Python 第二代非支配排序遗传算法(NSGA-II)求解多目标高次函数的帕累托前沿

系列文章目录

---

目录

系列文章目录

前言

一、模型的建立

二、算法的步骤

三、代码的实现

四、输出的结果

总结

---

---

前言

        在项目进度管理中，NSGA-II是常用的求解多目标项目进度管理优化问题的算法，虽然NSGA-III也出来了些日子，但是目前主流的研究MORCPSP问题的论文大多采用NSGA-II算法。我认为主要有三个原因：

        第一个是，NSGA-III算法需要更大的计算代价，因为它需要进行额外的种群初始化和排序操作来维护解的分布。这增加了算法的时间复杂度。第二就是，NSGA-III算法需要更多的参数设置，如分治桶的数量和邻域半径等。这些参数的不恰当设置可能会影响算法的性能。最后一点我觉得应该是，NSGA-III算法对目标函数的连续性和可微性有更高的要求。如果目标函数不满足这些条件，NSGA-III算法可能无法找到全局最优解。

        所以，在多目标资源受限问题上，NSGA-II算法仍然是一种更为通用和高效的解决方案，因为它具有更快的速度、更少的参数和对目标函数的较低要求。而我们在求解MORCPSP问题的时候，往往最追求的就是效率问题，即在短时间内求得问题的最优解（或近似最优解）。

        为了能吃透NSGA-II算法，为求解MORCPSP问题打基础，我这里先用NSGA-II求解一个常规的多目标高次函数的帕累托前沿。

---

一、模型的建立

        研究的模型为：min(y1=,x[0,10]), min(y2=,x[0,10])。 即求解两个目标函数最小值的问题。

二、算法的步骤

        1 设置参数，定义种群大小、进化代数、交叉概率、变异概率等

        2 定义一个自变量的类，这个类的属性值包括自变量x的值、目标函数值、非支配排序列表、拥挤度距离。