MOEA/D与NSGA-II在多目标优化中的适用性

索旭东

发布于 2026-05-26 19:44:57

1030

MOEA/D和NSGA-II都是多目标进化算法中的经典代表，但它们解决问题的思路截然不同。简单来说， NSGA-II是基于“支配关系”直接筛选好解，而MOEA/D则是通过“分解”将多目标问题拆解成多个单目标子问题来协作求解。下面从原理、步骤和适用场景三个方面详细拆解。

核心区别：支配 vs 分解

维度	NSGA-II	MOEA/D
核心思想	基于帕累托支配：直接利用解之间的支配关系对种群进行分层排序。	基于分解：将多目标问题分解为若干个单目标子问题，通过协作进化求解。
选择依据	解的优劣由非支配层数和拥挤度距离共同决定。	解的优劣由聚合函数值（如加权和、切比雪夫）决定，每个子问题对应一个聚合函数。
多样性维持	拥挤度距离：在目标空间中，优先保留周围解稀疏的个体。	权重向量分布：预先设置一组均匀分布的权重向量，子问题的解对应不同的偏好方向，从而覆盖整个前沿。
邻域概念	通常不显式定义邻域，整个种群参与交配和选择。	显式定义邻域（权重向量相近的子问题集合），进化操作主要在邻域内进行，促进局部信息共享。

原理本质与步骤详解

NSGA-II：基于非支配排序的精英算法

原理本质 NSGA-II通过快速非支配排序将种群划分为多个层次（第一层是帕累托前沿，第二层是被第一层支配的剩余解中的前沿，以此类推）。层数越小，解越优。在同一层内，使用拥挤度距离衡量解的稀疏程度，距离越大代表周围解越少，越有助于保持多样性。选择时优先保留层数低且拥挤度大的解。

核心步骤

初始化：随机生成规模为N的父代种群P0。
非支配排序：对P0进行快速非支配排序，得到每个个体的层数（rank）和拥挤度距离。
进化生成子代：通过锦标赛选择（基于rank和拥挤度）、交叉、变异生成子代种群Q0，规模也为N。
合并与筛选：将父代P0和子代Q0合并为规模2N的种群R。对R进行非支配排序，并计算拥挤度。
精英保留：从R中依次选择非支配层（从第一层开始）填充新父代P1，直到填满N。如果最后一层不能全部放入，则依据拥挤度距离从大到小选取，直到填满。
迭代：重复步骤3-5，直到满足终止条件。

MOEA/D：基于分解的多目标进化算法

原理本质 MOEA/D首先需要一组均匀分布的权重向量（数量等于种群规模N），每个权重向量λ对应一个子问题。子问题的目标是通过某种聚合函数（如切比雪夫聚合法）将多目标转化为单目标。算法为每个权重向量维护一个当前最优解，并且定义了一个邻域关系：权重向量相近的子问题互为邻域。进化过程中，子问题之间通过邻域交换信息，协作优化。

核心步骤

初始化：

生成N个均匀分布的权重向量λ¹, λ², ..., λᴺ，并计算每个权重向量的T个最近邻（欧氏距离），构成邻域B(i)。
随机生成初始种群x¹, x², ..., xᴺ，计算每个个体对应的目标向量F(xⁱ)。
初始化理想点z = (z₁ , ..., zₘ )，其中zⱼ是当前种群中第j个目标的最小值。

2. 进化：对于每个子问题i（i=1,...,N）：

繁殖：从邻域B(i)中随机选择两个个体作为父代，通过遗传算子生成新个体y。
更新理想点：如果y的目标值能改进理想点z ，则更新z 。
更新邻域解：对于邻域B(i)中的每个子问题j，如果y的聚合函数值（基于权重λʲ和当前理想点）优于xʲ的聚合函数值，则用y替换xʲ。

3. 终止判断：若满足终止条件（如达到最大迭代次数），则输出当前种群中的所有非支配解；否则返回步骤2。

适用场景对比

场景	NSGA-II	MOEA/D
目标个数	适合2-3个目标的低维多目标问题。当目标数超过4个（高维）时，非支配解比例急剧上升，选择压力下降，效果显著变差。	对高维多目标问题（4个及以上）适应性更好，因为聚合方法避免了支配关系失效。
帕累托前沿形状	对前沿形状不敏感：能很好地处理非凸、不连续、甚至退化的前沿，因为基于支配不依赖前沿几何性质。	对前沿形状敏感：基于均匀权重向量假设前沿是连续的，对于不规则前沿（如前沿呈尖峰、断崖）需要设计自适应权重才能保持分布性。
问题规模	计算复杂度为O(MN²)（M为目标数，N为种群规模），适合中小规模种群。	计算复杂度较低（O(MNT)），T为邻域大小，通常远小于N，适合大规模种群和快速求解。
偏好集成	不易引入决策者偏好，主要通过后处理选择解。	天然支持偏好集成：权重向量可视为决策者的偏好方向，可直接引导搜索。
典型应用	工程结构优化、调度问题、机械设计等经典多目标优化。	高维投资组合、大规模多目标优化、需要快速响应且问题规则性较好的场景。