问题建模基础：决策变量、目标函数、约束条件、可行域定义、数学表达式的规范化写法

好，咱们正式开始聊多目标优化的核心——问题建模。

说实话，我见过太多同学一上来就调算法、跑代码，结果模型建得稀里糊涂。最后跑出来的结果，自己都不敢信。嗯，这其实是个大坑。我个人习惯是，花 60% 的时间把模型定义清楚，剩下 40% 的时间去求解。模型对了，结果才有意义。

这一节，咱们就把建模的五个核心要素掰开揉碎讲清楚：决策变量、目标函数、约束条件、可行域、数学表达式规范。

1. 决策变量：你手里能动的「旋钮」

决策变量，说白了就是你能控制的东西。你想想看，一个优化问题里，哪些参数是你说了算的？

比如你要设计一辆车，那发动机功率、车身长度、轮胎尺寸，这些就是决策变量。你不能控制天气，也不能控制油价，那些不是变量。

数学上，我们通常用向量来表示：

x = (x₁, x₂, ..., xₙ)ᵀ

这里的 x 就是决策变量向量。每个 xᵢ 代表一个具体的可调参数。

2. 目标函数：你要优化的「指标」

目标函数就是你关心的东西。在多目标优化里，通常不止一个。

举个例子，我做过一个供应链优化的项目。老板说：「我要成本最低，同时交货速度最快。」你看，这就是两个目标，而且它们往往是冲突的——成本低了，可能速度就慢了。

数学上，我们写成：

minimize  f(x) = (f₁(x), f₂(x), ..., fₘ(x))ᵀ

这里的 f₁(x) 是成本，f₂(x) 是交货时间。注意，所有目标函数放在一个向量里。

3. 约束条件：你不能越过的「红线」

约束条件就是限制。没有约束的优化，那叫「放飞自我」，现实中不存在。

约束分两种：

• 等式约束： h(x) = 0。比如预算必须花完，不能多不能少。
• 不等式约束： g(x) ≤ 0。比如重量不能超过 2 吨。

我曾经犯过一个错：把不等式约束写反了符号。结果跑出来的解全是不可行的。嗯，那感觉就像你导航设反了方向，开了一百公里才发现。从那以后，我每次写完约束都会手动检查一遍符号。

标准写法：

subject to:
  gᵢ(x) ≤ 0,  i = 1, 2, ..., p
  hⱼ(x) = 0,  j = 1, 2, ..., q

4. 可行域：你能「活动」的范围

可行域就是所有满足约束条件的决策变量组成的集合。说白了，就是你能「站」的地方。

数学定义：

Ω = { x ∈ ℝⁿ | gᵢ(x) ≤ 0, hⱼ(x) = 0 }

Ω 就是可行域。如果 Ω 是空集，那问题无解。我遇到过这种情况，当时排查了半天，发现是约束条件太苛刻，互相矛盾了。所以，定义完约束后，先检查一下可行域是否非空。

5. 数学表达式的规范化写法

这一块很多人不重视，但我觉得特别重要。规范的写法，不仅让别人看得懂，也能让自己少犯错。

我总结了一个标准模板：

minimize  F(x) = (f₁(x), f₂(x), ..., fₘ(x))ᵀ
subject to:
  gᵢ(x) ≤ 0,  i = 1, 2, ..., p
  hⱼ(x) = 0,  j = 1, 2, ..., q
  x ∈ ℝⁿ

几点规范：

• 目标函数统一用 minimize，最大化问题可以加负号转成最小化
• 约束条件写在 subject to 下面
• 所有变量和函数都要有明确的定义域
• 下标从 1 开始，不要从 0 开始（数学惯例）

知识体系结构图

下面这张图，帮你把这一节的核心逻辑串起来：

一个完整的例子

咱们来看一个实际案例。假设你要设计一个电池包，要求：

• 能量密度尽可能高
• 成本尽可能低
• 重量不超过 500 kg
• 体积不超过 0.3 m³

建模如下：

决策变量：
  x₁ = 电池单体数量
  x₂ = 单体容量 (Ah)
  x₃ = 单体电压 (V)

目标函数：
  minimize  f₁(x) = -x₁ * x₂ * x₃  (最大化能量密度，取负号)
  minimize  f₂(x) = x₁ * 0.5 + x₂ * 2.0  (成本，单位：元)

约束条件：
  g₁(x) = x₁ * x₂ * x₃ / 1000 - 500 ≤ 0  (重量约束)
  g₂(x) = x₁ * 0.01 - 0.3 ≤ 0  (体积约束)
  x₁ ∈ ℕ, x₂ ∈ [10, 100], x₃ ∈ [3.2, 3.7]

你看，这样写出来，清清楚楚。哪个是变量，哪个是目标，哪个是约束，一目了然。

好了，这一节的内容就到这里。记住，模型建好了，后面的事情就顺了。

---