您可能需要用多个目标来阐明问题,因为一个带有多个约束的单一目标可能不能充分代表所面临的问题。如果是这样,就有一个目标向量,
F( |
(1) |
多目标优化是指目标向量的最小化F(x),可以是一系列约束或界限的主题:
注意,因为F(x的任何分量都是向量F(x)的竞争,这个问题没有唯一的解决方案。相反,扎德的非自卑感[4](也称为帕累托最优在审查[1]达库尼亚和波拉克[2])必须用来描述目标。一个不差的解决方案是指一个目标的改进需要另一个目标的降低。为了更精确地定义这个概念,请考虑参数空间中的一个可行区域Ω。
受
这样就可以定义目标函数空间Λ对应的可行域:
性能向量F(x)将参数空间映射为目标函数空间,如图中二维表示图9-1,从参数空间映射到目标函数空间.
图9-1,从参数空间映射到目标函数空间
现在可以定义一个非劣解点。
在二维表示的图形图9-2,非劣解集万博 尤文图斯,非劣解集位于曲线之间万博 尤文图斯C和D.点一个和B代表特定的非劣势点。
图9-2,非劣解集万博 尤文图斯
一个和B显然是不差的解决方案点,因为一个目标的改进,
因为在Ω中任何一个较差的点都代表了一个可以在所有目标中实现改进的点,很明显,这样一个点是没有价值的。因此,多目标优化涉及非劣解点的生成和选择。
非劣解也称为万博 尤文图斯帕累托最佳状态.多目标优化的一般目标是构造帕累托最优。