NSGAⅡ详解（实例MATLAB程序说明）

最新推荐文章于 2024-05-07 21:47:34 发布

葡萄架子

最新推荐文章于 2024-05-07 21:47:34 发布

阅读量1.8k

点赞数 1

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/wanganqiqi/article/details/134116902

版权

文章目录

1.多目标优化
- 1.1多目标优化
- 1.2Pareto解集和乌托邦解
2.NSGAⅡ流程及相关概念理解

1.多目标优化

1.1多目标优化

目标函数：在这里插入图片描述
首先了解一下多目标优化的条件：
1.其中的决策变量与每一个目标函数都有关联；
2.目标函数之间要存在矛盾，比如你增我减；

1.2Pareto解集和乌托邦解

在一个多目标优化问题中，改善一个子目标往往就会降低其他目标的性能，也就是说我们不可能让所有的目标达到最优。多目标优化要做的就是在他们中间进行协调和折中处理，提供一组解根据用户要求进行选择。我们提供的这组解就是Pareto解集，集合中的各个元素称为Pareto最优解或非劣最优解；
而乌托邦解，常用来作为参考标准，这是一个理想中的解，通过评估每个个体与乌托邦解的距离和差异，可以确定每个个体的适应度和排名，也可以进一步改进乌托邦解本身。

2.NSGAⅡ流程及相关概念理解

2.1 NSGAⅡ流程图及必要概念理解

在这里插入图片描述
这里面有几个概念在学习遗传算法前是一定要了解的：
1.支配（Dominant）：在多目标问题中，一个解A支配着另一个解B意味着，A至少在一个目标上优于（严格优于）B，而在其他所有的目标上又不比B差。比如在这个图中（求解目标函数最小值），A点支配着黑线所围区域。
在这里插入图片描述
2.非劣解（Non-dominant）:如果在给定的目标函数下，没有其他解能够支配它。换句话说，一个非劣解是在所有可能的解中最好或者至少不差于其他解的解。

3.帕累托排序（Pareto Ranking）：为了将解划分为不同的层次并识别出最优解，NSGA使用了帕累托排序方法，在这种排序方法中，所有解根据非支配关系被划分为不同的层次。所有不被支配的解都被分为第一层，被一定数量的解支配的解被分为第二层，以此类推。这种排序方式的结果是，每个层次中的解都优于或者至少与其他层次中的解持平。

4.拥挤度距离计算（Crowding Distance Calculation）:为了确保Pareto最优解集的多样性和密度，NSGA使用拥挤度距离计算来对解进一步评价。拥挤度是指一个解与其最近的邻居解之间的欧几里得距离（就是两个点之间的绝对距离）。具体来讲，对于每个层次中的解，都可以计算出其与左右两个邻居之间的拥挤度距离，以此用于决定解在Pareto最优解集合中的分布密度和多样性。比如A点与B点之间的红线距离；

2.2 NSGAⅡ程序步骤详解（依据代码详解）

这里面我们来解决一个这样的问题(同时最小化两个目标函数)[1]：
在这里插入图片描述

2.2.1初始参数设定

在这里插入图片描述
一般来说较高的交叉概率能够能够增加种群的多样性，较低的交叉概率则能够保持种群的稳定性。所以一般可以先设置一个较高的值（如0.8），进行实验观察算法的收敛情况，然后逐步调整以达到较好的效果。一般而言，较高的交叉概率能够更好地保留种群的多样性，但同时也会增加种群退化的风险;较低的交叉概率则能够更好地避免种群退化，但可能会减弱种群的多样性。

2.2.2 初代种群设置

在这里插入图片描述
这里使用结构体数组来记录个体的指标：x值、对应的函数值、被支配个体的下标、被支配的次数、所属等级、拥挤度
于是pop就是这样：每个个体3个x值（对应x1，x2，x3），两个y值（对应f1、f2）

2.3 交叉

在这里插入图片描述
交叉函数：

1.popc是一个40×2 struct的数组，因为交叉概率是0.8，1000.8=402，为了方便交叉操作，所以每行有2个结构体，分别存放要交叉的一对个体。

2.ind是随机数每次迭代随机选择100个个体中的2个，同时因为randperm函数生成的随机排列结果受随机数生成器的影响，并且随机数生成器受到机器当前时间等因素的影响，因此在不同时间运行导致值不同。
交叉后再计算交叉后的x值对应的函数值。

2.4 变异

在这里插入图片描述
变异函数：

这里的变异就是将个体中有概率的将x(3个x值中的一个)变异为[-5,-5]中的一个随机数，[-5,5]是题目中要求的范围。

2.5 非支配排序和淘汰（核心）

非支配排序是指根据个体在多个目标函数上的性能，对所有个体进行排序的过程。在NSGA-II中，非支配排序主要包含以下几个步骤：

首先，计算每个个体的支配关系。对于两个个体A和B，如果A在所有目标函数上至少与B一样好，并且在至少一个目标函数上优于B，那么可以说A支配B。

根据支配关系，对所有个体进行排序。首先，将没有被任何个体支配的个体标记为等级1（front 1）。然后，将这些个体支配的个体标记为等级2（front 2），以此类推，直到所有个体都被标记。

对于相同等级（front）的个体，使用拥挤度距离进行排序。拥挤度距离是指个体周围的密度，用于衡量个体在解空间中的分布情况。距离越大，个体越接近边界，距离越小，个体越接近其他个体。

根据非支配排序和拥挤度距离，选择生成下一代的个体。通常使用锦标赛选择或轮盘赌选择等方法来实现。
下图中P是原始种群，Q是从P中交叉和变异得到的新的个体，传统GA是直接舍弃了原始种群，这里面我们都保留，合并，我们的初始种群是100，交叉概率0.8，变异概率0.3 ，那么我们合并后的种群数量是100+1000.8+1000.3=210；然后根据等级和拥挤度排序，图中F1代表等级1，F2次之，我们需要根据等级让合并的种群和原始种群一样大，但是我们发现在在F3中需要去除一些个体，可是等级都一样怎么办呢？我们在F3中根据拥挤度等级再进行排序，把拥挤度小的给舍弃，也即是选择那些拥挤度大的个体，那么为啥这样选择？

因为在多目标优化问题中，我们需要找到一组尽可能分散的、非支配的个体作为解集。这时候我们就要面对两个目标:多样性和收敛性。在选择操作时，基于拥挤度的策略是为了平衡这两个目标。
拥挤度反映了个体所在区域的密度，就是两个点之间的距离，距离越大说明越稀疏，近邻个体越少，这个近邻个体我们可以想象是相似度比较高的个体，我们为了保证多样性，要选择那些拥挤度大的点，要不然选一堆相似的点也没啥意思不是。

在这里插入图片描述
也就是说这部分包括以下方面：
1.首先要进行合并数据，就是把初始种群、交叉种群、变异种群合在一起；
2.非支配排序，就是将合并后的种群根据支配关系进行等级划分；
3.计算拥挤度；
4.根据支配关系和拥挤度进行排序，就是大体上是按支配关系排序，每个等级中又根据拥挤度排序
5.根据排序淘汰掉一些个体，具体淘汰多少，看具体问题分析和算法设计，案例中保留了100个（和初始种群数量一致）
6.淘汰后个体需要进行重新非支配排序，因为支配和被支配的个体有些被淘汰了，需要重新计算
7.同样的，拥挤度也需要重新排序；然后就进行新一轮迭代。
程序比较多，自行到源码中查看；

2.3 NSGAⅡ程序源码

链接：https://pan.baidu.com/s/1GEZxpCxnw962KhEi8OSbpQ?pwd=1234
提取码：1234

2.4NSGAⅡ在GA系列中的地位及优劣

NAGA II（Nondominated Sorting Genetic Algorithm II）是针对多目标优化问题的一种演化算法，它是对NSGA I（Nondominated Sorting Genetic Algorithm I）的改进和优化。相比于NSGA I，NAGA II具有以下几个优势：

更高的收敛性：NAGA II采用了更高效的非支配排序算法，可以更准确地识别和排序非支配解集，使得算法的收敛性更好。这样可以更快地收敛到Pareto最优解集，减少了算法的迭代次数。
更好的解集多样性：NAGA II引入了拥挤度距离的概念，用于评估个体在解集中的分布密度。通过考虑个体之间的拥挤度距离，NAGA II能够维持解集的多样性，避免解集聚集在某个具体区域。这有助于获取更全面的Pareto最优解集。
更好的性能：NAGA II采用了一种高效的快速非支配排序算法，具有较低的时间复杂度和空间复杂度。这使得NAGA II的性能相对更好，尤其适用于处理大规模的多目标优化问题。

而NSGAⅢ多是为了解决多维目标（目标函数>3）;