保姆级教程！NRBO-BP回归+NSGAII多目标优化一键实现工艺参数优化！自动保存最优特征组合！

最新推荐文章于 2025-07-18 14:53:41 发布

原创最新推荐文章于 2025-07-18 14:53:41 发布 · 940 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#回归 #数据挖掘 #人工智能 #机器学习 #工艺参数优化 #matlab #算法

尚未发表的创新点同时被 3 个专栏收录

61 篇文章

订阅专栏

改进优化算法与应用

51 篇文章

订阅专栏

回归预测

20 篇文章

订阅专栏

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

之前给小伙伴们推出过一起多输入多输出的全家桶，里面有十余种回归模型供大家选择：

多输入多输出预测全家桶来啦！解决你的模型选择困难症！论文随便水！

不过，最近有小伙伴一直问有没有输出最优特征组合的模型，即工艺参数优化问题。这类问题相比于传统的回归算法，在输出预测值之后还需要输出最优的特征组合。

举个例子，在化工反应工艺优化中，我们需要提高产品纯度和产量，同时降低能耗。这就要求我们首先利用机器学习算法根据反应温度、压力、催化剂用量三个工艺参数特征来预测反应转化率、产品纯度等指标，也就是找到输入与输出之间的关系。因为我们的实验经费是有限的，不可能找到所有的特征组合一组一组去亲自做实验，所以我们需要基于多目标优化算法（比如NSGA-II）找到最优的三个工艺参数特征组合，从而使目标最大或最小化。

据我所知，这类问题有着特定的问题背景和实验设置，很容易发到SCI一区期刊上。因此，今天给大家带来一期基于NRBO-BP多输出多输出回归算法+NSGAII多目标优化的工艺参数优化的模型，本期模型也属于尚未发表的创新点，知网和WOS都还没有人用过。并且，可以自动保存最优特征组合的Excel，使用起来非常简单，非常适合新手小白。

您只需做的工作：替换Excel数据，设置好相关参数，一键运行main文件即可！

（Ps：4个目标也可以哦~）

工艺参数优化案例

本期给大家带来的数据是一个工艺参数优化的数据，数据已经进行了脱敏处理，因此用x1-x5代表特征，y1-y4代表输出，也就是5个特征4个输出的问题，这样也方便大家替换成自己的数据。

一般来说，由于需要用到多目标优化算法进行求解，因此各个输出之间最好相互独立，比如刚刚提到的例子，化工反应工艺中，我们不可能在提高产品纯度和产量的同时又能够降低能耗，这是有悖于现实的，因此我们才需要利用多目标优化算法找到一个平衡点，这也是我们找到最优特征组合的目的。

小伙伴们在更换自己的数据时，只需将几个输出变量只需放在最后几列即可，然后更改outdim变量，前面的特征数量放多少都可以。

比如，你有10个特征4个输出变量，只需把这4个变量放在最后4列，前面10列放特征即可，然后在代码里找到outdim变量更改为4即可，其余代码无需更改，非常方便适合新手小白！

%%  导入数据
res = xlsread('数据集.xlsx');

%%  划分训练集和测试集
num_size = 0.7;                              % 训练集占数据集比例
outdim = 4;                                  % 最后4列为输出
num_samples = size(res, 1);                  % 样本个数
res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

优化参数设置

替换完自己的数据之后，因为模型不知道你的输出目标是最大还是最小，比如刚刚的例子，你需要告诉模型你的产品纯度和产量是越大越好，而能耗是越小越好，所以需要简单设置一下。

在我们的代码里，只需找到objDir变量，设置1或-1即可，1代表最小化，‑1代表最大化，分别对应刚刚案例Excel的4个输出y1-y4。如果你有两个目标，一个目标最大一个目标最小，那你改成[-1;1]即可。

%%  NSGA2多目标算法求解设置
objDir = [-1;1;1;1];                         % 目标函数方向，1为最小化，‑1为最大化，可自行设置
varmin = min(res(:, 1:f_));                  % 每列最小值，对应约束变量下界，可自行设置
varmax = max(res(:, 1:f_));                  % 每列最大值，对应约束变量上界，可自行设置
step = [1, 0.1, 0.5, 0.05, 1];               % 约束变量取值步长
npop = 50;                                   % 种群数量（对应输出的特征组合数量）
maxit = 100;                                 % 迭代次数
pc = 0.85;                                   % 交叉概率
nc = round(pc * npop / 2) * 2;               % 交叉的种群数
mu = 0.2;                                    % 变异概率
nvar = f_;                                   % 输入变量个数
numfobj = outdim;                            % 目标函数个数

另外，step变量代表特征的取值步长，这里5个值分别对应刚刚案例Excel的5个特征x1-x4，比如你某个特征需要是整数，那你设置为1即可，模型会根据你的步长来生成特征组合。

其余参数是关于NSGA-II的，大家可以根据需要自行调整，也可以用我自己设置的默认参数~

模型原理

首先，牛顿-拉夫逊优化算法NRBO是2024年2月发表在中科院2区Top SCI期刊《Engineering Applications of Artificial Intelligence》上的一个优化算法，效果非常不错，在这里，我们用NRBO算法优化BP神经网络的初始权重和偏置，从而进一步提高预测精度。随后，用多目标算法中性能较好、非常受专家认可的NSGA-II算法进行求解，得到帕累托最优特征组合，具体的模型流程如下所示：

1）数据导入与预处理。导入工艺参数与输出指标数据，划分训练集与测试集。随后对数据进行归一化处理，以便于模型的训练，同时设置算法参数。

2）NRBO算法优化神经网络参数。采用NRBO算法对神经网络的初始权重和偏置进行优化，提高模型的预测精度。优化目标是网络的权重和偏置。

3）BP神经网络训练与预测。利用NRBO算法优化获得的最佳初始权重和偏置初始化网络，进行网络训练，获得训练好的BP网络模型。随后利用训练好的模型分别对训练集和测试集数据进行预测，并对预测结果进行反归一化。

4）模型评估与可视化。计算模型预测的各项精度指标，包括RMSE、MAE、MSE、MAPE和决定系数R²，绘制拟合曲线、误差曲线、误差直方图和线性回归图，直观评估模型的预测性能。

5）多目标优化算法(NSGA-II)求解与最优工艺参数组合确定。通过NSGA-II多目标优化算法，迭代生成多个参数组合解，并计算相应的多目标函数值，获得非支配解集（Pareto前沿），并将最优参数组合导出到Excel文件中。