多目标约束优化问题 罚函数 ？ 想优化算法优化a，b两个变量，两个变量都有个理想范围，a的值越大越好，b的值越小越好，a的理想范围是大…
看到你提了一个罚函数的问题，我同样在《MATLA最优化》上有同样的问题，请教一下 适应度函数直接用F即可，最后F与f很接近~但是遗传算法并不能保证函数收敛到可行域内，有时候会在离可行域很近的地方~
懂罚函数的请进，有约束优化遗传算法的目标函数问题 很显然，f 才是目标函数值，而F只是适应度函数值，用来评价个体优劣的。加上罚函数，仅仅是为了惩罚那些不满足约束条件的个体，以此来解决约束优化问题。但真正的目标函数是f，目的是f的值越小越好。
内点惩罚函数法和外点惩罚函数法各有什么特点 传统的罚函数法一般分为外部罚函数法和内部罚函数法。外部罚函数法是从非可行解出发逐渐移动到可行区域的方法。内部罚函数法也称为障碍罚函数法，这种方法是在可行域内部进行搜索，约束边界起到类似围墙的作用，如果当前解远离约束边界时，则罚函数值是非常小的，否则罚函数值接近无穷大的方法。由于进化计算中通常采用外部罚函数法，因此本文主要介绍外部罚函数法。在进化计算中，研究者选择外部罚函数法的原因主要是该方法不需要提供初始可行解。需要提供初始可行解则是内部罚函数法的主要缺点。由于进化算法应用到实际问题中可能存在搜索可行解就是NP难问题，因此这个缺点是非常致命的。外部罚函数的一般形式为B(x)=f(x)+[∑riGi+∑cjHj]其中B(x)是优化过程中新的目标函数，Gi和Hj分别是约束条件gi(x)和hj(x)的函数，ri和cj是常数，称为罚因子。Gi和Hj最常见的形式是Gi=max[0，gi(x)]aHj=|hj(x)|b其中a和b一般是1或者2。理想的情况下，罚因子应该尽量小，但是如果罚因子低于最小值时可能会产生非可行解是最优解的情况（称为最小罚因子规则）。这是由于如果罚因子过大或者过小都会对进化算法求解问题产生困难。如果罚因子很大并且最优解在可行域边界，进化算法。
罚函数的问题， 加上罚函数，仅仅是为了惩罚那些不满足约束条件的个体，以此来解决约束优化问题。但真正的目标函数是f，目的是f的值越小越好。倒，这要是从最基本的
带约束多目标优化问题实例及解决方法 可以直接用 360 安全大师来优化啊 约束多目标优化和区间多目标优化都属于多目标优化，但侧重于研究两个不同的方面。约束多目标优化是指，含约束条件的多目标优化。。
