之前做工艺参数寻优时，最头疼的不是算法不够多，而是“模型、优化、决策”三个环节经常是脱节的：先用某个神经网络做个预测模型，再用另一套工具跑多目标优化，最后拍脑袋从帕累托解集里选点，整个流程很难复现。这篇文章把 K 折交叉验证、SSABP 神经网络、NSGA2 多目标遗传算法、熵权法和 Topsis 法串成一条完整链路，从数据生成、模型评估、反向寻优到最佳方案筛选全部给出可运行代码，适合有 Python 基础、想落地“代理模型 + 多目标优化 + 多准则决策”的读者。
1. 背景与核心概念
1.1 为什么需要组合这些方法
在很多工程场景中，我们面对的不是单一目标优化，而是多个相互冲突的目标，比如“成本最低”和“可靠性最高”、“能耗最小”和“效率最大”。这些目标之间往往没有显式表达式，只能依赖历史数据、仿真软件或实验获得输入输出样本。
这时就出现两个问题：
- 输入 X 和输出 Y 之间是黑箱关系，无法直接写出目标函数。
- 多个目标之间互相制约，不存在唯一最优解，而是一个帕累托前沿（Pareto Front）。
针对第一个问题，可以用神经网络建立代理模型，用历史样本拟合 X 到 Y 的映射关系。针对第二个问题，可以用 NSGA2 这种多目标遗传算法在自变量可行域内搜索帕累托前沿。最后，还要从大量帕累托解里选出“最符合当前业务偏好”的一组解，这时候就用熵权法确定指标权重、用 Topsis 法给所有解排序。
本文把它们组合成完整的“正向建模 + 反向寻优 + 方案决策”流程。
1.2 什么是“反寻优”
常规使用神经网络时，我们做的事情是：给定一组自变量 X，预测因变量 Y。
反寻优的思路正好反过来：利用已经训练好的神经网络代理模型，把 Y 当成优化目标，在 X 的可行域内搜索一组最优自变量组合，使得经过模型映射后得到的目标 Y 尽可能接近工程期望。
因此本文里的 NSGA2 不是去优化神经网络的权重，而是去优化自变量 X。神经网络训练完成后就固定下来，只负责给 NSGA2 提供目标函数的快速估计。这种方式特别适合目标函数计算代价高、但又必须做多目标搜索的场景。
1.3 方法全景
整套流程可以拆成四个阶段：
| 阶段 | 方法 | 作用 |
|---|---|---|
| 建模 | SSABP 神经网络 | 用麻雀搜索算法优化 BP 网络，逼近 X → Y 映射 |
| 模型评估 | K 折交叉验证 | 评估代理模型泛化能力，防止过拟合 |
| 多目标寻优 | NSGA2 | 在自变量空间搜索帕累托前沿 |
| 方案决策 | 熵权法 + Topsis | 客观定权，从帕累托解集中选出最佳妥协解 |
下面逐个拆解这些方法的原理。
2. 方法原理拆解
2.1 SSABP：麻雀搜索算法优化 BP 神经网络
BP（反向传播）神经网络是最常用的前馈神经网络之一，通过梯度下降不断调整权重。它的问题也很明显：初始权重随机设置，容易陷入局部最优；学习率、隐藏层节点数等参数敏感。
SSA（Sparrow Search Algorithm，麻雀搜索算法）是一种群体智能优化算法，模拟麻雀觅食和反捕食行为。麻雀群体内部有发现者、加入者和警戒者三类角色：
- 发现者：负责寻找食物，适应度较高，搜索范围广。
- 加入者：跟随发现者觅食，同时有机会竞争更好的位置。
- 警戒者：位于群体边缘的麻雀感知危险后会向安全区域移动。
SSABP 的核心思想就是：用麻雀搜索算法搜索 BP 神经网络的初始权重和阈值，让网络从一个较优的起点开始训练，降低对随机初始化的依赖。
在本文的简化实现中，我们用 SSA 直接搜索网络权重，适应度函数是训练集 MSE。这样既能演示麻雀算法与神经网络结合的思想，又避免陷入复杂的反向传播实现细节。
2.2 K 折交叉验证
K 折交叉验证把样本分成 K 份，每次取其中 K-1 份训练、1 份验证，轮换 K 次，最后平均验证误差。
在本文流程里，K 折交叉验证的作用有两点：
- 评估 SSABP 代理模型的泛化能力，避免模型过拟合到训练集上。
- 在隐藏层节点数等超参数选择时，用交叉验证平均误差作为选择依据。
实际业务中，如果数据量不大，K 折交叉验证比单次划分训练集/测试集更可靠。
2.3 NSGA2 与帕累托前沿
NSGA2（Non-dominated Sorting Genetic Algorithm II）是最经典的多目标遗传算法之一。它通过非支配排序把种群分成多个层级，同一层级内用拥挤度距离保持解的多样性，配合精英保留策略不断进化。
帕累托前沿的含义是：一组解中，任何一个目标函数的改进都会导致至少一个其他目标函数的恶化。NSGA2 的最终输出就是逼近真实帕累托前沿的解集。
在本文流程中，NSGA2 的决策变量是原始自变量 X，目标函数是 SSABP 模型输出的多个因变量 Y。因为 SSABP 模型是连续可微的，可以快速评估大量候选解，所以多目标遗传算法在这里效率很高。
2.4 熵权法
熵权法是一种客观赋权方法。它的基本思想是：某个指标在所有方案中的变异程度越大，说明它携带的信息量越大，权重就应该越高。
计算步骤大致是：
- 对原始指标矩阵做归一化。
- 计算每个指标的信息熵。
- 用 1 减去信息熵得到差异系数。
- 差异系数归一化后就是权重。
熵权法避免了人为打分的主观性，适合在缺少先验偏好时先给出一组权重。
2.5 Topsis 法
Topsis（逼近理想解排序法）通过比较每个方案与“正理想解”和“负理想解”的距离来排序。
- 正理想解：各指标都达到最优值的虚拟方案。
- 负理想解：各指标都达到最差值的虚拟方案。
某个方案的贴近度 C 越大，说明它距离正理想解越近、距离负理想解越远，排名越靠前。
熵权法和 Topsis 经常组合使用，称为 E-Topsis，即“熵权法确定权重 + Topsis 排序”，正好可以完成从帕累托前沿中挑选最优解的任务。
3. 环境准备与实验数据说明
3.1 环境与依赖
本文代码基于 Python 3，依赖的库如下：
numpy matplotlib pandas scikit-learn pymoo其中 pymoo 用于 NSGA2 多目标优化。不同版本 API 略有差异，本文以 pymoo 0.6.x 为例。安装命令：
pip install numpy matplotlib pandas scikit-learn pymoo版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。
3.2 项目结构
示例代码可以组织为单一脚本，也可以拆成多个模块。为了阅读方便，我按模块拆解如下：
ssabp_nsga2_topsis_demo/ ├── main.py # 主程序，串联整个流程 ├── ssa_bp.py # SSABP 模型实现 ├── evaluate.py # K 折交叉验证 ├── optimize.py # NSGA2 多目标寻优 └── decision.py # 熵权法 + Topsis如果希望快速验证，也可以把所有代码合并到一个.py文件中。下面按模块逐步讲解。
3.3 模拟数据说明
为了演示完整流程，本文使用一个双变量、双目标的模拟数据生成函数，目标都希望最小化。
# 文件路径：data_generator.py import numpy as np def generate_synthetic_data(n=200, seed=42): rng = np.random.default_rng(seed) # 自变量：2 个连续变量 X = rng.uniform(-3, 3, size=(n, 2)) # 因变量：2 个目标 y1 = X[:, 0] ** 2 + X[:, 1] ** 2 + 0.2 * rng.standard_normal(n) y2 = (X[:, 0] - 1) ** 2 + (X[:, 1] + 1) ** 2 + 0.2 * rng.standard_normal(n) y = np.column_stack([y1, y2]) return X, y这个数据生成函数里，y1 最优区域在原点附近，y2 最优区域在 (1, -1) 附近，两个目标的最优点并不重合，因此帕累托前沿会比较明显。
4. 完整代码实战
4.1 实现 SimpleBP 与麻雀搜索算法
这里先定义一个简单的单隐藏层 BP 网络，然后实现麻雀搜索算法去搜索网络的权重。
# 文件路径：ssa_bp.py import numpy as np class SimpleBP: def __init__(self, n_input, n_hidden, n_output): self.n_input = n_input self.n_hidden = n_hidden self.n_output = n_output # 初始化权重 self.w1 = np.random.randn(n_input, n_hidden) * np.sqrt(2.0 / n_input) self.b1 = np.zeros(n_hidden) self.w2 = np.random.randn(n_hidden, n_output) * np.sqrt(2.0 / n_hidden) self.b2 = np.zeros(n_output) def forward(self, X): z1 = X @ self.w1 + self.b1 a1 = np.tanh(z1) z2 = a1 @ self.w2 + self.b2 # 回归问题输出层不激活 return z2 def predict(self, X): return self.forward(X) def pack_params(model): """将网络权重展平为一维向量""" return np.concatenate([ model.w1.ravel(), model.b1, model.w2.ravel(), model.b2 ]) def unpack_params(model, params): """将一维向量还原为网络权重""" p = params.copy() n = model.n_input * model.n_hidden model.w1 = p[:n].reshape(model.n_input, model.n_hidden) p = p[n:] model.b1 = p[:model.n_hidden] p = p[model.n_hidden:] n = model.n_hidden * model.n_output model.w2 = p[:n].reshape(model.n_hidden, model.n_output) p = p[n:] model.b2 = p[:model.n_output] class SSA: """麻雀搜索算法，用于优化 BP 网络权重""" def __init__(self, model, X, y, pop_size=20, max_iter=40, pd_ratio=0.2, sd_ratio=0.15, lb=-1.0, ub=1.0, seed=42): self.model = model self.X = X self.y = y self.pop_size = pop_size self.max_iter = max_iter self.pd_ratio = pd_ratio self.sd_ratio = sd_ratio self.lb = lb self.ub = ub self.seed = seed self.dim = len(pack_params(model)) self.rng = np.random.default_rng(seed) def fitness(self, params): unpack_params(self.model, params) pred = self.model.predict(self.X) return np.mean((pred - self.y) ** 2) def run(self): dim = self.dim pop = self.rng.uniform(self.lb, self.ub, (self.pop_size, dim)) fit = np.array([self.fitness(p) for p in pop]) best_idx = np.argmin(fit) gbest_pos = pop[best_idx].copy() gbest_fit = fit[best_idx] pd_num = max(1, int(self.pop_size * self.pd_ratio)) sd_num = max(1, int(self.pop_size * self.sd_ratio)) for t in range(self.max_iter): # 按适应度排序 idx = np.argsort(fit) pop = pop[idx] fit = fit[idx] best_pos = pop[0].copy() avg_fit = fit.mean() # 发现者更新 for i in range(pd_num): if self.rng.random() < 0.8: factor = np.exp(-i / (pd_num * self.max_iter)) pop[i] = pop[i] * factor else: pop[i] = pop[i] + self.rng.uniform(-0.1, 0.1, dim) # 加入者更新 for i in range(pd_num, self.pop_size): if i > self.pop_size / 2: pop[i] = self.rng.uniform(self.lb, self.ub, dim) else: A = self.rng.integers(0, 2, (1, dim)) * 2 - 1 A_plus = np.linalg.pinv(A) push = np.abs(pop[i] - best_pos) @ A_plus pop[i] = pop[i] + push.flatten() # 警戒者更新 sd_idx = self.rng.choice(self.pop_size, sd_num, replace=False) for i in sd_idx: if fit[i] > avg_fit: pop[i] = best_pos + self.rng.uniform(-1, 1, dim) * np.abs(pop[i] - best_pos) else: pop[i] = pop[i] + self.rng.uniform(-1, 1, dim) * (np.abs(pop[i] - best_pos) + 1e-8) # 边界处理 pop = np.clip(pop, self.lb, self.ub) # 重新计算适应度 for i in range(self.pop_size): f = self.fitness(pop[i]) fit[i] = f if f < gbest_fit: gbest_fit = f gbest_pos = pop[i].copy() return gbest_pos, gbest_fit说明：这个实现是麻雀搜索算法的一个简化版本，重点演示“群体智能搜索网络权重”的核心思路。正式项目中可以按照标准 SSA 论文调整警戒者位置更新公式。
4.2 K 折交叉验证评估
接下来实现 K 折交叉验证。数据先做标准化，再训练 SSABP，最后在验证集上反标准化得到真实量纲的预测值。
# 文件路径：evaluate.py import numpy as np from sklearn.model_selection import KFold from sklearn.preprocessing import StandardScaler, MinMaxScaler from ssa_bp import SimpleBP, SSA, unpack_params def evaluate_kfold(X, y, hidden=6, k=5, pop_size=20, max_iter=30, seed=42): kf = KFold(n_splits=k, shuffle=True, random_state=seed) mse_scores = [] r2_scores = [] for train_idx, val_idx in kf.split(X): X_tr, X_va = X[train_idx], X[val_idx] y_tr, y_va = y[train_idx], y[val_idx] # 标准化 scaler_x = StandardScaler() scaler_y = MinMaxScaler() X_tr_s = scaler_x.fit_transform(X_tr) y_tr_s = scaler_y.fit_transform(y_tr) X_va_s = scaler_x.transform(X_va) # 训练 SSABP model = SimpleBP(X.shape[1], hidden, y.shape[1]) ssa = SSA(model, X_tr_s, y_tr_s, pop_size=pop_size, max_iter=max_iter, seed=seed) best_params, _ = ssa.run() unpack_params(model, best_params) # 验证集预测
