在多目标优化(Multi-Objective Optimization,MOO)问题中,理想点(Ideal Point) 和 纳迪尔点(Nadir Point) 是两个重要的概念,常用于描述 Pareto 前沿的特征,帮助评估解的分布和收敛性。
1. 理想点(Ideal Point)
定义
理想点是在所有目标上都最优的假想点,即:
- 它的每个目标值都是所有 Pareto 解集中对应目标的最优值(极小值或极大值)。
- 由于多目标优化通常存在目标冲突,理想点一般是不可行的,即实际问题中通常没有解能同时达到所有目标的最优值。
数学表示
设优化问题有 个目标函数 ,理想点的每个分量计算如下:
其中:
- 是可行解空间,
- 是目标函数 iii 的值,
- 是理想点在第 iii 个目标上的值。
作用
- 衡量解集向最优解的靠近程度(delta_ideal)。
- 在方法如理想点法(Ideal Point Method)或Chebyshev 方法中用于计算加权偏好。
- 计算归一化目标值,便于分析目标函数的尺度差异。
2. 纳迪尔点(Nadir Point)
定义
纳迪尔点是在所有目标上都最差的假想点,即:
- 它的每个目标值都是所有 Pareto 解集中对应目标的最劣值(最大值或最小值)。
- 纳迪尔点一般也不可行,因为它假设所有目标同时处于各自的最坏情况。
数学表示
类似于理想点,纳迪尔点的计算如下:
其中:
- 是 Pareto 前沿上的解集,
- 是纳迪尔点在第 iii 个目标上的值。
作用
- 衡量 Pareto 解集的扩展程度(delta_nadir)。
- 用于归一化目标值,计算分布均匀性。
- 在**指标如超体积(Hypervolume)**等评估方法中用于计算参考点。
3. 理想点与纳迪尔点的区别
理想点(Ideal Point) | 纳迪尔点(Nadir Point) | |
---|---|---|
定义 | Pareto 前沿各目标的最优值 | Pareto 前沿各目标的最劣值 |
计算方式 | 取所有解在每个目标上的最小值(或最大值) | 取 Pareto 前沿解在每个目标上的最大值(或最小值) |
可行性 | 一般不可行 | 一般不可行 |
用途 | 衡量解的最优性、用于加权目标优化 | 衡量 Pareto 解的扩展性、用于归一化 |
相关指标 | delta_ideal(理想点收敛度) | delta_nadir(解集扩展性) |
4. 图示
可以用 2 维目标优化问题直观理解:
总结
- 理想点(Ideal Point):最优但不可行的假想目标值,用于衡量收敛性。
- 纳迪尔点(Nadir Point):最差但不可行的假想目标值,用于衡量解集扩展性。
- 这些概念常用于多目标优化算法,如NSGA-II、NSGA-III 和 MOEA/D,帮助评估解的质量和多样性。
有用链接 https://en.wikipedia.org/wiki/Multi-objective_optimization
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· C# 集成 DeepSeek 模型实现 AI 私有化(本地部署与 API 调用教程)
· spring官宣接入deepseek,真的太香了~