使受约束的多个目标函数最小化

多目标优化涉及到在一组约束条件下最小化或最大化多个目标函数。示例问题包括分析设计权衡、选择最优的产品或流程设计,或任何其他需要在两个或多个相互冲突的目标之间进行权衡的最优解决方案的应用程序。

多目标优化的常用方法包括:

  • 目标达到情况:约简线性或非线性向量函数的值,以获得目标向量中给定的目标值。目标的相对重要性是通过权重向量来表示的。目标实现问题也可能受到线性和非线性的约束。
  • 极小极大:最小化一组多元函数的最坏情况值,可能受线性和非线性约束。
  • 帕累托前:找到非劣解——也就是说,一个目标的改万博 尤文图斯善需要另一个目标的降低。万博 尤文图斯解决方案可以通过直接(模式)搜索求解器或遗传算法找到。这两种方法都适用于有线性和非线性约束的光滑或非光滑问题。

无论是目标实现问题还是极大极小问题,都可以通过将问题转化为标准约束优化问题,然后使用标准求解器来求解。有关更多信息,请参见优化工具箱™全局优化工具箱

参见:优化工具箱,全局优化工具箱,优化设计,线性规划,二次规划,整数编程,非线性规划,遗传算法,模拟退火