基于 GEP 多目标优化的露点建模
神经与进化计算
2013-04-24 v2
摘要
人们采用不同技术来模拟温度、露点和相对湿度之间的关系。基因表达式编程 (GEP) 能够以高精度模拟复杂现实，同时与其他学习算法相比，允许从演化模型中提取知识。本文旨在利用基因表达式编程进行露点建模。通常，GEP 的选择机制仅将模型精度作为唯一目标，这将演化出训练误差低但规模庞大的模型。为避免这种情况，遗传编程从业者倾向于使用多目标，如精度和模型规模。多目标问题的解是满足决策者给定目标的一组解。基于多目标的 GEP 将用于演化简单模型。我们在不同测试问题上测试了广泛用于多目标优化的各种算法，如 NSGA II 和 SPEA 2。所得结果表明，基于执行时间、获得解的数量和收敛速率等特征，SPEA 2 优于 NSGA II。我们选择 SPEA 2 进行露点预测。与普通 GEP 产生的解相比，基于多目标的 GEP 为露点预测产生了更准确且更简单（更小）的解。因此，通过考虑适应度和解规模这两个目标，基于多目标的 GEP 产生了更好的解。这些简单模型可用于预测未来的露点值。
引用
@article{arxiv.1304.5594,
title = {Dew Point modelling using GEP based multi objective optimization},
author = {Siddharth Shroff and Vipul Dabhi},
journal= {arXiv preprint arXiv:1304.5594},
year = {2013}
}
备注
14 pages, 8 figures. arXiv admin note: substantial text overlap with arXiv:1304.4055