### 关于 GD、IGD 和 SP 的定义及其程序实现 #### 1. **GD (Generational Distance)** GD 是一种衡量解集与真实 Pareto 前沿之间距离的指标。它通过计算解集中每个点到最近的真实 Pareto 解的距离平方平均值得出[^3]。其公式如下： \[ GD = \sqrt{\frac{1}{|A|} \sum_{a_i \in A} \min_{p_j \in P} || a_i - p_j ||^2} \] 其中 \(A\) 表示算法得到的近似解集，\(P\) 表示真实的 Pareto 集合。 以下是 Python 实现的一个简单版本： ```python import numpy as np def generational_distance(approx_set, true_pareto_front): distances = [] for approx_point in approx_set: min_dist = float('inf') for pareto_point in true_pareto_front: dist = np.linalg.norm(np.array(approx_point) - np.array(pareto_point)) if dist < min_dist: min_dist = dist distances.append(min_dist**2) gd_value = np.sqrt(sum(distances) / len(approxDistances)) return gd_value ``` --- #### 2. **IGD (Inverted Generational Distance)** IGD 反映的是真实 Pareto 前沿中的点到解集中最邻近点的距离均值。它的值越小表示算法性能越好[^2]。公式为： \[ IGD = \sqrt{\frac{1}{|P|} \sum_{p_j \in P} \min_{a_i \in A} || p_j - a_i ||^2} \] Python 实现如下： ```python def inverted_generational_distance(true_pareto_front, approx_set): distances = [] for pareto_point in true_pareto_front: min_dist = float('inf') for approx_point in approx_set: dist = np.linalg.norm(np.array(pareto_point) - np.array(approx_point)) if dist < min_dist: min_dist = dist distances.append(min_dist**2) igd_value = np.sqrt(sum(distances) / len(true_pareto_front)) return igd_value ``` --- #### 3. **SP (Spacing Metric)** SP 度量解集分布均匀性的指标。如果解之间的间距差异较小，则说明解集分布较为均匀[^4]。公式如下： \[ SP = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(d_i-\bar{d})^2} \] 其中 \(d_i\) 是相邻两个解间的欧几里得距离，而 \(\bar{d}\) 则是这些距离的平均值。 下面是对应的 Python 实现： ```python def spacing_metric(approx_set): n = len(approx_set) sorted_points = sorted([np.linalg.norm(point) for point in approx_set]) avg_distance = sum(abs(sorted_points[i+1] - sorted_points[i]) for i in range(n-1)) / (n-1) sp_value = np.sqrt((1/(n-1)) * sum((abs(sorted_points[i+1] - sorted_points[i]) - avg_distance)**2 for i in range(n-1))) return sp_value ``` --- ### 结论 上述代码分别实现了 GD、IGD 和 SP 这三种常用的多目标优化评估指标。它们能够帮助研究者定量分析算法在求解复杂问题时的表现。对于 CEC2015 动态多目标测试函数 dMOP2 中 PF 随时间的变化情况，可以利用以上方法进一步验证算法的有效性和稳定性[^1]。