多目标优化算法改进：加权平均结合高斯扰动与竞争学习实战解析

1. 为什么做这个算法：从WAA的瓶颈说起

做过多目标优化的人应该都有这种体会：测试函数跑了一堆，IGD、HV指标算得头皮发麻，最后发现算法之间的差距其实都藏在一些很细节的机制设计上。MOWAA这个工作，本质上是把两个耳熟能详的改进策略——高斯扰动和竞争学习——以一种比较自然的方式嵌进了加权平均算法的框架里，然后放到DTLZ1到DTLZ7这组标准测试函数上做了系统性验证，最后又拿到盘式制动器设计这种带约束的工程问题上检验了一把。

先说清楚一个概念：WAA，也就是加权平均算法，核心逻辑非常朴素。它跟遗传算法那种"二进制交叉+多项式变异"的组合不一样，WAA的思路是直接从当前种群中选取若干个体，按权重线性组合生成新个体。你可以把它理解成一种"向量插值"式的搜索：父代个体在决策空间里围出来的那块区域，就是子代可能落位的地方。这种策略在单目标优化里表现得中规中矩，但在多目标场景下就暴露出了问题。

问题出在哪？多目标优化的难点从来不是"找到最优解"，而是"找到一组分布均匀、同时逼近真实Pareto前沿的解"。WAA的线性加权组合天然倾向于生成靠近父代几何中心的子代，这就导致两个后果：第一，种群容易朝某个方向聚集，多样性崩掉；第二，如果父代整体都陷在某个局部前沿附近，加权平均生成的子代大概率还是在同一个局部区域里打转，收敛性也上不去。说白了，它没有一种"向外探索"的机制。

高斯扰动和竞争学习就是冲着这两个缺陷去的。高斯扰动给加权平均生成的子代加了一个随机偏移量，相当于在局部搜索和全局探索之间放了一根可调松紧的弹簧；竞争学习则通过个体之间的比较和淘汰，给种群注入持续的进化压力，让"好区域"的个体获得更多繁殖机会。这两个机制单独拎出来都不算新鲜，但组合在一起，得到的MOWAA在DTLZ系列上的表现确实有点意思。

这篇博文我会按这样的顺序展开：先讲清楚MOWAA的三个核心机制以及它们为什么这么设计，再逐个分析DTLZ1到DTLZ7这七个测试函数分别考察算法的什么能力，然后聊盘式制动器设计问题怎么建模、怎么对接算法，最后给出Matlab代码实现的关键细节和我在复现过程中踩过的一些坑。适合对多目标进化算法有一定基础、想自己动手改进算法并做实验对比的读者，也适合正在做工程优化课题、需要找一个靠谱优化器来用的同学。

2. MOWAA算法核心机制拆解

2.1 加权平均的重构：如何生成更好的后代

传统的WAA生成子代的方式很直接：从当前种群里随机挑几个父代个体，按权重求和得到子代。但MOWAA在这里做了一个关键调整——父代的选择不是完全随机的，而是按照个体在目标空间的表现来分配权重。表现好的个体在生成子代时拥有更大的发言权，这其实就是一种隐式的精英选择。

具体来说，假设种群规模为N，决策变量维度为D。MOWAA在每代进化中会对种群中的个体按Pareto支配关系和非支配排序结果打分，分数越高的个体被选为父代的概率越大。选出来的一组父代个体记为x1, x2, ..., xk，对应的权重为w1, w2, ..., wk，权重满足归一化条件，然后子代个体通过加权求和生成。

这个"按表现分配权重"的改动，解决了原始WAA的一个致命问题：如果父代的选择完全随机，那么生成子代的期望位置就是种群中心附近，而多目标算法在进化后期恰恰需要的是"沿着前沿均匀铺开"，而不是压缩到中心。按表现加权之后，优秀的边缘个体能更频繁地参与繁殖，种群的前沿覆盖能力会好很多。

2.2 高斯扰动：在收敛与多样性之间加一根弹簧

高斯扰动是MOWAA第二个核心组件。子代生成之后，MOWAA不会直接把加权平均的结果放进下一代，而是先对它施加一个高斯扰动。扰动的幅度由一个参数控制，通常设置为随着进化代数逐渐衰减，类似退火思想。公式上可以这样表述：对每一个子代个体的每个维度，叠加一个均值为0、标准差为(代数相关衰减系数 × 当前维度搜索范围)的高斯随机数。

高斯扰动为什么有效？加权平均本质上是一个收缩操作——多个父代个体线性组合之后，子代落在它们几何张成的凸包内部，这会使得种群在进化过程中不断"收缩"，最终失去探索能力。高斯扰动相当于在这个收缩过程中加入了一个"膨胀项"，让子代有机会跳出父代张成的凸包，去探索周围更广阔的区域。

有意思的地方在于，高斯扰动和权重衰减是配合使用的。进化初期，种群还没有收敛到某个区域，此时不应该有太大扰动，因为会破坏初步的快速收敛；进化中期，扰动强度达到峰值，帮助算法跳出局部前沿；进化后期，种群已经比较接近真实前沿了，此时扰动又会逐渐减小，让算法在局部精修。说实话，我第一次看这个设计的时候觉得有点"又是退火那一套"，但实际跑下来发现效果是真的明显。尤其对于DTLZ3这种带有大量局部前沿陷阱的函数，如果没有高斯扰动，MOWAA大概率会在某个局部前沿上彻底丧