正在加载图片...
·406· 智能系统学报 第11卷 62 优。5)从图5~8可知,UNION CITY降水实验的平 %/W) 均相对误差比北京降水实验和桂平降水实验的明显 ADF GEP最佳 小很多,桂平降水实验的平均相对误差也比北京降 原始GEP平均 BIS GEP最佳 水实验的明显小很多。这说明了GEP算法在进行 21D 原始GEP最佳 ADF GEP平均 BIS GEP平均 UNION CITY降水自动建模中的效果最好,在北京 降水自动建模中的效果较差。 三 益 从图4可看出UNION CITY的降水量数据波动 进化代数 范围相对较小、数据分布相对平稳、噪声少,而北京 图6桂平冬季月均降水量建模进化收敛过程图 降水数据逐年变化差异较大、突变点多而尖锐、最大 Fig.6 Convergence process of precipitation modeling of 值与最小值差距大、数据的分布曲线相当复杂。这 Guiping 些数据集的特点与4)和5)的情况充分表明了时间 BIS_GEP、原始GEP和ADF_GEP等对3组不 序列建模的效果与数据集的复杂程度呈强相关,建 同数据集的自动建模的进化收敛实验结果如图5~8 模数据分布和变化越简单,自动建模的平均相对误 所示。由图可知:1)图5~8均表明了BIS_GEP算 差越小,建模效果越好。 法在这3组不同数据集的自动建模过程中,无论是 72 10次运行结果的平均值,还是最佳运行状况,BIS 62 GEP比原始GEP和ADF_GEP均有更好的收敛性 52 能和寻优结果表现。这充分说明了本文提出的改进 42 方法的有效性和优越性。2)图5~8中的左边部分 32 显示的进化过程初期的适应度曲线均显示了在算法 BIS GEP最佳 原始GEP平均 22 ADF GEP最佳 进化的初期,如图5显示的北京降水实验中的前70 BIS GEP平均 原始GEP最佳 ADF GEP平均 代、图7(a)显示的桂平降水实验中的前40代和图8 显示的UNION CITY降水实验中的前200代,BIS_ 8 GEP,原始GEP和ADF_GEP这3种GEP算法有近 进化代数 似的收敛性能表现。它们几乎都以极快速度趋于目 (a)generation 5~125 标方向收敛,然后收敛速度逐渐减小,甚至不同程度 7.3 地进入收敛缓慢状态,陷入局部最优。这说明了 BIS GEP最佳 6.6 GEP算法存在着遗传算法家族常见的不足一前 原始GEP最佳ADF_GEP最佳 期收敛快,后期收敛缓慢甚至陷入局部最优。3)图 %/HW) 6.0 5.4 BIS GEP平均 5、图7~8中的右边的适应度曲线均显示的进化过 4.9 原始GEP平均 程中后期的BIS_GEP算法的适应度迭代进化比同 4.3 阶段的原始GEP和ADF_GEP的更频繁,更能跳出 3.7 ADF GEP平均 局部最优而向全局最优方向逼近。这表明了经过本 3.1 文提出的个体最优共享改进GEP算法可有效改善 2.5 安 GEP算法后期收敛缓慢状态和易陷入局部最优的 进化代数 不足,寻优性能比原始GEP和ADF_GEP有显著的 (b)generation 125-2 000 提高。4)在UNION CITY的降水实验中,BIS_GEP、 图7桂平冬季月均降水量建模进化收敛过程二分解图 原始GEP和ADF_GEP这3种GEP算法在前6OO Fig.7 Second decomposition for convergence process of 代的适应度迭代进化较北京降水实验和桂平降水实 precipitation modeling of Guiping 验的表现更明显和更频繁,且更快速地逼近全局最图 6 桂平冬季月均降水量建模进化收敛过程图 Fig.6 Convergence process of precipitation modeling of Guiping BIS_GEP、原始 GEP 和 ADF_GEP 等对 3 组不 同数据集的自动建模的进化收敛实验结果如图 5~8 所示。 由图可知:1) 图 5 ~ 8 均表明了 BIS_GEP 算 法在这 3 组不同数据集的自动建模过程中,无论是 10 次运行结果的平均值,还是最佳运行状况,BIS_ GEP 比原始 GEP 和 ADF_GEP 均有更好的收敛性 能和寻优结果表现。 这充分说明了本文提出的改进 方法的有效性和优越性。 2)图 5 ~ 8 中的左边部分 显示的进化过程初期的适应度曲线均显示了在算法 进化的初期,如图 5 显示的北京降水实验中的前 70 代、图 7(a)显示的桂平降水实验中的前 40 代和图 8 显示的 UNION CITY 降水实验中的前 200 代,BIS_ GEP、原始 GEP 和 ADF_GEP 这 3 种 GEP 算法有近 似的收敛性能表现。 它们几乎都以极快速度趋于目 标方向收敛,然后收敛速度逐渐减小,甚至不同程度 地进入收敛缓慢状态,陷入局部最优。 这说明了 GEP 算法存在着遗传算法家族常见的不足———前 期收敛快,后期收敛缓慢甚至陷入局部最优。 3)图 5、图 7~8 中的右边的适应度曲线均显示的进化过 程中后期的 BIS_GEP 算法的适应度迭代进化比同 阶段的原始 GEP 和 ADF_GEP 的更频繁,更能跳出 局部最优而向全局最优方向逼近。 这表明了经过本 文提出的个体最优共享改进 GEP 算法可有效改善 GEP 算法后期收敛缓慢状态和易陷入局部最优的 不足,寻优性能比原始 GEP 和 ADF_GEP 有显著的 提高。 4)在 UNION CITY 的降水实验中,BIS_GEP、 原始 GEP 和 ADF_GEP 这 3 种 GEP 算法在前 600 代的适应度迭代进化较北京降水实验和桂平降水实 验的表现更明显和更频繁,且更快速地逼近全局最 优。 5)从图 5 ~ 8 可知,UNION CITY 降水实验的平 均相对误差比北京降水实验和桂平降水实验的明显 小很多,桂平降水实验的平均相对误差也比北京降 水实验的明显小很多。 这说明了 GEP 算法在进行 UNION CITY 降水自动建模中的效果最好,在北京 降水自动建模中的效果较差。 从图 4 可看出 UNION CITY 的降水量数据波动 范围相对较小、数据分布相对平稳、噪声少,而北京 降水数据逐年变化差异较大、突变点多而尖锐、最大 值与最小值差距大、数据的分布曲线相当复杂。 这 些数据集的特点与 4)和 5)的情况充分表明了时间 序列建模的效果与数据集的复杂程度呈强相关,建 模数据分布和变化越简单,自动建模的平均相对误 差越小,建模效果越好。 (a)generation 5~ 125 (b)generation 125~ 2 000 图 7 桂平冬季月均降水量建模进化收敛过程二分解图 Fig.7 Second decomposition for convergence process of precipitation modeling of Guiping ·406· 智 能 系 统 学 报 第 11 卷
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有