MOWAA：多目标优化中融合高斯扰动与竞争学习的加权平均算法

1. 项目解读：MOWAA到底改了什么

如果你最近在做智能优化算法相关的工作，应该对“改一个元启发式算法，然后跑DTLZ找最优”这个套路不陌生。说实话，市面上大部分改进只是把两个算子硬叠在一起，效果基本靠运气。真正的难点在于：算法机制为什么能适配多目标场景，改进之后会不会在某一类测试函数上翻车。多目标加权平均算法（MOWAA）这个名字听起来低调，但它结合高斯扰动和竞争学习之后，在DTLZ1到DTLZ7这组标准测试问题上的表现，会让NSGA-II这类经典算法都感到压力。这篇文章就把我复现和调试这个算法的完整思路拆给你看，包括两个核心改进的落地细节、DTLZ各函数的实验解读，以及从无约束测试函数迁移到盘式制动器设计这类工程约束问题时需要注意的地方。代码是Matlab写的，每个子模块都可以单独拿去改。

1.1 加权平均算法的原始思路与多目标扩展中的瓶颈

加权平均算法的基本逻辑很有意思：它不靠差分向量，也不靠粒子速度，而是把若干候选解按权重合成一个新的方向。你可以把它理解成一群人决策：每个人有个倾向方向，最后大家按可信度加权，折中出一个“最大公约数”式的行动路线。在单目标优化里，这种策略很有效，因为个体质量有一个明确度量，越接近最优的个体权重越大，加权中心就一步一步滑向峰值。

但是直接把这个思路套到多目标问题上会立刻出问题。多目标优化的核心不是找单个峰值，而是要维护一整条Pareto前沿。如果只是简单地把适应度最好的几个解加起来平均，新个体会很快聚集到当前非支配层里少数几个高权重点附近，最后整条前沿只剩下一个角。我最早试过类似实现，结果在DTLZ2上得到的解集几乎缩成一团，IGD值惨不忍睹。这说明加权平均本身是强收敛算子，必须引入额外的机制来做两种事：第一是给搜索过程留出跳出局部密集区的随机性缓冲，第二是让不同个体知道自己应该在Pareto前沿的哪个片区发育，而不是全员冲向同一块阵地。

1.2 从单目标策略到完整多目标改进闭环

MOWAA的整体结构不是把加权平均算法包一层多目标选择就完事。它需要把加权中心当成“引力参考”，再用竞争学习把种群拆成不同探索分队，最后用高斯扰动解决引力过强导致的同质化问题。

技术路线可以归纳成这样：初始化种群之后，先做非支配排序和拥挤距离计算，得到一个Pareto等级视图。随后计算加权中心，注意这个中心不是简单基于目标函数数值，而是按照每个个体的稀疏贡献度分配权重。稀疏度高的区域权重高，这能让加权中心不断向尚未开发的前沿空档移动。接着进入竞争学习阶段，所有个体两两配对，等级低且拥挤区域好的个体获胜，失败个体向获胜个体方向靠拢。最后对生成的候选解施加高斯扰动，扰动幅度随迭代衰减，保证前期有能力探索远方、后期能精细收敛。任何一个环节单独拿掉，测试效果都会明显退化，尤其是DTLZ3和DTLZ7这种条件苛刻的函数，机制协同的问题会暴露得非常彻底。

2. 改进机制拆解：高斯扰动和竞争学习到底怎么发挥作用的

2.1 高斯扰动不是简单加噪，衰减节奏才是关键

看到“高斯扰动”这词，第一反应可能是给个体每个维度加一组随机数。真这么做，改进算法就成了纯随机搜索。高斯扰动要在元启发算法里发挥作用，关键在于幅度的控制方式与问题维度之间的匹配。

我采用的方案是：新个体生成后，按公式 off = off + randn(size(off)) .* sigma 加噪声，其中 sigma 不再是一个固定常数，而是随迭代次数指数衰减的变量。初始 sigma 一般取当前搜索区间的 8%到15%左右，如果决策变量下界和上界跨度是1，那初始噪声幅度大致是0.08到0.15。后期 sigma 会衰减到接近0.002，让所有候选解安心做局部精修。

实际调试时一个很容易踩的坑是：把 sigma 都按归一化区间算好，却忘了不同测试问题的变量边界不一样。DTLZ1的全部变量都在0到1区间，而盘式制动器设计中的变量跨度从几十到几千都有。如果不给每个维度乘上 (ub - lb) 作为尺度修正，高斯扰动对变量范围大但实际影响小的问题会完全失真，要么噪声太小等于没有，要么噪声太大把优质解全部掀翻。后来我统一用归一化后的决策空间做搜索，只在评估目标函数前把变量映射回真实物理区间，这样所有参数的经验值都可以跨问题复用。

2.2 竞争学习的算子设计和选择压力控制

竞争学习借鉴的并不是什么高深理论，它做的事情就一句话：从种群中随机抽两组个体，训练它们互相对比，赢家的搜索方向引导输家继续前行。在MOWAA里，竞争不是靠单纯的大小比较，而是结合Pareto等级和拥挤度距离。

第一步，把当前种群随机划分为两个规模相同的子群A和B；第二步，依次从两个子群中各取一个体组成对抗对，调用非支配排序得到的等级信息，等级低的赢；如果等级一致，就比拥挤距离，谁更稀疏谁赢。获胜个体进入精英池，失败个体则需要朝获胜个体学习，学习步长乘一个随机的0到1因子，避免全员机械式复制。

这个设计与差分进化或粒子群算法的核心差异是：竞争学习的迁移方向并不导向全局最好点，而是导向“当前个体附近的获胜者”。在Pareto前沿是一条折线的优化问题里，这种局部竞争能够保证种群每个片区都有探索动力，不容易被某个极值区域虹吸。选择压力由竞争轮数控制，我通常让每个个体参与一到两次竞争，太多会压缩多样性，太少则学习效率上不来。

2.3 两个改进机制如何形成互补

收敛和多样性，在很多算法里是一对矛盾。收敛性强，种群容易抱团；多样性好，往往尾部精力被分散。高斯扰动和竞争学习恰好分别管住这两个指标。

竞争学习本质上是为加权平均算法补充方向梯度，它让种群知道哪个方向更有希望，但这种引导一强就可能导致所有个体朝同一块非支配区域挤。高斯扰动则扮演反向角色，它给每个新个体一个随机的“侧向偏移”，让部分子代离开高密度区，移到Pareto前沿稀疏的位置继续发育。两股力量博弈的平衡点，最后体现在Pareto前沿解集在均匀性上。我试着单独保留竞争学习时，DTLZ5和DTLZ6这种退化型前沿能覆盖，但解间隔条纹很明显；单独保留高斯扰动时，解集覆盖广却常常离真实Pareto面有一段距离。两者同时启用，GD和IGD指标才会同时变好，这也解释了为什么项目标题会强调“融合”而不是简单相加。

3. DTLZ1到DTLZ7测试：每个测试函数背后都在考察算法的什么能力

3.1 DTLZ函数族的设计逻辑与考核重点

实验先拿无约束的多目标测试函数开刀，用的是DTLZ1到DTLZ7整套函数，目标数统一设为3。DTLZ系列每一个函数都有明确想要考核的盲点，这比随便挑几个函数跑分有意义得多。

DTLZ1是最基础的线性Pareto前沿，但要特别小心它的伪前沿陷阱，算法容易收敛到一堆“看起来像解但并不是前沿”的平坦区域。DTLZ2的前沿是一个球面，考验算法能否在超曲面上均匀撒点。DTLZ3在DTLZ2基础上塞进了大量局部最优前沿，搜索空间里有几百个局部面，传统算法很容易早熟。DTLZ4则引入偏置参数，让变量在空间分布极度不均，很多分支区域样本极稀疏，这基本是在测试算法的探索阶段能否真正突破定向偏差。DTLZ5和DTLZ6产生退化Pareto前沿，真实前沿可能只缩成一条低维曲线，要求种群不要在高维空间白白浪费个体。DTLZ7的前沿则是断开的，多个离散片段之间存在明显空洞，考验算法是否有分裂和解集分片覆盖能力。

拿这套题目跑算法，相当于一次体检：收敛能力、分布能力、处理局部最优能力、处理偏置及断崖前沿能力都能一次看出结果。

3.2 实验配置与评价指标

这次复现固定使用Matlab R2023a环境，每个测试函数独立运行30次，取统计结果。决策变量长度根据目标数M和距离变量数k设置，M=3、k=10，所以总变量维度是12。种群规模100，最大函数评估数设为50000。对于DTLZ3这种收敛难度极高的函数，我额外允许迭代次数多一点，否则一般的比较结果会失真。

评价指标选IGD和HV。IGD衡量算法求得的近似前沿到真实Pareto前沿的收敛程度，理想情况下前沿面分布较广且离真实前沿近，IGD值就小。HV则是计算算法求得的解集在目标空间里覆盖的超体积，同时兼顾收敛性和多样性，不需要提前知道真实Pareto前沿。这两个指标一个偏“贴近真理”，一个偏“占有土地”，配合起来不会只看单一面的假象。参考点取均匀采样的真实前沿点集，超体积参考点每个目标都设置为略大于单目标最优值的1.1倍。

3.3 实验结果数据和逐项分析

实验结论直接上表，数值是我这一组实验条件下得到的典型记录，不同实现和参数配置会有一点浮动，但差异趋势是稳定的。

从数据能看出一个规律：MOWAA在DTLZ1和DTLZ3上优势最大，因为这两个问题考验的是逃离局部前沿的能力。竞争学习让种群在早期就被强制分配到不同区域探测，不像NSGA-II那样完全靠交叉变异被动跳出。高斯扰动则提供了额外的逃离推力，DTLZ3这种密布局部前沿的函数，如果没有这种小而持续存在的随机扰动，大量个体很容易焊死在次优前沿面上。

DTLZ4和DTLZ7提升也相当明显，前者问题在于样本采样不均衡，高斯扰动在归一化空间里的各向同性特性反而成了优点，能把种群从过度集中的初始方向里拖出来；后者问题在于要让不同的离散前沿段落同时得到覆盖，竞争学习过程中区域稀疏性的判断起到关键作用，靠群体自己分裂完成多段覆盖，比单纯的外部存档剪枝更有效。

DTLZ5和DTLZ6的优势相对小，说明退化前沿上所有算法最后都能收敛到那条低维曲线，但MOWAA依然在分布均匀性上胜出，因为竞争学习用的是局部成对比较，不会因为某个点在曲线拐角处拥挤就全部放弃周边。

4. 盘式制动器设计：约束工程问题才是真正的试金石

4.1 从无约束测试过渡到工程约束需求

标准测试函数跑分高是一回事，扔到真实工程问题上是否还能稳定输出，又是另一回事。标题里特意包含盘式制动器设计，说明这个项目不只是为了验证算法数学性能，还想看看MOWAA能否解决有物理意义的工程优化问题。

盘式制动器是汽车制动的关键部件，设计过程需要权衡多个冲突指标。最典型的需求就是：希望制动盘总质量尽量小，以节约材料和降低簧下质量；同时希望紧急制动停车时间足够短，保证安全性。可这两者天然矛盾，想缩短制动时间就得加大制动力、增加摩擦面积，结果制动盘尺寸变大、质量上升。这类问题没有绝对最优解，只能找一组Pareto解，让工程师根据车型定位做权衡。

跟DTLZ相比，工程约束问题带来两个额外麻烦：一是目标函数不是方便求导的解析函数，内部涉及几何关系、材料参数和物理换算，目标空间尖角和非线性非常明显；二是大量约束把可行域切得支离破碎，很多看似合理的制动力和摩擦系数组合被约束函数直接判成不可行，算法如果不会聪明地处理约束，会在不可行区域里反复白跑。

4.2 问题建模与约束处理方式

我复现时采用的盘式制动器模型是四变量双目标版本：设计变量包括制动盘内半径r、外半径R、制动力F和摩擦系数μ。所有变量都有物理上下限，比如内半径不能超过外半径，制动力和摩擦系数也要落到工程可行区间。优化目标分别是制动盘质量和制动时间，这两个目标从不同角度反映设计品质。

约束条件也不能省。制动力矩必须满足车辆所需的最小制动能力，这是安全底线；摩擦面压力不能超过摩擦材料许用值，否则磨损过快甚至烧蚀；制动时产生的温升也要控制在材料允许范围内。我用的约束处理策略不是简单加权罚函数，而是Deb的约束支配比较准则。具体说就是两个个体比较时，可行解永远优于不可行解；两个候选解都可行，再比较Pareto非支配关系；都不可行时，按约束违反总量排序，违反少的占优。

这套策略在MOWAA里的集成方式不复杂：竞争学习阶段的获胜判定增加约束判断分支。如果两个竞争个体都可行，沿用原有规则；只要有一方不可行，就无条件让可行一方赢。种群中所有个体的约束违反量要做归一化处理，因为不同约束的量纲差别很大，有的量级是平方毫米，有的量级是秒，直接加和会让某个指标喧宾夺主。

4.3 工程解集的实用意义

在盘式制动器设计问题上，MOWAA找到的Pareto前沿呈现出非常典型的L形折线。折线左端对应制动力大、摩擦系数选择激进、制动盘偏小的方案，制动时间短，但摩擦面单位压力接近约束上限，存在耐用性隐患。折线右端是安全保守型方案，制动盘尺寸加大、制动力克制，停车时间较长，但部件寿命和平顺性更有保障。工程上不会直接选端点，通常会选曲率拐点附近的折衷解，用较小的质量代价换取制动性能的大幅改善。

有个细节很值得注意：盘式制动器问题的Pareto前沿并不像DTLZ2那样平滑，真实可行域边缘有多个锯齿状断点，纯分布性导向的算法容易把解塞进断点附近的自欺区域。MOWAA由于在加权中心计算里引入了拥挤距离修正，会主动避开这些看起来“空旷”但实际不可行的位置，在可视化Pareto前沿时，点列会比两个对比算法更贴合真实可行域的边界。

5. Matlab代码的核心结构与复现指南

5.1 代码目录结构与运行入口

项目代码不是单文件堆叠，而是按模块分开，方便换问题、换算法、换测试指标。我的目录结构大致如下：

text复制MOWAA_DTLZ/
|-- Algorithm/
|   |-- MOWAA.m
|   |-- GaussianPerturb.m
|   |-- CompetitionLearning.m
|   |-- EnvironmentalSelection.m
|-- Problem/
|   |-- DTLZ1.m ~ DTLZ7.m
|   |-- DiskBrake.m
|-- Metrics/
|   |-- CalcIGD.m
|   |-- CalcHV.m
|   |-- GetReferencePoints.m
|-- RunDTLZExperiment.m
|-- RunBrakeExperiment.m

运行实验不需要手动改代码逻辑，直接打开RunDTLZExperiment.m，设置好要测试的问题编号、目标数M、种群规模N、最大函数评估次数MaxFE，它会自动遍历DTLZ1到DTLZ7并把结果表格写入result目录。想验证盘式制动器，则运行RunBrakeExperiment.m，它会输出Pareto前沿图与IGD、HV指标。

模块划分清楚的好处是：你想把MOWAA用到自己的工程优化问题里，只需要在Problem目录下新增一个目标函数文件，然后调用主算法接口即可，完全不需要碰内部算子代码。

5.2 高斯扰动和竞争学习的核心代码片段

高斯扰动模块单独抽出来之后，实现很短但参数敏感。我的实现如下：

matlab复制function off = GaussianPerturb(off, lb, ub, sigma0, iter, maxIter)
    % 指数衰减的高斯扰动
    sigma = sigma0 * exp(-3 * iter / maxIter);
    noise = randn(size(off)) .* (sigma .* (ub - lb));
    off = off + noise;
    % 边界反射而不是直接截断
    for j = 1:length(off)
        if off(j) < lb(j)
            off(j) = 2 * lb(j) - off(j);
        elseif off(j) > ub(j)
            off(j) = 2 * ub(j) - off(j);
        end
    end
    off = min(max(off, lb), ub);
end

sigma0的取值是整个模块最关键的超参数。我通常设为0.1，也就是初始噪声约等于每个变量归一化区间跨度的10%，迭代到末期时衰减到约0.005左右。指数里的系数3是经过多组对比后选出的折衷值，系数太大噪声消失太早，DTLZ3这种多峰函数还在半路就被迫收敛；系数太小后期仍在乱跳，DTLZ1这种对精度敏感的函数会一直进不了目标容差范围。

竞争学习模块配合加权中心使用，核心代码片段可以这样表达：

matlab复制function [center, winnerPool] = ComputeWeightedCenter(pop, rank, crowding)
    % 加权中心：等级越优、拥挤度越大，权重越高
    w = 1 ./ (rank + 1e-6);
    w = w .* (crowding + 1e-6);
    w = w / sum(w);
    center = sum(w .* pop, 1);
end

实际竞争过程会基于这个中心进行方向引导，失败个体向成功个体和中心方向的组合迁移，通过随机系数控制步长。代码里的所有随机数生成都在循环开始前设定固定种子，保证结果可重复。

5.3 参数设置速查表

我整理了当前版本最常用的一套参数，直接照抄可以跑出和上面实验趋势接近的结果。不同问题优化时只需要微调个别参数。

盘式制动器实验我额外开了边界重组策略，因为盘式制动器的上下界差异极大，变量F和μ的量纲相差很多，如果不做归一化直接套sigma0，一个变量噪声大到离谱，另一个变量几乎不动。

6. 调参笔记与常见问题排查

6.1 高频问题速查表

我在复现过程中整理了一张问题速查表，基本都是后来回溯时才知道根因的问题，直接列出来更直观。

这些现象如果不是亲自动手跑一遍，光看论文大概率发现不了。特别是DTLZ7，很多人以为离散前沿只是一道分割线问题，实际跑起来，算法很容易在相邻两个片段之间生成桥接解，这类解在数学上不违反目标函数定义，却在目标空间上占了明显不该占的位置，会严重拉高IGD指标。

6.2 几个让我少走弯路的关键细节

调试阶段踩过的坑不少，印象最深的是关于拥挤距离的更新时机。竞争学习阶段如果没有在每次子代生成前更新拥挤距离，使用的还是上一代历史数据，那加权中心就会产生滞后效应。多目标问题中种群分布变化很快，几代之内的Pareto层可能完全不同，用旧数据计算中心权重等于让种群追一个已经漂移的目标。我的做法是在每个学习轮次内，只要产生一个新个体替代旧个体，立刻重算局部拥挤度，这个操作能有效缓解滞后问题。

另一个很容易被忽略的细节是边界反射。很多标准实现用简单截断把所有越界变量直接压到边界值，这在一维问题上没什么，在高维归一化空间里会制造大量重叠个体。所有在边界上被裁掉的个体都指向同一个点，拥挤距离被虚假地拉大，让算法以为那个位置很有潜力。我用的是镜像反射逻辑，越界多少就原路弹回多少，保证变量虽然越界但不会和边界上其他个体完全重合，多样性保持能力有明显提升。

最后提醒一句：所有实验必须用固定随机种子做完整对比，不要只跑一两次就下结论。元启发算法本身的随机性很强，同一组参数跑20次，最好和最差的IGD有可能差出一个数量级。你可以把每次运行的种子值记录下来，论文或博客里报告结果时也附上种子范围，这样数据才有参考价值。

我在实际使用中还发现一个非常实用的小技巧：把MOWAA的最终Pareto解集和目标函数的真实边界一起画在同一张图上，观察每个点距离约束边界的间距。约束边界太近的解虽然指标漂亮，但往往意味着工程裕度不足，这比单纯追求IGD值更能反映算法真正能落地的能力。后续如果你想把这个算法挪到其他工程问题上，建议先跑一遍带约束的benchmark确认约束处理模块没有bug，再替换自己的目标函数，这个顺序能帮你节省大量排查时间。