简介这是一套基于NSGA-II并融合蚁群思想的多目标优化MATLAB代码包面向需要求解目标规划、工程设计或经济调度等冲突优化问题的学习者与研究者。压缩包共8个m文件包含种群初始化、非支配排序、锦标赛选择、遗传算子、染色体替换及目标函数评估等模块覆盖NSGA-II从初始解生成到帕累托前沿输出的完整流程可作为算法学习或二次开发的起点。资源仅12KB结构精简便于逐行阅读与修改适合有MATLAB基础并希望深入理解多目标进化算法细节的读者。目前已有145人学习。通过配套代码使用者可以快速搭建多目标优化实验框架自定义目标函数与约束条件观察非支配排序和选择压力的作用机制也可进一步将蚁群策略用于组合优化场景是一份实用且轻量的算法参考工具。1. 为什么多目标优化绕不开 NSGA-II一份 MATLAB 实现能做的事多目标优化和单目标优化的本质区别在于单目标只需要找一个最优解而多目标问题通常不存在唯一的最优解取而代之的是一组彼此不可比较的 Pareto 最优解集。NSGA-IINon-dominated Sorting Genetic Algorithm II之所以成为这个领域的事实标准核心在于它用非支配排序 拥挤度距离这两个机制在“收敛到真实 Pareto 前沿”和“解集在前沿上均匀分布”之间取得了平衡。工程调度、结构参数标定、经济成本与碳排放的联合优化这类问题最后都会落到“跑一次 NSGA-II看一组点”的流程上。手头这份压缩包里的 MATLAB 代码恰好覆盖了 NSGA-II 从初始化到进化迭代的完整链路nsga_2.m是主程序initialize_variables.m与initialize_variablesALL.m负责种群与变量初始化evaluate_objective.m是用户唯一需要改写的目标函数入口non_domination_sort_mod.m、tournament_selection.m、genetic_operator.m、replace_chromosome.m则依次完成排序、选择、遗传操作与精英替换。下面不绕弯子直接按代码执行顺序拆。2. 主循环怎么转起来nsga_2.m 的逻辑骨架与参数基线拿到任何进化算法代码第一步不要钻进细节函数里而是先看主程序。nsga_2.m把整个进化过程串成了“初始化 - 非支配排序 - 锦标赛选择 - 遗传操作 - 父子合并 - 精英替换”这条链每一代循环都跑一遍代数由gen控制。% nsga_2.m 核心流程骨架按原文件执行顺序整理 clear all; clc; global V M pop_size gen % V: 决策变量个数 M: 目标个数 pop initialize_variablesALL(pop_size, V, M); % 种群初始化 % 第一代先做一次非支配排序得到个体的 rank 和拥挤度 [pop, frontier] non_domination_sort_mod(pop, V, M); chromosome replace_chromosome(frontier, pop_size, pop, M, V); % 主进化循环 for i 1 : gen % 锦标赛选择从当前种群中挑出父代规模为 pop_size/2 pool tournament_selection(chromosome, V, M); % 遗传算子模拟二进制交叉(SBX) 多项式变异 [child_chromosome] genetic_operator(pool, V, M); % 父代 子代合并形成规模为 2*pop_size 的中间种群 intermediate_chromosome(1:pop_size, :) chromosome; intermediate_chromosome(pop_size1 : 2*pop_size, :) child_chromosome; % 对中间种群做非支配排序 [intermediate_chromosome, ~] non_domination_sort_mod(intermediate_chromosome, V, M); % 精英保留按 rank 分层填充同层按拥挤度排序截断到 pop_size chromosome replace_chromosome(intermediate_chromosome, pop_size, pop, M, V); end这段代码的节奏很典型每一代的中间种群规模是2 * pop_sizereplace_chromosome负责从这 2 倍规模的个体里筛回pop_size个。注意pop_size不是参数名而是数组名这是这份代码里一个容易让人混淆的命名习惯——pop_size是种群规模数值pop是初始化函数返回的数组replace_chromosome的第三个参数pop实际上只用了它的行数来保证返回规模。读代码时别被这个命名带偏。全局变量V决策变量个数和M目标个数贯穿所有函数。修改问题规模时只需要在主程序里改这两个值同时更新initialize_variablesALL.m中的变量边界和evaluate_objective.m中的目标函数定义。变量边界写死在初始化函数里这一点后面会专门展开。3. 初始化、目标评估与非支配排序种群数据结构的三种组织方式3.1 initialize_variables 与 initialize_variablesALL边界与随机种群的生成initialize_variables.m和initialize_variablesALL.m做的事情相似生成初始种群。区别在于后者可能是面向更多决策变量的完整版本。关键不是函数名而是返回的染色体矩阵的列结构这份结构决定了后面所有函数怎么读数据。% initialize_variablesALL.m 的核心逻辑 function f initialize_variablesALL(N, V, M) min_range zeros(1, V); % 变量下界 max_range ones(1, V); % 变量上界 for i 1 : N for j 1 : V f(i, j) min_range(j) (max_range(j) - min_range(j)) * rand(); end % 第 V1 到 VM 列留空等待 evaluate_objective 填入目标值 f(i, V 1 : V M) 0; end end初始化只做两件事在变量边界内生成均匀随机数预先分配目标值占位列。染色体矩阵的列布局是[决策变量1..V | 目标1..M]没有额外的 rank 和拥挤度列——那是在non_domination_sort_mod里动态拼接的。这种列布局是 NSGA-II 各种版本最常见的约定。min_range和max_range在源码里是零和一意味着决策变量默认落在[0,1]区间。实际问题里变量量纲差异巨大比如长度 0.01 米和成本 10000 元直接改这两个数组就能解决但注意replace_chromosome和tournament_selection都假设了“决策变量在前、目标值在后”的列布局改动初始化函数时不能破坏这个顺序。变量个数多于目标个数时这种布局的优势就体现出来了所有操作都按列偏移量寻址加变量只影响V的值其他函数几乎不用动。3.2 evaluate_objective.m用户唯一需要引入问题语义的文件整个压缩包里evaluate_objective.m是唯一把“算法”和“问题”耦合在一起的文件。算法考的是通用性但实际应用时这个文件里必须填入你自己的目标函数。% evaluate_objective.m 的调用约定 % x 是行向量决策变量函数返回目标值向量 f(1:M) function f evaluate_objective(x, M) % 示例双目标问题 f(1) x(1); % 目标1最小化 x1 f(2) (1 x(2)) / x(1); % 目标2最小化 (1x2)/x1 end改写这个函数时有一个坑NSGA-II 默认所有目标都是最小化方向。如果你的某个目标是最大化不要在外面加负号把它变成最小化——那样会改变 Pareto 支配关系的判定逻辑吗其实不会因为非支配排序只比较目标值的相对大小取负号只是把问题等价转换仍然正确。但有个细节值得注意目标值的量级差异对拥挤度距离影响极大。如果目标1 的数量级是 1e-3目标2 是 1e3拥挤度距离会被目标2 主导导致解在目标1 方向上聚集。常见做法是在evaluate_objective.m里做归一化或者给non_domination_sort_mod.m的排序逻辑里加权重但后者改动成本高优先推荐前者。3.3 non_domination_sort_mod.m快排与 NSGA-II 的核心机制这个函数是 NSGA-II 的灵魂。它的任务有两层先按 Pareto 支配关系把种群分成若干前沿层rank 1、rank 2……再计算每层内个体的拥挤度距离。% non_domination_sort_mod.m 的分层逻辑 % 用“每个个体被支配的次数 np”和“支配的个体集合 sp”构造帕累托前沿。 % 第一前沿np0 的所有个体去掉它们之后 % 对 sp 中每个个体的 np 减 1再次找出 np0 的个体作为第二前沿。上面这段是思路实际算法用了一个循环加一个列表来实现“逐层剥离”。复杂度在O(M * N^2)M是目标数N是种群规模。当种群规模到 500 以上、目标数到 5 以上时这部分的耗时占比会显著上升。如果跑大规模问题可以把排序部分替换成带参考点的快速非支配排序如 NSGA-III 的排序变体但这份代码里保留原版就好。拥挤度距离的计算在同一个函数内完成对每一前沿层按某一目标排序边界个体的拥挤度设成无穷大内部个体用相邻两个体在某个目标上的差除以整个目标范围。这个数值最终用于replace_chromosome的同层比较和tournament_selection的选择判据。4. 选择、交叉、变异与精英保留进化压力怎么落地4.1 tournament_selection.m 与 replace_chromosome.m两处“比较规则”的配合锦标赛选择和精英替换都使用“支配关系优先、拥挤度其次”的比较规则但应用的场合不同。tournament_selection是在当前种群中随机抽若干个个体两两比较胜者进入交配池replace_chromosome则是在合并后的中间种群中按 rank 升序逐层填充直到填满pop_size。% tournament_selection.m 的典型逻辑 function pool tournament_selection(chromosome, V, M) [pop_size, ~] size(chromosome); pool []; for i 1 : pop_size / 2 % 随机抽两个个体 candidate1 chromosome(randi(pop_size), :); candidate2 chromosome(randi(pop_size), :); % 支配关系优先互不支配则比拥挤度 if candidate1(VM2) candidate2(VM2) % rank 列 winner candidate1; elseif candidate1(VM2) candidate2(VM2) winner candidate2; elseif candidate1(VM3) candidate2(VM3) % 拥挤度列 winner candidate1; else winner candidate2; end pool [pool; winner]; end end注意列偏移量VM1是 rank 列VM2是拥挤度列不同版本偏移可能差一列。这段代码里 rank 列用的是VM2说明矩阵结构中 rank 占一列、拥挤度占一列且 rank 列在前。如果non_domination_sort_mod.m的输出列顺序不是这样选择逻辑就会错位。这是移植代码时最容易出 bug 的地方。replace_chromosome的替换策略决定了精英保留的强度。它按 rank 分层填充当某一层不能完全容纳时用拥挤度排序取靠前的个体。这保证了每代最好的解不会被交叉、变异破坏收敛速度比不带精英策略的第一版 NSGA 快得多。实际使用中要注意如果pop_size太小比如小于 20非支配层数多每一层可容纳的个体少拥挤度排序截断会比较频繁种群多样性会下降。4.2 genetic_operator.mSBX 交叉与多项式变异的参数敏感性genetic_operator.m使用模拟二进制交叉SBX和多项式变异这是 NSGA-II 的标配算子。SBX 的特点是子代在父代附近产生分布指数distribution_index通常记作eta_c控制子代偏离父代的程度。% genetic_operator.m 中 SBX 交叉的核心片段示意 % parent1, parent2 是两个父代个体 u rand(); if u 0.5 beta (2*u)^(1/(eta_c1)); else beta (1/(2*(1-u)))^(1/(eta_c1)); end child1 0.5*((1beta)*parent1 (1-beta)*parent2); child2 0.5*((1-beta)*parent1 (1beta)*parent2);eta_c越大子代越贴近父代eta_m多项式变异的分布指数越大变异步长越小。这套代码里这两个值通常在主程序或genetic_operator.m内部设为 20 左右这是 Deb 原始论文推荐的经验值。交叉概率p_c一般取 0.9变异概率p_m取1/V每个变量平均有一个变异机会。这三组数值构成了大多数 NSGA-II 应用的基线不需要频繁改动。真正需要调的往往不是这些算子参数而是种群规模和代数——种群太小Pareto 前沿覆盖不完整代数太少前沿还没收敛到真实位置。5. 把 NSGA-II 用到自己的问题上的 6 个细节与验证方法5.1 改造 evaluate_objective 时的约束处理工程问题很少没有约束。这份代码本身不提供约束处理机制但有一个常见技巧把约束偏差作为惩罚项写进目标函数。% 约束处理示例约束 g(x) 0违反量作为惩罚项加到目标值上 function f evaluate_objective(x, M) % 原始目标 f(1) x(1)^2 x(2); f(2) (x(1)-1)^2 x(2)^2; % 约束x(1)x(2) 2违反则惩罚 g x(1) x(2) - 2; penalty 1e6 * max(0, g); % 惩罚系数根据目标量级调整 f(1) f(1) penalty; f(2) f(2) penalty; end惩罚系数选多大是个学问。太小约束形同虚设太大目标值被惩罚项主导拥挤度距离失真。一个经验做法是把惩罚系数设为目标函数期望量级的 100~1000 倍然后运行一次观察违反约束的个体是否在几代内被淘汰。如果淘汰太慢系数加倍如果前沿出现不连续说明惩罚过重导致过渡区域被跳过。5.2 随机种子与实验重复性NSGA-II 依赖随机数生成。同一个问题跑两次结果不完全一样是正常的。做对比实验时用rng(seed)固定随机种子保证每次进化的起点一致。多跑几次取前沿的统计特征比如超体积指标 HV会比只看单次结果可靠得多。种子取不同值跑 10 次记录每次的前沿端点位置能大致判断算法稳定性。5.3 验证收敛性看前沿是否还在移动跑完主要实验后把每一代的前沿目标值集合打印出来观察最后几代的 Pareto 前沿是否还有明显变化。如果第 180 代和第 200 代的前沿几乎重叠说明基本收敛如果还在明显波动需要增加代数或种群规模。也可以用inspect或在 MATLAB 里用plot把每代最优个体画出来直观判断进化停滞的位置。另外这份代码里有一个容易被忽略的点gen是主程序中的迭代代数变量而M、V是全局变量。改完参数后运行前先确认工作区没有残留变量否则global声明可能读到上一次运行的旧值导致结果莫名异常。用clear all开头正是为了规避这个问题。5.4 列偏移量核对是移植的第一道关如果把这份代码集成到自己的工程里最值得花时间的地方是弄清楚每个函数的输出矩阵列结构。建议用一个小脚本打印non_domination_sort_mod的列数确认 rank 和拥挤度的列位置再回头检查tournament_selection和replace_chromosome里读取的列偏移量是否一致。这部分一旦错位轻则选择压力反转重则索引越界直接崩。多目标优化的调参没有银弹但这套代码把 NSGA-II 的最小闭环做得足够干净改目标函数和边界、设好种子、跑上 200 代是从“看代码”到“用起来”最短的路径。本文还有配套的精品资源点击获取
