多目标优化问题(MOP)能被表示如下形式:
其中:
决策变量:$\textbf{$x$}=(x_1,\cdots,x_n)^T \in R^n$
决策空间(可行域):$\Omega = { \textbf{$x$} \in R^n | \ h_j(\textbf{$x$}) \leq 0,j=1,\cdots,m }$
目标函数:${F(\textbf{$x$}) \to R^m | \textbf{$x$} \in \Omega}$
目标空间:$R^m$
$Weighted \quad Sum \quad Approach$
这种方法考虑了不同目标的凸组合。设$\textbf{$\lambda$}$$=(\lambda1,\cdots,\lambda_m)^T$为一个权重向量,其中$\forall \lambda_i \geq 0 \quad and \quad \sum{i=1}^{m}\lambda_i=1$。则该优化问题转化为标量优化问题,如下:
该方法应用不同的权重向量到上面的问题中,能够很好的解决凹PF面的问题,但在非凹PF面的问题表现并不出色,当然可以使用$\varepsilon-$约束来解决该类问题。