# E13: 多目标优化验证实验

## 实验目标

验证 cuGenOpt 的两种多目标比较模式：
1. **Weighted（加权求和）** - 目标可权衡
2. **Lexicographic（字典法）** - 目标有严格优先级

## 实验设计

### 测试问题

#### 问题 1: 双目标 VRP（距离 vs 车辆数）

**目标**：
- 目标1: 最小化总距离
- 目标2: 最小化使用的车辆数

**配置**：
- 基准实例: A-n32-k5, A-n48-k7（Augerat）
- 车辆容量: 标准配置
- 车辆上限: 充足（允许优化车辆数）

**测试模式**：
1. **Weighted 模式**:
   - 配置 A: `weights = [0.9, 0.1]` - 主要关注距离
   - 配置 B: `weights = [0.7, 0.3]` - 平衡距离和车辆数
   - 配置 C: `weights = [0.5, 0.5]` - 同等重要

2. **Lexicographic 模式**:
   - 配置 D: 优先级 [距离, 车辆数], tolerance=[100.0, 0.0]
   - 配置 E: 优先级 [车辆数, 距离], tolerance=[0.0, 100.0]

#### 问题 2: 三目标 VRP（距离 vs 车辆数 vs 最大路径长度）

**目标**：
- 目标1: 最小化总距离
- 目标2: 最小化使用的车辆数
- 目标3: 最小化最大路径长度（负载均衡）

**配置**：
- 基准实例: A-n48-k7
- 测试 Weighted 和 Lexicographic 两种模式

#### 问题 3: 双目标 Knapsack（价值 vs 重量）

**目标**：
- 目标1: 最大化总价值
- 目标2: 最小化总重量（在满足容量约束下，尽量少用重量）

**配置**：
- 实例: knapPI_1_100
- 容量: 标准配置

**测试模式**：
- Weighted: `weights = [0.8, 0.2]` (80% 关注价值)
- Lexicographic: 优先级 [价值, 重量]

---

## 实验配置

### 硬件环境
- **主实验**: Tesla T4（单GPU）
- **附加验证**: 2×T4（验证多 GPU 协同在多目标模式下是否正常工作）
- **时间限制**: 60 秒
- **随机种子**: 5 个种子（42, 123, 456, 789, 2024）

### 对比基线
- **NSGA-II (DEAP)**: Python 实现的标准多目标算法
- **单目标版本**: 只优化第一个目标（作为参考）

### 评价指标

#### 1. 解质量指标
- **主目标 gap%**: 第一个目标相对最优值的差距
- **次目标值**: 其他目标的绝对值
- **Pareto 支配关系**: 解之间的支配情况

#### 2. 权重/容差敏感性
- 不同权重配置下的解质量变化
- 不同容差配置下的解质量变化

#### 3. 模式对比
- Weighted vs Lexicographic 在相同问题上的表现
- 收敛速度、解多样性

---

## 实验步骤

### 阶段 1: 实现测试问题（1-2 小时）

1. **创建 Problem 定义**:
   - `bi_objective_vrp.cuh` - 双目标 VRP
   - `tri_objective_vrp.cuh` - 三目标 VRP
   - `bi_objective_knapsack.cuh` - 双目标 Knapsack

2. **实现两种模式的配置**:
   - 每个问题提供 Weighted 和 Lexicographic 两个版本

### 阶段 2: 运行实验（2-3 小时）

#### 主实验（单 GPU）

1. **Weighted 模式实验**:
   - 不同权重配置（3-5 组）
   - 记录每个目标的值

2. **Lexicographic 模式实验**:
   - 不同容差配置（2-3 组）
   - 不同优先级顺序（2 组）

3. **对比基线**:
   - NSGA-II (DEAP) 运行相同问题
   - 单目标版本作为参考

#### 附加验证（多 GPU）

**目的**: 验证多 GPU 协同在多目标模式下是否正常工作（非性能对比）

**配置**:
- 双目标 VRP (A-n48-k7)
- Weighted 模式: `weights = [0.7, 0.3]`
- Lexicographic 模式: 优先级 [距离, 车辆数]
- 2×T4, 60 秒, 单次运行

**验证点**:
- ✅ 多 GPU 协调器能否正确比较不同 GPU 的解
- ✅ 最终结果是否合理（不劣于单 GPU）
- ✅ 无崩溃、无死锁

### 阶段 3: 数据分析（1 小时）

1. **生成对比表**:
   - Weighted 不同权重下的解质量
   - Lexicographic 不同容差下的解质量
   - cuGenOpt vs NSGA-II 对比
   - 多 GPU 验证结果（简单表格，确认功能正常）

2. **可视化**:
   - Pareto front 散点图（双目标问题）
   - 权重敏感性曲线

3. **生成报告**: `E13_REPORT.md`

---

## 预期结果

### 假设 1: Weighted 模式有效性
- 不同权重配置应产生不同的 Pareto 解
- 权重越大的目标，优化效果越好

### 假设 2: Lexicographic 模式有效性
- 第一优先级目标应得到最优或接近最优
- 容差内才考虑次要目标

### 假设 3: 与 NSGA-II 的对比
- cuGenOpt（Weighted）可能在单个 Pareto 点上表现好
- NSGA-II 可能在 Pareto front 覆盖上更好（维护整个前沿）

### 假设 4: 多 GPU 兼容性
- 多 GPU 协调器能正确使用 Weighted/Lexicographic 模式比较解
- 多 GPU 结果不劣于单 GPU（功能正常性验证）

---

## 实验价值

### 学术价值
1. **验证多目标能力**: 证明框架不仅支持单目标
2. **模式对比**: 展示两种模式的适用场景
3. **GPU 加速多目标**: 展示 GPU 在多目标优化上的潜力

### 工程价值
1. **实际应用场景**: VRP 中距离 vs 车辆数是常见需求
2. **用户指导**: 提供选择模式的实践建议
3. **功能完整性**: 补全框架验证的最后一块拼图

### 论文价值
1. **增强完整性**: 补充多目标实验
2. **差异化优势**: 大多数 GPU 优化框架只支持单目标
3. **实用性**: 展示框架在实际多目标场景的应用

---

## 时间估算

- **实现**: 1-2 小时（3 个 Problem 定义）
- **主实验**: 2-3 小时（多组配置，对比基线）
- **多 GPU 验证**: 0.5 小时（2 个快速测试）
- **分析**: 1 小时（表格、图表、报告）
- **总计**: 4.5-6.5 小时

---

## 是否纳入当前论文？

### 选项 A: 纳入 paper_v3（推荐）
**优点**：
- ✅ 功能完整性
- ✅ 差异化优势
- ✅ 实验工作量可控（4-6 小时）

**缺点**：
- ⚠️ 论文已经 27 页，再加可能超 30 页
- ⚠️ 需要新增 1-2 张图（Pareto front）

**建议**：
- 新增 §6.6 "Multi-Objective Optimization Modes"
- 1 个表格（Weighted 不同权重配置）
- 1 个表格（Lexicographic 不同优先级配置）
- 1 张图（Pareto front 散点图）
- 1 个小表格（多 GPU 验证，放在脚注或附录）
- 约 1.5-2 页内容

### 选项 B: 作为独立补充实验
**优点**：
- ✅ 不影响当前论文进度
- ✅ 可以更深入探索

**缺点**：
- ⚠️ 论文缺少多目标验证

---

## 建议

**我的建议**: **执行 E13 实验并纳入 paper_v3**

**理由**：
1. 功能已实现，只差实验验证（4-6 小时可完成）
2. 多目标是框架的重要特性，值得展示
3. 实验设计清晰，工作量可控
4. 可以作为论文的亮点之一

**下一步**：
1. 创建 E13 实验目录和 Problem 定义
2. 运行实验收集数据
3. 生成 E13_REPORT.md
4. 更新 paper_v3 添加 §6.6 节

要开始实现 E13 吗？