2. 多目标优化数学建模基础

多目标优化建模的本质，是把一个模糊的“既要…又要…”工程诉求，翻译成一组可以被算法处理的数学对象。这个翻译过程包含四个基本构件：决策变量、目标函数、约束条件，以及由它们共同决定的可行域与目标空间。理解这四者的形式化表达与映射关系，是后续求解Pareto前沿的前提。

一、决策变量的形式化

决策变量是建模中“我们可以主动调节的量”，记作向量 x = (x₁, x₂, …, xₙ) ∈ ℝⁿ，n 为变量维数。建模时首先要区分三类量：可控的设计变量（如结构尺寸、配比、调度时刻）、不可控但可观测的参数（如环境温度、来料波动）、以及由变量派生出的中间量。只有第一类才进入 x，后两类应作为常数或约束中的系数出现，否则会人为放大搜索空间。

变量还需要明确取值类型与范围：连续型（如壁厚 2.0～8.0 mm）、整数型（如设备台数）、离散枚举型（如材料牌号）。这些信息既写在变量定义中，也常以边界约束的形式重复出现，二者必须一致，否则模型自相矛盾。

二、目标函数与约束条件

目标函数把决策变量映射为待优化的指标，多目标情形下是一组函数 f(x) = (f₁(x), f₂(x), …, f_m(x))，m ≥ 2。每个目标都要写明优化方向（最小化或最大化），并尽量给出物理单位与量级。量级差异过大的目标（如成本以万元计、误差以毫米计）会直接影响后续归一化与权重设计，建模阶段就应记录清楚。

约束条件分为三类：不等式约束 gᵢ(x) ≤ 0、等式约束 hⱼ(x) = 0、以及变量边界 xₗ ≤ x ≤ xᵤ。工程中大量约束来自物理机理（强度、热平衡）、几何关系（装配间隙）、资源上限（预算、工时）和标准规范（排放限值）。等式约束会降低可行域的有效维数，建模时应检查是否存在冗余等式，避免求解器因线性相关而报错。

三、可行域与目标空间的映射

所有满足约束的 x 构成可行域 X = {x | g(x) ≤ 0, h(x) = 0, xₗ ≤ x ≤ xᵤ}，它是决策空间 ℝⁿ 中的一个子集。目标函数把 X 映射到目标空间 ℝᵐ，得到可行目标集 Y = {f(x) | x ∈ X}。这一步映射是理解多目标优化的关键：决策空间中的“一个点”对应目标空间中的“一个点”，而决策空间中的一片区域，会在目标空间中压成一条曲线或一片曲面。

下图以一个两变量、两目标的案例展示这种映射关系：左侧决策空间中的可行域（阴影区域）经目标函数映射后，在右侧目标空间中形成可行目标集，其左下边界即为Pareto前沿的候选区域。

需要强调两点。第一，映射通常不是一一对应的：多个不同的 x 可能映射到同一个目标点，这意味着目标空间中的一个Pareto最优点，可能对应决策空间中的一整族解，工程上可据此挑选更易实现的方案。第二，可行域在目标空间中的像未必是凸集，即使 X 是凸的、各目标函数是线性的，多目标情形下 Y 的边界也可能出现凹陷，这正是加权和法难以覆盖全部Pareto解的原因。

四、建模案例实操

考虑一个简化的减速器箱体设计问题（示例参数为教学假设，非实测数据）。设计变量取壁厚 t（mm）与加强筋高度 h（mm）；目标为最小化质量 f₁ 与最大应力 f₂；约束包括应力不超过许用值、装配空间限制、以及变量边界。

决策变量：x = (t, h)，2.0 ≤ t ≤ 8.0，10 ≤ h ≤ 60
目标函数：
  f₁(x) = ρ·A(t,h)·L            → 最小化（质量，kg）
  f₂(x) = K·F/(t·h)             → 最小化（最大应力，MPa）
约束条件：
  g₁: f₂(x) − 235 ≤ 0           （应力不超过许用值 235 MPa）
  g₂: t + h/10 − 12 ≤ 0         （装配空间限制）
  g₃: h − 8t ≤ 0                （工艺高厚比限制）
边界：2.0 ≤ t ≤ 8.0，10 ≤ h ≤ 60

建模后的检查动作包括：代入若干组 (t, h) 验证约束是否可计算、目标量级是否可比、可行域是否非空。例如取 t=4、h=30，可算出 g₂ = 4+3−12 = −5 ≤ 0 满足，g₃ = 30−32 = −2 ≤ 0 满足，说明该点位于可行域内部；再取 t=2、h=55，g₃ = 55−16 = 39 > 0，该点被工艺约束排除。通过这类抽样代入，可以在写求解代码之前就发现约束写反、边界冲突等常见错误。

完成上述形式化后，模型才具备进入求解阶段的条件：决策变量定义了搜索空间，目标函数定义了评价方向，约束定义了合法性边界，而可行域到目标空间的映射则决定了Pareto前沿的形状与分布。下一阶段的所有算法选择与结果解读，都建立在这一套表达是否准确、完整之上。