small_ccb的博客

基于遗传算法优化BP神经网络多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经GA-BP封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极值，并得到在极值时(y1max，y2min，y3min，y4min)对应的自变量的解集。3、代码分别为两个主程序，先运行。

基于牛顿拉夫逊算法优化卷积神经网络多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：NRBO算法优化CNN的批次数、初始学习率和正则化系数。1、先经NRBO-CNN封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。

目录1、代码简介2、代码运行结果展示3、代码获取基于Transformer结合长短期记忆神经网络Transformer-LSTM+NSGAII多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经Transformer-LSTM封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极

基于Transformer+NSGAII多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经Transformer封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极值，并得到在极值时(y1max，y2min，y3min，y4min)对应的自变量的解集。

基于卷积神经网络CNN+NSGAII多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经CNN封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极值，并得到在极值时(y1max，y2min，y3min，y4min)对应的自变量的解集。3、代码分别为两个主程序，先运行。

基于最小二乘向量机LSSVM+NSGAII多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经LSSVM封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极值，并得到在极值时(y1max，y2min，y3min，y4min)对应的自变量的解集。

基于径向基神经网络RBF+NSGAII多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经RBF封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极值，并得到在极值时(y1max，y2min，y3min，y4min)对应的自变量的解集。3、代码分别为两个主程序，先运行。

基于BP神经网络(BP)的NSGAII多目标优化算法，可适用于工艺参数优化、设计等方向。代码简介：1、先经BP封装因变量(y1，y2，y3，y4)与自变量(x1，x2，x3，x4，x5)的代理模型，再通过NSGAII寻找y的极值(y1极大;y2、y3、y4极小)，并生成对应的x1，x2，x3，x4，x5Pareto解集。2、数据集有5个输入特征，4个输出，通过NSGAII寻求极值，并得到在极值时(y1max，y2min，y3min，y4min)对应的自变量的解集。3、代码分别为两个主程序，先运行。