3. 多目标优化数学模型

搞多目标优化，第一步不是写代码，而是把实际问题翻译成数学语言。说白了，就是建立数学模型。

我个人习惯把这个过程拆成四块：决策变量、目标函数、约束条件和优化目标。这四块搞清楚了，后面求解才有方向。我今天就跟大伙儿聊聊这四块到底怎么搭。

3.1 决策变量：你能改的东西

决策变量，就是你手里能调节的旋钮。在数学上，我们用一组向量来表示：

x = (x₁, x₂, …, xₙ)

每个维度代表一个可调参数。可以是连续的，也可以是离散的。

选变量要注意的事：

• 能独立调节 — 变量之间别互相绑定太久
• 有物理意义 — 别搞出“负长度”这种荒唐事
• 别太多 — 曾经我接过一个项目，用户一口气列出了50个变量。结果跑一次优化得三天。后来压缩到15个关键变量，效果反而更好。变量多了不一定是好事

3.2 目标函数：你想优化的东西

目标函数就是你想让它变好或变差的那个东西。多目标优化里，我们有多个这样的函数：

f(x) = (f₁(x), f₂(x), …, fₘ(x))

这 m 个函数可能是互相冲突的。比如发动机设计，你想功率大，又想油耗小。你看，这两件事往往就拧巴。

常见的分组方式：

• 最小化目标 — 成本、重量、排放、时间，越小越好
• 最大化目标 — 效率、强度、寿命、收益，越大越好

我在项目里经常遇到的坑，是同一个问题里既有最小化又有最大化。嗯，这里要注意：标准化处理。把所有目标统一成“越小越好”或“越大越好”，免得后面排序时搞混。

# 统一成最小化问题
f₁(x) = 体积     （越小越好）
f₂(x) = 成本     （越小越好）
f₃(x) = 压降     （越小越好）
f₄(x) = -散热量  （取负，原越大越好变越小越好）
f₅(x) = -可靠性 （取负）

3.3 约束条件：你不能越过的线

约束条件，就是给决策变量划定活动范围。没有约束的优化，那叫放飞自我。实际上只要有约束，问题才真实。

形式上分成三类：

1. 等式约束：g(x) = 0 — 必须严格满足，比如能量守恒方程
2. 不等式约束：h(x) ≤ 0 — 允许一定的范围，比如应力不能超过许用值
3. 边界约束：a ≤ x ≤ b — 每个变量的上下限

完整模型长这样：

Minimize:  f(x) = (f₁(x), f₂(x), …, fₘ(x))

Subject to:
  gᵢ(x) = 0,      i = 1, 2, …, p
  hⱼ(x) ≤ 0,      j = 1, 2, …, q
  a ≤ x ≤ b

我踩过的坑：有一次仿真老是收敛不了。查了三天，发现是某个约束条件写得太严了 — 把“小于等于”写成了“等于”。改成小于等于后，问题立刻有解了。约束条件不要拍脑袋写，要跟物理现实对一下。

3.4 优化目标：你要找到什么样的解

有了决策变量、目标函数和约束条件，优化目标其实已经明确了 — 找到一组决策变量 x，让各个目标函数尽可能好，同时不违反任何约束。

不过这里有个微妙的地方：多目标优化的“最优”不是唯一的。因为目标之间有冲突，所以通常不存在一个解能让所有目标同时达到最好。

我们真正要找的，是Pareto 最优解集。这个下一章会细讲，我先简单说一句：

• Pareto 最优解：任何一个目标都不能再变好，除非以恶化其他目标为代价
• 所有 Pareto 最优解构成的集合，就是 Pareto 前沿

下面这张图展示了我刚才说的四个要素之间的关系：

嗯，到这为止，数学模型的核心骨架已经讲清楚了。我们归纳一下：

• 决策变量 — 你手里能调的参数，x = (x₁, …, xₙ)
• 目标函数 — 你想优化的指标，f(x) = (f₁, …, fₘ)
• 约束条件 — 问题本身的物理/工程限制，g(x)=0, h(x)≤0
• 优化目标 — 在可行域中找到 Pareto 最优解集

数学建模是一个反复迭代的过程。别指望一次到位，边跑边改是常态。