1. 课程导入与多目标优化问题界定

在工程与决策实践中，我们很少只面对一个目标。设计一辆车，希望油耗低、加速快、成本可控、安全性高；训练一个模型，希望精度高、推理延迟低、显存占用小；安排一条配送路线，希望总里程短、准时率高、车辆数少。这些目标往往彼此冲突：降低油耗可能牺牲动力，提高精度往往增加计算量。当"更好"不再是一个单一方向时，传统的单目标优化方法就失效了，我们需要一套新的语言来描述"无法同时最优"的解，这正是多目标优化要解决的问题。

本节学习目标

学完本节，你应当能够：用数学语言写出一个多目标优化问题的三要素（决策变量、目标函数、约束）；准确判断两个解之间的支配关系，并据此识别Pareto最优解与Pareto前沿；区分"目标空间"与"决策空间"两个视角；说出多目标优化在工程、机器学习、运筹调度中的典型落点；并建立对整门课程路线图的整体认知——后续章节将围绕"如何评价解集质量、如何生成Pareto前沿、如何在前沿上做决策"三条主线展开。

多目标优化问题的标准形式

一个多目标优化问题通常写成如下形式（本节统一约定：所有目标均为最小化，若某目标需要最大化，取其相反数转化为最小化，全文与图示保持一致）：

min  F(x) = [f1(x), f2(x), ..., fm(x)]
s.t. gi(x) ≤ 0,  i = 1..p        （不等式约束）
     hj(x) = 0,  j = 1..q        （等式约束）
     x ∈ X ⊆ R^n                 （决策变量可行域）

其中 x 是 n 维决策变量，F(x) 是 m 维目标向量（m ≥ 2），X 是由约束界定的可行域。关键区别在于：单目标优化的输出是一个标量，可以天然排序；多目标优化的输出是一个向量，向量之间没有全序关系，不能简单说"谁更大"。这就引出了支配关系。

Pareto支配与Pareto最优解

设两个可行解 x_a、x_b，对应目标向量 f_a、f_b。在最小化约定下，称 x_a 支配 x_b，当且仅当：对每一个目标 i，都有 f_a,i ≤ f_b,i，且至少存在一个目标 k 使 f_a,k < f_b,k。直观地说：各项都不差，且至少一项更好。若两个解互不支配（一个在某目标上更优、另一个在别的目标上更优），则它们构成权衡关系。

若一个可行解不被任何其他可行解支配，它就是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。需要强调：Pareto前沿上的解彼此之间没有优劣之分，选择哪一个取决于决策者的偏好与工程约束，这正是"多目标"与"单目标"最本质的分野。

一个可手算的教学示例

考虑一个双目标最小化问题（示例参数为教学设定，非实测数据）：决策变量为某产品的两个设计参数，目标为成本 f1 与重量 f2。现有四个候选方案，目标值如下表：

逐对比较：C(8,6) 相对 A(10,8) 两项都更小，故 C 支配 A；C 相对 D(12,10) 同样两项更小，C 支配 D。而 B(6,12) 与 C(8,6) 互不支配——B 成本更低但更重，C 更轻但成本更高。因此 B 与 C 都是Pareto最优解，构成该示例的Pareto前沿；A、D 属于被支配解，应被淘汰。这个例子说明：Pareto前沿不是"最好的一个点"，而是一组无法再改进而不损害其他目标的点。

两个视角：决策空间与目标空间

上图左侧是问题的构成逻辑，右侧是目标空间中的散点。理解多目标优化必须同时握住两个视角：在决策空间中，我们搜索的是参数组合 x；在目标空间中，我们评价的是向量 F(x)。Pareto前沿是目标空间里的概念，而算法实际搜索发生在决策空间，二者通过目标函数映射相连。很多算法（如NSGA-II、MOEA/D）正是在决策空间中维持种群多样性，以逼近目标空间中的前沿形状。前沿的"形状"本身也携带信息：凸前沿、凹前沿、不连续前沿对算法选择和后续决策方法都有不同要求，这将在后续章节展开。

典型应用场景

• 工程结构设计：在强度、重量、成本之间权衡，输出一组可选设计方案供工程师决策。
• 机器学习：精度与推理延迟、模型体积、能耗之间的权衡，用于模型选型与部署。
• 运筹与调度：配送里程、准时率、车辆数、碳排放的多目标路径与排班优化。
• 控制系统：响应速度与超调量、稳态误差之间的参数整定权衡。

这些场景的共同点是：不存在"唯一正确答案"，而是需要给决策者提供一组高质量候选解，并说明每个解在哪些目标上付出了代价。

课程路线图

本课程共30章，整体沿三条主线推进。第一条是概念与评价主线：从本节的问题界定出发，建立支配、Pareto前沿、收敛性与多样性等评价指标，学会用超体积、间距等度量判断解集质量。第二条是算法主线：依次讲解基于Pareto支配的经典多目标进化算法、基于分解的方法、基于指标的方法，以及约束处理与高维目标（many-objective）的应对策略，并配合可运行的实现与参数设置。第三条是决策主线：前沿生成之后如何选点，包括偏好表达、权重与参考点方法、多属性决策与可视化分析。三条主线最终汇聚为"生成—评价—决策"的完整闭环。

最后留一个自检练习：若某三目标问题中，解 P 的目标向量为 (3,5,4)，解 Q 为 (3,4,6)，请判断二者是否互相支配，并说明理由。能准确回答，说明你已经掌握了本节最核心的判断工具。