非支配排序遗传算法（NSGA）：基于 Pareto 最优概念的遗传算法原理及应用

聊遗传算法，非支配排序遗传算法（NSGA）和普通的遗传算法是热门话题。这NSGA，在开始选人之前先分个层，这招让它在解决多目标优化问题时特别能打。相反，普通的遗传算法虽然能凑合着优化，但面对复杂的多目标问题就有点心有余而力不足了。这篇文章要深入说说NSGA和简单遗传算法的差别，还有NSGA-II是怎么进步和发展的。

一、非支配排序的理念

NSGA就是讲究这种“非支配排序”的玩法。普通的遗传算法，选个体全看谁适应性强。但NSGA不一样，它是看个体间谁更占优势，这样一来，不光看适应度，还得看位置。比如，一个个体能压倒另一个，那它就更有机会被选上。这样子，NSGA就能让种群保持多样性，还不至于太早定型。

分层处理时，NSGA会把它们分到多个级别，同时给每个级别指定个虚拟适应度。比如，最上层是1分，下层就降0.1分，就这样递减。这样分法能帮我们更好地选个体，不光看适应度，还得看谁比谁强，这样才能让优化效果更好。

二、NSGA-II的提出与改进

Deb，2000年的时候就搞出了个叫NSGA-II的东西，这是个加了精英策略的非支配排序遗传算法。做这玩意儿主要是为了解决原来NSGA那些问题，主要是计算难度和种群多样性这块。NSGA-II里头有个快速非支配排序的方法，这一手让算法计算起来快多了，处理大问题特能行。

在NSGA-II里，每个家伙得有两个关键数：n(i)和S(i)。n(i)就是它被谁压杠杠的数量，S(i)则是它压着谁。有了这两个数，NSGA-II就能更准地给非支配种分组排位，保证种群里的每个家伙都有个合理评价。这改动让它在用场上更顺，尤其对付多目标的优化难题时。

三、种群初始化与选择过程

在NSGA-II算法里，初始种群搭建可关键得很。咱们先随便挑出一群父代种群P(0)，再把这些个体的优劣排排队，给它们定个适应度。适应度能跟它们的排位一样，比如排第一的就是最适应的，后面的就依次下去。这招儿保证了好苗子能选得更好。

NSGA-II，它是通过挑选、配对和变化来产生新一代群体Q(0)。这事儿，非支配排序起大作用。群体里每个人都经过这排序，就分成几个“非支配群”，再看看它们的拥挤度。这个法子既保留了顶呱呱个体的基因，又保证了群体丰富，不让算法卡在一点小地方。

四、拥挤度的计算与应用

算NSGA-II这事儿，得好好算一下个体挤不挤。这个计算能帮着选哪个个体更有优势，给它们分点权重。比如说，哪个个体不那么拥挤，选它的几率就大点。就这样，种群里的个体能保持多样性，不会全往一块儿挤。

用实际操作来说，当F(1)比N小，NSGA-II就继续往P(t+1)里加F(2)后面的非支配集。一直这样加，直到F(3)加上来的时候种群数目超了N。这时候就对F(3)里的个体来个拥挤度排排坐。这样一来，NSGA-II就能确保每代种群的质和量，为下回优化打下好基础。

五、NSGA-II的实际应用与前景

NSGA-II升级后，在多目标优化这块儿火得很，各行各业都用得挺多，比如工程设计、经济计划，还有环境管理啥的。这玩意儿能快速计算，又能保持品种多样性，所以处理那些复杂的多目标问题很有一套，帮决策者们找到更棒的办法。

随着计算的进步，NSGA-II的发展空间更广。研究人员可以继续研究新改进，加上深度学习等新科技，促进多目标优化算法的进步。不管是工业还是学术圈，NSGA-II都会继续贡献大。

咱们这篇文章深入说了NSGA和基础遗传算法的差别，还有NSGA-II的升级和运用。对NSGA-II的实际使法，你怎么看？快来评论区分享一下你的想法，顺便给我们点个赞、转发一下，也让大伙儿都来认识下这个关键算法！

本文 融资融券杠杆炒股 原创，转载保留链接！网址：http://www.lf889.com/zmt/313.html