NSGA-III与Matlab实现：梯级水火联合多目标调度全流程解析

“NSGA-III”和“Matlab”放在同一个项目里时，通常意味着一个典型的多目标优化落地问题。我最近把基于NSGA-III优化算法的梯级水电和火电机组联合多目标调度完整跑了一遍，整个项目用Matlab实现了从建模、算法设计到结果分析的全部流程。这个事情的吸引力在于它不是单纯做算法Demo，而是把NSGA-III放到一个非常现实的电力调度场景里：一串梯级水电站连着几台火电机组，要在负荷需求下同时权衡发电成本、弃水风险和出力平稳性，最后给出一组可执行的发电计划。适合正在做多目标优化、电力系统经济运行，或者想用NSGA-III替换NSGA-II解决工程问题的朋友参考。

1. 项目要解决的问题到底长什么样？

1.1 梯级水电与火电联合调度的现实场景

电力系统调度，说穿了就是回答“未来24小时每一个电厂各发多少电”的问题。题目里带了两个定语，一个叫“梯级水电”，一个叫“火电”，这两个词直接决定了问题的复杂度。

梯级水电的含义，是一条河流上多个水电站从上游到下游顺序排列，上一级电站的出库流量会直接变成下一级电站的入库流量，再加上水流在河道里还有传播时滞，意味着这些电站根本不是独立个体，而是一条强耦合的链条。上游多放水，下游库容就跟着紧张；上游少放水，下游可能面临“无水可用”的尴尬。这个耦合关系必须在建模时显式写出来，否则得到的调度方案拿到现场根本执行不了。

火电在其中的角色更像是“兜底”。水电机组虽然调节性能好、运行成本低，但受来水、库容、生态流量等条件限制，不能想发多少就发多少。火电机组出力范围宽、稳定可控，缺点是燃料成本高、爬坡速率有限，启停还要时间。联合调度的意义，就是把两边不同的调节能力组合起来，让整个系统在满足负荷的前提下，把总成本和资源浪费压到最低。

这种问题在实践中对应的就是省级电网的日前发电计划编制，也常见于流域梯级电站群和火电基地打捆外送场景。负荷曲线通常提前给出来，难的是水、火之间怎么分配水量和电量，梯级之间的蓄水、放水节奏怎么安排，多个目标冲突时怎么给出折中方案。这些需求最后都会落到一个数学问题上面——带复杂约束的多目标优化。

我在做这个项目时，设计了“多个梯级电站+多台火电机组”的简化算例，但代码结构上留了扩展口。要加电站、加机组，只需要改输入数据矩阵，算法主体不用动。这一条对想从算例起步、再迁移到真实数据的朋友来说很有价值。

1.2 多目标到底在哪里：三个要同时管好的指标

很多初学者拿到题目的第一反应是“这题要优化什么”，往往忽略“怎么算优化得好”。这里的“多目标”，我从三个维度来拆。

第一个是经济性。火电的煤耗成本通常用一个二次函数拟合，水电运行成本很低，但水资源也有“机会成本”——弃水意味着白白浪费水能，蓄水蓄太高又可能带来防洪风险。所以目标函数的第一项，一般是系统总运行成本最小化，包含煤耗成本、水电运行维护成本和惩罚项。

第二个是平稳性。水电相对灵活，火电爬坡慢，如果调度结果让火电出力在连续时段间大幅震荡，运行现场很难跟踪，机组磨损也会加剧。所以很多研究会把“火电出力波动最小化”作为第二个目标，或者把“负荷平衡偏差最小化”做成软约束放进目标函数里。

第三个是环保性，或者从资源利用角度说，弃水量最小化。碳排放目标和弃水目标之间天然存在权衡：多用水电可以减少火电碳排放，但汛期可能造成大量弃水；反过来，为了少弃水就得提前蓄水，可能牺牲当下发电量。每个目标都是合理诉求，彼此又互相冲突，调度员需要的不是一个“唯一最优解”，而是一组Pareto解，然后根据水情、电价、燃料价格等现场信息挑一个实际执行的方案。

目标一旦超过3个，NSGA-II的拥挤距离机制就会出现明显的力不从心。这也是NSGA-III在这个项目里出场的最直接理由，后面会专门展开。

1.3 数学建模：目标函数与约束条件的完整形式

既然要用Matlab写代码，第一步就是把文字问题变成机器能算的数学形式。我采用的是日前调度模型，调度周期取24小时，每个时段1小时。

决策变量分两组。第一组是梯级水电各时段发电流量，记为Q(h,t)；第二组是火电机组各时段出力，记为P(g,t)。整个调度方案就是这两块拼起来的向量。

目标函数写成向量形式：

[ \min F(x) = [f_1(x), f_2(x), f_3(x)] ]

其中：

[ f_1 = \sum_{t=1}^{T}\sum_{g=1}^{G} (a_g P_{g,t}^2 + b_g P_{g,t} + c_g) + \lambda \sum_{t=1}^{T}(\Delta P_t^{load})^2 ]

[ f_2 = \sum_{t=2}^{T}\sum_{g=1}^{G} |P_{g,t} - P_{g,t-1}| ]

[ f_3 = \sum_{t=1}^{T}\sum_{h=1}^{H} S_{h,t} ]

这里S(h,t)表示弃水量，ΔP是负荷平衡偏差。约束条件包括：

• 电力平衡约束：各电源出力之和等于系统负荷；
• 水库水量平衡约束：库容变化等于入库+上游泄流−发电流量−弃水；
• 库容上下限约束；
• 发电流量上下限约束；
• 火电出力上下限约束；
• 火电爬坡速率约束；
• 调度期末库容约束，保证调度方案可持续。

决策变量数量不难算。比如4个梯级电站、5台火电、24时段，个体编码长度是4×24加5×24，合计216维。这个规模对启发式算法不算大，但变量之间强耦合，约束处理一旦放松，就会产生大量物理上不可行的废解。

2. 选型：为什么多目标优化我用NSGA-III而不是NSGA-II

2.1 NSGA-II在高维多目标上的先天短板

NSGA-II应该是多目标优化里最经典、也最常用的算法了，我在许多项目里都拿它打底，简单、稳定、开源实现也多。可一到目标数量超过3个，它的问题就暴露得很明显。

NSGA-II是靠拥挤距离维持多样性的。拥挤距离的朴素思想是：在目标空间里，把一个解两侧最近邻居的距离加起来，距离越大说明这个解所在区域越空旷，越应该保留。这个思路在二维甚至三维目标空间里都很好用，可到了4维、5维，目标空间体积膨胀得非常夸张，Pareto前沿从曲线变成高维曲面，点与点之间的距离变得十分稀疏。拥挤距离机制会倾向于把所有“看起来分散”的点都留下，最后反而失去了挑出均匀代表性个体的作用。

还有一个更隐蔽的麻烦：高维目标下，非支配的比例会高得吓人。大量解两两之间互不支配，第一层非支配个体可能直接塞满整个种群，选择压力基本消失，算法退化成随机搜索。我在跑水火调度模型时明显感受到了这个变化——目标数从2个加到3个还行，加到4个之后，NSGA-II的结果经常成群聚集在几个角落，前沿分布不均匀，最后挑出来的方案很难直接用于决策。

2.2 NSGA-III的改进：从拥挤距离到参考点

NSGA-III的核心改进，是用“参考点引导多样性”替代“距离保持多样性”。它的思想是：算法不需要自己决定哪些区域值得保留，而是提前铺好一组分布均匀的参考点，让种群中的解尽量均匀地分配在这些参考点附近。某个参考点周围还是“空”的，就优先让新解去填空；某参考点已经挤满了人，就减少对它所在区域的偏爱。算法往哪收敛、种群漏了哪块区域，全都有了明确方向。

参考点用Das-Dennis方法生成，原理是在一个单位单纯形上做均匀分割。给定目标数m和分割数p，参考点个数由组合数nchoosek(m+p-1, p)决定。比如m=3、p=10时，参考点数量是nchoosek(12,2)=66个；p=15时是nchoosek(17,2)=136个。参考点数量直接决定了你期望得到的Pareto解密度。

NSGA-III的运行流程可以概括为：先做非支配排序，把所有解分成若干层；从第一层开始逐层保留，直到必须从某层挑选部分个体才能凑够种群规模；这时候对当前种群做目标归一化，把每个个体关联到离它最近的参考线，最后根据每个参考点的小生境计数，优先挑出那些“关联到空参考点”的解填进下一代。

这套机制把NSGA-II高维失效问题解决得很干净。归一化步骤又保证了成本、波动、弃水这些量纲差异极大的目标不会在关联计算里互相压轧。对水火调度这种成本是“万元”、波动是“兆瓦”、弃水是“万立方米”的问题，归一化不是可选项，而是必需项。

2.3 NSGA-III与NSGA-II、MOEA/D的横向对比

选型这事不能“越新越好”，得看问题长什么样。我把三个常用算法放在一起过了一遍：

从表里能看出，水火联合调度属于典型的三到四个目标问题。NSGA-III既躲开了NSGA-II在高维目标上的退化，又不像MOEA/D那样需要为每个子问题精心设计权重向量，所以最终选了它做基础算法。还有一个附加原因：Matlab官方工具箱里的gamultiobj实现的是NSGA-II思路，并没有标准NSGA-III可以直接调用，因此得自己动手实现。但这个“麻烦”反而成了项目最有价值的部分——你能把代码每一行和论文里的步骤逐一对应，而不是黑盒调用。

3. Matlab代码实现的核心环节

3.1 种群编码与初始化解空间设计

这个项目里，种群个体就是一张完整调度方案表。编码方式必须跟后面的交叉、变异操作配套，我采用的是“实数编码+分段”设计。

编码分两段。水电段：每个梯级电站每个时段的发电流量，长度是H×T；火电段：每台火电机组每个时段的出力，长度是G×T。前面算过，4个梯级电站、5台火电、24时段，个体长度是216。单看长度不大，但每个变量都有上下界，变量之间还嵌套着水库水量平衡关系——上游流量一变，下游所有库容全受影响。

所以初始化不能简单在边界内随机取数。我的做法是分层初始化：先随机生成水电段流量，然后按水量平衡方程推算各库容，判断是否越界；如果越界，就对发电流量做一次有方向的修正，把超出边界的库容“消化掉”；最后再生成火电段出力。这样得到的第一代种群可行率能到80%以上，而完全随机生成的第一代可能只有不到30%可用。别小看这个差异，初始种群质量直接决定后面收敛的速度。

数据结构上，我用两个结构体装参数，一个放算例参数，包括水电站、火电、负荷、时段；一个放算法参数，包括种群大小、迭代次数、参考点分割数。初始化函数接收这两个结构体，返回一条染色体矩阵，每行是一个个体。

有些论文里不用流量，直接拿库容当决策变量。我试过之后体会是：“流量决策+库容计算”更稳。因为水量平衡是硬约束，拿库容当变量很容易造成“流量对不上账”的假可行解。这个取舍是在实际调试中体会最明显的。

3.2 目标函数与约束惩罚的工程化写法

数据结构铺好之后，目标函数是核心，也最建议“先用小规模测试”来调。在Matlab里我拆了三个独立函数：costFunc、loadSmoothFunc、spillFunc。每个函数返回一个向量，最后合并成目标值矩阵F。所有能用矩阵运算的地方尽量矩阵化，比如火电煤耗函数对P_g向量做计算时，用polyval配合sum完成，避免for循环拖慢速度。

function [F, feas] = evaluateIndividual(x, sys, alg) [Qh, Pg] = decodeChromosome(x, sys); V = simulateReservoir(sys.hydro, Qh); % 水量平衡时序计算 feas = all(V >= sys.Vmin & V <= sys.Vmax); loadBal = sum(Pg, 1) + sum(phFromQh(Qh, sys), 1) - sys.load; f1 = costFunc(Pg, sys.thermal) + 1e6 * sum(loadBal.^2); f2 = sum(abs(diff(Pg, 1, 2))); f3 = sum(max(0, spillFromQh(Qh, V, sys))); F = [f1, f2, f3]; end

约束处理我分了三类。

第一类是“硬边界”，比如库容上下限、流量上下限、出力上下限。这类约束直接在编码和修复阶段处理，不让越界个体进入种群，代价小、效果好。

第二类是“软等式”，比如电力平衡。我把等式转成目标函数里的惩罚项，偏差平方乘以惩罚系数。理由是这样的：在NSGA-III的排序机制里，惩罚过高的个体自然会被其他解支配，然后被淘汰；但惩罚系数不能大到把其他目标的信息全部压掉，否则算法会被极端惩罚主导，失去探索能力。

第三类是“过程约束”，比如爬坡约束和库容过程约束。爬坡约束放到修复模块里，逐时段检查相邻出力差，超限的出力向边界方向“夹逼”。库容过程约束在水量平衡计算的同时检查，超限就调整发电流量，把多余水量向相邻时段转移。

写到这里有个很重要但经常被忽略的细节：惩罚系数的量纲匹配。建议先跑一次不带惩罚的目标评估，统计各目标的数量级，再给惩罚系数定档。否则出现成本是10的5次方、惩罚是10的8次方的情况，非支配排序几乎只看惩罚，问题就失真了。

3.3 参考点生成：Das-Dennis系数到归一化关联

NSGA-III代码里最绕、也最值得花时间讲的部分，就是参考点机制。

第一步生成参考点。给定目标数m和分割数p，参考点是m-1维单纯形上的等分点。Matlab里可以用递归枚举所有非负整数组合，满足sum(x)=p再归一化。p的取值影响参考点密度，前面说过，三目标时p=10对应66个参考点，p=15对应136个。种群规模N一般取参考点附近，至少不能比参考点数量小太多，否则大量参考点会处于“空巢”状态。

第二步归一化。算法先找当前种群每个目标的最小值构成理想点z_min，对个体做平移；再找每个维度的极值点和截距，把各维目标值除以截距，压缩到[0,1]区间。这一步极其关键。本项目中成本可能是百万级，出力波动是几十级，弃水是十万级，不归一化的话，关联操作会被数值最大的目标单独统治。

第三步关联。每个个体计算它到每条参考线的垂直距离，归入距离最小的参考点。参考线本质上是原点到参考点的连线，个体在这条线上的投影越居中、垂直距离越小，代表它对这个参考方向的覆盖程度越高。小生境计数就是统计当前种群中每个参考点关联到的个体数量，最后一层挑选时，优先选择那些关联到空参考点、垂直距离又小的个体。

这里有个实际踩坑经历：归一化时，如果某维截距恰好接近0甚至为负值，直接拿截距做除法会让归一化结果完全失真。处理办法是给截距加一个epsilon保护，或者在目标范围里取一个近似值兜底。遇到这类数值问题别硬套论文公式，要用工程手段消化。

3.4 遗传算子：SBX交叉与多项式变异

进化环节我用的是SBX交叉和多项式变异，对实数编码问题这是比较成熟的搭配。

SBX交叉的核心思想，是让子代尽量贴近父代的“分布中心”。分布指数η_c越大，子代越像父代。我一般取η_c=10~20。太低子代发散太远，丢失已有信息；太高接近复制，探索能力不足。多项式变异则给个体加一个可控扰动，η_m取20附近比较常见。

有一个很少被强调、但影响很大的细节：变异要作用在决策变量空间，而且水电段和火电段必须分开处理。水电段变量自带强时序相关性，某个时段流量一变，库容过程线整体跟着改，变异幅度大了，个体很可能直接越过库容边界变成不可行解。所以我给水电段设置更小的变异步长，变异之后立刻调用修复函数，绝不等目标函数评估时才被动处理。

我习惯每几代统计一次不可行解比例。比例持续下降，大概率是变异或修复逻辑出了bug；种群过早收敛，Pareto前沿几乎没有变化，就适度调大变异概率。这个观察指标比单纯看目标值收敛曲线靠谱得多。

3.5 主循环框架与终止条件

主循环框架其实不复杂。标准流程是：初始化→评估→每一代做选择、交叉、变异、评估、环境选择→记录前沿→达到代数停止。环境选择部分就是NSGA-III区别于NSGA-II的地方，也是整个算法复杂度最高的环节。

终止条件我没有用“目标值不再变化”，多目标优化下这个判据很难敲定。我采用固定代数，比如200代或300代，再通过观察hypervolume指标曲线判断是否已经平缓。hypervolume在Matlab里可以自己实现，也可以用现成工具包。

还有一个有价值的细节：外部存档。除了常规种群外，我维护了一个历史非支配解存档，把历代冒出来的好解全收集起来，最后统一去重、再做一次非支配排序，得到最终Pareto前沿。这一步能避免迭代过程中偶发的优秀解被淘汰，是很多代码里容易漏掉的。

4. 仿真结果怎么解读：Pareto前沿与调度方案分析

4.1 一次典型运行结果：成本、弃水与负荷偏差的三维前沿

我用4个梯级水电站、5台火电机组、24时段、200个个体、300代迭代跑完整算例，目标设成本、火电波动、弃水三个。最终得到大约150个Pareto解，数量跟参考点密度设定直接相关。

三维散点图出来之后，跟预期一致：成本与弃水呈明显折中。弃水小的方案，往往意味着水库提前蓄水、水电出力受限，系统只能多开火电，成本上升；成本低的方案倾向让水电多发电，代价是弃水增加。火电波动这个目标跟前两个的权衡关系更复杂一些，既受负荷分配影响，又受水电调节能力影响。算法在多数时段倾向于让水电承担调峰，火电保持平稳。

三维前沿在决策上最大的价值，是能方便地找到“妥协解”。我的选解策略很简单：对三个目标归一化之后，找距离“理想点”（三个目标都最小）欧氏距离最近的那个解，称为均衡调度方案。它不一定让任何单一指标最优，但三方面都不过分激进，符合调度员的直觉。Matlab里这个选解过程只是对F矩阵做一次加权距离计算，非常轻量，留给人后续做二次选择很方便。

4.2 调度方案的过程曲线与现场可执行性

Pareto前沿是“结果层”信息，但要验证调度方案能不能用，还得看“过程层”：负荷平衡曲线、水库水位过程线、火电出力时序图。

有一件事印象很深：某组解负荷平衡误差几乎为0，目标值很漂亮，但水库水位曲线在汛期时段贴着上限走，一点安全裕度都没留。这就是典型的只看目标函数发现不了的问题，必须把最优解回代模拟，画出水位过程线检查。我给代码加了个plotReservoirTrajectory函数，画水位时序；还有一个plotUnitSchedule函数，画水火出力堆叠面积图。这两个可视化函数后来几乎成了每次试验的标配。

从典型方案看，梯级上游电站的调度动作通常是“先储水，靠中下游电站多出力”。这样可以维持下游水头稳定；下游电站承担更多基荷，火电放在负荷曲线的腰部；负荷爬坡高峰由调节能力最强的水电顶着。这些行为模式会随负荷曲线和来水情景动态变化，算法能帮你找出逻辑上成立的搭配，但合不合理还要靠领域经验判断，这一步机器替代不了人。

4.3 与NSGA-II结果的对比

为了验证选型，我在完全相同的问题设定下分别跑了NSGA-II和NSGA-III，对比指标用三个：hypervolume、前沿覆盖率、解集均匀性。

结论很清晰：三目标条件下NSGA-II还能工作，但解集分布明显稀疏，尤其在成本较低的端部几乎缺解；NSGA-III的前沿分布均匀得多，参考点铺到哪里，解就跟到哪里。差异根源正是参考点机制——NSGA-III从机制上保证任何目标方向都有个体保留，NSGA-II只在拥挤度高的区域强制保留，容易漏掉重要方向的边界解。

这个对比给了我一个很实用的启发：如果问题只有2个目标，NSGA-II完全够用，而且跑得更快；3目标以上，安心选NSGA-III。别盲目追新，也别抱着老算法硬扛。

5. 参数调优与避坑经验

5.1 种群规模与迭代次数的平衡法则

NSGA-III的种群规模和参考点数量是绑定的。经验做法是N取参考点数量的70%~100%。太少了，大量参考点空转；太多，每代评估压力大。三目标情况下，p=10对应66个参考点，N取100左右就行；p=15对应136个参考点，N取150~200合适。

迭代次数要结合目标函数计算成本来定。Matlab里如果目标函数完全向量化，200代、200个个体、216维决策变量，一般几十秒到几分钟就跑完。如果代码里留了大量for循环，就得做好十几分钟的思想准备。我的建议是先跑小规模算例，比如12时段、2个电站，调通算法并确认收敛趋势后再放大到24时段。一上来就跑完整算例，时间成本太高，排错也很痛苦。

5.2 约束违反与惩罚系数的调参误区

有一类现象要特别警惕：种群中所有解都满足硬约束，但目标值异常高。这说明约束处理把解空间压得过窄，多样性没了，算法被困在局部区域。我的判断办法是画一张“约束违反量-目标值”散点图，看边界解的分布。如果存在连续过渡带，说明约束和目标之间平滑衔接，算法自己能找到从不可行跨到可行的路径；如果中间出现断层，多半是目标函数表达有问题，或者惩罚系数跨了太多数量级。

调参方面最常见的错误，是把惩罚系数设得过大。惩罚过大的后果是：所有不可行解的目标值变成天文数字，非支配排序里它们被全部丢弃。表面上“严格满足约束”，实际把搜索引导卡死在初始阶段。我建议惩罚系数先比最大目标量级高2到3个数量级，观察可行率变化，再逐步往上加。不要一上来就设1e8这种极端值。

5.3 运行效率优化：向量化与并行

Matlab跑得慢，十有八九是循环太多。我在目标函数评估和水量平衡模拟里做了三处向量化，效果很直观。

第一处，火电煤耗成本用polyval一次性算完所有机组所有时段的序列，再sum聚合，避开双层循环。

第二处，水量平衡模拟虽然逻辑上是按时间步长递推，但梯级电站数量不多时，可以提前生成流量矩阵，再用向量化的前缀和来得到库容序列，避免逐时段迭代。如果考虑上游泄流的传播时滞，就预先设一个滞后矩阵，对上游泄流做“延迟叠加”，用矩阵位移也能向量化。

第三处，目标函数评估天然可并行，因为每个个体相互独立。把for换成parfor，配合Parallel Computing Toolbox，多核机器能把一轮评估时间压到原来的四分之一左右。改动只需要一两行，收益非常明显。

6. 常见问题与排查技巧实录

6.1 约束越界与修复函数失灵

最典型的故障是：运行到中途，突然冒出大量水库库容越界个体。排查思路分三步。第一步，检查水量平衡方程里是否把上一个时段库容和本时段来水用错顺序；第二步，检查修复函数是只修了发电流量、还是同步更新了关联库容状态；第三步，检查变异操作是否越过边界又没触发修复。这类bug的特征都是“偶发”的，因为遗传算法的变异具有随机性，不满足条件的个体只在部分代出现，容易一晃而过。

另外还有一种情况：算例设计本身不合理。比如水电满发加火电最小出力，负荷仍然平衡不了，导致目标函数中平衡项的惩罚极大，整个Pareto前沿质量下降。这是算例的问题，不是算法问题。解决办法是适当增加火电容量，或者限制水电出力上限。

6.2 Matlab版本与工具箱兼容性

我用的环境是R2022b，核心代码只用了基础函数、统计工具箱和并行计算工具箱，没有依赖App Designer或Simulink模型，跨版本兼容性很好。真正的坑在于：nchoosek在组合数很大的时候会溢出警告，记得提前用double强制类型转换；一些新版函数比如tall数组在旧版本上不支持，写代码时尽量回避。

如果你在安装或下载Matlab时纠结版本问题，我的经验是：这类科研代码用R2021b以上都够用，不必追最新版。手头版本偏旧的话，先确认有没有Parallel Computing Toolbox，因为旧版本对parfor的支持存在性能差异。

6.3 前沿分布不均与参考点比例失衡

还有一种常见问题是Pareto前沿形态有明显“带”状，但某个目标方向的尾部几乎没有解。这通常不是算法bug，而是参考点生成的参数没配对。p太小，参考点稀疏，算法没能力探索边界；p太大，参考点密到种群规模撑不住，精力全浪费在没开发过的区域。

我的建议是：三目标时，p从10开始调，看前沿覆盖情况；四目标时，p从6到8开始调。因为参考点总数按组合数增长，三目标p=10才66个点，四目标p=10直接跳到286个点，种群规模必须跟着加，否则每代都像空转。参考点密度和种群规模的关系，是整个NSGA-III调参里最需要耐心打磨的地方。

说实话，做完这个水电火电联合调度项目，我最大的感受是：代码能跑通只是第一步，真正值钱的是在调参和读曲线过程中建立起来的“优化直觉”。现在看到一组Pareto前沿，基本能预判算法在哪些区域会失真；看到一条水位过程线，能判断约束处理是不是留了裕度。NSGA-III在Matlab里的实现难度不低，但把参考点机制吃透之后，你会发现很多多目标优化问题都能套同一个框架。后续想扩展，可以在现有代码上加入多场景随机性，比如来水预测误差、负荷预测误差，或者把模型升级成随机优化、鲁棒优化，决策变量从单一计划变成“计划+备用容量”，方向很多，但骨架始终还是那套NSGA-III。