粒子群优化：处理候选解适应中的不确定性/不精确性

Question

我希望使用粒子群优化（PSO）优化复杂参数化模型与噪声数据的拟合。数据是时间序列化学浓度值。

在我的优化目标函数中，我使用浓度时间序列曲线与模型预测之间的Bray柯蒂斯距离[1]来测量适应度（使用对应于优化问题的候选解决方案的参数产生模型预测）。

目前我没有说明我的浓度数据不精确。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“意识到”输入数据的不精确性，我可以使用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，但不确定在PSO代码中如何最好地利用这些值。

在进化优化的背景下评估候选解决方案的适应性时，有没有人对如何处理数据不精确有任何建议？

第二个问题是时间序列数据受仪器和定时误差的影响。我很高兴地假设这两种类型的错误都是正态分布的并且具有不变的标准差，但在量化PSO优化的适应性时，我再也不确定如何最好地处理这种不确定性。

[1] http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.braycurtis.html

Answer 1

与大多数算法相比，PSO应该对噪声数据更具弹性。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。如果它真的归结为它，你可以将每个粒子用于其个人和邻居的最佳值，而不是它所见过的最佳值，而是最后500次迭代中的最佳值。这有点像黑客，但它可能值得一试。最后，如果算法没问题，您可能根本不必担心。

Answer 2

这些论文似乎有关：

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

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