使用rmoo求解多目标背包问题遇矩阵运算错误的技术问询

一、修复矩阵不匹配错误 #

你遇到的Error in x %*% data$profit : non-conformable arguments是矩阵乘法维度不兼容导致的，和适应度函数返回1×2向量无关——多目标遗传算法的适应度函数必须返回对应目标数量的向量/矩阵，所以返回1×2向量是正确的。

错误根源在于rmoo的适应度函数输入x是批量个体矩阵（每行代表一个个体，比如n个个体对应n×15的二进制矩阵），而非单个向量。直接用x %*% data$profit时，若data$profit是行向量（1×15），就会和n×15的x维度不匹配。

修正方案：

1. 改用逐元素相乘后按行求和的方式，避开矩阵维度问题
2. 加入重量约束的惩罚机制（超过容量的个体目标值设为极小值，确保被淘汰）

示例修正后的适应度函数：

fitness_knapsack <- function(x) {
  # x为n×15的二进制矩阵，每行对应一个个体的物品选择
  total_weight <- rowSums(x * data$weight)
  total_profit <- rowSums(x * data$profit)
  total_satisfaction <- rowSums(x * data$satisfaction)
  
  # 约束惩罚：重量超限时，目标值设为极小值（最大化问题下会被优先淘汰）
  penalty <- ifelse(total_weight > 50, -1e6, 0)
  
  # 返回n×2的矩阵，每列对应一个优化目标
  cbind(total_profit + penalty, total_satisfaction + penalty)
}

调用nsga2时需确保参数匹配：比如设置nobj=2（目标数）、nvars=15（变量数）、type="binary"（二进制编码）。

二、多目标GA与单目标GA的核心区别 #

如果把利润和满意度合并为单值（比如加权求和α*利润 + (1-α)*满意度），就退化为普通单目标GA，两者差异如下：

• 目标维度：单目标GA仅优化1个合成目标；MOGA同时优化2个独立目标，不预设目标优先级
• 解的集合：
  • 单目标GA得到唯一最优解（完全由你设定的权重α决定）
  • MOGA（如NSGA-II）得到帕累托最优解集：这些解无法在不降低一个目标的前提下提升另一个目标，比如有的解利润高但满意度稍低，有的解满意度高但利润稍低，可根据实际需求灵活选择
• 选择逻辑：
  • 单目标GA直接按适应度值排序，选择最优个体
  • MOGA基于帕累托支配关系和拥挤度筛选个体，既保证解的最优性，又维持解集的多样性，避免收敛到单一局部最优

内容的提问来源于stack exchange，提问作者Bronwen Edge