基于DEAP库的python进化算法-7.多目标遗传算法NSGA-II

一.多目标优化简介

1.多目标优化问题

在很多实际工程问题中，我们的优化目标不止一个，而是对多个目标函数求一个综合最优解。例如在物流配送问题中，不仅要求配送路径最短，还可能需要参与运输车辆最少等。

多目标优化问题通常有如下特点：

• 各目标函数往往相互冲突，无法同时取到最优解。这种冲突使得解的搜索变得更加复杂；
• 各目标函数的单位不同，不能简单比较。因此多目标优化问题的合理解集通常是Pareto最优解。

2.多目标优化求解思路

对于多目标优化问题，传统方法是将原问题通过加权方式变换为单目标优化问题，进而求得最优解。该方法有两大问题：

• 权重的量化设定困难；
• 多目标优化问题的求解结果是包含一组非支配解的解集，用这种方法每次只能求得一个不同解(运气好的话),要求解具有足够多样性的Pareto最优解集非常困难

遗传算法具有多点多方向搜索的特征，在一次搜索中可以得到多个Pareto最优解，因此更适合求解多目标优化问题。

而当前用于求解多目标优化问题的遗传算法一般有两种思路:

• Pareto排序评价方法：其思想是构造基于解的优劣关系排序的适应值函数；在子代中更多保留支配解，从而在迭代一定次数后获得Pareto前沿。最经典的是Glodberg提出的Pareto ranking genetic algorithm，另外我们这里介绍的NSGA-II也是基于Pareto排序评价的方法。
• 多目标函数加权方法：给多目标函数加以各种权重，转化为单目标优化问题；相对于传统方法的固定权重，这类方法通常会在遗传操作前以一定规律生成权重，指导个体的多方向搜索。代表性的算法有Ishibuchi的random weight GA和Gen-Cheng的adaptive weight GA等。

二.NSGA-II算法解析

NSGA-II(nondominated sorting genetic algorithm II)是2002年Deb教授提出的NSGA的改进型，这个算法主要解决了第一版NSGA的三个痛点：

• 非支配排序的高计算复杂度
• 共享参数难以确定
• 缺少保存精英策略

针对这三个问题，在NSGA-II中，Deb提出了快速非支配排序算子，引入了保存精英策略，并用“拥挤距离”(crowding distance)替代了共享(sharing)。

在介绍NSGA-II的整体流程前，我们需要先了解快速非支配排序与拥挤距离的定义。

1.快速非支配排序(Fast non-dominated sort)

解的支配关系与Pareto最优解




快速非支配排序步骤：
快速非支配排序就是将解集分解为不同次序的Pareto前沿的过程。
它可以描述为：

1. 为每个解p分配两个关键量：支配p的解个数n_p以及被p支配的解集S_p；
2. 设置i=1，将n_p=0的个体归入F_i；
3. 对于F_i中的个体，遍历每个解p的S_p，将其中每个解的n_p减1；
4. i+=1，将n_p=0的解归入F_i;
5. 重复3、4，直到解集中所有个体都被归入某一个F_i。
   
   DEAP的实现
   DEAP内置了实现快速非支配排序操作的函数

tools.emo.sortNondominated(individuals, k, first_front_only=False)
参数：
individual:被排序的个体列表
k：需要选择的个体数目，注意这里不一定返回正好k个个体，需要看pareto前沿的个体个数
	假设设置k=100，而selectedPop + len(Front[i-1]) <100,返回的个体数是
	selectedPop+len(Front[i-1]) + len(Front[i]),应该是一个大于100的值。
first_front_only:如果设置为True，则对次序为1的前沿排序之后就返回

返回：
	Pareto前沿的列表

2.拥挤距离计算(Crowding distance assignment)

拥挤距离的定义
在NSGA-II中，为了衡量在同一个前沿中各个解质量的优劣，作者为每个解分配了一个拥挤距离，其背后的思想是让求得的Pareto最优解在objective space中尽量分散，也就有更大可能让解在Pareto最优前沿上均匀分布。

DEAP实现
DEAP中内置了计算拥挤距离的函数

tools.emo.assignCrowdingDist(individuals)

参数：
	individual:用来计算拥挤距离的个体列表
返回：
	没有返回值，拥挤距离保存在传入的individuals中的每个个体的individual.fitness.crowding_dist属性中

3.精英保存策略(Elitism)

比较操作
根据快速非支配排序和拥挤距离计算的结果，对族群中的个体进行排序：