NSGA2在Matlab中的完整实现：多目标优化与拥挤度距离详解

简介：这是一套基于Matlab的NSGA-II多目标优化算法实现，面向需要求解Pareto最优解集的科研人员、工程师及算法学习者。压缩包共10个文件，包含8个.m源码文件与2个xlsx结果表格，整体仅660KB，轻量易用。8个.m文件分别对应种群初始化、目标函数评估、非支配排序、锦标赛选择、交叉变异、精英保留与环境选择等核心模块，函数分工清晰，便于逐段调试和二次开发；2个xlsx结果表格保存了典型测试问题下的非支配解集与目标值，可用于对比验证Pareto前沿分布。已有3333人学习下载，说明该资源在同类教程中具备一定参考价值。通过研读和运行这套代码，可直观理解NSGA-II的迭代流程与参数设置，快速迁移到生产调度、路径规划、资源分配等实际多目标问题中，适合作为学习和科研的起点。

1. NSGA2 在 Matlab 里求解多目标优化：它在解决什么问题

多目标优化不是“找到唯一最优解”，而是在一堆互相冲突的目标里找一组折中解。NSGA2 是整个多目标进化算法体系里最常用的基线算法之一，和 Matlab 配合时，矩阵化的种群操作能让迭代逻辑特别紧凑。很多人直接调现成工具箱用了一两年，真到要改编码方式、加约束、换交叉算子时才意识到自己并不清楚每一步发生了什么。这篇文章会让读的人从“知道 NSGA2”走向“能在 Matlab 里独立写出可运行版本”：非支配排序怎么写、拥挤度怎么算、子代如何生成、参数从哪调起。默认所有目标都按最小化处理，遇到最大化目标就直接取负，这个小习惯能少踩很多坑。

2. 从帕累托支配到拥挤度距离：NSGA2 为什么能同时管住收敛和分布

2.1 帕累托支配与前沿：先过一遍判断逻辑

两个解比较时，如果一个解在所有目标上都不比另一个差，并且至少在一个目标上严格更优，就说它支配另一个解。解集里所有不被其他解支配的个体组成第一前沿，去掉这层个体再重复判断，就得到第二前沿、第三前沿。这种逐层剥离的思路是整个 NSGA2 的骨架。

判断支配关系时有个特别容易出错的地方：只写了“全部小于”而遗漏“等于”。假设两个目标值分别是 (0.5, 1.0) 和 (0.5, 0.8)，后者的第二个目标更小，但第一个目标相等，此时前者并不支配后者，后者也不支配前者，它们互不支配。如果漏掉等号，边界上会涌出一堆虚假的“互不支配”个体，排序层数直接乱掉。正确的判定逻辑应该写成：某个解在全部目标上都不大于对方，同时至少在一个目标上严格小于对方。

实际代码里很少直接比较“谁支配谁”两次，工程上更常见的做法是数“被多少个体支配”。每个个体维护一个被支配计数，同时记录它支配了哪些个体；每一层结束后，把被自己支配的那些个体的计数减一，谁减到零就进入下一层。这正是下一小节要展开的快速非支配排序。

2.2 快速非支配排序的 O(MN²) 实现：先在 Matlab 里写短

设种群规模为 N，目标数为 M。两两比较一次需要 O(M) 时间，全部比较就是 O(MN²)，这也是快速非支配排序在理论上的主要计算量。对 N=200、M=2 这种常见规模，一次排序只有 4 万次比较，在 Matlab 里毫秒级完成，完全不用焦虑复杂度。真出现性能瓶颈，通常也不是排序本身，而是目标函数计算。

写 Matlab 实现时，很多人习惯用结构体数组存个体，再用数组索引做筛选。结构体看着直观，但频繁的字段访问在循环里会拖慢速度。我一般直接用普通矩阵：pop 是 N×nvars 的决策变量矩阵，fitness 是 N×M 的目标值矩阵。排序过程里需要记录“每个个体支配谁”，这个关系可以用长度为 N 的 cell 数组保存，每个 cell 里存一组被支配个体的下标。

快速非支配排序的分层过程可以描述为三步：先扫一遍种群，初始化每个个体的被支配计数和支配列表；把所有计数为零的个体归入第 1 层；然后逐层向下，遍历当前层每个个体支配的列表，将对应个体的计数减一，减到零就放入下一层。这个过程天然适合用队列思路实现，但写循环时注意不要在遍历 cell 数组的过程中动态修改被迭代的列表，否则下标容易串位。

复杂度上还有个容易被忽略的点：空间开销。支配列表在最坏情况下接近 N²/2 个下标，N 到 500 以上时内存增长明显。如果后续要跑几千次迭代的大规模实验，可以把 cell 数组换成稀疏邻接矩阵，用 sparse 存储支配关系；但在常规小规模验证阶段，cell 数组反而更容易读代码和查错。

2.3 拥挤度距离与精英保留：从 NSGA 到 NSGA2 的关键改法

老版 NSGA 靠共享函数保持种群多样性，需要人为设定共享半径，参数敏感且结果不稳定。NSGA2 用拥挤度距离替代它：对同一前沿内的个体，按每个目标值排序，处于两端的个体距离设为无穷大，中间个体的距离累加相邻目标差与全段范围的比值。距离大的个体周围更稀疏，优先进入下一代。这种机制的物理意义很直接——不让种群扎堆在帕累托前沿的某一段。

拥挤度计算的细节很影响最终效果。每个目标维度都要独立排序，累加后才是综合拥挤度；如果没有按目标循环，只对某个目标算了一次距离，种群会在其他目标方向上严重聚集。另一个常见问题是排序方向，从大到小取是保留稀疏个体，一旦方向反了，就会形成“指望着多样性却越选越挤”的局面。

精英保留策略则是 NSGA2 相对 NSGA 的另一处关键改进。每代生成子代后，不直接淘汰父代，而是把父代和子代合并成 2N 个体，统一重新做非支配排序，再按前沿层级逐层填入下一代，直到某一层装不下时用拥挤度距离裁掉多余个体。这样做保证了最优个体绝不会因为交叉变异波动而丢失，也让算法整体收敛曲线更平滑。

约束处理也在这里做文章。很多实际问题带不等式约束，常见的做法是把约束违反量作为支配比较的附加规则：可行解支配不可行解；两个可行解按原来的目标支配关系比较；两个不可行解按违反量大小比较。这个逻辑加到支配判断函数里只需要多传一个约束向量，但要是不先在无约束版本上跑通，排查时很难分清是约束问题还是算法问题。

3. Matlab 实现第一步：种群数据结构、初始化和主循环骨架

3.1 用矩阵还是结构体：种群数据的组织方式

种群数据我一般不用结构体数组，而是拆成两个矩阵：pop 保存决策变量，fitness 保存目标值。这么做有两个直接好处：一是矩阵切片和索引运算比结构体字段访问快不少，二是调试时只要盯住两三个变量，不用在长长短短的结构体字段里翻找。决策变量维数用 nvars 表示，目标数用 M 表示，两个维度都从 size 动态获取，后续换测试函数不用改主循环。

边界 lb 和 ub 单独保存，长度为 1×nvars。初始化和变异都需要它们，尤其变异后要把越界个体拉回边界内。顺带说，Matlab 的随机数默认状态在每次启动时相同，跑实验前固定 rng 才能保证结果可复现，这一点在参数对比时特别重要。

3.2 初始化种群与目标函数接口设计

初始化代码很直观，核心是利用 rand 生成 0 到 1 之间的随机数，再映射到边界区间。这里有一个值得坚持的习惯：把目标函数作为函数句柄传给主程序，而不是在主程序内部写死函数名。这样想测 ZDT1 就传 zdt1 的句柄，想换成自己的工程模型只需要保证入参是单个决策变量行向量、返回一行目标值。

function pop = initialize_population(N, nvars, lb, ub) % 生成 N 个个体，每个个体是 nvars 维行向量 pop = lb + rand(N, nvars) .* (ub - lb); end function f = evaluate_population(pop, test_func) % 逐个体调用目标函数，返回 N×M 的适应度矩阵 N = size(pop, 1); f_list = cell(N, 1); for i = 1:N f_list{i} = test_func(pop(i, :)); end f = cell2mat(f_list); end

逻辑说明：initialize_population 是均匀随机初始化，所有变量都等概率落在边界内。evaluate_population 用 cell 暂存每行结果再合并，因为 Matlab 在循环里动态拼接矩阵会反复分配内存，速度明显下降。参数说明：N 是种群规模，nvars 是决策变量个数，lb 和 ub 可以是标量也可以是和变量同样长度的向量；目标函数句柄 test_func 必须返回行向量，列数就是目标个数 M。

这一步对应的坑是目标函数返回值方向。fitness(a,b) 中每个个体对应的目标必须是一行，因为后续非支配排序按行比较；如果模型本身返回的是列向量，cell2mat 出来会得到 M×N 的转置矩阵，排序逻辑会全乱。

3.3 主循环骨架：先能跑起来再谈优化

主循环把排序、拥挤度、锦标赛选择、SBX 交叉、多项式变异、精英保留串起来。核心骨架如下，算子和精英保留的具体实现分别放在后面小节里，先看整体流程。

rng(1); N = 100; maxgen = 250; nvars = 30; lb = zeros(1, nvars); ub = ones(1, nvars); test_func = @zdt1; pop = initialize_population(N, nvars, lb, ub); fitness = evaluate_population(pop, test_func); for gen = 1:maxgen [fronts, rank] = fast_non_dominated_sort(fitness); cd = zeros(N, 1); for f = 1:length(fronts) cd(fronts{f}) = crowding_distance(fitness, fronts{f}); end offspring = zeros(N, nvars); for i = 1:2:N-1 p1 = tournament_selection(rank, cd, 2); p2 = tournament_selection(rank, cd, 2); [offspring(i, :), offspring(i+1, :)] = ... sbx_crossover(pop(p1, :), pop(p2, :), lb, ub, 20); offspring(i, :) = polynomial_mutation(... offspring(i, :), lb, ub, 1/nvars, 20); offspring(i+1, :) = polynomial_mutation(... offspring(i+1, :), lb, ub, 1/nvars, 20); end offspring_fitness = evaluate_population(offspring, test_func); pop = elitist_selection(pop, fitness, offspring, offspring_fitness, N); fitness = evaluate_population(pop, test_func); end scatter(fitness(:, 1), fitness(:, 2), 10, 'filled'); xlabel('f1'); ylabel('f2');

逻辑说明：每一代先对当前适应度排序得到前沿编号和拥挤度，再用锦标赛选父代、SBX 交叉产生两个子代、多项式变异扰动子代，最后把父代和子代合并交给精英选择函数裁回 N 个个体。fitness 在上一代精英选择后重新计算一次，这一步不是冗余，因为 pop 的行顺序已经改变，对应的 fitness 需要同步更新。

参数说明：maxgen=250 对 ZDT 系列测试函数是够用的起步值；交叉分布指数 20、变异分布指数 20 是 NSGA2 论文里常用的经典设置；变异概率用 1/nvars 可以保证每个个体平均有一个变量发生变异；锦标赛 k=2 让选择压力适中。跑完后的 scatter 图能第一眼看出前沿形状和分布情况。

这里最容易犯的错误是 for i = 2:N 的奇偶配对。种群规模必须是偶数，否则最后一个子代缺失；如果目标函数昂贵，也可考虑子代规模略小于父代，但精英选择逻辑要对应调整，不要写出索引越界的脚本。

4. 参数设置与结果验证：测试函数、指标和调参顺序

4.1 用 ZDT1 当最小可复现用例：默认参数怎么给

ZDT1 是多目标优化里最经典的双目标测试函数，变量数通常取 30，目标函数定义如下：第一个目标就是第一个决策变量本身，第二个目标由 g 函数和 x1 混合构成。它的真实帕累托前沿已知：x1 从 0 到 1 变化，其余变量为 0，对应 f2 等于 1 减根号下 f1。这个解析解让结果验证非常直接。

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

参数设置上，我推荐的起步值是：种群 N=100，迭代代数 maxgen=250，交叉概率 pc=0.9，交叉分布指数 eta_c=20，变异概率 pm=1/nvars，变异分布指数 eta_m=20。这套参数在 ZDT1 上已经能跑出比较完整的前沿，适合用来验证代码正确性。

ZDT1 的前沿是凸的，算法容易收敛；如果换到前沿非凸或带断点的测试问题，同样的参数表现可能剧烈下滑。做方法对比时不能只靠一个测试函数下结论，至少准备 ZDT 系列和 DTLZ 系列各一个。

4.2 三个指标判断算法质量：收敛性、多样性和运行时间

散点图只能看出大概形状，定量判断还需要指标。最常用的是 GD 和 IGD，作用对象都是算法得到的前沿解集合 P 和真实前沿参考集合 R。

GD 衡量收敛性：对 P 中每个点，找它到 R 里最近点的欧氏距离，所有距离取平均。GD 越小说明得到的解越贴近真实前沿。IGD 反过来看多样性：对 R 中每个参考点，找它到 P 里最近点的距离，取平均。如果 P 只覆盖了前沿的一段，远处参考点找不到近邻，IGD 会明显变大，所以 IGD 能同时惩罚不收敛和不完整的前沿。

实际计算时，参考集合 R 可以用解析解在 ZDT1 上均匀采样 1000 个点得到。每代跑完都算一次 IGD，画成下降曲线，能清楚看到算法是稳定收敛还是中途卡住。

function igd_val = compute_igd(P, R) % P: 算法所得前沿点集, R: 真实前沿参考点集 d = zeros(size(R, 1), 1); for i = 1:size(R, 1) dists = sqrt(sum((P - R(i, :)).^2, 2)); d(i) = min(dists); end igd_val = mean(d); end

运行时间也要记录。多目标算法的竞争本质是“同样时间内谁的前沿质量更高”，只比最终 IGD 而不计时间没有工程意义。我的习惯是每个参数组合跑 5 个随机种子，取 IGD 的中位数和标准差；只看单次最好结果很容易被运气左右。

4.3 调参顺序：先动哪个，后动哪个

参数不能一上来全调。收敛慢和多样性差往往需要完全相反的操作，调反了会互相掩盖问题。

第一步看 IGD 曲线的尾部：如果在最大代数附近还在明显下降，说明还没收敛，优先增大 maxgen，或者增大变异概率让种群跳出局部区域。第二步看前沿覆盖：如果两端总是空的，考虑降低 eta_c 让交叉产生更偏离父代的子代；或者检查边界修复逻辑是否把子代过度压缩到中间。第三步看前沿均匀性：如果某些区间点密、某些区间点稀，优先调拥挤度选择方向，确认排序是降序而不是升序。

还有个工程经验：先用小规模快速验证，再上大规模。N=50、maxgen=100 跑一轮只要几秒，适合检查代码逻辑；确认没问题后再把 N 拉到 200、代数拉到 500 做正式实验。调参时每次只改一个变量，记录前后 IGD 变化，否则两个参数同时调整很难定位是哪个起了作用。

5. 常见问题与排查：NSGA2 在 Matlab 里容易翻车的 5 个点

5.1 现象：初始代就没几个非支配个体，前沿稀稀拉拉

一开始种群就很差，最常见的原因不是算法问题，而是目标方向不统一。某个目标本身是最大化，但所有代码都按最小化实现，那整个评估结果颠倒，排序自然全乱。跑任何实际问题前，第一件事是检查每个目标的方向：最大化目标直接取负，变成最小化。另一个隐蔽原因是边界设置太宽，rand 生成的初始种群大量落在物理上不可行的区域，这时要看约束处理逻辑是否提前作用。排查办法很简单：把初始种群的目标值提出来画散点图，如果绝大部分点堆在某个角落而不是散布整个空间，从评估函数和边界两个方向找问题。

解决方式是在 evaluate_population 之后加一行统一符号处理，把最大化变成最小化，并在注释里标明哪些目标是取负过的。这样做虽然看起来简陋，但能保证整个算法流程只用写一套最小化逻辑。

5.2 现象：非支配排序结果和预期不符，前沿层级明显不对

如果同一个个体出现在两个不同前沿，或者某些层里混入了被其他层支配的点，问题基本出在被支配计数的更新顺序上。快速非支配排序要求当前层的所有个体都必须先完成“支配列表减一”的传播，才能进入下一层；如果一边遍历一边修改 fronts 结构，会把还没处理完的个体提前推进队列。Matlab 的 cell 数组在循环中动态扩展时尤其容易出现这种下标错位。

排查方式是打印每一层的前沿编号和个体数量，人工抽几个点验证支配关系：第一层的点应该两两互不支配，第一层和第二层之间必须满足“第二层至少被第一层里的某个个体支配”。代码上建议把队列 Q 单独用普通数组保存，当前层遍历结束后再合并，不要直接往正在遍历的 cell 末尾追加元素。

5.3 现象：所有子代都集中到边界附近，甚至越过边界产生 NaN

SBX 交叉本身不保证子代一定落在变量边界内，它只是按照分布指数生成一个扰动比例。如果父代一个在边界、一个在中间，扰动后子代很容易越界。裁剪处理如果只是简单 clamp，会让大量个体贴在边界上，产生“边界聚集效应”。更隐蔽的问题是变异算子的越界判断没有检查 ub-lb 是否为零，某些变量上下界相同导致除零，出现 NaN。

解决方法是给交叉和变异都加边界修复，但修复方式要有区分：交叉后越界的变量直接 clamp 到边界，变异越界时用反射方式映射回内部空间。反射比 clamp 的分布更均匀，不容易在边界形成堆叠。实现时每个变量单独检查，并在修复后加一次校验，确保没有 NaN 漏网。

5.4 现象：前沿点集中在中段，两端始终没有解

前沿缺两端通常有两个来源。第一个是拥挤度排序方向写反：本应选择拥挤度距离大的个体，如果写成升序排列，就会优先保留距离小、密度高的个体，种群越选越聚集。第二个是交叉分布指数的值取得太大，子代永远在父代周围非常小的邻域内产生，探索能力被限制住。

排查时先输出前后两代前沿的范围，比较 f1 的最小最大值有没有逐步外扩。如果一直不变，检查拥挤度选择代码里 sort 的方向；如果方向正确，尝试把 eta_c 从 20 降到 5 再跑一次，子代偏离父代的概率会显著上升，两端覆盖也会更快改善。

5.5 现象：父代和子代合并后，某些好解在下一次迭代里反而消失

精英保留环节的典型错误在索引映射。合并后种群变成了 [pop; offspring]，排序得到的前沿队列里存的是合并后个体的下标。如果直接在原来的 pop 或 fitness 上按这个下标取数据，就一定会拿错个体。另一个常见问题是没有在精英选择函数里同步更新 fitness，导致下一代排序用的目标值和实际个体不匹配。

解决方式是让精英选择函数返回完整的下一代 pop 和 fitness，合并状态只在函数内部存在，外部不要手工拼接后再从中间取行。我习惯把这一步单独封装，函数内做完排序、裁剪、重新评估，最后统一写回，这样外部主循环永远面对的一致接口，排查时只需要看这一个函数内部的索引变化。

6. 进阶技巧：向量化评估、平行实验与收尾验证

6.1 向量化评估目标函数：让每代运行时间从秒级降到毫秒级

主循环里逐个体调用目标函数，代码直观但效率一般。Matlab 的强项是矩阵计算，代价允许的情况下，可以把整个种群一次性传入目标函数，内部用向量化写法算完全部适应度。比如 ZDT1 可以写成接收 N×nvars 矩阵，sum 按列求和，一行代码同时处理所有个体。

function f = zdt1_batch(pop) f1 = pop(:, 1); g = 1 + 9 * sum(pop(:, 2:end), 2) / (size(pop, 2) - 1); f2 = g .* (1 - sqrt(f1 ./ g)); f = [f1, f2]; end

逻辑说明：pop 每行是一个个体，第一列参与 f1；sum 的第二个参数 2 表示按行求和，得到每个个体的 g 值；最后用点乘和点除完成全部计算。参数说明：这只适用于目标函数可以写成向量运算的情况；工程模型大多是仿真或外部程序，反而应该维持逐个体接口，考虑用 parfor 并行。

初始代码和向量化版本要在同一套随机种子下对比一次，确认结果一致后再替换，避免换函数时顺手引入目标方向错误。这是我吃过大亏的地方：当时为了提速改写批量函数，少乘了一个系数，前前沿收敛得飞快，结果全是错的。

6.2 输出每一代前沿，保留现场可回溯

主循环里每代算完 IGD 后，把前沿数值、种群目标值、运行时间和参数组合一起存盘。前期做参数对比时，这样的记录能直接画出收敛曲线，省去重复跑实验的等待。养成好的输出习惯之后，你会发现改一个井号参数的影响比预期更复杂——凸前沿和凹前沿对 eta_c 的敏感度完全不同。

我前几年做对比实验时，算法里某个排序方向写反了，前 30 代看起来都在正常收敛，图也漂亮，直到把每一代前沿落盘后才发现边界在缓慢收缩而不是扩张。那之后就养成了每代打印层数和首末目标值范围的习惯。NSGA2 这类算法逻辑不难，难的是每个环节都建立了看似可用的局部判断，组合起来却不自洽；所以跑通只是第一步，把排错代码留在工程里才是长久省力的事。希望帮到你。

本文还有配套的精品资源，点击获取