多目标规划序贯算法：从原理到Matlab实战，解决目标冲突问题

1. 项目概述：当数学建模遇上多目标难题

在数学建模竞赛和实际的科研、工程问题里，我们常常会遇到一个让人头疼的局面：目标不止一个，而且它们之间还经常“打架”。比如，在设计一个产品时，我们既希望它的成本最低，又希望它的性能最好，还希望生产周期最短。这几个目标往往无法同时达到最优，降低成本可能意味着牺牲性能，追求极致性能又会导致成本和周期飙升。这时候，传统的单目标优化方法就束手无策了，我们需要请出“多目标规划”这位高手。

多目标规划的核心思想不是找到一个“最好”的解，而是找到一系列“折中”的解，专业术语叫“帕累托最优解集”。对于每个解，你都无法在不损害至少一个其他目标的情况下，让某个目标变得更好。这就像是在多个目标之间寻找一个平衡点集合。而“序贯算法”则是求解多目标规划问题的一类有效策略，它不像有些算法试图一次性处理所有目标，而是像剥洋葱一样，一层一层、有顺序地处理。通常，决策者需要根据重要性对目标进行排序，算法先优化最重要的目标，将其最优值作为一个约束条件“固定”下来，然后再去优化次重要的目标，如此往复。

我参加过不少数学建模比赛，也处理过一些工业界的优化项目，发现很多新手在面对多目标问题时，要么强行把多个目标加权求和变成单目标（权重怎么设？这是个玄学问题），要么就陷入复杂的算法理论里出不来。其实，对于很多入门和中级场景，序贯算法因其思路清晰、易于实现和理解，是一个非常实用的选择。今天，我就结合一个具体的实例，用Matlab手把手带你走一遍多目标规划+序贯算法的完整实现流程。无论你是正在备战数模竞赛的学生，还是刚开始接触优化问题的工程师，这篇内容都能给你提供一条清晰的、可复现的路径。

2. 核心思路与算法选型：为什么是序贯算法？

在动手写代码之前，我们必须把思路理清楚。面对一个多目标问题，我们有很多武器可以选择，比如进化算法类的NSGA-II、MOEA/D，或者将多目标转化为单目标的加权法、ε-约束法等。那么，为什么在这个场景下，我们要重点介绍序贯算法呢？

2.1 多目标规划的问题本质与解的概念

首先，我们得明确多目标规划在数学上是怎么描述的。一个典型的多目标优化问题可以写成： Minimize F(x) = [f1(x), f2(x), ..., fk(x)] Subject to: x ∈ X 其中，x是决策变量向量，X是可行域（由各种等式和不等式约束定义），而F(x)就是一个包含k个目标函数值的向量。我们的任务就是在可行域X内，找到使这个目标向量“尽可能好”的x。

“尽可能好”在这里不是指一个点，而是一个集合，即“帕累托最优解集”。对于这个集合中的任何一个解x*，你找不到另一个可行解x，使得对于所有目标i，都有fi(x) ≤ fi(x*)，并且至少对一个目标j，有fj(x) < fj(x*)。换句话说，想在一个目标上占便宜，就必须在另一个目标上吃亏。所有帕累托最优解对应的目标函数值，在目标空间中形成的曲面或曲线，被称为“帕累托前沿”。

2.2 序贯算法的原理与适用场景

序贯算法，也称为词典序法或分层序列法，其核心思想基于一个假设：决策者能够明确地对多个目标的重要性进行排序。比如，目标1最重要，目标2次之，以此类推。

它的求解步骤非常直观：

1. 第一优先级：单独求解最重要的目标（比如f1(x)）在原始约束下的最优值 f1*。
2. 添加约束：将第一个目标的最优解作为一个新的约束条件加入问题中。通常，我们允许第一个目标有微小的放松（比如，f1(x) ≤ f1* + δ，其中δ是一个很小的正数，称为宽容度），以避免因为数值计算精度或问题本身特性导致无解。
3. 第二优先级：在原有约束加上新约束（f1(x) ≤ f1* + δ）的条件下，求解第二重要的目标f2(x)的最优值。
4. 重复过程：以此类推，直到所有目标都被优化完毕。

为什么选择它？

• 思路清晰，符合直觉：很多实际问题的决策过程本身就是有优先级的。领导常说“首先保证质量，在这个前提下尽量控制成本”，这就是典型的序贯思想。算法流程容易向非技术背景的决策者解释。
• 实现简单：它本质上将多目标问题分解为一系列单目标问题。我们只需要一个可靠的单目标优化求解器（比如Matlab的fmincon），就可以搭建起整个求解框架，不需要去理解复杂的帕累托排序、拥挤度计算等概念。
• 计算效率相对较高：相比于需要维护庞大种群、进行多次迭代的进化算法，序贯算法通常需要的函数评估次数更少，对于目标函数或约束计算成本高昂的问题（例如基于仿真的优化）更有优势。
• 易于结合决策者偏好：宽容度δ是一个很好的交互参数。决策者可以通过调整δ的大小，来探索“为了提升次要目标，我们愿意在首要目标上牺牲多少”这样的权衡关系。

它的局限性是什么？

• 严重依赖目标排序：如果目标的优先级排序不明确或者错误，得到的结果可能不是决策者真正想要的。它无法像进化算法那样一次性给出整个帕累托前沿的概貌。
• 可能丢失部分折中解：该方法最终只给出一个解（或一小部分通过调整δ得到的解），而不是一组广泛的帕累托最优解。如果决策者想看到更多的可能性，就需要多次运行并调整δ。
• 宽容度δ的选择敏感：δ太小可能导致第二层优化无可行解；δ太大则意味着对首要目标的牺牲过大，可能失去序贯优化的意义。δ的选择需要一些经验或通过试探确定。

实操心得：在数学建模竞赛中，如果题目暗示或明确要求了目标的优先级（例如，“在满足A要求的前提下，尽可能优化B”），那么序贯算法几乎是标准答案的一部分。即使没有明确说明，你也可以通过假设不同的优先级顺序进行情景分析，这本身就是一个很好的建模亮点。

3. 实例问题定义：工厂生产计划模型

为了不让讲解停留在理论层面，我们构造一个经典的、易于理解的例子：一个工厂生产两种产品（产品I和产品II）。这个问题涉及三个目标，非常适合用来演示序贯算法。

决策变量：

• x1: 产品I的日产量（吨）
• x2: 产品II的日产量（吨）

约束条件：

1. 设备A的工时限制：生产每吨产品I需要消耗设备A 1小时，产品II需要2小时。设备A每日最大可用工时为10小时。1*x1 + 2*x2 <= 10
2. 设备B的工时限制：生产每吨产品I需要消耗设备B 2小时，产品II需要2小时。设备B每日最大可用工时为12小时。2*x1 + 2*x2 <= 12
3. 原材料限制：生产每吨产品I需要原材料3单位，产品II需要1单位。每日原材料供应上限为15单位。3*x1 + 1*x2 <= 15
4. 非负约束：产量不能为负。x1 >= 0, x2 >= 0

三个目标函数：

1. 利润最大化：产品I的利润为2（千元/吨），产品II的利润为3（千元/吨）。总利润f1 = 2*x1 + 3*x2。我们希望最大化利润，但为了统一为最小化问题，我们将其转化为Minimize f1 = - (2*x1 + 3*x2)。
2. 污染最小化：生产过程中会产生污染。产品I的污染排放为2（单位/吨），产品II为1（单位/吨）。总污染f2 = 2*x1 + 1*x2。我们希望最小化污染。
3. 能耗最小化：生产能耗。产品I的能耗为1（单位/吨），产品II为2（单位/吨）。总能耗f3 = 1*x1 + 2*x2。我们希望最小化能耗。

现在，我们假设决策者（或题目要求）的优先级是：首先追求利润最高，其次考虑污染最小，最后再尽量降低能耗。这就是一个典型的需要用序贯算法来解决的三目标规划问题。

4. 基于Matlab的序贯算法代码实现详解

我们将使用Matlab的优化工具箱，核心函数是fmincon。整个代码将分为几个模块：问题定义、第一目标优化、添加宽容约束、第二目标优化、第三目标优化，以及结果可视化。

4.1 环境准备与问题参数定义

首先，我们在Matlab脚本中定义问题的所有常数、约束矩阵和目标函数。清晰的变量定义是后续代码可读性和可调试性的基础。

%% 多目标规划序贯算法实例 - 工厂生产计划 clear; clc; close all; % 定义问题参数 % 目标函数系数 (为了统一为最小化，利润目标加负号) f1_coeff = [-2, -3]; % 利润最大化 -> 最小化 -利润 f2_coeff = [2, 1]; % 污染最小化 f3_coeff = [1, 2]; % 能耗最小化 % 线性不等式约束 Ax <= b A = [1, 2; % 设备A工时约束 2, 2; % 设备B工时约束 3, 1]; % 原材料约束 b = [10; 12; 15]; % 变量上下界 (非负约束) lb = [0, 0]; ub = [inf, inf]; % 产量无明确上限，但受约束限制 % 初始猜测解 (可以选择可行域内的一个点，例如原点) x0 = [0, 0]; % 定义宽容度 epsilon，允许首要目标有微小恶化，以便为次要目标腾出空间 epsilon = 0.01; % 例如，允许利润比最优值少1%（具体值可根据问题调整）

注意事项：x0初始点的选择有时会影响fmincon找到局部最优解的速度，甚至结果。对于线性规划问题，fmincon内部算法通常能很好地找到全局最优，但提供一个可行的初始点（如[1,1]）是个好习惯。epsilon（宽容度）是关键参数，后面会详细讨论如何选择。

4.2 第一优先级：利润最大化

我们首先单独解决利润最大化问题。注意，我们的目标函数f1是- (2*x1 + 3*x2)，所以fmincon找到的最小值对应的实际是利润的最大值。

%% 第一步：优化第一目标（利润最大化） disp('=== 第一步：优化利润目标 ==='); % 定义第一目标函数句柄 obj_f1 = @(x) f1_coeff * x'; % 等价于 -2*x(1) - 3*x(2) % 调用fmincon进行线性规划求解 options = optimoptions('fmincon', 'Display', 'iter', 'Algorithm', 'interior-point'); [x_opt1, fval1] = fmincon(obj_f1, x0, A, b, [], [], lb, ub, [], options); % 计算实际的利润值（去掉负号） profit_optimal = -fval1; f1_star = fval1; % 记录fmincon得到的最优值（是负利润的最小值） disp(['最优解 x1 = ', num2str(x_opt1(1)), ', x2 = ', num2str(x_opt1(2))]); disp(['最大利润 = ', num2str(profit_optimal), ' (千元)']); disp(['对应的污染值 f2 = ', num2str(f2_coeff * x_opt1')]); disp(['对应的能耗值 f3 = ', num2str(f3_coeff * x_opt1')]);

运行这部分代码，fmincon会输出迭代过程，并最终给出在只考虑利润时的最优生产计划。假设我们得到结果：生产一定数量的产品I和II，实现了最大利润P_max。此时，污染和能耗是相应产生的固定值。

4.3 第二优先级：在利润约束下最小化污染

现在，我们将第一目标的最优解作为一个新约束加入。我们不允许利润比最优值差太多，即要求：- (2*x1 + 3*x2) <= f1_star + epsilon。由于f1_star是负利润的最小值，这个不等式等价于2*x1 + 3*x2 >= profit_optimal - epsilon（注意符号变化）。在代码中，我们直接将其作为线性不等式约束添加到原有的A和b中。

%% 第二步：在利润基本最优的前提下，优化第二目标（污染最小化） disp('=== 第二步：在利润约束下优化污染目标 ==='); % 添加第一目标的约束：f1(x) <= f1* + epsilon % 即：f1_coeff * x' <= f1_star + epsilon A_new = [A; f1_coeff]; % 添加一行约束 b_new = [b; f1_star + epsilon]; % 定义第二目标函数句柄 obj_f2 = @(x) f2_coeff * x'; % 使用上一步的最优解作为新的初始点，通常效果更好 x0_step2 = x_opt1; % 求解第二层优化问题 [x_opt2, fval2] = fmincon(obj_f2, x0_step2, A_new, b_new, [], [], lb, ub, [], options); % 计算此时各个目标的值 profit_step2 = 2*x_opt2(1) + 3*x_opt2(2); pollution_optimal = fval2; energy_step2 = f3_coeff * x_opt2'; disp(['当前解 x1 = ', num2str(x_opt2(1)), ', x2 = ', num2str(x_opt2(2))]); disp(['当前利润 = ', num2str(profit_step2), ' (千元)， 与最大利润差：', num2str(profit_optimal - profit_step2)]); disp(['最小污染 = ', num2str(pollution_optimal)]); disp(['对应能耗 = ', num2str(energy_step2)]);

这一步求解后，我们得到了一个在利润几乎达到最优（仅牺牲了epsilon）的情况下，污染最小的生产方案。你会发现，为了降低一点污染，产量组合[x1, x2]可能已经发生了变化。

4.4 第三优先级：在前两个目标约束下最小化能耗

最后，我们继续叠加约束。现在的要求是：在满足原始约束、以及利润不低于profit_optimal - epsilon的基础上，再满足污染不超过我们刚找到的最小值fval2加上一个新的宽容度（这里为了简化，我们可以使用同一个epsilon，或者为污染目标专门设一个epsilon2）。

%% 第三步：在利润和污染约束下，优化第三目标（能耗最小化） disp('=== 第三步：在利润和污染约束下优化能耗目标 ==='); % 添加第二目标的约束：f2(x) <= f2* + epsilon % 即：f2_coeff * x' <= fval2 + epsilon A_final = [A_new; f2_coeff]; b_final = [b_new; fval2 + epsilon]; % 定义第三目标函数句柄 obj_f3 = @(x) f3_coeff * x'; % 使用第二步的最优解作为初始点 x0_step3 = x_opt2; % 求解第三层优化问题 [x_opt_final, fval3] = fmincon(obj_f3, x0_step3, A_final, b_final, [], [], lb, ub, [], options); % 计算最终方案的各项目标值 profit_final = 2*x_opt_final(1) + 3*x_opt_final(2); pollution_final = f2_coeff * x_opt_final'; energy_optimal = fval3; disp('=== 序贯算法最终结果 ==='); disp(['最终生产计划: x1 = ', num2str(x_opt_final(1)), ' 吨, x2 = ', num2str(x_opt_final(2)), ' 吨']); disp(['最终利润: ', num2str(profit_final), ' 千元 (与最大利润差 ', num2str(profit_optimal - profit_final), ')' ]); disp(['最终污染: ', num2str(pollution_final), ' 单位 (与最小污染差 ', num2str(pollution_final - pollution_optimal), ')' ]); disp(['最终能耗: ', num2str(energy_optimal), ' 单位']);

至此，我们得到了一个满足“利润最高优先，污染次之，能耗最后”这一优先级顺序的折中解。这个解是在严格遵循决策者偏好序的前提下，所能找到的“最优”生产方案。

4.5 结果分析与可视化

为了更直观地理解序贯算法的效果，我们可以将每一步优化后的解在二维决策空间（因为只有x1, x2两个变量）或目标空间中标记出来。

%% 结果可视化 % 1. 绘制可行域轮廓 (简化：绘制约束边界线) figure; hold on; grid on; % 绘制三个约束边界线 x1_range = 0:0.1:6; % 约束1: x1 + 2*x2 = 10 -> x2 = (10 - x1)/2 plot(x1_range, (10 - x1_range)/2, 'b-', 'LineWidth', 1.5, 'DisplayName', '设备A约束'); % 约束2: 2*x1 + 2*x2 = 12 -> x2 = (12 - 2*x1)/2 plot(x1_range, (12 - 2*x1_range)/2, 'r-', 'LineWidth', 1.5, 'DisplayName', '设备B约束'); % 约束3: 3*x1 + x2 = 15 -> x2 = 15 - 3*x1 plot(x1_range, 15 - 3*x1_range, 'g-', 'LineWidth', 1.5, 'DisplayName', '原材料约束'); % 填充可行域 (多边形顶点需要手动计算或使用多边形填充函数) % 此处为示意，实际可行域为几条直线围成的多边形 % 可以使用 `feasible_region_vertices = [计算出的顶点坐标]; fill()` 来填充 xlabel('产品I产量 x1 (吨)'); ylabel('产品II产量 x2 (吨)'); title('生产计划可行域与序贯算法求解路径'); legend('Location', 'best'); % 2. 标记各步最优解 plot(x_opt1(1), x_opt1(2), 'ro', 'MarkerSize', 10, 'MarkerFaceColor', 'r', 'DisplayName', 'Step1: 仅利润最优'); plot(x_opt2(1), x_opt2(2), 'ms', 'MarkerSize', 10, 'MarkerFaceColor', 'm', 'DisplayName', 'Step2: 利润约束下污染最优'); plot(x_opt_final(1), x_opt_final(2), 'kd', 'MarkerSize', 10, 'MarkerFaceColor', 'k', 'DisplayName', 'Step3: 最终解'); % 添加文本标注 text(x_opt1(1)+0.1, x_opt1(2), ['(', num2str(x_opt1(1),'%.2f'), ',', num2str(x_opt1(2),'%.2f'), ')']); text(x_opt2(1)+0.1, x_opt2(2), ['(', num2str(x_opt2(1),'%.2f'), ',', num2str(x_opt2(2),'%.2f'), ')']); text(x_opt_final(1)+0.1, x_opt_final(2), ['(', num2str(x_opt_final(1),'%.2f'), ',', num2str(x_opt_final(2),'%.2f'), ')']); hold off; axis([0 6 0 8]); % 3. 目标函数值对比表格 fprintf('\n========== 各阶段目标函数值对比 ==========\n'); T = table; T.阶段 = {'仅利润最优'; '利润约束下污染最优'; '最终解(能耗最优)'}; T.利润 = [profit_optimal; profit_step2; profit_final]; T.污染 = [f2_coeff*x_opt1'; pollution_optimal; pollution_final]; T.能耗 = [f3_coeff*x_opt1'; energy_step2; energy_optimal]; disp(T);

通过图表和表格，你可以清晰地看到，从第一步到第三步，解点在可行域内是如何移动的。利润最优解点可能位于可行域的一个角点，而为了降低污染和能耗，解点会沿着约束边界移动到另一个位置。这个可视化过程能极大地帮助你理解序贯算法是如何在多个目标间进行权衡的。

5. 关键参数讨论与算法扩展

5.1 宽容度（ε）的选择策略

宽容度epsilon是序贯算法的核心参数之一，它决定了你在为首要目标做出多大让步后，再去优化次要目标。选择不当会导致问题无解或失去优化意义。

• epsilon太小（例如 1e-6）：相当于将首要目标函数值“钉死”在最优值上。这可能会使后续优化问题的可行域变得非常狭窄，甚至是一个单一的点或一条线，导致优化器无法找到可行解，或者次要目标的优化空间极小。在数值计算中，还可能因为浮点误差导致无解。
• epsilon太大（例如，首要目标最优值的10%）：相当于大幅放松了对首要目标的要求，那么后续优化得到的解可能在首要目标上表现很差，违背了“优先保证首要目标”的初衷。

实操建议：

1. 相对值优于绝对值：不要用一个固定的绝对值（如0.01）。最好根据首要目标的最优值f1_star来设置一个相对比例。例如，epsilon = abs(f1_star) * 0.01，表示允许首要目标有1%的恶化。
2. 试探法：可以先从一个较小的相对值（如0.1%）开始尝试求解第二步。如果求解失败（fmincon退出标志exitflag非正），则逐步增大epsilon（如增加到0.5%，1%，2%），直到问题可解。你可以将这个过程写成一个循环。
3. 敏感性分析：在建模论文中，可以将epsilon作为一个参数，分析其变化对最终结果（特别是次要目标值）的影响。这能展示解对于优先级“严格程度”的敏感度，是一个很好的分析点。

% 示例：自动调整epsilon的循环 epsilon_trial = abs(f1_star) * 0.001; % 从0.1%开始 max_trials = 5; for i = 1:max_trials A_new = [A; f1_coeff]; b_new = [b; f1_star + epsilon_trial]; [x_tmp, ~, exitflag] = fmincon(obj_f2, x0_step2, A_new, b_new, [], [], lb, ub, [], options); if exitflag > 0 disp(['epsilon = ', num2str(epsilon_trial), ' 时，第二步优化成功。']); x_opt2 = x_tmp; break; else disp(['epsilon = ', num2str(epsilon_trial), ' 时，第二步优化失败，扩大epsilon。']); epsilon_trial = epsilon_trial * 2; % 翻倍 end if i == max_trials error('经过多次尝试，仍未找到合适的epsilon使第二步优化可行。'); end end

5.2 处理非线性目标与约束

我们的例子是线性的，但序贯算法的威力远不止于此。对于非线性目标函数或非线性约束，整个流程完全适用，只需要修改目标函数句柄和约束定义即可。

假设污染目标是一个非线性函数，例如f2 = x1^2 + x2^2（表示污染与产量的平方成正比，模拟边际成本递增）。我们只需要将obj_f2的定义从线性乘积改为非线性函数即可。

% 非线性目标函数示例 obj_f2_nonlinear = @(x) x(1)^2 + x(2)^2; % 非线性约束示例：增加一个非线性约束 c(x) <= 0 nonlcon = @(x) deal(x(1)*x(2) - 8, []); % 非线性不等式约束 x1*x2 <= 8 % 在fmincon调用中增加非线性约束参数 [x_opt2_nonlinear, fval2] = fmincon(obj_f2_nonlinear, x0_step2, A_new, b_new, [], [], lb, ub, nonlcon, options);

fmincon可以很好地处理这些非线性问题。关键在于正确编写目标函数和约束函数的句柄。

5.3 探索不同的优先级顺序

决策者的偏好可能变化。我们可以轻松地修改目标的顺序，来探索不同的决策情景。例如，如果环保法规变得极其严格，公司可能将“污染最小化”作为第一目标。

你只需要重新排列优化步骤的顺序即可：

1. 第一步：单独优化f2（污染）。
2. 第二步：在f2 <= f2* + epsilon约束下，优化f1（利润）。
3. 第三步：在以上两个约束下，优化f3（能耗）。

通过比较不同优先级顺序下的最终解，可以生成一个简单的决策分析报告，告诉决策者不同战略导向会导致怎样的生产计划和绩效差异。这在数学建模论文中是体现分析深度的加分项。

6. 常见问题、调试技巧与实战心得

在实际编码和运行中，你可能会遇到一些问题。这里我总结了一些常见坑点和解决思路。

6.1 问题排查清单

6.2 提升代码健壮性与可读性的技巧

1. 封装成函数：如果你需要多次运行不同参数或不同优先级顺序的序贯算法，最好将核心流程封装成一个函数。输入参数可以包括目标函数系数矩阵、约束、优先级顺序向量、宽容度向量等，输出最终解和各层目标值。这会让你的主脚本非常清晰。

   function [x_final, f_vals] = sequential_optimization(A, b, lb, ub, F_coeffs, priorities, epsilons) % F_coeffs: k x n 矩阵，每行是一个目标函数的系数 % priorities: 1 x k 向量，表示目标优先级顺序，如 [1, 3, 2] % epsilons: 1 x (k-1) 向量，对应每一层的宽容度 % ... 实现代码 ... end

2. 善用optimoptions：通过设置optimoptions，你可以控制求解器的详细输出，便于调试。'Display', 'iter'会在每次迭代时输出信息，适合调试；'Display', 'final'只输出最终结果，适合最终运行。'Algorithm'选项可以帮助你针对问题类型选择最合适的算法。
3. 检查退出标志exitflag：fmincon的输出参数exitflag说明了优化器终止的原因。exitflag > 0表示收敛到局部最优解；exitflag = 0表示达到最大迭代次数或函数评价次数；exitflag < 0表示求解失败。在你的脚本中加入对exitflag的判断，可以避免使用无效的结果。

   [x_opt, fval, exitflag, output] = fmincon(...); if exitflag <= 0 warning('优化器未成功收敛。退出标志: %d', exitflag); disp(output.message); % 输出详细信息 % 这里可以加入错误处理逻辑，如调整参数重新求解 end

6.3 在数学建模竞赛中的应用要点

如果你准备在国赛、美赛等数学建模竞赛中使用这种方法，以下几点能让你做得更出彩：

• 清晰的优先级论证：不要武断地说“我们认为利润最重要”。要通过层次分析法（AHP）、专家打分、或是基于题目背景的合理推理（例如，“根据某政策文件，减排目标具有一票否决权”）来定量或定性地论证你的目标排序。这体现了建模的严谨性。
• 宽容度的敏感性分析：如前所述，将epsilon作为参数，分析最终解（特别是次要目标值）如何随epsilon变化。绘制epsilon与各目标值的关系图，可以直观展示目标间的权衡关系（Trade-off）。
• 与其它方法的对比：在论文中，可以简要提及或对比其他多目标方法，如加权和法。指出序贯算法在本题背景下更符合决策逻辑（因为目标有明显优先级），而加权和法难以确定合理的权重。如果时间允许，可以用加权和法求一组不同权重下的解，与序贯算法的解进行比较，说明后者更能反映决策者偏好。
• 结果的可视化与解释：像我们前面做的那样，将求解路径画在可行域图上。用表格清晰列出每一步优化后的目标值变化。解释最终的生产计划（x1,x2的具体值）在现实中有何意义，例如“该计划充分利用了设备A但未满负荷运行设备B，原因是...”。

序贯算法就像一把结构清晰的螺丝刀，当你面对一个目标层次分明的多目标问题时，它能帮你一步步拧出那个最符合决策者心意的“螺丝”。它的价值不在于算法的复杂性，而在于其逻辑与实际问题决策过程的完美契合。希望这个从原理到代码、从实现到调试的完整流程，能成为你工具箱里一件称手的兵器。下次再遇到“在满足A的前提下，优化B”这类问题时，你知道该怎么做了。