CN108470214B - 一种基于区间优化算法的有界误差参数估计方法 - Google Patents
一种基于区间优化算法的有界误差参数估计方法 Download PDFInfo
- Publication number
- CN108470214B CN108470214B CN201810250268.9A CN201810250268A CN108470214B CN 108470214 B CN108470214 B CN 108470214B CN 201810250268 A CN201810250268 A CN 201810250268A CN 108470214 B CN108470214 B CN 108470214B
- Authority
- CN
- China
- Prior art keywords
- interval
- subinterval
- solution
- ith
- estimated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种基于区间优化算法的有界误差参数估计方法,涉及工业过程的***建模技术领域。该方法包括:选取样本的非线性模型,获取该模型区间***的实际观测值、有界误差的区间范围和待估计参数初始搜索范围;利用最小二乘思想,确定目标函数;利用基于进化策略的区间优化算法对目标函数进行寻优,得到待估计参数的区间解。本发明提供的一种基于区间优化算法的有界误差参数估计方法,该方法抛弃常规的有界误差参数辨识问题的寻找满足误差范围的不确定参数集合的方法,将点进化策略作为加速工具,对传统的区间二分法进行剪枝,舍弃单调性原则,广泛适用于工业过程中的***建模,如微生物发酵,随动跟踪***等不可微的目标函数。
Description
技术领域
本发明涉及工业过程的***建模技术领域,具体涉及一种基于区间优化算法的有界误差参数估计方法。
背景技术
在多数实际运行的控制***中,或多或少存在不确定的因素,如物理元器件的测量误差、生物菌体生长情况、存储器有限字长的影响和外界干扰等,因此若想精确获得控制***的数学模型十分困难。为了更加符合真实情况的控制过程,可以在控制***中添加不确定性,引入区间数来建立不确定数学模型。建立参数不确定***模型的常用方法有随机方法、模糊方法以及区间方法。其中区间方法是在信息缺乏的情况下,把参数看作是在一定区间范围内变化的数值,这种以区间方法描述的参数不确定***即为区间***。
***参数估计是用某种方法根据实验取的实际样本数据来进行***中某些待定参数的辨识。常规的参数估计方法有很多种,如最小二乘估计、极大似然估计等,其采用的方法都是将参数估计问题转化为优化某一目标函数问题,利用优化方法,如牛顿法、单纯形法或者遗传算法等求解优化问题,但这些经典的优化方法都无法处理区间参数,因此需要一种区间优化算法进行区间***的参数估计,而现有的常规方法是寻找满足误差范围的不确定参数集合,如SIVIA算法,但所得区间解的宽度无法指定精度。
发明内容
针对现有技术存在的问题,本发明提供一种基于区间优化算法的有界误差参数估计方法,该方法将点进化策略作为加速工具,对传统的区间二分法进行剪枝,舍弃单调性原则,广泛适用于工业过程中的***建模,如微生物发酵,随动跟踪***等不可微的目标函数。
为了实现上述目的,一种基于区间优化算法的有界误差参数估计方法,包括以下步骤:
步骤1:选取工业过程中样本的非线性模型,获取该模型在工业区间***的实际观测值、有界误差的区间范围和待估计参数初始搜索范围;
步骤2:利用最小二乘思想,将实际观测值与非线性模型输出值的偏差平方和作为目标函数;
步骤3:利用基于进化策略的区间优化算法对步骤2中的目标函数进行寻优,得到待估计参数的区间解,具体方法如下:
步骤3.1:设置进化策略区间优化算法的参数,包括进化策略初始迭代次数g=1、进化策略最大迭代次数gen、总初始迭代次数G=1、每个子区间随机产生个体数K、所得解区间的宽度δ;
步骤3.2:沿最大边方向N等分待估参数初始搜索域Ω,得到初始搜索集合I={I1,…,Ii,…,IN},i=1,...,N,且i为正整数,其中D为第i个子区间的待估参数个数,j=1,...,D,且j为正整数,为第i个子区间的第j个待估参数;初始化种群集合初始化满足精度的解集合
步骤3.3:在初始搜索集合I中的每个子区间随机产生K个点个体,形成种群集合X,X={x1,...,xi,...xN},则且其中k=1,...,K,为在第i个子区间的第j个待估参数所产生的第k个点个体;
步骤3.5:设置截断阈值T=size(x)/K*0.5,利用截断选择删除不可能是最优解的点个体,保留优良的点个体x=xrest;其中,size(x)表示点个体x的个数;
步骤3.6:判断当前进化策略迭代次数g与进化策略最大迭代次数gen的关系,若g<gen,则令g=g+1,通过变异操作产生新的个体,使得新种群总数为K×N,返回步骤3.4;否则,转步骤3.7;
步骤3.7:统计I中每个子区间所包含的优良的点个体x的数目,将标记点个体数目最多的子区间记为I*,同时删除子区间中不包含任何点个体的子区间;
步骤3.8:对I中所有子区间进行自然区间扩张,标记扩张后区间第i个子空间的下界值L(Ii)和第i个子空间中点值m(Ii)均最小的子区间所对应的原子区间Ip,其中其中,q为不等于p的任意正整数,且q≤N;
步骤3.9:判断子区间I*与Ip之间的关系,若I*=Ip,则将子区间I*进行四等分,继续步骤3.10;否则,将子区间I*和Ip进行二等分,继续步骤3.10;
步骤3.10:对重新切分的I中所有子区间进行自然区间扩张,得到新的第i个子空间的上界U(Ii)与第i个子空间的下界L(Ii),令若L(Ii)>τ,则该子区间内不包含最优解,从区间I内删除,即I=I-Ii;
步骤3.11:判断第i个子区间的宽度w(Ii)与解区间的宽度δ之间的关系,若w(Ii)≤δ,则将该子区间加入解集合中,令I=I-Ii,S=S∪Ii,算法输出待估参数的区间解,否则,令G=G+1,转步骤3.3。
本发明的有益效果:
本发明提出一种基于区间优化算法的有界误差参数估计方法,抛弃常规的有界误差参数辨识问题的寻找满足误差范围的不确定参数集合的方法,利用最小二乘思想将参数辨识问题转化为优化问题,利用基于进化策略的区间优化算法寻优,得到指定宽度的区间解,能够保证将待估参数的区间解带回区间***模型中得到的模型输出值在实际观测值的有界误差范围内,保证了估计模型输出值的准确性。
附图说明
图1为本发明实施例中基于区间优化算法的有界误差参数估计方法流程图;
图2为本发明实施例中菌体生长实际观测图;
图3为本发明实施例中基于区间优化算法的有界误差参数估计方法步骤3流程图;
图4为本发明实施例中菌体生长实际观测与模拟拟合对比图;
图5为本发明实施例中菌体生长实际观测与模拟拟合区间对比图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于区间优化算法的有界误差参数估计方法,流程如图1所示,具体方法如下所述:
步骤1:选取工业过程中样本的非线性模型,获取该模型在工业区间***的实际观测值、有界误差的区间范围和待估计参数初始搜索范围。
本实施方式中,所选取谷氨酸棒状杆菌菌体生长的非线性模型y(t)=k/(1+ea -rt),y0=k/(1+ea),获得2-21时刻的菌体数量的实际观测值y(t),如表1所示,菌体生长的实际观测图如图2所示,获取模型的有界误差区间范围获取待估参数r、a、k的初始搜索范围[p]=[0,6]×[0,6]×[0,5]。
表1 2-21时刻菌体数量实际观测值
步骤2:利用最小二乘思想,将实际观测值与模型输出值的偏差平方和作为目标函数。
本实施方式中,根据实际观测值与模型输出值并利用最小二乘思想,可得寻优的目标函数为其中Yi是实际观测值yi加上有界误差后的一个区间[yi-e,yi+e],是参数区间解带入目标函数所求的自然区间扩张,将实际观测值加上有界误差后的区间值与所得区间解带回模型中的模型输出区间值的比较结果如表2所示,目标函数中所涉及到的运算法则也是对应的区间的运算法则,显然所得到的目标函数的值是区间数。
表2模型输出区间值比较结果
步骤3:利用基于进化策略的区间优化算法对步骤2中的目标函数进行寻优,得到待估计参数的区间解,流程如图3所示,具体方法如下:
步骤3.1:设置进化策略区间优化算法的参数,包括进化策略初始迭代次数g=1、进化策略最大迭代次数gen、总初始迭代次数G=1、每个子区间随机产生个体数K、所得解区间的宽度δ。
本实施方式中,设置进化策略区间优化算法的参数gen=4,K=4,δ=0.1。
步骤3.2:沿最大边方向N等分待估参数初始搜索域Ω,得到初始搜索集合I={I1,…,Ii,…,IN},i=1,...,N,且i为正整数,其中D为第i个子区间的待估参数个数,j=1,...,D,且j为正整数,为第i个子区间的第j个待估参数;初始化种群集合初始化满足精度的解集合
本实施方式中,设进化策略区间优化算法的置待估参数切分份数N=7。
步骤3.3:在初始搜索集合I中的每个子区间随机产生K个点个体,形成种群集合X,X={x1,...,xi,...xN},则且其中k=1,...,K,为在第i个子区间的第j个待估参数所产生的第k个点个体。
步骤3.5:设置截断阈值T=size(x)/K*0.5,利用截断选择删除不可能是最优解的点个体,保留优良的点个体x=xrest;其中,size(x)表示点个体x的个数。
步骤3.6:判断当前进化策略迭代次数g与进化策略最大迭代次数gen的关系,若g<gen,则令g=g+1,通过变异操作产生新的个体,使得新种群总数为K×N,返回步骤3.4;否则,转步骤3.7。
步骤3.7:统计I中每个子区间所包含的优良的点个体x的数目,将标记点个体数目最多的子区间记为I*,同时删除子区间中不包含任何点个体的子区间。
步骤3.8:对I中所有子区间进行自然区间扩张,标记扩张后区间第i个子空间的下界值L(Ii)和第i个子空间中点值m(Ii)均最小的子区间所对应的原子区间Ip,其中其中,q为不等于p的任意正整数,且q≤N。
步骤3.9:判断子区间I*与Ip之间的关系,若I*=Ip,则将子区间I*进行四等分,继续步骤3.10;否则,将子区间I*和Ip进行二等分,继续步骤3.10。
步骤3.10:对重新切分的I中所有子区间进行自然区间扩张,得到新的第i个子空间的上界U(Ii)与第i个子空间的下界L(Ii),令若L(Ii)>τ,则该子区间内不包含最优解,从区间I内删除,即I=I-Ii。
步骤3.11:判断第i个子区间的宽度w(Ii)与解区间的宽度δ之间的关系,若w(Ii)≤δ,则将该子区间加入解集合中,令I=I-Ii,S=S∪Ii,算法输出待估参数的区间解,否则,令G=G+1,转步骤3.3。
本实施方式中,寻优得到的待估参数区间解结果为k∈[0.9051,0.9052],a∈[1.7410,1.7545],r∈[0.3885,0.3886]。将参数取中点值带回菌体生长模型中,可得到菌体生长实际观测与模拟拟合对比图,如图4所示,将待估参数区间解结果与菌体生长实际观测数据加上±0.5的误差之后得到的区间值对比,如图5所示。
从图4可以看出,除了菌体生长初期,拟合数据与实际数据误差较大之外,其余时间段都具有较高的拟合度;从图5可以看出,实际数据完全包含拟合数据,即本算法得到的结果完全包含在误差范围之内。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;因而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (1)
1.一种基于区间优化算法的有界误差参数估计方法,其特征在于适用于发酵过程中菌体生长情况观测,包括以下步骤:
步骤1:选取菌体发酵过程中样本的非线性模型y(t)=k/(1+ea-rt),获取菌体数量的实际观测值、有界误差的区间范围e(t)和待估计参数k、r、a的初始搜索范围;
步骤2:利用最小二乘思想,将发酵过程中菌体数量的实际观测值与非线性模型输出的菌体数量的预测值的偏差平方和作为目标函数:其中Yi是实际观测值yi加上有界误差后的一个区间[yi-ei,yi+ei],是参数k、r、a的区间解带入非线性模型所求的自然区间扩张,n为实际观测值或非线性模型输出预测值的数量,即样本个数;
步骤3:利用基于进化策略的区间优化算法对步骤2中的目标函数进行寻优,得到k、r、a的区间解;
步骤3.1:设置进化策略区间优化算法的参数,包括进化策略初始迭代次数g=1、进化策略最大迭代次数gen、总初始迭代次数G=1、每个子区间随机产生个体数K、解区间的宽度δ;
步骤3.2:沿最大边方向N等分待估计参数k、r、a初始搜索域Ω,得到初始搜索集合I={I1,…,Ii,…,IN},i=1,...,N,且i为正整数,其中D为第i个子区间的待估参数个数,j=1,...,D,且j为正整数,为第i个子区间的第j个待估参数;初始化种群集合初始化满足精度的解集合
步骤3.3:在初始搜索集合I中的每个子区间随机产生K个点个体,形成种群集合X,X={x1,...,xi,...xN},则且其中k'=1,...,K,为在第i个子区间的第j个待估参数所产生的第k’个点个体;
步骤3.5:设置截断阈值T=size(x)/K*0.5,利用截断选择删除不可能是菌体发酵过程中样本的非线性模型最优解的点个体,保留优良的点个体xrest;其中,size(x)表示点个体x的个数;
步骤3.6:判断当前进化策略迭代次数g与进化策略最大迭代次数gen的关系,若g<gen,则令g=g+1,通过变异操作产生新的个体,使得新种群总数为K×N,返回步骤3.4;否则,转步骤3.7;
步骤3.7:统计I中每个子区间所包含的优良的点个体x的数目,将标记点个体数目最多的子区间记为I*,同时删除子区间中不包含任何点个体的子区间;
步骤3.8:对I中所有子区间进行自然区间扩张,标记扩张后区间第i个子空间的下界值L(Ii)和第i个子空间的中点值m(Ii)的适应度值均最小的子区间所对应的原子区间Ip,其中q为不等于p的任意正整数,且q≤N;
步骤3.9:判断子区间I*与Ip之间的关系,若I*=Ip,则将子区间I*进行四等分,继续步骤3.10;否则,将子区间I*和Ip进行二等分,继续步骤3.10;
步骤3.10:对重新切分的I中所有子区间进行自然区间扩张,得到新的第i个子空间的上界U(Ii)与第i个子空间的下界L(Ii),令若L(Ii)>τ,则该子区间内不包含菌体发酵过程中样本的非线性模型最优解,从区间I内删除,即I=I-Ii;
步骤3.11:判断第i个子区间的宽度w(Ii)与解区间的宽度δ之间的关系,若w(Ii)≤δ,则将该子区间加入解集合中,令I=I-Ii,S=S∪Ii,算法输出k、r、a的区间解,否则,令G=G+1,转步骤3.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810250268.9A CN108470214B (zh) | 2018-03-26 | 2018-03-26 | 一种基于区间优化算法的有界误差参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810250268.9A CN108470214B (zh) | 2018-03-26 | 2018-03-26 | 一种基于区间优化算法的有界误差参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470214A CN108470214A (zh) | 2018-08-31 |
CN108470214B true CN108470214B (zh) | 2020-07-14 |
Family
ID=63264731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810250268.9A Expired - Fee Related CN108470214B (zh) | 2018-03-26 | 2018-03-26 | 一种基于区间优化算法的有界误差参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470214B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584696B (zh) * | 2019-09-20 | 2023-05-30 | 杭州晟视科技有限公司 | 一种血流储备分数评估方法及装置、存储介质 |
CN111898243B (zh) * | 2020-06-23 | 2022-11-15 | 东南大学 | 基于改进随机分支定界算法的复杂制造***维修优化方法 |
CN114440928A (zh) * | 2022-01-27 | 2022-05-06 | 杭州申昊科技股份有限公司 | 激光雷达与里程计的联合标定方法、机器人、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616072A (zh) * | 2015-01-23 | 2015-05-13 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
CN106096127A (zh) * | 2016-06-07 | 2016-11-09 | 浙江大学 | 含区间参数不确定性结构的稳健性优化设计方法 |
CN106972504A (zh) * | 2017-04-28 | 2017-07-21 | 华南理工大学 | 基于遗传算法的区间无功优化方法 |
CN107133389A (zh) * | 2017-04-14 | 2017-09-05 | 中国空间技术研究院 | 面向结构健康监测基于区间鲁棒优化的传感器配置方法 |
-
2018
- 2018-03-26 CN CN201810250268.9A patent/CN108470214B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616072A (zh) * | 2015-01-23 | 2015-05-13 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
CN106096127A (zh) * | 2016-06-07 | 2016-11-09 | 浙江大学 | 含区间参数不确定性结构的稳健性优化设计方法 |
CN107133389A (zh) * | 2017-04-14 | 2017-09-05 | 中国空间技术研究院 | 面向结构健康监测基于区间鲁棒优化的传感器配置方法 |
CN106972504A (zh) * | 2017-04-28 | 2017-07-21 | 华南理工大学 | 基于遗传算法的区间无功优化方法 |
Non-Patent Citations (3)
Title |
---|
Interval arithmetic in cylindrical algebraic decomposition;Collins G E etal.;《. Journal of Symbolic Computation》;20021231;第145-157页 * |
一种新型的区间-粒子群优化算法;关守平 等;《东北大学学报( 自然科学版)》;20121031;第33卷(第10期);第1381-1384页 * |
区间优化控制算法及其在谷氨酸发酵过程中的应用研究;陈海清;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20130415;第9-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470214A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470214B (zh) | 一种基于区间优化算法的有界误差参数估计方法 | |
Abo-Hammour et al. | A genetic algorithm approach for prediction of linear dynamical systems | |
CN112733273A (zh) | 一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法 | |
CN106095812A (zh) | 一种基于相似性度量的智能试卷生成方法 | |
CN110688471B (zh) | 训练样本获取方法、装置及设备 | |
Joshi et al. | Statistical downscaling of precipitation and temperature using sparse Bayesian learning, multiple linear regression and genetic programming frameworks | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及*** | |
CN111723523A (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
CN108491891A (zh) | 一种基于决策树局部相似性的多源在线迁移学习方法 | |
Franchi et al. | Statistical properties of the maximum Lyapunov exponent calculated via the divergence rate method | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及*** | |
Aladag et al. | Application of type-1 fuzzy functions approach for time series forecasting | |
CN111323847A (zh) | 用于为模拟集成算法确定权重比的方法和设备 | |
Zibo et al. | Application of genetic algorithms to system identification | |
CN117079024A (zh) | 融合不确定度估计和增量阶段判别的图像类增量学习算法 | |
Gagula-Palalic et al. | Human chromosome classification using competitive neural network teams (CNNT) and nearest neighbor | |
CN103810282B (zh) | 一种罗杰斯特‑正态模型话题提取方法 | |
CN114783548A (zh) | 基于arima和改进鸡群算法的水质预测方法 | |
Huang et al. | A computational study of probabilistic branch and bound with multilevel importance sampling | |
Karmakar et al. | Long-range monsoon rainfall pattern recognition and prediction for the subdivision'epmb'Chhattisgarh using deterministic and probabilistic neural network | |
CN111353553A (zh) | 清洗错误标注数据的方法、装置、计算机设备及存储介质 | |
Nordbotten | Editing and imputation by means of neural networks | |
CN115345258B (zh) | 一种命名实体识别模型训练方法、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |
|
CF01 | Termination of patent right due to non-payment of annual fee |