简介面向多目标优化学习者与科研人员的 NSGA-III 算法 MATLAB 实现代码可直接运行用于求解三目标及以上的多目标优化问题。代码已完成参考点生成、非支配排序、关联参考点、归一化、交叉变异等核心模块的拆分实现使用者只需按自身问题替换目标函数与参数设置即可观察种群在目标空间中的分布与收敛过程。压缩包共 19 个文件以 15 个 .m 脚本为主体涵盖主程序、非支配排序、SBX 交叉、多项式变异、理想点更新与结果绘图等环节另附 2 个 txt 许可说明和 2 个网址链接文件整体约 15KB体量轻便便于阅读与二次修改。目前已有 1303 人学习下载适合想理解 NSGA-III 参考点选择与多样性维持机制、需要一份能跑通的代码骨架来快速开展实验的读者。1. 三目标以上挤成一团问题出在拥挤度上多目标优化的项目里遗传算法几乎是默认选项但真正让人抓狂的不是算法本身而是“解集画出来不好看”。两目标的时候NSGA-II 跑出来的 Pareto 前沿还能均匀铺开一旦目标数加到三个、四个同一份代码跑出来的点常常往某个角落堆甚至缩成一小撮。原因不在交叉变异而在选择拥挤度距离在高维空间里几乎失去分辨力绝大多数个体算出来都“差不多密”排序退化成随机。这份 NSGA-III 的 MATLAB 代码就是冲着这个痛点来的。它把环境选择的核心换成了参考点引导的小生境保留能在三目标、五目标甚至十目标上把解均匀摊到整个前沿面上。适合两类人一类是写论文做实验、需要 DTLZ/WFG 标准测试集跑对比曲线的另一类是在实际工程里做参数多目标权衡需要一组分布均匀的候选解来挑方案而不是只看一个加权和最优值。代码是纯 MATLAB 实现不依赖工具箱拿到手改个目标函数就能跑自己的问题。2. 技术选型与工程结构为什么这套代码值得读一遍拿到一份算法代码第一件事不是急着 run而是先确认它到底是“能出图的 demo”还是“能改的框架”。这两者的差别在于demo 把所有逻辑塞进一个脚本改一行就崩框架把选择、交叉、评价拆成独立函数接口定死你只需要替换目标函数。这份代码偏后者主循环只有几十行但环境选择的每一层都是单独的文件这决定了它后续可改造的空间。2.1 参考点小生境与 NSGA-II 的本质差别先把原理说透不然改代码时容易改错地方。NSGA-II 的环境选择分两步先按非支配层级从前到后整层保留遇到装不下的“临界层”再用拥挤度距离排序从大到小挑够数量。这个思路在两目标下非常有效因为拥挤度本质上算的是个体前后邻居围成的矩形周长二维里这个矩形的意义是明确的。到三维以上同一个个体周围的邻居数量暴涨拥挤度距离的计算方式按每个目标分别排序后取相邻两个解的差值之和会迅速失去区分度大量个体的距离值趋于相同排序结果接近随机。表现出来的现象就是解集在某个目标维度上扎堆另一个维度上留白。NSGA-III 的做法是把“密度估计”换成“方向引导”。它先在目标空间的单位单纯形上均匀撒一批参考点每个参考点相当于一条从原点射出的方向线。临界层保留时不再看谁周围稀而是看哪条方向线上挂的个体少优先给空的方向线分配个体如果某条线已经有人了就随机塞一个进去避免重复偏向同一条线。这套机制就是小生境保留niche preservation也是整个算法里最容易写错的一段。提示参考点的数量由目标数 M 和一个划分参数 p 共同决定公式是组合数 C(Mp-1, p)。M3、p12 时是 91 个点M5、p6 时是 210 个点。这个数字直接决定了种群规模的合理取值后面会细说。2.2 文件清单与调用关系一份结构清晰的实现主循环之外通常包含这些文件。不同来源的代码命名会有出入但职责划分基本一致对照着看就行文件职责是否常改NSGAIII.m主循环控制代数、评价、环境选择偶尔EnvironmentalSelection.m分层 临界层小生境保留少改NonDominatedSorting.m快速非支配排序输出层级基本不改GenerateReferencePoints.m单纯形格点生成参考点少改NormalizePopulation.m理想点平移 超平面截距归一化少改AssociateToReferencePoint.m个体关联到最近参考线少改Niching.m临界层按小生境逐个填充少改GeneticOperator.mSBX 交叉 多项式变异 边界修正常改TournamentSelection.m二元锦标赛按层级和密度选父代常改DTLZ1.m ~ DTLZ7.m标准测试问题可替换调用关系是一条直线主循环调用锦标赛选择拿到交配池遗传算子产生子代子代评价后与父代合并成 2N 的种群交给环境选择裁剪回 N。环境选择内部有三条支路非支配排序决定层级归一化决定坐标尺度小生境决定临界层谁留下。想改算法行为先定位到这三条支路中的哪一条比通读全部文件高效得多。2.3 第一次跑通的完整步骤环境上不用太纠结MATLAB R2016b 之后的版本基本都能直接跑更老的版本可能在隐式扩展语法上报错。不需要任何工具箱优化工具箱、统计工具箱都不依赖因为排序、归一化、随机数都是手写的。启动步骤就三步把整个文件夹加入路径、打开主脚本、运行。命令行版本如下% 在项目根目录执行 addpath(genpath(pwd)); % 把子文件夹一并加入搜索路径 Problem.M 3; % 目标个数先跑三目标 Problem.D 7; % 决策变量维数DTLZ1 在三目标下是 M-15 7 Problem.lower zeros(1, Problem.D); Problem.upper ones(1, Problem.D); Problem.evaluate (x) DTLZ1(x, Problem.M); Setting.N 92; % 种群规模稍大于参考点个数 91 Setting.maxGen 400; % 迭代代数 Setting.p 12; % 参考点划分参数对应 91 个参考点 Setting.pc 1.0; % 交叉概率 Setting.pm 1 / Problem.D; % 变异概率常用 1/D Setting.eta_c 30; % SBX 分布指数 Setting.eta_m 20; % 多项式变异分布指数 [Population, Front] NSGAIII(Problem, Setting); PlotFront(Population.objs, Front); % 画三维散点看分布是否铺开参数含义逐个说清楚N是每代保留的个体数必须大于等于参考点个数否则小生境阶段会出现“线多解少”部分方向线永远空着虽然不会报错但分布会偏p控制参考点密度p 越大点越密但数量是组合增长三目标 p12 已经是 91 个p16 就到 153 个种群规模得跟着涨pc、pm和两个分布指数是遗传算法的常规参数SBX 的eta_c越大子代越靠近父代探索能力下降20~30 是比较稳的区间。跑通之后先别急着换问题看一眼输出三目标 DTLZ1 在 400 代左右解集应该在一个三角面上铺开成网格状。如果画出来是一团乱麻或者全挤在原点附近说明有问题先去第 5 章对号入座别急着调参数。注意DTLZ1 的最优前沿满足各目标之和等于 0.5画图时把坐标轴范围固定下来看更直观否则每次自动缩放会掩盖分布不均的问题。3. 核心链路拆解一次迭代从种群到环境选择这一章按执行顺序把关键函数拆开每段代码后面都说清楚它在做什么、哪些参数会影响结果。看完之后再回头改代码就不会出现“改了这行不知道那行为什么崩”的情况。3.1 主循环的骨架与理想点维护主循环负责三件事产生子代、更新理想点、合并后做环境选择。结构不复杂但理想点的更新位置是个容易忽略的细节。function [Population, Front] NSGAIII(Problem, Setting) % 1. 初始化随机撒点并评价 Population InitializePopulation(Problem, Setting.N); Population EvaluatePopulation(Population, Problem); % 2. 理想点初始化逐列取最小值 Zmin min(Population.objs, [], 1); % 3. 参考点只生成一次全程复用 RefPoints GenerateReferencePoints(Problem.M, Setting.p); RefPoints RefPoints ./ max(RefPoints, [], 2); % 确保落在单位单纯形内 for gen 1:Setting.maxGen % 4. 交配池选择二元锦标赛按层级优先、同层比小生境计数 MatingPool TournamentSelection(Population, Setting.N); % 5. 交叉变异产生 N 个子代 Offspring GeneticOperator(MatingPool, Problem, Setting); Offspring EvaluatePopulation(Offspring, Problem); % 6. 理想点随子代更新注意是追加后整体取 min Zmin min([Zmin; Offspring.objs], [], 1); % 7. 父代子代合并成 2N环境选择裁剪回 N Combined [Population, Offspring]; [Population, Front] EnvironmentalSelection(Combined, Setting.N, Zmin, RefPoints); if mod(gen, 50) 0 fprintf(gen %d, 当前前沿规模 %d\n, gen, numel(Front)); end end end第 6 步是重点。理想点Zmin必须在每一代用新产生的子代更新因为它决定了归一化的原点位置。用[Zmin; Offspring.objs]把历史最优点和子代堆叠起来再整体取最小值等价于维护“到目前为止所有评价过的个体里每个目标的最优值”。这个值单调不增越跑越接近真实前沿的边界。我见过一种写法是把Zmin只在初始化时算一次、全程不变。短代数100 代以内看不出问题跑到 500 代之后归一化就明显偏了因为初始随机种群的理想点距离真实前沿很远坐标被整体压缩超平面截距算出来异常最终表现为解集偏向某几个参考线。Setting结构体里还可以加一个Setting.saveEvery每若干代把Population.objs存成 mat 文件长时间跑几千代、上万次评价时特别有用中途断电不至于全丢。3.2 非支配排序分层是整个选择的地基环境选择的第一步是把 2N 个个体按支配关系分成若干层。层号越小越优第一层是互不支配的第二层是被第一层支配但彼此互不支配的依次往下。function [FrontNo, MaxFNo] NonDominatedSorting(PopObj) [N, ~] size(PopObj); FrontNo inf(1, N); MaxFNo 0; while any(isinf(FrontNo)) idx find(isinf(FrontNo)); % 尚未分层的个体 for i 1:numel(idx) % 判断 idx(i) 是否被当前待分层集合中任一其他个体支配 % 支配条件所有目标不劣且至少一个目标严格更优 Dominated any(all(PopObj(idx,:) PopObj(idx(i),:), 2) ... any(PopObj(idx,:) PopObj(idx(i),:), 2)); if ~Dominated FrontNo(idx(i)) MaxFNo 1; end end MaxFNo MaxFNo 1; end end这个实现是向量化写法一次比较就把整个待分层集合和单个个体比完代码短、可读性好。复杂度是 O(N²M) 乘以层数在 N200、M3 这种规模下毫秒级完成完全够用。如果你的问题评价次数能压到很低但种群很大比如 N 上千可以参考经典实现里的支配计数 被支配集合的两表法把复杂度压到 O(MN²) 一次性出结果不必逐层重扫。参数上唯一要注意的是PopObj必须是 N×M 的数值矩阵行是个体、列是目标。如果目标函数返回的是列向量1×M 写习惯了容易搞反拼起来会变成 M×N排序结果全错但不报错这是最隐蔽的一类 bug。3.3 归一化与参考点关联把不同量纲拉回同一尺度小生境保留要在目标空间里比较“谁离哪条方向线近”前提是所有目标在同一量纲下。如果其中一个目标是成本几千到几万另一个是时间0.1 到 1直接算距离的话成本维度完全主导关联结果全挤在成本轴附近。归一化就是解决这个。function [Fn, Zmin, Zmax] NormalizePopulation(PopObj, Zmin) M size(PopObj, 2); F PopObj - repmat(Zmin, size(PopObj,1), 1); % 平移到理想点为原点 % 1. 每个目标轴上找一个极值点 % 用 ASF切比雪夫加权来定位权重越偏向某个目标取到的极值点越靠那个轴 W eye(M) 1e-6; % 加小量防止除零 ASF zeros(size(F,1), M); for i 1:M ASF(:, i) max(F ./ repmat(W(i,:), size(F,1), 1), [], 2); end [~, idx] min(ASF, [], 1); Extreme F(idx, :); % M 个极值点每个对应一个轴 % 2. 用极值点拟合超平面求每个轴上的截距 b Extreme \ ones(M, 1); intercept 1 ./ b; intercept(~isfinite(intercept) | intercept 1e-12) max(F(:)) 1e-6; % 3. 按截距缩放落到 [0,1] 区间 Fn F ./ repmat(intercept, size(F,1), 1); end第 1 步的 ASF 是这段代码里最绕的地方。它做的事是对每个目标 i构造一个权重向量第 i 维权重接近 1、其余维度是极小值 1e-6然后对每个个体算“目标值除以权重后的最大值”。这个值越小的个体越接近第 i 个目标的坐标轴方向。取最小值对应的那个个体就得到了该轴上的极值点。三个目标就得到三个极值点。第 2 步用这三个点解一个线性方程组求出超平面在三个轴上的截距intercept。三个极值点确定一个平面平面和坐标轴的交点就是截距。第 3 步把每个个体按截距缩放所有目标就都落到了大致 [0,1] 的范围里量纲问题解决。退化保护那一行不能删。当种群里有多个个体目标值完全相同或者某个目标在整代里没有任何变化时方程组会解出 0 或负数截距变成无穷大后面的缩放就全成了 NaN。加上这行保护最坏情况退化成用最大值兜底分布会差一些但不至于崩。关联部分相对直白对每个个体计算它到每条参考线的垂直距离取距离最小的那条线作为它的归属。function [Assoc, Dist] AssociateToReferencePoint(Fn, RefPoints) % Fn 已归一化RefPoints 每行是一条方向线 NormRef sqrt(sum(RefPoints.^2, 2)); % 每条线的模长 Assoc zeros(1, size(Fn,1)); Dist zeros(1, size(Fn,1)); for i 1:size(Fn, 1) % 点到直线的垂直距离 |p| * sqrt(1 - (p·r/|p||r|)^2) proj (Fn(i,:) * RefPoints) ./ NormRef; % 投影长度 d sqrt(sum(Fn(i,:).^2) - proj.^2); % 垂直距离 d(d 0) 0; % 数值误差保护 [Dist(i), Assoc(i)] min(d); end end这里的Dist是垂直距离不是欧氏距离因为要衡量的是“偏离方向线多远”。用投影长度算勾股差得到垂直距离比直接算点到点的距离更准确尤其是参考点分布不均匀的时候。3.4 小生境保留临界层到底留谁前面几步都是准备真正决定解集分布均匀性的就是这一段。function [Population, FrontNo] Niching(Population, Next, LastFront, N, Zmin, RefPoints) FrontNo ...; % 由外层传入的分层结果 [Fn, ~, ~] NormalizePopulation(Population.objs, Zmin); [Assoc, Dist] AssociateToReferencePoint(Fn, RefPoints); % 1. 统计每条参考线上已经保留了多少个体 rho zeros(1, size(RefPoints,1)); for i find(Next) rho(Assoc(i)) rho(Assoc(i)) 1; end % 2. 逐个填充直到凑够 N 个 while sum(Next) N available unique(Assoc(LastFront)); % 还有候选的方向线 if isempty(available), break; end [~, k] min(rho(available)); % 优先选计数最小的线 j available(k); cand LastFront(Assoc(LastFront) j); % 这条线上的候选个体 if isempty(cand) rho(j) inf; % 该线已无候选剔除 continue; elseif rho(j) 0 [~, t] min(Dist(cand)); % 空线取垂直距离最近的 else t randi(numel(cand)); % 非空线随机取保多样性 end Next(cand(t)) true; rho(j) rho(j) 1; LastFront(LastFront cand(t)) []; % 从候选池移除 end Population Population(Next); end三层逻辑值得逐条说。第一优先挑计数最小的参考线保证每条方向线机会均等这是分布均匀的根本。第二如果这条线还是空的rho(j) 0从候选里挑垂直距离最近的那个因为它最能代表这个方向。第三如果这条线已经有个体了就随机挑一个不再看距离——这一步看着随意其实是故意的如果一直挑最近的同一条线上会聚集一堆几乎重合的解反而破坏了多样性。rho(j) inf那句是死循环的保险。如果某条参考线上的候选个体全部被选完但总人数还没到 Nmin(rho(available))会一直选到这条线cand为空无限循环。把它的计数置成无穷大下一轮就会被跳过。break那句是最后兜底。正常情况下候选池一定够用因为LastFront的规模加已保留数必然大于等于 N但如果前面有 bug 导致Assoc全是 0 或者候选被提前清空这个 break 能让函数退出而不是卡死。调试阶段建议把它换成error报错比静默返回更能暴露问题。4. 换到自己的问题目标函数接口与调参代码能跑通只是第一步真正要花时间的是把它接到自己的问题上。这一章把接口约定和调参经验说清楚能省掉不少试错。4.1 标准测试问题的写法与验证价值代码里附带的 DTLZ 系列是验证实现正确性的基准。它们的最优前沿形状是已知的DTLZ1 是线性超平面DTLZ2 是球面DTLZ3 带多模态陷阱DTLZ4 有偏置DTLZ7 是不连续的。跑完画图对着形状看一眼就知道算法有没有实现错。以 DTLZ1 为例function f DTLZ1(x, M) D numel(x); K D - M 1; % 位置变量个数 g 100 * (K sum((x(M:end) - 0.5).^2 - cos(20*pi*(x(M:end) - 0.5)))); f zeros(1, M); for i 1:M f(i) 0.5 * (1 g) * prod(x(1:M-i)); % 距离变量连乘 if i 1 f(i) f(i) * (1 - x(M-i1)); % 最后一个因子取反 end end end前M-1个变量是距离变量控制解在前沿面上的位置后K个是位置变量只影响收敛性g的最小值在x(M:end)全取 0.5 时达到 0。这个结构是 DTLZ 系列的通用模式理解了对写自己的问题有帮助实际工程问题往往也是“几个变量决定权衡方向几个变量只影响能不能收敛到最优”。验证时建议至少跑三个问题DTLZ1 看收敛DTLZ2 看分布DTLZ7 看不连续前沿能不能覆盖全。三个都正常说明实现没问题可以换自己的目标函数了。4.2 接入自定义问题的三个必改点把DTLZ1换成自己的函数只需要动三处其他文件一行不用碰。第一处目标函数签名。约定的输入是行向量x输出是行向量f长度等于M。如果你的仿真模型返回的是结构体或者列向量在包装函数里转一下function f MyProblem(x) % 输入1×D 行向量变量已在 [lower, upper] 范围内 % 输出1×M 行向量最小化目标 result RunSimulation(x); % 你自己的仿真/计算返回结构体 f [result.cost, result.time, -result.throughput]; % 统一转成最小化 f f(:); % 强制转成行向量防止维度错乱 end三个目标分别是成本、时间、吞吐量。注意第三个取了负号因为 NSGA-III 默认所有目标都最小化要最大化吞吐量就得取负。这行负号很容易漏漏了之后画出来的前沿方向是反的且不会有任何报错。第二处变量边界。Problem.lower和Problem.upper是 1×D 的行向量遗传算子会用它们做越界修正。如果某个变量是整数比如设备台数有两种处理一是在目标函数里取整后再算但这样搜索空间和实际空间不一致容易卡在局部二是放宽成连续变量最后从 Pareto 解集里挑最接近的整数组合。工程上后者更常用。第三处种群规模。这个和参考点数量绑定见下节。4.3 参数表种群规模、参考点与代数的配比参数典型取值影响调整建议M目标数3 / 5 / 8参考点数量指数增长超过 10 个目标考虑降维或改用其他方法p划分参数12M3参考点密度M3 取 12~16M5 取 6M8 取 3N种群规模略大于参考点数太小覆盖不全太大评价成本高M3 取 92 或 96取 4 的倍数便于分组maxGen200~1000收敛程度先用 200 看趋势再拉到 500 以上出正式结果eta_c20~30交叉探索强度越大子代越像父代收敛慢但稳eta_m20变异步长一般取 20问题尺度差异大时调到 1/Dpm1/D变异概率变量多时降低否则退化成随机搜索种群规模这一栏最容易踩雷。三目标下 p12 对应 91 个参考点如果 N 设成 50小生境阶段 41 条参考线永远空着分布必然不均如果 N 设成 500评价成本翻五倍但分布改善有限性价比很低。经验做法是让 N 等于参考点数向上取到 4 的倍数多出来的几个位置不会浪费反而给临界层留了余量。代数方面DTLZ 系列通常 300 到 500 代就收敛得很好了实际工程问题如果单次评价要跑仿真几百代可能几小时就过去了。这时候可以先用小种群比如 N40跑 100 代看趋势确认参数方向没错再放大。5. 避坑与排查跑不动、跑得慢、分布不对算法代码的坑有个共同特点大部分不报错只是结果不对或者卡住。下面五条是我在实际调试中反复遇到的按“现象 → 原因 → 解决”记下来。现象一程序卡在第几代不动CPU 占满但没有输出。原因是小生境阶段的while循环死锁。sum(Next) N这个条件永远满足不了因为临界层的候选个体已经被选完但总数还差几个。这通常发生在 N 设得比参考点数大很多、而临界层个体又集中在少数几条参考线上的时候。解决方式是在Niching里加候选池为空的判断把已经没有候选的参考线计数置成inf并在循环末尾加break兜底。更根本的做法是让 N 和参考点数匹配别设成 500 对 91 这种悬殊比例。现象二画出来所有解挤在原点附近或者坐标范围是 1e-3 量级。八成是归一化的截距算错了。检查NormalizePopulation第 2 步的线性方程组如果Extreme矩阵里有重复行多个极值点是同一个个体Extreme \ ones(M,1)会解出接近 0 的b截距变成巨大的数缩放后所有值被压到极小。解决方式是加退化保护没解出来或者解出负数时用当前种群里该目标的最大值兜底。另一个可能原因是Zmin只在初始化时算了一次没有随代更新跑几百代后坐标严重偏移。现象三三目标跑出来的前沿是个三角形但解集中间有个明显的空洞。参考点生成有问题。单纯形格点法生成的点应该均匀铺满整个三角面如果生成函数里递归的终止条件写错或者最后忘了除以p点的分布就会严重偏斜。检查方法是单独把GenerateReferencePoints(3, 12)的结果画成三维散点正常应该看到 91 个点均匀分布在三角面上。另外确认参考点的每一行都做了归一化落在单位单纯形内否则关联时距离计算全错。现象四换个目标函数就报维度不匹配或者结果明显反向。目标函数的输出必须是 1×M 的行向量。很多仿真模型返回的是 M×1 的列向量或者返回结构体直接塞进f会导致后续所有矩阵拼接维度错乱。表现有两种一种直接报错另一种更隐蔽——如果 M3 而返回 3×1某些 MATLAB 版本会自动扩展成 3×3 的矩阵参与计算结果跑出来了但完全是垃圾。解决方式是在包装函数最后统一加f f(:)。同时确认所有目标都是最小化方向要最大化的取负号。现象五并行跑多个种子做重复实验结果每次都不一样且差异很大。parfor里调用rand、randi、randn时每个 worker 的随机数流是独立的如果不显式设置种子实验无法复现。解决方式是在每次任务开始时用rng(seed, twister)指定种子种子值从任务索引推导比如rng(1000 k)这样每次运行都能得到同样的结果。另外注意randi在小生境阶段被调用如果并行时随机流不同同一条参考线上的选择结果就不同最终分布会有差异。5.1 结果不对时的三步定位排查不要一上来就翻算法代码先确认最外层没问题。第一步跑单目标退化测试。把 M 设成 1看看能不能收敛到一个明显的极小值。如果连单目标都收不上去问题在遗传算子或评价函数跟多目标选择无关。第二步跑两目标 DTLZ2和 NSGA-II 的结果对比。两目标下两者的分布应该差不多如果 NSGA-III 明显更差说明归一化或关联环节有问题因为两目标时小生境机制相对简单不容易出错。第三步看指标曲线而不只看最终图。超体积HV随代数单调上升是正常现象如果中间出现大幅下降说明环境选择把好解丢掉过重点查EnvironmentalSelection里Next的初值有没有覆盖全部前沿层。% 简单的 HV 记录方便画收敛曲线 hv zeros(1, Setting.maxGen); ref ones(1, Problem.M) * 11; % 参考点各目标取比最差值略大 for gen 1:Setting.maxGen ... hv(gen) CalculateHV(Population.objs, ref); end plot(1:Setting.maxGen, hv);ref的取值要略大于实际最差值太大会让 HV 数值虚高太小会导致部分解不在参考点内HV 算出来偏低。跑之前先看一眼每一代的目标值量级按最大值的 1.1 倍来定。6. 二次开发的改造思路与验证习惯拿到能跑的代码之后真正的工作才刚开始。这一章说三个改造方向都是工程里用得上的。第一个方向是加约束处理。原始的 NSGA-III 只处理无约束问题实际工程里几乎必然有约束预算上限、物理量不可行、仿真失败。最省事的改法是把约束违反度当成附加目标多算一维但这样会污染参考点结构不推荐。更规范的做法是改支配规则用约束支配可行解优于不可行解两个都可行时按 Pareto 支配两个都不可行时违反度小的优先。改动集中在NonDominatedSorting的支配判断里加一个CV列原来的三行比较逻辑扩成四行。改完之后记得同步改TournamentSelection两边规则不一致会导致选择压力错位。第二个方向是把单机循环改成并行评价。种群评价是最耗时的环节EvaluatePopulation里的for循环改成parfor就行前提是目标函数本身可重入不写全局变量、不依赖文件句柄。改之前先测一下单次评价耗时如果只有几毫秒并行的调度开销反而不划算单次评价超过 1 秒的才有明显收益。改完之后务必加rng种子控制否则前面说的复现性问题就来了。第三个方向是结果的后处理。算法输出的Population只是一个解集工程上还要选方案。常见的做法是加一层偏好筛选给每个目标设一个期望区间先过滤掉超出的解再在剩下的里面按到理想点的加权距离排序取前几个给决策者看。这层逻辑独立于算法单独写个SelectSolution函数输入是objs矩阵和偏好结构体输出是候选解的索引。验证上我有一个固定习惯每次改完算法先跑三个标准问题看 HV 曲线和前沿形状再跑自己的问题。标准问题的作用是回归测试——如果 DTLZ2 的球面画出来不圆了说明改动引入了 bug别急着怀疑自己的目标函数。这条规矩救过我好几次有一次改了约束支配之后自己的问题结果一直很难看回头跑标准测试才发现是非支配排序的索引错位跟约束逻辑没关系白折腾半天。还有一点改代码之前把原始版本整个复制一份留底。NSGA-III 的各个环节耦合比看起来紧归一化改了会影响关联关联改了会影响小生境小生境改了又反过来影响下一代的分布。留一份能跑的基线出问题时用二分法定位到底哪次改动引入的比对着代码一行行看快得多。从那以后我每次动环境选择相关的文件都强制先跑一遍基线做对比这个习惯帮我省了太多返工。代码和文档都在包里了按第 2 章的步骤跑一遍再对着第 3 章的函数逐个看基本就能上手改自己的问题。希望帮到你。本文还有配套的精品资源点击获取