时间序列广泛存在科学研究及社会生活中,对其进行有效、准确的预测具有重要的研究意义。近年来回声状态网络因其训练算法简单,储备池动力学性能强的特点,受到了许多学者的青睐,逐渐成为时间序列预测建模的首选。针对回声状态网络储备池存在适应性问题,且储备池包含节点较多、参数难以调节等问题,本文利用差分进化算法来为储备池选择适合当前时间序列的参数设置。为进一步提高算法的性能,对差分进化算法进行两方面改进,一方面是构造变异策略池,为种群中每个个体有概率的选择适合的变异策略,增加新个体进入后代的机率。另一方面是将差分进化算法的缩放因子和交叉概率这两个控制参数根据个体的适应度进行自适应变化,使种群迭代朝好的方向发展。为验证所提模型的有效性,采用不同的时间序列进行仿真实验。从实验结果可知,所提模型具有较高的预测精度、很好的适应性及收敛性。针对单目标差分进化算法不能保证预测的稳定性问题,因此本文进一步采用多目标差分进化算法来优化储备池参数来解决网络适应性问题,通过选择两个目标函数分别确保预测的准备性和稳定性。在多目标差分进化算法里为平衡解的收敛性和多样性,以此获得良好的Pareto前沿近似,获得一个全局最优解。本文采用θ-支配对种群进行分解,在每个子种群中划分两个子集分别代表着解的收敛性和多样性,保证种群迭代过程不断接近真实的前沿面。同时将缩放因子和交叉概率根据个体的d1和d2进行自适应变化,为每个个体找到合适的缩放因子和交叉概率来产生新个体。通过仿真实验结果可以看出所提模型预测精度较高且具有较好的稳定性。