基于GA-BP遗传算法优化神经网络+NSGAII多目标优化算法的工艺参数优化、工程设计优化！

机器学习之心

于 2025-02-08 22:25:42 发布

阅读量1.1k

点赞数 16

分类专栏：多目标优化文章标签： GA-BP 遗传算法优化神经网络 NSGAII I多目标优化算法工艺参数优化

本文链接：https://blog.csdn.net/kjm13182345320/article/details/145524206

版权

多目标优化专栏收录该内容

39 篇文章

订阅专栏

效果一览

在这里插入图片描述

基本介绍

1.GA-BP遗传算法优化神经网络+NSGAII多目标优化算法，工艺参数优化、工程设计优化！（Matlab完整源码和数据）
多目标优化是指在优化问题中同时考虑多个目标的优化过程。在多目标优化中，通常存在多个冲突的目标，即改善一个目标可能会导致另一个目标的恶化。因此，多目标优化的目标是找到一组解，这组解在多个目标下都是最优的，而不是仅仅优化单一目标。
遗传算法是一种随机搜索的方法，其主要思想是根据生物界的自然选择和遗传变异演化来的。遗传算法与其他搜索寻优算法不同，它是随机产生初始化长度为L的个体。对于每个生成的个体都对应一个适应度。个体通过选择、交叉和变异来产生新的个体。而新的个体的的好坏也用适应度来评价。从新生成的个体中选择一部分适应度好的个体来继续进行选择、交叉和变异的操作。在生成的下一代中依然这样循环往复操作，经过N代的操作得到最好的个体。这个个体就可能是所需要寻找的最优解或者次优解。
遗传算法优化BP神经网络分为BP神经网络结构确定，遗传算法优化，BP神经网络预测三部分。其中BP神经网络结构确定部分根据拟合函数输入输出参数个数确定BP神经网络的权值和阀值，种群中每个个体都包含了一个网络所有权值和阀值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体。BP神经网络预测用遗传算法得到最优个体对网络初始权值和阀值赋值，网络经训练后预测函数输出。
2.先通过GA-BP封装因变量(y1 y2 y3 y4）与自变量(x1 x2 x3 x4 x5）代理模型，再通过nsga2寻找y极值（y1极大;y2 y3 y4极小），并给出对应的x1 x2 x3 x4 x5Pareto解集。
3.data为数据集，5个输入特征，4个输出变量，NSGAII算法寻极值，求出极值时(max y1; min y2;min y3;min y4)的自变量x1,x2,x3,x4,x5。
4.main1.m为GA-BP神经网络主程序文件、main2.m为NSGAII多目标优化算法主程序文件，依次运行即可，其余为函数文件，无需运行。
5.命令窗口输出R2、MAE、MBE、MAPE、RMSE等评价指标，输出预测对比图、误差分析图、多目标优化算法求解Pareto解集图，可在下载区获取数据和程序内容。
6.适合工艺参数优化、工程设计优化等最优特征组合领域。
5.命令窗口输出R2、MAE、MBE、MAPE、RMSE等评价指标，输出预测对比图、误差分析图、多目标优化算法求解Pareto解集图，可在下载区获取数据和程序内容。
6.适合工艺参数优化、工程设计优化等最优特征组合领域。

在这里插入图片描述

NSGA-II算法的基本思想与技术路线
1）随机产生规模为N的初始种群Pt，经过非支配排序、选择、交叉和变异，产生子代种群Qt，并将两个种群联合在一起形成大小为2N的种群Rt；
2）进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群Pt+1；
3）通过遗传算法的基本操作产生新的子代种群Qt+1，将Pt+1与Qt+1合并形成新的种群Rt，重复以上操作，直到满足程序结束的条件。
在这里插入图片描述
数据集

在这里插入图片描述

程序设计

完整程序和数据获取方式：私信博主回复基于GA-BP遗传算法优化神经网络+NSGAII多目标优化算法的工艺参数优化、工程设计优化！。


%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 定义结果存放模板
empty.position = [];        %输入变量存放
empty.cost = [];            %目标函数存放
empty.rank = [];            % 非支配排序等级
empty.domination = [];      %支配个体集合
empty.dominated = 0;        %支配个体数目
empty.crowdingdistance = [];%个体聚集距离
pop = repmat(empty, npop, 1);
%% 1、初始化种群
for i = 1 : npop
    pop(i).position = create_x(var);   %产生输入变量（个体）
    pop(i).cost = costfunction(pop(i).position);%计算目标函数
end
%% 2、构造非支配集
[pop,F] = nondominatedsort(pop);
%% 计算聚集距离
pop = calcrowdingdistance(pop,F);
%% 主程序（选择、交叉、变异）