6 - 多目标与鲁棒优化 - Gavin0576's Blog

今天从一场争论开始：有人要最低成本，有人要最高安全，客户又不允许服务质量下降。三个人都未必错；真正的建模错误，是把这场争论藏进一个没有解释的综合分数里。

多目标优化负责把冲突目标摊开，鲁棒优化负责检查方案能否承受合理的数据误差。真实案例来自 2024 美赛 A 题：七鳃鳗幼体性别比例会随食物条件变化，优秀论文需要同时考虑入侵种群控制、生态稳定和干预代价。

两种承诺

多目标模型承诺把权衡展示出来；鲁棒模型承诺在明确的不确定集合里保持可行或保持性能。把“综合”“稳健”写进标题，并不能自动兑现任何承诺。

1. 单一目标为什么可能不诚实

公交方案同时涉及成本、等待和排放：

它们单位不同，不能未经解释直接相加。中应放车辆、工时和最低覆盖等硬约束。安全或法律底线通常不是一个“小权重目标”，否则模型可能用其他收益买走一次违规。

最小化时，若对所有目标成立且至少一项严格小，则支配。不被任何可行方案支配的点称为 Pareto 有效点。

设四个方案的（成本，等待）为

比又便宜又快，所以可删除；互不支配。删除是数学结论，在其余三者中选择则需要价值判断。前沿斜率表示局部交换率，“膝点”是继续改善一个目标将付出巨大代价的区域，但它只是候选，不是自动答案。

先归一化，再加权：

不归一化时，数值尺度最大的目标会控制结果。权重表达在所选范围内的偏好，并不是求解器发现的客观真理。凸目标可行集上，变化正权重能找到受支持的 Pareto 点；非凸前沿的凹陷部分可能永远不是任何加权和的最优解。

对权重做敏感性扫描。如果权重从 0.49 变到 0.51 就完全换方案，应报告这个决策边界，而不是只公布一组“专家权重”。

Epsilon 约束法选择一个主目标，把其他目标变成限制：

它很符合客户语言：“成本最低，但平均等待不得超过 8 分钟。”目标规划用偏差变量

衡量与目标的距离，并只惩罚真正不希望出现的方向。若高优先级目标绝不能被低优先级收益补偿，应采用词典序优化。

场景下的遗憾为

最小最大遗憾寻找“事后看来最不后悔”的方案。

测量误差、参数估计误差、过程本身波动和模型结构错误不是同一件事。鲁棒优化善于处理明确的参数集合，却不能修复遗漏机制。公交模型如果忽略乘客放弃排队，简单扩大需求区间并不会修正结构。

箱形集合表达各参数独立区间，椭球表达相关方向，场景集合表达若干有意义的未来。集合过小会虚假乐观，过大且包含物理上不可能的组合则会过度保守。

对，若，约束的最坏情形为

若可正可负，引入，得到

椭球不确定性给出

这是 SOCP。保护半径越大，可行域越小。预算不确定性再用控制能同时达到坏值的参数数量，避免假定所有参数同时最坏。

随机优化需要概率分布，优化期望、机会约束或风险；鲁棒优化只需要不确定集合，并保护集合中的每一个元素；分布鲁棒优化则保护一个分布集合。

机会约束

允许至多的违规概率。概率模型可信时，它可比最坏情况方法不那么保守。安全约束可以鲁棒保护，服务成本则优化期望，两种方法不必互斥。

令状态包含幼体、雌雄成体与生态指标，干预为：

可定义三个目标

分别衡量入侵种群、干预负担与生态偏离。先画控制—生态前沿，再把干预预算设为硬约束，比一开始拍脑袋加权更透明。

食物资源到雌性比例的响应可写成

未必准确。名义策略可能利用一个非常精确的阈值，一旦偏移就失败；鲁棒策略会更早或更平缓地干预。比较无干预、名义最优、鲁棒折中和不利场景，并报告种群下降、生态偏离、干预量与阈值违规次数。

对数据重采样、归一化方案和不确定集合重新计算前沿。离散问题的前沿可能跳跃，不要用平滑连线暗示不存在的中间方案。支配判断要带数值容差，并先剔除不可行点。

优化时使用的不确定集合属于模型；评估时还应加入集合之外的压力场景。必须区分“集合内有数学保证”“场景中表现良好”和“尚未检验的结构风险”。

先展示前沿，再选择方案；说明归一化、权重、硬约束与保护代价。结论应量化，例如：“方案 B 比名义最低成本高 3.2%，但在声明的需求集合内始终满足服务约束，并把最坏场景遗憾降低 41%。”

最后留一个彩蛋：给第二节的方案集合增加，它与目标值相同。前沿没有变化，但程序可能报告两个解。若底层运营方案不同，你会合并它们还是都保留？这会决定前沿是“目标值目录”，还是“真实可执行方案库”。