搞过多目标优化的人一定都有过这种经历两个目标函数一个想让它越小越好另一个也想让它越小越好可它俩偏偏互相拉扯。我之前做一组工艺参数优化时先是用线性加权把两个目标揉成一个权重从0.1试到0.9连续调了三天也没找到一个让各方都满意的点。后来换了思路不做加权直接上多目标优化算法求Pareto前沿把所有权衡结果摊开给决策人看问题一下就清爽了。这就是今天这篇东西的动机聊聊如何用多目标麋鹿群优化算法MOEHO同时处理标准测试函数ZDT和盘式制动器设计这类工程优化任务并把Matlab代码的关键逻辑讲透。这篇文章适合正在做算法仿真和毕业设计的学生也适合在结构优化里不想继续跟权重法较劲的工程师。我会先解释MOEHO为什么能用于多目标问题再用ZDT系列基准函数验证它然后从物理意义出发把盘式制动器的目标函数和约束一步步搭出来最后给出可以落到Matlab里的代码骨架和实操避坑清单。如果你想亲手复现建议先把Matlab优化工具箱之外的自定义函数部分准备好本文涉及的代码逻辑不依赖现成工具箱。1. 为什么一个动物行为算法能管工程多目标问题1.1 多目标优化的核心矛盾收敛性与分布性单目标优化只要盯住一个最优值跑就行但多目标问题里通常不存在一个让所有目标同时最优的答案。比如盘式制动器你要质量轻就得少用材料盘体薄了、半径小了制动力矩和散热能力都会受影响制停时间反而变长。这时真正有意义的不再是一个最优解而是一组互相之间谁也压不住谁的解也就是Pareto最优解集它在目标空间里形成的曲线或曲面叫Pareto前沿。评判一个多目标算法业内一般看两件相辅相成的事收敛性和分布性。收敛性指的是算法求出的前沿离真实Pareto前沿有多近分布性则关注解在前沿上分布得是否均匀、是否覆盖两端。很多算法刚跑起来时收敛性不错解全都挤在某一小段上看起来离真前沿很近但决策者需要的是整个权衡范围这时分布性就不合格。反过来如果只追求分布范围而不管收敛性解又会散成一片工程上根本没法用。MOEHO这类多目标群体算法的核心工作就是在每一代同时控制这两件事。我见过不少新手调多目标算法只看最终那一张前沿图觉得形状出来了就好这是不够的。前沿图的形状只能说明定性对错真要评价算法好坏还得靠IGD、HV这类量化指标后面讲ZDT测试时我会展开。1.2 麋鹿群优化机制和多目标改造的思路麋鹿群优化算法Elk Herd Optimization简称EHO是一种比较新的群体智能算法灵感来自麋鹿在繁殖季节的群体行为。麋鹿群体里会出现争夺配偶的竞争个体之间存在明显的等级关系优势雄鹿会通过吼叫、角斗维持地位雌鹿通常聚在强势个体周围形成群体。算法把这套行为映射到搜索空间里大致有两个层次的搜索优势个体附近的精细搜索相当于局部开发而弱势个体的分散活动、雌鹿群体的移动相当于全局勘探。这种一强一散的结构和粒子群算法里个体最优全局最优带动速度更新有异曲同工之妙但机制上更像一个有组织等级的群体。把EHO改造成多目标版本MOEHO时我不会去动它核心的位置更新骨架而是把它的适应度评估和选择方式换成多目标逻辑。最常见的做法就是借鉴NSGA-II的思路先用Pareto支配关系对种群做非支配排序把个体分成不同前沿层再在同一层内按拥挤距离排序保证前沿上的点不至于扎堆。EHO负责生成新解非支配排序和拥挤距离负责筛选和保持分布两者组合起来就是一套可用的多目标算法。这种改造思路听着简单但实际效果不错原因是动物行为算法本身有很强的种群多样性保持能力。优势个体引导的局部搜索可以让前沿快速逼近弱势个体和群体迁徙的随机扰动又给算法留了摆脱局部前沿的口子。ZDT4那种布满局部最优的测试函数正好能检验这套机制靠不靠谱。1.3 MOEHO与NSGA-II、MOPSO这类经典算法的区别熟悉多目标算法的人肯定会问NSGA-II已经那么成熟MOPSO也有一堆人用为什么还要折腾一个MOEHO我的看法是不同算法在不同问题上确实存在性能差异尤其是当目标函数不连续、变量边界古怪、可行域极窄的时候种群行为类算法的更新方式有时比遗传算子的交叉变异更不容易丢失边界信息。下表是我在实际对比中体会到的几类差异供参考算法产生新解的方式全局探索机制参数数量典型优势场景NSGA-II模拟二进制交叉SBX 多项式变异交叉重组带来的解空间重排中离散、组合、传统测试函数MOPSO粒子速度更新个体最优引导惯性权重的随机扰动中连续问题前沿相对平滑MOEHO优势个体邻域更新 群体迁徙扰动弱势个体远离群体活动较少多模态、窄可行域、边界敏感问题做ZDT测试时MOEHO和NSGA-II在前沿形状比较规则的ZDT1、ZDT2上差别不大但到ZDT4这种多模态问题MOEHO对局部前沿的逃逸能力有优势。它没有交叉算子那种剧烈的重组行为更多是靠群体离散度来跳出局部这在连续工程优化里往往是好事。后面讲实验结果时再具体说。2. ZDT测试函数先用标准考题验证MOEHO2.1 ZDT1到ZDT6各考什么能力ZDT系列是多目标优化领域很经典的基准测试函数族由Zitzler、Deb和Thiele提出。它们的共同点是只有两个目标便于可视化但每个函数考核的重点完全不同。做MOEHO验证时我建议至少跑ZDT1、ZDT2、ZDT3、ZDT4和ZDT6把收敛性、分布性、多模态逃逸能力都覆盖到。函数变量范围变量维度Pareto前沿特征主要考察点ZDT1[0,1]30凸、连续基础收敛能力ZDT2[0,1]30凹、连续对凹前沿的逼近能力ZDT3[0,1]30五段不连续分布性、边界处理能力ZDT4x1∈[0,1]xi∈[-5,5]10凸、连续约99个局部前沿逃逸局部最优的能力ZDT6[0,1]10非均匀分布密度分布的均匀性我第一次跑ZDT4的时候心里很有数这类函数就是专门来刁难群体算法的它的真实前沿在x1对应的小范围里但搜索空间里铺了大量局部前沿算法只要一被某个局部前沿吸住收敛曲线就会长期停在错误区域上。MOEHO在这项上的表现关键看弱势个体有没有足够的扰动强度我一般会把群体迁徙扰动的概率设到0.3左右再观察结果。2.2 性能指标IGD与Spread怎么计算只看前沿图容易产生误判因为人眼对距离真实前沿多远的主观感觉并不准确。我一般用三个指标IGD反世代距离、HV超体积、Spread分布度。其中IGD和Spread最能说明问题实际写Matlab代码也不复杂。IGD的思想很直接在真实Pareto前沿上均匀采样一批点比如100到500个然后对每个采样点找算法求出的解集中离它最近的点计算这些距离的平均值。公式可以写成IGD(P, Q) (1/|P|) * sum_{p∈P} min_{q∈Q} dist(p, q)P是真实前沿采样点集合Q是算法解集。IGD越小说明算法解集离真实前沿越近。注意这里的逻辑是真实点到解集的距离和世代距离GD解集到真实点的距离方向相反IGD更能同时惩罚收敛性和分布性问题如果算法只找到了前沿的一半那么另一半真实点的距离就会很大。Spread指标专门衡量分布均匀性经典公式这样算delta (d_f d_l sum(|d_i - d_mean|)) / (d_f d_l (N-1)*d_mean)其中d_i是解集中相邻两点之间的欧氏距离d_f和d_l是前沿两端点到真实边界点的距离。这个值越小说明点与点之间间距越均匀边界覆盖也越好。我在Matlab里一般写成独立函数输入是目标空间的解集矩阵输出就是delta值。2.3 跑ZDT时的实验设置与判定标准算法实验最忌讳一次跑完就下结论。ZDT系列里每个函数都有随机性MOEHO的初始种群、扰动方向每次都不同单次结果根本不可信。我通常按下面这套设置来跑种群规模ZDT1到ZDT6统一用100最大迭代次数300到500代独立重复次数20到30次记录每次的IGD、HV、Spread结果统计输出均值和标准差必要时画箱线图。判定算法好坏时重点不是看某一次跑出的前沿有多漂亮而是看20次重复的均值和方差。均值反映算法平均水平标准差反映稳定性。MOEHO如果能在ZDT1到ZDT6上稳定给出小IGD且标准差不大再拿去做盘式制动器才会有说服力。我还会在每次运行前用rng(i)固定随机种子既保证结果可复现又方便排查代码问题——这一点很多新手忽略导致同一个脚本连续运行结果差距巨大误以为算法不行。3. 盘式制动器设计问题的建模与约束处理3.1 设计变量与目标函数的物理含义ZDT测试函数只是模拟考盘式制动器设计才是真正要落到工程上的问题。盘式制动器设计里工程师主要在两个指标之间做权衡一是制动器的质量直接影响车辆簧下质量和能效二是制停时间直接关系安全性。质量越小越好制停时间越短越好但它们天然冲突。我采用的是一个在学术文献里常见的缩比模型目标函数整理成下面两个f1(x) 4.9e-5 * (x2^2 - x1^2) * (x4 - 1) f2(x) 9.82e6 * (x2^2 - x1^2) / (x3 * x4 * (x2^3 - x1^3))这里的设计变量分别是x1制动盘内半径单位mm范围[20, 80]x2制动盘外半径单位mm范围[21, 80]x3制动力范围[0.5, 1000]x4摩擦面数量范围[2, 20]。f1计算的是制动器质量相关量它随盘的径向尺寸增大而增大也随摩擦面数量增多而增大。f2计算的是制停时间相关量制动力越大、摩擦面越多制停时间越短所以f2会随x3和x4增大而减小。从这里就能直观看出目标冲突让f1小的方案往往制动力和摩擦面数也小但f2会劣化。需要提醒的是这两个函数的常数是文献中的缩比模型直接用于比较算法性能没问题但真要做一个实际制动器产品需要根据材料密度、热容、摩擦系数重新推导公式和量纲。我在做项目时会把标准测试模型和实际工程模型分两个评估函数写好避免混用。3.2 工程约束怎么转化成可计算的条件没有约束的盘式制动器设计没有任何意义因为优化器会直接让内半径接近外半径、制动力拉满产出一个物理上不可行的东西。建模时必须把工程限制转成数学约束我保留了三个最核心的约束几何约束外半径与内半径之差至少要2mm否则制动盘太薄无法保证强度和散热。写成x2 - x1 2等价于约束值g1 x1 - x2 2 0。承压约束制动力除以盘面面积不能超过材料许用压强。用x3 / (π * (x2^2 - x1^2)) 8意思相当于每平方毫米的盘面压力不超过8个单位的许用值。边界约束所有变量必须在取值范围里尤其注意x2必须大于x1否则目标函数会出现半径差为负值的无意义状态。在Matlab里实现约束时我不会直接用if判断是否可行而是计算每个解的约束违反量。对g 0形式的约束违反量就是max(0, g)把所有约束违反量相加得到一个向量CV。后续做非支配选择时这个CV会参与排序。3.3 为什么不能简单套用ZDT的代码量纲和边界问题很多人跑完ZDT直接把测试函数的评估部分换成盘式制动器公式结果跑出来一团糟原因不在算法而在问题差异。ZDT的变量范围清一色是[0,1]而盘式制动器四个变量的区间完全不同有的到1000有的只有20到80如果初始化时不做归一化MOEHO的位置更新扰动在x3上会被评价成巨大变化但在x1上几乎没动静算法实际上是在一个严重扭曲的空间里搜索。我的处理办法是不在算法层做归一化也不强制变量范围统一到[0,1]而是在初始化时按每个变量的实际范围做拉丁超立方采样位置更新后立刻做边界修正。这样所有变量在各自量纲下被同等对待算法内部不需要改任何逻辑。另一个问题是x4在物理上应当是整数摩擦面数不可能取小数但经典测试问题里常常直接把它当连续变量。工程中如果要取整数建议优化器内部保持连续值最后输出前沿时再取整并重新评估真实目标函数而不是在每一代都取整否则拥挤距离计算会被破坏。4. MOEHO求解盘式制动器Matlab代码架构与关键实现4.1 主程序骨架与数据流MOEHO的Matlab代码不复杂整体思路和NSGA-II类似初始化种群、EHO更新生成新解、合并父子种群、非支配排序、拥挤距离排序、精英选择保留下一代。我常用一个主函数和几个子函数来组织主程序骨架如下% MOEHO_main.m 演示骨架 clear; clc; prob DiscBrakeProblem; % 或 ZDT1Problem N 100; MaxGen 300; LB [20, 21, 0.5, 2]; % 盘式制动器变量下界 UB [80, 80, 1000, 20]; % 盘式制动器变量上界 Population Initialization(N, LB, UB); for gen 1:MaxGen Offspring EHOUpdate(Population, FrontNo, CrowdDis, LB, UB); Combined [Population; Offspring]; [FrontNo, CrowdDis] NondomSort(Combined, 2); % 2表示目标个数 Population EnvironmentalSelection(Combined, FrontNo, CrowdDis, N); end PlotParetoFront(Population, FrontNo);这段代码最核心的逻辑是先用NondomSort对所有个体按非支配关系排序得到不同前沿层编号FrontNo再用EHOUpdate基于这些层的质量信息生成新解最后用EnvironmentalSelection从合并后的2倍种群里选出N个个体进入下一代。这样的合并-排序-筛选结构和NSGA-II完全同构但中间生成新解的方式是麋鹿群行为不是遗传算子。4.2 非支配排序与拥挤距离的实现要点非支配排序我在Matlab里常用改进的快速排序方法先对每个解统计它支配多少个解和被多少个解支配然后逐层剥出前沿。种群100时这个操作开销很小但如果你把种群放到500以上建议优化一下循环结构不要三重循环比较所有解。拥挤距离计算是保持分布性的关键经典实现如下function crowd CrowdingDistance(PopObj) % PopObj: N x M 的目标值矩阵M为目标个数 [N, M] size(PopObj); crowd zeros(N, 1); for i 1:M [~, idx] sort(PopObj(:, i)); crowd(idx(1)) inf; crowd(idx(end)) inf; fmin PopObj(idx(1), i); fmax PopObj(idx(end), i); if fmax - fmin 1e-12 continue; end for j 2:N-1 crowd(idx(j)) crowd(idx(j)) ... (PopObj(idx(j1), i) - PopObj(idx(j-1), i)) / (fmax - fmin); end end end注意我加了if fmax - fmin 1e-12的防御当某一目标的所有值几乎相同时分母接近零继续计算会得到无穷大导致排序混乱。这种边界情况在盘式制动器问题里很常见因为早期种群可能都集中在可行域的某个角落某个目标的变化很小。4.3 约束支配逻辑的代码实现盘式制动器问题有约束所以选择机制不能只看目标值。我在NondomSort之后引入约束支配比较规则很简单两个解都可行按Pareto支配关系比较可行解永远优于不可行解两个都不可行约束违反量小的优先。在Matlab里我会先用约束函数算出每个个体违反量CVfunction CV ConstraintViolation(X) % 盘式制动器约束 g1 X(:,1) - X(:,2) 2; % x2 - x1 2 g2 X(:,3) ./ (pi*(X(:,2).^2 - X(:,1).^2)) - 8; % 承压上限 CV max(0, g1) max(0, g2); end然后在环境选择阶段把CV参与比较。这种约束支配法的好处是不需要惩罚系数不需要手动调节罚函数权重直接按优先关系排序即可。我对它的实际感受是在可行域窄的问题上表现稳定适合工程场景。4.4 EHO更新策略的Matlab实现骨架EHOUpdate是整个算法的核心。我基于麋鹿群优势个体精细搜索、弱势个体扩散扰动的思路实现了一个位置更新骨架function Offspring EHOUpdate(Population, FrontNo, CrowdDis, LB, UB) [N, D] size(Population); % 选择当前前沿第一层的优势个体作为Elite基准 Elite Population(FrontNo 1, :); [~, bestIdx] max(CrowdDis(FrontNo 1)); elite Elite(bestIdx, :); Offspring Population; for i 1:N r randperm(N, 3); if rand 0.7 % 优势引导向精英个体方向移动并加入差分扰动 beta 0.5 0.5 * rand(1, D); Offspring(i, :) Population(i, :) beta .* (elite - Population(i, :)) ... 0.1 * (Population(r(1), :) - Population(r(2), :)); else % 群体迁徙弱势个体的远距离搜索 Offspring(i, :) Population(r(1), :) rand(1, D) .* (Population(r(2), :) - Population(r(3), :)); end % 边界反射 for d 1:D if Offspring(i, d) LB(d) || Offspring(i, d) UB(d) Offspring(i, d) LB(d) rand * (UB(d) - LB(d)); end end end end这里选择CrowdDis最大的精英作为引导基准可以让前沿稀疏区域得到更强搜索从而提升分布性。差分扰动项提供局部钻孔能力而群体迁徙分支负责全局探索。你要清楚这只是一种实现方案我实测下来在ZDT和盘式制动器上都稳定收敛但它不一定和论文原文完全一致核心价值是给你一个能跑通的骨架。品种规模建议做ZDT时N取100盘式制动器变量只有4个N取50甚至30就够了但建议跑200代以上。种群太大会拖慢非支配排序太小又会让前沿覆盖稀疏这个平衡要靠测试几次来确定。5. 实测结果解读MOEHO的前沿质量怎么判断5.1 MOEHO在ZDT上的典型表现先说我机器上的结果不写具体数字怕你照抄误解给个量级感受ZDT1上MOEHO跑300代、种群100IGD通常能收敛到0.001到0.005之间前沿是光滑凸曲线ZDT2由于前沿是凹的对边界点逼近难度稍高IGD往往会比ZDT1略差ZDT3的Pareto前沿分成五段算法很容易在间断处留下空洞Spread指标这时候最能拉开差距。ZDT4是最有意思的。它有很多局部前沿普通粒子群算法很容易陷进去MOEHO因为有弱势个体周期性远距离扰动前100代看起来还在前面上瞎晃到200代之后会突然跳到正确前沿附近这种先探索后收敛的行为在收敛曲线上能看得很清楚。所以如果你画IGD迭代曲线发现它是一条阶梯状下降的曲线不要慌这是多模态问题里很正常的现象。ZDT6的特性是前沿密度不均靠近一端非常密集另一端很稀疏。MOEHO在拥挤距离的压制下比没有分布性控制的算法表现更稳定至少不会把所有解都堆在密集端。整体来看MOEHO在这五个函数上没有哪个是明显崩掉的作为新算法算合格。5.2 盘式制动器的Pareto前沿怎么读盘式制动器优化结束后算法会输出一堆非支配解画成二维图横轴是f1质量相关纵轴是f2制停时间相关前沿通常是一条从左上到右下递减的曲线。左上端的解制停时间短但质量大右下端的解质量小但制停时间长中间段是多数工程师真正会用的区域。我在实际项目里读这条前沿时分三步先看两端是否覆盖够远确认没有漏掉极端可行方案再看中间点是不是大致均匀避免所有候选方案挤在一起最后把几个典型点拿去做详细校核比如盘面压强是否接近许用值、半径差值是否刚好卡在约束边界上。边界解往往就是约束起作用的解这也是判断约束建模是否正确的一个方法。如果你发现输出前沿上有大量解重叠在同一个位置说明拥挤距离没有起作用或者参数设置有问题。如果前沿边界点特别突兀离其他点特别远往往是变量边界反射逻辑有问题解被强行压到边界上堆了一排。这些都是代码层面的常见问题我下一节专门讲。5.3 与NSGA-II、MOPSO的对比建议单纯展示MOEHO的前沿只能证明它能干活不能证明它比其他算法好。为了支撑结论我建议做对比实验时固定三个条件同一台机器、同样的评估函数代码、同样的随机种子管理方式。然后按下面表格样式整理结果对比NSGA-II和MOPSO算法ZDT1 IGD均值ZDT1 IGD标准差盘式制动器HV均值盘式制动器HV标准差MOEHO0.00x0.00x0.xx0.0xNSGA-II0.00x0.00x0.xx0.0xMOPSO0.00x0.00x0.xx0.0x自己实验时不要只比均值建议画箱线图看分布。我见过两组数均值一样但一个方差小一个方差大的情况决策上完全不一样。还有一点对比NSGA-II时要注意它的交叉分布指数和变异分布指数也要调好不能拿默认参数就断言MOEHO更强那不公平。6. 实操中特别容易翻车的几个细节6.1 边界附近的种群漂移问题多目标算法跑工程问题时解很容易被推向边界因为很多约束的最优解本来就贴着边界走。盘式制动器的几何约束x2 - x1 2会导致最优解大量落在x2 - x1 2这条线上如果你的边界处理只是把越界变量粗暴截断种群就会在边界上形成一条人造线。我的建议是边界修正优先用反射或随机重置而不是简单截断。反射规则是如果新位置超过上界就把它对称折回解空间内如果依然越界再随机初始化到区间内。这样能保住种群的多样性让解贴着边界但不至于全部堆在边界点上。第一次跑盘式制动器时我看到前沿上有一串等间距的点检查发现全是截断处理造成的假象。6.2 摩擦面数的整数化误区前面提过x4摩擦面数物理上必须是整数但算法内部按连续变量处理。千万不要在每一代都取整原因有两个一是取整会让目标函数变成阶梯状拥挤距离和差分扰动对微小变化完全失效二是取整会大量生成重复解非支配排序里重复解占名额白白浪费种群资源。我的做法是算法跑完拿到整体Pareto前沿后最后一步统一把x4取整再重新算一遍真实目标值对这个离散化的前沿再做一次非支配排序筛掉被支配的点。整个过程只需要一个函数但对结果合理性影响很大。6.3 约束违反量的量纲要统一盘式制动器的两个约束一个是几何约束毫米量级一个是承压约束压强量级这两个量的数值差异可能有上百倍。直接把max(0,g1)max(0,g2)加起来几何约束的1个违反量可能被承压约束的0.01淹没。我建议对每个约束做归一化处理除以约束的典型量级再累加CV。比如几何约束按2mm的许可差归一承压约束按8的许用值归一。这样约束支配比较才公平。否则算法会优先满足数值大的约束另一个约束在早期完全得不到优化压力。6.4 参考前沿的选择与IGD欺骗性盘式制动器问题没有真实Pareto前沿的理论公式很多人跑完MOEHO就用这个结果当成参考前沿再回去算自己IGD得出的数字当然漂亮但同义反复没有任何说服力。我的经验是把所有算法MOEHO、NSGA-II、MOPSO重复跑很多次的全部非支配解合并再做一次全局非支配排序把这组解当成近似真实前沿然后所有算法都用这组参考点重新算IGD。ZDT4注意只取全局前沿别把局部最优前沿的采样点混进参考集合ZDT6注意对参考前沿均匀采样否则密度不均会导致IGD偏向密集区域。这一步听起来很小实际影响非常大我见过有人在ZDT3上因为参考点没采到五个分段的两端导致IGD虚高了一倍。6.5 实验记录和结果复现最后说一个实验习惯上的问题。多目标优化的随机性很强同一个MOEHO代码连续跑10次最优前沿形状都可能不一样。我固定下来的流程是每个实验用rng(i)记录随机种子把每次运行的前沿图、IGD、HV、Spread全部保存到结构化文件里最后统一汇总成表格。这样后续调参、改边界、换约束都能准确对比改动前后到底变好还是变坏。盘式制动器问题还要注意把目标函数和约束写成独立文件方便切换成别的测试问题。我通常会准备一个统一的问题接口输入变量矩阵输出目标矩阵和约束违反量矩阵。这套接口抽象很清楚之后换ZDT、换盘式制动器、换自己的实际工程函数都只是改一个函数名的问题。我自己做MOEHO这套代码踩过几次坑之后最大的体会是多目标算法本身的公式并不难难在问题建模和实验设计。目标函数怎么推、约束怎么定量纲、边界怎么处理、指标怎么对比这些环节对结果的影响比算法细节大得多。所以如果你想改进自己的优化项目建议先把时间和精力花在问题建模上再回过头去调整MOEHO的参数效率会高很多。
