那么，如何通过python编写nsga-Ⅱ算法呢？

在Python中实现NSGA-II算法，可以使用一些开源的多目标优化库，例如pymoo、deap等。下面以pymoo库为例，介绍如何实现NSGA-II算法。

首先，我们需要定义优化问题的目标函数和约束条件（如果有的话）。这里以一个简单的二元优化问题为例：

import numpy as np

def obj_func(x):
    f1 = x[0]**2 + x[1]**2
    f2 = (x[0]-1)**2 + x[1]**2
    return [f1, f2]

# 定义变量的上下限
xl, xu = np.array([-5, -5]), np.array([5, 5])

接下来，我们可以使用pymoo库中的NSGA-II算法来解决该问题。具体代码如下：

from pymoo.algorithms.nsga2 import NSGA2
from pymoo.factory import get_crossover, get_mutation, get_sampling
from pymoo.model.problem import Problem
from pymoo.optimize import minimize

class MyProblem(Problem):
    def __init__(self):
        super().__init__(n_var=2,
                         n_obj=2,
                         n_constr=0,
                         xl=xl,
                         xu=xu)

    def _evaluate(self, x, out, *args, **kwargs):
        out["F"] = obj_func(x)

# 定义NSGA-II算法的参数
algorithm = NSGA2(pop_size=100,
                  n_offsprings=50,
                  sampling=get_sampling("real_random"),
                  crossover=get_crossover("real_sbx", prob=0.9, eta=15),
                  mutation=get_mutation("real_pm", prob=0.1, eta=20),
                  eliminate_duplicates=True)

# 定义优化问题
problem = MyProblem()

# 运行NSGA-II算法，得到最优解
res = minimize(problem,
               algorithm,
               ('n_gen', 100),
               verbose=True)

以上代码中，我们首先定义了一个继承自pymoo库中Problem类的自定义问题类MyProblem，其中重写了_evaluate方法来计算目标函数值。然后，我们使用NSGA2类来创建一个NSGA-II算法实例，并设置一些参数，例如种群大小、交叉和变异算子等。最后，我们将问题和算法实例传入minimize函数中，得到最优解。

需要注意的是，pymoo库还提供了许多其他优化算法和问题，具体使用方法可以参考官方文档。