Современные многоцелевые эволюционные алгоритмы не могут решить проблему неаналитических целевых функций. Со смешанной стратегией, основанной на эволюционном алгоритме и нейронной сети, был предложен новый метод решения этой проблемы. Во-первых, путем обучения на исторических данных с помощью нейронной сети BP целевая функция может быть заменена выполнимой моделью нейронной сети. Затем эволюционные вычисления могут сопровождаться внедрением данной модели нейронной сети в многоцелевой алгоритм. Данный метод был применен к задаче системы управления технологическим процессом нефтеперерабатывающего комплекса. Результаты эксперимента показывают, что предложенный подход может решить реальную многоцелевую задачу оптимизации.

Current multi-objective evolutionary algorithms cannot solve the problem of non-analytic objective functions. With mixed strategy based on evolutionary algorithm and neural network, a novel method to deal with this kind of problem was proposed. Firstly, by training on historical data with BP neural network, the objective function could be replaced by feasible neural network model. Then evolutionary computation could be followed by embedding the given neural network model in multi-objective algorithm. The given method was applied to the problem of oil refinery complex process control system. The experimental result show that the proposed approach can solve real multi-objective optimization problem.