MCM520 ← 资料站首页 多目标规划 · 深度手册 打开交互阅读器 →

多目标规划 · 深度手册

分类：优化类 ｜ 难度：★★★ 高阶 ｜ 编号：mop

一、这是什么（一句话用途）

同时优化冲突目标(成本 vs 质量 / 时间 vs 风险)

二、核心思想

现实决策几乎都是多目标的，而且目标之间常常冲突——便宜就没好货，快了就容易错。多目标规划不追求"唯一最优解"（因为不存在），而是寻找 Pareto 最优解集：在这个集合里，任何方案的改进都必须以牺牲另一目标为代价。决策者再从前沿上按偏好挑一个妥协解。常用方法有三：加权求和（最简单但需归一）、ε-约束（把其他目标当约束）、NSGA-II（进化算法直接求整个前沿）。

三、数学原理与推导

向量目标 min⁡F(x)=(f1(x),…,fK(x))\min F(x)=(f_1(x),\dots,f_K(x))。

Pareto 占优：解 xx 支配 yy，若 ∀k fk(x)≤fk(y)\forall k\ f_k(x)\le f_k(y) 且 ∃k fk(x)<fk(y)\exists k\ f_k(x)<f_k(y)。Pareto 最优集 ={x∣∄y 支配 x}=\{x\mid \nexists y\text{ 支配 }x\}。

加权法：化为单目标 min⁡∑k=1Kwkfk(x)\min\sum_{k=1}^K w_k f_k(x)，wk≥0,∑wk=1w_k\ge0,\sum w_k=1（需先归一化量纲）。不同权重扫出前沿。

ε-约束法：优化首要目标，其余转约束 fk(x)≤εkf_k(x)\le\varepsilon_k。

Pareto 前沿即目标空间中的权衡曲线；决策者按"满意度/风险偏好"在前沿上选点。NSGA-II 用快速非支配排序 + 拥挤度保持前沿多样性。

四、建模 / 求解步骤

  1. 列多目标
  2. 法一:加权求和(需归一)
  3. 法二:ε-约束转单目标
  4. 法三:NSGA-II 求 Pareto 集
  5. 决策选妥协解

五、关键公式速查

min (f1(x),f2(x),…)；Pareto: 无改进一目标而不损另一

六、典型示例

供应链: 成本最低 + 时效最高 的权衡解集。

完整算例（数字演示，照着算一遍）

场景：min f1=−x（利润）、max f2=−(1−x)（环保），x∈[0,1] 单变量示意。

帕累托前沿：本例 x∈[0,1] 全为帕累托最优；按权重 w=(0.5,0.5) 得妥协解 x=0.5。

结论：多目标无单一最优，输出前沿 + 妥协解供决策者选。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","mop.csv"))
F = df[["cost","time","quality"]].to_numpy(dtype=float)
# 加权法求妥协解（量纲已归一，cost/time 越小越好 -> 取负）
W = np.array([0.4,0.3,0.3])
score = -(W*[1,1,0] - W*[0,0,1]*0)  # 占位，逐行计算
val = F.copy(); val[:,0]=-F[:,0]/F[:,0].max(); val[:,1]=-F[:,1]/F[:,1].max(); val[:,2]=F[:,2]/F[:,2].max()
s = val@W
best = df["alt"][s.argmax()]
print("加权妥协解:", best, "得分=%.3f"%s.max())

配套文件：py_mop.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% 多目标加权法示例（MATLAB/Octave）
df = readtable('..\datasets\mop.csv');
F = table2array(df(:,2:4));
v=F; v(:,1)=-F(:,1)/max(F(:,1)); v(:,2)=-F(:,2)/max(F(:,2)); v(:,3)=F(:,3)/max(F(:,3));
W=[0.4,0.3,0.3]; s=v*W';
[~,k]=max(s); fprintf('加权妥协解: %s\n', df.alt{k});

配套文件：m_mop.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

6 个方案在成本/时间/质量三目标上的取值。用于多目标加权法求妥协解、认识 Pareto 权衡。

  • 字段：alt, cost, time, quality
  • 行数：6 行
  • 下载：mop.csv

十、常见误区与避坑清单

  • 目标量纲要归一
  • Pareto 解是集合非唯一
  • 权重难定可用 ε 约束

十一、结果怎么解读

前沿上每点代表一种权衡。

十二、常与谁搭配

与 GA / PSO 结合。

十三、论文写作技巧（怎么把它写进论文）

把 多目标规划 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

先把问题「数学化」：决策变量、目标函数、约束条件——这一步写清楚比算法本身更重要。再说明为何用 多目标规划 求解：连续可导用梯度 / 解析法，组合 / 非凸 / 黑箱用启发式（GA / PSO / SA）。

2. 结果怎么写（图表与指标）

放「收敛曲线（迭代 vs 目标值）」+「最优解参数表」+「约束是否满足」三件套。若是多目标，放 Pareto 前沿散点图。

3. 可直接套用的写作话术

  • 中文模板：针对<问题>，本文采用 多目标规划 进行同时优化冲突目标(成本 vs 质量 / 时间 vs 风险)。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
  • 英文模板：To address , we adopt 多目标规划 to 同时优化冲突目标(成本 vs 质量 / 时间 vs 风险). Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

务必说明约束是否全部满足、是否陷入局部最优（可多次随机初始化对比）；别把无约束结果当约束最优报。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

将配送中心选址建模为带容量约束的总成本最小化问题，本文采用 多目标规划 求解，得到 5 个选址及其服务分配方案，目标值较贪婪启发式降低 12.4%，且全部约束满足。

We formulate the distribution center location as a total-cost minimization problem with capacity constraints and solve it via 多目标规划, yielding 5 sites and their service assignments. The objective is 12.4% lower than a greedy heuristic while satisfying all constraints.

十四、相关手册（延伸阅读）

十五、本手册导航

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。