深入理解NSGA-II算法：原理、案例与MATLAB实现

木子算法

于 2025-03-11 20:33:08 发布

阅读量1.4k

点赞数 35

分类专栏：人工智能多目标优化文章标签：算法 matlab 机器学习多目标优化

本文链接：https://blog.csdn.net/m0_69689054/article/details/146188467

版权

人工智能同时被 2 个专栏收录

31 篇文章

订阅专栏

多目标优化

15 篇文章

订阅专栏

深入理解NSGA-II算法：原理、案例与MATLAB实现

一、引言

在现实世界的众多优化问题中，往往需要同时考虑多个相互冲突的目标，这就是多目标优化问题（Multi-Objective Optimization Problems, MOPs）。传统的单目标优化算法无法直接应用于此类问题，因此各种多目标优化算法应运而生。非支配排序遗传算法II（Non-dominated Sorting Genetic Algorithm II, NSGA-II）是其中一种经典且高效的算法，由Kalyanmoy Deb等人于2002年提出。它在第一代NSGA的基础上进行了改进，具有更快的运行速度和更好的收敛性，被广泛应用于工程设计、经济决策等多个领域。

二、基本概念与原理

2.1 支配关系

在多目标优化中，支配关系是核心概念之一。设存在两个解向量 $\mathbf{x}_1$ 和 $\mathbf{x}_2$ ，对应的目标函数向量分别为 $\mathbf{F}(\mathbf{x}_1)=(f_1(\mathbf{x}_1), f_2(\mathbf{x}_1), \cdots, f_m(\mathbf{x}_1))$ 和 $\mathbf{F}(\mathbf{x}_2)=(f_1(\mathbf{x}_2), f_2(\mathbf{x}_2), \cdots, f_m(\mathbf{x}_2))$ ，其中 $m$ 是目标函数的数量。如果满足以下两个条件：

对于所有的 $\cdots, m$ ，都有 $f_i(\mathbf{x}_1) \leq f_i(\mathbf{x}_2)$ ；
至少存在一个 $j$ ，使得 $f_j(\mathbf{x}_1) < f_j(\mathbf{x}_2)$ 。

则称解 $\mathbf{x}_1$ 支配解 $\mathbf{x}_2$ ，记作 $\mathbf{x}_1 \prec \mathbf{x}_2$ 。

2.2 Pareto最优解与Pareto前沿

Pareto最优解：如果在解空间中不存在一个解 $\mathbf{x}$ 能够支配解 $\mathbf{x}^*$ ，则称 $\mathbf{x}^*$ 为Pareto最优解。
Pareto前沿：所有Pareto最优解对应的目标函数值构成的集合称为Pareto前沿（Pareto Front, PF）。

2.3 非支配排序

非支配排序是NSGA-II的关键步骤之一，其目的是将种群中的个体划分为不同的非支配等级。具体步骤如下：

初始化所有个体的支配计数器 $n_p = 0$ 和支配集合 $S_p = \varnothing$ 。
对于种群中的每一对个体 $p$ 和 $q$ ，判断它们之间的支配关系：
- 如果 $\prec q$ ，则将 $q$ 加入 $p$ 的支配集合 $S_p$ ，并将 $q$ 的支配计数器 $n_q$ 加1。
- 如果 $\prec p$ ，则将 $p$ 的支配计数器 $n_p$ 加1。
找出所有支配计数器 $n_p = 0$ 的个体，这些个体构成第一级非支配集 $F_1$ 。
对于 $F_1$ 中的每个个体 $p$ ，将其支配集合 $S_p$ 中的每个个体 $q$ 的支配计数器 $n_q$ 减1。如果 $n_q$ 变为0，则将 $q$ 加入下一级非支配集 $F_2$ 。
重复步骤4，直到所有个体都被分配到某个非支配等级。

2.4 拥挤度距离

拥挤度距离用于衡量种群中个体的分布性。对于每个非支配等级中的个体，计算其拥挤度距离 $d_i$ 。具体步骤如下：

对于每个目标函数 $f_k$ ，将该非支配等级中的个体按照 $f_k$ 的值从小到大排序。
初始化边界个体的拥挤度距离为无穷大，即 $d_1 = d_n = \infty$ ，其中 $n$ 为该非支配等级中的个体数。
对于中间的个体 $\cdots, n - 1$ ，计算其拥挤度距离：
[d_i = d_i+\frac{f_k(x_{i + 1}) - f_k(x_{i - 1})}{f_k^{max}-f_k{min}}]
其中， $f_k^{max}$ 和 $f_k^{min}$ 分别为该非支配等级中所有个体在目标函数 $f_k$ 上的最大值和最小值。

2.5 锦标赛选择

NSGA-II采用锦标赛选择方法来选择参与交叉和变异的个体。具体过程为：从种群中随机选择 $k$ 个个体（通常 $k = 2$ ），比较它们的非支配等级和拥挤度距离，选择非支配等级较低的个体；如果非支配等级相同，则选择拥挤度距离较大的个体。

三、NSGA-II算法流程

初始化种群：随机生成初始种群 $P_0$ ，并计算每个个体的目标函数值。
非支配排序：对种群 $P_0$ 进行非支配排序，得到不同的非支配等级。
计算拥挤度距离：对每个非支配等级中的个体计算拥挤度距离。
选择操作：使用锦标赛选择方法从种群 $P_0$ 中选择个体，组成交配池。
交叉和变异操作：对交配池中的个体进行交叉和变异操作，生成子代种群 $Q_0$ 。
合并种群：将父代种群 $P_0$ 和子代种群 $Q_0$ 合并为新的种群 $R_0 = P_0 \cup Q_0$ 。
非支配排序和选择：对种群 $R_0$ 进行非支配排序，根据非支配等级和拥挤度距离选择个体，组成新的父代种群 $P_1$ ，使其规模与初始种群相同。
终止条件判断：如果满足终止条件（如达到最大迭代次数），则输出当前种群中的非支配个体作为Pareto最优解；否则，返回步骤4。

四、案例分析

考虑一个经典的双目标优化问题：ZDT1问题。其数学表达式如下：
[
\begin{cases}
f_1(x_1)=x_1\
f_2(x)=g(x)\left[1 - \sqrt{\frac{f_1(x)}{g(x)}}\right]\
g(x)=1 + \frac{9}{n - 1}\sum_{i = 2}^{n}x_i\
x_i\in[0, 1], i = 1, 2, \cdots, n
\end{cases}
]
其中， $n$ 是决策变量的数量，通常取 $n = 30$ 。

4.1 MATLAB代码实现

% 参数设置
pop_size = 100; % 种群规模
max_gen = 200; % 最大迭代次数
var_num = 30; % 变量个数
var_min = 0; % 变量下限
var_max = 1; % 变量上限
pc = 0.8; % 交叉概率
pm = 0.1; % 变异概率

% 初始化种群
pop = rand(pop_size, var_num) * (var_max - var_min) + var_min;

% 迭代优化
for gen = 1:max_gen
    % 计算目标函数值
    f1 = pop(:, 1);
    g = 1 + (9 / (var_num - 1)) * sum(pop(:, 2:end), 2);
    f2 = g .* (1 - sqrt(f1 ./ g));
    obj = [f1, f2];
    
    % 非支配排序
    [fronts, ranks] = non_dominated_sort(obj);
    
    % 计算拥挤度距离
    crowding_dist = crowding_distance_assignment(obj, fronts);
    
    % 锦标赛选择
    selected_indices = tournament_selection(pop_size, fronts, ranks, crowding_dist);
    selected_pop = pop(selected_indices, :);
    
    % 交叉和变异操作
    offspring = crossover(selected_pop, pc);
    offspring = mutation(offspring, pm, var_min, var_max);
    
    % 合并种群
    pop = [pop; offspring];
    
    % 再次进行非支配排序和选择
    f1 = pop(:, 1);
    g = 1 + (9 / (var_num - 1)) * sum(pop(:, 2:end), 2);
    f2 = g .* (1 - sqrt(f1 ./ g));
    obj = [f1, f2];
    [fronts, ranks] = non_dominated_sort(obj);
    crowding_dist = crowding_distance_assignment(obj, fronts);
    [~, sorted_indices] = sortrows([ranks, -crowding_dist]);
    pop = pop(sorted_indices(1:pop_size), :);
end

% 计算最终的目标函数值
f1 = pop(:, 1);
g = 1 + (9 / (var_num - 1)) * sum(pop(:, 2:end), 2);
f2 = g .* (1 - sqrt(f1 ./ g));
obj = [f1, f2];

% 绘制Pareto前沿
figure;
plot(obj(:, 1), obj(:, 2), 'ro');
xlabel('f_1(x)');
ylabel('f_2(x)');
title('Pareto Front of ZDT1 Problem');

% 非支配排序函数
function [fronts, ranks] = non_dominated_sort(obj)
    pop_size = size(obj, 1);
    ranks = zeros(pop_size, 1);
    fronts = {};
    S = cell(pop_size, 1);
    n = zeros(pop_size, 1);
    
    for p = 1:pop_size
        S{p} = [];
        n[p] = 0;
        for q = 1:pop_size
            if dominates(obj(p, :), obj(q, :))
                S{p} = [S{p}, q];
            elseif dominates(obj(q, :), obj(p, :))
                n[p] = n[p] + 1;
            end
        end
        if n[p] == 0
            ranks[p] = 1;
            if isempty(fronts{1})
                fronts{1} = p;
            else
                fronts{1} = [fronts{1}, p];
            end
        end
    end
    
    i = 1;
    while ~isempty(fronts{i})
        Q = [];
        for p = fronts{i}
            for q = S{p}
                n[q] = n[q] - 1;
                if n[q] == 0
                    ranks[q] = i + 1;
                    Q = [Q, q];
                end
            end
        end
        i = i + 1;
        fronts{i} = Q;
    end
end

% 判断支配关系函数
function result = dominates(a, b)
    result = all(a <= b) && any(a < b);
end

% 拥挤度距离计算函数
function crowding_dist = crowding_distance_assignment(obj, fronts)
    pop_size = size(obj, 1);
    num_obj = size(obj, 2);
    crowding_dist = zeros(pop_size, 1);
    
    for i = 1:length(fronts)
        front = fronts{i};
        front_size = length(front);
        if front_size > 2
            for j = 1:num_obj
                [~, sorted_indices] = sort(obj(front, j));
                sorted_front = front(sorted_indices);
                crowding_dist(sorted_front(1)) = Inf;
                crowding_dist(sorted_front(end)) = Inf;
                f_max = max(obj(sorted_front, j));
                f_min = min(obj(sorted_front, j));
                if f_max ~= f_min
                    for k = 2:front_size - 1
                        crowding_dist(sorted_front(k)) = crowding_dist(sorted_front(k)) + (obj(sorted_front(k + 1), j) - obj(sorted_front(k - 1), j)) / (f_max - f_min);
                    end
                end
            end
        end
    end
end

% 锦标赛选择函数
function selected_indices = tournament_selection(pop_size, fronts, ranks, crowding_dist)
    selected_indices = [];
    for i = 1:pop_size
        idx1 = randi(pop_size);
        idx2 = randi(pop_size);
        if ranks[idx1] < ranks[idx2]
            selected_indices = [selected_indices, idx1];
        elseif ranks[idx1] > ranks[idx2]
            selected_indices = [selected_indices, idx2];
        else
            if crowding_dist[idx1] > crowding_dist[idx2]
                selected_indices = [selected_indices, idx1];
            else
                selected_indices = [selected_indices, idx2];
            end
        end
    end
end

% 交叉操作函数
function offspring = crossover(pop, pc)
    pop_size = size(pop, 1);
    offspring = zeros(pop_size, size(pop, 2));
    for i = 1:2:pop_size
        if rand < pc
            alpha = rand;
            offspring(i, :) = alpha * pop(i, :) + (1 - alpha) * pop(i + 1, :);
            offspring(i + 1, :) = (1 - alpha) * pop(i, :) + alpha * pop(i + 1, :);
        else
            offspring(i, :) = pop(i, :);
            offspring(i + 1, :) = pop(i + 1, :);
        end
    end
end

% 变异操作函数
function offspring = mutation(offspring, pm, var_min, var_max)
    [pop_size, var_num] = size(offspring);
    for i = 1:pop_size
        for j = 1:var_num
            if rand < pm
                offspring(i, j) = rand * (var_max - var_min) + var_min;
            end
        end
    end
end

4.2 结果分析

运行上述代码后，会得到ZDT1问题的Pareto前沿的可视化结果。从图中可以看到，NSGA-II算法能够找到一组分布较为均匀的Pareto最优解，这些解在两个目标函数之间达到了某种平衡，体现了算法在多目标优化中的有效性。

五、参考文献

Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182 - 197.
Coello Coello, C. A., Van Veldhuizen, D. A., & Lamont, G. B. (2007). Evolutionary algorithms for solving multi - objective problems (Vol. 5). Springer Science & Business Media.

通过以上内容，我们全面介绍了NSGA-II算法的基本原理、算法流程、案例分析和MATLAB代码实现。NSGA-II算法在多目标优化领域具有重要的地位，能够有效地解决多个相互冲突的目标优化问题。