基于遗传算法改进的GRNN多输入多输出回归预测，基于多目标遗传算法+GRNN的帕累托前沿求解，基于遗传工具箱调用GRNN模型的多目标求解

目录

背影
遗传算法的原理及步骤
基本定义
编码方式
适应度函数
运算过程
代码
结果分析
展望
完整代码下载链接：grnn多输入多输出训练测试，遗传算法改进grnn神经网络，NSGA-2多目标遗传算法，多目标遗传算法和grnn结合优化资源-CSDN文库 https://download.csdn.net/download/abc991835105/88525122

背影

先用遗传算法优化GRNN,然后用多目标遗传算法调用优化的GRNN模型，进行多目标寻优，求解帕累托前沿，遗传算法拥有更好的全局寻优能力，

遗传算法

基本定义

传算法的起源可追溯到20世纪60年代初期。1967年,美国密歇根大学J. Holland教授的学生 Bagley在他的博士论文中首次提出了遗传算法这一术语,并讨论了遗传算法在博弈中的应用,但早期研究缺乏带有指导性的理论和计算工具的开拓。1975年, J. Holland等提出了对遗传算法理论研究极为重要的模式理论,出版了专著《自然系统和人工系统的适配》,在书中系统阐述了遗传算法的基本理论和方法,推动了遗传算法的发展。20世纪80年代后,遗传算法进入兴盛发展时期，被广泛应用于自动控制、生产计划、图像处理、机器人等研究领域。

编码

由于遗传算法不能直接处理问题空间的参数,因此必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。这一转换操作就叫做编码，也可以称作（问题的）表示（representation）。
评估编码策略常采用以下3个规范：
a)完备性(completeness):问题空间中的所有点(