企业官网建设流程全解析

做综合能源系统调度，最常遇到的尴尬局面就是：运行成本压下来了，碳排放又上去了；想降低排放，燃料费和购电费又涨得难看。传统做法是给两个目标人为分配权重，加权求和变成一个目标函数再丢给单目标优化器，但权重怎么定、定完结果是不是可信，都很难说清楚。NSGA-II的做法不一样，它一次性找出一整条Pareto折衷解集，把成本和排放之间的博弈关系完整摆到桌面上，最后由调度人员根据实际情况挑一个最合适当天的方案。这篇文章以我实际调试过的综合能源优化调度项目为背景，把NSGA-II的Matlab实现从数学建模、算法机制、代码框架到算例结果完整拆开讲，重点是我踩过的那些坑和调参经验，直接照着改就能用。

1. 综合能源优化调度的问题建模

1.1 综合能源系统的核心结构

所谓综合能源系统，简单说就是把电、热、气等多种能源在规划、运行层面统一协调。典型的园区级系统里会同时存在火电机组、燃气轮机热电联产（CHP）、光伏、风电、电锅炉（电转热）、储能电池、储热罐等设备，它们共同供给一片区域内的电负荷和热负荷。

我做的这个项目是一个典型园区场景：电网可以从中网购电，也可以向电网售电；CHP机组燃烧天然气同时发电和产热；光伏和风电坐享其成，出力只受气象条件限制；电锅炉利用谷电时段低价电制热储热，高峰期释放；储能电池负责削峰填谷，平滑联络线功率。这样一个系统，调度变量包括每台机组每个时段的出力、储能充放电功率、从电网购电或者售电功率等，决策变量数量轻松上百，而且电力平衡和热力平衡之间还互相牵制。

要是只看一个目标，问题相对好解，但实际运行永远在成本和排放之间找平衡。比如我试过单纯优化经济性时，算法会倾向于让低成本高排放的火电机组满发，同时尽量多用网电，结果24小时总排放比折衷方案高出一大截；反过来如果只追求最环保，算法又会压缩一切能压缩的出力，导致从电网高价购电来补缺口，运行成本飙升。这种矛盾用多目标优化的语言来说，就是两个目标函数存在冲突，不存在同时让两个目标都最小的单一解，而是存在一组Pareto最优解供决策者按偏好选择。

1.2 优化目标的数学定义

这里我定义了两个优化目标。目标一为综合运行成本，目标二为CO₂排放量。假设调度周期为24小时，单位时段为1小时。

运行成本主要包含三部分：从电网购电的费用、CHP和火电机组的燃料成本、各设备的运维成本。如果存在向电网售电的情况，售电收入作为成本为负的项目处理。

目标一（经济性）的计算表达式包含以下累加项：

• 购电费用：市场价格越高的时段，算法会倾向于减少购电，改由本地机组供电或让储能放电。
• 燃料成本：火电机组的煤耗成本和CHP机组的气耗成本，采用二次函数近似。
• 运维成本：各设备按出力的比例系数估算，光伏、风电运维成本极低。

目标二（环保性）的计算相对简单，包括火电和CHP燃烧产生的直接CO₂排放，以及网购电在发电端产生的间接排放。这里我用了一个固定的电网排放折算系数，数值上比本地火电略低，但网购电多了也一样会造成可观排放。

两个目标函数都是最小化形式。读者可能注意到我没有引入需求响应或碳捕集等高级功能，刻意保持问题边界清晰，方便聚焦算法本身。

1.3 约束条件的处理思路

综合能源调度的约束比其他优化问题要复杂不少，至少包括以下几类：

第一类是功率平衡约束。电功率方面，任意时刻的发电总和加上网购电、储能放电，必须等于电负荷加上电锅炉耗电、储能充电；热功率方面，CHP供热量加上电锅炉制热量，必须满足热负荷需求。这类等式约束如果不满足，调度方案根本不可行。

第二类是设备出力约束。火电机组有最小技术出力和最大出力限值，CHP机组也有出力区间，储能电池的荷电状态（SOC）必须保持在安全范围内，充放电功率有上限，而且不能同时充和放。

第三类是爬坡约束。火电和CHP机组相邻两个时段的出力变化量必须在爬坡速率限制以内，这个约束常常被初学多目标优化的人忽略，但它会显著影响最优解的结构——没有爬坡约束时，算法会给出一整天剧烈波动的出力曲线，现实里机组根本跟不住。

第四类是热电耦合约束。CHP机组在抽凝工况下，产热量和发电量之间存在可行域关系，这里我简化为“以热定电”：热出力确定了，电出力可调范围就确定了。

处理约束的方式我选用罚函数法：对每个越限约束构造一个惩罚项，加到每个个体的两个目标函数值上，惩罚系数取一个足够大的正值。这样做的好处是能够保留NSGA-II基本框架不变，实现起来直观，缺点是惩罚系数如果调得不好，要么惩罚不足导致很多不可行解混进前沿，要么惩罚太重导致搜索偏向可行域边缘而多样性变差。后面在第5节我会专门讲这个参数的调试经验。

2. NSGA-II算法的核心机制解读

2.1 为什么选NSGA-II而不是加权法和传统GA

加权法把多目标问题压成单目标，问题是权重向量不同，得到的最优解也不同，而且对于非凸的Pareto前沿，加权法会漏掉中间段的解。传统遗传算法做多目标时，往往直接把目标函数值加权排序，本质上还是单目标思路，也没有多样性保持机制。

NSGA-II全称是带精英策略的非支配排序遗传算法，它在多目标优化领域的地位类似“长期稳坐前列的常青树”。它最核心的三个设计分别是：基于Pareto支配关系的非支配排序、基于拥挤度距离的多样性保持、以及父代子代合并后的精英保留选择。这三个机制对应解决三个问题：如何评价解的好坏，如何保持解的分布均匀，如何保证优秀解不丢失。

2.2 非支配排序的流程与实现

非支配排序要回答的问题是：假如有两个候选调度方案A和B，A在成本目标上比B低，同时排放目标也比B低，那么A显然全面优于B，我们说A支配B，B是被支配解。如果A在成本上优于B，但排放比B差，那两者互不支配，它们可能都属于Pareto前沿的一部分。

快速非支配排序做的事情就是把这群个体分成若干层：第一层是所有不被任何其他个体支配的个体，第二层是去掉第一层后不再被剩余个体支配的个体，以此类推。排序过程中，我为每个个体维护两个关键数据：被支配计数（有几个个体支配它）和支配集合（它支配了哪些个体）。将没有被支配计数为0的个体归入第一层，然后遍历其支配集合，把集合内个体的被支配计数减一，如果减到零就归入下一层，重复这个剥离过程。

这个算法的复杂度是O(MN²)，M是目标数，N是种群规模。我实测在目标数为2到3、种群规模100到200的场景下，单次排序几乎可以忽略不计。注意传统的非支配排序复杂度是O(MN³)，三目标以上差距会越来越大，这也是选NSGA-II的一个重要原因。

2.3 拥挤度距离与解的多样性保持

只有非支配排序还不够，因为同一前沿里的解谁好谁坏没有客观依据。如果不加区分地保留，很容易出现所有解挤在Pareto前沿的某一小段区域，整个种群失去多样性，给出决策者的备选方案也少得可怜。

NSGA-II的办法是对同一前沿内的每个个体计算拥挤度距离。计算思路很直观：把该前沿内的个体按照某个目标值排序，然后看它两个邻居之间的距离。边界个体直接给无穷大距离，保证前沿两端永远保留下来。内部个体的拥挤度是它在所有目标方向上相邻个体距离之和，拥挤度越大说明它周围越空旷，保留它能让解的分布更均匀。

这个计算有一个细节容易被忽略：不同目标的量纲差异很大。成本动辄几万块，排放几千千克，如果不做归一化直接把两个方向的差相加，排放方向的距离几乎被淹没。我在实现时对每个目标先做归一化，再算综合拥挤度，实测对种群分布均匀性有明显改善。

2.4 筛选环节：锦标赛选择、交叉与变异

有了非支配等级和拥挤度两个标量，选择操作就简单了。我采用二元锦标赛选择：随机抽两个个体，先比较非支配等级，等级小的胜出；如果等级相同，比较拥挤度，拥挤度大的胜出。这样就同时兼顾了收敛性（优先保留更优前沿）和多样性（同前沿保留空旷区域个体）。

交叉算子我用模拟二进制交叉（SBX），变异算子用多项式变异。这两个算子在NSGA-II中几乎成为标准配置，它们的优点是对实数编码变量特别友好，产生的子代离父代不会太远，能保持一定的局部搜索能力。SBX的核心是围绕父代生成一个按分布指数β控制的子代，分布指数越大，子代越接近父代。多项式变异类似，通过分布指数η控制变异幅度。

实际调试中，我发现交叉分布指数取10到20之间比较合适，变异分布指数取20左右，太小了变异幅度过大，种群很容易震荡不收敛；太大了变异基本无效，种群会过早收敛到局部Pareto前沿。具体数值我在第5节会给出我的推荐配置。

2.5 精英保留策略：为什么能保证收敛性

NSGA-II的精英保留策略是把父代种群和子代种群合并成一个规模为2N的临时种群，对合并种群做非支配排序和拥挤度计算，然后从第一层开始逐层取出个体，直到填满新种群为止。如果填到某层时剩余名额不够，就按拥挤度距离从大到小取，保证多样性。

这个设计的价值在于，父代中的优秀个体永远不会因为一次交叉变异操作就丢失。我在实际运行中观察过，如果没有精英保留，进化过程很容易出现回退——上一代明明已经找到了很好的解，下一代可能全丢，从头再来；加入精英保留后，整个进化过程的目标函数收敛曲线明显平滑很多，解的质量稳步提升。

3. Matlab代码实现的整体框架与关键步骤

3.1 代码模块划分与运行环境

我写这个项目的Matlab环境是R2020a以后版本，纯脚本实现，不依赖任何第三方工具箱，方便直接跑起来复现。代码整体划分为六个模块：主程序入口、问题初始化、种群初始化、目标函数评估、NSGA-II核心算子、结果后处理。

模块划分的思路很简单：问题参数和算法参数分开设置，目标函数单独放一个文件，算法核心算子独立成函数。这样如果你想换一组合适的设备参数，或者改成三目标优化，改动范围都控制在很小范围内。项目文件结构大致是这个样子：

• main.m：主程序，负责设置参数、调用进化循环、输出结果。
• problem_params.m：设置综合能源系统的设备参数、负荷数据、电价曲线。
• evaluate_objective.m：输入一个决策变量向量，输出成本目标值和排放目标值。
• init_population.m：初始化种群，生成随机可行解。
• non_dominated_sort.m：实现快速非支配排序。
• crowding_distance.m：计算拥挤度距离。
• tournament_selection.m、SBX_crossover.m、polynomial_mutation.m：遗传操作算子。
• env_select.m：精英保留选择，合并父代子代筛选下一代。

3.2 染色体编码与决策变量设计

编码设计是整个实现里最需要动脑筋的地方。我采用的是实数编码，每个个体是一个一维行向量，长度等于调度周期内所有决策变量个数。

以我这个24时段项目为例，决策变量包括：火电机组24个时段的出力、CHP机组24时段的电出力、电锅炉24时段的制热功率、储能电池24时段的充放电功率。这里的储能我做了简化处理：充放电用一个带符号的变量表示，正值充电，负值放电，这样自然规避了同时充放的问题。决策变量总数为24 × 4 = 96维。

编码顺序需要和评估函数严格对应。我的习惯是先在problem_params.m中定义变量偏移量的映射表，写清楚第1到第24个分量是火电出力，第25到第48个分量是CHP电出力，依此类推，这样后面改起来不容易乱。

注意一个关键问题：初始种群必须尽量保证可行性。完全随机生成决策变量很容易产生大范围违反功率平衡约束的个体，导致进化前期大量个体都不可行，收敛速度被拖慢。我的做法是逐时段生成决策变量时，先抽机组出力，再根据电功率平衡反算储能功率或者购电功率，确保满足等式约束。这样初始化后不等式约束仍有部分违反，但总体可行性高得多。

3.3 目标函数评估与罚函数处理

目标函数评估是每次迭代中最耗时间的部分，不仅包含目标值的计算，还包含约束检查。我写的evaluate_objective核心流程如下：

• 解析个体向量x，分解成各设备的逐时段出力序列。
• 逐时段检查电功率平衡、热功率平衡，记录越限量。
• 逐设备检查出力上下限、爬坡约束、储能SOC状态，记录越限量。
• 计算总购电费用、总燃料成本、总运维成本，得到经济目标。
• 计算总CO₂排放量，得到环保目标。
• 将约束越限量乘以惩罚系数后加到两个目标值上。

为了提升运行速度，我把时段循环写在一个for循环里，而不是对每一行决策变量单独循环。代价是主循环里逻辑稍复杂，但性能差距非常可观——我在种群规模200、进化代数1000的配置下，用向量化优化后整体运算时间从几分钟缩到几十秒级别。如果你的问题规模更大，可以考虑用并行计算工具箱的parfor，但要注意共享变量处理。

需要注意的是，罚函数不能直接简单加一个很大常数。我使用的方法是构造一个线性惩罚项，每个约束的越限量乘以一个惩罚权重后求和，再和两个目标分别相加。这里的核心问题在5.2节展开说明。

3.4 非支配排序与拥挤度计算关键代码

为了保证读者能直接照着敲，我把非支配排序核心逻辑简化为以下伪代码风格片段：

function [pop, F] = non_dominated_sort(pop) nPop = length(pop); nObj = length(pop(1).objectives); domCounter = zeros(nPop, 1); domSet = cell(nPop, 1); F = cell(nPop, 1); nFront = 0; for i = 1:nPop domSet{i} = []; for j = 1:nPop if i == j, continue; end if dominates(pop(i).objectives, pop(j).objectives) domSet{i}(end+1) = j; elseif dominates(pop(j).objectives, pop(i).objectives) domCounter(i) = domCounter(i) + 1; end end if domCounter(i) == 0 nFront = nFront + 1; F{nFront}(end+1) = i; end end % 循环剥离前沿 current = 1; while nFront > 0 && current <= nFront for k = 1:length(F{current}) i = F{current}(k); for m = 1:length(domSet{i}) j = domSet{i}(m); domCounter(j) = domCounter(j) - 1; if domCounter(j) == 0 nFront = nFront + 1; F{nFront}(end+1) = j; end end end current = current + 1; end end

拥挤度计算相对简单，核心是对同一前沿个体按每个目标排序后累加相邻距离：

function pop = crowding_distance(pop, F) nObj = length(pop(1).objectives); for f = 1:length(F) if isempty(F{f}), break; end idx = F{f}; for k = 1:length(idx) pop(idx(k)).crowd = 0; end for m = 1:nObj [~, order] = sort([pop(idx).objectives], 2, 'ascend'); pop(idx(order(1))).crowd = Inf; pop(idx(order(end))).crowd = Inf; fmin = pop(idx(order(1))).objectives(m); fmax = pop(idx(order(end))).objectives(m); if fmax == fmin, continue; end for k = 2:length(order)-1 pop(idx(order(k))).crowd = pop(idx(order(k))).crowd + ... (pop(idx(order(k+1))).objectives(m) - pop(idx(order(k-1))).objectives(m)) / (fmax - fmin); end end end end

这段代码里要注意一点：在Matlab里用数组排序后取边界，必须先把索引提取出来再操作，否则在循环内修改pop的属性时会出问题。另外，dominates函数是对两个目标向量做元素级比较，逻辑很简单，就不展开列代码了。

3.5 主循环框架

主循环负责把各个算子组装起来。核心流程如下：

for gen = 1:maxGen % 选择父代 parent = tournament_selection(pop, pCrossover); % 交叉变异生成子代 offspring = []; for i = 1:2:nPop p1 = parent(i); p2 = parent(i+1); if rand < pCrossover [c1, c2] = SBX_crossover(p1, p2, etaC, lb, ub); k = 1; % 变异概率控制 c1 = polynomial_mutation(c1, pMutation, etaM, lb, ub); c2 = polynomial_mutation(c2, pMutation, etaM, lb, ub); else c1 = p1; c2 = p2; end offspring = [offspring, evaluate_objective(c1), evaluate_objective(c2)]; end % 合并父代和子代 combined = [pop, offspring]; % 非支配排序 combined = non_dominated_sort(combined); % 拥挤度计算 combined = crowding_distance(combined, F); % 精英保留选择 pop = env_select(combined, nPop); end

这个框架我反复调过，基本是稳定的。有几个细节需要注意：环境选择填满种群后，不需要保留所有前沿，因为合并种群中已经包含了父代最优个体，所以即使后面层次丢弃，也不会丢失精英。另外，如果种群规模是奇数，交叉部分要特别处理最后一个个体，我一般采用直接复制的方式。

4. 算例运行与结果剖析

4.1 算例场景与数据准备

为了验证代码效果，我构造了一个园区算例。系统包含一台50MW火电机组、一台30MW燃气CHP机组、20MW光伏、10MW风电、一台10MW电锅炉、以及容量20MWh的储能电池。负荷曲线采用某园区典型日的实际数据，光伏出力按夏季晴天的典型曲线近似，电价采用分时电价：峰段1.1元/kWh、平段0.65元/kWh、谷段0.35元/kWh。

火电机组成本函数取二次函数系数a=0.02、b=180、c=200（这里价格做了单位换算，实际代码里按每小时出力代入），排放系数为0.85kg/kWh；CHP机组以热定电，气耗按热值折算，排放系数为0.45kg/kWh；网购电的排放折算系数取0.75kg/kWh。储能效率取0.95，SOC运行范围0.1到0.9，初始SOC为0.3。

约束条件上，火电爬坡速率设为5MW/h，CHP爬坡速率为3MW/h，储能充放电功率上限均为5MW。购电上限设为20MW，允许向电网售电但上限为10MW，售电价格按0.5元/kWh。热负荷曲线我设置为冬季典型日，供热需求高峰在早8点和晚8点附近。

4.2 算法参数配置与运行环境

NSGA-II的参数我按以下配置：种群规模为100，进化代数为500，交叉概率为0.9，SBX分布指数为15，多项式变异概率设为1/决策变量数（即约0.01），变异分布指数为20。运行环境是单台普通PC，Matlab R2022a，CPU为常见的中端四核处理器。

每次完整进化耗时约40秒左右。我做了一组对比实验，把种群规模提高到200但进化代数降到300，得到的结果总体质量相近，但前沿分布更均匀一些。这说明种群规模比迭代次数对多样性影响更显著。

4.3 Pareto前沿结果分析

运行结束后，我提取出近似Pareto前沿并画出散点图。横轴是碳排放量（kg），纵轴是运行成本（元），两个目标的整体范围大致是：成本从7万元左右到9万元左右，排放从40吨左右到50吨左右，前沿呈明显的凸形下降趋势。

有意思的是，前沿左端（低排放高成本端）对应的调度方案特点是：火电机组几乎不启动，CHP以热定电模式下尽量降低出力，大量缺口依赖网购电，而谷电时段电锅炉全力制热储热，高峰时段储热罐放热满足热负荷；右端（低成本高排放端）火电机组基本满发，CHP电出力拉满，从电网购电尽量少。中间区域的解则让火电和CHP按不同比例搭配，储能也在不同时段切换充放电模式。

对比单目标优化的结果：单纯优化成本得到的方案，排放比Pareto前沿上成本最优点的排放还低一些，这说明单目标优化确实能给出一个方向的优质解，但完全没有提供权衡信息。决策者看到整个前沿后，可以结合当日碳配额余量、电价波动风险等因素确定最终方案，这是多目标方法的价值所在。

4.4 折衷解的选取实操建议

前沿上每个点都是有效解，但实际调度最终只需要一个方案。常用的选解方法是模糊隶属度函数：对每个目标构造一个满意度指标，目标值越接近该目标的理想最优值，隶属度越高，最后选择综合满意度最大的解作为折衷解。

我在项目里还用过另一种方法：如果当天碳配额非常紧张，就选择前沿上排放不超过配额限值的解中经济性最好的那一个；如果当天电价波动剧烈，需要尽可能降低购电风险，就选择前沿上购电总量最少、本地发电占比最高的方案。也就是说，最终选哪个解，本质上是一个决策问题，而不是算法问题。

这里给个小技巧：在保存Pareto前沿的同时，建议把每个解对应的逐时段调度曲线也一并存下来。我是在主程序末尾把前沿上每个解的决策变量写入一个结构体数组，并且给每个解编号。这样选解之后直接调出对应编号的调度曲线，不用重新再算一遍。

5. 常见问题排查与调参心得实录

5.1 种群规模与迭代次数怎么搭配

这是新手最先遇到的问题：种群太小容易早熟，种群太大耗时翻倍；迭代次数不够可能还没收敛就停了。我的经验是综合能源调度问题的搜索空间动辄几十上百维，种群规模至少100起步，不要低于80。如果你想看到更平滑的Pareto前沿，把种群规模提高比盲目增加迭代次数更有效。

迭代次数怎么判断够不够？我在项目里加了一个简单的收敛检测：每50代记录一次当前种群的第一前沿平均拥挤度距离。如果连续四五次变化率小于阈值，基本可以认为前沿已经稳定。以这个算例为例，500代已经足够收敛，800代跑出来的结果几乎一样。

还有一个容易被忽略的问题：如果你的计算机内存有限，种群规模特别大时，合并种群2N的存储开销也跟着翻倍，代码里要注意及时清理不再使用的变量。我遇到过因为历史变量堆积导致Matlab内存占满的情况，加一句clear就解决。

5.2 交叉概率、变异概率怎么调

交叉概率我推荐0.85到0.95之间。太低会减少遗传信息的重组效率，到后期种群可能慢慢丧失多样性；太高也没有额外帮助，因为SBX本身生成的子代和父代差异不大，交叉概率90%以上时效果趋同。

变异概率需要特别注意。多目标优化场景下变异概率太小，种群多样性不够，容易过快收敛到Pareto前沿的局部区域；太大则搜索行为退化，变成随机搜索。我的经验是取1/n作为基准，其中n是决策变量个数，然后上下浮动一点。对于这个96维的问题，变异概率0.01就够用了。

我踩过的一个坑是SBX的分布指数设太小。有一次我图省事把etaC设为2，结果每次交叉产生的子代和父代差别剧烈，目标值波动很大，导致前沿虽然分布很广但质量差，很多解被支配。后来改成15，前沿质量和分布同时改善。如果你发现种群始终分散、前沿稀稀拉拉，优先检查交叉分布指数，而不是交叉概率。

5.3 罚函数惩罚系数怎么选

罚函数处理约束时，惩罚系数太小，不可行解在排序时会混入前列，导致最终前沿里混进不少违反物理约束的假解；惩罚系数太大，对可行域的搜索变得僵硬，解一旦越限就很难靠后续变异回到可行区域。

我尝试过固定惩罚系数，也试过随进化代数动态调整。固定值时，我推荐让惩罚项的量级至少是目标值的1到2个数量级。以我的算例为例，运行成本目标在7到9万量级，所以每个约束越限的惩罚权重我设为1e5，这样违反任何一条约束的个体都会在非支配排序中被明显降级。

动态调整我试过线性增加惩罚系数的方案，前期允许更多探索，后期严格惩罚保证最终解可行。效果比固定好的原因是前期不可行解虽然目标值好看，但能提供跳跃式的搜索动力。不过动态方案要多调一个初始惩罚系数增长率参数，实际麻烦不少，如果按我的算例规模，固定值就够了。

5.4 算法早熟和收敛慢的处理手段

早熟的最典型现象是前100代内前沿就基本不再变化，所有解聚集在一小片区域。遇到这种情况，我的排查顺序是：先检查变异概率是不是太低了；再检查SBX分布指数是不是太大导致子代几乎等于父代；最后检查是不是初始化种群多样性本来就差，可以适当扩大每个决策变量的初始随机范围，或者用多起点初始化策略。

收敛慢的典型现象是跑了四五百代前沿还在明显移动，迟迟不进入稳定状态。优先检查是否惩罚系数太大导致搜索严重偏向可行域边缘。另一个常见原因是交叉概率设定的区域探索能力不足，可以适当降低SBX分布指数，让子代更容易偏离父代，扩大搜索范围。

一个实用的诊断方法是画收敛曲线：每代记录第一前沿的最小目标值之和，画出来看趋势。如果曲线持续下降且没进入平台期，说明算法还在收敛；如果曲线已经走平但前沿依然稀疏，说明问题的多样性保持出了问题，应该调整拥挤度计算或选择压力。

5.5 代码性能优化经验

Matlab跑NSGA-II最大的瓶颈在评估函数。如果评估时逐目标逐时段嵌套循环，100个种群个体500代循环下来，几十秒变成几分钟甚至十几分钟。我的优化手段有以下几点：

优先把目标函数里的时段循环内部的多设备计算尽量改为向量运算。比如计算总燃料成本时，如果成本函数是二次多项式，可以直接用矩阵乘法一次性算出所有时段的成本项，不用每个时段单独累加。特别是Matlab对矩阵运算优化极好，纯for循环的效率低好几倍。

其次，非支配排序里的二重循环是不可避免的，但可以通过提前终止来优化：一旦两个个体一个支配对方，就立刻停止内层循环，不必再遍历所有目标。对于两个目标的情况，这种提前终止能砍掉不少无效比较。

我试过用parfor并行评估种群，效果在目标函数计算量小的算例里反而更慢，因为进程通信开销大于计算收益。只有在目标函数非常复杂、单次评估超过几十毫秒时，并行才值得。所以代码里我没有强制用parfor，而是留了一个开关参数，遇到大问题再打开。

6. 算例进一步扩展的方向

NSGA-II这套实现并不只适用于眼下的最小算例。我在实际迭代这个项目时，至少尝试过三种扩展方向，效果都很不错。

第一种是把目标函数扩展成三个：在成本和排放之外再加一个“电网交互功率波动最小化”，用于限制联络线功率的剧烈波动，降低对主网稳定性的冲击。三目标优化下，Pareto前沿会从一个二维曲线变成一个三维面，代码里只需要改目标数量的变量和画图方式，核心算法完全不用动。不过三目标时种群规模和拥挤度计算的稳定性要求更高，建议种群至少150以上。

第二种是加入需求响应。把可转移负荷和可中断负荷纳入决策变量，目标函数里增加用户满意度惩罚项，约束里增加负荷平衡约束。这种情况下决策变量维度增加约30到60维，NSGA-II的交叉变异算子不变，但如果你的编码把负荷转移率设计成连续变量，需要注意边界处理。

第三种是时间尺度混合。综合能源系统可以同时包含日前调度和日内滚动调度，把两阶段的决策变量串联起来，用滚动优化的思路更新每个时段的调度结果。这种情况下NSGA-II的进化种群可以设计成在滚动窗口内重新初始化，能更好地应对负荷和新能源出力的随机性。

我个人在跑这些扩展时最有感触的一点是：NSGA-II的框架本身足够稳健，真正决定上限的是建模是否贴切实际。很多坑不是算法坑，而是参数设置、约束表述、数据预处理这些看起来不起眼的环节。

如果你也想在综合能源调度里用多目标优化，建议先把基础版完整跑通，理解每一个算子为什么存在、每个参数波动会造成什么后果，再去叠加你的高级需求。这个周期可能有点长，但踩过一次坑后再回头看整条链路，收获会比单纯套用一个工具箱大得多。