接代码定制，算法改进等
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
PSO_RF粒子群算法优化随机森林采用的数据集如下：
PSO_RF的误差准确率如下：
PSO_RF的运行效果截图：
MOCOA_PSORF的运行效果截图：
MOCOA对46个测试函数+9评价指标（仅以其中一个测试函数为例展示）
9个评价指标运行示意图如下：
白箱模型：含有具体的数学表达式的数学模型：
单独灰箱模型：以CPOBP或者HOBP神经网络为例：以PSOR为例
单独白箱模型：以论文复现（daihao47,二目标优化）以“地铁隧道上方基坑工程优化设计”为例多目标鲸鱼优化具体实现。（代号48：三目标优化，高铁成本）
多目标浣熊优化算法
视频内容：
1.测试函数：
一共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
2.（代号47,二目标优化）以“地铁隧道上方基坑工程优化设计”为例多目标海普优化具体实现。（代号48：三目标优化，高铁成本）
3.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）
4.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
5.9种评价指标：全网最全
解集的收敛性评价(Convergence Performance, CP), 解集P中的每个点到参考集P *中的最小距离的平均值。（类似GD）， 反映解集与真实Pareto前沿之间的逼近程度；
解集的广泛性评价(Spread Performance, SP), 反映整个解集在目标空间中分布的广泛程度；
GD:解集P中的每个点到参考集P *中的平均最小距离表示。GD值越小，表示收敛性越好；
Spacing:度量每个解到其他解的最小距离的标准差。Spacing值越小，说明解集越均匀。
超体积指标（HV，Hypervolume）：算法获得的非支配解集与参照点围成的目标空间中区域的体积。HV值越大，说明算法的综合性能越好。
反转世代距离（IGD，Inverted Generational Distance）：每个参考点到最近的解的距离的平均值。IGD值越小，说明算法综合性能越好。
KD：衡量是否每个解集都至少包含一个与拐点相近的解或该解集是否包括全部拐点。KD值越小，说明检测拐点的能力越完整；
标签：神经网络,寻优,解集,目标,算法,优化,MOCOA From： https://blog.csdn.net/qq_43024991/article/details/144008096