基于遗传算法的参数优化估算模型.pdfVIP

I丝一科研发展………………………… 基于遗传算法的参数优化估算模型 河南理工大学 王晓华 商丘工学院 杨 娜 摘【要】支持向量机中参数的设置是模型是否精确和稳定的关键。固定的参数设置往往不能满足优化模型的要求，同时使得学习算法过于死板，不能体现出来算法的智 能化优点，因此利用遗传算法 (Gene6cAlgorithm，简称GA)对估算模型的参数进行优化，使得估算模型灵活、智能，更加符合实际工程建模的需求。 【关键词】遗传算法；参数优化；估算模型 Abstract：ParametersettingofhteSupportVectorMachineisthekeytothestability ndprecisionofhtemodelThefixedparametersettingoftendonotmeethterequestofthe optimizationmodel，whilemakinghtelearningalogrithmistoorigidanddoesnotreflecttheintelligentadvantageofhtealogrihtm，htususingthegeneticalogrithm G(eneticalogrihtm， referredtoasGA]tOoptimmehteparametersoftheestimationmodel，ma~ngitflexible，intelligent，andmoreinlinewihttheneedsofpracticalengineeringmodeling． Keywords：GeneticAlog rihtm ；Parameteroptimizanon；estimationmodel 1．引言 2．遗传算法 2．2GA算法的基本步骤 随着支持向量机估算模型在工程应用 2．1遗传算法的实施过程 遗传算法操作的实施过程就是对群体 的不断深入。研究发现，支持向量机算法 遗传算法的实施过程中包括 了编码、 的个体按照自然进化原则 (适应度评估)施 (包括LS-SVM算法)存在着一些本身不可避免 产生群体、计算适应度 、复制、交换、变 加一定的操作，从而实现模型中数据的优胜 的缺陷，最为突出的是参数(c )的选取和 异等操作 。图1详细的描述 了遗传算法 的流 劣汰，使得进化过程趋于完美。从优化搜索 优化 问题，以往在参数选取方面，一般依靠 程。 角度出发，遗传算法可使 问题的解，一代一 专家系统或者设定初始值盲 目搜寻等等 ，在 其中，变量GEN是当前进化代数 ；N是 代地进行优化，并逼近最优解。 实际应用必然会影响模型的精准度，造成一 群体规模：M是算法执行的最大次数。 通常采用 的遗传算法 的工作流程和结 定影响。如何选取合理的参数成为支持向量 遗传算法在参数寻优过程 中，基于生 果形式有Goldberg提 出的，常用的GA算法基 机算法应用过程中应用中关注的问题，同时 物遗传学的基本原理，模拟 自然界生物种群 本步骤如下： 也是目前应用研究的重点。而常用的交叉验 的 “物竞天则，适者生存”的 自然规律。把 ①选择编码策略，把参数集合x和域转 证试算的方法，不仅耗时，且搜索 目的不 自变量看作生物体，把它转化成 由基因构成 换为位串结构空间s。常用的编码方法有二 清，使得资源浪费，耗时耗力。不能有效的 的染色体 (个体)，把寻优的目标函数定义 进制编码和浮点数编码。 对参数进行优化。 为适应度，未知函数视为生存环境，通过基 ②定义合适的适应度函数 ／)，保证 针对参选取的问