企业官网建设流程全解析

做进化多目标优化实验的同学，对PlatEMO这个词应该不陌生。它是基于MATLAB平台的开源进化多目标优化工具箱，最大的价值在于把算法、测试问题、性能指标、实验对比收在同一个框架里。想验证NSGA-II、MOEA/D、SPEA2、RM-MEDA这类经典算法，或者想在一个自定义测试问题上对比多个新算法时，不用自己从头写非支配排序、拥挤距离、交叉变异和指标计算，直接用工具箱现成模块就能搭起来。对这个领域的新手来说，最直观的感受是省掉了大量重复造轮子的时间；对已经在做科研的人来说，它提供的是一条可复现、可对比、可扩展的实验流程。

当然，标题里“所有优化问题”这个说法要打一个折扣。PlatEMO擅长的是进化计算框架下的单目标和多目标优化实验，尤其是多目标进化优化，并不适合把它当作所有商业求解器、整数规划、凸优化场景的替代品。准确理解它解决什么问题、有哪些边界，比急着把百余种算法全部跑一遍更重要。这篇内容就按我实际使用的顺序，讲讲PlatEMO怎么安装、怎么跑通、怎么自定义问题、怎么扩展算法，以及遇到报错时先查什么。

1. 做多目标优化实验，为什么需要一个统一平台

1.1 不用从零写算法，也不用维护一堆实验脚本

做进化多目标优化，最大的时间消耗往往不在目标函数本身，而在配套工程。种群初始化、二进制或实数编码、交叉变异、非支配排序、拥挤距离计算、外部存档更新、性能指标求解、PF图绘制，这些工作单独写并不难，但组合起来很繁琐。更麻烦的是，不同论文提供的算法源代码数据结构不统一，新算法用结构体，旧代码用矩阵，指标代码调用的字段名也不一样。要把它们拼起来做对比实验，光是做数据接口对齐就能消耗好几天。

PlatEMO把这一层收掉了。它提供了一套统一的类结构，算法类是ALGORITHM的子类，问题类是PROBLEM的子类，测试函数、评价指标、结果输出全部走同一套接口。使用的时候，只需要告诉平台几个关键信息：跑哪个算法、在哪个问题上跑、种群规模多大、最大评估次数是多少、独立跑几轮。剩下的事情，比如种群初始化、进化循环、输出结果表格、画近似前沿，都由工具箱统一处理。

所以它的实际定位不是帮你写算法，而是帮你把实验流程标准化。这一点对做横向算法对比尤其重要。因为只有当所有算法共用同一套评测方式、同一批测试问题、同一个性能指标计算逻辑，实验结果才谈得上公平可复现。

1.2 平台里到底有什么，值得先说清楚

PlatEMO的基础版包含了上百种进化算法，几乎覆盖了主流多目标进化计算的经典方法。早期常见的遗传算法、粒子群优化、差分进化、模拟退火，再到多目标领域使用频率很高的NSGA-II、MOEA/D、NSGA-III，以及围绕分解策略、指标选择、环境选择、代理模型辅助等方向衍生的多种变体，都能在工具箱里直接找到对应实现。

测试问题部分也相当完整。ZDT系列、DTLZ系列、WFG系列、MOP系列，还有带约束、带大规模变量、带昂贵评价等不同特点的基准问题，平台里都内置了可运行版本。性能指标这一块是很多人容易忽略的，实际上PlatEMO不只是给出最后的最优解集，IGD、HV、GD、Spread等常用指标也会自动计算，并输出到结果表格中。跑完一个对比实验，写到论文里的核心数据基本都能直接拿到。

1.3 适合谁，不适合谁

最适合用PlatEMO的是三种人：

• 刚进入进化多目标优化方向的学生，需要快速验证经典算法在标准测试问题上的表现。
• 做算法对比研究的研究者，希望在统一平台上添加自己的算法，和已有算法横向比较。
• 需要在项目中选一个合适优化算法做预验证的工程师，比如先用平台评估几类算法的收敛性和分布性，再决定落地方案。

不适合的情况也需要说清楚。如果生产系统里需要把优化能力嵌入到C++、Java或Python服务中，不建议在MATLAB图形界面里运行整套PlatEMO，更应该考虑把算法逻辑抽出来单独立模块，或者通过MATLAB编译成可调用组件。另外，如果问题本身是线性规划、整数规划或凸优化，这一类用商业求解器或专用数学优化库更直接，进化算法并不是最优选择。

2. 装好MATLAB环境后，把PlatEMO跑起来

2.1 下载工具箱：GitHub和File Exchange选一个

PlatEMO的源码发布在GitHub上，搜索PlatEMO就能找到仓库。直接把整个仓库下载成zip压缩包，解压到本地即可。这个方法适合后续想自己看代码、改代码、提交更新的用户。

如果不想接触GitHub，也可以用MATLAB自带的File Exchange入口。在MATLAB上方菜单栏里通过Add-On Explorer搜索PlatEMO，找到对应工具箱点击安装，MATLAB会处理下载和路径配置。两种方式效果基本一样，但GitHub上更新通常更及时，File Exchange版本会经过一轮整理，稳定性相对好一点。我一般建议第一次用File Exchange安装，二次开发再切到GitHub版本。

2.2 添加路径并打开GUI

解压之后，第一步不是直接运行命令，而是让MATLAB知道工具箱在哪个位置。在MATLAB命令窗口执行：

addpath(genpath('D:\PlatEMO')); savepath;

把路径换成你自己的实际路径。addpath是添加搜索路径，genpath会把该目录下所有子目录一并加进去，savepath是把当前路径配置保存下来，这样下次启动MATLAB不需要重新设置。

路径设置好后，运行：

platemo

能够正常弹出GUI窗口，说明工具箱已经可以被识别了。这一步如果报错，优先检查路径是否真的存在，以及当前MATLAB版本是否支持工具箱用到的语法特性。

2.3 安装阶段最容易遇到的三类问题

第一类问题是中文路径。MATLAB对中文路径的支持一直不算稳定，PlatEMO里大量文件路径拼接逻辑基于英文路径假设。把它放在纯英文目录下是最稳妥的，比如D:\tools\PlatEMO。遇到莫名其妙的找不到文件、打不开类、加载不到问题定义等情况，先检查路径里有没有中文或特殊符号。

第二类问题是MATLAB版本过低。PlatEMO使用了很多较新的MATLAB语法，比如classdef嵌套类、新的函数式接口，老版本跑起来容易报语法错误。如果安装后运行platemo直接报解析错误，先不要怀疑工具箱坏了，先确认当前MATLAB版本是不是太旧。保守做法是用R2018b之后的版本，新版本更好。

第三类问题是环境类报错。热搜词里出现的“matlab r2022b error 9 错误”，这类错误经常不是PlatEMO本身造成的，而是MATLAB启动或运行过程中遇到路径配置、系统权限、图形环境异常导致的。遇到error 9，先重开MATLAB，再把addpath的路径重新设置一遍，接着检查当前用户是否有工具箱目录的读写权限。如果GUI打开后白屏或卡住，则要检查显卡驱动是不是和MATLAB图形窗口不兼容。

注意：出现任何启动类报错时，先记录完整错误文本，再按“路径是否正确、版本是否兼容、当前用户是否有权限”的顺序排查。不要一上来就改工具箱源码。

3. GUI界面：从填参数到读懂结果

3.1 GUI上的参数到底代表什么

打开PlatEMO的GUI后，界面布局比较直观。左侧是算法列表，右侧是测试问题列表，中间是需要填写的实验参数。最关键的几个参数是这样：

N和maxFE对实验结果的影响最大。N太小，种群的多样性不足，容易早熟；maxFE太小，算法还没充分进化就停止，结果通常不理想。第一次跑实验时，建议先用较小参数把流程跑通，后续正式实验再按测试问题的标准配置加大。

3.2 点击运行之后，应该观察什么

在GUI里选中一个算法和一个测试问题，填好参数后点击Start或运行按钮，界面会动态展示种群在目标空间的分布情况。如果看到离散点逐渐聚合到一条曲线或一个曲面上，说明算法在正常运行。

不过这里有一个容易忽略的点：界面上看到的图像只是可视化结果，不是完整的实验数据。PlatEMO运行结束后，会在当前工作目录下生成以Result_开头的文件夹，里面保存了本次运行的最优解集、指标值、参数配置文件等。真正写论文、做对比时使用的应该这些文件，而不是截一张GUI图。

我一般会等运行结束后，先把Result文件夹打开确认文件已生成，再处理下一个实验。如果运行时间很长，要留意输出目录的磁盘剩余空间，批量实验跑下来，结果文件积累速度比想象中快。

3.3 指标表里的IGD、HV、Spread怎么读

打开结果文件夹里的xls表格后，一般会出现多列数据。每一列代表一个评价指标，每一行代表一次独立运行的结果。常见的指标含义：

• IGD，反向世代距离。衡量算法求得的解集与真实Pareto前沿之间的距离，越小越好，说明解集越贴近真实前沿。
• HV，超体积指标。衡量解集在目标空间中覆盖的区域大小，越大越好，通常用于同时评估收敛性和分布性。
• Spread，分布性指标。衡量解集是否均匀分布在Pareto前沿上，越小代表分布越均匀。

如果在初始配置下maxRun只填了1，那么表格里每个指标只有一行数据，无法计算方差和标准差。写论文需要统计结论时，必须把maxRun调大，比如20或30，再对多次运行结果做均值统计。不要用单次运行的数据下结论，这是做优化算法实验最常见也最容易犯的错误。

4. 用命令行跑算法，比界面更可控

4.1 一条命令跑通完整实验

GUI适合交互式操作，但当实验次数变多，需要重复执行同一组参数时，GUI的操作效率就低了。更可控的方式是直接使用PlatEMO提供的main函数。

不打开GUI，在MATLAB命令窗口输入：

main('-algorithm', @NSGAII, '-problem', @ZDT1, ... '-N', 100, '-M', 2, '-maxFE', 10000, '-maxRun', 1)

这条命令的含义是：用NSGA-II算法求解ZDT1测试问题，种群规模是100，目标个数为2，最大函数评估次数为10000次，独立运行1轮。命令执行后，结果会保存到工作目录下的Result文件夹中。

命令行模式的好处是参数透明、结果可复现。我把常用实验参数写进脚本后，下次再跑同样的实验，直接运行脚本即可，不需要每次在GUI里重新配置。

4.2 批量对比多算法多问题

做算法实验时，通常需要同时比较多个算法在多个测试问题上的表现。这可以用循环结构实现：

algorithms = {@NSGAII, @MOEAD, @SPEA2, @NSGAIII}; problems = {@ZDT1, @ZDT2, @DTLZ2, @WFG3}; for a = 1:length(algorithms) for p = 1:length(problems) main('-algorithm', algorithms{a}, '-problem', problems{p}, ... '-N', 200, '-M', 3, '-maxFE', 50000, '-maxRun', 10); end end

写批量循环之前，有一个重要前提：先用单算法、单问题、小参数跑通一次。直接开大循环看似节省时间，实际一旦中间某个算法或问题定义报错，整个循环中断，排查范围会被拉得非常大。

另外，批量实验中不同算法对同一问题的求解能力可能差异很大，有的算法收敛很快，有的算法可能在一半的评估次数内还没有进入稳定状态。对比时尽量保证所有算法使用相同的maxFE，这样结果才有可比性。

4.3 结果目录和文件命名要提前规划

PlatEMO每次运行会生成独立的Result文件夹，多次运行会堆出大量目录。如果不提前规划命名，实验结果管理会变得混乱。我的做法是在批处理脚本里给每个实验加自定义标签，比如把算法名、问题名、参数写进最后的输出文件名中。也可以每次跑完后及时把Result文件夹重命名成“NSGAII_ZDT1_N200_maxFE50000_Run10”这样的格式。

结果文件包括mat文件和xls表格。mat文件里保存了最优解集的变量，可以用load命令重新载入，便于后续画图或做进一步分析。xls表格则是指标统计结果，直接用Excel或MATLAB的readtable读取即可。要注意的是，不同版本PlatEMO的输出文件格式可能略有差异，先打开看一列内容再写读取代码，比直接假设字段名更稳妥。

5. 自定义测试问题：把实际问题放进PlatEMO

5.1 为什么要自定义问题

内置的ZDT、DTLZ、WFG系列适合验证算法性能，但做实际工程项目时，面对的往往不是标准测试函数，而是带有真实物理约束、离散变量或多个目标的实际问题。如果问题无法用标准函数表示，就需要把它定义成PlatEMO能识别的新问题。

PlatEMO允许用户通过继承PROBLEM基类来创建自定义问题。这样做的好处是，一旦问题定义完成，就可以直接复用平台内所有算法和指标，实验成本会降低很多。

5.2 一个最简单的自定义问题模板

在PlatEMO目录下的Problems文件夹中新建一个.m文件，文件名与类名一致。一个最简单的双目标问题可以写成：

classdef MyProblem < PROBLEM methods function Setting(obj) obj.M = 2; % 目标个数 obj.D = 10; % 决策变量个数 obj.lower = zeros(1, obj.D); % 每个变量的下界 obj.upper = ones(1, obj.D); % 每个变量的上界 end function PopObj = CalObj(obj, PopDec) x = PopDec; PopObj = [x(:, 1), 1 - x(:, 1)]; end end end

Setting方法用来定义问题的目标个数、变量个数和变量边界。CalObj方法根据决策变量矩阵PopDec计算目标值矩阵PopObj，每一行是一个候选解，每一列是一个目标。这里写的是一个示意问题，真实问题只需要把CalObj里面的计算逻辑替换成自己的目标函数公式即可。

定义完成后，运行：

main('-algorithm', @NSGAII, '-problem', @MyProblem, ... '-N', 100, '-maxFE', 10000, '-maxRun', 1)

平台就会把MyProblem当作一个普通测试问题来处理。

5.3 自定义问题时的几个边界

变量个数和上下界必须一一对应。如果D设成10，但lower或upper长度不是10，后续生成初始种群时会报错。这个错误很常见，尤其在从外部文件读取上下界时。

如果变量不是连续实数，例如整数变量或离散系数组合，需要在类中额外指定编码类型。不同版本PlatEMO开放接口不太一样，建议先看一下内置问题类中是否有整数或离散变量的写法，照着复制修改。

目标数较大时，比如M大于等于10，不是所有算法都能稳定处理。部分算法对高维目标空间的指标计算非常敏感，运行时间也会明显增加。如果只是为了快速验证，可以先用M等于3的问题跑通流程，再扩展到高维场景。

有约束的实际问题还需要在类里实现约束计算逻辑，并在选择算法时注意平台是否默认处理约束。PlatEMO支持约束问题，但对约束的处理方式与具体算法有关，并不是所有内置算法都适用于强约束场景。

6. 给平台添加自己的算法

6.1 理解算法类的结构

自定义算法与自定义问题类似，也需要继承基类，这里的基类是ALGORITHM。核心逻辑写在solve方法中，平台会在算法运行过程中自动调用这个方法。solve方法里需要完成的是：初始化种群、执行进化循环、在评估次数达到maxFE后停止。

第一次写自定义算法时，不要直接照搬论文伪代码，先参考工具箱内置算法类的写法。打开任意一个已实现算法，比如NSGAII.m，观察它如何调用Problem.Initialization、Problem.Evaluation、Problem.FE这些接口。理解接口之后，再替换成自己的策略。

6.2 一个最小可运行的自定义算法

下面这个类演示了最基础的流程：随机生成初始种群，然后每轮随机生成一个新的候选解并替换掉种群中的个体。它的性能不会好，只是为了说明结构。

classdef MyAlgorithm < ALGORITHM methods function solve(obj, Problem) % 初始化种群 Population = Problem.Initialization(); % 进化循环，直到评估次数用尽 while obj.FE < Problem.maxFE % 生成随机后代 newDec = rand(Problem.N, Problem.D) .* ... (Problem.upper - Problem.lower) + Problem.lower; Offspring = Problem.Evaluation(newDec); % 用新后代替换当前种群 Population = Offspring; end end end end

保存为MyAlgorithm.m文件后，用下面命令测试：

main('-algorithm', @MyAlgorithm, '-problem', @ZDT1, ... '-N', 100, '-maxFE', 10000, '-maxRun', 1)

如果能够正常输出结果，哪怕质量很差，说明算法类和平台的交互接口已经打通了。接下来再把真实算法逻辑填充进去。

6.3 自定义算法时最常见的几个坑

obj.FE的更新是平台自动完成的，不要在solve里手动加减评估次数，否则容易造成死循环或提前终止。每次调用Problem.Evaluation时，平台会自行累加评估次数，这个机制不要破坏。

问题接口的大写字母很容易写错。Problem.Initialization()、Problem.Evaluation()中的大小写是固定的，不同版本可能存在差异。如果报“无法找到方法或属性”，先打开内置算法对照名称，而不是到处改代码。

第三个容易忽略的问题是种群对象不是普通矩阵，而是一个包含多个字段的类对象。直接对Population做矩阵运算可能失败，需要先查看内置算法如何读取Population的属性。我一般会先执行一个简单算法，在关键位置加上断点，观察Population的数据结构，再继续写自己的算法逻辑。

加了自定义算法后，如果结果表里出现NaN或整列空白，优先检查自定义算法生成的后代矩阵是否越界、是否有空行、是否没有更新解集状态。很多时候算法不收敛不是平台的问题，而是种群更新逻辑写错了。

7. 常见问题和排查思路

7.1 安装、启动、运行三阶段排错顺序

遇到问题先不要怀疑工具箱本身，按下面的顺序处理。

第一阶段是安装和启动阶段。GUI打不开，优先检查platemo命令是否真的执行，有没有变量未定义报错。如果platemo能识别但窗口不显示，检查显卡兼容性。如果命令本身找不到，说明addpath路径配置有问题。

第二阶段是运行阶段。运行过程中报错，看错误信息指向哪个文件。如果指向某个算法文件，问题可能在算法调用接口；如果指向某个问题文件，问题可能在目标函数或约束定义；如果指向指标输出相关文件，问题可能在结果写入逻辑。

第三阶段是结果阶段。运行正常但结果为空，检查maxFE是否设置过小，导致初始化后没有产生有效进化。检查输出目录是否有写入权限。检查算法是否更新了返回的种群，如果算法从头到尾没有更新最优解集，结果自然为空。

7.2 运行速度慢、虚拟机卡顿以及资源判断

PlatEMO对单次实验的计算资源要求并不算高，普通办公电脑也能跑经典算法。但当maxFE开到几万甚至几十万，同时比较多个算法时，总计算量会明显上升。如果跑一次标准参数要很久，先降参数验证：N降到50，maxFE降到2000，maxRun设成1。流程能跑通之后再逐步加大。

有网友提到MATLAB在虚拟机上运行慢，这个情况是普遍存在的。虚拟机里CPU核数分配不足时，MATLAB完全发挥不出来。如果必须在虚拟机里跑，先确认分配给虚拟机的核数和内存是否满足基本要求。另外，MATLAB的CPU占用有时看起来不高，但运行速度很慢，常见原因是CPU主频限制、内存不足导致页面交换、后台其他进程抢占资源。虚拟机上跑大型批量实验时，不要同时开多个重型程序。

7.3 做实验时值得长期保留的几个习惯

所有实验脚本放在同一目录下，并以日期或版本命名。每次改动参数后，把脚本重新保存一遍，不要直接改原脚本，以便回溯结果生成条件。

每次实验单独生成Result的最终命名，建议带上算法名、问题名、核心参数和运行时间。如果平台自动生成的文件夹名不够清晰，及时改名，避免几天后再看到一长串数字不知道对应哪个实验。

对比算法时，保证所有算法使用相同的maxFE、相同的maxRun、相同的种群规模。这是公平对比最基本的前提。如果某个算法因为计算复杂度高而故意减小评估次数，对比结果就失去了说服力，必须在论文里如实交代。

批量实验结束后，尽快整理表格指标和PF图，不要等结果积累到几十个文件夹后再整理。平台能帮你省掉重复写算法的时间，但实验数据的管理仍然需要自己做好。

我个人在实际使用中的建议是：先不管平台里到底有多少种算法，先跑通一条“算法-问题-结果”的最小链路，再逐步扩展到批量对比、自定义问题、自定义算法。把单任务跑稳，比一次性堆很多功能更可靠。PlatEMO最值得珍惜的地方，不是算法数量多，而是它让多目标优化实验的对比过程变得规范、可复现、可追溯。这一点在长期实验和论文写作中，价值会越来越明显。