(MOPSO_CPOSVR)基于支持向量机SVR的多目标粒子群优化算法自变量寻优（反推最优组合）（含46测试函数+9评价指标+3多目标应用示例+MOPSO_BP+MOPSO_RF）完整Matlab

1. CPOSVR_MOCOA/HOSVR_MOCOA 基于支持向量机SVR回归预测的多目标浣熊算法寻找最佳自变量组合

BKA_SVR      2024  黑翅鸢算法优化SVR实现数据回归预测

HO_SVR       2024    河马算法优化SVR实现数据回归预测

GOOSE_SVR    2024      鹅算法优化SVR实现数据回归预测

NRBO_SVR     2024 牛顿-拉夫逊优化SVR实现数据回归预测

CPO_SVR      2024  豪冠猪算法优化SVR实现数据回归预测

2.CPOBP_MOCOA 基于BP神经网络的多目标浣熊算法的参数寻优（代号51）

3.PSORF_MOCOA 基于粒子群算法优化的随机森林的多目标浣熊算法参数寻优

4.（代号47,二目标优化）以“地铁隧道上方基坑工程优化设计”为例多目标浣熊优化具体实现。（代号48：三目标优化，高铁成本）

5.46个多目标测试函数

1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6

6-12：DZDT1-DZDT7

13-22：wfg1-wfg10

23-32：uf1-uf10

33-42：cf1-cf10

43-46:Kursawe、Poloni、Viennet2、Viennet3

6.9种评价指标：全网最全

任意多目标都可以用（目标个数可变）

含约束的多目标优化vs不含约束的多目标优化

带具体数学表达式（白箱）vs不带具体数学表达式的（灰箱）

连续版本的多目标参数寻优vs离散版本的多目标参数寻优

连续+离散组合版本的多目标参数寻优

白箱模型+灰箱模型组合版本的多目标参数寻优

后续：出和simulink相结合的多目标寻优算法

灰箱模型：神经网络系列：  BP神经网络   Elman神经网络       RBF神经网络     LSTM神经网络       

         支持向量机系列： SVM     SVR        llsvm

          随机森林系列：    PSO_RF

          注意力机制版本的其他神经网络等

采用两套数据集：（4输入2输出，4输入4输出）（体现代码可以任意输出也就是任意多目标）

4输入两输出的数据集截图：

4输入4输出的数据集截图：

4输入4输出的运行效果截图前沿解图（Partous）

命令行窗口的输出（4个最优输出对应的最优自变量组合）：

4个自变量分别是：最优转速、最优余隙容积、最优用户排气量、最优水流量

命令行窗口的输出（4个最优输出）：最大热水流量、最大效率、最小经济成本、最小时间成本

4输入2输出也即是双目标优化的运行效果截图：

注意：图中效率取负数是因为我们求得是最大效率

4自变量和2最优输出变量的结果截图：

4输入4输出的CPO_SVR的运行效果截图如下图：

误差情况如下图：

CPO_SVR的二输出的图像和误差不再展示效果类似。

24年最新的多目标优化算法MOCOA对46种测试函数的效果图如下（仅展示46种测试函数的其中6张，即6大类测试函数各一张）：

9评价指标如下：