遗传算法参数设置_多目标遗传算法（NSGA-Ⅱ）

今天课上老师讲解了遗传算法以及其工程算例。把它整理在这里，以飨读者。

遗传算法早在上世界50年代就已经被人提出并进行了阐发。它的核心就是遗传三算子，也就是选择，交叉和变异。通过随机选择的父代，对子代基因进行随机交叉和随机变异，从而形成新的种群。在种群中利用适应度函数对种群个体进行排序，选择出适应度好的个体进行下一代迭代。

对于单目标问题，遗传算法展示出其优越性。但是在多目标的优化问题中，人们首先碰到的最大的问题就是如何去衡量一个个体适应度好坏。打个比方，在一个班级里，每一个同学都有语数外三门成绩。如果我给与语数外一定的权重，那么我们可以将语数外三门成绩做加权处理，从而对所有同学的成绩做出排序，这样问题就退化成单目标优化问题了。然而，如果我们不能给出语数外三个成绩的权重。也就是说语文100分，数学0分，英语0分与语文0分，数学100分，英语100分在没有说明权重的情况下是无法判断谁更好的。我们把这种关系叫做非支配。支配（dominated）是人们用来判断多维向量适应度好坏一种关系。如果A在任何一个维度都比B要好，那么A就支配B。否则，A非支配B。所有相互非支配的向量被成为帕累托解集。（Pareto solution）如此，我们可以将班级中所有同学的成绩做出一个分类，而所有解集中，适应度最好的那个解集对应的适应度函数的值的集合，就被人们称为帕累托前沿。

帕累托解集和帕累托前沿的提出，使得人们能够更加清晰的比较不同基因在环境中适应度好坏。然而，接下来人们又碰到了第二个问题，在遗传算子中，我们该如何去取舍同一帕累托解集中的基因。举个例子，我给出一代中选择的亲代数目为20个，根据适应度由高到低选择，假设已经选择了18个基因，但是在选择最后两个基因时，我们碰到了问题。这一个帕累托解集中有超过2个的基因。考虑到他们之间并没有可比性，那么如何选择成为了新的问题。

我们都知道，一个系统中元素分布越分散，获得的信息也就越高，也就是说选择的时候我们尽可能保留那些分散的比较开的基因。鉴于此，人们发明了两种办法找到最佳的选择方案。第一种方法被称为共享函数小生境，通过对每一个个体相对于同一帕累托解集中其他基因的距离之和进行排序，由高到低选择这些基因作为下一代的亲代。

随着这种方法的应用，人们也发现了它的一些问题，比如说共享函数的参数设置需要根据具体情况进行变化，这背后是复杂的调参过程。同时由于需要计算的距离随着维数和个体数目的增加而呈现出几何式的增长，带来时间复杂度的上升。终于在2002年有人在《A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II》中提出了一种新的选择方法，也就是NSGA-Ⅱ，这个方法不仅克服了第一代遗传算法的缺陷，还为后面的改进提出了可行的方向，也就是通过拥挤度来度量系统元素分布的情况，从而选择出那些分布均匀，获得信息最多的基因。随后这种方法被广泛采用于各个领域。