粒子群算法的pareto多目标函数优化matlab_进化算法（2）--多目标遗传算法

上一节我们介绍了单目标遗传算法，然而在解决实际的问题时，遇到的大部分问题都不止一个目标函数，这样的多目标问题需要用到多目标遗传算法来求解，本节主要介绍的多目标遗传算法是NSGA-II^[1]（改进的非支配排序算法）,该遗传算法相比于其它的多目标遗传算法有如下优点：

1. 传统的非支配排序算法的复杂度为
   ，而NSGA-II的复杂度为
   ，其中M为目标函数的个数，N为种群中的个体数。
2. 引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度。
3. 采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。（消除了共享参数）

基本概念

在介绍NSGA-II算法之前需要先介绍一些基本概念：

Pareto最优解、Pareto支配关系^[2]

以最小化多目标优化问题为例，设有m个目标优化函数

,取任意两个决策变量

：

（1）如对于任意的多目标优化函数（

）都有：

则称

支配