27、多目标传感器规划实现精确重建

多目标传感器规划实现精确重建

1. 多目标进化算法概述

多目标进化算法描述了一个通用方案，在网络优化中，经验和直觉等因素常需被考虑。其主要贡献在于分类阶段的通用设计特性。在输入阶段，采用基于模型的方法、数学模型，并在需要时考虑可见性信息；输出则遵循数据驱动的方法。这里考虑的环境是静态的，采用摄影测量师普遍接受的光束平差数学模型来获取可靠性、精度和准确性。此外，还开发了基于隐函数定理的数学模型，以在短时间内完成复杂网络设计的模拟。分析中未考虑光学约束和光照，但在处理复杂物体时会纳入用于预测遮挡的视觉信息。

2. 多目标问题设计

2.1 多目标优化的发展历程

多目标并发优化的研究可追溯到19世纪末帕累托和埃奇沃思在经济学理论方面的工作。多年来，对这些问题的兴趣仅限于运筹学和经济学等专业领域。20世纪后半叶，库恩和塔克、科普曼斯和胡尔维茨的工作为多目标优化作为一门数学学科的兴起奠定了理论基础。此后，查恩斯和库珀的开创性工作研究了解决向量最大值问题的算法方面，开启了多目标问题数学规划技术的研究。为将这些概念融入功能系统，需要研究偏好表达问题。在这方面，基尼和拉菲关于多属性效用理论的工作、罗伊关于排序程序的工作以及萨蒂关于层次分析法的工作，开启了多准则决策（MCDM）的研究。

2.2 多目标优化方法分类

由于对单目标优化技术的推广和多目标理论的持续研究，产生了多种多目标问题的算法方法。然而，处理现实世界问题存在困难（如高度非线性、约束满足、孤立极小值、组合方面），以及多目标优化固有的概念复杂性，导致了一些专门子领域的发展，如目标规划、模糊多目标规划、数据包络分析和组合多目标优化。根据偏好信息如何融入优化过程，可对不同的