粒子群最適化 (PSO) を使用して、複雑なパラメーター化されたモデルのノイズの多いデータへの適合を最適化したいと考えています。データは時系列の薬品濃度値です。
最適化目的関数内で、濃度時系列プロファイルとモデル予測の間の Bray Curtis 距離 [1] を使用して適合度を測定します (モデル予測は、最適化問題の解候補に対応するパラメーターを使用して生成されます)。
現在、濃度データの不正確さを考慮していません。実際には、濃度は整数値に丸められています。PSO ルーチンおよび/または目的関数が入力データの不正確さを「認識」していれば、PSO とのより良いモデル適合を得ることができると思います。
予測時系列とデータ時系列の最小および最大 Bray Curtis 距離を見つけることができますが、PSO コード内でこれらの値をどのように利用するのが最善かわかりません。
進化的最適化のコンテキスト内で候補ソリューションの適合性を評価する際に、データの不正確さに対処する方法について何か提案はありますか?
二次的な問題は、時系列データが機器とタイミングの両方のエラーの影響を受けることです。両方のタイプのエラーが正規分布しており、標準偏差が不変であると仮定して満足していますが、PSO 最適化の適合性を定量化する際に、この不確実性をどのように処理するのが最善かはわかりません。
[1] http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.braycurtis.html