所需多目标优化方法

Question

编辑:为了代替其他建议，我决定使用 Python框架 ，直到我想出一些有用的东西。希望这能帮助有类似问题的人。

我正在实现一个系统，在这个系统中，我们需要对一个客户进行多目标优化，如下所示：

制造系统必须通过焊接生产N个(同类型的)零件。为此，可以选择一定的材料，焊接方法，以及用于建造每个零件的焊接点的数量。下图显示了问题的参数及其相互依赖关系：

​

​

我可以玩价值游戏

material
welding method
number of spot welding points

我需要找到材料，焊接方法和焊点/部件数量的组合，以尽量减少成本和最大限度的稳定性。

我在考虑使用进化算法。然而，我的背景不是优化，所以，如果有人能提出一个更具体的算法，适合这个问题，这将是非常有帮助的。

Answer 1

假设您有一个用于“成本”和“稳定性”的成本函数，您可以使用传统的多目标EA，如NSGa、SPEA-2和可能的PAES。显然，算法的选择很大程度上取决于你所拥有的样本数量、成本函数的特征等重要特征。您可以在类似的应用程序中查看像应用软件计算这样的日志。

Answer 2

尝试SMS-EMOA：at.pdf本文表明它是对NSGA-II的一种改进。

Answer 3

老职位，我知道，但为了任何有类似情况的人.

虽然使用EA是一种方法，但我认为这个问题特别适合混合整数编程。EA可以是伟大的，但不能保证达到最优的解决方案。另一方面，MIP可以达到最优解(并证明它是最优的)。此外，多个目标可以很容易地实现。

我建议去看看Gurobi (https://www.gurobi.com/)。他们做了一个伟大的工作，使MIP尽可能容易访问，并有许多文件和例子在他们的网站上开始。起初，这是一个学习曲线，但你很快就会看到在任何地方使用MIP的机会，所以我认为时间投资是有回报的。我相信这也有试用证。