📚 课程目录第4章目标函数的构建与选择

4. 目标函数的构建与选择

在非线性约束优化模型中，约束条件划定了“可行域”，而目标函数则决定了在可行域内“哪个点更好”。同一个工程问题，目标函数写得不同，最终得到的解可能完全不同。因此，目标函数的构建不是套公式，而是一次对问题价值的建模：你究竟想让模型优化什么，用什么指标衡量“更优”，以及当多个指标冲突时如何取舍。

一、单目标场景：把业务目标翻译成可计算的标量函数

单目标优化的形式是 min f(x)，s.t. g_i(x) ≤ 0，h_j(x) = 0。构建目标函数的关键动作是：确定决策变量 x，选定一个能代表核心诉求的标量指标，并保证它与决策变量之间有明确的数学关系。

以某型换热器设计为例（示例参数，仅用于教学演示）：决策变量为换热管外径 d（mm）与管程流速 v（m/s），约束为压降不超过 30 kPa、管束外径不超过 500 mm。若设计目标是“降低运行能耗”，目标函数应写成泵功形式：

f(d, v) = Δp(d, v) · Q / η
其中 Δp 由 Darcy–Weisbach 关联式估算，Q 为体积流量，η 为泵效率
示例取值：Q = 0.02 m³/s，η = 0.72

这里有两个容易出错的点。第一，目标函数必须与约束“量纲一致、口径一致”：如果压降已经作为约束上限 30 kPa，那么目标函数里再用压降作为惩罚项就会重复计入，导致模型对压降过度敏感。第二，目标函数应尽量光滑可导。例如把“最大应力”写成 max 算子会引入不可导点，工程上常改用 p-范数近似：σ_max ≈ (Σσ_i^p)^1/p，p 取 8～16，既逼近最大值又保持可微，便于梯度类算法收敛。

此外，量纲归一化是单目标建模的隐性要求。若目标函数由多项相加构成，例如“成本 + 重量”，必须先把各项除以各自的参考值化为无量纲量，否则数值大的项会主导优化方向，模型实际上只优化了那一项。

二、多目标场景：先判断冲突，再选择处理方式

当问题同时要求“成本低、效率高、寿命长”时，这些目标往往互相冲突：提高流速 v 可增强换热、减小面积，但压降上升、泵功增加。此时不存在使所有目标同时最优的单一解，而是一组 Pareto 最优解集。处理多目标问题有三条典型路线，选择依据是“决策者能否在建模前说清偏好”。

路线一：权重法。把多目标加权成单目标：min F(x) = Σ w_k f_k(x)，Σ w_k = 1，w_k ≥ 0。优点是可直接复用单目标求解器；缺点是权重与解的对应关系不直观，且当 Pareto 前沿非凸时，权重法无法获得非凸段上的解。

路线二：优先级法（字典序法）。按重要性排序 f₁ ≻ f₂ ≻ …，先优化 f₁ 得最优值 f₁*，再加入约束 f₁ ≤ f₁* + δ₁ 优化 f₂，逐级进行。适合“安全指标绝不能被经济指标牺牲”的场景。

路线三：目标规划。为每个目标设定期望值 T_k 与允许偏差，引入正负偏差变量 d_k⁺、d_k⁻，最小化加权偏差总和：min Σ (w_k⁺d_k⁺ + w_k⁻d_k⁻)，并满足 f_k(x) + d_k⁻ − d_k⁺ = T_k。它不追求“最优”，而追求“离期望最近”，非常适合有明确设计指标的工程选型。

下面这张图把三条路线放在同一决策框架下对比，重点表现“偏好信息在何时进入模型”这一本质差异。

三、权重法的实操细节：权重不是拍脑袋

权重法看似简单，但权重取值直接决定解的位置。工程上常用两种确定方式：一是“等权试探 + 扫描”，先取 w = (0.5, 0.5) 求解，再以 0.1 为步长扫描 w₁ 从 0.1 到 0.9，观察各目标值的变化曲线，若某段曲线出现明显拐点，说明该区域目标冲突剧烈，应重点考察；二是“归一化后按重要性分配”，例如成本与效率的参考值分别为 50 万元与 0.85，则先令 f₁′ = f₁/50、f₂′ = f₂/0.85，再加权，避免量纲差异淹没权重意图。

需要提醒的是，权重法得到的是“某个偏好下的最优解”，不是“全局最优”。若把 w₁ 从 0.5 调到 0.6 后解发生跳变，往往说明 Pareto 前沿在该处不光滑，此时应结合 ε-约束法（把一个目标转为约束 f₂ ≤ ε，扫描 ε）来补全前沿。

四、目标规划的一个可执行算例

仍以换热器为例，设两个目标：泵功 f₁ 期望不超过 1.2 kW，换热面积 f₂ 期望不超过 8 m²。引入偏差变量后，模型写为：

min  Z = 3·d1⁺ + 2·d2⁺ + 0.5·d1⁻ + 0.5·d2⁻
s.t. f1(d, v) + d1⁻ − d1⁺ = 1.2
     f2(d, v) + d2⁻ − d2⁺ = 8.0
     Δp(d, v) ≤ 30 kPa
     d ∈ [12, 25] mm,  v ∈ [0.5, 2.5] m/s
     d1⁺, d1⁻, d2⁺, d2⁻ ≥ 0

这里 d⁺ 表示“超出期望”的部分，d⁻ 表示“优于期望”的部分。对泵功而言，超出期望是坏事，故 d₁⁺ 权重取 3；对面积而言，超出期望同样不利但紧迫性稍低，权重取 2；而“优于期望”过多并无额外收益，故 d⁻ 权重取小值 0.5，防止模型为追求过度富余而扭曲设计。求解后若 d₁⁺ = 0.18、d₂⁺ = 0，说明泵功超出期望 0.18 kW 而面积达标，此时应回到约束端检查压降上限是否过紧，或调整权重重新权衡，而不是直接接受该解。

构建目标函数的检查顺序：① 决策变量是否覆盖了真正可调的手段；② 目标是否与约束口径重复；③ 各项是否已归一化；④ 是否存在不可导的 max/min 算子需要平滑；⑤ 多目标时偏好信息是否在正确环节介入；⑥ 求解后是否用“改变权重/期望值看解是否合理漂移”做了敏感性验证。

目标函数的选择本质上是一次价值判断的显式化。单目标场景要求你把“最重要的事”写成一个可计算的标量；多目标场景则要求你诚实面对冲突，并用权重、优先级或期望值把决策者的偏好翻译成模型能读懂的语言。写完之后，不妨反问一句：如果这个目标函数被优化到极致，现实中的设计会变成什么样？如果答案明显荒谬，说明目标函数还缺约束或归一化。