4. 多目标优化数学基础

在结构轻量化设计中，我们很少只追求“质量最小”这一个目标。真实工程问题往往同时要求刚度足够、频率避开共振区、应力不超过许用值、制造成本可控。当这些目标彼此冲突时，单目标优化给出的“唯一最优解”就失去了意义——因为不存在一个设计能同时让所有目标都达到最优。多目标优化正是为处理这类冲突而建立的数学框架，它的核心产物不是单个解，而是一组互不支配的折中解，供设计者根据工程偏好做最终决策。

支配关系：多目标比较的基本语言

单目标优化中，两个解可以直接比大小。多目标中，比较需要借助“支配”概念。设一个最小化问题有 m 个目标函数 f₁, f₂, …, f_m，两个可行解 x 和 y：若对任意目标都有 fᵢ(x) ≤ fᵢ(y)，且至少存在一个目标使 fᵢ(x) < fᵢ(y)，则称 x 支配 y，记作 x ≺ y。若两个解互不支配，说明它们各有优势，无法简单判定谁更好。

支配关系具有传递性：若 x 支配 y、y 支配 z，则 x 支配 z。这一性质使得种群中大量劣解可以被快速筛除。以结构轻量化为例，方案 A 的质量 12.0 kg、一阶频率 48 Hz，方案 B 的质量 12.5 kg、一阶频率 46 Hz，则 A 在两个目标上都不差且质量更小，A 支配 B，B 可直接淘汰。若方案 C 为质量 11.5 kg、频率 44 Hz，则 A 与 C 互不支配——A 频率更高但更重，C 更轻但频率更低，二者都值得保留。

Pareto最优解与Pareto前沿

若一个可行解不被任何其他可行解支配，则称其为 Pareto最优解（非支配解）。所有 Pareto 最优解在目标空间中构成的集合称为 Pareto前沿（Pareto front）。前沿的形状直接反映目标间的冲突程度：前沿越“凸”、越靠近理想点，说明设计空间越有利；前沿上相邻点之间的斜率，则代表在该区域牺牲一个单位质量能换取多少频率提升，即权衡率。

需要强调：Pareto 前沿上的每个解在数学上地位平等，没有哪个“更优”。选择哪一个，取决于工程偏好、约束余量和成本考量。因此多目标优化的输出应是一组解加一张前沿图，而不是一个孤立的最优值。

目标权衡：从数学关系到工程决策

Pareto 前沿上相邻两点之间的斜率，量化了目标之间的权衡。若从解 D 到解 E，质量增加 0.8 kg，一阶频率提升 3.2 Hz，则权衡率约为 4 Hz/kg。这个数值告诉设计者：在当前设计区域，每多付出 1 kg 质量，大约能换来 4 Hz 的频率提升。若工程要求频率必须高于 47 Hz，而解 D 的频率为 46.5 Hz，则必须沿前沿向右移动，接受质量增加。

权衡分析还用于识别“拐点”。前沿上曲率变化最大的点往往对应性价比最高的设计——在拐点左侧，牺牲质量换频率的收益很高；在拐点右侧，收益迅速衰减。实际决策中，拐点附近的解常被优先考虑。

归一化：让不同量纲的目标可比

质量以 kg 计、频率以 Hz 计、应力以 MPa 计，量级差异可能达到几个数量级。若不归一化，支配判断和拥挤度计算会被大量纲目标主导。常用归一化方式为极差归一化：

f'_i = (f_i - f_i^min) / (f_i^max - f_i^min)

其中 f_i^min 和 f_i^max 可取自当前种群或参考设计空间。归一化后所有目标落在 [0,1] 区间，量纲被消除。需要注意：归一化范围应保持一致，若在优化过程中动态更新，需记录更新策略，否则前后代的支配关系可能不可比。对于最大化目标，可先取负值再归一化，统一为最小化形式。

约束处理策略

结构优化中的约束通常包括应力上限、位移上限、频率下限、几何边界和制造工艺限制。处理策略主要有三类：

• 罚函数法：将约束违反量乘以罚因子加入目标。例如应力约束 σ ≤ σ_allow，违反量 v = max(0, σ − σ_allow)，构造 F = f + λ·v。罚因子 λ 过小则约束形同虚设，过大则导致数值病态。工程中常采用自适应罚因子，随进化代数逐步增大。
• 可行性优先规则：在支配判断中引入约束违反度。若两解都不可行，违反度小者占优；若一可行一不可行，可行者占优；若都可行，再按 Pareto 支配比较。该策略不引入罚因子，适合约束边界清晰的场景。
• 约束支配原则（CDP）：将约束违反度视为额外目标，与可行性联合排序。NSGA-II 等算法常采用此方式，能在保持种群多样性的同时逐步逼近可行域。

一个可复算的教学示例

假设某悬臂梁加强筋布局优化，设计变量为筋板厚度 t（2～6 mm）和筋板高度 h（20～60 mm）。目标为质量最小和端部位移最小，约束为一阶频率不低于 45 Hz。取三个候选方案：

按可行性优先规则，S3 因频率约束不满足，先被排除。S1 与 S2 均可行：S1 质量更小但位移更大，S2 位移更小但质量更大，二者互不支配，均保留为 Pareto 解。若设计者更看重位移控制，选 S2；若更看重减重，选 S1。若引入第三个可行解 S4（质量 12.0 kg、位移 0.40 mm、频率 46.8 Hz），则 S4 支配 S1（质量略大但位移更小、频率更高），S1 被淘汰，前沿更新为 S2 与 S4。

这个例子说明：多目标优化的实际工作流程是“定义目标与约束 → 归一化 → 生成候选解 → 支配筛选 → 前沿分析 → 按偏好决策”。每一步都需要工程判断，而不是把问题丢给算法就结束。理解支配、Pareto 前沿、权衡率、归一化和约束处理这五个概念，才能在轻量化设计中正确解读优化结果，并做出有依据的取舍。