简介：这份资源是NSGA-II多目标优化算法的MATLAB实现代码，面向正在学习智能优化算法、准备课程设计或科研实验的高校学生与研究人员。代码围绕非支配排序、拥挤距离计算、精英策略与基因操作等核心模块展开，并针对二维测试函数ZDT1-6与三维测试函数DTLZ1-6提供了完整的测试数据与仿真图像，便于读者理解算法在标准测试集上的收敛性与分布性表现。压缩包共27个文件，包含10个m脚本、10个txt测试数据文件与7个fig仿真结果图，整体约2.41MB，目录结构清晰，主程序与各功能模块分离，方便按需查阅与二次修改。目前已有3204人学习下载，适合作为算法入门复现、实验对比或论文写作的参考素材，读者可借助现成脚本快速跑通流程，并对照仿真图像验证非支配解集的分布效果。

1. 从一次“跑不通”的选型说起：NSGA-II 的 MATLAB 代码到底能解决什么

如果你手头有一个多目标优化问题——比如同时压低成本和能耗、同时拉高精度和吞吐——大概率绕不开 NSGA-II。它属于遗传算法家族里的经典多目标版本，核心是三件事：非支配排序、拥挤距离、精英策略。这三件套决定了它能在一次运行里给出一整条帕累托前沿，而不是像加权求和那样只能拿到一个折中点。这份 MATLAB 代码包就是把这三件事完整落地的实现，适合两类人：一类是课程设计或论文里需要跑出帕累托前沿、但不想从零手写排序逻辑的；另一类是已经用过工具箱函数、想拆开看内部机制到底怎么转的。它不依赖额外工具箱，纯 MATLAB 脚本加函数文件，拿到就能在本地跑通，改目标函数也只需要动一个文件。下面按“先立住原理、再动手复现、最后说坑”的顺序拆开讲。

2. 非支配排序与拥挤距离：NSGA-II 的两根支柱怎么在代码里落地

2.1 非支配排序：把种群切成一层一层的“优劣梯队”

多目标优化里没有单一最优解，只有“我不比你差”的支配关系。解 A 支配解 B，意思是 A 在所有目标上都不劣于 B，且至少有一个目标严格更优。非支配排序就是反复找出当前种群里不被任何其他解支配的那一批，标为第一层，剔除后再找第二批，依此类推。代码里这一步通常是一个双层循环：外层遍历每个个体，内层拿它和其余个体逐一比较支配关系，统计被支配次数和它支配了谁。被支配次数为 0 的个体就是当前层的成员。

% 非支配排序核心逻辑（简化示意） front = 1; F(front).f = []; individual = []; for i = 1:N individual(i).n = 0; % 被支配计数 individual(i).p = []; % 支配的解集合 for j = 1:N dom_less = 0; dom_equal = 0; dom_more = 0; for k = 1:M if x(i).cost(k) < x(j).cost(k) dom_less = dom_less + 1; elseif x(i).cost(k) == x(j).cost(k) dom_equal = dom_equal + 1; else dom_more = dom_more + 1; end end if dom_less == 0 && dom_equal ~= M individual(i).n = individual(i).n + 1; % j 支配 i elseif dom_more == 0 && dom_equal ~= M individual(i).p = [individual(i).p j]; % i 支配 j end end if individual(i).n == 0 x(i).rank = 1; F(front).f = [F(front).f i]; end end

这段逻辑里M是目标个数，N是种群规模。dom_less、dom_equal、dom_more三个计数器分别记录第 k 个目标上“更小、相等、更大”的情况。判断支配的条件是：没有任何一个目标更差（dom_less == 0），且不是所有目标都相等（dom_equal ~= M）。参数上最容易出问题的是目标方向——如果你的问题是最大化，得先把目标取负，否则排序结果会完全反过来。常见做法是在目标函数里统一转成最小化，排序逻辑就不用改。

2.2 拥挤距离：同一层里怎么再分出个先后

非支配排序把种群分了层，但同一层里可能有几十个解，选谁进下一代？NSGA-II 用拥挤距离来衡量一个解周围有多“空”。距离越大，说明它周围解越稀疏，越该保留，这样帕累托前沿才能铺得开、不会全挤在一处。计算方式是对每个目标排序，边界解的距离设为无穷大（必须保留），中间解取相邻两个解在该目标上的差值归一化后累加。

% 拥挤距离计算（对某一层 front 内的解） costs = reshape([x(F(front).f).cost], M, [])'; % 取出该层所有解的目标值 n = numel(F(front).f); distance = zeros(n, 1); for k = 1:M [~, idx] = sort(costs(:, k)); distance(idx(1)) = inf; % 边界解距离无穷大 distance(idx(end)) = inf; f_max = max(costs(:, k)); f_min = min(costs(:, k)); if f_max - f_min == 0 continue; % 该目标全相等，跳过避免除零 end for t = 2:n-1 distance(idx(t)) = distance(idx(t)) + ... (costs(idx(t+1), k) - costs(idx(t-1), k)) / (f_max - f_min); end end

f_max - f_min是归一化分母，这一步很关键：如果某个目标量纲是几千、另一个是零点几，不归一化的话大量纲目标会完全主导拥挤距离。代码里对分母为 0 的情况做了跳过处理，这是血泪经验——早期版本没加这个判断，遇到所有解在该目标上相等时直接出 NaN，整个选择环节就崩了。边界解赋inf保证它们一定被选中，这是维持前沿两端不被截断的常规做法。

2.3 精英策略：父代和子代合并后再选，为什么更稳

很多遗传算法的做法是父代产生子代、子代直接替换父代。NSGA-II 不一样，它把父代和子代合并成 2N 个个体，一起做非支配排序和拥挤距离计算，再从中挑 N 个进下一代。这个“精英策略”的好处是已经找到的好解不会因为一次交叉变异就被丢掉，收敛更稳。选择顺序是：先按 rank 从小到大整层整层地取，取到某一层放不下时，用拥挤距离从大到小补齐。

% 精英选择：合并种群后截断到 N combined = [pop_parent, pop_child]; [combined, F] = non_dominated_sort(combined); new_pop = []; front = 1; while numel(new_pop) + numel(F(front).f) <= N new_pop = [new_pop, F(front).f]; front = front + 1; end % 最后一层按拥挤距离排序补齐 last = F(front).f; dist = crowding_distance(combined, last); [~, order] = sort(dist, 'descend'); need = N - numel(new_pop); new_pop = [new_pop, last(order(1:need))];

combined的长度是 2N，while循环负责整层接收，need是还差多少个名额。这里有个容易翻车的点：如果某一层的解数量刚好等于剩余名额，while条件用的是<=，会整层收下，不会触发后面的补齐逻辑，这是对的；但如果写成<，就会多走一轮，把本该整层收下的层拆开，破坏前沿结构。参数上N一般取 100 到 200，太小前沿稀疏，太大单代计算量明显上升，非支配排序是 O(MN²)，N 翻倍计算量约四倍。

3. 把代码跑起来：目标函数、参数设置与一次完整运行

3.1 目标函数怎么写：以两个经典测试问题为例

拿到代码包后，第一个要改的就是目标函数。代码通常把目标函数单独放在一个文件里，输入是决策变量向量，输出是目标值向量。以 ZDT1 为例，它有两个目标，决策变量 30 维，帕累托前沿是一条已知的凸曲线，常用来验证算法是否正确。

function f = evaluate_objective(x) % ZDT1: 两个目标，x 为 1×30 决策变量 f(1) = x(1); g = 1 + 9 * sum(x(2:end)) / (numel(x) - 1); f(2) = g * (1 - sqrt(x(1) / g)); end

f(1)直接取第一个变量，f(2)由g和x(1)共同决定。这个函数的好处是帕累托前沿解析已知：当g = 1时，f(2) = 1 - sqrt(f(1))，f(1)在 0 到 1 之间。跑完之后把结果和这条曲线对比，就能判断代码有没有问题。如果你要换成自己的问题，保持输入输出格式不变，把内部计算替换掉即可，目标个数M在参数文件里同步改。

3.2 参数文件怎么配：种群、代数、交叉变异率

参数一般集中在一个脚本或结构体里，常见字段如下表。这些值不是拍脑袋定的，交叉率 0.9、变异率 1/决策变量数 是文献里的常用起点。

pm取1/n_var是经验做法：变量越多，单个变量被变异的概率越低，整体变异强度保持稳定。eta_c和eta_m是模拟二进制交叉和多项式变异里的分布指数，取值越大子代越集中在父代附近，探索能力下降但局部搜索更细。我一般先用默认值跑一遍，看收敛曲线再决定要不要调。

3.3 一次完整运行：从初始化到输出帕累托前沿

主循环的结构是：初始化种群、评估、非支配排序、进入迭代、每代做选择交叉变异、合并父子代、精英选择、更新。下面是一次运行的骨架。

% 主流程骨架 pop = initialize_population(N, n_var, lb, ub); pop = evaluate_population(pop, @evaluate_objective); [pop, F] = non_dominated_sort(pop); pop = calculate_crowding_distance(pop, F); for gen = 1:max_gen child = tournament_selection(pop, N); child = crossover(child, pc, eta_c, lb, ub); child = mutation(child, pm, eta_m, lb, ub); child = evaluate_population(child, @evaluate_objective); combined = [pop, child]; [combined, F] = non_dominated_sort(combined); combined = calculate_crowding_distance(combined, F); pop = truncate_population(combined, N); % 精英选择截断 fprintf('第 %d 代，第一层解数：%d\n', gen, numel(F(1).f)); end % 输出第一层作为帕累托前沿 pareto = pop([pop.rank] == 1); scatter([pareto.cost(1,:)], [pareto.cost(2,:)], 'filled');

tournament_selection是二元锦标赛：随机抽两个，先比 rank，rank 小的赢；rank 相同比拥挤距离，大的赢。truncate_population就是 2.3 节讲的精英选择。跑完后pareto里就是第一层解，画出来应该是一条平滑曲线。如果画出来是一团散点或者只有一两个点，多半是排序或截断环节出了问题，下一章专门说。

4. 避坑与排查：五个让代码“看起来对但结果不对”的坑

4.1 帕累托前沿只有一两个点

现象：跑完几百代，第一层解数始终是个位数，散点图几乎看不出曲线。原因通常是变异概率过低或种群多样性在早期就丢失，也可能是目标函数里某个目标恒为常数，导致支配关系退化。解决：先把pm调到1/n_var确认不是变异问题；再检查目标函数，打印每代各目标的取值范围，如果某个目标方差接近 0，说明它没起作用，需要重新设计目标或检查变量映射。

4.2 结果每次跑都不一样，且差异很大

现象：同一份代码、同一组参数，两次运行的前沿形状差很多。原因：遗传算法本身是随机的，但如果差异大到前沿覆盖范围都变了，通常是没固定随机种子，或者种群规模太小导致随机性被放大。解决：在初始化前加rng(1)固定种子，方便复现和调试；正式跑的时候把N提到 100 以上，多跑几次取包络，不要用单次结果下结论。

4.3 拥挤距离出现 NaN 或 Inf 传播

现象：迭代到某一代，选择环节报错或结果全变成 NaN。原因：某个目标上所有解取值相等，归一化分母为 0，除法产生 NaN，NaN 参与比较后污染整个距离数组。解决：在拥挤距离计算里对分母为 0 的目标直接continue，跳过该目标的距离累加，代码 2.2 节已经给了这个判断。另外边界解赋inf是正常的，但如果inf出现在中间解上，说明排序索引越界，检查idx的取值范围。

4.4 最大化问题直接套用导致前沿反向

现象：目标明明是越大越好，跑出来的前沿却集中在目标值很小的区域。原因：非支配排序默认所有目标都是最小化，最大化问题不转换方向，支配关系就反了。解决：在目标函数里对最大化目标取负，f(k) = -raw_value，排序逻辑不动，输出时再取回负号。这是最常见的翻车点，尤其是从别人代码改过来的时候，很容易漏掉方向转换。

4.5 代数够了但前沿还在移动

现象：设了 500 代，跑到最后前沿还在缓慢变化，不确定该不该停。原因：收敛判据不能只看代数，要看前沿是否稳定。解决：每隔若干代记录第一层解的目标均值或超体积指标，画收敛曲线，当曲线在若干代内波动小于阈值就可以停。常见做法是连续 20 代超体积变化小于 1e-4 就提前终止，比死磕固定代数更省时间。

5. 进阶技巧：用超体积指标验证前沿质量，而不是只看图

跑出前沿只是第一步，怎么判断这次运行比上次好？肉眼看散点图太主观，我一般用超体积指标。它衡量的是帕累托前沿和参考点围成的区域面积，值越大说明前沿越靠前、铺得越开，同时反映收敛性和多样性。计算时先定一个参考点，取各目标上比最差解还差一点的值，然后对前沿解按第一目标排序，逐段累加矩形面积。

function hv = hypervolume(points, ref) % points: n×M 的前沿目标值，ref: 1×M 参考点 [~, idx] = sort(points(:,1)); points = points(idx, :); hv = 0; for i = 1:size(points,1)-1 width = points(i+1,1) - points(i,1); height = ref(2) - max(points(i,2), points(i+1,2)); if height > 0 hv = hv + width * height; end end hv = hv + (ref(1) - points(end,1)) * (ref(2) - points(end,2)); end

这段是二维简化版，ref要选得比所有解都差，否则算出来偏大。width是相邻解在第一目标上的间隔，height是参考点到该段较高那个解的距离。二维情况下这个逻辑够用，三维及以上需要做切片或调用专门库，代码包里如果带了这个函数，直接传前沿和参考点即可。我习惯每跑完一次就记一个超体积值，调参时对比这个数，比盯着散点图靠谱得多。从那以后我每次改完参数都强制走一遍超体积对比，不再凭感觉判断“好像好了一点”。希望帮到你。

本文还有配套的精品资源，点击获取