企业官网建设流程全解析

简介：面向多目标优化问题，这份Matlab代码实现了经典的NSGA-II算法，适合算法研究者、研究生及工程开发人员理解非支配排序遗传算法的核心机制。代码按功能拆分出拥挤距离计算、精英策略保留、遗传操作、非支配排序、目标函数定义等模块，并基于ZDT1-6与DTLZ1-6标准测试函数给出了完整仿真，附有测试数据和结果图像，便于对照验证Pareto前沿求解效果。整个压缩包共27个文件，其中10个m脚本对应各算法环节，10个txt存放测试数据，7个fig为生成的二维/三维前沿图像，整体体积2.41MB，结构清晰、便于按模块阅读和二次开发。目前已有3201人学习下载，尤其适合初次接触多目标优化、希望快速跑通NSGA-II代码的读者。 写NSGA-II的Matlab代码这件事，表面上是“照着论文撸一遍算法”，实际上踩到的坑会比你预想的多得多。这篇内容是我自己把非支配排序遗传算法第二代从头实现一遍后的完整记录，包含核心机制怎么理解、代码文件怎么组织、每个关键函数怎么实现，以及我在调试、调参、扩展时遇到的问题和解决办法。不管你是刚接触多目标优化、想在毕业设计里用NSGA-II跑个对比实验，还是想把算法改到像VRPTW这类实际问题上去，这份记录都能给你省下不少搜代码、试错的时间。

1. 先搞懂NSGA-II的三个支柱，代码才有逻辑

1.1 为什么多目标问题要Pareto，而不是“加权求和”

很多初学者一上来就问：NSGA-II和普通遗传算法到底差在哪？关键就一句话：普通遗传算法处理单目标，NSGA-II处理多个互相冲突的目标。比如我要买一台笔记本电脑，既想要性能强，又想要价格低——这两个目标打架，没有绝对最优解，只有“比某个解更好”的解。这种“别人没法全面打赢你”的解，就叫Pareto最优解。

NSGA-II要做的，就是一次性找出一整组这样的折中方案，供你根据偏好挑选。这里的核心机制有三块：快速非支配排序（Fast Non-Dominated Sort）、拥挤度距离（Crowding Distance）、精英保留选择（Elitism）。业界常说NSGA-II解决了早期多目标算法的两大问题：计算复杂度高和种群多样性差。前者通过O(MN²)的排序算法搞定，后者靠拥挤度距离和锦标赛选择维持。后面写代码时会发现，这三个机制环环相扣，少一个整个算法都跑不动。

1.2 主流程和MATLAB代码结构的对应关系

NSGA-II的流程其实很固定，论文里那张经典流程图看懂了，代码结构也就定下来了：初始化种群 → 评估目标值 → 非支配排序 → 拥挤度计算 → 锦标赛选择 → 交叉变异生成子代 → 合并父子代 → 环境选择（重新排序+修剪）→ 循环直到达到最大迭代次数。

我把这个流程映射到了MATLAB的工程文件上，每个函数单独一个文件，目录结构如下：

nsga2_project/ ├── nsga2_main.m % 主程序入口 ├── init_population.m % 初始化种群 ├── evaluate_objective.m % 目标函数，改成自己的问题即可 ├── non_dominated_sort.m % 快速非支配排序 ├── crowding_distance.m % 拥挤度距离计算 ├── tournament_select.m % 锦标赛选择 ├── sbx_crossover.m % 模拟二进制交叉 ├── polynomial_mutation.m % 多项式变异 ├── environmental_select.m % 精英保留环境选择 └── plot_pareto.m % 画Pareto前沿

这种“一函数一文件”的写法，好处是在实验时能单独测试每个环节。比如你怀疑排序写错了，直接在命令行调用non_dominated_sort，输入几组目标向量看输出就完事，不用跑整个算法。我自己最初是把所有代码塞在一个脚本里，结果调试一次得跑十几分钟，后来拆开才痛快。

主程序里建议加一个“固定随机种子”的步骤：

% 固定随机种子，保证实验结果可复现 rng(42);

别小看这一行。多目标优化实验写论文时必须多次重复运行，不固定种子你连自己都说不清楚结果是随机出来的还是算法真的有效。

2. 初始化、参数设置与种群表示

2.1 决策变量编码与边界约束

NSGA-II默认采用实数编码，每个个体是一个决策变量向量。对于连续优化问题，这个编码方式很自然。比如ZDT1测试函数有n维决策变量，每个变量范围是[0,1]，初始化代码可以这样写：

function pop = init_population(nPop, nVar, lb, ub) % nPop: 种群规模 % nVar: 决策变量维数 % lb, ub: 下界和上界向量 pop = zeros(nPop, nVar); for i = 1:nPop pop(i, :) = lb + (ub - lb) .* rand(1, nVar); end end

如果你的实际问题里决策变量不是连续值，比如VRPTW问题中每个客户点访问顺序是离散排列，那这里的编码方式就要彻底换掉。很多初学者改不动标准NSGA-II代码，多半是在“编码”这一层就卡住了。连续变量 → 实数编码，离散顺序 → 排列编码，这一点必须先想清楚再动手。

2.2 一组能直接用起来的参数范围

写NSGA-II之前，先给自己定一套初始参数，不用追求最优，先让代码跑通。我常用的起步参数如下：

这组参数不是拍脑袋来的。交叉概率太低，子代多样性不足；太高则近似随机搜索。变异概率取1/nVar是为了保证平均每个个体大约有一个决策变量发生变异，这是遗传算法里常用的经验比例。eta_c、eta_m越大，生成的后代越接近父代，搜索更精细但可能陷入局部；越小则后代偏离越远，探索能力强但收敛慢。所以这两项我一般先取中间值，观察收敛曲线后再调整。

3. 核心函数实现与逐段代码讲解

3.1 快速非支配排序：怎么用O(MN²)完成前沿分级

非支配排序是NSGA-II的灵魂。解释一下支配关系：如果解A在所有目标上都不劣于解B，且至少在一个目标上严格优于B，那么A支配B。排序要做的是把所有个体划分到不同前沿：第一前沿是所有不被任何其他解支配的解，第二前沿是去掉第一前沿后剩下的不被支配的解，以此类推。

我用的是经典的两两比较，逻辑很直白：

function [fronts, rank] = non_dominated_sort(objValues) % objValues: nPop x nObj，每一行是一个解的目标值 nPop = size(objValues, 1); dominatedCount = zeros(1, nPop); % 被多少个体支配 dominatedSet = cell(1, nPop); % 它支配哪些个体 for i = 1:nPop for j = 1:nPop if i == j continue; end if dominates(objValues(i, :), objValues(j, :)) dominatedSet{i} = [dominatedSet{i}, j]; elseif dominates(objValues(j, :), objValues(i, :)) dominatedCount(i) = dominatedCount(i) + 1; end end end fronts = {}; currentFront = find(dominatedCount == 0); while ~isempty(currentFront) fronts{end+1} = currentFront; nextFront = []; for i = currentFront for j = dominatedSet{i} dominatedCount(j) = dominatedCount(j) - 1; if dominatedCount(j) == 0 nextFront = [nextFront, j]; end end end currentFront = nextFront; end rank = zeros(nPop, 1); for k = 1:length(fronts) rank(fronts{k}) = k; end end function d = dominates(x, y) d = all(x <= y) && any(x < y); end

这段代码的核心思想是“计数+分层”：先统计每个个体被谁支配、支配谁，然后从“没人支配它”的个体开始逐层剥离。实际调试时我建议先用一个4个个体的小例子，比如objValues = [1,2; 2,1; 3,3; 1.5,1.5]，手算一遍再来跑代码，确认前沿划分正确后再接下游。

注意：这段代码是教学版，当nPop达到几千时，双重循环会变得很慢。工程上可以用排序优化，但对常规实验这个版本完全够用。向量化技巧后面单独讲。

3.2 拥挤度距离：拿什么保证解的多样性

光有排序还不够。同一前沿内的解有优劣之分吗？从Pareto角度看它们都很优秀，但我们需要选择一些“更有代表性”的解保留下来。NSGA-II的做法是计算每个解周围的拥挤程度——周围越空旷，说明这个区域解越稀疏，越值得保留。

拥挤度距离的计算方式是：对每个目标值排序，边界个体（最大值、最小值）直接给一个无穷大的距离，保证它们一定被选中；内部个体的距离是相邻两个个体在该目标上归一化差值之和。

function dist = crowding_distance(objValues) nPop = size(objValues, 1); nObj = size(objValues, 2); dist = zeros(1, nPop); for m = 1:nObj [sortedValues, idx] = sort(objValues(:, m)); fmin = sortedValues(1); fmax = sortedValues(end); dist(idx(1)) = inf; dist(idx(end)) = inf; for i = 2:nPop-1 if fmax ~= fmin dist(idx(i)) = dist(idx(i)) + (sortedValues(i+1) - sortedValues(i-1)) / (fmax - fmin); end end end end

3.3 锦标赛选择：压力和随机性的平衡

有了排序等级rank和拥挤度距离dist，选择父代就成了一个比较规则：优先选择rank小的个体；如果rank相同，选择距离大的个体。这个规则在代码里体现为：

function parent = tournament_select(pop, rank, dist, k) % pop: 决策变量种群 % k: 锦标赛规模，一般取2 nPop = size(pop, 1); parent = zeros(size(pop, 1), size(pop, 2)); for i = 1:nPop candidates = randperm(nPop, k); best = candidates(1); for j = 2:k c = candidates(j); if rank(c) < rank(best) || (rank(c) == rank(best) && dist(c) > dist(best)) best = c; end end parent(i, :) = pop(best, :); end end

锦标赛选择是“有压力的随机抽样”：规模k越大，选择压力越大，收敛快但更容易早熟。k=2是标准设置，先用它跑通整体流程。

3.4 SBX交叉与多项式变异：让种群“生”出新解

SBX交叉模拟的是二进制编码中单点交叉的分布效果。给定父代p1、p2，按概率生成子代c1、c2。核心是计算beta因子：

function [c1, c2] = sbx_crossover(p1, p2, lb, ub, eta_c) % p1, p2是一个个体的决策变量向量 beta = zeros(size(p1)); u = rand(size(p1)); beta(u <= 0.5) = (2 * u(u <= 0.5)).^(1 / (eta_c + 1)); beta(u > 0.5) = (1 ./ (2 * (1 - u(u > 0.5)))).^(1 / (eta_c + 1)); c1 = 0.5 * ((1 + beta) .* p1 + (1 - beta) .* p2); c2 = 0.5 * ((1 - beta) .* p1 + (1 + beta) .* p2); c1 = min(max(c1, lb), ub); c2 = min(max(c2, lb), ub); end

多项式变异则是在当前解上叠加一个可控的扰动：

function child = polynomial_mutation(x, lb, ub, eta_m) u = rand(size(x)); delta = zeros(size(x)); idx1 = u < 0.5; idx2 = u >= 0.5; delta(idx1) = (2 * u(idx1)).^(1 / (eta_m + 1)) - 1; delta(idx2) = 1 - (2 * (1 - u(idx2))).^(1 / (eta_m + 1)); child = x + delta .* (ub - lb); child = min(max(child, lb), ub); end

注意一点：SBX之后必须做变量边界截断。否则在边界附近的父代交叉后，子代很容易越界，后续计算目标时会报错或者导致结果无意义。这是我早期调试踩过最多的坑。

4. 测试、调参和性能优化实录

4.1 用ZDT系列测试函数验证算法对错

拿到一套新写的优化算法，第一步不是改参数，而是用标准测试函数验证“它对不对”。ZDT1是最常用的两目标测试函数，Pareto前沿是凸的（f2 = 1 - sqrt(f1)），非常适合验证：

function [f1, f2] = zdt1(x) n = length(x); f1 = x(1); g = 1 + 9 * sum(x(2:end)) / (n - 1); f2 = g * (1 - sqrt(f1 / g)); end

跑完程序后，把每一代的最优前沿画出来，和理论前沿叠在一起，如果差距很大，那基本可以断定代码有bug，而不是参数问题。我个人的测试顺序是：先用ZDT1（凸前沿），再用ZDT2（凹前沿），最后用ZDT4（带局部最优陷阱的复杂地形）。三个全过了，代码才敢说“基本正确”。

4.2 调参的实战经验：先收敛后多样性

调参这件事，很多新手喜欢一上来就交叉、变异概率全面扫参，结果跑了一宿也没搞清楚哪个参数影响大。我的经验是先固定种群规模和迭代次数，单独调eta_c和eta_m：

• 如果最后一代的Pareto前沿明显偏离理论前沿，优先增大eta_c（让后代更接近父代，收敛更细）；
• 如果前沿“缺块”——有些区域没有解，优先增大eta_m（增强探索能力），或者增大变异概率；
• 如果相同迭代次数下前沿越来越稳定，但多样性变差，试试增大种群规模。

我用一个小建议：跑一次实验后，不只保存最终前沿，还要保存每一代前沿保存到workspace。这样你可以看收敛动画，直观判断是在“寻找新区域”还是“卡在某个区域细化”。

4.3 向量化与并行评估：让实验跑得快一倍

NSGA-II的评估阶段是最大性能瓶颈。如果目标函数是仿真模型，一次评估要几秒甚至几分钟，你不可能等它慢慢跑完。Matlab有个很实用的手段是对多个个体做向量化评估——让目标函数能接收整个种群矩阵，一次计算全部个体的目标值。

如果目标函数无法向量化，退而求其次用parfor：

parfor i = 1:nPop objValues(i, :) = evaluate_objective(pop(i, :)); end

注意parfor循环里使用的函数必须能被所有worker访问，建议把问题定义函数写成一个独立的.m文件。

提示：工具箱方面，Matlab自带gamultiobj也能求解多目标问题，自己写NSGA-II的意义在于完全可定制，比如改编码、加约束、自定义交叉算子。但如果你只是想快速得到一组结果，先用gamultiobj对比一下结果，再回来验证自己的实现，也是一种高效路线。

5. 常见问题与排查技巧实录

5.1 错误排查速查表

5.2 三个值得注意的工程细节

第一个细节：种群在matlab里的存储格式尽量用nPop × nVar的矩阵，而不要用struct数组。矩阵运算可以直接用向量化，struct数组取字段再操作很麻烦。只有当每个个体带约束值、ID等额外信息时，才考虑struct。

第二个细节：环境选择（合并父代与子代、再排序、再截断）时，最后一步“按front和拥挤度填满种群”要小心。排名靠前的前沿全要，最后一个前沿只需填补剩余名额，需要用拥挤度排序后取前面一部分，而不是把这个前沿全塞进去。

第三个细节：调试时画图非常关键。我建议在main循环里加一个条件语句——每隔20代画一次当前最优前沿，最终结果保存成动画格式。这能直观看到算法从“散点”到“收敛成线”的全过程，一旦发现异常，能立刻定位问题发生的大致迭代轮次。

6. 从测试函数到实际问题：VRPTW与更多扩展思路

6.1 怎么把标准NSGA-II改造成解决VRPTW或调度问题

很多人拿着标准测试函数版的NSGA-II，想直接处理带时间窗的车辆路径问题（VRPTW），结果发现交叉、变异完全不起作用。原因很简单：VRPTW的决策变量是一组车辆访问客户的排列序列，标准实数编码的SBX在这里没有意义。需要做的改动是：

• 把每个个体编码成一串客户序列和车辆分配标志；
• 将SBX替换为顺序交叉（Order Crossover，OX）或部分映射交叉（PMX）；
• 将多项式变异替换为交换变异、插入变异或反转变异；
• 把时间窗超时量作为约束，用罚函数加到目标中。

这套改造思路本质上是“问题变了，算子和表示跟着变”。理解这一点比自己硬套标准代码重要得多。改造我建议分三步走：先不管约束，跑通两个目标的优化；再加上时间窗约束；最后引入车辆数目标，做成真正的“优化车辆数+总路径+惩罚项”的多目标。

6.2 我自己的几个使用心得和避坑经验

个人体会最深的一件事：NSGA-II不是“调个参就能一劳永逸”的算法，它对目标函数的尺度很敏感。如果两个目标值量级差太大，比如一个在[0,1]区间，一个在[1000,100000]区间，归一化处理一定不能省，否则拥挤度距离基本被大尺度目标主导，小目标等于白算。这种情况在ZDT测试函数上看不出来，到了实际工程一定会爆。另一个习惯是：每跑完一组实验，先把本次的种群、参数、随机种子存成.mat文件。后面整理数据、画图、复盘时，这组变量就是你的原始证据。

代码始终只是算法思想的刻板记录，真正有价值的是你能解释清楚每一步为什么这么做。把上面这些函数跑通之后，建议你换个测试函数、改改约束条件重新练一遍，到那个时候才算真正吃透了NSGA-II。

本文还有配套的精品资源，点击获取