粒子群优化:处理候选解适应度中的不确定性/不精确性

Question

我希望使用粒子群优化(PSO)优化复杂的参数化模型对噪声数据的拟合。数据是时间序列的化学浓度值。

在我的优化目标函数中，我使用浓度时间序列轮廓和模型预测之间的Bray Curtis距离1来测量适合度(模型预测是使用与优化问题的候选解决方案相对应的参数产生的)。

目前，我没有考虑到我的注意力数据的不精确性。实际上，浓度已四舍五入为整数值。我怀疑，如果PSO例程和/或目标函数“知道”输入数据的不精确性，我可以用PSO获得更好的模型拟合。

我能够找到预测时间序列和数据时间序列的最小和最大Bray Curtis距离，但不确定如何在PSO代码中最好地利用这些值。

在进化优化的背景下评估候选解决方案的适合性时，有没有人有任何关于如何处理数据不精确的建议？

第二个问题是时间序列数据同时受到仪器和计时误差的影响。我很高兴地假设这两种类型的误差都是正态分布的，并且具有不变的标准差，但在量化PSO优化的适合度时，我不再确定如何最好地处理这种不确定性。

1

Answer 1

与大多数算法相比，PSO对噪声数据的适应能力更强。您是否观察到PSO如何运行的实际问题？确保使用相当稀疏的拓扑。如果真的是这样，你可以让每个粒子使用它的个人和邻域最好的值，而不是它所见过的最佳值，而是最近500次迭代中的最佳值。这是一个小技巧，但可能值得一试。最后，如果算法运行正常，您可能根本不必担心。

Answer 2

这些论文似乎是相关的：

http://ieeexplore.ieee.org/xpl/articleDetails.jsp?reload=true&arnumber=1290245&contentType=Conference+Publications。

http://dl.acm.org/citation.cfm?id=2097923