誰能通俗的講解一下NSGA-II多目標遺傳演算法？

NSGA-2是進化演算法中的一種，進化演算法是在遺傳演算法的基礎上改進而來的，所以，你得先弄懂遺傳演算法是什麼。

推薦你看作者的原文《A Fast and Elitist Multiobjective Genetic Algorithm》，其實講得算是比較清晰了。

下面是我以前寫的心得體會，發上來，希望能對你有幫助。

我按照我的理解給你說個大概不說細節了，細節2樓給出了：
演算法的主要意思是針對當前M各個體，往只有N個位置的pool中選取solution。M大於N的時候，如何從M中選擇N個個體的演算法：
1：先按照pareto對M個個體進行front的assignment，然後得到類似F1，F2.。。等這些pareto front的集合。
2：然後把F1的全部個體放入N，看看N滿了沒，如果沒有滿繼續放F2的全部個體，如果還沒滿，就繼續放F3的個體，如果此時F3的個體全部放進去的話，不夠塞進去這剩餘的空間，那麼接著好戲來了。
3：對F3中的個體，全部按照2樓的公式計算一下crowding distance，那麼就從F3中按照這個distance從大到小排序，往pool中塞，塞滿為止。

那麼整體的過程是啥呢？我再大概說下給你個參考：
1：初始化A個個體，進行simulated crossover，在進行polynomial mutation。進行simulated crossover的時候，你要選擇parent啊，咋辦？使用tournament selection，那麼按照啥原則來選呢，第一肯定是front小的啊，如果front都相等咋辦，那就使用distance大的那個。（所以其實distance的距離計算要針對全部個體，上面的3就不用在單獨計算了）
2：此時個體有點多了，就按照我上面說的1,2,3開始弄吧。
3：迭代到你想要停止的條件未知。。。

NSGA-II特別的地方就在它的選擇過程上，其他的和其他演算法也沒什麼區別。

選擇過程分兩個部分：
1. 把種群分成一組Pareto非支配集。一個非支配集里的個體不被當前或之後非支配集里的任何個體支配。方法就是每次選出所有不被任何其他個體支配的非支配個體，從種群里刪除當一個非支配集，然後剩下的再不停重複這個過程，直到取完。
2. 按crowd distance排序。就是在各個維度左右相鄰個體的距離之和。

選擇的時候，先從前往後一個個取非支配集。取到手裡的個體數量大於等於需要的數量了，最後一個非支配集里再怎麼選？選crowd distance大的。

就醬。

嗯哼~

逐個對比不也可以找到pareto嗎，為什麼需要用遺傳演算法？

不同的程序版本，優化結果差異很大啊，尤其是在ZDT4上的結果差異太大了。