简介面向多目标优化研究与算法对比的MATLAB测试环境整合了NSGA-II、MOPSO等经典进化算法的完整实现配套不同网格搜索、随机搜索与集体决策等对比策略可用于算法性能评估与实验数据可视化。资源共105个文件压缩包约4.89MB其中87个.m源码脚本保留全部功能逻辑另有6个fig与6个png图像文件直观展示解集分布及收敛过程2个mat数据文件保存实验结果2个txt说明文件辅助快速上手2个zip压缩包内为附加工具或对比材料。目前已吸引200人学习下载适合正在撰写论文、开展多目标优化实验或需要可复用测试平台的MATLAB用户。通过整合测试函数、指标计算与经典算法实现读者可快速复现常见多目标优化流程并基于清晰目录结构扩展自身策略。1. 多目标优化测试环境先立住可复现再谈改进收到一个「多目标优化测试环境附matlab代码.zip」大多数人的第一反应是解压、打开 MATLAB直接跑里面的 .m 文件。如果这套代码没有统一约定问题的输入输出格式就算能跑也跑不出能写进评审报告的结果。多目标优化算法对比的难点从来不是算法本身而是测试函数、评价指标、随机种子三件事是否在同一个前提下。ZDT 系列只有两个目标适合验证收敛性DTLZ 系列可扩展到任意目标数适合验证高维目标空间下的表现。判断一套测试环境是否合格就看选型是否覆盖形态差异、接入点是否统一、指标方向是否写对。下文按这三件事拆开讲新手能照抄代码熟手能复查边界。2. 多目标优化测试环境的测试函数选型ZDT、DTLZ 怎么定实验结论才站得住在多目标优化测试环境里测试函数不是「选一个难的就行」。它的作用是给算法一个已知答案的靶子每一类前沿形态对应一种容易被算法丢分的缺陷。选型一旦覆盖不全后面算法和指标写得再细评审时也会被一句「为什么没有非凸或断开前沿的结果」问住。打开 zip 后的第一件事不是运行而是确认里面的测试函数带不带真实前沿生成脚本以及有没有统一的求值入口。2.1 ZDT 系列双目标场景里的默认基准ZDT 系列全部是双目标问题决策变量取值范围在 [0,1] 上ZDT4 例外。这一族的特点是真实前沿有解析表达式做指标基准时不需要额外生成参考点直接按公式采样即可。ZDT1 是凸前沿ZDT2 是非凸前沿ZDT3 是断开的五段前沿ZDT4 和 ZDT6 分别用多局部前沿与非均匀解密度考验算法。做双目标对比时的常见做法是先上 ZDT1、ZDT2、ZDT3 三个再按算法特点补 ZDT4 或 ZDT6。function f zdt1_eval(x) % ZDT1 测试函数30 维决策变量真实前沿 f2 1 - sqrt(f1) n numel(x); f1 x(1); g 1 9 * sum(x(2:n)) / (n - 1); f2 g * (1 - sqrt(f1 / g)); f [f1, f2]; end逻辑说明第一个决策变量单独构成 f1其余 n-1 个变量进入 g 函数。当 g 收敛到 1 时 f2 1 - sqrt(f1)这就是解析前沿。任何算法最后都应落在这条曲线上偏离即收敛性丢分。参数说明n 取 30 是文献惯例写成 numel(x) 而不是硬编码是为了让同一份代码直接复用到 10 维变体上。2.2 DTLZ 系列目标数可扩展才是测试环境的真正分水岭ZDT 只能测双目标而多目标优化算法的主战场恰恰是三目标以上。DTLZ 系列通过统一形式把目标数 M 变成输入参数每个目标由一组角度变量和一个距离函数 g 组成真实前沿出现在 g0 的面上。DTLZ1 的前沿是线性单纯形收敛难度大DTLZ2 的前沿是单位球面解的分布均匀性最容易暴露DTLZ5 的前沿退化成一条曲线专门考验退化前沿处理DTLZ7 是断开前沿适合与 ZDT3 做跨维度对照。三目标以上实验我一般固定跑 DTLZ1、DTLZ2、DTLZ7 三组。下面是二目标 DTLZ2 参考前沿的生成代码真实前沿是单位圆第一象限不需要跑任何算法function pf dtlz2_pf2(N) % 二目标 DTLZ2 真实前沿采样N 为采样密度 f1 linspace(0, 1, N); f2 sqrt(1 - f1.^2); pf [f1, f2]; end逻辑说明DTLZ2 的目标向量满足 sum(f.^2) 1枚举 f1 后 f2 由圆方程给出。采样密度 N 一般取 500 到 1000密度太低会让 IGD 对收敛差异不敏感太高则计算量线性上升。参数说明三目标以上没有这么简洁的解析采样常见做法是在高维球面上均匀撒点后做一次非支配筛选或者运行一次超大种群的高质量算法把结果存成 mat 文件当基准。2.3 测试环境里必须固定下来的前沿与变量边界测试函数的一个隐藏参数是边界。ZDT 系列多数变量在 [0,1]唯一例外是 ZDT4x1 在 [0,1]x2 到 xn 在 [-5,5]DTLZ 系列统一在 [0,1]。如果统一入口把边界写死后面换问题就是改一个 name 字符串的事如果边界散落在每个算法脚本里迟早会出现 ZDT4 用 [0,1] 跑完全程的结果。测试函数目标数前沿形态决策变量数主要考察点ZDT12凸30基础收敛性ZDT22非凸30非凸前沿收敛ZDT32断开五段30分布性ZDT4221 个局部前沿10局部最优逃脱ZDT62非均匀密度10解集均匀性DTLZ1任意线性单纯形M4高维收敛DTLZ2任意单位球面M9分布均匀性DTLZ5任意退化曲线M9退化前沿DTLZ7任意断开 2^M-1 段M19离散前沿参数说明ZDT4 虽只有一个 Pareto 前沿搜索空间里却有 21 个局部前沿种群规模小于 50 时几乎必然陷入DTLZ1 的决策变量数是 M4由常数 k5 折算而来写代码时把 k 做成参数比写死更稳。选型记住一条原则双目标起步用 ZDT主张高维能力必须补 DTLZ。只跑 ZDT 不能支撑「算法在高维目标空间有效」的结论。3. 用 MATLAB 搭多目标优化测试环境统一入口与最小示例代码测试环境的核心不是算法写得多好而是所有组件都接到同一个接口上。算法侧只需要调一个函数拿到目标向量问题侧只需要维护测试函数与真实前沿指标侧只认一个固定格式的解集矩阵。这套结构在绝大多数 MATLAB 版本上都能跑依赖只有基础函数和 matlab优化工具箱。3.1 目录结构与统一函数签名一个能长期复用的多目标优化测试环境目录我一般这样组织multiobj-testbench/ ├── problems/ # 每个测试函数一个 m 文件 │ ├── zdt1_eval.m ... zdt6_eval.m │ ├── dtlz1_eval.m ... dtlz7_eval.m │ └── bench_problem.m # 统一入口 ├── metrics/ │ ├── compute_igd.m │ └── compute_hv_2d.m ├── algorithms/ # 被对比的算法 ├── run_experiment.m # 单次实验脚本 └── results/ # 按问题随机种子保存结果逻辑说明problems 目录里每个文件只做一件事——给定决策变量向量返回目标向量metrics 目录只算指标绝不修改解集algorithms 目录里的算法只调用 bench_problem不直接引用任何具体测试函数文件。这样换问题、换算法、换指标互不影响。参数说明bench_problem 是唯一字符串入口所有测试函数在它内部做分发算法代码里不允许出现 zdt1、dtlz2 这类字面量否则环境复制到别的项目时到处是硬编码。bench_problem.m 的最小实现function [f, lb, ub] bench_problem(name, x) % 统一入口name 指定测试函数x 为 1 x nvars 的行向量 x x(:); % 强制转成行向量 switch lower(name) case zdt1 f zdt1_eval(x); lb zeros(1, 30); ub ones(1, 30); case dtlz2 f dtlz2_eval(x, 3); % 第二参目标数 M lb zeros(1, numel(x)); ub ones(1, numel(x)); case custom f [x(1)^2 x(2)^2, (x(1)-1)^2 (x(2)-1)^2]; lb [0 0]; ub [1 1]; end end逻辑说明x(:) 这一行很重要算法传列向量进来时统一转成行向量避免 x(1)、x(2:end) 索引行为不一致。返回 lb、ub 是为了让算法初始化种群和修复越界解时有统一依赖。参数说明custom 分支演示了业务问题接入的最低成本写法——只要把业务决策向量编码成数值向量、给出两个目标的计算公式就能和标准测试函数用同一套指标流程对比。3.2 基线算法matlab优化工具箱里的 gamultiobj多目标优化测试环境需要一条「不可能错」的基线。自己实现 NSGA-II 容易在拥挤距离、锦标赛选择上出细节 bug拿来当基线反而被动。常见做法是直接用 matlab优化工具箱里的 gamultiobj它实现的是带精英保留的 NSGA-II 变体接口稳定跑 ZDT、DTLZ 这类无约束问题只需要给边界。nvars 30; lb zeros(1, nvars); ub ones(1, nvars); opts optimoptions(gamultiobj, ... PopulationSize, 100, ... MaxGenerations, 250, ... ParetoFraction, 0.35, ... Display, final); [x_sol, f_sol] gamultiobj((x) bench_problem(zdt1, x), ... nvars, [], [], [], [], lb, ub, opts);逻辑说明gamultiobj 第一个参数是适应度函数句柄内部以种群形式批量调用所以句柄里直接嵌套 bench_problemnvars 是决策变量个数后面的空矩阵是线性约束槽位无约束问题用 [] 占位。返回的 x_sol 是 Pareto 解集f_sol 是对应的目标向量集合每行一个解。参数说明ParetoFraction 控制输出中非支配个体占比上限默认 0.35 对双目标够用想拿更密的 Pareto 前沿可以提到 0.7但要接受更大的计算量。gamultiobj 的输出按 f1 不一定有序后续指标计算前需重排。拿到 f_sol 后第一步是去掉被支配和重复的解。gamultiobj 内部虽然做非支配排序但返回结果里可能存在重复个体重复解会让基于距离的指标产生偏差function keep pareto_filter(A, tol) % 返回逻辑索引A 中不被其他行支配、且不重复的行 n size(A, 1); keep true(n, 1); for i 1:n for j 1:n if i j, continue; end if all(A(j,:) A(i,:) tol) any(A(j,:) A(i,:) - tol) keep(i) false; % j 严格支配 i break; end end end end逻辑说明支配判定是「每个目标都不差、且至少一个目标严格更好」tol 用来吸收浮点误差避免 1e-17 级别的差值造成误判。这个函数 O(n^2)几百个解足够几千个解时应改用排序法否则一次指标评估要等几秒。参数说明tol 一般取 1e-10太大可能把真正不同的解并到一起太小又对浮点误差无能为力。3.3 指标计算IGD 与超体积的最小实现测试环境里最容易被写错的部分是指标。下面两个文件是双目标场景的最小实现直接放进 metrics 目录即可。function igd compute_igd(front_ref, obtained) % IGD真实前沿每个点到解集最近距离的均值 d pdist2(front_ref, obtained); igd mean(min(d, [], 2)); end逻辑说明pdist2 生成 front_ref 行数乘 obtained 行数的距离矩阵min(d, [], 2) 取每行最小值即真实前沿每个采样点到解集的最近距离最后取均值。方向是「从真实前沿到解集」不要写反。参数说明front_ref 必须比 obtained 密一个数量级以上否则 IGD 实际在测参考前沿的采样密度。双目标取 500 到 1000 个点pdist2 属于统计和机器学习工具箱没有它就用两层 for 循环手写距离矩阵数据量几百时性能差异可忽略。超体积的参考点选择和双目标精确计算function hv compute_hv_2d(A, ref) % 双目标精确超体积。前提各目标下界为 0ref 略大于所有目标最大值 A A(all(A ref, 2), :); % 丢弃被参考点排除的解 A sortrows(A, 1); % 按 f1 升序 hv 0; run_max 0; prev_x 0; for i 1:size(A, 1) if i 1 hv hv (A(i,1) - prev_x) * run_max; end prev_x A(i,1); run_max max(run_max, ref(2) - A(i,2)); end hv hv (ref(1) - prev_x) * run_max; end逻辑说明双目标超体积是若干矩形并集的面积按 f1 升序扫描时区间 [x_prev, x_i] 内起作用的只有之前扫过的解里 f2 最高离参考点最近的那个因此维护 run_max 一个变量即可。参考点直接影响数值ref 取所有解目标最大值再乘 1.1 时不同算法之间的 HV 差距最明显。参数说明这个精确算法只适用于二目标且目标下界为 0 的问题三目标以上精确超体积计算复杂度迅速上升实践中用蒙特卡洛近似或专用实现即可。4. 多目标优化算法的参数起点与常见坑环境搭好之后真正消耗时间的是参数和复现问题。这一章先给可直接用的参数起点再讲指标计算里最隐蔽的方向性错误最后列三个每次实跑都会遇到的高频坑。4.1 种群、代数与交叉参数的起点gamultiobj 的参数可以按目标数分档。双目标问题的 Pareto 前沿是一条线100 个个体足够覆盖三目标问题的前沿是一张面同样 100 个个体撒上去会明显稀疏因此 DTLZ 系列的种群和代数都要上调。参数双目标 ZDT三目标 DTLZ设置理由PopulationSize100200前沿维度高一维需更多个体覆盖MaxGenerations250500DTLZ1 前沿收敛慢代数不足会停在 g 很大处ParetoFraction0.350.3高维下非支配个体增多占比上限收紧CrossoverFraction0.90.9SBX 交叉后代占比默认值对连续问题稳定FunctionTolerance1e-41e-6DTLZ1 的 g 值小于 1e-3 才算真正收敛参数说明FunctionTolerance 是提前停止阈值连续几代平均变化小于它时算法中止。DTLZ1 上如果发现结果里 sum(f) 普遍大于 0.5先不要怀疑算法把代数加到 1000 再跑一次大概率是提前停止触发太早。CrossoverFraction 保持 0.9 即可调到 0.95 在可分离测试函数上有轻微收益在 DTLZ2 这类不可分离问题上没有明显作用。4.2 IGD 的方向与 HV 的参考点两个最容易写反的细节IGD 的经典定义是「真实前沿上每个点到解集最近距离的平均」但网上大量示例代码写的是反方向——解集到真实前沿的最近距离——那是 GD 的定义。两个数值在收敛好的算法上很接近所以单看一张表发现不了。igd mean(min(pdist2(front_ref, obtained), [], 2)); % 正确 gd mean(min(pdist2(obtained, front_ref), [], 2)); % 这是 GD 不是 IGD逻辑说明pdist2 两个入参顺序一换指标含义完全不同。IGD 惩罚的是「真实前沿有没有被覆盖到」GD 惩罚的是「解集里有没有跑远的点」。当算法只找到一小块局部前沿时IGD 很大、GD 反而很小用错定义会把失败实验判成成功。参数说明记不清时就用一条规则——谁更密谁放前面。真实前沿必须比解集密所以放第一个参数。HV 这边最常见的错误是参考点取得太远。参考点越远所有算法共享的右上角区域越大算法之间的 HV 差异被稀释。常见做法是先用所有解集合并取每个目标的最大值作为 nadir 估计再乘以 1.1。写报告时 HV 必须标注参考点取值否则数值无法横向比较。理想的参考点下界是原点ZDT、DTLZ 目标都非负这个条件天然满足。4.3 每次实跑都会遇到的高频坑4.3.1 随机数种子不固定同一算法同一参数两次运行结果不同是正常的但如果「跑两次应该完全一样」都做不到说明 rng 没在实验入口固定。MATLAB 里要用 rng(seed, twister) 而不是只写 rng(seed)twister 参数保证跨版本可复现。正式实验至少跑 30 个独立随机种子报告用中位数和四分位距不要只报一次最好结果。4.3.2 越界解悄悄进到目标函数里SBX 交叉和多项式变异产生的子代大概率越界。如果统一入口不做边界修复ZDT 系列问题不大但 DTLZ 系列在 [0,1] 之外的目标值会让 HV 计算把参考点附近的区域算错。统一入口里在调用测试函数前强制做一次 x max(lb, min(ub, x))这一步必须发生在目标函数求值之前不能只修种群不修评价。4.3.3 重复解污染指标gamultiobj 和手写 NSGA-II 在迭代后期都会出现大量相同目标向量。重复解对 IGD 的 min 操作没有直接影响但对基于拥挤度的统计和 HV 精确算法有影响——HV 扫描过程会重复累加相同矩形。去重用 uniquetol(A, ByRows, true)容差取 1e-10 比较稳。多目标优化算法的对比结果如果要发表去重步骤要在方法描述里写清楚很多评审人会看这个细节。5. 多目标优化测试环境的三个进阶技巧并行重跑、扰动校验与业务问题接入环境跑通之后要应付的是实验规模30 个随机种子乘以 5 个测试函数乘以 3 个算法单线程跑要挂一个晚上。parfor 是性价比最高的提速方式前提是每次实验的结果独立落盘。seeds 1:30; parfor s seeds try run_experiment(zdt3, s, nsga2); % 内部 rng(s, twister) catch ME fprintf(seed %d failed: %s\n, s, ME.message); end end逻辑说明parfor 把 30 个实验分发到并行池的 worker 上每个 worker 的随机数流由 run_experiment 内部的 rng(seed, twister) 控制因此串行和并行结果完全一致。try-catch 是必须的单个 seed 失败不应拖垮整批实验失败记录在日志里跑完后单独重跑。参数说明并行池大小不要超过物理核心数用 parpool(local, min(coreNum, 30)) 显式指定机器内存紧张时把 PopulationSize 降到 100 比减少并行数更实际。第二个技巧是给测试环境加扰动把确定性 benchmark 变成鲁棒性校验。多目标优化算法在标准测试函数上收敛不代表在真实问题上稳定常见做法是每次评价时对决策变量加高斯噪声再比较噪声条件下的指标退化幅度。function f zdt1_robust(x, sigma) x x .* (1 sigma * randn(size(x))); % 决策变量乘性扰动 f zdt1_eval(x); end逻辑说明sigma 取 0.01 时扰动很小多数算法与无噪声版接近sigma 取 0.1 时依赖边界优势取胜的算法会明显退化。对比时用同一个扰动序列给所有算法即固定 rng 后再逐个算法评价否则噪声本身会淹没算法差异。参数说明这个方法只检验决策变量层面的鲁棒性目标函数参数不确定性需要另一种建模两类扰动不要混淆。第三个技巧是把业务问题注册进 bench_problem 的 case 分支。业务问题与标准测试函数的唯一区别是没有解析前沿因此指标侧把 IGD 换成「与已知最优解集的相对距离」HV 仍然可直接使用。接入时只需要满足一个契约输入是行向量输出是行向量目标数量固定。给业务问题写 case 分支时记得把边界 lb、ub 一并返回——很多自建问题跑飞问题不在算法在边界没进统一入口。这一条做到之后业务问题、ZDT、DTLZ 共用同一套种子管理、并行框架和结果落盘代码指标口径也不会在不同项目里漂移。多目标优化测试环境的约束对象不是算法而是所有对比实验必须站在同一条起跑线上。本文还有配套的精品资源点击获取
