在像PSO这样的元启发式方法中平衡目标（错误权重）

Question

tl / dr：在元启发式算法中，有没有一种使多个目标“平衡”的标准方法？

我最近通过简单的PSO获得了成功-它可以在少量的计算时间内有效地找到一个足够好的解决方案（并且很容易获得工作代码）。但是，一旦我尝试将其扩展到多个目标（以更好地表示一个现实的解决方案），它就会开始具有自我参照性和 twisty 的感觉，并且似乎已经有了答案。

真实示例：我想将无聊的视频转换成有趣的延时视频。我有一个“帧之间的变化量”的输入数组。正交目标包括：

1. 输出应该在20-40秒范围内，最好是30s。
2. 改变输出速度以专注于源的有趣部分是“好”。

没关系：我优化error = c1*percentDistanceFromTargetTime() + c2*lackOfVarianceInOutputVideo()

哪个有效！但是，这些c1和c2权重修饰符很棘手（并且手工制作它们无法达到目的）。一个目标往往会主导结果（例如，以差异为代价完美地延长30秒），我不希望这样做。

在内部解决的“我们必须更深入”是开始吗？有没有一种方法，具有“行为，该死的你！”是否会出现其他错误，从而使解决方案脱离漏洞和边界，然后将c1和c2包括在优化中？

fun behaveNicely() = when {
  // absolute no-nos.
  outputLength !in 20..40 -> BIG_ERROR
  // the twisty part
  c1 !in 0.0001..100.0 -> BIG_ERROR
  c2 !in 0.0001..100.0 -> BIG_ERROR
  areWeOnASolutionThatJustComesFromTime() -> BIG_ERROR // c1 is dominating
  areWeOnASolutionThatJustComesFromVariance() -> BIG_ERROR // c2 is dominating
  // do the usual thing
  else -> 0.0
}

error += behaveNicely()

希望这是我可以重用的已知技术。