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:
- 目标达到情况: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:找到非劣等的解决方案——也就是说,一金宝搏官方网站个目标的改进需要另一个目标的降低。金宝搏官方网站通过直接(模式)搜索解算器或遗传算法找到解决方案。两者都可以应用于带有线性和非线性约束的光滑或非光滑问题。