NSGA-II算法matlab程序（翻译）

NSGA-II算法共享

最近在学习多目标优化算法，涉及到NSGA-II算法，看了网上的很多资料，挺有收获。之前一直在学网上的代码，但是发现限制函数只能用来限制决策变量的变化区间（只能在初始化中实现），对于复杂的不等式限制函数却无能为力：发现好多人同我一样，都遇到过这个问题。终于找到这个示例文件，我就对照着之前的一篇注释https://blog.csdn.net/joekepler/article/details/80820240，自学了一遍。然后又把另一个可以添加约束条件的代码贴出来，和许多初学者共享。

流程图

借用之前的流程图，简单介绍一下这个算法。具体的内容可以去查论文。

1 主函数

函数初始化过程包含在主函数中运行。

clear all
global V M xl xu etac etam p pop_size pm
%设定全局变量
%函数需要设置一个测试问题序号，1-14分别对应着不同的测试函数，1-9为无限制测试函数，10-14为
%不等式限制的测试函数
% pop_size定义为种群的数量，V为设计变量数目，no_runs运行次数，gen_max种群最大值，
% M目标函数个数

p=input('Test problem index : \n');
pop_size=80;           % 种群数量；
no_runs=1;              % 算法执行轮数；
M=2;                       %目标函数个数；
gen_max=500;            % 最大迭代次数，500次；
fname='test_case';      % 将目标函数及限制条件copy给fname；

if p==13,  % OSY
    pop_size=100; 
    no_runs=10;
end;                   
if (p==2 | p==5 | p==7), gen_max=1000; end;

if p<=9     % Unconstrained test functions
tV=[2;30;3;1;30;4;30;10;10];
V=tV(p);
txl=[-5*ones(1,V);zeros(1,V);-5*ones(1,V);-1000*ones(1,V);zeros(1,V);-1/sqrt(V)*ones(1,V);zeros(1,V); 0 -5*ones(1,V-1);zeros(1,V)]; 
txu=[10*ones(1,V); ones(1,V);5*ones(1,V);1000*ones(1,V);ones(1,V);1/sqrt(V) *ones(1,V);ones(1,V);1 5*ones(1,V-1);ones(1,V)];
xl=(txl(p,1:V));            % lower bound vector
xu=(txu(p,1:V));            % upper bound vectorfor
etac = 20;                  % distribution index for crossover
etam = 20;                  % distribution index for mutation / mutation constant

else         % Constrained test functions
p1=p-9;
tV=[2;2;2;6;2];  %p=10-14分别对应的决策变量个数，例如p=10，tV=2；
V=tV(p1);
txl=[0 0 0 0 0 0;-20 -20 0 0 0 0;0 0 0 0 0 0;0 0 1 0 1 0;0.1 0 0 0 0 0]; 
txu=[5 3 0 0 0 0;20 20 0 0 0 0;pi pi 0 0 0 0;10 10 5 6 5 10;1 5 0 0 0 0];
%xl和xu分别是决策变量的上下限，txl，txu分别对应着决策变量的取值范围
%如p1=1,对应p=10，0<x1<5,0<x2<3
xl=(txl(p1,1:V));           % lower bound vector
xu=(txu(p1,1:V));           % upper bound vectorfor i=1:NN
etac = 20;                  % 交叉分布指数
etam = 100;                 % 变异分布指数
end
pm=1/V;                     % Mutation Probability

Q=[];
for run = 1:no_runs
    
%% 种群初始化
xl_temp=repmat(xl, pop_size,1);
xu_temp=repmat(xu, pop_size,1);
%将种群变量初始化到search domain的区间内
x = xl_temp+((xu_temp-xl_temp).*rand(pop_size,V));

%% Evaluate objective function
for i =1:pop_size
%初始化参数时，目标函数及限制函数值计算
[ff(i,:) err(i,:)] =feval(fname, x(i,:));           
end
%归一化误差初始值，将多个目标函数的误差值作和，要求最后和为0；
error_norm=normalisation(err);                      
population_init=[x ff error_norm];
%对初始值进行非支配排序
[population front]=NDS_CD_cons(population_init);    
iii = 0;
%% 按照迭代次数循环
for gen_count=1:gen_max

%锦标赛竞选代码
parent_selected=tour_selection(population);                   
%模拟二进制交叉和多项式变异
child_offspring  = genetic_operator(parent_selected(:,1:V));    

for ii = 1:pop_size
[fff(ii,:) err(ii,:)]=feval(fname, child_offspring(ii,:));      %对子代的种群进行目标值评估；
end

error_norm=normalisation(err);                                  
child_offspring=[child_offspring fff error_norm];

%% INtermediate population (Rt= Pt U Qt of 2N size)生成含有2N条染色体的种群；
population_inter=[population(:,1:V+M+1) ; child_offspring(:,1:V+M+1)]; %合并父代和子代种群；
[population_inter_sorted front]=NDS_CD_cons(population_inter);  % 对新的种群进行快速非支配排序；
%选择合并后种群中的前N个优先个体形成新的种群N；
new_pop=replacement(population_inter_sorted, front);
population=new_pop;

if mod(gen_count,100) == 0         
fprintf('The iteration times = %f \n',gen_count);
end

end
new_pop=sortrows(new_pop,V+1);
paretoset(run).trial=new_pop(:,1:V+M+1);
Q = [Q; paretoset(run).trial];    

end

%% 帕累托前沿plot
if run==1
plot(new_pop(:,V+1),new_pop(:,V+2),'*')
else                                        
[pareto_filter front]=NDS_CD_cons(Q);               % Applying non domination sorting on the combined Pareto solution set
rank1_index=find(pareto_filter(:,V