粒子羣優化：處理候選解中的不確定性/不精確性

Question

我希望利用粒子羣優化（PSO）優化複雜的參數化模型與噪聲數據的擬合。數據是時間序列化學濃度值。

在我的優化目標函數中，我使用濃度時間序列曲線和模型預測之間的佈雷柯蒂斯距離[1]來測量適應度（模型預測是使用與優化問題的候選解決方案對應的參數生成的） 。

目前我沒有考慮到我的濃度數據不準確。實際上，濃度已經四捨五入爲整數值。如果PSO例行程序和/或目標函數「意識到」輸入數據的不精確性，我懷疑我可以得到更好的PSO模型。

我能夠找到預測時間序列和數據時間序列的最小和最大Bray Curtis距離，但我不確定如何最好地在PSO代碼中使用這些值。

當評估候選解決方案在進化優化環境下的適應度時，有沒有人對如何處理數據不精確性有任何建議？

第二個問題是時間序列數據同時受到儀器和定時誤差的影響。我很高興地假設這兩種類型的錯誤都是正態分佈的，並且具有不變的標準偏差，但我們不再確定在量化適用於PSO優化時如何最好地處理這種不確定性。

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

Answer 1

PSO應該更有彈性比大多數算法的噪聲數據。您是否觀察過PSO如何運行的實際問題？確保使用相當稀疏的拓撲結構。如果真的可以歸結爲它，你可以讓每個粒子用於個人和社區的最佳效果，而不是它所見過的最好的價值，而是最近500次迭代中的最佳價值。這有點破解，但可能值得一試。最後，如果算法沒有問題，你可能不用擔心。

Answer 2

這些文章似乎有關聯：

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

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