基于NSGA-II的多目标整数规划MATLAB实现

一、算法框架设计

本方案针对多目标整数规划问题（MIP），结合NSGA-II算法框架，实现以下核心模块：

非支配排序：处理多目标解的帕累托前沿分层
拥挤度计算：维护解集多样性
整数交叉/变异：确保解的离散特性
约束处理：通过罚函数或修复策略

二、MATLAB核心代码实现

1. 参数初始化

matlab 复制代码

%% 问题参数
nVar = 10;        % 决策变量数
nObj = 3;         % 目标函数数
VarMin = 0;       % 变量下界
VarMax = 1;       % 变量上界
nPop = 100;       % 种群规模
MaxIt = 50;       % 最大迭代次数
pc = 0.8;         % 交叉概率
pm = 0.2;         % 变异概率

2. 目标函数定义（示例：ZDT系列问题）

matlab 复制代码

function f = ZDT4(x)
    n = length(x);
    g = 1 + 10*(n-1) + sum(x(2:end).^2 - 10*cos(4*pi*x(2:end)));
    f1 = x(1);
    f2 = g*(1 - sqrt(f1/g));
    f = [f1, f2];
end

3. 非支配排序与拥挤度计算

matlab 复制代码

function [F, rank] = nonDominatedSort(pop)
    n = length(pop);
    F = {};
    rank = zeros(n,1);
    dominatedCount = zeros(n,1);
    dominatedSet = cell(n,1);
    
    for i = 1:n
        for j = 1:n
            if i ~= j
                if dominates(pop(i).obj, pop(j).obj)
                    dominatedSet{i} = [dominatedSet{i}, j];
                elseif dominates(pop(j).obj, pop(i).obj)
                    dominatedCount(i) = dominatedCount(i) + 1;
                end
            end
        end
        if dominatedCount(i) == 0
            rank(i) = 1;
            F{1} = [F{1}, i];
        end
    end
    
    i = 1;
    while ~isempty(F{i})
        Q = [];
        for p = F{i}
            for q = dominatedSet{p}
                dominatedCount(q) = dominatedCount(q) - 1;
                if dominatedCount(q) == 0
                    rank(q) = i+1;
                    Q = [Q, q];
                end
            end
        end
        i = i+1;
        F{i} = Q;
    end
end

function isDom = dominates(a, b)
    isDom = all(a <= b) && any(a < b);
end

4. 拥挤度计算

matlab 复制代码

function pop = calcCrowdingDistance(pop, F)
    n = length(pop);
    m = size(pop(1).obj, 2);
    pop.CrowdingDistance = zeros(n,1);
    
    for k = 1:m
        [~, idx] = sort([pop.obj(:,k)]);
        pop.CrowdingDistance(idx(1)) = Inf;
        pop.CrowdingDistance(idx(end)) = Inf;
        
        for i = 2:n-1
            pop.CrowdingDistance(idx(i)) = pop.CrowdingDistance(idx(i)) + ...
                (pop(idx(i+1)).obj(:,k) - pop(idx(i-1)).obj(:,k)) / ...
                (max(pop.obj(:,k)) - min(pop.obj(:,k)));
        end
    end
end

5. 整数交叉与变异

matlab 复制代码

function child = integerCrossover(parent1, parent2)
    % 单点交叉
    n = length(parent1);
    point = randi([1, n-1]);
    child = [parent1(1:point), parent2(point+1:end)];
end

function mutant = integerMutation(child, VarMin, VarMax)
    % 交换变异
    n = length(child);
    idx = randperm(n, 2);
    mutant = child;
    mutant(idx(1)) = child(idx(2));
    mutant(idx(2)) = child(idx(1));
end

6. 主循环

matlab 复制代码

%% 初始化种群
pop = repmat(struct('pos',[], 'obj',[]), nPop,1);
for i = 1:nPop
    pop(i).pos = round(VarMin + (VarMax-VarMin)*rand(1,nVar));
    pop(i).obj = ZDT4(pop(i).pos);
end

%% 主循环
for it = 1:MaxIt
    % 非支配排序
    [F, rank] = nonDominatedSort(pop);
    
    % 拥挤度计算
    pop = calcCrowdingDistance(pop, F);
    
    % 选择父代
    parents = tournamentSelection(pop, rank);
    
    % 生成子代
    offspring = repmat(struct('pos',[], 'obj',[]), nPop,1);
    for i = 1:2:nPop
        p1 = parents(randi(length(parents)));
        p2 = parents(randi(length(parents)));
        offspring(i).pos = integerCrossover(p1.pos, p2.pos);
        offspring(i+1).pos = integerCrossover(p2.pos, p1.pos);
        
        % 变异
        offspring(i).pos = integerMutation(offspring(i).pos, VarMin, VarMax);
        offspring(i+1).pos = integerMutation(offspring(i+1).pos, VarMin, VarMax);
        
        % 计算目标值
        offspring(i).obj = ZDT4(offspring(i).pos);
        offspring(i+1).obj = ZDT4(offspring(i+1).pos);
    end
    
    % 合并种群
    combined = [pop; offspring];
    [combined, F] = nonDominatedSort(combined);
    combined = calcCrowdingDistance(combined, F);
    
    % 截断种群
    pop = combined(1:nPop);
end

三、关键优化策略

混合整数处理：
- 采用**模拟二进制交叉（SBX）**的离散版本
- 变异操作结合交换和翻转策略

约束处理：

修复不可行解（如投影到可行域）

惩罚函数法：

matlab 复制代码

function penalty = constraintPenalty(x)
    % 示例：x1 + x2 <= 5
    penalty = max(0, sum(x) - 5);
end

多样性保持：
- 基于聚类分析的多样性增强
- 自适应拥挤度阈值

四、性能评估与可视化

1. 帕累托前沿绘制

matlab 复制代码

figure;
hold on;
colors = hsv(nPop);
for i = 1:length(F{1})
    idx = F{1}(i);
    plot(pop(idx).obj(1), pop(idx).obj(2), 'o', 'Color', colors(mod(i,3)+1));
end
xlabel('Objective 1');
ylabel('Objective 2');
title('Pareto Front');

2. 收敛性分析

matlab 复制代码

hypervolume = computeHypervolume(pop(F{1}).obj);
disp(['Hypervolume指标: ', num2str(hypervolume)]);

参考代码多目标整数规划的遗传算法NSGA-IImatlab源代码 www.youwenfan.com/contentcsv/53574.html

五、扩展应用场景

场景	问题特征	改进策略
选址优化	0-1变量+容量约束	引入修复算子
排班调度	离散时间窗口	混合整数规划编码
工程材料选择	多属性决策	加权目标聚合
电力系统调度	离散控制指令	时序约束处理

注：实际应用中需根据具体问题调整参数（如种群规模、交叉变异概率），并通过实验验证算法有效性。对于高维问题（nVar>30），建议采用分解策略（如MOEA/D-NSGA-II）提升计算效率。