python NSGA-II 算法

NSGA-II 算法

NSGA-II 提出的 NSGA的缺点

• 算法计算量大。NSGA算法的计算复杂度与种群数量N、目标函数个数m的关系为T = O(mN3)，当种群规模较大、目标函数较多时所耗时间较长。
• 没有应用精英策略。未通过精英策略提高优秀个体的保留概率，因而无法加快程序的执行速度
• 需要人为地指定共享半径σshare，对于经验的要求非常高。

为了改善NSGA算法的缺点，Deb等人在2002年提出了NSGA-II算法[44]。相对于NSGA算法，NSGA-II算法主要在以下三个方面做了改进：

（1）NSGA-II算法使用了快速非支配排序法，将算法的计算复杂度由O(mN3)降到了O(mN2)，使得算法的计算时间大大减少。

（2）采用了精英策略，将父代个体与子代个体合并后进行非支配排序，使得搜索空间变大，生成下一代父代种群时按顺序将优先级较高的个体选入，并在同级个体中采用拥挤度进行选择，保证了优秀个体能够有更大的概率被保留。
（3）用拥挤度的方法代替了需指定共享半径的适应度共享策略，并作为在同级个体中选择优秀个体的标准，保证了种群中个体的多样性，有利于个体能够在整个区间内进行选择、交叉和变异。

实践证明，NSGA-II算法无论在优化效果还是运算时间等方面都比NSGA算法有了一定的改进，是一种优秀的多目标优化算法。

快速非支配排序

快速非支配排序是在Pareto支配基础上提出的概念。假设有k个目标函数记为f