RBF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）

效果一览

基本介绍

1.RBF神经网络+NSGAII多目标优化算法（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。
2.先通过RBF神经网络封装因变量(y1 y2 y3）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，3个输出变量，NSGAII算法寻极值，求出极值时(max y1; min y2;min y3)的自变量x1,x2,x3,x4,x5。
4.main1.m为RBF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。

数据集

程序设计

• 完整程序和数据获取方式：私信博主回复RBF神经网络+NSGAII多目标优化算法（Matlab）。

%%  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 : npoppop(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）

参考资料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501