使用基于GEP的多目标优化建模露点
摘要：使用不同的技术来建模温度、露点和相对湿度之间的关系。基因表达式编程能够准确地建模复杂的现实情况，并从演化模型中提取知识，与其他学习算法相比。我们旨在使用基因表达式编程来建模露点。通常，模型的准确性是GEP选择机制所使用的唯一目标。这将演化出具有低训练误差的大型模型。为了避免这种情况，基因程序设计从业者更喜欢使用多个目标，如模型的准确性和大小。多目标问题的解是满足决策者给出的目标的一组解决方案。基于多目标的GEP将用于演化简单模型。在不同的测试问题上测试了多目标优化的各种广泛使用的算法，如NSGA II和SPEA 2。随后获得的结果表明，SPEA 2比NSGA II更好，其特征包括执行时间、获得的解的数量和收敛速度。我们选择SPEA 2进行露点预测。基于多目标的GEP相比于普通的GEP生成了更准确且更简单（更小）的露点预测解。因此，基于多目标的GEP通过考虑适应度和解的大小这两个双重目标产生了更好的解。这些简单模型可以用于预测未来的露点值。
作者：Siddharth Shroff, Vipul Dabhi
论文ID：1304.5594
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2013-04-24