带约束的多目标函数极小化

多目标优化包括在一组约束条件下使多目标函数最小化或最大化。示例问题包括分析设计权衡、选择最佳产品或流程设计,或任何其他需要在两个或多个冲突目标之间进行权衡的最佳解决方案的应用程序。

多目标优化的常用方法包括:

  • 目标达成:减少线性或非线性向量函数的值,以达到目标向量中给定的目标值。目标的相对重要性用权重向量表示。目标达成问题也可能受到线性和非线性约束。
  • 最小最大值:最小化一组多元函数的最坏情况值,可能受到线性和非线性约束。
  • 帕累托前沿:找到非劣解,即一个目标的改进需要另一万博 尤文图斯个目标的退化的解。解决办法是找到一个直接(模式)搜索求解器或遗传算法。这两种方法都适用于具有线性和非线性约束的光滑或非光滑问题。

通过将问题转化为标准约束优化问题,然后使用标准解算器求解,可以解决目标达成问题和极大极小问题。有关详细信息,请参阅优化工具箱™全局优化工具箱.

另请参见:优化工具箱,全局优化工具箱,设计优化,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