ε-约束法

一、直观理解：主攻一个目标，其余目标设成「及格线」

ε-约束法（ε-Constraint Method）处理多目标时，不把所有目标揉进一个加权和，而是：

选定一个主目标继续优化；
把其余目标变成约束：必须不劣于给定阈值 $\varepsilon$ 。

就像考试：主攻总分最高，但要求每一门都不低于及格线。收紧或放宽及格线，就会逼出不同的折中方案。

对双目标 $\min(f_1,f_2)$ ：

\min\ f_1(x)\quad\text{s.t.}\quad f_2(x)\le\varepsilon,\ x\in X

让 $\varepsilon$ 从松到紧变化，记录每次最优的 $(f_1,f_2)$ ，即可描出帕累托前沿，而且对非凸前沿往往比加权法更完整。

二、适用场景与优缺点

类型	说明
适用场景	目标冲突明显；怀疑帕累托前沿非凸；决策者更习惯「在指标 B 不超过某值时优化 A」；需要均匀覆盖的前沿样本。
核心优点	能生成加权法得不到的有效解；ε 有明确业务含义（预算上限、排放上限）；实现仍是单目标优化。
局限与缺点	ε 网格需设计，太疏漏点、太密费时；目标很多时约束组合爆炸；每个 ε 都要求解一次，总计算量大；主目标选择影响数值表现。

使用前确认：

哪个目标作主目标最符合提问方式；
各目标单独优化的值域，以便设定 ε 范围；
约束 $f_k(x)\le\varepsilon_k$ 是否保持原模型类（线性/非线性）；
需要多少个代表性折中点。

三、核心原理：切片可行域

1. 一般形式

\begin{aligned} \min_{x\in X}\quad & f_j(x) \\ \text{s.t.}\quad & f_k(x)\le\varepsilon_k,\quad k\neq j \end{aligned}

若原目标是最大化，约束改为 $f_k(x)\ge\varepsilon_k$ 。

2. 为什么能补全非凸部分

加权和的等值面是「斜切」目标空间，可能跨过凹陷区而切不到支撑点；ε-约束是「水平/垂直切割」，在每个切片上优化，更容易贴到凹陷边界上的有效点。

3. ε 的取值范围

对 $k\neq j$ ，先求：

$f_k^{\min}=\min_{x\in X}f_k$ （单目标最优）；
$f_k^{\max}$ ：可在其它目标最优点处评估 $f_k$ ，或求 $\max f_k$ （若有界）。

然后在 $[f_k^{\min}, f_k^{\max}]$ 上取网格 $\varepsilon_k^{(t)}$ 。过紧可能导致不可行，过松则约束不活跃。

4. 弱有效与真正帕累托

某些 ε 下可能得到弱有效解。实践中可：对主目标最优后再做词典式优化、或给其它目标加微小权重，以筛选强帕累托点。

5. 与加权法、目标规划的关系

方法	偏好表达	前沿覆盖
加权法	相对重要性 $w$	凸部分好
ε-约束	阈值/预算 $\varepsilon$	非凸也较好
目标规划	期望水准与偏离惩罚	满意解导向

四、关键决策

1. 主目标怎么选

选「最想极致优化」或「量纲清晰、求解稳定」的目标。另一目标天然是资源/风险上限时，特别适合做 ε 约束。

2. 网格策略

均匀网格简单；也可在变化剧烈处加密。二维用一维网格即可；三维需二维网格，点数平方增长。

3. 不可行处理

某 $\varepsilon$ 下模型不可行，说明阈值过严，记录后跳过，不要误报。

4. 保持可解性

若 $f_k$ 非线性，ε 约束使问题变 NLP；若 $f_k$ 线性，LP/MILP 结构保留。尽量避免把简单问题弄复杂。

五、MATLAB 示例

沿用加权法中的双目标 LP：

\min f_1=4x_1+x_2,\quad \min f_2=x_1+3x_2,\quad x_1+x_2\ge 4,\ x\ge 0

以 $f_1$ 为主目标， $f_2\le\varepsilon$ 。

A_base = [-1, -1];
b_base = -4;
lb = [0; 0];
c1 = [4; 1];
c2 = [1; 3];

% 估计 f2 的范围
[x2opt, f2min] = linprog(c2, A_base, b_base, [], [], lb, []);
[x1opt, f1min] = linprog(c1, A_base, b_base, [], [], lb, []);
f2max = c2' * x1opt;  % 在 f1 最优处的 f2
f1_at_f2min = c1' * x2opt;

fprintf("f1 理想=%.4f, f2 理想=%.4f, f2 上端≈%.4f\n", ...
    f1min, f2min, f2max);

epsGrid = linspace(f2min, f2max, 11);
front = [];

for t = 1:numel(epsGrid)
    eps2 = epsGrid(t);
    % f2 = c2'x <= eps2
    A = [A_base; c2'];
    b = [b_base; eps2];
    [x, f1val, exitflag] = linprog(c1, A, b, [], [], lb, []);
    if exitflag ~= 1
        fprintf("eps=%.4f 不可行或未最优, exitflag=%d\n", eps2, exitflag);
        continue;
    end
    f2val = c2' * x;
    front = [front; eps2, x(1), x(2), f1val, f2val]; %#ok<AGROW>
end

disp(array2table(front, "VariableNames", ...
    ["eps", "x1", "x2", "f1", "f2"]));

figure;
plot(front(:, 4), front(:, 5), "-s", "LineWidth", 1.2);
xlabel("f_1");
ylabel("f_2");
title("ε-约束法得到的帕累托近似前沿");
grid on;

非线性示例骨架（示意）：

% min f1(x) s.t. f2(x) <= eps, lb <= x <= ub
% fun = @(x) f1(x);
% nonlcon = @(x) deal(f2(x)-eps, []);  % c<=0, ceq=[]
% x = fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, opts);

六、如何解释结果

报告建议：

主目标与被约束目标的选择理由；
各目标单独最优（理想点）与 ε 网格设计；
表格： $\varepsilon$ 、可行性、最优 $x$ 、 $F(x)$ ；
目标空间图：随 ε 收紧，主目标如何变差；
推荐 2～3 个代表性情景（宽松 / 中等 / 严格阈值）；
与加权法结果对比：是否出现加权未扫到的点；
决策建议用业务语言：「若时间不超过 12，最低成本为…」。

七、常见误区

1. ε 超出可达范围却不检查 exitflag

不可行时没有有效折中点，不能沿用上一次的 $x$ 。

2. 网格过粗就画「光滑前沿」

点与点之间可能有结构变化，应说明是离散采样。

3. 主目标选错导致约束病态

数值尺度悬殊时，可对 $f_k$ 缩放后再设 ε。

4. 目标很多时穷举所有 ε 组合

维数高应结合偏好缩小范围，或分层/交互式设定 ε。

5. 认为 ε-约束一定给出全部帕累托解

理论上在连续变化且求解全局最优时表现好，但数值网格与局部最优（非凸 NLP）仍会遗漏。

八、小结

ε-约束法的核心思想可以概括为：

只优化一个主目标，把其它目标转化为带阈值 ε 的约束，通过移动阈值生成一系列帕累托折中解。

它特别适合「有硬性指标上限/下限」的提问方式，并能补强加权法在非凸前沿上的盲区。实践中先求理想点、设计 ε 网格、记录可行性与目标向量，再给出情景化推荐，而不是只交一个解。

一、直观理解：主攻一个目标，其余目标设成「及格线」​

二、适用场景与优缺点​

三、核心原理：切片可行域​

1. 一般形式​

2. 为什么能补全非凸部分​

3. ε 的取值范围​

4. 弱有效与真正帕累托​

5. 与加权法、目标规划的关系​

四、关键决策​

1. 主目标怎么选​

2. 网格策略​

3. 不可行处理​

4. 保持可解性​

五、MATLAB 示例​

六、如何解释结果​

七、常见误区​

1. ε 超出可达范围却不检查 exitflag​

2. 网格过粗就画「光滑前沿」​

3. 主目标选错导致约束病态​

4. 目标很多时穷举所有 ε 组合​

5. 认为 ε-约束一定给出全部帕累托解​

八、小结​