第4章经典多目标优化算法（上）

4、经典多目标优化算法（上）：加权求和法、ε-约束法、目标规划法，优缺点分析。

各位同学，咱们今天聊聊多目标优化里的几个“老前辈”。

做材料设计，你很少只盯着一个指标。比如我要设计一个锂电池正极材料，既要能量密度高，又要循环寿命长，还得成本低。这三个目标往往互相打架。你想想看，能量密度上去了，循环寿命可能就下来了。这就是典型的多目标优化问题。

我早年做合金配方优化时，就吃过这个亏。当时只盯着强度一个目标优化，结果强度是上去了，韧性差得一塌糊涂，一掰就断。从那以后，我再也不敢只看单一目标了。

今天咱们先讲三个最经典的算法：加权求和法、ε-约束法和目标规划法。它们虽然“老”，但非常实用，很多现代算法也是从它们的思想上演化来的。

加权求和法的思路，说白了就是把多个目标揉成一个。

比如你有两个目标：f1（比如成本）和 f2（比如性能）。你给每个目标分配一个权重 w1 和 w2，然后加起来：

minimize F = w1 * f1(x) + w2 * f2(x)
subject to: x ∈ S
其中 w1 + w2 = 1, w1, w2 ≥ 0

嗯，这里要注意。权重怎么定？这完全取决于你的偏好。我个人习惯是先跑几组不同权重的解，看看帕累托前沿大概长什么样，再决定权重。

  优点：
  实现简单，代码就几行
计算效率高，一次优化出一个解
适合目标重要性明确的情况

  缺点：
  权重选择主观性强，不同权重结果差异巨大
无法处理非凸的帕累托前沿——这是个大坑
一次只能得到一个解，想得到多个解需要反复跑

避坑指南：

我曾经在一个高熵合金项目中用加权求和法，怎么调权重都得不到理想结果。后来才发现，帕累托前沿是非凸的，加权求和法根本找不到凹进去的那部分解。所以，如果你不确定前沿形状，慎用加权求和法。

这个方法很有意思。它的核心思想是：只优化一个主要目标，把其他目标变成约束条件。

比如，你主要关心性能，但成本不能太高。那你就把成本设为一个上限 ε，然后优化性能：

minimize f1(x)
subject to: f2(x) ≤ ε2
           f3(x) ≤ ε3
           x ∈ S

你想想看，这样做的好处是什么？你可以通过调整 ε 的值，系统地探索帕累托前沿。我建议你从宽松的约束开始，逐步收紧，这样能看到完整的 trade-off 关系。

  优点：
  能处理非凸的帕累托前沿
每次优化只针对一个目标，问题简化了
通过调整 ε，可以生成多个帕累托解

  缺点：
  ε 值的选取也需要经验，太松或太紧都不行
如果约束太多，可行域可能为空
计算量比加权求和法大一些

我的经验：

我在做聚合物复合材料设计时，经常用 ε-约束法。我会先确定一个“必须满足”的硬约束，比如成本上限，然后在这个约束下优化其他性能。这样出来的结果，工程上更可行。

目标规划法，说白了就是给每个目标设定一个期望值，然后尽量去接近它。

比如，我希望成本低于 100 元，性能高于 80 分。那优化目标就是让实际值尽可能接近这些目标值。数学上，它通常写成：

minimize Σ |fi(x) - Ti|^p
subject to: x ∈ S

其中 Ti 是第 i 个目标的目标值，p 是范数（常用 p=1 或 p=2）。

我个人觉得，这个方法最贴近工程师的思维习惯。因为我们做设计时，心里往往有个“理想值”。比如我希望这个催化剂的转化率能达到 95%，选择性达到 90%。目标规划法就是帮你找到最接近这个理想点的实际方案。

  优点：
  直观，容易理解
可以处理优先级不同的目标（加权目标规划）
能找到“折中”的解，而不是极端解

  缺点：
  目标值 Ti 的设定很关键，设得不好结果会偏
如果目标之间严重冲突，可能找不到满意的解
对非凸问题也可能失效

避坑指南：

我曾经在优化热电材料时，给电导率和塞贝克系数都设了很高的目标值。结果优化出来的解，两个指标都离目标很远。后来我才意识到，这两个参数本身就有物理上的制约关系，不可能同时达到最优。所以，设定目标值前，一定要先搞清楚目标之间的物理关系。

好了，咱们把这三个算法放在一起对比一下。我整理了一个表格，方便你快速查阅：

特性	加权求和法	ε-约束法	目标规划法
核心思想	多目标变单目标	一个目标优化，其余做约束	接近预设目标值
处理非凸前沿	❌ 不能	✅ 能	⚠️ 部分能
参数设置难度	中等（权重）	较高（ε值）	中等（目标值）
计算效率	高	中等	高
工程实用性	一般	好	好
适用场景	目标重要性明确，前沿凸	有硬约束，需要探索前沿	有明确期望值

为了让你更直观地理解这三种算法的关系，我画了一张图：

嗯，今天的内容就到这里。这三种算法虽然经典，但各有局限。下一章咱们会讲更高级的算法，比如 NSGA-II 和 MOEA/D，它们能更好地处理复杂的多目标问题。不过，先把这三个基础算法吃透，后面的内容你会学得更轻松。