如何使用神经网络进行多目标优化？答案

【问题标题】：How to do multi-objective optimization using neural networks?如何使用神经网络进行多目标优化？
【发布时间】：2019-11-24 12:16:03
【问题描述】：

我有五个决策变量，每个变量都有一个特定的范围。我需要找到这些变量的组合，以便最大化我的一个目标，同时最小化另一个目标。我准备了一个随机生成变量的数据表，其中包含 2 个目标函数的各自值。请建议我如何使用神经网络来解决这个问题。

我的目标函数涉及热力学计算。如果有兴趣，您可以在这里查看目标函数：

【问题讨论】：

数据集：github.com/shroomer47/NSGA2/blob/master/dataset.xlsx
目标函数：github.com/shroomer47/NSGA2/blob/master/evaluate_objective.m
请使用tour 并阅读How to Ask。然后edit您的问题，这样您的说明就不会被埋没在 cmets 中。请在问题中格式化您的代码，而不仅仅是提供文件的链接。另见How to Create a Minimal, Reproducible Example。
您的问题是关于 Python 还是 Matlab？

【解决方案1】：

方法有很多，但最简单的方法是“线性标量化”。
您可以添加目标以制作单个目标。
在执行此操作时，您可以考虑优先级来衡量目标。
（对多个目标进行线性组合）

查看示例：
变分 AE 损失（正则化损失 + 重建损失）
关联DA损失（分类损失+walker损失+访问损失）

【讨论】：

我经历了标量化方法，我想比较电子约束和加权和方法的结果，两者。我仍然有一个疑问，在进行电子约束时，我为每个目标 + 约束创建了单独的网络。然后在优化每个目标时，比如 obj 2，我如何在该网络中添加其他目标和约束？如果我不清楚，我想问我们如何使用神经网络实现 e-constraint 方法？你能用一个简短的例子来解释这个吗？感谢您的帮助。
其实我从来没有使用过e-constraint方法。我知道使用它有一些好处，但我更喜欢使用硬加权的标量化方法。为了回复您的评论，我搜索了一些论文，但仍然不知道如何实施。通常，对于有约束的梯度下降，我使用拉格朗日乘数法。但人们似乎并没有将它用于电子约束。（他们说电子约束的计算量小于线性标量化的计算量......但是当我们使用拉格朗日乘数时，计算量不会减少）。对不起，我缺乏知识。