修复最终结果打印仍有重复问题，放大了延期的影响效果

data_structures.py

@@ -108,5 +108,5 @@ class DataStructures:
         else:
             cost_ratio = 2*(cost / optimal_cost)
         # 延期处理（+1避免除以零）
-        tardiness_ratio = 8*((tardiness + 1) / (optimal_tardiness + 1))
+        tardiness_ratio = 800*((tardiness + 1) / (optimal_tardiness + 1))
         return cost_ratio + tardiness_ratio

main.py

@@ -34,6 +34,7 @@ def main():
         population = encoder.initialize_population()
         print(f"初始化种群完成，（种群大小，染色体长度）: {population.shape if population.size > 0 else '空'}")
 
+
         # 若种群初始化失败（为空），直接退出
         if population.size == 0:
             print("错误：种群初始化失败，无法继续进化")
@@ -57,6 +58,7 @@ def main():
                 # 非支配排序，获取当前代的帕累托前沿
                 ranks, fronts = nsga2.fast_non_dominated_sort(objectives)
                 current_front = fronts[0] if fronts else []  # 第0层为最优前沿
+
                 current_front_objs = [objectives[i] for i in current_front] if current_front else []
 
                 best_front = population[current_front] if current_front else []  # 更新当前最优前沿解（整数）
@@ -78,6 +80,7 @@ def main():
                         if (cost_change < config.early_stop_threshold and
                                 tardiness_change < config.early_stop_threshold):
                             no_improve_count += 1
+
                         else:
                             no_improve_count = 0  # 有改进，重置计数器
                             prev_avg_cost = avg_cost
@@ -106,6 +109,7 @@ def main():
                 selected_len = len(selected)  # selected的长度（等于pop_size）
                 i = 0
                 max_iter = 2 * config.pop_size  # 最大迭代次数，避免无限循环
+
                 iter_count = 0
                 while len(offspring) < config.pop_size and iter_count < max_iter:
                     iter_count += 1
@@ -131,6 +135,7 @@ def main():
                         i += 1  # 处理下一个个体（步长改为1，避免快速越界）
                 # 若迭代次数用尽仍未生成足够子代，补充随机个体（健壮性处理，整数）
                 while len(offspring) < config.pop_size:
+
                     offspring.append(encoder._generate_random_chromosome())  # 整数化随机染色体
                 # 变异操作（均匀变异，整数化）
                 offspring = [
@@ -152,6 +157,7 @@ def main():
                 # 早停检查（连续多代无改进则停止）
                 if no_improve_count >= config.early_stop_patience:
                     print(f"早停触发：连续{no_improve_count}代无改进，终止于第{generation}代")
+
                     break
                 # 每50代打印一次进度
                 if generation % 50 == 0:
@@ -163,17 +169,15 @@ def main():
         # 7. 结果可视化与输出（整数化）
         print("进化完成，处理结果（整数化）...")
         if len(best_front_objs) > 0:
-            # 1. 过滤重复解
+            # 1. 过滤重复解（关键改进：基于目标值去重，确保相同目标值只保留一个解）
             unique_front = []
             unique_front_objs = []
-            seen = set()
+            seen_obj = set()  # 仅跟踪目标值，确保相同目标值只保留一个
 
             for sol, obj in zip(best_front, best_front_objs):
-                # 将解和目标值组合为元组用于查重
-                sol_tuple = tuple(sol.tolist())
-                obj_tuple = tuple(obj)
-                if (sol_tuple, obj_tuple) not in seen:
-                    seen.add((sol_tuple, obj_tuple))
+                obj_tuple = tuple(obj)  # 将目标值转为元组用于查重
+                if obj_tuple not in seen_obj:
+                    seen_obj.add(obj_tuple)
                     unique_front.append(sol)
                     unique_front_objs.append(obj)