凸优化学习-（十七）多目标优化问题

最新推荐文章于 2025-05-28 13:09:34 发布

明远湖边的秃头

最新推荐文章于 2025-05-28 13:09:34 发布

阅读量3.7k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： # 凸优化文章标签：深度学习

本文链接：https://blog.csdn.net/qq_40917612/article/details/104992504

凸优化专栏收录该内容

30 篇文章

订阅专栏

探讨了多目标优化问题及其解决方案，介绍了帕累托最优面的概念，并展示了如何通过加权转换或改变约束条件将多目标问题转化为单目标问题进行求解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

凸优化学习

多目标优化问题和之后的拉格朗日乘子有异曲同工之妙，需要深入理解里面的概念。

学习笔记

一、定义

形如：
$\begin{aligned} \min&& f_0(x)&\\ \text{s.t.}&&f_i(x)&\le0\\ &&h_i(x)&=0\\ \end{aligned}\\ 其中,f_0:R^n\rightarrow R^q,f_i:R^n\rightarrow R,h_i:R^n\rightarrow R$
表示有 $q$ 个变量需要优化。

例1：又好又快发展（帕累托最优面）

形如：
$\begin{aligned} \min&& -\text{Speed}&\\ \min&& -\text{Quality}&\\ \text{s.t.}&&\text{Resources}\\ \end{aligned}\\$
关于这个问题的帕累托最优面：
在这里插入图片描述
定义：
$front：\text{Pareto optional front}：$ 任意在该面上的点，若找到另一解是其在某个指标上变好，必在别的指标上变得更差。
$value：\text{Pareto optional value}：$ 在该面上的点对应的函数值。
$point：\text{Pareto optional point}：$ 在该面上的点对应的自变量。

解多目标问题就是求帕累托最优面。

例2：非连续的帕累托最优面（求解难度极大）

在这里插入图片描述

例3：将多目标优化转换为单目标优化求解

当 $f_0(x),f_i(x)$ 为凸， $h_i(x)$ 为仿射时，可以进行如下转换。
形如：
$\begin{aligned} \min&&\sum_{i=1}^q\lambda_if_{0_i}(x)&\\ \text{s.t.}&& f_i(x)&\le0\\ &&h_i(x)&=0\\ \end{aligned}\\$
其中 $λi\lambda_i$ 为权重，通过将多个函数加权，转换为单目标优化问题。本质上一个 $λi\lambda_i$ 可以求出帕累托最优面上一个点，通过遍历 $λi\lambda_i$ 可以求出帕累托最优面。

例4：遍历 $λi\lambda_i$ 也求不出帕累托最优面的例子

在这里插入图片描述
可以这么理解， $λi\lambda_i$ 本质是找切线，通过切点构造出帕累托最优面。在上图中，帕累托最优面为折线部分。当我们寻找左半边的部分帕累托最优面时，有一部分切点的切线，是会交这个集合的，这部分帕累托最优面我们是找不到的。所以为什么前提条件要求可行解集是凸集。

例5：另一种优化方法

多目标优化问题还可以通过将其中某些目标变为约束，只优化一个目标的方式来进行优化。
原问题：

$\begin{aligned} \min&&f_{0_1}(x)&\\ \min&&f_{0_2}(x)&\\ \text{s.t.}&& f_i(x)&\le0\\ &&h_i(x)&=0\\ \end{aligned}\\$
方法1：
$\begin{aligned} \min&&f_{0_1}(x)+\lambda f_{0_2}(x)&\\ \text{s.t.}&& f_i(x)&\le0\\ &&h_i(x)&=0\\ \end{aligned}\\$
方法2：
$\begin{aligned} \min&&f_{0_1}(x)&\\ \text{s.t.}&& f_i(x)&\le0\\ &&h_i(x)&=0\\ &&f_{0_2}(x)&\le \epsilon\\ \end{aligned}\\$