目标优化之帕累托最优
最近在学习多目标优化之帕累托最优 ，从知乎上看到了篇好文章，毕竟通俗易懂，特此Mark一下。
转载的木木松的文章 - 知乎链接https://zhuanlan.zhihu.com/p/54691447
内容如下：
发现一个奇怪的现象，平时看东西看得挺多的，但是过了不久就又忘记了，而且也说不出个所以然来，可能就是没有好好的消化，总结吧。因此想到了把平时学的一些东西，用知乎记下来，一来作为自己的一个总结，方便后续的复习，二来假如有人能够看到的话对其有帮助也不错，能够提一些意见就再好不过了。
注：一些东西公式之类的，很多都是参考别人的论文，书籍等，自己也没有敲，这里只是自己的一个笔记本，侵删
步入正题：听了好几次师兄讲解帕累托最优，多目标优化的内容，奈何组会时间太短，短时间根本无法理解（智商原因），所以昨晚突发奇想查了一些资料，发现配合例子讲解很容易明白
多目标优化问题生活中很常见，比如汽车车身零部件设计中，要求设计的零件刚度要很大，同时质量很轻，这就是一个两目标问题，同时他还有一些条件约束，比如模态约束，尺寸约束等。再者金融领域中，我们希望投入的资金少，风险小，并且获得的利益最大，这就是一个三目标问题，但是掰着脚趾头都知道同时达到这三个目标是不可能的，多目标优化就是给出他的一些列可能的选择，然后用户自己去评判想选谁，哈哈，是不是很鸡肋。
多目标优化问题的数学模型一般可以写成如下形式
f_{1}(x),f_{2}(x),…f_{n}(x)表示n个目标函数，目标是都使之达到最小， X\subseteq R^{m} 是其变量的约束集合，可以理解为变量的取值范围，下麦介绍具体的解之间的支配，占优关系，不用公式，通俗易懂。
1：解A优于解B（解A强帕累托支配解B）
假设现在有两个目标函数，解A对应的目标函数值都比解B对应的目标函数值好，则称解A比解B优越，也可以叫做解A强帕累托支配解B，举个例子，就很容易懂了
下图中代表的是两个目标的的解的情况，横纵坐标表示两个目标函数值，E点表示的解所对应的两个目标函数值都小于C，D两个点表示的解所对应的两个目标函数值，所以解E优于解C,D.
2：解A无差别于解B（解A能帕累托支配解B）
同样假设两个目标函数，解A对应的一个目标函数值优于解B对应的一个目标函数值，但是解A对应的另一个目标函数值要差于解B对应的一个目标函数值，则称解A无差别于解B，也叫作解A能帕累托支配解B，举个例子，还是上面的图，点C和点D就是这种情况，C点在第一个目标函数的值比D小，在第二个函数的值比D大。
3：最优解
假设在设计空间中，解A对应的目标函数值优越其他任何解，则称解A为最优解，举个例子，下图的 x_{1} 就是两个目标函数的最优解，使两个目标函数同时达到最小，但是前面也说过，实际生活中这种解是不可能存在的。真要存在就好了，由此提出了帕累托最优解
4：帕累托最优解
同样假设两个目标函数，对于解A而言，在 变量空间 中找不到其他的解能够优于解A（注意这里的优于一定要两个目标函数值都优于A对应的函数值），那么解A就是帕累托最优解，举个例子，下图中应该找不到比 x_{1} 对应的目标函数都小的解了吧，即找不到一个解优于 x_{1} 了，同理也找不到比 x_{2} 更优的解了，所以这两个解都是帕累托最优解，实际上， x_{1},x_{2} 这个范围的解都是帕累托最优解，不信自己慢慢想。因此对于多目标优化问题而言，帕累托最优解只是问题的一个可接受解，一般都存在多个帕累托最优解，这个时候就需要人们自己决策了。
5：帕累托最优前沿
还是看 刚才 那张图 ，如下图所示，更好的理解一下帕累托最优解，实心点表示的解都是帕累托最优解，所有的帕累托最优解构成帕累托最优解集，这些解经目标函数映射构成了该问题的Pareto最优前沿或Pareto前沿面，说人话，即帕累托最优解对应的目标函数值就是帕累托最优前沿。
对于两个目标的问题，其Pareto最优前沿通常是条线。而对于多个目标，其Pareto最优前沿通常是一个超曲面。
ok 完工，不知道下次写是啥时候。真累
