多目标优化实战：无人机配送如何同时打赢"快"与"省"两场仗
8 月 3 日，DoorDash 正式推出无人机配送业务 DoorDash Air，把披萨和外卖送上天空；此前一周，广东中山发布低空经济高质量发展行动方案，提出无人机配送"60 分钟通达广深珠"；8 月 2 日，四川绵阳的无人配送试点线路已经常态化运行。短短几天，无人机配送从一个概念变成多座城市同步推进的真实业务。但很少有人追问：一架无人机送哪几单、先送谁、走哪条航线，背后其实是一场典型的多目标优化问题——既要送得快，又要花得少，还要飞得稳。
一、什么是多目标优化：先看懂"两个目标打架"
多目标优化（Multi-Objective Optimization）指优化问题里同时存在两个及以上互相冲突的目标。无人机配送里，"送达时间最短"和"运营成本最低"天然冲突：想快，就要多派无人机、走直线、卡着时间窗飞，能耗和调度成本立刻上升；想省，就要少派机、多拼单、绕远路，可客户的耐心是有限的。
国赛题目里类似的冲突随处可见：医院排班要"医生满意度"与"患者等待时间"兼得；水库调度要"发电量"与"防洪安全"兼顾；工厂排产要"交期"与"能耗"平衡；银行网点选址要"覆盖人群"与"建设成本"双赢。只要题目里出现"在……的同时兼顾……""权衡""折中""协调"这类字眼，多半就是多目标优化。
| 对比维度 | 单目标优化 | 多目标优化 |
|---|---|---|
| 目标数量 | 只有一个目标函数 | 两个及以上互相冲突的目标 |
| 解的形式 | 一个唯一最优解 | 一组互不占优的折中解（帕累托前沿） |
| 典型方法 | 梯度法、爬山法、经典算法 | 加权法、约束法、进化多目标算法 |
| 决策方式 | 直接给出答案 | 先扫出解集，再交给决策者挑选 |
| 论文呈现 | 一张收敛曲线 | 权衡曲线 + 帕累托前沿图 |
二、为什么"把两个目标加权成一个数"不够用
最常见的直觉是把两个目标各乘一个权重再加起来，转成单目标问题求解。看起来省事，但有两个硬伤。
第一，权重谁定？"送得快重要还是省钱重要"，客户、平台、监管部门三方答案完全不同。权重一改，最优方案就变，评委第一个追问就是"你的权重凭什么这么设"。第二，加权后的最优解只是帕累托前沿上的一个点，你丢掉了其他同样合理的选择。比如能耗只比最优多 3%，时间却能省 15%——这种方案在加权法下很可能直接被丢掉，但对决策者恰恰很香。
所以更专业的做法是：先把"所有不被任何方案全面压制的解"全部找出来（这就是帕累托前沿），再在论文讨论部分给出挑选建议。评审看重的不是"你算出了一个数"，而是"你理解了问题的结构"。
三、三套主流解法：用中文讲清楚原理
3.1 线性加权法（最简单）
把每个目标乘以权重后相加，转成单目标问题。适用条件：目标量纲相近、决策者能给出明确权重、问题基本是凸的。优点是好实现、好解释；缺点是权重主观，且对非凸问题可能漏掉前沿中间段的解。使用时要交代权重的确定过程（专家打分、层次分析法都行），并做权重敏感性分析。
3.2 约束法（入门首选，国赛最讨巧）
每次只优化一个主目标，把其他目标转成约束。比如：给定"总成本不超过 X 元"，求"最短总送达时间"。把 X 从紧到松逐档变化，反复求解，就能扫出一整组折中解。
这个方法在国赛里几乎是为论文量身定做的：每一个 X 对应一次普通单目标求解，用最基础的算法就能跑；扫完后自然画出"成本—时间权衡曲线"，图一出来，多目标的味道就出来了。
3.3 进化多目标算法（进阶）
遗传算法家族中专门处理多目标的版本：非支配排序把解按"被谁压制"分层，拥挤度距离保证解集在前沿上均匀铺开，精英保留策略防止好解丢失。一次运行就能同时逼近整条帕累托前沿。适合变量多、约束复杂的调度问题。缺点是收敛慢、参数多，论文里必须交代种群规模、迭代次数、交叉变异概率，并给出收敛性验证。
| 方法 | 原理一句话 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|---|
| 线性加权 | 加权求和转单目标 | 简单直观 | 权重主观、可能漏解 | 目标少、量纲一致 |
| 约束法 | 只留一个主目标，其余转约束 | 每步都是单目标，图好画 | 需要反复求解多次 | 两个目标、追求清晰呈现 |
| 进化多目标 | 用进化机制逼近整个前沿 | 一次得到整条前沿 | 参数多、收敛慢 | 大规模调度、排班问题 |
四、完整算例：5 个订单、2 架无人机
场景：一个社区同时来了 5 个外卖订单，配送站有 2 架无人机。已知每架无人机送不同订单组合所需的飞行时间与能耗。目标一：最后一个订单的送达时间最短（时效目标）；目标二：总能耗最低（成本目标）。约束：每架无人机一次最多携带 2 单；每个订单只能由一架无人机配送；所有订单必须全部送达。
先列出所有可行的"分工方案"，再逐一计算两个目标值：
| 方案 | A机配送 | B机配送 | 总耗时 | 总能耗 | 是否可行 |
|---|---|---|---|---|---|
| 甲 | 订单1、2 | 订单3、4、5 | — | — | 不可行（B超载） |
| 乙 | 订单1、2 | 订单3、4 | — | — | 不可行（5无人送） |
| 丙 | 订单1、2 | 订单3、4 | 40 | 26 | 可行 |
| 丁 | 订单1、3 | 订单2、4 | 36 | 30 | 可行 |
| 戊 | 订单1、4 | 订单2、5 | 33 | 35 | 可行 |
（注：表中耗时、能耗为示意数据，重点看求解流程。）
用约束法求解：第一步，设"总能耗不超过 26"，求最短耗时，得方案丙（40 分钟）；第二步，把能耗上限放松到 30，得方案丁（36 分钟）；第三步，再放松到 35，得方案戊（33 分钟）。
把三个点连起来就是权衡曲线：时间从 40 分钟降到 33 分钟，能耗从 26 涨到 35——没有任何一个方案在两个目标上同时优于另一个，这三个点共同构成帕累托前沿。最后给决策建议：如果平台规定"平均送达不超过 35 分钟"，选方案戊；如果"能耗预算只有 28"，只能选方案丙。
五、从小算例到国赛大题：规模化怎么做
上面的 5 单 2 机靠枚举就能算完，国赛题目往往有几十上百个订单，枚举不可能。规模化路径分三步。
第一步，把问题形式化：确定决策变量（哪个订单分配给哪架无人机、出发顺序）、目标函数（总时间、总能耗或总成本）、约束条件（载重、续航、时间窗、充电位）。第二步，选求解框架：中小规模用约束法加贪心构造初始解；大规模用进化多目标算法，把"非支配排序"作为适应度。第三步，验证与呈现：跑 10 次以上取统计结果，画权衡曲线与前沿分布图，说明参数对结果的影响。
六、国赛使用要点：四个加分与三个坑
加分点：第一，画出权衡曲线并标注可行域与帕累托前沿；第二，做权重或阈值敏感性分析，证明结论稳健；第三，给出业务建议（"客户可接受 5 分钟延迟时，能耗降 20%"）；第四，与单目标基线对比，证明多目标框架确实带来了更优的折中。
三个坑：一是把多目标硬写成单目标却不说明理由；二是只给一个解，不给折中讨论；三是表格数据与曲线对不上，被评委当场抓包。
七、写在最后
DoorDash Air 上天的背后，是物流行业对"快和省"永无止境的追求。多目标优化正是回答这类问题的标准框架：识别冲突目标、定义约束、扫出折中解、交给决策者。这套思路不仅是比赛技巧，更是以后做方案、做产品、做运营的底层能力。下次遇到"既要又要"的题目，别慌——把两个目标摆到台面上，用约束法扫一条权衡曲线出来，评委自然眼前一亮。