多目标最优化问题全面介绍
数学建模中的多目标优化问题
数学建模中的多目标优化问题在数学建模中，多目标优化问题是一个重要且具有挑战性的问题。
在实际应用中，我们常常面临的是多个目标之间的矛盾与权衡，因此需要找到一个平衡点来满足各个目标的需求。
本文将介绍多目标优化问题的定义、解决方法以及应用案例。
第一部分：多目标优化问题的定义多目标优化问题是指在给定的约束条件下，寻找多个目标函数的最优解的问题。
常见的形式可以表示为：最小化/最大化 f1(x), f2(x), ..., fn(x)其中，fi(x)表示第i个目标函数，x表示决策变量。
多目标优化问题与单目标优化问题的不同之处在于，单目标问题只需考虑一个目标函数，而多目标问题需要同时考虑多个目标函数。
第二部分：多目标优化问题的解决方法在解决多目标优化问题时，常用的方法有以下几种：1. 加权求和法（Weighted Sum Method）：将多个目标函数加权求和，转化为单目标函数进行求解。
具体地，可以通过设置不同的权重系数，使得不同目标函数在求解中的重要性得到体现。
2. Pareto优化法（Pareto Optimization）：Pareto优化法基于Pareto最优解的概念，即同时满足所有约束条件下，无法改善任何一个目标函数而不损害其他目标函数的解集。
通过构建Pareto最优解集，可以帮助决策者在多个解中进行选择。
3. 遗传算法（Genetic Algorithm）：遗传算法是一种基于生物进化原理的优化算法，通过模拟自然选择、交叉和变异等过程来搜索最优解。
在多目标优化问题中，遗传算法通过维护一个种群中的多个个体，以逐步进化出Pareto最优解集。
4. 粒子群优化算法（Particle Swarm Optimization）：粒子群优化算法是一种模拟鸟群觅食的行为进行优化的算法。
在多目标优化问题中，粒子群优化算法通过在解空间中搜索多个粒子，通过粒子之间的合作与竞争，逐步逼近Pareto最优解。
第三部分：多目标优化问题的应用案例多目标优化问题在各个领域都有广泛的应用。
多目标优化问题的解法概述
多目标优化问题的解法概述多目标优化问题是指在优化过程中需要同时考虑多个目标函数的情况。
在实际生活和工程领域中，很多问题都涉及到多个相互矛盾的目标，因此如何有效地解决多目标优化问题成为了一个重要的研究方向。
本文将对多目标优化问题的解法进行概述，介绍几种常见的解法方法。
**多目标优化问题的定义**在多目标优化问题中，通常会涉及到多个冲突的目标函数，这些目标函数之间可能存在相互制约或者矛盾。
多目标优化问题的目标是找到一组解，使得这些解在多个目标函数下都能取得较好的性能，而不是仅仅优化单个目标函数。
**多目标优化问题的解法**1. **加权和法**加权和法是一种简单而直观的多目标优化方法。
在加权和法中，将多个目标函数线性组合成一个单目标函数，通过调整各个目标函数的权重来平衡不同目标之间的重要性。
然后将这个单目标函数作为优化目标进行求解。
加权和法的优点是简单易实现，但缺点是需要事先确定好各个目标函数的权重，且对权重的选择比较敏感。
2. **Pareto最优解法**Pareto最优解法是一种经典的多目标优化方法。
在Pareto最优解法中，通过定义Pareto最优解的概念，即不存在其他解能同时优于该解的情况下，找到一组解集合，使得这组解集合中的任意解都无法被其他解所优于。
这组解集合被称为Pareto最优解集合，解集合中的解称为Pareto最优解。
Pareto最优解法的优点是能够找到一组在多个目标下都较优的解，但缺点是求解过程比较复杂，需要对解空间进行全面搜索。
3. **多目标遗传算法**多目标遗传算法是一种基于进化计算的多目标优化方法。
在多目标遗传算法中，通过模拟生物进化的过程，利用遗传算子对解空间进行搜索，逐步优化个体的适应度，从而得到Pareto最优解集合。
多目标遗传算法的优点是能够有效处理多目标优化问题，具有较好的全局搜索能力和收敛性，但缺点是算法参数的选择和调整比较困难。
4. **多目标粒子群优化算法**多目标粒子群优化算法是一种基于群体智能的多目标优化方法。
多目标优化问题
多目标优化方法基本概述几个概念优化方法一、多目标优化基本概述现今，多目标优化问题应用越来越广，涉及诸多领域。
在日常生活和工程中，经常要求不只一项指标达到最优，往往要求多项指标同时达到最优，大量的问题都可以归结为一类在某种约束条件下使多个目标同时达到最优的多目标优化问题。
例如：在机械加工时，在进给切削中，为选择合适的切削速度和进给量，提出目标：1）机械加工成本最低2）生产率低3）刀具寿命最长；同时还要满足进给量小于加工余量、刀具强度等约束条件。
多目标优化的数学模型可以表示为：X=[x1,x2,…,x n ]T----------n维向量min F(X)=[f1(X),f2(X),…,f n(X)]T----------向量形式的目标函数s.t. g i(X)≤0,(i=1,2,…,m)h j(X)=0,(j=1,2,…,k)--------设计变量应满足的约束条件多目标优化问题是一个比较复杂的问题，相比于单目标优化问题，在多目标优化问题中，约束要求是各自独立的，所以无法直接比较任意两个解的优劣。
二、多目标优化中几个概念：最优解，劣解，非劣解。
最优解X*：就是在X*所在的区间D中其函数值比其他任何点的函数值要小即f(X*)≤f(X)，则X*为优化问题的最优解。
劣解X*：在D中存在X使其函数值小于解的函数值，即f(x)≤f(X*), 即存在比解更优的点。
非劣解X*：在区间D中不存在X使f(X)全部小于解的函数值f(X*).如图：在[0,1]中X*=1为最优解在[0,2]中X*=a为劣解在[1,2]中X*=b为非劣解多目标优化问题中绝对最优解存在可能性一般很小，而劣解没有意义，所以通常去求其非劣解来解决问题。
三、多目标优化方法多目标优化方法主要有两大类：1)直接法：直接求出非劣解，然后再选择较好的解将多目标优化问题转化为单目标优化问题。
2)间接法如：主要目标法、统一目标法、功效系数法等。
将多目标优化问题转化为一系列单目标优化问题。
多目标最优化问题全面介绍
多目标最优化问题全面介绍§8.1多目标最优化问题的基本原理一、多目标最优化问题的实例例1 梁的设计问题设用直径为1的圆木加工成截面积为矩形的梁，为使强度最大而成本最低，问应如何设计梁的尺寸？解：设梁的截面积宽和高分别为1x 和2x 强度最大=惯性矩最大22161x x = 成本最低=截面积最小=21x x 故数学模型为： min 1x 2xmax22161x x.s t 22121x x +=10x ≥，20x ≥ 例2 买糖问题已知食品店有1A , 2A ,3A 三种糖果单价分别为4元∕公斤，2.8元∕公斤，2.4元∕公斤，今要筹办一次茶话会，要求用于买买糖的钱不超于20元，糖的总量不少于6公斤，1A ，2A 两种糖的总和不少于3公斤，问应如何确定买糖的最佳方案？解：设购买1A , 2A ,3A 三种糖公斤数为1x ，2x ，3x1A 2A 3A重量 1x 2x3x单价 4元∕公斤 2.8元∕公斤 2.4元∕公斤min 14x +22.8x +32.4x （用钱最省）max 1x +2x +3x （糖的总量最多）.st 14x +22.8x +32.4x 20≤ (用钱总数的限制)1x +2x +3x 6≥（用糖总量的要求）1x +2x3≥（糖品种的要求）1x ，2x ，3x 0≥是一个线性多目标规划。
二、多目标最优化的模型12min ()((),(),.....())T m V F x f x f x f x -=.st ()0g x ≥()0h x ≥多目标规划最优化问题实际上是一个向量函数的优化问题，当m=1,多目标优化就是前面讲的单目标优化问题三、解的概念1.序的概念12,.....()Tm a a a a = 12,.....()Tmb b b b =（1）b a =?a iib = 1,2....i m = （2）a b ≤?a i ib ≤ 1,2....i m = 称a 小于等于b（3）a b <=?a i ib ≤ 且?1≤j ≤m ，使a j j b ≠，则a 小于向量b（4）ab < 1,2....i m = 称a 严格小于b绝对最优解：设多目标最优化问题的可行域为D ，*x ∈D ,如果对x ?D ∈,都有*()()F F x x <,则称*x 为多目标最优化的绝对最优解，称绝对最优解的全体为绝对最优解集，记ab R ，absolute —绝对有效解：可行域为D ，*x ∈D ,如果不存在x D ∈,使*()()F F x x <=，则称*x 为有效解，也称pareto 最优解，称有效解的全体为有效解集，记pa R 是由1951年T.C.Koopmans 提出的。
机械优化设计中的多目标优化问题
机械优化设计中的多目标优化问题在机械工程领域中，优化设计是提高产品性能和质量的关键。
然而，在实际应用中，往往需要同时满足多个优化目标，这就引出了多目标优化问题。
本文将介绍机械优化设计中的多目标优化问题，并探讨解决这些问题的方法。
一、多目标优化问题概述多目标优化问题是指在给定一组决策变量的情况下，同时优化多个冲突的目标函数。
这些目标函数可能涉及不同的性能指标，如成本、重量、强度、刚度等。
多目标优化问题的目标是找到一组设计方案，使得各个目标函数达到最优或接近最优的状态。
在机械优化设计中，多目标优化问题常常涉及到以下几个方面：1. 材料选择：在机械设计中，材料选择对产品的性能和质量具有重要影响。
因此，在优化设计中，需要考虑不同材料的力学性能、成本等因素，并找到最佳的材料组合方案。
2. 结构设计：机械产品的结构设计直接影响产品的强度、刚度等性能。
在多目标优化问题中，需要找到最佳的结构设计，使产品在满足不同性能指标的同时，达到最优的整体性能。
3. 工艺参数优化：机械优化设计中，工艺参数的选择对产品的制造成本和工艺效率有重要影响。
因此，在多目标优化问题中，需要综合考虑不同的工艺参数，并找到最佳的参数组合。
二、解决多目标优化问题的方法对于机械优化设计中的多目标优化问题，存在多种解决方法。
下面将介绍几种常用的方法：1. 基于加权求和法（Weighted Sum Method）的目标权重法：该方法将多个目标函数加权求和，通过调整权重的比例，将多目标优化问题转化为单目标优化问题。
然后可以使用传统的单目标优化方法求解。
2. 基于约束法的目标优化法：该方法将多目标优化问题转化为一个约束优化问题，通过设置适当的约束条件，将多个目标函数的值限定在一定的范围内。
3. 基于遗传算法的多目标优化法：遗传算法是一种模拟自然选择和遗传机制的优化算法。
通过模拟个体的遗传、交叉和变异过程，逐步优化设计变量，找到最优的设计方案。
三、案例分析以飞机机翼结构设计为例，介绍多目标优化问题在机械优化设计中的应用。
多目标优化方法及实例解析
多目标优化方法及实例解析多目标优化是一种优化问题，其中有多个目标函数需要同时优化。
在传统的单目标优化中，我们只需要优化一个目标函数，而在多目标优化中，我们需要找到一组解，这组解称为“非劣解集合”或“帕累托最优集合”，其中没有解可以在所有目标函数上获得更好的值。
在本文中，我们将详细介绍多目标优化的方法和一些实例解析。
1.多目标优化方法：a. Pareto优化：Pareto优化是最常见的多目标优化方法。
它基于帕累托原理，即一个解在至少一个目标函数上比另一个解更好。
Pareto优化的目标是找到尽可能多的非劣解。
b.加权和方法：加权和方法将多个目标函数线性组合为一个单目标函数，并通过调整权重系数来控制不同目标函数之间的重要性。
这种方法的局限性在于我们必须预先指定权重系数，而且结果可能受权重选择的影响。
c.约束方法：约束方法将多目标优化问题转化为一个带有约束条件的单目标优化问题。
这些约束条件可以是各个目标函数的约束条件，也可以是基于目标之间的特定关系的约束条件。
d.演化算法：演化算法是一类基于自然选择和遗传机制的优化算法，例如遗传算法和粒子群优化。
演化算法通常能够找到帕累托最优解集合，并且不需要预先指定权重系数。
2.实例解析：a. 假设我们希望同时优化一个函数 f1(x) 表示最小化成本，以及函数 f2(x) 表示最大化效益。
我们可以使用 Pareto优化方法来找到一组非劣解。
我们可以通过在参数空间中生成一组解，并对每个解进行评估来实现。
然后，我们可以根据解的优劣程度对它们进行排序，找到最优的非劣解集合。
b.假设我们希望优化一个函数f1(x)表示最大化收益，并且函数f2(x)表示最小化风险。
我们可以使用加权和方法来将两个目标函数线性组合为一个单目标函数：目标函数=w1*f1(x)+w2*f2(x)，其中w1和w2是权重系数。
我们可以尝试不同的权重系数，例如w1=0.5和w2=0.5，来找到最优解。
c.假设我们希望优化一个函数f1(x)表示最小化成本，并且函数f2(x)表示最小化风险。
多目标优化问题的求解方法
多目标优化问题的求解方法一、引言多目标优化问题常用于现实中的各种决策问题，旨在满足多个目标的需求。
比如，在物流配送问题中，我们需要平衡货物运输效率和成本，同时也需要满足货物运输的安全性等多个目标。
多目标优化问题求解难度大，需要综合考虑多个目标函数之间的相互影响和矛盾。
本文将从多个方面介绍多目标优化问题的解法和算法。
二、多目标优化问题的概念多目标优化问题可以定义为：在有限规定下，针对多个优化指标，找到最优的解答，使其能尽可能地满足各个指标的要求。
多目标优化问题的解决需要在考虑问题的最优解的情况下，同时平衡多个指标之间的优化目标。
换言之，多目标优化问题寻求的是各种参考结果中的最高综合价值。
三、多目标优化问题的特点多目标优化问题是一个复杂、多变的问题，具有以下特点：1.多目标：多目标优化问题在解决之前要考虑多个目的。
2.多维：多目标优化问题需要同时考虑多个指标，因而其可表达的变量和解空间维度更高。
3.非凸性：多目标优化问题在最优解中可能存在较多的局部最优解。
4. 非线性：多目标优化问题不仅涉及到多个目标，同时还需要考虑目标之间的复杂关系。
四、多目标优化问题的解法1.最优性方案法：最优性方案法的做法是：采用一个权重向量来描述优化问题的权重，然后使用这个权重向量计算出所有可能的目标函数的最小值，在计算过程中，只有在某个k值的情况下，目标函数的值达到了它的最小值，才能被认为是优化问题的最优解。
2. 约束规划法：约束规划法，经典的引导式求解方法，仅需要我们的关注变量是目标函数中相互矛盾的或者不可实现的特征。
使用约束规划方法，我们可以找出那些基于目标函数的情况下不可实现的方案，从而确定实现目标要求的最优方案。
3.遗传算法：遗传算法是一种模仿自然进化法的优化方法。
具有高度的鲁棒性、适应性和有效性。
通过模拟生物进化过程，从初始种群中寻找最适合目标的个体，并通过不断迭代优化算法的方式计算出最终的优化结果。
4. 粒子群算法：粒子群算法是一种模拟群体行为的优化算法。
多目标最优化方法
多目标最优化方法解决优化问题时，如果只考虑单一目标最优，称为单目标最优化问题(Single-Objective optimization problem, SOP)，若考虑的最优目标不仅一个，而是多个，我们称为多目标最优化问题(Multi-objective optimization problem, MOP)。
多目标最优化是最优化方法领域中重要的研究方向之一。
多目标最优化问题起源于实际生活中复杂系统的规划设计、模型建立等。
在工程设计、工农业规划、经济规划、金融决策城、市运输、水库管理和能量分配等社会活动中，经常遇多目标最优化问题，可以说多目标优化问题是无处不有、无处不在的.正是由于这种多目标最优化问题的重要性以及普遍性才使得人们要去研究多目标最优化问题的解法。
目前，国内、外许多学者致力于这方面的研究.1.1多目标最优化问题的简史多目标最优化问题的出现，应追溯到1772年，当时Franklin提出了多目标矛盾如何协调解决的问题。
但国际上大都认为多目标最优化问题最早是由法国经济学家V. Pareto于1896年提出的。
当时，他从政治经济学的角度，把不好比较的目标归纳成多日标最优化问题。
1944年，V on.neumann和J. Morgenstern从对策论的角度，提出多个决策者彼此又互相矛盾的多目标决策问题。
1951年，T. C. Koopmans从生产和分配的活动分析中提到了多目标最优化问题，并且第一次提出了Pareto最优解的定义。
同年，H. W. Kuhn和A. W. Tucker从数学归纳的角度，给出了向量极值问题的Pareto最优解，并研究了这种解的充分必要条件。
1953年，Arron等学者对凸集提出了有效解的概念，从此多目标最优化逐渐受到人们的关注。
1963年，L. A. Zadeh从控制论角度提出多目标控制问题。
这期间Charnes, Klinger, Keeney, Geoffrion等人先后都做了有效的工作。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
§8.1多目标最优化问题的基本原理一、多目标最优化问题的实例 例1 梁的设计问题设用直径为1的圆木加工成截面积为矩形的梁，为使强度最大而成本最低， 问应如何设计梁的尺寸？解： 设梁的截面积宽和高分别为1x 和2x 强度最大=惯性矩最大22161x x = 成本最低=截面积最小=21x x 故数学模型为： min 1x 2xmax22161x x.s t 22121x x +=10x ≥，20x ≥ 例2 买糖问题 已知食品店有1A , 2A ,3A 三种糖果单价分别为4元∕公斤，2.8元∕公斤，2.4元∕公斤，今要筹办一次茶话会，要求用于买买糖的钱不超于20元，糖的总量不少于6公斤，1A ，2A 两种糖的总和不少于3公斤，问应如何确定买糖的最佳方案？ 解：设购买1A , 2A ,3A 三种糖公斤数为1x ，2x ，3x1A 2A 3A重量 1x 2x3x单价 4元∕公斤 2.8元∕公斤 2.4元∕公斤min 14x +22.8x +32.4x （用钱最省）max 1x +2x +3x （糖的总量最多）.st 14x +22.8x +32.4x 20≤ (用钱总数的限制)1x +2x +3x 6≥（用糖总量的要求）1x +2x3≥（糖品种的要求）1x ，2x ，3x 0≥是一个线性多目标规划。
二、 多目标最优化的模型12min ()((),(),.....())T m V F x f x f x f x -=.st ()0g x ≥()0h x ≥多目标规划最优化问题实际上是一个向量函数的优化问题，当m=1,多目标优化就是前面讲的单目标优化问题 三、解的概念1.序的概念12,.....()Tm a a a a = 12,.....()Tmb b b b =（1）b a =⇔a iib = 1,2....i m = （2）a b ≤⇔a i ib ≤ 1,2....i m = 称a 小于等于b（3）a b <=⇔a i ib ≤ 且∃1≤j ≤m ，使a j j b ≠，则a 小于向量b（4）a <b ⇔a i ib < 1,2....i m = 称a 严格小于b绝对最优解：设多目标最优化问题的可行域为D ，*x ∈D ,如果对x ∀D ∈,都有*()()F F x x <,则称*x 为多目标最优化的绝对最优解，称绝对最优解的全体为绝对最优解集，记ab R ，absolute —绝对 有效解：可行域为D ，*x ∈D ,如果不存在x D ∈,使*()()F F x x <=，则称*x 为有效解，也称pareto 最优解，称有效解的全体为有效解集，记pa R 是由1951年T.C.Koopmans 提出的。
弱有效解：可行域为D ， *x ∈D ,如果不存在x D ∈,使*()()F F x x <，则称*x 为弱有效解，记wp R，若有效解是1959年kanlin 提出的。
四、解的性质：定理8.1 对于多目标最优化问题，总有ab R ⊆pa R ，即绝对最优解必是有效解，并且当ab R φ≠，ab R =pa R 。
证明：先证ab R ⊆pa R 用反证法 设*x ∈abR，但*x ∉pa R .由有效解的定义可知,存在'x ∈D ，使*()()'F F x x <=，即存在一个1i m ≤≤，使(')(*)i i f x f x <，这与*x ∈ab R 矛盾，所以*x ∈pa R ，即ab R ⊆pa R .当ab R φ≠，只需证明pa R ⊆ab R ，也用反证法，设"x ∈pa R ，使"x ∉ab R ，由于ab R φ≠，"x ∉ab R ，则存在一个x ∈ab R ，使()('')F x F x ≤，则至少存在一个i ，使1i m ≤≤，使得()('')i i f x f x <（否则()('')i i f x f x =，则()(")Fx Fx =，"x ∈ab R ），这与"x ∈pa R 矛盾（"x 是有效解表示找不到比"x 更好的点） 所以pa R ⊆ab R 综合ab R =pa R 。
定理8.2 对于多目标最有优化问题，总有pa R ⊆wp R ，即有效解必是弱有效解.证明：用反证法，设*x ∈pa R ，但*x ∉wp R ，由弱有效解的定义知，∃'x ∈p ,使(')(*)F x F x <，这与*x ∈pa R 矛盾，所以*x ∈wp R ，即pa R ⊆wp R . 定理8.3 如果记各分量目标函数()i f x 的最优解集为i R ，则有ab R =1mi i R =证明：设*x ∈ab R φ≠，则对x ∀D ∈，都有(*)F x ≤()F x ，所以对∀1,2....i m =，有(*)()i i f x f x ≤，即*x ∈i R ，这就证明*x ∈1mi i R = ，上述推到过程是可逆的，因此1m i i R = ⊆ab R ，从而ab R =1m i i R = ，当ab R φ≠，必有1mi i R = =φ，否则由已证1mi i R = ⊆ab R ，可知ab R φ≠。
定理8.4 如果记各分量目标函数()i f x 的最优解集为i R ，则有i R ⊆wp R ，并且当ab R φ≠，wp R =1mi i R = .证明：先证i R ⊆wp R 设'x ∈i R ，但'x ∉wp R ，由有效解的定义知，∃"x ∈D ，使('')(')F x F x <，即∀1,2....i m =，都有('')(')i i f x f x <，这与'x ∈i R 矛盾，所以'x ∈wp R ，即i R ⊆wp R当ab R φ≠时，由i R ⊆wp R 可得1mi i R = ⊆wp R ，因此只需证明wp R ⊆1mi i R = ，用反证法，设'''x ∈wp R ，但'''x ∉1mi i R = ，即对1,2....i m =都有'''x ∉i R ，另一方面由ab R φ≠，可设*x ∈ab R ，则有*x ∈i R ，即(*)(''')i i f x f x <，所以(*)(''')F x F x <，这与'''x ∈wp R 矛盾，所以'''x ∈1mi i R = ，即wp R =1mi i R = .§8.2评价函数法评价函数法有：（1）理想点法（2）平方和加权法（3）极小极大法基本原理（4）乘除法基本原理（5）线性加权和法 一、理想点法12min (,.....)T m F f f f =.s t ()0g x ≥()0h x =设12****(,.....)m F f f f =为理想点，一般情况下，绝对最优解往往不存在。
1d = 11((()*))mp pi i i f x f =-∑ p 为范数一般p =2时1d =1221((()*))mi i i f x f =-∑例1 max 112()32f x x x =-+ max 212()43f x x x =+ .st 1212121802320x x x x x x +≤≤+≥，解：先求 max 112()32f x x x =-+.st 12121218102320x x x x x x +≤≤+≥，*x =（0, 6） max 1f =12max 212()43f x x x =+.st 1212121802320x x x x x x +≤≤+≥，*x =（3,4） max 2f =24故理想点为 F =（12，24）min221212()()12243243x x x x -+--++.st 12121218102320x x x x x x +≤≤+≥，解之得*x =(0.53,0.65)T 1f =9.72，2f =19.06可以证明理想点法求出的点是有效解。
例2 用理想点法求解 min 1124f x x -= min 2f =123x x +.st 1212121210230x x x x x x +≤≤+≥，解：min 1124f x x -=1212121210230x x x x x x +≤≤+≥，1(5,0)20f =1(12,0)48f = 1(0,12)12f =- 1101033(0,)f =- 所以min 112f =- 10x = 212x =2(5,0)5f = 2(12,0)12f = 2(0,12)36f = 2103(0,)10f =所以min 2f =5 15x = 20x = 故理想点F =（-103，0）min 221212(4)()123x x x x --++.st 1212121210230x x x x x x +≤≤+≥，求出12??x x ⎧⎪⎨⎪⎩== 2.平方和加权法平方和加权法也称虚拟目标法，共思想是构造一个很好的虚拟目标，然后它的目标函数值去逼近虚拟目标.先对每个目标函数()i x f 确定一个想象的最好值0i f ，并使各目标函数与它的差的平方和最小，常取()i x f 极小值得下届作为0i f 021(())(())mi i i i h F x w f x f ==-∑1i w =∑min221121f x x =++min 22212)2(f x x -=+.s t 120x x ≥，解： 1f =1， 2f =0()h x =221122(()1)(()0)w f x w f x -+- 取1w =0.5，2w =0.5min ()h x =2222221212)20.5()0.5()(x x x x -+++.s t 120x x ≥，利用MATLAB求解：1201x x ⎧⎪⎨⎪⎩== ()h x =1可以证明这种方法求出的解是有效解.3.极小—极大法1()(())max ii m f x h F x ≤≤= min (())h F x = 1())min (max i i mx Df x ≤≤∈ 例 min 1f =1102(4)x + min 2f =122(2)x -.s t 05x ≤≤解： ()()()()22212,01214,141012,452x x h x x x x x ⎧-≤≤⎪⎪⎪=+≤≤⎨⎪⎪-≤≤⎪⎩()min h x05x ≤≤11,2x h ⇒==当1x =时，10.5f =，212f =4.乘除法 买糖问题 1123min 4 2.8 2.4f x x x =++2123max f x x x =++.S T123123121234 2.8 2.42063,,0x x x x x x x x x x x ++≤++≥+≥≥()123121234 2.8 2.4min x x x f h x f x x x ++==++.st 123123121234 2.8 2.42063,,0x x x x x x x x x x x ++≤++≥+≥≥解之得：1240,3,3x x x ===5.线性加权和法线性加权和法是最容易理解的评价函数法，根据各目标函数的重要程度构造评价函数()()()1mi i i h F x w f x ==∑其中i w 为权函数，满足0,1,2,3......i w i m ≥=，且11mi i w ==∑然后求解 ()()()1m i n m i n mi i x Dx Di h F x w f x ∈∈==∑例1. ()()()2211min min 4,44102f x x x x ⎡⎤=+-+⎢⎥⎣⎦.s t05x ≤≤ 利用线性加权和法求解解： ()()()2212444102h x x x x λλ=++-+（1） 若120.5,0.5λλ==时()()()22min 0.0540.2544h x x x x =++-+()0.610df x x dx=-= 51.66673x =≈0.3667h =（2） 若120.8,0.2λλ==，同理可得1.1111x =， 0.4977h = []0,2pa R =，两种做法的结果都属于有效解。