论文部分内容阅读
数据拟合是根据数据发现变量之间的关系表达式,常常用于对生产生活和科学实验中的观测数据进行分析和预测。数据拟合的方法可以分为两类,传统拟合和智能拟合。传统拟合的方法需要预先设定表达式的形式,通过插值法、最小二乘法等方法来确定参数,最终得到一个具体的表达式,表达式的形式影响最终的表达式的拟合误差,如果表达式形式不准确,得到的表达式将不能准确的反映数据之间的变化规律。智能拟合不需要预先设定表达式的形式,它使用遗传算法对表达式的形式和参数同时进行拟合,能拟合多种形式不同的表达式。但是智能拟合的搜索过程盲目,对于复杂度高的表达式拟合时间过长,而且容易出现膨胀性、过拟合和多样性的缺失等问题。本文从如何设计高效智能拟合算法的角度出发,研究基于进化多目标优化的智能拟合方法。本文的主要工作可以总结为以下几个方面。1.介绍了传统拟合和智能拟合的原理和流程,分析了这些方法的优缺点。通过对这些数据拟合方法的分析可以得出,传统拟合需要预先设定好表达式的形式,且只能得到一个表达式,智能拟合能够通过遗传算法同时拟合出表达式的形式和参数,但是智能拟合搜索过程盲目,会出现过拟合、多样性的缺失和膨胀性等问题。2.为了改进智能拟合的盲目性,引导智能拟合的进化方向,本文对基于进化多目标优化的智能拟合算法进行了改进,将传统拟合与智能拟合相结合,按照结合方式的不同,设计了两种将传统拟合加入到智能拟合的方法,一种方法是只在初始种群中加入传统拟合表达式,另一种方法是在进化过程中加入传统拟合表达式。3.为了减少智能拟合的运行时间,本文提出了基于分解的智能拟合算法。原始的智能拟合直接利用待拟合数据进行拟合,在计算表达式精确度时,利用所有的数据来计算,如果数据量很大,计算种群中所有个体的精确度会耗费大量的时间。本文对待拟合数据进行分解,直接利用分解后的数据集进行拟合,通过减少数据量,来减少计算表达式精确度的时间,从而减少智能拟合的运行时间。4.通过实验对本文提出的算法进行了评估和验证,并与其它的算法进行了对比。实验结果从表达式的精确度、预测精度和运行时间三个方面进行对比,从实验结果可以看出,本文的算法表现了比较好的性能。