础上，通过牺牲求解精度及降低收敛条件得到的，而在满意优化问题上，其所求得的满意解就是该类问题所追求的的目标，同时其寻优准则也与传统的优化问题有很大区别，通常是以性能评价体系及满意度函数来对满意解的性能评价。这种理论的优越性表现在，可根据实现问题对非最优的性能指标的要求不同而给出不同的满意度函数，定义为优化准则。这种方法拓展了我的思路，我在以后的学习中，如果遇到优化问题的求解，可以考虑使用满意优化的方法。最后，感谢金炜东老师在课堂上认真的讲解。第一章 多目标优化在许多实际的最优化问题中，常常遇到目标函数是几个的情况，这一类问题我们称之为多目标优化问题。例如，投资方向选择问题，我们不仅要求投资的收益最大，而且要求投资的风险最小。再例如，购买商品问题，我们既要考虑商品的价格，又要考虑商品的质量，甚至还要考虑商品的性能等等。所谓多目标优化问题是指：目标函数是两个或两个以上的最优化问题。许多实际问题的优化牵涉的目标往往不止一个，如设计一个工厂的施工方案，就要考虑工期、成本、质量、污染等目标,再如找工作,购买家用电器,追求的目标往往都不止一个。由于这类问题需同时考虑多个目标，而有些目标之间又相互矛盾，从而使决策问题变得复杂, 这类决策问题称为多目标决策问题。多目标决策方法是现代管理科学的重要内容，也是系统分析的基本工具。按照决策变量是连续的还是离散的，多目标决策可以分为多目标规划决策(Multiple Objective Decision Making)和多准则决策(Multiple Attribute Decision Making)两大类，前者是以数学规划的形式呈现的决策问题，后者则是已知各个方案及它产生的结局向量，由此选择最优方案的决策。多目标决策主要指多目标最优化，即多目标规划。对于某些问题，可以先用多目标规划选出几个备选方案，然后再用多准则决策方法作进一步处理，因此，这两者既有区别又有联系。1.1 多目标优化的背景多目标最优化的思想萌芽于1776年经济学中的效用理论。1896年，法国经济学家V·Pareto首先在经济理论的研究中提出了多目标最优化问题。1951年，美国数理经济学家T·C·Koopans从生产和分配的活动分析中考虑了多目标决策问题，并首次提出了多目标最优化问题解的概念，将其命名为“Pareto解”(即有效解)。同年，H·W·Kuhn和 A·W·Tucker从数学规划论角度首次提出向量极值问题及有关概念。进入20世纪70年代，随着第一次国际多目标决策研讨会的召开及这