在学习进化计算和多目标优化时，很多人最先接触的是二维 Pareto 前沿图。
这种图很直观：横轴一个目标，纵轴一个目标，每个点代表一个解，我们可以很容易看出解集的分布、收敛情况以及不同解之间的权衡关系。

但是问题很快就来了：

如果优化问题不再是两个目标，而是四个、五个，甚至更多个目标，该怎么画？

这个时候，传统二维或三维散点图就开始变得不够用了。
而在这种场景下，平行坐标图（Parallel Coordinates Plot） 就成为了多目标优化中非常经典的一种可视化方式。

这篇文章，我就从进化计算和多目标优化的角度，系统讲一讲：什么是平行坐标、它为什么有用、怎么看、有什么优缺点，以及在实验分析里该怎么用。

---

一、什么是平行坐标

先从最基础的概念说起。

我们平时熟悉的二维坐标图，只有两根轴：

• 横轴 (x)

• 纵轴 (y)

一个点的位置由 ((x,y)) 决定。

而平行坐标图的思路完全不同。
它不是只用一组横纵坐标，而是把多根坐标轴并排放在一起，通常这些坐标轴是竖直排列、彼此平行的。每一根轴代表一个变量，或者在多目标优化里，每一根轴代表一个目标函数。

假设我们有一个四目标优化问题：

• (f_1)：成本

• (f_2)：重量

• (f_3)：能耗

• (f_4)：误差

那么我们就可以画四根竖直的平行坐标轴，分别表示这四个目标。
某一个解在这四个目标上的取值，会分别落在四根轴上的不同位置，然后再用折线把这些点连接起来。

于是：

一条折线代表一个解，一组折线代表一个解集。

这就是平行坐标图最核心的思想。

---

二、为什么多目标优化里经常用平行坐标

多目标优化和单目标优化最大的区别在于：
它不是寻找“唯一的最优解”，而是寻找一组在不同目标之间形成权衡关系的解，也就是我们常说的 Pareto 解集。

在这种情况下，我们关注的往往不只是某一个解“好不好”，而是整个解集是否满足以下几个方面：

• 是否覆盖了较广的目标范围；

• 是否分布均匀；

• 是否体现了不同目标之间的权衡关系；

• 是否存在明显偏向某些目标的现象；

• 不同算法得到的解集整体结构有何差异。

如果只看指标，比如 HV、IGD、IGDX 等，虽然能得到定量结论，但很多时候你并不能直观看出解集到底“长什么样”。
而平行坐标图的优势就在于，它能够把高维目标空间中的整体分布结构直接展示出来。

尤其是在目标数大于 3 的情况下，平行坐标图几乎是最常见、最实用的可视化工具之一。

---

三、平行坐标图到底是怎么画出来的

我们来看一个简单例子。

假设某个解的四个目标值分别为：
f_1=0.2, f_2=0.8,f_3=0.4, f_4=0.7

在平行坐标图中，我们会：

1. 在第一根坐标轴上找到 (f_1=0.2) 的位置；

2. 在第二根坐标轴上找到 (f_2=0.8) 的位置；

3. 在第三根坐标轴上找到 (f_3=0.4) 的位置；

4. 在第四根坐标轴上找到 (f_4=0.7) 的位置；

5. 用折线依次把这些点连接起来。

这条折线，就代表这个解在四个目标上的整体表现。

如果我们再画出几十条、上百条这样的线，就能观察到整个解集的分布特征。

不过这里有一个细节很重要：
由于不同目标的量纲往往不同，比如一个目标取值范围是 0 到 1，另一个可能是 100 到 1000，所以在实际作图时，通常会先对每个目标做归一化处理。否则不同坐标轴之间的数值尺度差异太大，图就很难比较。

---

四、在多目标优化中，平行坐标图能看什么

这是最关键的一部分。
很多人知道平行坐标“能画”，但不知道“怎么看”。实际上，它的价值主要体现在下面几个方面。

1. 看解集的覆盖范围

如果某个算法得到的解集在每一根轴上都覆盖了较宽的区间，通常说明它在不同目标上探索得比较充分。
反过来，如果所有线条在某几根轴上都集中在很窄的一小段区域，那么可能意味着算法在这些目标上的搜索范围不够，解集覆盖性较差。

这在比较不同算法时尤其有用。
有些算法指标看起来不错，但在平行坐标图中会发现它实际上只覆盖了解空间中的一部分区域。

---

2. 看解集分布是否均匀

平行坐标图还可以帮助我们观察多样性。
如果折线在各个坐标轴上的分布比较均匀，通常说明解集的分布较为平衡；如果某些区域线特别密集，而某些区域几乎没有线，则说明解集可能存在拥挤和空缺的问题。

当然，平行坐标图不像专门的分布指标那样精确，但它能给人非常直观的印象。

---

3. 看目标之间是否存在冲突

这是平行坐标图最有意思的一个地方。

假设在相邻两根轴之间，大量折线互相交叉，这通常意味着这两个目标之间存在较强的冲突关系。
因为如果一个目标变好时另一个目标往往会变差，那么对应的线条就很容易在这两根轴之间形成交叉。

相反，如果两根轴之间的大多数线条走势比较一致、交叉较少，那么这两个目标可能具有一定的协同性，或者至少冲突没有那么强。

所以很多时候，平行坐标图不仅是在看“解”，也是在看“目标之间的关系”。

---

4. 看某个特定解的权衡特点

除了看整体解集，平行坐标图也可以单独拿来分析某一个解。

比如某条线在“成本”轴上位置很低，但在“误差”轴上位置很高，那么这个解可能意味着：

• 成本控制得很好；

• 但误差较大。

而另一条线可能成本稍高，但误差明显更低。
这就是多目标优化中的典型权衡。

所以平行坐标图也很适合拿来解释“为什么这个解适合某种场景、另一个解更适合另一种场景”。

---

五、一个简单直观的理解方式

如果你第一次接触平行坐标，记住下面这个理解方式就够了：

• 每根竖线是一个目标；

• 每条折线是一个解；

• 很多条折线放在一起，就是整个 Pareto 解集。

然后再去看：

• 哪些地方线很多，哪些地方线很少；

• 哪些轴之间交叉明显，哪些轴之间交叉较少；

• 某些线是不是在某一目标上特别突出，但在另一目标上明显吃亏。

只要抓住这几个点，平行坐标图基本就看懂了。

---

六、平行坐标图的优点

在多目标优化中，平行坐标之所以被广泛使用，主要是因为它有几个非常突出的优势。

1. 适合高维目标可视化

这是它最大的优点。
二维散点图只能展示两个目标，三维散点图展示三个目标已经比较极限了，再往上就很难直观表达。
而平行坐标图可以自然地扩展到四维、五维甚至更多维目标。

---

2. 能同时展示整体结构和个体差异

一方面，它可以展示整个解集的覆盖范围和分布特征；
另一方面，又能具体观察某条线对应的某个解的权衡关系。

这种“整体 + 个体”的结合，在多目标优化分析里非常有价值。

---

3. 适合做算法对比

如果把不同算法得到的非支配解集分别画成平行坐标图，就可以很方便地比较：

• 谁覆盖范围更大；

• 谁分布更均匀；

• 谁更偏向某些目标；

• 谁在某些目标上的表现更极端。

这比单纯看一两个数值指标更直观。

---

七、平行坐标图的缺点

当然，平行坐标图也不是没有问题。

1. 解太多时会很乱

这是最典型的缺点。
当解集规模比较大时，图中会出现大量折线交叉和重叠，视觉上容易变得拥挤，甚至让人看不清重点。

所以在实际使用中，很多人会：

• 只画一部分代表性解；

• 使用透明度降低重叠影响；

• 对不同算法分开绘制；

• 或者对线条做聚类、分层展示。

---

2. 轴的顺序会影响观察结果

平行坐标图中，目标之间的关系主要体现在相邻坐标轴之间。
因此，如果改变坐标轴顺序，图中线条的交叉模式也会变化。

也就是说，平行坐标图并不是完全“中立”的，它的视觉效果和解释有时会受到坐标轴排列方式的影响。

---

3. 直观性不如低维散点图

对于两目标或三目标问题，散点图往往更直接、更容易理解。
平行坐标虽然能展示更高维的信息，但对于初学者来说，阅读门槛确实比普通散点图更高一些。

所以它更适合作为一种补充性可视化工具，而不是完全替代散点图。

---

八、在进化计算实验中应该怎么用它

如果你正在做进化计算或多目标优化实验，那么平行坐标图一般适合用在下面几种场景。

1. 展示高维目标问题的最终解集

当目标数超过 3 时，平行坐标图是非常自然的选择。
它可以帮助读者快速理解算法得到的解集在不同目标上的整体分布。

---

2. 对比不同算法的搜索结果

你可以把不同算法的结果分开画，或者用不同颜色叠加画。
这样能直观看出不同算法在目标覆盖范围和分布结构上的差异。

---

3. 分析解集是否偏向某类目标

有时候一个算法在某些目标上表现很好，但代价是牺牲了其他目标。
这种“偏向性”在平行坐标图中往往会非常明显。

---

4. 辅助解释指标结果

比如两个算法的 HV 差不多，但平行坐标图可能会显示：

• 一个算法覆盖更广，但不够均匀；

• 另一个算法更均匀，但范围偏窄。

这就能帮助你更全面地解释实验结果。

在多目标优化中，我们经常强调“收敛性”和“多样性”，也经常使用 HV、IGD、IGDX 等指标去量化算法性能。
但除了指标之外，可视化同样重要。因为很多时候，图像比数字更能帮助我们理解算法到底做了什么、解集到底呈现出怎样的结构。