基于遗传算法的l_p数据拟合及其应用

在动态测试数据处理中,常常要进行稳健回归分析和最小最大值回归分析。讨论了遗传算法及其在lp数据拟合中的应用。由于遗传算法是用点群进行寻优,而不是用一个单点进行寻优,具有隐含并行算法的特点;群体在每一代的进化过程中执行同样的复制、交叉、变异操作,仅使用问题本身所对应的适应度函数,而不需要任何其它先决条件或辅助信息;遗传算法使用随机转换规则,而不是确定性规则进行运算。从而使得遗传算法是一类全局收敛算法,能够在lp数据拟合中得到很好的应用。给出了应用实例。

l_p数据拟合及其在动态测试数据处理中的应用

在动态测试数据处理中 ,常常要进行稳健回归分析和最小最大值回归分析 .在 Gauss-Newton法的基础上推导了一种用于 lp 数据拟合的算法 .通过对 lp 准则的改造 ,建立了 lp 准则和二次准则之间的关系 .计算结果表明 ,该算法结构清晰 ,便于计算机编程 .当 p=1时 ,可应用于稳健回归分析 ;而当 p>2 0时 ,lp 数据拟合与 l∞ 数据拟合的计算结果十分接近 。

基于微粒群算法的l_p数据拟合及其应用

在动态测试数据处理中,常常要进行稳健回归分析和最小最大值回归分析,讨论了微粒群算法及其在lp数据拟合中的应用.微粒群算法通过多个粒子在解空间中根据自身的信息和群体的信息不断调整自己的位置进行寻优,在寻优过程中粒子间不断地进行信息交流,使得算法收敛速度很快,特别适合用于函数优化,从而能够在lp数据拟合中得到很好的应用.实例计算结果表明,该方法能够更准确地进行lp数据拟合,理论上可以以任意逼近真实值,从而减小了计算误差,并且有更快的收敛速度,可以快速收敛到全局最优解,因而具有一定的理论意义和现实意义.