简介这份资源聚焦多目标快速非支配排序遗传算法NSGA-II的MATLAB实现面向从事多目标规划、智能优化算法学习与科研的高年级本科生、研究生及工程技术人员。多目标最优化思想可追溯至1896年帕雷托的政治经济学研究1961年由查尔斯与库柏正式提出多目标规划概念本代码正是这一理论在工程实践中的落地工具可解决目标间难以直接比较、需转化为单目标或求取Pareto最优解集的优化问题。压缩包共9个文件含8个m源码文件与1份pdf说明文档整体约425KB源码覆盖种群初始化、非支配排序、锦标赛选择、遗传算子、目标函数评估与种群替换等完整流程模块pdf则对算法原理与使用方式作补充讲解。目前已有916人学习下载读者可借此获得一套结构清晰、可直接运行调试的NSGA-II代码框架用于课程设计、论文复现或算法改进实验快速理解快速非支配排序与拥挤度距离等核心机制。1. 多目标优化遇上 NSGA-II这套 MATLAB 源码到底能跑出什么如果你做过车间调度、无人机三维路径规划或者投资组合这类问题就会知道真正的难点从来不是「目标函数怎么写」而是当三个目标互相打架时怎么给出一组让决策者挑得出手的方案。单目标遗传算法只能吐出一个最优解而多目标场景下我们想要的是一整条帕累托前沿。这套基于 MATLAB 的多目标快速非支配排序遗传算法源码拆开看就是 NSGA-II 的经典实现快速非支配排序、拥挤度距离、精英保留、锦标赛选择一个都不少。它适合两类人——一类是课程设计或论文里需要跑出真实前沿曲线的同学另一类是手里已经有目标函数、只差一个能改能调的优化内核的工程师。压缩包里从初始化到主循环到结果输出模块切得比较干净改目标函数基本不用动排序逻辑。2. 拆开压缩包九个文件各自管什么拿到一个 .rar 源码包最忌讳的就是直接双击 nsga_2.m 然后 F5。先花五分钟把文件职责理清楚后面调参和排错能省掉一半时间。这套代码的模块划分是典型的「主脚本 功能函数」结构没有用 classdef 做面向对象封装所以每个 .m 文件都是独立可读的。2.1 主流程与目标函数定义nsga_2.m 是整个程序的入口它负责设定种群规模、迭代代数、决策变量上下界然后依次调用初始化、非支配排序、锦标赛选择、遗传算子和种群替换。objective_description_function.m 和 evaluate_objective.m 是一对前者用文字描述你这个问题有几个目标、每个目标的含义后者才是真正计算目标值的地方。很多人第一次跑报错就是因为只改了 evaluate_objective.m 里的公式却忘了 objective_description_function.m 里还写着默认的目标个数。% nsga_2.m 中的关键参数区常见写法 pop 100; % 种群规模太小前沿稀疏太大单代耗时线性上涨 gen 200; % 迭代代数先跑 50 代看收敛趋势再决定加不加 M 3; % 目标个数必须和 evaluate_objective 返回列数一致 V 10; % 决策变量个数 min_range zeros(1, V); max_range ones(1, V); % 变量上下界按实际问题改别照抄 0-1这段参数是整个实验的地基。种群规模 pop 和迭代代数 gen 的乘积大致决定了总计算量我一般先用 pop50、gen50 做一次冒烟测试确认能出图再往上加。M 这个目标个数如果和 evaluate_objective.m 里实际返回的列数对不上非支配排序会在比较维度时直接崩掉报错信息通常指向 non_domination_sort_mod.m 的某一行新手容易误以为是排序算法本身有问题。2.2 非支配排序与拥挤度计算non_domination_sort_mod.m 是这套代码的核心实现的是快速非支配排序。它的输入是种群的目标值矩阵输出是每个个体所属的帕累托等级 front 以及同等级内的拥挤度距离。算法逻辑分两层第一层对每个个体统计被支配次数和它所支配的个体集合第二层按等级逐层剥离。复杂度从朴素比较的 O(MN³) 降到 O(MN²)这也是「快速」二字的来源。% non_domination_sort_mod.m 中的支配判断片段逻辑示意 if all(x(i,:) x(j,:)) any(x(i,:) x(j,:)) % i 支配 j所有目标不劣且至少一个目标更优 dominated_count(j) dominated_count(j) 1; dominated_set{i} [dominated_set{i}, j]; end这里的判断条件是帕累托支配的标准定义注意是「全部小于等于」加「至少一个严格小于」两个条件缺一不可。如果只写 all(x(i,:) x(j,:))那么两个完全相同的个体会互相判定为支配排序结果会出现空层或者死循环。拥挤度距离的计算则是在同一 front 内按每个目标排序取相邻个体目标值之差归一化后求和边界个体直接赋无穷大保证它们优先被保留。2.3 遗传算子与种群替换genetic_operator.m 负责交叉和变异tournament_selection.m 负责锦标赛选择replace_chromosome.m 负责把父代和子代合并后按等级和拥挤度筛选出下一代。这三者串起来就是 NSGA-II 的精英保留策略父代种群 P 产生子代 Q合并成 2N 后重新非支配排序按 front 顺序整层填入最后一层用拥挤度距离截断。% replace_chromosome.m 的筛选思路 combined [parent; offspring]; [front, cd] non_domination_sort_mod(combined, M, V); newpop []; f 1; while size(newpop,1) size(front{f},1) pop newpop [newpop; combined(front{f},:)]; f f 1; end % 剩余名额按拥挤度降序补齐 remain pop - size(newpop,1); [~, idx] sort(cd(front{f}), descend); newpop [newpop; combined(front{f}(idx(1:remain)),:)];这段逻辑里最容易翻车的是 while 循环的边界如果某一层 front 的个体数刚好把种群填满f 会多加一次下一轮访问 front{f} 就越界。稳妥做法是在循环里加一个 f 是否超过 front 长度的判断。另外拥挤度排序时如果同一层里有多个个体距离相同MATLAB 的 sort 是稳定的不会打乱相对顺序但如果你手动改过排序方式就要留意。3. 从零跑通改目标函数到出帕累托前沿源码能跑和跑出有意义的结果是两回事。这一章按实际操作顺序走一遍从替换目标函数到生成前沿图每一步都给出可对照的检查点。3.1 替换成自己的目标函数假设你要优化一个两目标问题最小化成本和最大化效率。第一步打开 evaluate_objective.m把里面的示例公式换成你的。function f evaluate_objective(x, M, V) % x 是一行决策变量返回 1×M 的目标值行向量 cost sum(x.^2) 10; % 目标1成本越小越好 efficiency -sum((x-0.5).^2) 5; % 目标2效率取负号统一为最小化 f [cost, efficiency]; end注意这里所有目标都统一成最小化方向如果你的原始问题是最大化某个指标取负号是最省事的做法最后画图时再把坐标轴标签改回来。M 和 V 是传进来的维度参数不要在里面硬编码数字否则换问题时要改多处。改完目标函数后同步检查 objective_description_function.m 里的目标个数描述是否一致这个文件不参与计算但它是给读代码的人看的不一致会误导后续维护。3.2 参数设置与首次运行参数集中在 nsga_2.m 顶部按第 2 章说的先设小规模做冒烟测试。运行前在命令行确认当前文件夹是源码所在目录否则 MATLAB 找不到 genetic_operator 这些函数。首次运行建议在 nsga_2.m 里加一行rng(1)固定随机种子这样每次跑出来的结果可复现调参时才能判断变化是参数引起的还是随机波动引起的。rng(1); % 固定随机种子保证结果可复现 pop 50; gen 50; % 冒烟测试规模 M 2; V 5; min_range -2*ones(1,V); max_range 2*ones(1,V);跑完之后看命令行有没有报错再看是否生成了目标值矩阵。如果程序跑完但前沿图是一片散点先别急着调算法检查 evaluate_objective 返回的 f 是不是行向量——如果返回列向量非支配排序在拼接目标矩阵时会维度错位结果就是所有个体被判定为同一等级。3.3 结果可视化与前沿质量判断源码通常会在主脚本末尾画图但默认的 plot 往往只是把最后一代的目标值散点画出来看不出帕累托层级。我一般会手动加一段按 front 着色的代码。[front, cd] non_domination_sort_mod(final_obj, M, V); figure; hold on; colors lines(length(front)); for k 1:length(front) scatter(final_obj(front{k},1), final_obj(front{k},2), ... 30, colors(k,:), filled); end xlabel(目标1); ylabel(目标2); title(帕累托前沿分层显示);第一层 front{1} 就是最终的非支配解集颜色最显眼的那一簇。判断前沿质量看三点一是分布是否均匀如果点全挤在一端说明拥挤度机制没起作用二是跨度是否够宽两端极值解是否存在三是迭代后期前沿是否还在移动如果 50 代和 200 代的前沿几乎重合说明已经收敛再加代数意义不大。4. 避坑与排查跑不出前沿时先查这几处这套代码结构清晰但 MATLAB 的矩阵操作和遗传算法的随机性叠在一起新手很容易在几个固定位置翻车。下面五条是我自己和身边人踩过的按「现象 → 原因 → 解决」整理。现象一运行报错「维度不一致」指向 non_domination_sort_mod。原因通常是 evaluate_objective 返回的目标个数和 nsga_2.m 里设的 M 不一致或者返回的是列向量而非行向量。解决方法是先在命令行单独调用一次 evaluate_objective(x, M, V)用 size 检查返回值确认是 1×M 再跑主程序。现象二程序能跑完但所有个体都在同一 front前沿是一条斜线。原因是目标函数之间高度相关或者变异率太低导致种群多样性不足。先检查目标函数是不是本质上只有一个独立目标如果是那多目标算法退化成单目标很正常如果确实是多目标把 genetic_operator.m 里的变异率调高常见做法是从 0.1 提到 0.2 再试。现象三迭代到一半报「索引超出矩阵维度」。高概率是 replace_chromosome.m 里 while 循环的 front 索引越界前面分析过。解决是在循环条件里加上 f length(front)或者在进入循环前先判断剩余名额是否刚好等于当前层个体数。现象四每次运行结果差异巨大无法复现。MATLAB 的随机数默认由时钟初始化不固定种子的话每次种群初始化和遗传操作都不同。在 nsga_2.m 最前面加 rng(固定整数) 即可。注意如果你用了并行工具箱还需要在并行池里单独设置随机流否则各 worker 的种子不一致。现象五前沿图上的点看起来很多但导出数据后发现大量重复。原因是决策变量维度太低或者上下界范围太窄种群很快收敛到相同解。把 V 增大或者放宽 min_range/max_range让搜索空间足够大。另外检查初始化函数 initialize_variables.m 是否真的在上下界内均匀采样有些改版会写成固定值。提示每次改完目标函数或参数先用 pop20、gen10 跑一遍看有没有报错再放大规模。直接上大种群跑半小时然后崩掉时间成本太高。5. 进阶技巧用超体积指标验证前沿优劣跑出前沿只是第一步真正判断两组参数哪组更好靠肉眼看散点图是不够的。工程上常用超体积指标Hypervolume来量化前沿的质量它衡量的是前沿与参考点围成的目标空间体积越大说明解集在收敛性和分布性上综合越好。这套源码没有自带超体积计算但可以自己补一个函数配合固定参考点做参数对比。function hv hypervolume_2d(front_obj, ref_point) % front_obj: N×2 的非支配解集已统一为最小化 % ref_point: 1×2 参考点需被所有解支配 obj sortrows(front_obj, 1); hv 0; prev_y ref_point(2); for i 1:size(obj,1) width ref_point(1) - obj(i,1); height prev_y - obj(i,2); if height 0 hv hv width * height; end prev_y min(prev_y, obj(i,2)); end end这个二维版本只适用于两个目标的情况逻辑是按第一目标排序后逐段累加矩形面积。参考点要选得比所有解都差常见做法是取每个目标在当前解集上的最大值再乘 1.1。三维及以上需要用蒙特卡洛采样或者专门的超体积库自己手写容易出错。用这个指标做参数对比时固定随机种子跑五组不同变异率每组记录最终前沿的超体积值取平均再比较。单次结果受随机性影响太大五组取平均是底线。我一般还会同时记录第一层解的数量和前沿跨度三个指标一起看避免只优化了超体积却牺牲了分布性。从那以后我每次调多目标算法都强制先固定种子跑冒烟测试再上超体积做参数筛选最后才画图写报告。这套流程走下来至少不会出现「图很好看但换台机器跑不出来」的尴尬。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/26 7:37:23 · 阅读 1.2k NSGA-II多目标优化MATLAB源码解析与实战调参指南
简介这份资源聚焦多目标快速非支配排序遗传算法NSGA-II的MATLAB实现面向从事多目标规划、智能优化算法学习与科研的高年级本科生、研究生及工程技术人员。多目标最优化思想可追溯至1896年帕雷托的政治经济学研究1961年由查尔斯与库柏正式提出多目标规划概念本代码正是这一理论在工程实践中的落地工具可解决目标间难以直接比较、需转化为单目标或求取Pareto最优解集的优化问题。压缩包共9个文件含8个m源码文件与1份pdf说明文档整体约425KB源码覆盖种群初始化、非支配排序、锦标赛选择、遗传算子、目标函数评估与种群替换等完整流程模块pdf则对算法原理与使用方式作补充讲解。目前已有916人学习下载读者可借此获得一套结构清晰、可直接运行调试的NSGA-II代码框架用于课程设计、论文复现或算法改进实验快速理解快速非支配排序与拥挤度距离等核心机制。1. 多目标优化遇上 NSGA-II这套 MATLAB 源码到底能跑出什么如果你做过车间调度、无人机三维路径规划或者投资组合这类问题就会知道真正的难点从来不是「目标函数怎么写」而是当三个目标互相打架时怎么给出一组让决策者挑得出手的方案。单目标遗传算法只能吐出一个最优解而多目标场景下我们想要的是一整条帕累托前沿。这套基于 MATLAB 的多目标快速非支配排序遗传算法源码拆开看就是 NSGA-II 的经典实现快速非支配排序、拥挤度距离、精英保留、锦标赛选择一个都不少。它适合两类人——一类是课程设计或论文里需要跑出真实前沿曲线的同学另一类是手里已经有目标函数、只差一个能改能调的优化内核的工程师。压缩包里从初始化到主循环到结果输出模块切得比较干净改目标函数基本不用动排序逻辑。2. 拆开压缩包九个文件各自管什么拿到一个 .rar 源码包最忌讳的就是直接双击 nsga_2.m 然后 F5。先花五分钟把文件职责理清楚后面调参和排错能省掉一半时间。这套代码的模块划分是典型的「主脚本 功能函数」结构没有用 classdef 做面向对象封装所以每个 .m 文件都是独立可读的。2.1 主流程与目标函数定义nsga_2.m 是整个程序的入口它负责设定种群规模、迭代代数、决策变量上下界然后依次调用初始化、非支配排序、锦标赛选择、遗传算子和种群替换。objective_description_function.m 和 evaluate_objective.m 是一对前者用文字描述你这个问题有几个目标、每个目标的含义后者才是真正计算目标值的地方。很多人第一次跑报错就是因为只改了 evaluate_objective.m 里的公式却忘了 objective_description_function.m 里还写着默认的目标个数。% nsga_2.m 中的关键参数区常见写法 pop 100; % 种群规模太小前沿稀疏太大单代耗时线性上涨 gen 200; % 迭代代数先跑 50 代看收敛趋势再决定加不加 M 3; % 目标个数必须和 evaluate_objective 返回列数一致 V 10; % 决策变量个数 min_range zeros(1, V); max_range ones(1, V); % 变量上下界按实际问题改别照抄 0-1这段参数是整个实验的地基。种群规模 pop 和迭代代数 gen 的乘积大致决定了总计算量我一般先用 pop50、gen50 做一次冒烟测试确认能出图再往上加。M 这个目标个数如果和 evaluate_objective.m 里实际返回的列数对不上非支配排序会在比较维度时直接崩掉报错信息通常指向 non_domination_sort_mod.m 的某一行新手容易误以为是排序算法本身有问题。2.2 非支配排序与拥挤度计算non_domination_sort_mod.m 是这套代码的核心实现的是快速非支配排序。它的输入是种群的目标值矩阵输出是每个个体所属的帕累托等级 front 以及同等级内的拥挤度距离。算法逻辑分两层第一层对每个个体统计被支配次数和它所支配的个体集合第二层按等级逐层剥离。复杂度从朴素比较的 O(MN³) 降到 O(MN²)这也是「快速」二字的来源。% non_domination_sort_mod.m 中的支配判断片段逻辑示意 if all(x(i,:) x(j,:)) any(x(i,:) x(j,:)) % i 支配 j所有目标不劣且至少一个目标更优 dominated_count(j) dominated_count(j) 1; dominated_set{i} [dominated_set{i}, j]; end这里的判断条件是帕累托支配的标准定义注意是「全部小于等于」加「至少一个严格小于」两个条件缺一不可。如果只写 all(x(i,:) x(j,:))那么两个完全相同的个体会互相判定为支配排序结果会出现空层或者死循环。拥挤度距离的计算则是在同一 front 内按每个目标排序取相邻个体目标值之差归一化后求和边界个体直接赋无穷大保证它们优先被保留。2.3 遗传算子与种群替换genetic_operator.m 负责交叉和变异tournament_selection.m 负责锦标赛选择replace_chromosome.m 负责把父代和子代合并后按等级和拥挤度筛选出下一代。这三者串起来就是 NSGA-II 的精英保留策略父代种群 P 产生子代 Q合并成 2N 后重新非支配排序按 front 顺序整层填入最后一层用拥挤度距离截断。% replace_chromosome.m 的筛选思路 combined [parent; offspring]; [front, cd] non_domination_sort_mod(combined, M, V); newpop []; f 1; while size(newpop,1) size(front{f},1) pop newpop [newpop; combined(front{f},:)]; f f 1; end % 剩余名额按拥挤度降序补齐 remain pop - size(newpop,1); [~, idx] sort(cd(front{f}), descend); newpop [newpop; combined(front{f}(idx(1:remain)),:)];这段逻辑里最容易翻车的是 while 循环的边界如果某一层 front 的个体数刚好把种群填满f 会多加一次下一轮访问 front{f} 就越界。稳妥做法是在循环里加一个 f 是否超过 front 长度的判断。另外拥挤度排序时如果同一层里有多个个体距离相同MATLAB 的 sort 是稳定的不会打乱相对顺序但如果你手动改过排序方式就要留意。3. 从零跑通改目标函数到出帕累托前沿源码能跑和跑出有意义的结果是两回事。这一章按实际操作顺序走一遍从替换目标函数到生成前沿图每一步都给出可对照的检查点。3.1 替换成自己的目标函数假设你要优化一个两目标问题最小化成本和最大化效率。第一步打开 evaluate_objective.m把里面的示例公式换成你的。function f evaluate_objective(x, M, V) % x 是一行决策变量返回 1×M 的目标值行向量 cost sum(x.^2) 10; % 目标1成本越小越好 efficiency -sum((x-0.5).^2) 5; % 目标2效率取负号统一为最小化 f [cost, efficiency]; end注意这里所有目标都统一成最小化方向如果你的原始问题是最大化某个指标取负号是最省事的做法最后画图时再把坐标轴标签改回来。M 和 V 是传进来的维度参数不要在里面硬编码数字否则换问题时要改多处。改完目标函数后同步检查 objective_description_function.m 里的目标个数描述是否一致这个文件不参与计算但它是给读代码的人看的不一致会误导后续维护。3.2 参数设置与首次运行参数集中在 nsga_2.m 顶部按第 2 章说的先设小规模做冒烟测试。运行前在命令行确认当前文件夹是源码所在目录否则 MATLAB 找不到 genetic_operator 这些函数。首次运行建议在 nsga_2.m 里加一行rng(1)固定随机种子这样每次跑出来的结果可复现调参时才能判断变化是参数引起的还是随机波动引起的。rng(1); % 固定随机种子保证结果可复现 pop 50; gen 50; % 冒烟测试规模 M 2; V 5; min_range -2*ones(1,V); max_range 2*ones(1,V);跑完之后看命令行有没有报错再看是否生成了目标值矩阵。如果程序跑完但前沿图是一片散点先别急着调算法检查 evaluate_objective 返回的 f 是不是行向量——如果返回列向量非支配排序在拼接目标矩阵时会维度错位结果就是所有个体被判定为同一等级。3.3 结果可视化与前沿质量判断源码通常会在主脚本末尾画图但默认的 plot 往往只是把最后一代的目标值散点画出来看不出帕累托层级。我一般会手动加一段按 front 着色的代码。[front, cd] non_domination_sort_mod(final_obj, M, V); figure; hold on; colors lines(length(front)); for k 1:length(front) scatter(final_obj(front{k},1), final_obj(front{k},2), ... 30, colors(k,:), filled); end xlabel(目标1); ylabel(目标2); title(帕累托前沿分层显示);第一层 front{1} 就是最终的非支配解集颜色最显眼的那一簇。判断前沿质量看三点一是分布是否均匀如果点全挤在一端说明拥挤度机制没起作用二是跨度是否够宽两端极值解是否存在三是迭代后期前沿是否还在移动如果 50 代和 200 代的前沿几乎重合说明已经收敛再加代数意义不大。4. 避坑与排查跑不出前沿时先查这几处这套代码结构清晰但 MATLAB 的矩阵操作和遗传算法的随机性叠在一起新手很容易在几个固定位置翻车。下面五条是我自己和身边人踩过的按「现象 → 原因 → 解决」整理。现象一运行报错「维度不一致」指向 non_domination_sort_mod。原因通常是 evaluate_objective 返回的目标个数和 nsga_2.m 里设的 M 不一致或者返回的是列向量而非行向量。解决方法是先在命令行单独调用一次 evaluate_objective(x, M, V)用 size 检查返回值确认是 1×M 再跑主程序。现象二程序能跑完但所有个体都在同一 front前沿是一条斜线。原因是目标函数之间高度相关或者变异率太低导致种群多样性不足。先检查目标函数是不是本质上只有一个独立目标如果是那多目标算法退化成单目标很正常如果确实是多目标把 genetic_operator.m 里的变异率调高常见做法是从 0.1 提到 0.2 再试。现象三迭代到一半报「索引超出矩阵维度」。高概率是 replace_chromosome.m 里 while 循环的 front 索引越界前面分析过。解决是在循环条件里加上 f length(front)或者在进入循环前先判断剩余名额是否刚好等于当前层个体数。现象四每次运行结果差异巨大无法复现。MATLAB 的随机数默认由时钟初始化不固定种子的话每次种群初始化和遗传操作都不同。在 nsga_2.m 最前面加 rng(固定整数) 即可。注意如果你用了并行工具箱还需要在并行池里单独设置随机流否则各 worker 的种子不一致。现象五前沿图上的点看起来很多但导出数据后发现大量重复。原因是决策变量维度太低或者上下界范围太窄种群很快收敛到相同解。把 V 增大或者放宽 min_range/max_range让搜索空间足够大。另外检查初始化函数 initialize_variables.m 是否真的在上下界内均匀采样有些改版会写成固定值。提示每次改完目标函数或参数先用 pop20、gen10 跑一遍看有没有报错再放大规模。直接上大种群跑半小时然后崩掉时间成本太高。5. 进阶技巧用超体积指标验证前沿优劣跑出前沿只是第一步真正判断两组参数哪组更好靠肉眼看散点图是不够的。工程上常用超体积指标Hypervolume来量化前沿的质量它衡量的是前沿与参考点围成的目标空间体积越大说明解集在收敛性和分布性上综合越好。这套源码没有自带超体积计算但可以自己补一个函数配合固定参考点做参数对比。function hv hypervolume_2d(front_obj, ref_point) % front_obj: N×2 的非支配解集已统一为最小化 % ref_point: 1×2 参考点需被所有解支配 obj sortrows(front_obj, 1); hv 0; prev_y ref_point(2); for i 1:size(obj,1) width ref_point(1) - obj(i,1); height prev_y - obj(i,2); if height 0 hv hv width * height; end prev_y min(prev_y, obj(i,2)); end end这个二维版本只适用于两个目标的情况逻辑是按第一目标排序后逐段累加矩形面积。参考点要选得比所有解都差常见做法是取每个目标在当前解集上的最大值再乘 1.1。三维及以上需要用蒙特卡洛采样或者专门的超体积库自己手写容易出错。用这个指标做参数对比时固定随机种子跑五组不同变异率每组记录最终前沿的超体积值取平均再比较。单次结果受随机性影响太大五组取平均是底线。我一般还会同时记录第一层解的数量和前沿跨度三个指标一起看避免只优化了超体积却牺牲了分布性。从那以后我每次调多目标算法都强制先固定种子跑冒烟测试再上超体积做参数筛选最后才画图写报告。这套流程走下来至少不会出现「图很好看但换台机器跑不出来」的尴尬。希望帮到你。本文还有配套的精品资源点击获取