R语言NSGA-II求解冰球队选队整数多目标优化问题求助

核心问题分析 #

你当前遇到的unused argument (constraint = "countgoalkeeper")错误，是因为mco::nsga2函数没有名为constraint的参数，同时代码还存在以下关键问题：

• 适应度函数未返回目标值
• 约束条件定义在适应度函数外部（与决策变量x脱节）
• 决策变量数量设置错误（应为球员总数而非2）
• 未处理二进制选择（球员只能选或不选，不能选半名）

分步解决方案 #

1. 修正适应度函数与约束逻辑 #

nsga2要求适应度函数返回一个向量：前N个是目标函数值，后续是约束函数值（需满足g(x) ≤ 0）。约束必须基于决策变量x（球员选择状态）计算，而非外部固定值。

2. 二进制变量设置 #

球员选择是0-1决策（选/不选），可通过nsga2的binary参数指定所有变量为二进制类型，算法会自动按0/1处理。

3. 约束条件转换 #

你的需求需转换为符合nsga2要求的不等式约束：

• 选中门将数量=1 → 拆分为：sum(x*GK) - 1 ≤ 0 和 1 - sum(x*GK) ≤ 0
• 选中总球员数=11 → 拆分为：sum(x) - 11 ≤ 0 和 11 - sum(x) ≤ 0

完整修正代码 #

# 加载依赖包
library(mco)
library(dplyr)

# 获取球员总数
n_players <- n_distinct(Ducks$Player)
# 总球队人数（1门将+10球员，可根据需求调整Z值）
total_team_size <- 11

# 定义适应度函数
fitness <- function(x) {
  # x是二进制向量，每个元素对应一名球员的选择状态（0=不选，1=选）
  
  # 目标1：最大化进球数 → 转换为最小化负进球数
  total_goals <- sum(x * Ducks$SummaryGls)
  obj1 <- -total_goals
  
  # 目标2：最小化失球数（仅门将贡献失球数）
  total_ga <- sum(x * Ducks$GoalkeeperGA)
  obj2 <- total_ga
  
  # 约束1：选中门将数量 ≤1
  con1 <- sum(x * Ducks$GK) - 1
  # 约束2：选中门将数量 ≥1 → 转换为1 - sum(...) ≤0
  con2 <- 1 - sum(x * Ducks$GK)
  # 约束3：总选中球员数 ≤11
  con3 <- sum(x) - total_team_size
  # 约束4：总选中球员数 ≥11 → 转换为11 - sum(...) ≤0
  con4 <- total_team_size - sum(x)
  
  # 返回目标+约束的向量
  return(c(obj1, obj2, con1, con2, con3, con4))
}

# 运行NSGA-II算法
result <- nsga2(
  fitness = fitness,
  nobj = 2,                # 目标函数数量
  constraints = 4,         # 约束条件数量
  generations = 500,       # 迭代代数
  popsize = 100,           # 种群大小（可调整）
  lower.bounds = rep(0, n_players), # 变量下界（0）
  upper.bounds = rep(1, n_players), # 变量上界（1）
  binary = rep(TRUE, n_players)     # 所有变量为二进制类型
)

# 查看帕累托最优解的目标值
head(result$value)

# 提取最优解对应的球员选择（以第一个帕累托解为例）
best_team_idx <- which(result$pareto.optimal)[1]
best_team_x <- result$population[best_team_idx, ]
best_players <- Ducks$Player[best_team_x == 1]
cat("最优球队球员：", paste(best_players, collapse = ", "), "\n")
cat("对应进球数：", -result$value[best_team_idx, 1], "\n")
cat("对应失球数：", result$value[best_team_idx, 2], "\n")

关键修正点说明 #

1. 参数错误修复：移除不存在的constraint参数，改用constraints指定约束数量
2. 适应度函数返回值：添加return()返回目标与约束的向量
3. 约束逻辑修正：约束基于决策变量x计算，确保与球员选择状态关联
4. 二进制变量：通过binary=rep(TRUE, n_players)强制变量为0/1类型，解决"半名球员"问题
5. 决策变量数量：lower.bounds和upper.bounds长度设置为球员总数，而非固定的2

内容的提问来源于stack exchange，提问作者Maths Barry