我正在尝试为我的硕士论文实施与卫星星座设计有关的遗传算法。我想获得多个目标函数的pareto-fronts。我正在编写自己的算法，该算法基于Ashish Ghosh和Mrinal Kanti Das（http://www.isical.ac.in/~ash/Mrinal-fi-08.pdf）基于非支配秩的排序遗传算法，该算法基于NSGA-II。该算法通过将父母和子女群体组合成一组个体（大小为2N），然后选择N个最佳个体成为新的子群体来使用精英主义，其中N是初始群体的大小。适应性基于非支配前线，每个前线内的排名，以及前方个体之间的间距。
我编写的算法工作正常，直到组合的父/子群体中的几乎每个人都处于第一个非支配的前线（它们都是非支配的）。当这种情况发生时，区分每个人之间适应性的唯一因素是个体之间的间隔。因此，我可以让一个人表现得非常好并且应该传递给下一代，但是它没有被选中，因为它可能接近另一个人。如果我在整个GA运行中绘制每个解决方案的图表，那么在GA结束时的第一个非支配前沿中存在一些解决方案，这些解决方案由之前没有传递给下一代的个人主导。这可能是我的代码的问题，但在考虑算法的工作方式后，我想知道这是否是算法的问题。
感谢您的帮助！
这是我的伪代码：
初始化大小为N的随机人口。
计算每个目标函数的每个人的适应度。
将每个人划分为非支配战线（非支配解决方案进入第一战线，然后在第一战线丢弃解决方案，下一组非支配解决方案进入第二战线，直到整个人口分类为一组非支配战线）。
为每个解决方案分配排名，其中解决方案i的排名是主导解决方案i的解决方案的数量。
计算解决方案i与解决方案i在同一前方的下一个最接近的解决方案之间的最小距离，对于所有i。
根据前方，等级和最小距离计算新的适应度值F：
平均适合度值Favg被分配到第一个前沿，其中Favg（i）= N表示前面1中的所有解，而N =人口中的个体数
然后根据等级调整当前前面的每个个体的平均适合度，其中Fadj（i）= Favg（i）-g（i）对于当前前面的所有解i，并且其中g（i）是与溶液I相同前沿的溶液数量小于或等于溶液i的等级
然后考虑密度因子，其中F（i）= Fadj（i）-1 / Min，其中Min是解决方案I与解决方案i和F（i）在同一前沿中的下一个最接近解决方案之间的最小距离）是解决方案i的最终适应值
如果Fj是解j的最小适合度，则Fj 为下一个前方指定Favg值，Favg（ii）= Favg（i）-e，其中e是一些小值，从而确保前f的适应值小于前f的任何解的适应值。 1
接下来执行遗传操作（基于锦标赛的选择，交叉和变异）以获得大小为N的儿童人口。
计算每个目标函数中儿童人口中每个人的适应度。
将父母群体和子群体合并为一组大小为2N的小组。
接下来，重复步骤3-6，对父母/子女群体的健康状况进行分类和计算。
通过对合并人口的适合度值F进行排序来执行精英主义。选择将成为新的儿童人口的最佳N个人。
从步骤3开始重复，直到达到最大代数。
答案 0 :(得分：2)
“如果我在整个GA运行中绘制每个解决方案的图表，那么在GA结束时的第一个非支配前沿中存在一些解决方案，这些解决方案由之前的个人主导，但未被传递到下一个代“。
要防止这种情况发生，您必须拥有永不占主导地位的解决方案的存档。否则，几代人的解决方案的后代可以做出有利于一个目标函数F1而不是另一个F2的权衡，然后他们可以以一种严格低于其祖先的结果的方式进行反向权衡。
这不仅仅是比较两代人还不够。没有大量的祖先世代，你可以保留进行比较，这些比较可以确保防止后代在目标函数值的空间中蠕动，直到它们最终进入一个由祖先统治的区域。