多目标优化涉及最小化或最大化经过一组约束的多个目标函数。示例问题包括分析设计权衡,选择最佳产品或流程设计,或任何其他应用程序,您需要在两个或多个冲突目标之间进行最佳解决方案。
多目标优化的常见方法包括:
- 目标达到:减少线性或非线性矢量函数的值,以获得目标矢量中给出的目标值。使用权重向量来指示目标的相对重要性。目标达到问题也可能受到线性和非线性约束。
- minimax:最小化一组多变量函数的最坏情况值,可能受到线性和非线性约束。
- 帕累托前线:找到非溶液 - 即,一个目标的改善需万博 尤文图斯要在另一个目标中需要降级的解决方案。万博 尤文图斯通过直接(图案)搜索求解器或遗传算法找到解决方案。两者都可以应用于具有线性和非线性约束的平滑或非光滑问题。