非支配排序遗传算法 NSGA-II(Non-dominated Sorting Genetic Algorithms-Ⅱ)

1.带精英策略的非支配排序的遗传算法(NSGA-II)

2000年，Deb又提出NSGA的改进算法一带精英策略的非支配排序遗传算法(NSGA-II），针对以上的缺陷通过以下三个方面进行了改进：

1.提出了快速非支配排序法，降低了算法的计算复杂度。

2.提出了拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性。

3.引入精英策略，扩大采样空间。将父代种群与其产生的子代种群组合，共同竞争产生下一代种群，有利于保持父代中的优良个体进入下一代，并通过对种群中所有个体的分层存放，使得最佳个体不会丢失，迅速提高种群水平。
 

2.基本原理

2.1快速非支配排序法

    首先解释一下什么叫支配

   

在生成最优的帕累托前沿（Rank 1）前，可能会生成多个rank。那么快速非支配排序就是按照这个rank序列来进行一个排序。

NSGA-II对第一代算法中非支配排序方法进行了改进：对于每个个体 i 都设有以下两个参数 n(i) 和 S(i)，

1.n(i) 为在种群中支配个体 i 的解个体的数量。（别的解支配个体 i 的数量）

2.S(i) 为被个体 i 所支配的解个体的集合。（个体 i 支配别的解的集合）

（1）通过循环比较找到种群中所有ni = 0的个体，赋予其非支配等级为1，并将这些个体存入非支配集合rank1中。

（2）集合rank1中的每一个个体，将其所支配的个体集合中的每个个体的nj都减去1，若nj-1=0则将个体j存入集合rank2中，并赋予其中的个体非支配等级2。

（3）之后对rank2中的个体重复上述操作，直至所有个体都被赋予了非支配等级。

非支配等级也称作Pareto等级，其中Pareto等级为1的个体由于不受其他个体的支配，叫做非支配解，也叫 Pareto最优解，而解集所形成的曲线叫做Pareto前沿。

  仔细理解一下就是 ni=0时，rank =1 是Pareto最优解，里面的个体会支配一些个体集合。nj是种群中支配个体j的的解个体数量,如果nj-1=0，证明此事n（j）已经没有可以支配的其他个体了，那么久赋予其中个体非支配等级2。（这一段需要好好体会一下）

2.2确定拥挤度

        在原来的NSGA中，我们采用共享函数以确保种群的多样性，但这需要由决策者指定共享半径的值。为了解决这个问题，我们提出了拥挤度概念：在种群中的给定点的周围个体的密度，它指出了在个体 i 周围包含个体 i 本身但不包含其他个体的长方形（以同一支配层的最近邻点作为顶点的长方形）

  由于经过了排序和拥挤度的计算，群体中每个个体 i 都得到两个属性：非支配序 i(rank) 和拥挤度 ，则定义偏序关系：当满足条件 i(rank) <j(rank) ，或满足 i(rank) = j（rank） 且id >jd 时，定义，也就是说：如果两个个体的非支配排序不同，取排序号较小的个体(分层排序时，先被分离出来的个体)；如果两个个体在同一级，取周围较不拥挤的个体。

   总的来说就是优先选择rank其次是distance

2.3 精英策略

NSGA-II算法引入了精英策略，达到保留优秀个体淘汰劣等个体的目的。精英策略通过将父代与子代个体混合形成新的群体，扩大了产生下一代个体时的筛选范围。以图所示的例子进行分析，图中P表示父代种群，设其中的个体数量为n，Q表示子代种群，具体步骤如下：

（1）将父代种群和子代种群合并形成新的种群。之后对新种群进行非支配排序，本例中将种群分成了6个Pareto等级。

（2）进行新的父代的生成工作，先将Pareto等级为1的非支配个体放入新的父代集合当中，之后将Pareto等级为2的个体放入新的父代种群中，以此类推。

（3）若等级为k的个体全部放入新的父代集合中后，集合中个体的数量小于n，而等级为k+1的个体全部放入新的父代集合中后，集合中的个体数量大于n，则对第k+1等级的全部个体计算拥挤度并将所有个体按拥挤度进行降序排列,之后将等级大于k+1的个体全部淘汰。本例中可以看出k为2，所以对Pareto等级为3的个体计算拥挤度并按其进行降序排序，等级为4~6的个体全部淘汰。

（4） 将等级k+1中的个体按步骤2中排好的顺序逐个放入新的父代集合中，直到父代集合中的个体数量等于n，剩余的个体被淘汰。
 

  整个NSGA-Ⅱ的基本思路是这样，具体matlab如何实现，本人实力有限以两个简单函数做个示范，后续找到合适的再来改进

这个是求解 两个函数的帕累托最优解 ，函数具体表达式在下图（注意文件名）

clear;
clc;close
navar = 2;
lb= [0,-5];
ub= [5 0];
x1=linspace(lb(1),ub(1));
x2=linspace(lb(2),ub(2));
obj=[];
for i=1:length(x1)
    for j=1:length(x2)
        obj=[obj;mymultil([x1(i) x2(j)])];
    end
end
scatter(obj(:,1),obj(:,2))
%%
optimtool

调用matlab自带的工具箱

即可得到如下图：

非支配排序遗传算法（NSGA，NSGA-II ）-CSDN博客

function rank = fastNonDominatedSort(population)
    % population: 种群的目标函数值，大小为 populationSize x numObjectives
    % rank: 种群中每个个体的等级
    
    [populationSize, numObjectives] = size(population);
    rank = zeros(populationSize, 1); % 初始化等级为0
    dominatedSet = cell(populationSize, 1); % 存储每个个体的被支配集合
    dominateCount = zeros(populationSize, 1); % 每个个体的支配计数
    
    for i = 1 : populationSize
        dominatedSet{i} = []; % 初始化被支配集合为空
        dominateCount(i) = 0; % 初始化支配计数为0
    end
    
    for i = 1 : populationSize
        for j = 1 : populationSize
            if i == j
                continue;
            end
            
            % 比较个体 i 和个体 j 的目标函数值
            if all(population(i,:) <= population(j,:)) && any(population(i,:) < population(j,:))
                dominatedSet{i} = [dominatedSet{i} j]; % 将个体 j 添加到个体 i 的被支配集合中
            elseif all(population(j,:) <= population(i,:)) && any(population(j,:) < population(i,:))
                dominateCount(i) = dominateCount(i) + 1; % 个体 i 的支配计数增加
            end
        end
        
        if dominateCount(i) == 0 % 如果个体 i 没有被其他个体支配
            rank(i) = 1; % 将等级设为1
        end
    end
    
    currentRank = 1;
    currentFront = find(rank == currentRank); % 当前等级的个体
    
    while ~isempty(currentFront)
        nextFront = []; % 下一等级的个体
        
        for i = 1 : length(currentFront)
            p = currentFront(i);
            
            % 更新被支配个体的支配计数
            for j = 1 : length(dominatedSet{p})
                dominateCount(dominatedSet{p}(j)) = dominateCount(dominatedSet{p}(j)) - 1;
                
                % 如果被支配个体不再被支配
                if dominateCount(dominatedSet{p}(j)) == 0
                    rank(dominatedSet{p}(j)) = currentRank + 1; % 设置等级为下一等级
                    nextFront = [nextFront dominatedSet{p}(j)]; % 添加到下一等级的个体列表中
                end
            end
        end
        
        currentRank = currentRank + 1;
        currentFront = nextFront; % 更新当前等级的个体列表
    end
end