企业官网建设流程全解析

多目标优化（MOP）这个方向如果只让我挑一个“真正经典”的遗传算法，我会选SPEA2。全称Strength Pareto Evolutionary Algorithm 2，2001年提出，至今仍然被当作多目标进化算法的标杆之一。很多人在做对比实验、工程选型、甚至复习面试题时都会碰到它，但教材里动不动就是强度值、原始适应度、k近邻密度、档案截断，第一次读确实劝退。这篇文章不绕弯子，把SPEA2从设计动机到公式、主循环、参数推荐、再到实战里容易踩的坑，一层层拆开讲。适合刚开始学多目标优化的人，也适合已经跑过几个算法、但一直没搞明白“SPEA2和NSGA-II为什么长得像但行为不同”的人。

1. 为什么SPEA2能在多目标优化里不可绕过

1.1 早期进化多目标算法踩过的坑

多目标进化算法早期最头疼的问题只有一个：在多目标互相冲突的前提下，怎么同时保证收敛性和多样性。1999年第一代SPEA提出用“强度”（strength）来衡量一个个体在目标空间里压制了多少个其他个体，压制越多说明越强。这个想法自然，但实际操作中很快暴露出两个问题。

第一个问题：如果一个个体不被任何其他个体支配，按照原始SPEA的强度逻辑，它的原始适应度R就是0。问题在于，一个种群里的非支配个体通常是一大片，它们之间谁都不支配谁，算出来的R全是0。这一下选择压力就没了，非支配个体之间没有高低之分，进化方向失去引导。被支配的个体虽然R很大、会被淘汰，但真正决定前沿质量的反而是这批R=0的个体，它们却全靠随机性在选择。第二个问题：第一代SPEA用层次聚类维护档案，聚类合并邻居个体时会丢掉细节，边界解尤其容易在合并过程中被抹掉。

这两个坑不是小问题，它们直接限制了一个多目标算法能不能在真实工程里用。2001年SPEA2针对性地做了修正，所以我一直觉得，学习SPEA2的核心不是背公式，而是理解它是怎么一项一项“填坑”的。

1.2 SPEA2给出的三项核心改进

SPEA2的改进可以归纳成三条，每一条都针对上面说的具体问题。

第一，适应度赋值从单一强度改成“强度值 + 原始适应度 + 密度项”的组合。每个个体的最终适应度F由两部分组成：原始适应度R代表被谁压制、压得有多狠；密度项D代表它周围挤不挤。R把所有个体的支配关系都考虑进来，D让那些互不支配的非支配解也有数值上的区别，选择压力重新回到正轨。

第二，密度估计从聚类改成k近邻距离。具体做法是对每个个体找出它在目标空间里第k近的那个邻居，用这个距离衡量个体是不是处在拥挤区域。这个方案比聚类细得多，聚类是一批一批合并，k近邻是一个一个算距离，保留的多样性信息更完整。这里有个细节值得注意：密度公式分母上那个“+2”。很多人不解为什么要加一个2，其实就两个目的，一是防止距离为0时除零报错，二是让密度项存在一个上界。按公式D(i) = 1 / (σ_i^k + 2)，密度最大也只有0.5，永远不会大到把支配关系带来的差异完全淹没。这个细节在实际实现时非常关键，不加这个上界，密度项可能反客为主。

第三，环境选择中的档案截断法从聚类改成“逐个删除最近邻距离最小的个体”。当非支配个体数量超过档案容量时，不停去找当前集合里邻域最拥挤的个体删掉，直到容量达标。这个方法可控性好，每次删除都是可解释的，并且能尽量保留分布稀疏的个体。可以说，这三条改动后来成为许多多目标进化算法的共同遗产，这也是SPEA2到现在还值得精读的原因。

2. 主循环怎么跑：适应度计算、环境选择与遗传算子

2.1 适应度赋值：强度、原始值、密度

SPEA2的每一代主循环，前半段都在做适应度赋值，后半段做环境选择、配对选择和遗传运算。先看适应度赋值，它是在“当前种群P_t + 当前档案A_t”这个整体上进行的，这一点很重要，千万别只算种群不算档案。

第一步算强度值S。对每个个体i，S(i)等于当前P_t ∪ A_t当中被i支配的个体数量。强度值衡量的是这个个体“压制”了多少其他人。第二步算原始适应度R。R(i)等于所有支配i的个体的强度值S(j)之和。注意这里和第一代SPEA不同，第一代SPEA把强度值除以了(N+1)做归一化，SPEA2直接求和，不再做归一化，因为后面加了密度项，归一化反而会干扰两项之间的平衡。第三步算密度D。先取k = √(N + N̄)的整数部分，其中N是种群大小、N̄是档案容量。对每个个体i，找出它第k近的邻居距离σ_i^k，然后密度就是D(i) = 1 / (σ_i^k + 2)。

最终适应度是F(i) = R(i) + D(i)，F越小越好。R为0意味着个体不被任何人支配，也就是非支配个体，它们完全靠密度项分高下；被大量个体压制的个体R会非常大，加上密度也翻不了身。这样选择压力既集中在非支配个体上，又保留了少数被支配个体作为种群多样性储备，不会让种群过早锁死在局部前沿。

2.2 环境选择：档案里的非支配解怎么留下

适应度算完之后进入环境选择，这一步决定下一代的档案A_{t+1}是什么。逻辑分三种情况处理。

第一种，从P_t ∪ A_t里取出所有非支配个体放进档案。如果数量正好等于预设的档案规模N̄，那一切好说。第二种，如果非支配个体数量超过N̄，就需要截断。截断采用我前面说的“逐个删除最近邻距离最小者”：在档案中找第k近邻距离最小的个体，删掉；如果两个个体第k近邻距离一样，就比较第k+1近邻，依此类推；删完再检查是否还超，直到档案大小等于N̄。第三种，如果非支配个体数量不够N̄，就从被支配个体里按F从小到大挑，补足档案。

这里我补充一个新手实现时非常容易搞错的地方：所谓“最近邻距离最小”，不是随便找两个点之间欧氏距离最小那么简单，而是严格按k近邻序列逐位比较。论文里写得很明确，先比第k近邻距离，平局再比第k+1近，再平局继续往后比。如果把比较规则简化了，截断结果会出现大量随机平局，档案分布会不稳定。我自己早期实现时就吃过这个亏，后来老老实实按这个规则重写，分布质量立刻改善。

2.3 配对选择与遗传算子

档案确定之后，配对选择在A_{t+1}上进行。SPEA2用二元锦标赛选择，每次随机挑两个档案个体，比F值，F小者胜出，进入交配池。锦标赛规模取2是标准做法，比较稳妥；取3、4会增加选择压力，但选择压力过大会让非支配个体中的少数极端点被反复选中，多样性反而下降。我做实验时基本固定规模为2，除非组里做高维目标研究，需要在收敛上施加更强压力，才会偶尔用3。

交配池凑齐后，遗传算子的用法和普通遗传算法完全一样。连续决策变量用模拟二进制交叉（SBX）和多项式变异；离散或组合问题则换成均匀交叉、位翻转变异等。核心认知是：多目标遗传算法的“多目标”部分全在适应度赋值和环境选择，遗传算子本身并不感知目标数量。理解这一点，你就能把任何单目标遗传算法快速改造成多目标版本，只要替换掉选择机制和适应度函数就行。

3. 手工演算：4个个体如何被SPEA2淘汰

3.1 手工演算的设定与支配关系

公式堆多了容易飘，我做一个能手工验算的小例子。考虑一个两目标最小化问题，当前集合里只有4个个体，先忽略档案，假设就对这4个个体计算适应度。四个个体的目标值分别是：

• a = (1, 3)
• b = (2, 2)
• c = (3, 1)
• d = (4, 4)

先在目标空间里想一下位置：a的f1最小但f2最大，c的f1最大但f2最小，b夹在中间，d则整体偏向右上方。按最小化目标看，a、b、c三者互不支配，因为每个点都在某个目标上优于其他人、又在另一个目标上劣于其他人。而d = (4, 4)，f1和f2同时大于或等于a、b、c的对应值，所以a、b、c都能支配d。这个关系很干净，适合手动验算。

3.2 强度值与原始适应度计算

先算强度值S，S(i)等于被i支配的个体数：

• S(a) = 1，因为a支配d
• S(b) = 1，因为b支配d
• S(c) = 1，因为c支配d
• S(d) = 0，d没有支配任何人

再算原始适应度R(i)，R(i)等于所有支配i的个体强度之和：

• R(a) = 0，没有个体支配a
• R(b) = 0，没有个体支配b
• R(c) = 0，没有个体支配c
• R(d) = S(a) + S(b) + S(c) = 3，因为a、b、c都支配d

到这里已经能看出来，d因为R=3，在环境选择里肯定被优先淘汰。但a、b、c三者R都是0，无法区分。如果SPEA2没有密度项，这三者之间就没有选择压力，只能靠随机性选择，这就是第一代SPEA的核心缺陷在真实数据上的体现。

3.3 密度项计算与最终适应度

接着算密度项。取k=2，也就是看每个个体第二近邻的距离。两两欧氏距离如下：

• d(a,b) = √2 ≈ 1.414
• d(b,c) = √2 ≈ 1.414
• d(a,c) = √8 ≈ 2.828
• d(d,b) = √8 ≈ 2.828
• d(d,a) = √10 ≈ 3.162
• d(d,c) = √10 ≈ 3.162

找每个个体的第二近邻距离σ²：

• 对a：最近是b，距离1.414；第二近是c，距离2.828，所以σ_a² = 2.828
• 对b：最近是a或c，距离都是1.414；第二近也是1.414，所以σ_b² = 1.414
• 对c：最近是b，距离1.414；第二近是a，距离2.828，所以σ_c² = 2.828
• 对d：最近是b，距离2.828；第二近是a或c，距离3.162，所以σ_d² = 3.162

密度D = 1 / (σ² + 2)，最终适应度F = R + D：

• F(a) = 0 + 1/(2.828+2) ≈ 0.207
• F(b) = 0 + 1/(1.414+2) ≈ 0.293
• F(c) = 0 + 1/(2.828+2) ≈ 0.207
• F(d) = 3 + 1/(3.162+2) ≈ 3.194

结果非常直观：d的适应度最高，先被淘汰。如果这个例子还需要从a、b、c中再淘汰一个，那么b因为处在a和c中间、邻居最密集，σ_b²最小、密度项最大，会被优先淘汰。这个手工演算说明了两件事：支配关系提供主要筛选压力，密度项负责在同等支配等级的个体之间做二次排序。这也解释了SPEA2为什么能在非支配解很多时依然保持选择压力。

4. 参数怎么调：ZDT/DTLZ测试下的实测推荐

4.1 六个关键参数与推荐范围

SPEA2需要设置的参数不复杂，但每个参数影响都不小。我把自己做标准测试时的起始配置整理成一张表，新问题可以直接拿这个当起点。

重点说一下SBX的η_c和多项式变异的η_m怎么理解。η_c大时，模拟二进制交叉产生的子代更贴近父代，局部开发能力强；η_c小时，子代扩散范围大，探索能力强，但过小会让算法像随机搜索。η_m同理，η_m越大改动的幅度越小，适合后期精细打磨；η_m越小变异越猛，适合前期跳出局部。连续问题我通常从η_c=20、η_m=20起步，收敛速度不够再降η_m，多样性不够再降η_c。这个顺序能帮你快速定位是哪个环节出了问题。

4.2 测试函数和指标怎么看

验证SPEA2效果，最常用的是ZDT系列和DTLZ系列。ZDT1是凸前沿，适合看基本收敛能力；ZDT2是非凸前沿，用来测试算法会不会卡在局部前沿；ZDT3的前沿是不连续分段，专门考察多样性保持能力。DTLZ1和DTLZ2可以把目标数推到5到10个，用来观察算法在高维目标空间里的退化程度。我建议新手上手先跑ZDT1和ZDT3这两个，一个测收敛，一个测多样性，基本就能看出算法实现有没有大问题。

评价指标方面，GD（世代距离）测收敛性，IGD（反世代距离）同时测收敛性和多样性，HV（超体积）测综合覆盖范围。这里有个经验教训：IGD比GD敏感得多。GD只衡量你找到的那组解离真实前沿有多近，哪怕你只找到前沿上很小的一段，只要这段离前沿足够近，GD就能很好看。IGD不一样，它从真实前沿上均匀采样点，再算这些点到你所求集合的距离，如果覆盖缺失，IGD立刻变差。所以SPEA2这种注重分布均匀性的算法，看IGD才看得到真实水平。跑实验时每种参数至少独立跑10到20次，结果取中位数，不要只看均值，避免个别极端运行污染结论。

4.3 和NSGA-II怎么选

SPEA2和NSGA-II是同一年代诞生的两个经典算法，经常被拿来对比。下面这张表总结了两者的本质差别。

从实际项目视角说，如果目标数不多、且你特别在意前沿覆盖的细粒度，SPEA2值得优先选。如果问题是大规模决策变量、又要求快速迭代，NSGA-II通常更稳。还有一个不太被注意的点：SPEA2的档案截断机制在每次删除个体后都要重新检查近邻关系，计算开销明显高于NSGA-II的拥挤距离排序。我在一个决策变量50、种群200的多目标参数优化实验里，SPEA2单代耗时差不多是同规模NSGA-II的两到三倍，这个倍数会随档案规模上升继续放大。所以“选哪个”不是看谁更先进，而是看你的评估代价和精度要求，SPEA2拿时间换分布质量，NSGA-II拿速度换一点精细度。

5. 实战中容易踩的坑和排查过程

5.1 常见现象对应表

跑SPEA2时最容易遇到的现象、可能原因和排查手段，我整理成速查表。

这些坑里，中间点被删这件事比较微妙。SPEA2的密度项用k近邻距离判断拥挤度，中间点往往周围都是邻居，容易被当作冗余点删掉。这在某些均匀分布需求很强的问题上不是好事。如果你发现档案集中在两端、中间稀疏，我会建议直接看看密度分布：把每一代档案里每个个体的σ_i^k打出来，你很快能定位是不是截断规则删过头了。这时候与其硬调参数，不如换成NSGA-II的拥挤距离策略，边界点有强制保留保护，分布形态会更均衡。

5.2 复杂度和大规模问题怎么办

SPEA2的计算瓶颈始终是距离计算。适应度赋值阶段要对种群+档案全体算两两距离，档案截断阶段每次删除一个个体后，剩余个体之间的近邻关系已经变了，严格实现需要重新计算。这个复杂度在高维决策空间里会雪上加霜，因为距离计算本身就变贵。

我自己的处理思路有三层。第一层，找问题本身是否允许降规模。决策变量太多时先做变量筛选，把大量无关决策变量去掉，比优化算法本身更管用。第二层，限制档案规模。档案不是越大越好，N̄保持在100左右通常能覆盖前沿的主要结构，再往上加只是让后续距离计算更慢。第三层，如果确实需要跑大档案规模，就换用快速近似近邻方法，比如用KD树做最近邻搜索，虽然实现麻烦一点，但能把每代距离计算从全量遍历降到近对数量级。这个优化在种群上千时效果非常明显。

还有一个排查经验：把截断过程可视化。每一代开始前画一下当前档案里所有个体的两两距离分布，很快就能看出档案是不是重叠区域太多、种群是不是早熟。如果距离分布整体偏小，说明种群已经高度聚集，这时不是调密度项能解决的，要回到遗传算子参数上增强探索。

6. SPEA2的适用边界、扩展思路

6.1 现在还在哪些场景用SPEA2

SPEA2虽然是2001年的老算法，但它到现在仍然是许多场景下的“默认选项”。学术实验里，它是被拿来当baseline最频繁的算法之一，和NSGA-II一样属于对比基准配置。工程领域里，小规模组合优化、路径规划里的多目标权衡、连续参数自动调优，都能看到SPEA2的身影。尤其是配合代理模型使用的场景，SPEA2对每次评估都比较谨慎，档案截断策略能保证有限的评估次数尽量花在多样的候选解上。我之前在某个资源调度项目里就是用SPEA2做候选方案生成，外层接一个仿真打分，效果比当时新潮的某些算法更稳定。

不过要清醒一点：目标数量一旦超过5个，SPEA2会明显退化。这是因为高维目标空间里支配关系变得极其稀疏，几乎两两都互不支配，强度值和原始适应度的区分能力大幅下降，最后起作用的只剩密度项，算法容易退化成“均匀撒点”式搜索。这种场景下，基于分解的MOEA/D类或基于指标的选择策略通常更合适。

6.2 可以往哪些方向改进

针对SPEA2的弱点，业界做过不少有效扩展，挑几个实用的方向说一说。

一是结合代理模型。对昂贵仿真问题，用Kriging或神经网络预测适应度，SPEA2只对少数有潜力的候选解做真实评估，能大幅降低总计算成本。二是自适应档案容量。SPEA2的N̄是固定参数，但不同进化阶段非支配解数量差异很大，动态调整N̄可以避免前期频繁截断、后期容量不足。三是局部搜索。在档案个体上做小步长局部扰动，能加快收敛，尤其适合连续光滑问题。四是改良密度度量。标准SPEA2只用目标空间距离，如果决策变量之间存在强相关性，可以改用决策空间和目标空间的加权组合距离。五是高维目标修正。把欧氏距离换成夹角距离或余弦相似度，能缓解高维空间中“距离趋同”的问题。

这些扩展不需要全部做，选一个和你实际问题最匹配的切入即可。我自己这两年做实验时，最常用的是代理模型和自适应档案这两个方向，因为它们对工程算例的收益最明显，改造成本又相对可控。

最后说点个人体会。这几年做多目标优化实验，我的习惯是：SPEA2先跑一遍，新算法再跑一遍，最后用IGD和HV对答案。SPEA2不是最快、也不是各项指标都最亮眼的算法，但它的每一步设计都极其“教科书”，非常适合当教学载体。你把强度、密度、档案截断这些概念吃透了，再回头看任何现代多目标进化算法，基本都能快速理解它改动了哪个环节、解决了什么问题。如果你第一次上手，别急着调参数，先跑一个标准ZDT1，看看档案里个体在目标空间的分布，再改其中一个选项，直观感受“这个改动影响了哪里”，这比读十篇博客都管用。