使用Gurobi求解双目标优化问题的方法是什么？

针对你用JuMP + Gurobi编写的双目标模型，结合代码实现，以下是明确解答：

你的代码对应的求解方法：字典序优化（而非加权和法） #

你通过@objective(model, Min, [-eff_expr, instruments_expr])定义的向量式目标，在Gurobi中默认采用字典序（Lexicographic）优化，具体逻辑是：

1. 优先优化第一个目标：由于外层是Min，第一个目标项是-eff_expr，等价于最大化原目标eff_expr，完全匹配你“第一个目标为最大化”的需求；
2. 在第一个目标达到全局最优的前提下，再优化第二个目标：最小化instruments_expr，满足你“第二个目标为最小化”的要求。

这种方法会严格保证前序目标的最优性，再去优化后续目标，得到的是字典序最优解，而非加权和法的帕累托解（除非权重恰好对应字典序的极端情况）。

加权和法的区别与实现方式 #

加权和法是将多个目标线性加权合并为单一目标（比如Min w1*(-eff_expr) + w2*instruments_expr，其中w1、w2为非负权重），Gurobi支持这种方法，可通过两种方式实现：

• 方式1：直接将目标合并为单一线性表达式

  w1 = 0.6  # 自定义权重
  w2 = 0.4
  @objective(model, Min, w1*(-eff_expr) + w2*instruments_expr)
  

• 方式2：保留向量目标，设置Gurobi的MultiObjMethod参数为1（加权和模式），同时通过MultiObjWeights设置权重

  set_optimizer_attribute(model, "MultiObjMethod", 1)
  set_optimizer_attribute(model, "MultiObjWeights", [0.6, 0.4])
  @objective(model, Min, [-eff_expr, instruments_expr])
  

Gurobi多目标方法的参数说明 #

Gurobi通过MultiObjMethod参数控制多目标求解策略，可选值包括：

• 0（默认）：字典序优化
• 1：加权和法
• 2：目标规划（最小化目标与预设值的偏差）
• 3：自适应加权和法（自动调整权重探索帕累托前沿）

内容的提问来源于stack exchange，提问作者Igor Eduardo