基于Keras多输出ANN的最优输入组合求解方法咨询

遗传算法完全适配你当前的场景：你当前的需求属于典型的多目标黑盒优化问题，10维输入变量（X1~X10），3项优化目标（Y1/Y2/Y3），且已拥有训练完成、精度达标的ANN预测模型，遗传算法的特性和该需求高度匹配：

• 无需依赖ANN的梯度信息，不需要修改你已完成的模型结构，直接调用模型预测结果即可完成适应度评价
• 对多目标优化场景支持度高，既可以通过自定义权重将3个目标转换为单目标优化，也可以直接输出帕累托最优解集供你按需选择
• 10维的输入维度较低，遗传算法的迭代收敛速度完全可以满足常规使用需求

1. 明确基础规则边界 #

首先确认两个核心前提：

• 输入变量的合理取值范围：提前确定X1~X10每个参数的上下限（比如工艺允许范围、历史数据的取值区间），避免遗传算法生成无实际业务意义的输入值
• 输出的优化规则：明确每个Y的优化方向，比如是要最大化、最小化，还是要逼近某一固定目标值，用于后续构建适应度函数

2. 核心逻辑实现 #

你可以直接使用Python的deap库完成遗传算法开发，核心逻辑如下：

• 个体编码：每个候选解（遗传算法中的「个体」）直接编码为长度为10的浮点数数组，对应X1~X10的取值，每个值的生成范围参考你提前确定的变量上下限
• 适应度函数：将个体的10个取值输入已训练完成的Keras模型，得到3个Y的预测值，根据你预设的优化规则计算适应度得分，得分越高代表候选解越优。单目标加权场景的示例代码如下：

import numpy as np

def fitness_calc(individual):
    # individual为长度10的数组，对应X1~X10
    input_x = np.array(individual).reshape(1, -1)
    y1_pred, y2_pred, y3_pred = model.predict(input_x, verbose=0)
    # 以下为示例规则：Y1最大化、Y2最小化、Y3最小化，权重分别为0.5、0.3、0.2
    fitness_score = 0.5 * y1_pred[0][0] - 0.3 * y2_pred[0][0] - 0.2 * y3_pred[0][0]
    return (fitness_score,)

3. 迭代参数设置 #

常规参数配置即可满足需求：

• 种群规模：设置为50~100
• 迭代代数：设置为50~200
• 遗传算子：选择算子用锦标赛选择，交叉算子用均匀交叉，变异算子按小概率对单个维度做范围浮动即可

4. 结果验证 #

迭代完成后取适应度最高的个体对应的X取值，重新输入ANN验证输出是否符合预期，有线下测试条件的可以进一步做实验验证有效性。

如果3个优化目标之间没有明确的权重优先级，可以直接使用多目标遗传算法（如NSGA-II），迭代后会输出一组帕累托最优解，你可以根据实际业务需求从中挑选最合适的输入组合。

内容的提问来源于stack exchange，提问作者Alex