NSGA-II：快速非支配排序遗传算法

最新推荐文章于 2025-04-18 20:37:23 发布

handsomeboysk

最新推荐文章于 2025-04-18 20:37:23 发布

阅读量1.9k

点赞数 28

文章标签：大数据

本文链接：https://blog.csdn.net/handsomeboysk/article/details/145879503

版权

NSGA-II：快速非支配排序遗传算法（Fast Elitist Non-Dominated Sorting Genetic Algorithm）

在多目标优化（Multi-Objective Optimization, MOO）中，我们通常希望同时优化多个相互冲突的目标，而不是简单地找到一个最优解。NSGA-II（Non-dominated Sorting Genetic Algorithm II，快速非支配排序遗传算法 II）是一种强大的多目标优化算法，广泛应用于工程、金融、人工智能等领域。

1. NSGA-II 的核心思想

NSGA-II 是 Deb 等人在 2002 年提出的一种改进的遗传算法（GA），其核心思想包括：

非支配排序（Non-dominated Sorting）：对种群进行排序，优先保留Pareto 最优解。
拥挤度计算（Crowding Distance Calculation）：在相同支配层次（front）的个体中，选择分布均匀的解。
精英保留策略（Elitism）：下一代种群不仅包括子代，还包括当前种群中最优的个体。

2. 数学原理

2.1 Pareto 最优解

一个解 $x$ 被称为 Pareto 最优解，如果不存在另一个解 $y$ 满足：
$\forall i, f_i(y) \leq f_i(x) \quad \text{且} \quad \exists j, f_j(y) < f_j(x)$
其中 $f_i(x)$ 代表目标函数值。

Pareto 前沿（Pareto Front） 由所有 Pareto 最优解组成的集合形成。

2.2 非支配排序

定义种群中的每个个体 $x$ 的支配度（dominance count） $n_x$ ，表示支配它的个体数量。然后进行层级划分：

第一层 Pareto 前沿（Front 1）： $n_x = 0$ 的个体。
第二层 Pareto 前沿（Front 2）：仅被 Front 1 个体支配的个体。
依次递推，直到所有个体被分类。

2.3 拥挤度计算（Crowding Distance）

拥挤度衡量了解在 Pareto 前沿上的分布情况：
$\sum_{m=1}^{M} \left( \frac{f_m^{i+1} - f_m^{i-1}}{f_m^{\max} - f_m^{\min}} \right)$
其中， $f_m^i$ 代表目标函数 $f_m$ 的第 $i$ 个个体， $f_m^{\max}$ 和 $f_m^{\min}$ 分别为该目标的最大值和最小值。

3. NSGA-II 的实现步骤

Step 1：初始化种群

随机生成一组个体，每个个体代表一个可能的解。

Step 2：非支配排序（Non-dominated Sorting）

NSGA-II 采用快速非支配排序方法，将种群划分为多个非支配层（Fronts）：

第一层包含所有非支配解。
第二层包含被第一层支配但不被彼此支配的解。
依次类推，直到所有个体都被分类。

Step 3：计算拥挤距离（Crowding Distance）

为了保持 Pareto 前沿的均匀分布，NSGA-II 计算个体的拥挤距离（Crowding Distance）：

拥挤距离衡量了一个解与其他解之间的间隔。
距离大的个体优先保留，以确保解的多样性。

Step 4：选择（Selection）

采用 锦标赛选择（Tournament Selection），优先选择非支配层级更低或拥挤距离更大的个体。

Step 5：交叉（Crossover）与变异（Mutation）

交叉：使用模拟二进制交叉（SBX, Simulated Binary Crossover）生成新个体。
变异：采用多项式变异（Polynomial Mutation）增加解的多样性。

Step 6：生成下一代（Next Generation）

结合当前种群和子代种群。
进行非支配排序并按 Pareto 层级和拥挤度选择个体，形成下一代。
迭代至最大代数。

示例问题

假设我们有两个目标函数：
$f_1(x) = x^2$
$f_2(x) = (x - 2)^2$
目标是同时最小化 $f_1$ 和 $f_2$ 。

4. Python 代码示例

使用 DEAP（Distributed Evolutionary Algorithms in Python）实现 NSGA-II 解决上述示例问题。

import random
import numpy as np
from deap import base, creator, tools, algorithms
import matplotlib.pyplot as plt

# 定义多目标优化问题（最小化）
creator.create("FitnessMulti", base.Fitness, weights=(-1.0, -1.0))  # 最小化两个目标
creator.create("Individual", list, fitness=creator.FitnessMulti)

# 初始化种群
toolbox = base.Toolbox()
toolbox.register("attr_float", random.uniform, -10, 10)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=1)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

def evaluate(individual):
    x = individual[0]
    return x**2, (x - 2)**2  # 目标函数 f1(x), f2(x)

toolbox.register("mate", tools.cxBlend, alpha=0.5)
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.2)
toolbox.register("select", tools.selNSGA2)
toolbox.register("evaluate", evaluate)

def main():
    pop_size = 100  # 种群大小
    generations = 100  # 迭代次数
    pop = toolbox.population(n=pop_size)

    stats = tools.Statistics(lambda ind: ind.fitness.values)
    stats.register("min", np.min)
    stats.register("max", np.max)

    pop, logbook = algorithms.eaMuPlusLambda(pop, toolbox, mu=pop_size, lambda_=pop_size,
                                              cxpb=0.7, mutpb=0.2, ngen=generations,
                                              stats=stats, halloffame=None, verbose=True)
    return pop

if __name__ == "__main__":
    pop = main()
    
    # 获取 Pareto 前沿解
    pareto_front = np.array([ind.fitness.values for ind in pop])
    
    # 可视化 Pareto 前沿
    plt.scatter(pareto_front[:, 0], pareto_front[:, 1], c='b', label='Pareto Front')
    plt.xlabel("f1(x) = x^2")
    plt.ylabel("f2(x) = (x - 2)^2")
    plt.legend()
    plt.title("NSGA-II Pareto Front")
    plt.show()