简介：基于MATLAB的多目标优化NSGA-III算法代码包，面向求解多目标优化问题、研读非支配排序遗传算法的学生与科研人员，也适合算法对比实验的工程学习者。压缩包内共10个文件，全部为m源文件，总大小仅11KB，虽精简但功能完整，包含主程序、种群初始化、快速非支配排序、基于参考点的环境选择与分层选择、参考点生成、拥挤距离计算以及性能指标评估等模块。代码按函数划分，模块边界清晰，可直接运行内置主脚本复现算法流程；既能通过修改目标函数快速迁移到工程设计、调度或投资组合等场景，又能逐步跟踪每一代种群的选择与更新机制，深入理解弧形均匀划分和精英保留策略的实现细节。目前已有2135人浏览学习，适合作为多目标优化算法学习、论文复现或教学演示的基础代码，帮助在短时间内完成从理论到代码的映射。
1. 拿到NSGA3的Matlab源码，先从哪个文件下手
当你要解决的优化问题同时有4、5个目标，并且目标之间互相打架时，NSGA-II的拥挤距离策略很快就会失效。NSGA3是NSGA-II的高维扩展，用参考点取代拥挤距离来维持多样性。这份压缩包里正好同时整理了NSGA3和NSGAII的实现，从UniformPoint生成参考点，到NDSort做非支配排序，再到EnvironmentalSelection做环境选择，完整链路都齐了。适合做多目标优化研究的同学直接读代码跑实验，也适合工程师把funfun.m和CalObj.m里的目标函数换成自己的实际问题。接下来我会按照“原理—代码—调参—验证”的顺序拆解这套资源，关键文件逐个讲清楚。
2. NSGA3的原理：从拥挤距离到参考点小生境
2.1 非支配排序先淘汰掉被压制的个体
多目标优化中，解A支配解B，当且仅当A在所有目标上不劣于B，且至少在一个目标上严格优于B。NSGA3的NDSort.m把种群分成若干帕累托前沿：第一前沿是当前不被任何解支配的个体，第二前沿是去掉第一前沿后不被支配的个体，依此类推。这个排序过程反复进行，直到所有个体都有层级编号。层级越小的个体越优先进入下一代，这是环境选择的第一道关卡。
NDSort.m的实现通常采用快速非支配排序，对每个个体计算被谁支配、支配谁，用队列逐层剥离被支配次数为0的个体。复杂度是O(MN^2)，M是目标数，N是种群大小。对于目标数和种群规模都在几百量级的场景，这个效率是够用的。我在调试阶段会单独把NDSort跑一遍，确认它返回的层级数量和预期一致，再进主循环，这样能快速定位是因为排序出错还是后续选择出错。
2.2 拥挤距离为什么扛不住高维目标
NSGA-II提出用拥挤距离描述同一前沿内个体周围的密度情况。拥挤距离大的个体处于稀疏区域，会被优先保留。两目标散点图上这个指标非常直观，每个解左右相邻点的平均边长越大，说明越值得留。但目标数增长到3个以上时，相邻个体之间的距离计算变得不可靠，特别是帕累托前沿形状不规则时，两个拥挤距离相近的个体可能在空间上完全不同。这就是为什么NSGA-II处理3目标以上问题时，解集往往聚集在一小块区域内，无法覆盖整个帕累托前沿。
NSGAII.m这段代码保留了拥挤距离的经典实现，适合2到3目标的快速实验。如果你需要做5目标或更多，应该切到NSGAIII.m。资源包同时提供两个主算法文件，正好方便做对照实验：同一组参数下，NSGA-II和NSGA3的解集分布差异会非常直观。
2.3 参考点让小生境计数替代距离计算
NSGA3不再计算拥挤距离。它在运行前用UniformPoint.m在目标空间生成一组均匀分布的参考点，环境选择时先把临界层个体归一化到超平面，然后把每个个体关联到最近的参考点，统计每个参考点已经被选入下一代的个体数。小生境计数低的参考点优先，如果某个参考点附近有多个候选个体，就选距离最近的那个。这样一来，种群会持续朝多个方向推进，而不是挤在密度最高的区域。
常用的是Das-Dennis方法生成参考点，目标数为M，每个目标方向划分p份，参考点总数H等于组合数C(M+p-1, M-1)。资源包里的UniformPoint.m不仅能生成Das-Dennis点，还能用最近邻方式生成任意数量的参考点。例如3目标、p=12时，H=91，种群规模N取91的整数倍，比如91或182，效果比较稳定。
| 维度 | NSGA-II | NSGA3 |
|---|---|---|
| 多样性维持 | 拥挤距离 | 参考点小生境 |
| 适用目标数 | 2-3 | 3-15 |
| 参考点 | 不需要 | 运行前预生成 |
| 归一化 | 不做 | 每代都需要 |
| 关键选择文件 | NSGAII.m | NSGAIII.m与EnvironmentalSelection.m |
提示：NSGA3在2目标问题中也可以使用，但相对于NSGA-II没有明显优势，反而因为参考点关联和归一化徒增计算量。选哪个算法，先看目标数。
3. 源码结构与关键函数实现
3.1 文件清单与调用顺序
压缩包里核心文件一共10个，调用顺序从NSGAIII_main.m开始。先把这个关系理清楚，读代码时就不容易迷路。
| 文件 | 职责 |
|---|---|
| NSGAIII_main.m | 主函数，定义问题参数，调用NSGAIII |
| NSGAIII.m | 算法主循环，把各组件串联起来 |
| UniformPoint.m | 生成参考点，输出参考点集合 |
| NDSort.m | 非支配排序，返回个体层级 |
| TournamentSelection.m | 锦标赛选择，选出交配池索引 |
| GA.m | 交叉与变异操作，SBX和多项式变异 |
| funfun.m | 决策变量到目标函数输入参数的转换 |
| CalObj.m | 计算目标函数值，返回目标矩阵 |
| EnvironmentalSelection.m | 环境选择，从混合种群中挑出下一代 |
| IGD.m | 计算反转世代距离，评价解集质量 |
| NSGAII.m | 经典NSGA-II实现，用于对照 |
3.2 NDSort和TournamentSelection先解决“谁留下谁配对”
NDSort.m是全局排序的关键入口。它的输入是N行M列的目标值矩阵PopObj，输出是每个个体所在的前沿编号FrontNo。核心思路是先把所有个体按支配关系建图，然后从被支配次数为0的个体开始往外剥。
function FrontNo = NDSort(PopObj) % 输入: PopObj N行M列目标值 % 输出: FrontNo N行1列，每个个体所在前沿编号 N = size(PopObj, 1); % domCount记录被多少个体支配 domCount = zeros(1, N); % dominateSet记录每个个体支配了谁 dominateSet = cell(1, N); for i = 1:N for j = i+1:N if dominates(PopObj(i,:), PopObj(j,:)) domCount(j) = domCount(j) + 1; dominateSet{i} = [dominateSet{i}, j]; elseif dominates(PopObj(j,:), PopObj(i,:)) domCount(i) = domCount(i) + 1; dominateSet{j} = [dominateSet{j}, i]; end end end % 逐层剥离被支配计数为0的个体 FrontNo = zeros(1, N); currentRank = 1; while any(domCount == 0 & FrontNo == 0) idx = find(domCount == 0 & FrontNo == 0); FrontNo(idx) = currentRank; for k = idx nextSet = dominateSet{k}; for t = nextSet domCount(t) = domCount(t) - 1; end end currentRank = currentRank + 1; end end这段伪代码演示了非支配排序的剥离过程，实际工程中还会加入“已排序个体不重复处理”的标记。domCount是核心计数，每次剥掉一层，就把这一层个体支配过的对象计数减1。这里没有写dominates函数的实现，不同版本的差异只是比较方向，关键是明确“A支配B”的定义。
TournamentSelection.m相对简单：从种群中随机挑2个候选，比较它们的非支配层级，层级小的进入交配池；如果层级相同，就再比较小生境计数或拥挤距离。这么做是为了让高质量个体有更高概率繁殖，又不会完全倒向最优方向。
3.3 EnvironmentalSelection是NSGA3的心脏
EnvironmentalSelection.m不能用一两个if/else替代，它的标准流程分四步。
第一步，对混合种群执行NDSort，得到层级1、2、…，直到某一层会让累计个体数超过种群规模N，记这一层为临界层。
第二步，临界层之前的个体全部直接进入下一代，临界层内部需要额外筛选。
第三步，对目标值做归一化。资源包的CalObj.m输出原始目标值，但EnvironmentalSelection里会计算理想点和极值点，把目标值映射到0到1范围，消除量纲差异。归一化以后，参考点才能正确衡量“距离”。
第四步，把归一化后的个体与参考点关联。每个个体沿参考点方向计算投影距离，距离最小的那个参考点成为它的关联点。统计已经选入下一代的个体在每个参考点周围的数量，得到小生境计数classCount。选择临界层个体时，优先挑classCount为0的参考点下距离最小的个体；如果所有参考点都被占满，则挑classCount最小的参考点。
% EnvironmentalSelection.m 核心片段（示意） classCount = zeros(1, size(W,1)); % W为参考点集合 chosen = [Front1, Front2, ...]; % 临界层之前个体直接保留 % 统计当前选中个体在参考点上的分布 for i = 1:size(W,1) classCount(i) = sum(associate(chosen, W(i))); end % 对临界层个体做选择 for j = 1:numel(remain) [~, bestRef] = min(associate(remain(j), W)); if classCount(bestRef) == 0 把remain(j)选入下一代; classCount(bestRef) = classCount(bestRef) + 1; else 从当前参考点下选距离最小的个体; end end注意：环境选择里“小生境计数为0优先”并不代表每次都直接选最近个体。如果某个方向没有任何已选个体，说明这个方向缺失严重，要优先填充；如果某个方向已经饱和，即使出现距离更近的个体，也要先照顾其他方向。这跟NSGA-II“拥挤距离越大越优先”的逻辑有本质区别。
3.4 funfun和CalObj怎么换成自己的问题
funfun.m是转换层，读取决策变量X，输出目标函数计算所需的中间参数。CalObj.m负责真正计算目标值。以ZDT1为例，决策变量X是一个30维向量，CalObj里可以这样写：
function Obj = CalObj(X) % X: 一行决策变量 % Obj: 该个体对应的目标值向量 f1 = X(1); g = 1 + 9 * sum(X(2:end)) / (length(X) - 1); f2 = g * (1 - sqrt(f1 / g)); Obj = [f1, f2]; end改问题时，只需要保持输入输出格式不变：输入一行决策变量，输出一行目标值。NSGAIII_main.m通过参数传递把决策变量传给funfun，funfun再调用CalObj。约束条件不要直接返回无穷大目标值，那样会污染非支配层级。常见的做法是把约束违反度作为额外惩罚项叠加到目标值上，惩罚系数随代数逐步增大，这比硬丢弃约束解更稳。
4. 参数设置与实战运行：从种群初始化到IGD评估
4.1 种群规模N和参考点数量H怎么配对
NSGA3对种群规模N有特殊要求。如果参考点由Das-Dennis方法生成，N应尽量设为参考点总数H的整数倍。例如3目标、p=12时H=91，N取182比取100效果好。N太小时环境选择会因为参考点太多而反复挑选少数方向，导致种群退化；N太大时计算成本上升，但解集更均匀。UniformPoint.m支持生成任意数量参考点，但数量仍然建议接近H，否则覆盖不完整。
在NSGAIII_main.m里，你会看到这样的参数初始化区域：
% NSGAIII_main.m 参数设置片段（示意） N = 182; % 种群大小，取参考点数量的整数倍 T = 300; % 迭代代数 nVar = 30; % 决策变量个数 nObj = 3; % 目标函数个数 p = 12; % 每个目标方向的划分份数 W = UniformPoint(N, nObj); % 生成参考点，这里N会重算为参考点数量参数说明：N是种群规模，T是迭代代数，p决定参考点稀疏程度。p越大，参考点越多，种群分布越密但对计算压力也越大。nObj=3时p取12到20之间比较合理，p超过20参考点数量会超过300，环境选择每代的计算量明显上升。
4.2 交叉变异参数表
NSGA3沿用GA.m中的模拟二进制交叉SBX和多项式变异PM。这两个操作对收敛速度和解集多样性影响特别大，推荐值如下：
| 参数 | 推荐值 | 对结果的影响 |
|---|---|---|
| 交叉概率 Pc | 0.9 | 太低会收敛慢，太高破坏优秀模式 |
| 交叉分布指数 EtaC | 15~20 | 越大子代越接近父代，探索能力弱 |
| 变异概率 Pm | 1/nVar | nVar为决策变量数，太大了变随机搜索 |
| 变异分布指数 EtaM | 20 | 越小越容易跳出局部前沿 |
我一般会把EtaC设为15、EtaM设为20，先跑一次实验，再看IGD指标走向。如果IGD下降太慢，就调大Pc到0.95；如果前期下降快但后期卡住，就增大EtaM让变异尺度更大。
4.3 在Matlab里把整套代码跑起来
拿到压缩包后不需要额外配置工具箱，标准Matlab环境就能运行。打开Matlab，将当前目录切换到解压位置，在命令行窗口直接输入：
NSGAIII_main正常运行后，会打印出每一代的调试信息，比如非支配层级数量、最优目标值等。这套源码对文件名大小写敏感，UniformPoint.m不要写成uniformpoint，否则Matlab会提示找不到函数。建议先直接运行，再逐步修改自己的目标函数。
跑完以后，IGD.m 用来算反转世代距离。它需要真实帕累托前沿数据，通常是一个矩阵PF。可以把你的真实前沿读入工作区，然后调用：
score = IGD(Population, PF);score数值越小，说明解集越接近真实前沿。第一次运行结果完全随机时，先检查CalObj里的目标函数是否使用了外部文件或全局变量。NSGA3会大量调用CalObj，任何文件路径错误都会让目标值变成NaN，NaN一旦进入排序，整代结果都会崩。
另外，这套代码是Matlab的。如果你想用Python复现，DEAP框架有现成的多目标选择算子，但参考点生成和归一化环节仍然要自己实现。建议先用Matlab把原理跑通，再翻译成Python，不要一开始就追求用Python重新造轮子。
5. 把NSGA3跑出工程级结果的三个技巧
5.1 目标归一化：不让量纲偷走多样性
EnvironmentalSelection里已经做了默认归一化，但实际工程问题中，如果两个目标量纲差异超过1000倍，比如成本和吞吐量，应先在CalObj里对目标值做MinMax缩放。NSGA3的归一化依赖理想点和极值点，如果极值点计算不稳定，参考点关联就会偏移。我的做法是记录历史代的目标最小值，再手动卡边界。
% CalObj.m 中增加归一化示意 Obj = (Obj - minObj) ./ (maxObj - minObj + eps);这里的minObj和maxObj可以从历史数据中获取，不要使用未来信息。归一化不会改变帕累托最优结构，但能让参考点均匀发挥引导作用。
5.2 约束处理：用动态惩罚而不是丢弃
NSGA3本身没有专门的约束算子。直接丢弃不可行解会让种群失去探索方向。我的经验是把约束违反总量求和，乘以一个随代数增长的系数，加到目标值上。代数前100轮系数设为0，让算法自由搜索；之后每50轮翻倍，逼种群进入可行域。这个做法比硬丢弃约束解更容易保持多样性，尤其适合工程类优化问题。
5.3 用IGD和参考点占用率判断早熟
把每一代的IGD指标记录下来，曲线连续50代不下降，说明算法收敛已经停滞。此时不是单纯增大代数，而是重置部分个体。更轻量的指标是统计参考点中被关联个体数为0的比例，比例持续超过30%，说明大部分方向没探索到，常见原因是种群相对参考点过小。此时把N提高到参考点数量的2倍，同时把变异分布指数EtaM从20降到10，让变异更激进，通常几个代内就能看到IGD重新下降。
本文还有配套的精品资源，点击获取
