一、背景知识
首先，算法的优化与解决来源于现实问题，多目标优化在现实世界中无处不在，因为几乎任何有意义的决策都涉及多个相互冲突的目标。比如：
汽车车身设计： 最小化重量、最大化刚度、最小化制造成本、最大化碰撞安全性（轻量化会降低刚度与安全性；高强度材料成本更高）
投资组合优化： 最大化预期收益、最小化风险（方差）、最大化流动性（高收益伴随高风险；流动性好的资产收益通常较低）
**车辆路径规划：**最小化行驶距离、最小化配送时间、最小化车辆数、最大化客户满意度（距离短不一定时间短（堵车）；车辆少可能导致延迟）
将现实问题数学化、抽象化，就变成了一个研究问题，将现实世界抽象到"数学空间"中去解决，再指导现实世界，也就有了一个领域的问题。那么在这个多目标优化问题的领域，该如何寻找 Pareto 前沿呢？
基础知识和概念可以看，微信公众号【多目标优化从入门到精通-算法仓库】
Goldberg在 1989 年的著作《Genetic Algorithms in Search, Optimization, and Machine Learning》提出了一种全新的思路------使用基于非支配排序（Non-dominated Sorting）的选择机制，并配合小生境（Niching）技术（ 【小生境共享"（Niche Sharing）】-CSDN博客**），来同时寻找多个 Pareto 最优解。**这个想法解决了一个核心难题：如何让种群在向 Pareto 前沿收敛的同时，还能保持多样性，避免所有个体挤在同一个点上。
有了理论想法的指导，接下来就到了代码的实现啦，1994年，N. Siinivas 和 Kalyanmoy Deb 发表论文 《Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms》提出NSGA，首次将 Goldberg 的**"非支配排序"** 与**"共享函数"**结合，用种群同时捕获多个 Pareto 最优解。
【ps：论文原文有说明传统方法（权重法、距离函数法、极大极小法）的局限性，以及遗传算法（GA）的优势和 Schaffer 最早尝试 的 VEGA 的不足（存在偏向某些区域的偏差）（可以去看论文原文的分析）】
总而言之，论文做了两件事情：
非支配排序 → 负责"收敛 "（把种群拉到 Pareto 前沿附近）。
表型共享 → 负责"多样性"（把种群铺开在前沿的不同位置，避免全挤在一起）。
那作者又是如何具体实现的呢？
二、NSGA算法的核心思想
NSGA 其实就是在遗传算法的框架下，"初始化 → 评价 → 选择 → 交叉 → 变异 → 循环 "，改进了适应度评价和选择 这两个环节，采用非支配排序 的方式个体之间互相比较------如果 A 在所有目标上都不比 B 差，且至少有一个目标更好，就说 A 支配 B。不被任何人支配的个体构成第一梯队，去掉它们后剩下的个体中再找非支配的，构成第二梯队，依此类推。
比如，一个班级有多个评价维度（成绩、体育、文艺、组织能力），每个学生表现不同。第一梯队就是那些不被任何同学全面压制的学生------他们之间是平等的权衡关系，没有绝对优劣。机会会优先给到第一梯队，因为它们代表了当前种群中不被支配的解；第二梯队次之，依此类推。这样，整个种群会逐渐向 Pareto 前沿收敛。
但如果只按层级选择，同一层内的个体适应度相同，缺乏"分散"的驱动力，最终可能集中到 Pareto 前沿的局部区域。为了维持多样性，NSGA 引入了共享机制，让稀疏区域的个体获得更多繁殖机会。这样，优秀的解既能接近 Pareto 前沿，又能保持分布均匀。
如何根据实际问题设计合适的共享函数或多样性指标，也是一个很有意思的研究方向，需要对函数特性有深入理解。
2.1 非支配排序
-
根据个体之间的支配关系将种群分层：
-
第一层：所有非支配个体。
-
第二层：去除第一层后，剩余个体中的非支配个体。
-
依此类推，直到所有个体被分层。
-
2.2 虚拟适应度分配
-
第一层个体赋予最大虚拟适应度。
-
后续层的个体适应度依次减小。
-
保证非支配个体有更高的繁殖机会。
2.3 共享机制（Niche & Speciation）
- 为了维持种群多样性，使用表型共享函数：
- 计算个体的niche count，并用其调整适应度，避免种群过度集中。
2.4 选择与繁殖
-
使用随机余数比例选择。
-
交叉和变异操作与普通GA相同。
三、NSGA-II
一个算法肯定会有不足的地方，那么NSGA 的问题是什么？作者又做了什么改进呢？
NSGA的问题：
（1）复杂度高 O(MN3) ： 旧版采用"普通非支配排序"，每次分层都要遍历所有个体，计算极慢。
（2）非精英保留 (nonelitism)： 父代产生的优秀个体可能在下一代中丢失，收敛性无法保证。（3）**需要指定共享参数 (sharing parameter)：**旧版依赖"小生境共享"来维持多样性，但共享半径 σshare 极难预先设定，对问题敏感。
Kalyanmoy Deb 等人在 2002 年提出**NSGA-II（Non-dominated Sorting Genetic Algorithm II，带精英策略的非支配排序遗传算法），**主要有三大核心机制，分别对应上面提出的三大问题：
-
快速非支配排序（Fast Non-dominated Sorting）
-
精英保留策略（Elitism）
-
拥挤度距离（Crowding Distance）------ 替代了小生境共享
四、NSGA-III
那 NSGA-II 又有什么样的局限性呢？
NSGA-II 在高维目标空间失效的根本原因在于支配关系变得无效，拥挤度距离失去区分度。
随着目标数量增加，一个随机解支配另一个随机解的概率呈指数级下降。结果是，几乎整个种群都变成了"非支配解"，全部挤在第一层。此时，非支配排序无法提供选择压力，算法只能依赖拥挤度距离来决定谁去谁留。
但拥挤度距离在高维空间同样失灵：所有解之间的距离都很大且相似，导致拥挤度值缺乏信息量位于"边界"（至少一个目标上取极值）的解数量爆炸式增长，它们都被赋予无穷大距离，算法无法区分。拥挤度距离可能被"冗余目标"欺骗------如果两个目标高度相关，它会重复计算同一维度的多样性，反而扭曲搜索方向。
NSGA-III 保留了 NSGA-II 的非支配排序作为收敛性引擎 ，但用一套结构化参考点系统 取代了拥挤度距离，作为多样性引擎。
| 场景 | 推荐 |
|---|---|
| 2~3 个目标 | NSGA-II。拥挤度距离简单有效，计算开销更低。在双目标车间调度问题上，两者性能无显著差异。 |
| 4 个及以上目标 | NSGA-III。NSGA-II 的拥挤度机制失效，必须换用参考点方法。 |