多目标优化涉及到在一组约束条件下最小化或最大化多个目标函数。问题的例子包括分析设计权衡,选择最优的产品或工艺设计,或任何其他应用程序,您需要一个最优的解决方案,在两个或多个冲突的目标之间进行权衡。
常用的多目标优化方法包括:
- 目标达到:减少一个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一个权重向量表示。目标达成问题也可能受到线性和非线性的约束。
- 极小极大:使可能受线性和非线性约束的一组多元函数的最坏情况值最小。
- 帕累托前线:找到非溶液 - 即,一个目标的改善需金宝搏官方网站要在另一个目标中需要降级的解决方案。金宝搏官方网站通过直接(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。