现有的基于EC的NAS优化算法速度慢、计算代价高，而且主要是在标准数据集上进行搜索，实际应用范围受限。为此，本文提出了一种基于NSGANetV2的优化算法，旨在使用NAS在自定义非标准数据集上获得具有高性能的模型，同时优化多个竞争目标，无需承担现有方法的巨大计算负担。该算法创新之处在于在架构层面和权值层面创建了两个代理模型，以提高采样效率和梯度下降训练效率。该算法在多个非标准数据集上证明了其有效性和通用性，并且相等或超过了现有方法的表现。