多目标优化学习：NSGA-II

多目标遗传算法 （本文中是NSGA-II）

其实该种算法较为取巧
多目标问题难点在于需要让多个目标尽可能处于最优解，不像传统的优化算法一样，用一个目标函数的值是否符合需求即可。
多个目标的情况下衡量是否最优属于向量优化问题，需要比较向量件的大小。
多目标问题定义如下：
min f(x)=[f1(x),f2(x),…,fn(x)]

支配解与非支配解的概念

多目标问题种多个目标存在冲突时，可用“支配”的概念决定解的好坏
假设打游戏刷道具，有两种道具，四个npc，每个npc掉落的道具数量不尽相同

怪物种类	道具1	道具2
A	190	80
B	170	85
C	165	70
D	160	22

两种道具都需要越多越好，因此我们发现A、B全面优于C、D，说明在道具1、道具2的目标上，{A,B}支配{C,D}，同时{C,D}中C支配D，也就是说A,B,C可支配D
AB两种小怪掉落的道具各有千秋，不能单纯的说谁比谁绝对好，即谁支配谁，因此我们说AB两种解的情况为“非支配”情况。如果我们额能找到一组解，它们不互相支配，也不受其他解支配，我们称之为“pareto最优”解，在上面刷怪的粒子中，AB都属于pareto最优前沿
多目标优化的目的即找到一组小怪，它们掉落的道具各有优点，都是你刷怪的最好选择，这组小怪就被称为pareto最优解，一个最优的可行解集。
以下是较为官方的定义：
非支配解： 假设任何二解S1 及S2 对所有目标而言，S1均优于S2，则我们称S1 支配S2，若S1 的解没有被其他解所支配，则S1 称为非支配解（不受支配解），也称Pareto解（帕雷托解）

支配解： 若解S2的所有目标均劣于S1，则称S1优于S2，也称S1支配S2，S2为受支配解。

Pareto前沿面： 找到所有Pareto解之后，这些解组成的平面叫做Pareto前沿面（Non-dominated front）。在目标函数较多时，前沿面通常为超曲面。

多目标遗传

首先将一群具有多个目标的个体（解集，或者说线代里的向量形式）作为父代初始种群，在每一次迭代中，GA操作后合并父代于自带。通过非支配排序，我们将所有个体分不到不同的pareto最优前沿层次。然后根据不同层次的顺序从pareto最优前沿选择个体作为下一个种群。出于遗传算法中的“物种多样性”保护，还计算量“拥挤距离”。拥挤距离比较将算法各阶段的选择过程引向一致的前沿。
让我们再看看刷怪的例子
放过这几个小怪吧

怪物种类	道具1	道具2	属于pareto最优？	frontlevel	np	Sp
A	190	80	Y	1	0	CD
B	170	85	Y	1	0	CD
C	165	70	N	2	1	D
D	160	22	N	3	2

注释：frontlevel为最优等级，np即有多少解支配当前解，Sp表示当前解支配了哪些解

多目标遗传流程图

步骤描述：
步骤1：编码。遗传算法在进行搜索之前，将变量编成一个定长的编码——用二进制字符串来表示，这些字符串的不同组合，
便构成了搜索空间不同的搜索点。
步骤2：产生初始群体。随机产生N个字符串，每个字符串代表一个个体。
步骤3：按目标函数的个数分割子群体，对每个子群体进行如下操作：
1)计算目标函数值(此步调用ANSYs有限元程序，将ANSYS有限元程序得到的后处理结果传给MATLAB程序作为目标函数值)；
2)计算每个个体的适应度，本文中采用线性排序法和选择压差为2估算适应度；
3)用随机遍历抽样方法在每个子种群中选择个体。
步骤4：将每个子种群中选择出的个体进行合并。
步骤5：交叉操作。本文中采用的是单点交叉操作。
步骤6：变异。对个体按给定的概率进行变异，形成新一代群体。
步骤7：将步骤6产生的个体合重复进行步骤3～ 步骤6的操作，直至完成规定的遗传迭代总次数。

遗传算法 化解码公式

f(x), x∈[lower_bound, upper_bound]  
x = lower_bound + decimal(chromosome)×(upper_bound-lower_bound)/(2^chromosome_size-1)  

其中：
lower_bound: 函数定义域的下限
upper_bound: 函数定义域的上限
chromosome_size: 染色体的长度
用这个公式可将个体染色体转化为在定义域范围内的解

nsga-II缺点

缺点之一就是选择压力太小了，应该增大选择压力
同时拥挤距离的计算是个很大的问题，过于复杂，虽然这也是遗传算法自身的缺点，但可以设法改进
再者就是应用于三维空间时有不足