01
多目标优化概述
什么是多目标优化 · 单目标 vs 多目标 · Pareto最优解 · 应用场景
概念入门
02
问题建模基础
决策变量 · 目标函数 · 约束条件 · 可行域 · 规范化写法
建模数学
03
Pareto前沿与支配关系
Pareto支配 · 最优解集 · 前沿几何意义 · 非支配排序
核心理论
04
权重法（加权求和法）
基本原理 · 权重选择 · 敏感性分析 · 优缺点
经典权重
05
ε-约束法
核心思想 · ε值选择 · 与权重法对比 · 适用场景
约束折衷
06
目标规划法
目标设定 · 偏差变量 · 优先级划分 · 经典案例
规划优先级
07
NSGA-II算法（上）
算法背景 · 快速非支配排序 · 拥挤度距离
进化排序
08
NSGA-II算法（下）
选择算子 · 交叉变异 · 精英保留 · 流程总结
进化精英
09
MOEA/D算法
分解策略 · 权重向量 · 邻域概念 · 与NSGA-II对比
分解邻域
10
SPEA2算法
强度Pareto · 环境选择 · 聚类方法 · 优缺点
强度聚类
11
基于粒子群的多目标优化（MOPSO）
粒子群基础 · 外部档案 · 全局最优选择
粒子群档案
12
基于差分进化的多目标优化（MODE）
差分进化基础 · 变异策略 · 适应度分配
差分变异
13
基于蚁群的多目标优化（MOACO）
信息素更新 · 多目标路径选择 · 应用案例
蚁群路径
14
基于贝叶斯优化的多目标优化
代理模型 · 采集函数 · 高效全局优化
贝叶斯代理
15
性能评价指标（上）
GD世代距离 · IGD逆世代距离 · HV超体积
指标GDHV
16
性能评价指标（下）
Spread · Coverage · 指标选择指南
分布覆盖
17
测试函数与基准问题
ZDT · DTLZ · WFG · CEC系列
基准测试
18
Python多目标优化库实战（一）
pymoo入门 · 问题定义 · 算法调用 · 可视化
pymoo实战
19
Python多目标优化库实战（二）
Platypus · 自定义算法 · 并行计算
Platypus并行
20
Python多目标优化库实战（三）
DEAP框架 · 多目标遗传 · 统计分析
DEAP遗传
21
数据驱动的多目标优化
代理模型(Kriging/GP) · 主动学习 · 离线优化
数据驱动代理
22
约束多目标优化
约束支配 · 罚函数 · ε约束 · 随机排序
约束罚函数
23
高维多目标优化（MaOP）
维度灾难 · 降维 · 基于指标 · 参考点方法
高维MaOP
24
动态多目标优化
环境变化检测 · 响应策略 · 记忆机制 · 预测
动态环境
25
多目标优化在工程设计中的应用
参数调优 · 结构优化 · 成本与性能权衡
工程应用
26
多目标优化在机器学习中的应用
模型选择 · 超参数调优 · 特征选择 · 公平性
ML调参
27
多目标优化在运筹学中的应用
供应链 · 路径规划 · 资源分配 · 调度
运筹调度
28
多目标优化结果的可视化与决策
Pareto前沿图 · 平行坐标 · 雷达图 · TOPSIS
可视化决策
29
多目标优化中的不确定性
鲁棒优化 · 随机优化 · 模糊多目标
鲁棒随机
30
课程总结与前沿展望
当前挑战 · 多任务优化 · 进化多目标 · 学习资源
总结前沿