1. 多目标优化基础概念

我第一次接触多目标优化是在研究生课题遇到矛盾指标时——既要降低设备能耗又要提升生产效率，这两个目标就像拔河比赛的两端。多目标优化就是研究这类存在冲突目标的决策问题，它的核心在于寻找各个目标之间的最佳平衡点。

数学模型 通常表示为：

min F(x) = [f1(x), f2(x), ..., fm(x)]
s.t. x ∈ Ω

其中x是决策变量，Ω是可行解空间。比如在设计无人机时，x可能包含翼展、电池容量等参数，而f1(x)可能是续航时间，f2(x)是载重能力。

支配关系 是理解解集的关键。假设有两个设计方案：

• 方案A：续航30分钟，载重1kg
• 方案B：续航25分钟，载重1.2kg

当所有目标都更优时（如方案A两项指标均优于方案C），我们说A支配C。但如果像A和B这样各有优劣，就属于 非支配解 ，这些解构成了 Pareto前沿 ——就像经济学中的生产可能性边界。

我在MATLAB中验证过一个经典案例：投资组合优化。需要同时最大化收益和最小化风险，最终得到的Pareto前沿呈现典型的"L型"曲线。这个案例让我明白，实际工程中往往不需要追求单个目标的极致，而是在合理范围内寻找最佳折衷。

2. 传统求解方法对比

早期项目资源有限时，我经常采用传统方法快速获得可行解。 加权求和法 最直观，就像给不同KPI分配权重：

% 权重设置示例
w1 = 0.7; % 能耗权重
w2 = 0.3; % 时效权重
f = @(x) w1*f1(x) + w2*f2(x);

但踩过的坑是：权重设置太主观，有次给能耗分配0.9权重，结果得到的方案生产效率低到不可接受。

ε-约束法 更适合有硬性要求的场景。比如医疗设备设计时，必须确保精度高于某个阈值：

% 将精度作为约束
A = []; b = [];
Aeq = []; beq = [];
lb = [0.1, 0];
ub = [1, 5];
nonlcon = @(x) deal([], f2(x)-0.95); % 精度≥95%

实测发现这种方法在凸问题上效果不错，但遇到非凸Pareto前沿时可能漏掉优质解。

分层序列法 适合目标有明显优先级的情况。曾用这种方法处理过工厂排产问题：

1. 先优化交货准时率
2. 在准时率最优解附近优化设备利用率

[x1, f1_opt] = fmincon(@交货准时率, x0, A, b, Aeq, beq, lb, ub);
A = [A; f1(x)<=f1_opt*1.05]; % 允许5%浮动
[x2, f2_opt] = fmincon(@设备利用率, x1, A, b, Aeq, beq, lb, ub);

这种方法需要谨慎设置约束边界，太宽松会失去意义，太严格可能导致无解。

3. 智能优化算法实现

当传统方法效果不佳时，我转向了 NSGA-II 这类进化算法。它的优势在于能一次性获得整个Pareto前沿，就像撒网捕鱼而不是钓鱼。算法核心流程：

1. 初始化种群 ：随机生成N个解
2. 非支配排序 ：像奥运颁奖台一样将解分级
3. 拥挤度计算 ：保证解在目标空间分布均匀
4. 选择交叉变异 ：保留优质解并产生后代

在MATLAB中实现时，关键要设置好 进化参数 ：

options = gaoptimset('ParetoFraction',0.3,...
                    'PopulationSize',100,...
                    'Generations',200,...
                    'StallGenLimit',50,...
                    'TolFun',1e-6);

参数设置经验：

• ParetoFraction通常取0.3-0.5
• 种群规模建议50-200
• 代数取决于问题复杂度
• StallGenLimit防止早熟收敛

gamultiobj 是MATLAB的多目标遗传算法函数，我用它优化过物流中心选址：

fitnessfcn = @(x)[cost(x), delivery_time(x)];
nvars = 10; % 10个候选位置
[x, fval] = gamultiobj(fitnessfcn, nvars, A, b, Aeq, beq, lb, ub, options);

运行后得到30多个非支配解，通过3D散点图可以清晰看到成本、时效、覆盖率三者间的权衡关系。

4. MATLAB实战案例

最近完成的电机设计项目完美展示了多目标优化的价值。我们需要同时优化：

1. 效率（最大化）
2. 转矩波动（最小化）
3. 材料成本（最小化）

问题定义 ：

function y = motor_obj(x)
    y(1) = -efficiency(x); % 转换为最小化
    y(2) = torque_ripple(x);
    y(3) = material_cost(x);
end

参数设置 ：

lb = [0.5, 10, 0.1]; % 磁钢厚度、线圈匝数等
ub = [2.5, 30, 0.5];
options = gaoptimset('PlotFcn',@gaplotpareto);

结果可视化 ：

scatter3(fval(:,1), fval(:,2), fval(:,3), 'filled');
xlabel('效率'); ylabel('转矩波动'); zlabel('成本');
rotate3d on; % 启用三维旋转

通过交互式观察，最终选择效率>92%、波动<5%、成本<200的方案。这个案例让我深刻体会到，多目标优化的价值不仅在于计算，更在于提供决策支持。

在另一个机器人路径规划项目中，我发现 并行计算 能显著提升效率：

options = gaoptimset(options, 'UseParallel',true);
parpool('local',4); % 启用4核并行

对于计算密集型问题，200代进化时间从3小时缩短到40分钟。不过要注意避免过度并行导致内存不足。