效果一览
基本介绍
1.GRNN神经网络+NSGAII多目标优化算法，工艺参数优化、工程筹划优化（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。
2.先通过GRNN封装因变量(y1 y2 y3 y4）与自变量(x1 x2 x3 x4 x5）署理模型，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个输入特性，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GRNN神经网络主步伐文件、main2.m为NSGAII多目标优化算法主步伐文件，依次运行即可，别的为函数文件，无需运行。
5.下令窗口输出R2、MAE、MBE、MAPE、RMSE等评价指标，输出预测对比图、偏差分析图、多目标优化算法求解Pareto解集图，可在下载区获取数据和步伐内容。
6.适合工艺参数优化、工程筹划优化等最优特性组合领域。
数据集
步伐筹划
- 完整步伐和数据获取方式：私信博主回复GRNN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 : 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）
工艺参数优化、工程筹划优化陪您跨年！RBF神经网络+NSGAII多目标优化算法（Matlab）
工艺参数优化、工程筹划优化来袭！BP神经网络+NSGAII多目标优化算法（Matlab）
北大核心工艺参数优化！SAO-BP雪融算法优化BP神经网络+NSGAII多目标优化算法（Matlab）
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
