1、優(yōu)化自古以來就是倍受人們關(guān)注的問題，尤其是在科技高速發(fā)展的今天。在工程技術(shù)應用過程中，人們經(jīng)常要研究多于一個的數(shù)值目標函數(shù)在給定約束條件下的最優(yōu)化問題，即為多目標優(yōu)化問題。由于多個目標之間是相互約束，相互排斥的，使得各目標不能同時達到各自的最優(yōu)值。遺傳算法是根據(jù)生物進化理論而得出的優(yōu)化方法，由于多目標尋優(yōu)問題的復雜性，越來越多的研究學者將具有全局性概率優(yōu)化搜索能力的遺傳算法運用到這一領(lǐng)域中，已取得了一定的成果。 帶精英策略的非支

2、配排序遺傳算法(NSGA—II)可以得到分布均勻的非劣最優(yōu)解，在多目標優(yōu)化領(lǐng)域表現(xiàn)出很強的優(yōu)勢。本文對算法的基本原理進行了研究，將NSGA—II算法應用于以下兩個方面： (1)針對BP網(wǎng)絡(luò)訓練時，會遇到陷入局部極小點、收斂速度慢等問題，提出將BP訓練看成多目標尋優(yōu)過程，以網(wǎng)絡(luò)輸出節(jié)點的誤差最小作為并行搜索的多個目標，運用NSGA—II算法對BP網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化，再進行BP神經(jīng)網(wǎng)絡(luò)的訓練。通過一個單輸入雙輸出非線性系統(tǒng)

3、的逼近問題，驗證了NSGA—II算法與BP網(wǎng)絡(luò)結(jié)合的可行性，仿真結(jié)果顯示NSGA—II&BP算法的訓練過程，能克服單獨BP網(wǎng)絡(luò)訓練時的缺陷，且所需訓練次數(shù)大大減少。 (2)將多目標尋優(yōu)算法NSGA—II運用到支持向量機(SVM)的參數(shù)選取中，利用SVM的三個參數(shù)(寬度系數(shù)σ，不敏感系數(shù)ε，懲罰系數(shù)C)作為決策變量，以SVM在實際應用中的尋優(yōu)對象為目標，使用NSGA—II算法進行尋優(yōu)迭代，通過有目標約束的參數(shù)優(yōu)化過程，得到SVM的