1.焦化炉压力的多目标遗传算法与RBF神经网络优化建模方法，其特征在于该方法的具体步骤是：步骤1、采集过程的实时运行数据，建立过程对象RBF模型，具体步骤如下：

1.1由包含输入层、输出层和隐含层的RBF神经网络结构，得到网络的映射关系即系统的输入输出模型，形式如下：其中，x＝(x1,x2,… ,xn)表示n输入结点向量，y表示网络的输出变量，ci∈Rn表示第i个隐含层神经元的中心向量，Rn是欧氏空间， 是一个高斯函数，||x-ci||表示x到ci的径向距离，σi是高斯函数的基宽，1≤i≤nr，nr是隐含层的结点数，ωi表示第i个隐含层和输出层之间的连接权；

步骤2、利用MOEA遗传算法优化RBF神经网络模型的参数，具体步骤是：

2.1首先对神经网络模型参数进行编码，得到如下形式的第l代染色体：其中，l＝1,2,...,N，N是种群规模大小，m,n和nr是正整数，1≤m≤5,1≤n≤5,1≤nr≤

60，Cl中的元素满足如下条件：

σi＝rwmax 1≤i≤nr

其中，r是一个在-0.5～1.5之间的随机数，umin,umax是系统输入的最小值和最大值，ymin,ymax是系统输出的最小值和最大值，wmax是高斯基函数的最大宽度；

2.2将采集的过程对象的数据样本分为三部分，前面1/3数据样本为训练数据样本Y1，用于计算输出层权重，中间1/3数据为第二组数据样本Y2，用于对每一代的神经网络评价，后面1/3数据为优化数据Y3，用于求取Pareto最优解，选取RBF神经网络的目标函数，形式如下：其中，Min表示求最小值，f1表示Y1和Y2均方差，f2反映了输入层和隐含层结构的复杂性，分别表示两组数据样本Y1和Y2的RBF神经网络模型预测输出，N1,N2为选取的数据样本的大小；

2.3由于染色体中的基因会发生变异，pc为当前个体Cl和下一个个体Cl+1之间交叉概率，以交叉概率pc将被选择的染色体进行交叉操作产生下一代子染色体Cl'和Cl'+1；变异算子执行时，随机产生给定范围内的m,n和nr值，变异个体根据步骤2.1元素个体满足条件进行变异得到新的个体；

2.4为了提高MOEA的局部搜索能力，局部算子设计为如下形式：C＝αCl+(1-α)Cl'

C＝Cl+△Cl

其中，Cl是选自前λf1个体，Cl'是选自前λf2个体，λ表示自然数，α∈(0,1)为随机数，当Cl＝Cl'，则△Cl中的△cij＝αcij,α∈(-1,1)，局部搜索概率动态改变成如下形式：其中，G表示最大的进化代数，g表示进化的代数；

2.5在个体数目大于种群规模N时，得到剪接算子，形式如下

其中，Afi表式第i个隐含神经元活跃度，φi(x)表示第i个隐含神经元的输出值，ρ>1；

2.6设定优良基因库的最大值为N，将优良的基因保存到基因库中，当优良基因库大于N时，快速非支配排序方法首先执行，然后将快速非支配方法得到的非支配基因从优良基因库中移除，使所有基因满足Pareto最优解以维持优良基因的多样性和均匀性；

2.7依照步骤2.2到步骤2.6中的步骤进行循环重复优化搜索，达到允许的最大进化代数式结束优化搜索计算，得到改进后的MOEA遗传算法优化后的染色体，经解码后得到优化后的RBF神经网络模型的参数。