多目标优化方法教程.pptVIP

代替价值交换法的计算步骤 （1）求各目标的极大值和极小值 （2）求非劣解 得最优解和约束目标函数对应的乘子。 求?－约束问题 (3) 代替价值函数Skj赋值 将所求得的最优解和约束目标函数对应的乘子提供给决策者，决策者依据自己对目标函数的喜爱程度和具体问题要求，给代替价值函数Skj赋值。 (4) 求最终解 若对某个非劣解，对应的所有代替价值函数Skj值皆为零，则该非劣解为最终解，停止计算。否则，用回归分析法，建立代替价值函数的近似表达式: (5) 构造新的?－约束问题 求解方程组 得 令 形成?－约束问题 转（2）。 所谓评价函数,是利用(VP)的目标函数 ,构造一个复合函数 .然后在(VP)的约束集D上极小化 , 的构造必须保证在一定条件下, min 的最优解是(VP)的有效解或弱有效解. 下面先讨论在什么条件下, min 的最优解才能是(VP) min 的有效解or弱有效解. 定义6. 设 : 1.若 ,总有 ,则称 为 的严格单增函数. 2 若 时,总有 ,则称 为 的单增函数. 定理1 . 设：: ,又设 ，是问题min 的极小点,那么: 若 为Z的严格单增函数,则 是min 有效解. 若 为Z的单增函数,则 是min 的弱有效解. 重要定理 几种常用的构造评价函数的方法 一. 理想点法: 在(VP)中,先求解P个单目标问题 j=1，2，，p x∈D 设其最优值为 ,我们称 为值域中的一个理想点 。 因为一般很难达到它,这样,就期望在某种等量下,寻求距最近的f作为近似值,一种最直接的想法是构造评价函数 = （7.2） 然后极小化即求解： 并将它的最优解 作为(VP)在这种意义下的 “最优解”,由于 ,因此由7.2构造的 是严格单增的,从而 是(VP)的有效解. 二. 线性加权和法. 在具有多个指标的问题中,人们总希望对那 些相对重要的指标给予较大的权系数,基于这种 现实,自然如下的构造评价函数,令 称之为权向量集,令 再求解 而将它的最优解, 作为(VP)在该意义下的最优解. 三. 极大极小法 在决策时，采取保守策略是稳妥的。即在最坏的情况下，寻求最好的结果。按照这种想法，可以构造如下评价函数 然后求解 并将它的最优解 作为（VP）在这种意义下的最优解。 1. 主目标法 转化为 第三节 多目标优化的第一类方法 主目标法就是从多目标中依据重要程度选择一个目标作为主目标，而将其它目标转化为约束，即将多目标优化问题 主目标法中约束目标的约束值选取 2. 线性加权法 转化为 线性加权法就是将多目标的加权和作为单目标，即将多目标优化问题 (2）对权系数的要求 (3) 权系数的确定 老手法 线性加权法的有关说明： （1) 线性加权之前，各目标应进行无量纲化处理。 3. 极小极大法 转化为 极小极大法就是求取多目标函数中的最大值，然后使最大值函数在可行域内极小化，即将多目标优化问题 (2)极小极大法也可以引入一个变量?和m个约束，即 极小极大法的有关说明： （1) 考虑到各目标的重要程度差别，可以对各目标乘以权系数，然后再求最大值函数，即 4. 理想点法 转化为 理想点法就是将距理想点最近的点作为多目标问题的优惠解，即将多目标优化问题 理想点法的有关说明： 考虑到各目标的重要程度差别，可以对各目标乘以权系数，即 权系数的选取可以参阅线性加权法。 5. 功效系数法 在多目标优化问题，各目标的要求不全相同，有的要求极小化，有的要求极大化，有的要求有一个合适的数值。为了反映这些不同的要求，故引入如下的功效函数： 功效系数的确定： 1.直线法 2.折线法 3.