3. 多目标优化算法分类：经典方法、进化算法与分解策略
做多目标优化这些年，我最大的感受就是：没有银弹。不同的问题，得用不同的家伙什儿。今天咱们就把主流的几类方法掰开揉碎了聊聊。我个人习惯把它们分成三大流派——经典数学派、进化算法派、还有分解派。
核心观点：选对算法，比调参重要十倍。你想想看，拿把螺丝刀去拧螺母，再使劲也白搭。
3.1 经典方法：老派但管用
经典方法说白了就是把多个目标揉成一个。我刚开始做优化那会儿，前辈们基本都用这招。虽然现在进化算法很火，但经典方法在某些场景下依然是最优解。
3.1.1 加权和法
这是最直观的方法。给每个目标一个权重，然后加起来变成一个目标。公式很简单：
min F(x) = w₁·f₁(x) + w₂·f₂(x) + ... + wₙ·fₙ(x)
其中 w₁ + w₂ + ... + wₙ = 1, 且 wᵢ ≥ 0我在项目中遇到过一个问题：用加权和法找Pareto前沿，结果发现非凸区域根本找不到。为什么？因为加权和法本质上是在目标空间里找超平面的切点。如果Pareto前沿是凹的，切点就落在两端，中间区域全丢了。
避坑指南：我曾经在一个发动机设计项目里只用加权和法，结果漏掉了好几个关键的非凸解。后来加了ε-约束法才补上。记住：加权和法只保证能找到凸Pareto前沿上的点。
3.1.2 ε-约束法
这个方法我特别喜欢。它的思路是：选一个主要目标，其他目标都变成约束条件。比如：
min f₁(x)
s.t. f₂(x) ≤ ε₂
f₃(x) ≤ ε₃
...
x ∈ Ω你想想看，这样有什么好处？它能找到非凸区域的解。我做过一个对比实验：同样的非凸问题，加权和法只找到2个解，ε-约束法找到了15个。
实用技巧：ε值的选取很关键。我一般先用单目标优化找到每个目标的极值，然后在极值之间均匀取ε值。这样能保证覆盖整个Pareto前沿。
3.2 进化算法：现代主力军
进化算法（MOEA）现在是多目标优化的主力。为什么？因为它能一次跑出一整条Pareto前沿。我这些年用得最多的就是NSGA-II。
3.2.1 NSGA-II：非支配排序
NSGA-II的核心思想就两个：非支配排序和拥挤度距离。
- 非支配排序：把种群分成不同层级。第一层是Pareto最优解，第二层是只被第一层支配的解，以此类推。
- 拥挤度距离：同一层里，距离其他解越远的解越被优先保留。这样能保证解的多样性。
我记得有一次做供应链优化，目标有5个，用加权和法调权重调了三天没调好。换成NSGA-II，跑了一晚上，第二天早上看结果，Pareto前沿漂亮得很。
// NSGA-II 核心伪代码
1. 初始化种群 P₀
2. 对 P₀ 进行非支配排序
3. 计算每个个体的拥挤度距离
4. 用锦标赛选择法选父代
5. 交叉、变异生成子代 Q₀
6. 合并 P₀ 和 Q₀ → R₀
7. 对 R₀ 进行非支配排序
8. 按层级和拥挤度选择 N 个个体 → P₁
9. 重复步骤4-8直到收敛关键参数：种群大小一般设100-200，交叉概率0.8-0.9，变异概率1/n（n是决策变量个数）。这是我多年实战总结的经验值。
3.2.2 SPEA2：强度Pareto进化算法
SPEA2和NSGA-II是同一时期的作品。它用了一个叫「强度值」的概念来评估个体优劣。简单说：一个解支配的解越多，它的强度值就越高。
我个人觉得SPEA2在低维目标（2-3个）上表现不错，但高维目标（5个以上）就不太行了。NSGA-II在高维场景下更稳定。
3.3 基于分解的方法：化整为零
分解方法是我最近几年研究比较多的方向。它的思路很巧妙：把多目标问题分解成多个单目标子问题，然后同时求解。
3.3.1 MOEA/D：分解进化算法
MOEA/D是张青富教授提出的，现在已经是多目标优化领域的标杆算法了。它的核心步骤：
- 生成N个均匀分布的权重向量
- 每个权重向量对应一个子问题
- 每个子问题用聚合函数（如加权和、切比雪夫）转化为单目标
- 相邻子问题之间交换信息，协同进化
为什么MOEA/D效果好？因为它把全局搜索和局部搜索结合起来了。每个子问题只关注自己那一块区域，但通过邻居关系又能共享信息。
实战经验：我在做汽车轻量化设计时，目标有4个（重量、刚度、碰撞安全、成本）。用MOEA/D配合切比雪夫分解，跑了50代就找到了满意的解集。同样的配置，NSGA-II需要80代。
3.3.2 三种分解方法对比
| 分解方法 | 公式 | 优点 | 缺点 |
|---|---|---|---|
| 加权和 | min Σ wᵢ·fᵢ(x) | 简单直观，计算快 | 只能找凸前沿 |
| 切比雪夫 | min max(wᵢ·|fᵢ(x)-zᵢ*|) | 能找非凸前沿 | 对权重敏感 |
| 边界交叉 | min d₁ + θ·d₂ | 分布均匀性好 | 参数θ难调 |
我个人习惯：凸问题用加权和，非凸问题用切比雪夫，追求均匀分布用边界交叉。当然，这只是经验之谈，具体问题还得具体分析。
3.4 如何选择？
说了这么多，到底该用哪个？我给大家一个简单的决策流程：
- 目标数 ≤ 3，且Pareto前沿是凸的 → 加权和法或ε-约束法，简单高效
- 目标数 2-5，前沿形状未知 → NSGA-II或MOEA/D，通用性强
- 目标数 ≥ 5 → MOEA/D配合切比雪夫分解，高维场景下表现更好
- 需要精确控制某个目标 → ε-约束法，把关键目标设为主要目标
最后提醒一句：算法只是工具，理解问题才是根本。我曾经见过有人用NSGA-II解一个线性多目标问题，跑了100代还没收敛。其实用加权和法一步就能搞定。别为了用算法而用算法。
公众号:蓝海资料掘金营，微信deep3321