『壹』 目标优化与目标规划有何异同

此问题 说难 确实难 你要是非要咬文嚼字的话 那这几个概念是怎么也分不清楚的。版
首先多目标决策是指某些问题权有多个目标决定。我个人感觉它不应该是个概念，而是一个“问题”。需要我们去解答。
如何解答?
这就用到了多目标优化即研究多个目标在区域内的最优化，同时又叫多目标最优化。
最后多目标规划，这个简单，是数学上的一个分支，说白了它就是多目标优化。你要规划出一个目标即规划出一个优化方案。就是这样。

当然两者不可等同，其实不难理解，规划这个问题好理解，例如什么十一五规划十二五规划，水资源规划等等，是一个很空泛的东西。就是对一个问题做出一个合理的规划。可以理解为对这个问题一个优化方案。
呵呵 个人理解 有错误请指出。 本人学水利的 想共同探讨可以加我 799251711
是否可以解决您的问题？

『贰』 多目标优化和多约束优化有区别吗

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。约束条件是指，该优化问题的解的目标函数值必须满足的前提条件，比如，第2个目标函数值f_2(x)必须在区间(0,1)内，即约束条件为0<f_2(x)<1。当然，除了区间，约束条件也可以是其它形式表示，且可以存在多个。
处理约束多目标优化问题的方法通常是利用罚函数的方法将约束条件加入目标函数中。实际上，还可以将约束条件转化为目标函数，但这会导致目标函数增多，使得优化问题成为一个高维多目标优化问题，可能会增加求解难度。

区间多目标优化是指，目标函数含有不确定性，且不确定性为区间表示的多目标优化。实际工程中目标函数往往含有不确定性，其表达形式可以是随机、模糊、区间等。应用区间表示方法更加容易一些，只需要获得该目标函数（的参数）的上下界、或中点和范围。比如，f_2(x)=x+e，其中，e=[0,1]，那么，f_2(x)是一个区间表示的不确定目标函数。
处理区间多目标优化问题的方法分两类，第一类是先将其转化为确定型的优化问题（如目标函数的期望值），再采用常规的多目标优化方法求解，那么，所得优化解的性能与转化方法有着很大的关系；第二类是通过区间分析方法，直接对不同解的目标函数进行比较，比如，针对区间优化问题定义的占优概率、占优可信度、超体积贡献度等，此外，由于不确定多目标优化还需要同时考虑优化解的分布性能与不确定度，所以求解难度还是很大的。

『叁』 ga优化算法和sqp 哪个适用于单目标优化

是不是像求函数最值那样子？建议你了解一下遗传算法的实数编码，这个对于求函数最值很方便，不用像二进制那样需要转换。 简单介绍一下思路： 最重要的是确定适应度函数，只要确定这个函数就很容易了，就用你不会编程，直接调用matlab的工具箱就...

『肆』 matlab进行多变量二次多项式单目标优化

采用粒子群算法，可得出优化最小值和最大值

优化最小值： 0.8806

『伍』 多目标最优化问题化成单目标问题时，如果目标函数系数中既有比例值也有真实值可以进行加权使化为单目标吗

你这个问题应该有约束吧？或者有一个是最大化
问题无解x1 x2 x3都可取到负无穷了，
你这个问题应该是3维空间里的两个超平面0.2*x1+0.3*x2+0.5*x3，，234*x1+3243*x2+123*x3，，交点在0 0 0 没有最小点的

如果有约束
是可以的，f1=0.2*x1+0.3*x2+0.5*x3 f2=234*x1+3243*x2+123*x3

可以加权为一个新目标f3=w1*f1+w2*f2
加权后是只能得到一个最优解的，你要不断的变动权重才能得到所有的解

『陆』 什么是单页优化，有什么用

单页优化就是，整个网站只有一个页面，进行seo优化推广，显然只靠一个页面优化排名，难度相对来说比较高，通常需结合竞价推广

『柒』 协同进化遗传算法可以用于单目标优化问题吗

你好，可参考网络文库的一些文章：http://wenku..com/view/8b7caa69a45177232f60a25d.html?from=search

『捌』 粒子群优化算法（PSO）解决单目标优化问题的matlab编程

我之前做过的，

『玖』 如何将多目标优化问题转化成单目标优化

一般采用两个目标函数加权相加的形式。加权可以解决两个目标函数量纲不一致，或者变化剧烈程度不一致的问题，不过权重本身需要人为选取。
一般不使用乘法来组合目标函数，因为这样会使得导数的形式变得复杂。

『拾』 经济最优单目标遗传优化算法怎么实现

我给你一个标准遗传算法程序供你参考：
该程序是遗传算法优化BP神经网络函数极值寻优：
%% 该代码为基于神经网络遗传算法的系统极值寻优
%% 清空环境变量
clc
clear

%% 初始化遗传算法参数
%初始化参数
maxgen=100; %进化代数，即迭代次数
sizepop=20; %种群规模
pcross=[0.4]; %交叉概率选择，0和1之间
pmutation=[0.2]; %变异概率选择，0和1之间

lenchrom=[1 1]; %每个变量的字串长度，如果是浮点变量，则长度都为1
bound=[-5 5;-5 5]; %数据范围

indivials=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfitness=[]; %每一代种群的平均适应度
bestfitness=[]; %每一代种群的最佳适应度
bestchrom=[]; %适应度最好的染色体

%% 初始化种群计算适应度值
% 初始化种群
for i=1:sizepop
%随机产生一个种群
indivials.chrom(i,:)=Code(lenchrom,bound);
x=indivials.chrom(i,:);
%计算适应度
indivials.fitness(i)=fun(x); %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(indivials.fitness);
bestchrom=indivials.chrom(bestindex,:); %最好的染色体
avgfitness=sum(indivials.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];

%% 迭代寻优
% 进化开始
for i=1:maxgen
i
% 选择
indivials=Select(indivials,sizepop);
avgfitness=sum(indivials.fitness)/sizepop;
%交叉
indivials.chrom=Cross(pcross,lenchrom,indivials.chrom,sizepop,bound);
% 变异
indivials.chrom=Mutation(pmutation,lenchrom,indivials.chrom,sizepop,[i maxgen],bound);

% 计算适应度
for j=1:sizepop
x=indivials.chrom(j,:); %解码
indivials.fitness(j)=fun(x);
end

%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(indivials.fitness);
[worestfitness,worestindex]=max(indivials.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=indivials.chrom(newbestindex,:);
end
indivials.chrom(worestindex,:)=bestchrom;
indivials.fitness(worestindex)=bestfitness;

avgfitness=sum(indivials.fitness)/sizepop;

trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
end
%进化结束

%% 结果分析
[r c]=size(trace);
plot([1:r]',trace(:,2),'r-');
title('适应度曲线','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
axis([0,100,0,1])
disp('适应度 变量');
x=bestchrom;
% 窗口显示
disp([bestfitness x]);