4. 多目标优化问题的分类与特征分析

在建立多目标优化模型之后，真正决定“该用哪种算法、能期待什么样的解集”的，往往不是目标函数的个数，而是问题本身的结构特征。同样是两目标最小化问题，一个连续凸问题可以用加权和法稳定地扫出完整Pareto前沿，而一个带整数变量、目标函数含噪声评估的非凸问题，可能连“前沿是否连通”都无法保证。因此，本节从四个维度对多目标优化问题做特征刻画：凸性与非凸性、连续与离散、确定性与不确定性，以及目标冲突程度的度量，并给出问题特征诊断的实用方法。

一、凸性与非凸性：决定前沿形状与求解策略

先约定本文的优化方向：统一采用最小化表述，即目标向量 \(f(x)=(f_1,\dots,f_m)\) 越小越好。若可行域为凸集、且每个目标函数都是凸函数，则称该多目标问题为凸多目标问题。凸性最重要的推论是：其Pareto前沿在目标空间中位于可行目标集的“左下边界”，且前沿上任意两点连线不会穿入可行域内部，前沿通常是连续且“向外凸”的。

这一性质直接决定加权和法的适用性。对凸问题，取权重 \(w_i>0\)、\(\sum w_i=1\)，最小化 \(\sum w_i f_i(x)\)，改变权重即可扫出前沿上的支撑点；但对非凸前沿的“凹陷段”，任何正权重组合都无法取到该段上的点，因为线性加权的最优解必然落在可行目标集的支撑超平面上。此时需要改用 \(\varepsilon\)-约束法：固定 \(f_2\le \varepsilon\)，最小化 \(f_1\)，通过扫描 \(\varepsilon\) 覆盖凹陷区域。

判断凸性时不能只看函数表达式。例如 \(f_1=x_1^2+x_2^2\) 是凸的，但若约束为 \(x_1x_2\ge 1\)（可行域非凸），整体问题仍是非凸的。实操中可用一个快速检验：在可行域内随机采样若干点，检查目标空间中这些点的凸包是否明显“包住”了部分可行点；若存在可行点落在采样点凸包之外且靠近前沿，则前沿很可能非凸，应优先考虑基于支配的算法（如NSGA-II、MOEA/D）而非纯加权法。

二、连续与离散：解空间结构决定算子设计

连续问题中决策变量取实数，邻域是连续的，梯度、步长、信赖域等概念可用；离散问题（组合优化、整数规划）中变量取整数或排列，邻域由交换、插入、翻转等离散操作定义。多目标组合优化的典型例子是带两个目标的旅行商问题：最小化总路程与最小化最大单段路程，两者冲突明显，且解空间是排列集合。

离散性带来的关键影响有三点。其一，Pareto前沿可能是离散点集而非连续曲线，此时“前沿”应理解为非支配解集合，讨论其“形状”意义有限。其二，邻域算子必须与问题结构匹配，例如排列问题用2-opt或交换算子，而背包类问题用位翻转算子。其三，精确方法（如多目标整数规划的ε-约束+分支定界）规模稍大即不可行，实践中多采用多目标进化算法或局部搜索。混合整数多目标问题则介于两者之间，需同时处理连续变量与整数变量，常用“连续部分用梯度、整数部分用枚举或启发式”的分层策略。

三、确定性与不确定性：评估可靠性决定解的稳健性

确定性问题的目标值由决策变量唯一确定；不确定性问题中，目标或约束含随机参数、区间参数或模糊参数。例如某结构设计需同时最小化质量与最大应力，但材料弹性模量存在 \(\pm5\%\) 的波动，此时同一设计点的应力评估结果不再唯一。

处理不确定性有三种常见建模方式：期望值模型（最小化 \(E[f(x,\xi)]\)）、机会约束模型（要求 \(P(g(x,\xi)\le 0)\ge 1-\alpha\)）、以及鲁棒模型（最小化最坏情况 \( \max_{\xi\in U} f(x,\xi)\)）。三者的Pareto解集通常不同：期望值模型可能选出在极端工况下失效的设计，鲁棒模型则偏向保守。诊断时应先明确“不确定性来自哪里”——是评估噪声（如仿真随机种子）、参数漂移，还是环境变化——再选择对应模型。若评估本身含噪声，还需对同一点多次采样取均值，否则非支配排序会被噪声误导，把偶然偏优的点误判为前沿点。

四、目标冲突程度度量与问题特征诊断

“目标是否真的冲突”不能凭直觉。一个可操作的度量是冲突度：在Pareto解集上计算两目标间的Spearman秩相关系数 \(\rho\)。若 \(\rho\) 接近 \(-1\)，说明两目标强烈冲突，前沿跨度大、权衡明显；若 \(\rho\) 接近 \(0\) 或为正，说明目标近似独立甚至协同，此时多目标问题可退化为单目标处理，或至少前沿很窄。另一个指标是前沿覆盖范围：各目标在Pareto解集上的极差与理想点、最差点构成的超体积（hypervolume）之比，用于判断解集是否“铺得开”。

下面这张图把四个维度的诊断逻辑组织成一条判断路径，并标出每个分支对应的典型算法选择，便于在实际建模时快速定位问题类型。

图中路径的读法是自上而下逐层判断，但实际诊断时不必严格串行：凸性与离散性可以同时判断，不确定性则独立于前两者。一个典型组合是“非凸 + 离散 + 不确定”，例如含随机需求的带容量车辆路径多目标问题，此时应直接采用基于支配的进化算法配合蒙特卡洛评估，而不必先尝试加权和法。

五、一个可复用的特征诊断清单

把上述判断落到操作层面，可整理为下表所示的诊断记录。表中“示例取值”为教学假设，用于说明填写方式，并非实测结果。

填写这张表时有两个易错点值得强调。第一，冲突度必须在非支配解集上计算，若在随机采样点上算相关系数，得到的往往是目标间的整体统计相关，而非权衡关系，容易误判。第二，凸性判断要针对“可行域 + 全部目标”整体，而非逐个函数孤立判断，前面 \(x_1x_2\ge1\) 的例子就是典型反例。