1 基本概念
1.1 定义与问题形式
多目标优化是指在同一问题中同时考虑两个或两个以上目标函数，并要求在这些目标之间寻求平衡的优化方法。由于多个目标往往彼此冲突，问题的结果通常不是单一最优点，而是一组满足不同偏好的折中解。
1.2 多目标与单目标优化的区别
单目标优化只关注一个评价指标，因此通常可以用“最小值”或“最大值”来定义最优解。多目标优化则要同时处理多个指标，解的优劣不再由单一数值决定，而需要比较不同解在各目标上的整体表现。
1.3 目标冲突与折中解
目标冲突是多目标优化的核心特征之一。例如某一方案可能降低成本，但会增加时间消耗；另一方案则可能提高性能，却伴随更高资源投入。在这种情况下，优化过程通常追求折中解，即在多个目标之间达到相对均衡的方案。
1.4 帕累托最优与非支配解
帕累托最优是多目标优化中最常用的判定标准之一。若某个解无法在不损害其他目标的前提下进一步改善任一目标，则该解可视为帕累托最优。非支配解则是指在给定解集中不被其他解在所有目标上同时优于的解。
1.4.1 帕累托支配关系
若解A在所有目标上都不劣于解B，并且至少在一个目标上优于解B，则称A支配B。支配关系用于比较不同方案的优劣，是筛选候选解和构造帕累托解集的基础。
1.4.2 帕累托前沿
帕累托前沿是由所有帕累托最优解对应的目标值组成的集合，通常表现为目标空间中的一条曲线或一个曲面。它反映了各目标之间的不可兼得边界，也为决策者选择方案提供了参考。
1.5 决策变量、目标函数与约束条件
多目标优化问题通常由决策变量、目标函数和约束条件三部分构成。决策变量描述可调节的对象；目标函数表示需要优化的指标；约束条件则限定解必须满足的可行范围。
2 数学表述
2.1 向量优化模型
多目标优化常可表示为向量优化模型，即将多个目标函数组合为一个目标向量进行研究。该模型强调各目标之间的联合比较，而不是将问题简单化为单一指标。
2.2 目标空间与决策空间
决策空间是由所有决策变量构成的空间，描述可选方案的集合。目标空间则是各方案经过目标函数映射后形成的空间，便于观察不同方案在性能指标上的分布关系。
2.3 可行域与最优解集
可行域是所有满足约束条件的解所组成的集合。最优解集在多目标问题中通常不是单点，而是由若干非支配解构成的集合，供后续选择与权衡。
2.4 标量化方法
标量化方法是将多个目标转换为单个标量目标的处理思路，便于使用传统单目标算法求解。这类方法常用于结构化建模与偏好表达较明确的场景。
2.4.1 加权和法
加权和法通过为各目标分配权重，将多个目标合成为一个加权总目标。该方法形式简单，但对权重设置较为敏感，且在某些非凸问题中可能难以覆盖全部帕累托解。
2.4.2 目标规划法
目标规划法先设定各目标的期望水平，再通过最小化偏离程度来求解。它适合存在明确规划指标的场景，能够体现“尽量接近期望值”的决策思想。
2.4.3 约束法
约束法将其中一个目标作为主目标，其余目标则转化为约束条件。通过调整这些约束阈值，可以逐步获得不同的折中解，从而近似构造帕累托前沿。
2.5 偏好信息的引入
在实际决策中，偏好信息可以来自决策者经验、行业标准或历史数据。将偏好引入模型后，可以缩小解的搜索范围，使算法更集中于符合实际需求的方案区域。
3 主要理论
3.1 帕累托效率理论
帕累托效率理论说明，在多个目标相互制约时，许多解都可能处于“无法被严格改进”的状态。该理论为多目标优化提供了基本判别框架，也奠定了解集分析的理论基础。
3.2 支配与弱支配
支配关系要求一个解在全部目标上不差于另一个解，并至少在一个目标上更优。弱支配则只要求在所有目标上不劣于对方。二者常用于描述解之间的比较强度。
3.3 多目标最优解的存在性
多目标问题中是否存在帕累托最优解，通常取决于目标函数、可行域以及约束条件的性质。在很多实际模型里，若可行域非空且目标函数满足一定连续性条件，往往可以得到至少一个帕累托解。
3.4 多目标优化中的凸性与连续性
凸性有助于分析解集结构，也常使标量化方法更有效。连续性则影响最优解的稳定程度和数值算法的收敛表现，因此是理论研究和算法设计中的重要性质。
3.5 解集性质与稳定性
多目标优化的解集往往具有多峰、分散和非唯一等特征。稳定性研究关注当模型参数或约束略有变化时，解集是否保持相对一致，这对实际应用中的鲁棒决策很重要。
4 求解方法
4.1 精确算法
精确算法的目标是尽可能完整地求出最优解集或其精确表示。此类方法通常适用于规模较小或结构较规整的问题，但计算成本往往较高。
4.1.1 枚举法
枚举法通过遍历所有可行方案并比较其目标值来寻找非支配解。它直观易懂，但在组合规模较大时，计算量会迅速增长。
4.1.2 分支定界法
分支定界法通过逐步划分搜索空间，并利用上下界剪枝来减少无效计算。该方法在整数规划和组合优化中应用较多，能够提高精确求解效率。
4.1.3 动态规划法
动态规划法将原问题分解为若干子问题，依次求得局部最优结果并组合成整体解。对于具有阶段结构或递推关系的问题，这种方法较为有效。
4.2 近似算法
当问题规模较大或精确求解代价过高时，近似算法成为常用选择。它们通常不保证获得全部精确最优解，但能够较快给出质量较高的解集。
4.2.1 启发式算法
启发式算法依赖经验规则和问题特征进行搜索，强调较高效率和较低实现复杂度。它们通常适用于需要快速获得可行方案的场合。
4.2.2 元启发式算法
元启发式算法在启发式方法基础上加入更强的全局搜索机制，如随机扰动、邻域搜索和迭代改进。它们常用于处理复杂、多峰、非线性的多目标问题。
4.2.3 进化算法
进化算法模拟自然选择和群体演化过程，通过种群迭代逐步逼近帕累托前沿。由于其并行搜索能力较强，常被用于高维和非凸多目标问题。
4.2.3.1 多目标遗传算法
多目标遗传算法利用选择、交叉和变异等操作不断更新种群，并通过非支配排序等机制保留优良个体。它是多目标进化算法中最具代表性的分支之一。
4.2.3.2 粒子群算法
粒子群算法以粒子群体的协同搜索为基础，通过个体经验与群体经验共同引导更新方向。在多目标场景中，它常用于探索分布较广的候选解。
4.2.3.3 蚁群算法
蚁群算法模仿蚂蚁通过信息素路径寻找较优解的过程，适合处理路径类和组合类问题。多目标版本通常通过多种信息素或权衡机制维护解的多样性。
4.3 多目标进化算法中的常用框架
多目标进化算法除了搜索机制外，还依赖若干通用框架来维持解集质量。这些机制有助于兼顾收敛速度与解的分布均匀性。
4.3.1 精英保留策略
精英保留策略用于保存当前迭代中表现优良的非支配解，避免其在后续进化中丢失。该策略能提高算法稳定性，并有助于持续逼近帕累托前沿。
4.3.2 拥挤距离与多样性维护
拥挤距离用于估计解在目标空间中的邻近密度，帮助算法优先保留分布较稀疏的个体。多样性维护则旨在避免解集过度聚集，确保输出结果覆盖更广的折中区域。
4.3.3 解档案机制
解档案机制用于记录迭代过程中发现的非支配解，并在必要时对其进行更新和筛选。它能够保存历史优解，为最终方案输出提供更稳定的候选集。
5 解的评价与选择
5.1 收敛性指标
收敛性指标用于衡量算法得到的解集与真实帕累托前沿的接近程度。该类指标越优，通常表示算法越能找到高质量的折中方案。
5.2 多样性指标
多样性指标关注解集在目标空间中的分布广度与均匀性。若多样性不足，虽然局部解可能较优，但整体代表性会下降。
5.3 超体积指标
超体积指标通过计算解集覆盖的目标空间体积来综合评价收敛性和多样性。它是多目标优化中较常用、也较具代表性的评价标准之一。
5.4 参考点与理想点方法
参考点方法以给定的目标参考值为比较基准，筛选更接近期望的方案。理想点方法则以各目标分别达到最优时构成的虚拟点作为参照，衡量实际解与理想状态的距离。
5.5 决策者偏好驱动的方案选择
在得到一组候选解后，最终选择通常仍需结合决策者偏好。常见做法包括排序、分层筛选、阈值过滤或交互式调整，以选出最符合实际需求的方案。
6 应用领域
6.1 工程设计优化
工程设计常需要同时考虑强度、重量、成本和可靠性等多个指标。多目标优化能够在这些因素之间建立平衡，从而辅助确定更合理的设计方案。
6.2 制造与生产调度
在制造系统中，常见目标包括缩短工期、降低能耗、减少库存和提高设备利用率。多目标优化可用于排产、班次安排以及产线协调等任务。
6.3 物流与供应链管理
物流与供应链问题往往涉及运输成本、配送时效、路径长度和服务水平等多个目标。通过多目标优化，可以在效率和成本之间找到更合适的组合方案。
6.4 能源系统优化
能源系统优化通常需要兼顾经济性、稳定性和资源利用效率。多目标模型常用于发电调度、储能配置、网络规划等问题。
6.5 机器学习与模型选择
机器学习中的多目标优化常见于特征选择、超参数调节和模型压缩等任务。此时通常需要同时考虑预测性能、模型复杂度和训练代价。
6.6 经济与管理决策
经济管理领域中，多目标优化可用于投资组合、预算分配、绩效考核和资源配置等场景。它有助于在收益、风险、增长和成本之间做出更平衡的选择。
7 典型问题
7.1 多目标背包问题
多目标背包问题是在容量限制下，同时优化多个收益或代价指标的组合选择问题。它是研究多目标组合优化的经典模型之一。
7.2 多目标旅行商问题
多目标旅行商问题通常要求在多种评价标准下寻找最优访问路径，例如距离、时间和风险等。该问题具有较强的组合复杂性，常用于测试算法性能。
7.3 多目标调度问题
多目标调度问题涉及任务排序、资源分配与时间安排，常需同时优化完工时间、等待时间和设备利用率。其模型形式多样，实际应用广泛。
7.4 多目标路径规划问题
多目标路径规划不仅考虑路径长度，还可能同时关注安全性、能耗、平滑性和通行成本。此类问题在机器人导航与运输规划中十分常见。
7.5 结构设计优化问题
结构设计优化关注在满足强度和稳定性要求的前提下，尽量降低材料用量、重量或制造成本。多目标处理方式有助于在性能与经济性之间取得平衡。
8 发展历程
8.1 理论奠基阶段
多目标优化的早期研究主要建立在运筹学、经济学和泛函分析等基础之上。此阶段形成了帕累托效率、支配关系等核心概念。
8.2 算法发展阶段
随着计算需求增加，研究者开始探索更系统的求解算法，包括标量化方法、分解方法和组合搜索方法。该阶段推动了多目标优化从理论分析走向实用计算。
8.3 进化计算推动阶段
进化计算的引入显著提升了多目标优化对复杂问题的处理能力。相关算法能够同时搜索多个候选解，并较好地保留解集多样性，因此迅速成为研究热点。
8.4 数据驱动与智能优化阶段
近年来，随着数据规模扩大和计算资源提升，多目标优化逐渐与机器学习、智能决策和自适应算法结合。此类方法更强调从数据中提取偏好信息，并在动态环境中持续优化。
9 相关概念
9.1 单目标优化
单目标优化是只针对一个目标函数进行求极值的优化问题，常作为多目标优化的基础形式。
9.2 多准则决策
多准则决策关注在多个评价标准下进行方案比较与选择，强调决策过程中的偏好表达与排序分析。
9.3 鲁棒优化
鲁棒优化研究在参数不确定条件下仍能保持较好表现的方案，重点在于提高解对扰动和变化的适应能力。
9.4 约束优化
约束优化是在满足若干条件限制下进行最优求解的方法，是多目标优化建模的重要组成部分。
9.5 全局优化
全局优化旨在避免陷入局部最优，寻找问题整体范围内的最佳解。它与多目标优化在搜索策略和理论分析上有较多交叉。