閱讀Book:MultiObjective using Evolutionary Algorithms(7)---Weighted Sum Methods & ε-Constraint Methods
阿新 • • 發佈:2018-11-22
(1) Classical multi-objective optimization methods have been around for at least four decades.
(2) Weighted Sum Methods(加權和法)
(1) 因為各個目標的資料什麼都不一致,為了方便比較,使用歸一化或者是標準化。 目的是同一個量級
我有100給你花50,同 我有十塊給你花5塊的量級都是 花了 50%
(2)根據結果分配不同的權重, 權重之和為1
標準公式:
(3) 定理:
通過反證法證明:假設所有的w為正數,但獲解並不是Pareto-ptimal然後證明矛盾。
該定理並沒有說明:只有獲得 正數w就可以得到pareto最優,但是Theorem 3.1.2則證明在凸函式中通過獲得正數權重 向量w就可以得到Pareto最優
證明:以兩個目標的為例 w1確定則w2 = 1-w1
以下: 自己對書本的理解,有誤還請指正
(4)舉例子計算:
題目:
第一步: 構造表示式:
第二步: 根據各目標函式繪製目標空間
第三步(1): 找 最小值解,從而確定滿足的w1
then----
(2) 滿足黑塞矩陣
另外:
加權法並不適用與非凸函式:因為按照之前的尋找切點的方法,跟沒沒有辦法獲得凸型的切點,導致其 訪問不了中間凹進去的部分(我是這麼理解的)
(3) ε-Constraint Methods
目的: 克服加權法不能應用在非凸函式的 缺陷
(1) 定義
好像是將非凸函式,通過以上的條件劃分,然後轉化為凸函式
(2)該方法處理非凸以及凸函式的定理
(3)舉例子證明:
題目:
計算各種條件---然得到各引數的值
then-------
當a=0.2,b=3