如何在R中确定6维矩阵的帕累托最优解（自定义目标）

问题核心 #

你需要从128行6列的归一化矩阵中筛选帕累托前沿场景，规则是：

• 需最小化：第1、5、6列
• 需最大化：第2、3、4列

先拆解你两段代码的错误：

第一段循环代码的逻辑错误 #

你的判断逻辑完全颠倒了：原代码中当i支配n时，把i标记为待删除项，但实际我们要移除的是被其他点支配的i——也就是当存在某个n，满足：

1. n在所有最大化列（2、3、4）的值 ≥ i对应列的值
2. n在所有最小化列（1、5、6）的值 ≤ i对应列的值
3. 至少有一个列是严格更优（避免误删无差异点）

同时原代码没有处理严格优势的情况，导致结果偏差。

第二段rPref代码的使用错误 #

你误用了rPref的语法：

• low()/high()只需指定列名，无需传入数据框
• 筛选帕累托前沿要用psel()函数，而非peval()
• 偏好构造的链式调用写法有误

修正后的可行方案 #

方案1：修正基础循环代码 #

# 模拟归一化矩阵（替换为你的实际数据）
set.seed(123) # 固定随机种子保证可复现
num_rows <- 128
num_cols <- 6
results_matrix <- matrix(runif(num_rows * num_cols), nrow = num_rows, ncol = num_cols)

# 定义目标列
max_cols <- c(2,3,4)
min_cols <- c(1,5,6)

# 初始化帕累托索引
pareto_indices <- 1:nrow(results_matrix)

# 逐行检查是否被支配
for (i in 1:nrow(results_matrix)) {
  is_dominated <- FALSE
  for (n in 1:nrow(results_matrix)) {
    if (i == n) next
    
    # 检查n是否支配i：满足所有弱优势+至少一个严格优势
    dom_max <- all(results_matrix[n, max_cols] >= results_matrix[i, max_cols])
    dom_min <- all(results_matrix[n, min_cols] <= results_matrix[i, min_cols])
    strict_better <- any(results_matrix[n, max_cols] > results_matrix[i, max_cols]) | 
                     any(results_matrix[n, min_cols] < results_matrix[i, min_cols])
    
    if (dom_max && dom_min && strict_better) {
      is_dominated <- TRUE
      break
    }
  }
  if (is_dominated) pareto_indices[i] <- NA
}

# 提取帕累托前沿
pareto_front_indices <- na.omit(pareto_indices)
pareto_front_data <- results_matrix[pareto_front_indices, ]

# 输出结果
cat("帕累托前沿行索引：\n")
print(pareto_front_indices)
cat("\n帕累托前沿数据：\n")
print(pareto_front_data)

方案2：正确使用rPref包 #

先安装包：

install.packages("rPref")

然后执行筛选：

library(rPref)

# 矩阵转数据框并命名列
results_df <- as.data.frame(results_matrix)
colnames(results_df) <- paste0("column", 1:6)

# 构造偏好规则
p <- low(column1) * high(column2) * high(column3) * high(column4) * low(column5) * low(column6)

# 筛选帕累托前沿
pareto_front <- psel(results_df, p)

# 输出结果
cat("帕累托前沿数据：\n")
print(pareto_front)
cat("\n帕累托前沿行索引：\n")
print(rownames(pareto_front))

方案3：高效计算（eaf包） #

eaf包专门处理多目标优化的帕累托分析，效率更高：

install.packages("eaf")
library(eaf)

# eaf默认最小化所有目标，因此将最大化列取反
transformed_matrix <- results_matrix
transformed_matrix[, max_cols] <- -transformed_matrix[, max_cols]

# 计算非支配点索引
pareto_front_indices <- which(!is_dominated(transformed_matrix))

# 提取结果
pareto_front_data <- results_matrix[pareto_front_indices, ]

# 输出结果
cat("帕累托前沿行索引：\n")
print(pareto_front_indices)
cat("\n帕累托前沿数据：\n")
print(pareto_front_data)

内容的提问来源于stack exchange，提问作者mcfly