遗传算法赋能BWM：从理论到实践的多准则权重优化

1. 遗传算法与BWM的奇妙碰撞

多准则决策问题就像我们生活中常见的"选择困难症"：买手机时要考虑价格、性能、拍照、续航等多个因素，企业选供应商要评估质量、交期、成本、服务等指标。传统层次分析法（AHP）需要做n(n-1)/2次两两比较，当指标较多时，专家打分的工作量会呈指数级增长。

2015年，荷兰学者Jafar Rezaei提出的最优最差方法（BWM）像一位聪明的简化大师。它只需要确定最优和最差准则，然后分别与其他准则比较，将比较次数从n²量级降到2n量级。比如评估5个指标时，AHP需要10次比较，而BWM只需8次。这种方法的数学本质是求解一个最小化最大偏差的非线性优化问题。

但BWM在实际应用中会遇到两个头疼的问题：一是当准则数量较多时，传统线性规划方法可能难以收敛；二是对初始值敏感，容易陷入局部最优。这时候，遗传算法这位"进化高手"就派上用场了。我在帮某制造企业选择智能工厂解决方案时，就遇到过传统方法反复震荡无法收敛的情况。

2. 遗传算法如何优化BWM权重

2.1 染色体编码的艺术

遗传算法求解BWM权重的第一步，是把权重向量转化为"染色体"。我们采用二进制编码，每个权重用7位二进制数表示。比如有4个准则时，染色体长度就是4×7=28位。这种编码方式就像把权重信息打包成DNA片段，为后续的"进化"做好准备。

实际操作中，我发现采用格雷码（Gray Code）比标准二进制更稳定。因为格雷码相邻数字只有一位差异，能避免传统二进制编码中汉明距离突变的问题。下面是Python实现的编码示例：

def float_to_gray(x, min_val=0, max_val=1, bits=7): scaled = int((x - min_val) / (max_val - min_val) * (2**bits - 1)) return scaled ^ (scaled >> 1)

2.2 适应度函数的精心设计

适应度函数是遗传算法的导航仪。在BWM问题中，我们定义一致性指标ξ为：

ξ = max{|wB/wj - aBj|, |wj/wW - ajW|}

为了让算法寻找ξ的最小值，我们将适应度函数设为1/ξ。这就像生物进化中的"适者生存"——ξ越小（一致性越高）的个体，适应度值越大，存活概率越高。

实测中发现，当ξ接近0时，1/ξ会趋向无穷大，容易造成数值不稳定。我的解决方案是加一个平滑项：

def fitness(xi): return 1 / (xi + 1e-6) # 避免除零错误

2.3 遗传操作的实战技巧

选择操作采用轮盘赌策略，但直接实现可能导致"超级个体"过早统治种群。我的改进是：

1. 保留每代最优个体（精英保留）
2. 对适应度进行指数缩放：fit' = fit^k (k=0.95)
3. 引入线性排名选择

交叉操作使用两点交叉，比单点交叉探索能力更强。变异操作要控制好概率——太大导致随机游走，太小则缺乏多样性。经过多次测试，我发现以下参数组合效果稳定：

params = { 'pop_size': 50, # 种群规模 'pc': 0.85, # 交叉概率 'pm': 0.01, # 变异概率 'max_gen': 200, # 最大迭代次数 'elite_rate': 0.1 # 精英保留比例 }

3. 完整实现与案例分析

3.1 Python实现详解

我们以供应商选择为例，考虑4个准则：质量(Q)、价格(P)、交期(D)、服务(S)。专家确定Q为最优准则，S为最差准则，比较结果如下：

# 最优准则比较 (Q vs others) BO = [1, 3, 5] # Q:Q=1, Q:P=3, Q:D=5 # 最差准则比较 (others vs S) OW = [4, 2, 1] # P:S=4, D:S=2, S:S=1

完整遗传算法流程：

def ga_bwm(BO, OW, n_criteria): # 初始化种群 population = init_population(pop_size, n_criteria) for gen in range(max_gen): # 评估适应度 fitness = evaluate(population, BO, OW) # 精英选择 elites = select_elites(population, fitness) # 选择-交叉-变异 offspring = selection(population, fitness) offspring = crossover(offspring, pc) offspring = mutation(offspring, pm) # 新一代种群 = 精英 + 子代 population = elites + offspring return best_individual

3.2 与传统方法对比

我们在某汽车零部件采购案例中对比了三种方法：

可以看到，遗传算法在一致性指标上表现最优，虽然计算时间比线性规划长，但远低于非线性规划。更重要的是，GA在20次独立运行中全部收敛，而NLP有3次陷入局部最优。

4. 工程实践中的经验分享

4.1 参数调优的实用技巧

经过多个项目实践，我总结出以下调参经验：

1. 种群规模设为准则数量的10-15倍
2. 交叉概率初始设为0.8，随着迭代线性降至0.6
3. 变异概率采用自适应策略：pm = 0.1 - 0.09*(gen/max_gen)
4. 早停机制：连续20代改进小于1%则终止

4.2 常见问题解决方案

问题1：权重之和不为1

• 方案：在解码时进行归一化，或在适应度函数中加入惩罚项

问题2：收敛速度慢

• 方案：采用混合算法，先用LP得到初始解，再用GA优化

问题3：结果波动大

• 方案：增加种群规模，采用多种群并行进化

4.3 进阶优化方向

对于超多准则（>15个）问题，可以考虑：

1. 分层遗传算法：先对准则分组优化，再整体优化
2. 结合主成分分析(PCA)降维
3. 采用量子遗传算法等改进变体

我在一个智慧城市评估项目中，就采用了分层GA处理了23个评估指标，最终仅需1500次比较（传统AHP需要253次），计算时间控制在3分钟内。