版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/luolang_103/article/details/83381076
（1） Classical multi-objective optimization methods have been around for at least four decades.
（2） Weighted Sum Methods（加权和法）
（1） 因为各个目标的数据什么都不一致，为了方便比较，使用归一化或者是标准化。 目的是同一个量级
我有100给你花50，同 我有十块给你花5块的量级都是 花了 50%
（2）根据结果分配不同的权重， 权重之和为1
标准公式：
（3） 定理：
通过反证法证明：假设所有的ｗ为正数，但获解并不是Ｐａｒｅｔｏ－ｐｔｉｍａｌ然后证明矛盾。
该定理并没有说明：只有获得 正数w就可以得到pareto最优，但是Theorem 3.1.2则证明在凸函数中通过获得正数权重 向量w就可以得到Pareto最优
证明：以两个目标的为例 ｗ１确定则ｗ２ ＝ １－ｗ１
以下： 自己对书本的理解，有误还请指正
（４）举例子计算：
题目：
第一步： 构造表达式：
第二步： 根据各目标函数绘制目标空间
第三步（1）： 找 最小值解，从而确定满足的w1
then----
（2） 满足黑塞矩阵
另外：
加权法并不适用与非凸函数：因为按照之前的寻找切点的方法，跟没没有办法获得凸型的切点，导致其 访问不了中间凹进去的部分（我是这么理解的）
（3） ε-Constraint Methods
目的： 克服加权法不能应用在非凸函数的 缺陷
(1) 定义
好像是将非凸函数，通过以上的条件划分，然后转化为凸函数
（2）该方法处理非凸以及凸函数的定理
（3）举例子证明：
题目：
计算各种条件---然得到各参数的值
then-------
当a=0.2，b=3
