用Python实战NSGA-II：手把手教你用Geatpy库解决多目标优化问题

用Python实战NSGA-II：手把手教你用Geatpy库解决多目标优化问题

在工程优化、金融建模和人工智能领域，我们常常面临需要同时优化多个相互冲突目标的场景。比如设计汽车时需要平衡燃油效率与制造成本，投资组合需要权衡收益与风险，机器学习模型需要兼顾准确率与计算效率。这类多目标优化问题（MOOP）的解决方案往往不是单一最优解，而是一组被称为帕累托前沿（Pareto Front）的折衷解集。本文将带你用Python生态中最强大的进化计算库Geatpy，从零实现经典的多目标优化算法NSGA-II。

1. 环境配置与问题建模

1.1 安装Geatpy与依赖

Geatpy是目前Python生态中功能最完整的进化算法框架，支持多种遗传算法、多目标优化和并行计算。通过pip即可安装最新稳定版：

pip install geatpy numpy matplotlib -U

注意：Geatpy要求Python 3.7及以上版本，若遇到安装问题可先升级pip工具

1.2 定义多目标优化问题

我们先构建一个经典的测试函数——ZDT1问题，它包含两个相互冲突的目标：

import geatpy as ea import numpy as np class ZDT1(ea.Problem): # 继承Problem父类 def __init__(self): name = 'ZDT1' # 问题名称 M = 2 # 目标维度 maxormins = [1] * M # 目标最小化标记列表 Dim = 30 # 决策变量维度 varTypes = [0] * Dim # 决策变量类型(0连续/1离散) lb = [0] * Dim # 决策变量下界 ub = [1] * Dim # 决策变量上界 lbin = [1] * Dim # 包含下界 ubin = [1] * Dim # 包含上界 ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin) def evalVars(self, Vars): # 目标函数 ObjV1 = Vars[:, 0] # 第一个目标函数 g = 1 + 9 * np.sum(Vars[:, 1:], 1) / (self.Dim - 1) h = 1 - np.sqrt(ObjV1 / g) ObjV2 = g * h # 第二个目标函数 ObjV = np.hstack([ObjV1.reshape(-1,1), ObjV2.reshape(-1,1)]) return ObjV

这个示例展示了如何定义包含30个决策变量的多目标问题。evalVars方法计算两个目标函数值：

• 目标1：直接取第一个决策变量
• 目标2：通过复杂函数计算与其他变量的关系

2. NSGA-II算法核心配置

2.1 算法模板与参数设置

Geatpy提供了高度封装的算法模板，只需几行代码即可配置完整的NSGA-II：

# 实例化问题对象 problem = ZDT1() # 构建算法 algorithm = ea.moea_NSGA2_templet( problem, # 问题对象 ea.Population(Encoding='RI', NIND=100), # 实数编码，种群规模100 MAXGEN=500, # 最大进化代数 logTras=50, # 日志记录间隔 verbose=False # 不打印运行时信息 )

关键参数说明：

2.2 运行优化与结果提取

执行优化过程并提取帕累托前沿：

# 运行优化 res = ea.optimize(algorithm, seed=2023, # 随机种子 drawing=1, # 动态绘图 outputMsg=True) # 输出结果 # 提取结果 paretoFront = res['optObjV'] # 帕累托前沿 paretoSet = res['optPop'].Phen # 最优解集

提示：设置drawing=1可以实时观察帕累托前沿的进化过程，这对参数调试非常有帮助

3. 结果可视化与分析

3.1 绘制帕累托前沿

使用Matplotlib绘制最终找到的帕累托解集：

import matplotlib.pyplot as plt plt.figure(figsize=(8, 6)) plt.scatter(paretoFront[:, 0], paretoFront[:, 1], c='red', s=30, edgecolor='k') plt.xlabel('Objective 1', fontsize=12) plt.ylabel('Objective 2', fontsize=12) plt.title('Pareto Front Obtained by NSGA-II', fontsize=14) plt.grid(True, alpha=0.3) plt.show()

3.2 结果质量评估

评估算法性能的常用指标包括：

• GD (Generational Distance): 衡量找到的解集与真实帕累托前沿的距离
• IGD (Inverted Generational Distance): 综合评价收敛性和分布性
• Spread (分布性指标): 评估解集在目标空间的分布均匀性

Geatpy内置了这些指标的自动计算：

metric = ea.indicator.IGD(paretoFront, problem.referObjV) print(f'IGD指标值: {metric:.4e}')

4. 工程实践技巧与调优

4.1 常见问题排查

当算法表现不佳时，可检查以下方面：

1. 种群过早收敛：

   • 增加变异概率pm
   • 使用自适应变异算子
   • 扩大搜索空间边界

2. 解集分布不均匀：

   • 调整拥挤度计算参数
   • 增加种群规模NIND
   • 尝试不同的交叉算子

3. 收敛速度慢：

   • 提高选择压力
   • 使用精英保留策略
   • 增加进化代数MAXGEN

4.2 高级配置技巧

对于复杂问题，可以尝试以下进阶配置：

algorithm = ea.moea_NSGA2_templet( problem, ea.Population(Encoding='RI', NIND=100), MAXGEN=500, logTras=50, crossover={'Name': 'sbx', 'Pc': 0.9, 'eta': 20}, # SBX交叉 mutation={'Name': 'pm', 'Pm': 0.1, 'eta': 20}, # 多项式变异 drawing=1 )

不同交叉算子的对比：

4.3 真实案例：投资组合优化

将NSGA-II应用于股票投资组合优化：

class PortfolioOptimization(ea.Problem): def __init__(self, returns, cov_matrix): self.returns = returns self.cov_matrix = cov_matrix name = 'Portfolio' M = 2 # 目标：最大化收益，最小化风险 Dim = returns.shape[1] # 资产数量 varTypes = [0] * Dim lb = [0] * Dim ub = [1] * Dim lbin = [1] * Dim ubin = [1] * Dim ea.Problem.__init__(self, name, M, [1, -1], Dim, varTypes, lb, ub, lbin, ubin) def evalVars(self, Vars): # 计算组合收益 mean_return = np.dot(Vars, self.returns) # 计算组合风险 risk = np.sqrt(np.diag(np.dot(Vars, np.dot(self.cov_matrix, Vars.T)))) ObjV = np.hstack([risk.reshape(-1,1), mean_return.reshape(-1,1)]) return ObjV

这个案例展示了如何将NSGA-II应用于实际的金融优化问题，同时考虑收益最大化和风险最小化两个冲突目标。