其他细节

多目标环境

默认情况下，终止标准（例如。时限,溶解极限等）对于分层多目标优化中的每个过程，由模型环境中定义的参数控制。但是，我们提供了一个名为多目标环境这允许您为每个目标函数创建一个Gurobi环境，并在这些环境中设置参数。这些设置只会影响多目标优化的相应过程。因此，例如，如果时限模型的参数为100，但如果使用多目标环境将特定多目标过程的参数设置为10，则多目标优化将在该特定过程上花费最多10秒（总共最多100秒）。

要为特定多目标过程创建多目标环境，请使用getMultiobjEnv方法（例如。Model.getMultiobjEnv在Python中）。这个指数参数提供要控制的多目标过程的索引。

请注意，多目标环境与给定的多目标优化过程相关联，而不是与给定的多目标函数相关联，因此多目标环境0始终与最高优先级（可能是混合的）目标相关联，而多目标环境1始终与第二高优先级目标（如果有）相关联。

创建多目标环境后，它们将用于该模型上的每个后续多目标优化。使用抛弃多目标方法（例如。Model.multiobjenvs在Python中）恢复为默认的多目标优化行为。

其他详情

我们还没有尝试推广连续多目标模型的对偶解或单纯形基的概念，因此您无法查询以下属性：圆周率,钢筋混凝土,VBasis或CBasis对于多目标解决方案。因此，我们得出结论，返回属性的结果最一致伊斯密普是1。但是，请注意，一些MIP特定属性，例如客观的,ObjBoundC和米普盖普对于多目标模型没有意义，也不可用。

古罗比只会解决具有严格线性目标的多目标模型。如果主要目标是二次或分段线性，则solve调用将返回错误。

使用分层方法求解连续多目标模型时，您可以选择不同步骤（原始单纯形、对偶单纯形或屏障）使用哪种优化算法。第一步将始终使用中指定的算法方法参数后续步骤的算法由多目标法参数此参数对多目标MIP模型没有影响。注意：通过设置方法个人目标的参数。

对于分层方法，Gurobi将在多目标优化开始时执行保守的预解步骤，并在每个步骤开始时执行更激进的预解步骤（假设未关闭预解）。通过设置参数，可以选择在多目标优化开始时执行更激进的预解算步骤多目标值2。这有助于提高性能，但会产生一些简化的假设，这可能导致低优先级目标所获得的值出现小幅度下降。

使用分层方法时，日志文件将显示流程每个步骤的优化进度。您将看到如下所示的日志行：

多目标：优化目标1（Obj1Name）。。。多目标：优化目标2（加权）。。。

有关更多详细信息，请参阅第节多目标测井.